论文
使用带正则化策略的基础模型进行波动市场日前电价预测
Day-Ahead Electricity Price Forecasting for Volatile Markets Using Foundation Models with Regularization Strategy
摘要
电价预测（EPF）对能源市场利益相关方（如电网运营商、能源交易商、政策制定者）至关重要，但价格信号固有的波动性和非线性使其仍具挑战性。传统统计模型和深度学习（DL）模型往往难以捕捉复杂的时间依赖性并有效整合异构数据。尽管时间序列基础模型（TSFM）已在交通预测和天气预报等通用时间序列预测任务中展现出强大性能，但其在日前EPF中的有效性，尤其是在波动市场中，仍未被充分探索。本文提出一种尖峰正则化策略，并在新加坡呈波动趋势的半小时批发市场数据上，将包括Tiny Time Mixers（TTMs）、MOIRAI、MOMENT和TimesFM在内的多种TSFM与自回归积分移动平均（ARIMA）、长短期记忆网络（LSTM）、卷积神经网络-LSTM（CNN-LSTM）等传统统计和DL模型进行对比评估。在适用的模型中还纳入了外生因素（如天气和日历变量）。结果表明，TSFM始终优于传统方法，在各种评估设置下MAPE最多改善37.4%。这些发现为提高波动电力市场的预测精度和决策提供了实用指导。
