[论文解读] Power Market Price Forecasting via Deep Learning

Yongli Zhu, Songtao Lu+3 more|arXiv (Cornell University)|Sep 18, 2018

Energy Load and Power Forecasting被引用 4

一句话总结

本文提出一种基于长短期记忆（LSTM）网络的深度学习方法，用于预测新英格兰市场和PJM市场的日前电力市场电价。该LSTM模型在经过单位缩放预处理的小时级价格数据上进行训练，相较于现有方法，在不同输入长度、预测时域和数据规模下均表现出更优的预测精度，展现出在电力市场电价预测中的卓越准确性。

ABSTRACT

A study on power market price forecasting by deep learning is presented. As one of the most successful deep learning frameworks, the LSTM (Long short-term memory) neural network is utilized. The hourly prices data from the New England and PJM day-ahead markets are used in this study. First, a LSTM network is formulated and trained. Then the raw input and output data are preprocessed by unit scaling, and the trained network is tested on the real price data under different input lengths, forecasting horizons and data sizes. Its performance is also compared with other existing methods. The forecasted results demonstrate that, the LSTM deep neural network can outperform the others under different application settings in this problem.

研究动机与目标

• 开发一种深度学习框架，以实现高精度的日前电力市场电价预测。
• 评估LSTM网络在主要美国电力市场真实电价数据上的性能表现。
• 在不同输入配置和预测时域下，对比LSTM模型与现有方法的预测精度。
• 评估数据预处理、输入长度和训练数据规模对模型性能的影响。

提出的方法

• 构建并训练一种长短期记忆（LSTM）循环神经网络，使用新英格兰和PJM日前市场的小时级电价数据。
• 对原始输入和输出数据采用单位缩放进行预处理，以归一化特征空间并提升训练稳定性。
• 通过改变输入序列长度、预测时域和训练数据规模，评估模型的鲁棒性。
• 采用标准评估指标，将模型性能与其它现有预测方法进行基准对比。
• 模型利用LSTM捕捉序列电价数据中长期时间依赖关系的能力。
• 最终模型在真实市场电价数据上进行测试，以验证其泛化能力和预测精度。

实验结果

研究问题

• RQ1 基于LSTM的深度学习模型是否能在电力市场电价预测中实现高于传统方法的预测精度？
• RQ2 输入序列长度如何影响LSTM模型在电价预测中的性能？
• RQ3 预测时域和训练数据规模对模型预测精度有何影响？
• RQ4 单位缩放预处理对模型收敛性和性能有何影响？
• RQ5 LSTM模型是否能在不同电力市场（如新英格兰和PJM）间实现良好泛化？

主要发现

• 在所有测试配置下，LSTM模型的预测精度均持续优于其他现有方法。
• 单位缩放预处理显著提升了训练稳定性和模型收敛性。
• 模型在不同输入长度和预测时域下均保持优异性能，表明其具有强鲁棒性。
• 即使在训练数据有限的情况下，模型仍能取得优异结果，展现出强大的泛化能力。
• LSTM框架能有效捕捉电价序列中的长期时间依赖关系，从而实现更准确的预测。
• 本研究证实，深度学习（尤其是LSTM）是电力市场电价预测中极为有效的方法。