评估概率电价预测中基础模型的性能与效率权衡

大规模可再生能源部署给电力系统带来了明显的波动性，使电网运行变成了复杂的随机优化问题。准确的电价预测（EPF）不仅对于支持优化竞价策略和平衡电力准备等运营决策至关重要，而且对于降低经济风险和提高市场效率也至关重要。概率预测特别有价值，因为它们量化了可再生能源间歇性、市场耦合和监管变化带来的不确定性，使市场参与者能够做出明智的决策，最大限度地减少损失并优化预期收入。然而，采用哪些模型来产生准确的预测仍然是一个悬而未决的问题。这些应该是特定于任务的机器学习 (ML) 模型还是时间序列基础模型 (TSFM)？在这项工作中，我们比较了欧洲投标区的日前概率 EPF (PEPF) 的四种模型：具有分位数回归平均 (NHITS+QRA) 的确定性 NHITS 主干网和条件归一化流预测器 (NF) 与两个 TSFM（即 Moirai 和 ChronosX）进行了比较。一方面，我们发现 TSFM 在 CRPS、能量评分和跨市场条件的预测区间校准方面优于从头开始训练的特定任务深度学习模型。另一方面，我们发现配置良好的特定任务模型，特别是与 QRA 相结合的 NHITS，其性能非常接近 TSFM，并且在某些情况下，例如当提供额外的信息特征组或通过来自其他欧洲市场的小样本学习进行调整时，它们甚至可以超越 TSFM。总的来说，我们的研究结果表明，虽然 TSFM 提供了表达性建模功能，但传统模型仍然具有很强的竞争力，强调需要权衡计算费用与 PEPF 的边际性能改进。