中國儲能網(wǎng)訊：電價(jià)預(yù)測是電力現(xiàn)貨市場中市場主體制定競價(jià)策略與管控市場風(fēng)險(xiǎn)的核心技術(shù)手段。精準(zhǔn)的日前電價(jià)預(yù)測直接影響發(fā)電企業(yè)的報(bào)價(jià)決策與收益水平，而實(shí)時(shí)電價(jià)與日前電價(jià)之間的價(jià)差預(yù)測則關(guān)系到各主體能否在市場中捕捉套利機(jī)會。然而，電力現(xiàn)貨價(jià)格受到供需格局、機(jī)組運(yùn)行約束、新能源出力波動(dòng)及網(wǎng)絡(luò)阻塞等多重因素耦合影響，呈現(xiàn)出強(qiáng)波動(dòng)性、非線性與時(shí)序相關(guān)性并存的復(fù)雜特征。本文系統(tǒng)梳理影響現(xiàn)貨電價(jià)的關(guān)鍵驅(qū)動(dòng)因素，并在此基礎(chǔ)上探討確定性預(yù)測與不確定性預(yù)測的技術(shù)路線，為市場主體的交易決策提供方法論參考。
01
現(xiàn)貨電價(jià)的影響因素
供需關(guān)系：價(jià)格形成的核心錨點(diǎn)
火電的競價(jià)空間，本質(zhì)上是指省內(nèi)火電機(jī)組的凈供電規(guī)模，是影響出清電價(jià)的決定性因素。當(dāng)競價(jià)空間較大時(shí)，邊際出清位置可能落至報(bào)價(jià)較高的機(jī)組或價(jià)格段，整體電價(jià)隨之抬升；而當(dāng)競價(jià)空間較小時(shí)，火電機(jī)組為爭取有限的中標(biāo)機(jī)會，往往只能貼近甚至低于邊際成本報(bào)價(jià)，電價(jià)相應(yīng)走低。由此可見，競價(jià)空間的大小直接決定了市場的出清價(jià)格水平，是電價(jià)預(yù)測中最關(guān)鍵的前置變量。
從圖中可以觀察到，兩者在趨勢上具有較高的一致性：6月13日至14日，日均火電競價(jià)空間升至6500MWh以上，同期日前出清價(jià)格同步上行至315元/MWh附近；而6月16日日均競價(jià)空間回落至5200MWh左右，出清價(jià)格亦隨之降至207元/MWh。
系統(tǒng)運(yùn)行方式：隱含的"結(jié)構(gòu)性抬價(jià)機(jī)制"
值得注意的是，即便競價(jià)空間相同，電價(jià)也可能因系統(tǒng)運(yùn)行方式的不同而呈現(xiàn)差異。這主要體現(xiàn)在兩個(gè)方面：一是系統(tǒng)調(diào)度需滿足靈活性要求（如爬坡、備用），調(diào)度機(jī)構(gòu)需安排不同的機(jī)組開機(jī)組合，開機(jī)方式的差異將直接影響邊際機(jī)組的選擇，進(jìn)而導(dǎo)致電價(jià)變化；二是輸電通道的阻塞約束會造成區(qū)域間的價(jià)格分化，當(dāng)關(guān)鍵通道受限時(shí)，受端區(qū)域只能調(diào)用本地高價(jià)機(jī)組，節(jié)點(diǎn)電價(jià)相應(yīng)抬升。
圖2展示了山東省2025年6月11日至17日每日8:00時(shí)點(diǎn)的火電開機(jī)臺數(shù)與未來2小時(shí)負(fù)荷爬坡量的對應(yīng)關(guān)系。從圖中可以看出，當(dāng)未來2小時(shí)負(fù)荷下降幅度較大時(shí)（如6月12日下降4435MW），系統(tǒng)所需維持在線的火電機(jī)組數(shù)量較少（77臺）；而當(dāng)負(fù)荷下降幅度趨近于零時(shí)（如6月13日僅下降370MW），開機(jī)臺數(shù)較多（95臺）。這一現(xiàn)象揭示了系統(tǒng)運(yùn)行方式對電價(jià)的隱性影響——開機(jī)臺數(shù)不僅反映當(dāng)前負(fù)荷水平，更隱含了調(diào)度機(jī)構(gòu)對未來系統(tǒng)靈活性的預(yù)判，進(jìn)而通過邊際機(jī)組的報(bào)價(jià)傳導(dǎo)至出清電價(jià)。
氣象因素：日前—實(shí)時(shí)價(jià)差的核心來源
盡管第二天的發(fā)電計(jì)劃在日前市場中已經(jīng)確定，但實(shí)時(shí)電價(jià)與日前電價(jià)之間往往存在偏差，差異的根源在于邊界條件發(fā)生了變化，其中最關(guān)鍵的是新能源出力的不確定性。風(fēng)電和光伏出力高度依賴風(fēng)速與輻照度等氣象變量，具有顯著的波動(dòng)性和隨機(jī)性。當(dāng)氣象預(yù)測存在偏差時(shí)，新能源實(shí)際出力將偏離日前預(yù)期，進(jìn)而改變系統(tǒng)的供需關(guān)系，最終傳導(dǎo)至實(shí)時(shí)電價(jià)。因此，提高氣象預(yù)測精度，實(shí)質(zhì)上是在縮小市場邊界的不確定性，也是提升實(shí)時(shí)電價(jià)預(yù)測能力的關(guān)鍵所在。
02
電價(jià)預(yù)測方法
輸入特征工程：多源時(shí)序信息融合
在特征工程層面，主要包括兩類信息：一是待預(yù)測時(shí)刻的市場邊界信息與運(yùn)行預(yù)測信息，這些信息刻畫了未來時(shí)段供需格局與系統(tǒng)約束；二是歷史參考信息，包含鄰近時(shí)刻及歷史日同一時(shí)刻的出清電價(jià)等，這些信息能從時(shí)序性及周期性上提供參考。由于日前電價(jià)預(yù)測需一次性輸出次日96個(gè)時(shí)段的電價(jià)，而預(yù)測過程中無法獲取未來時(shí)段的實(shí)際電價(jià)，可以采用滾動(dòng)預(yù)測策略完成全序列遞推，即依次預(yù)測下一時(shí)刻電價(jià)并將其作為輸入遞推至后續(xù)時(shí)刻。
模型選擇：強(qiáng)特征融合能力與輕量化架構(gòu)
在模型架構(gòu)的選擇上，當(dāng)前電力現(xiàn)貨市場呈現(xiàn)兩個(gè)關(guān)鍵特征，對模型設(shè)計(jì)提出了特定要求。第一個(gè)關(guān)鍵點(diǎn)是模型必須充分利用多維變量信息，捕捉變量間的相關(guān)性。第二個(gè)關(guān)鍵點(diǎn)是模型必須是輕量化的，能夠在小樣本條件下快速收斂。
當(dāng)前市場環(huán)境下電價(jià)模式多變，早期的歷史數(shù)據(jù)往往已失去直接參考價(jià)值，若將全量歷史數(shù)據(jù)直接輸入模型會產(chǎn)生嚴(yán)重的分布漂移。相較而言，就近一個(gè)月的數(shù)據(jù)仍能保持較為相似的分布特征，具有更高的參考價(jià)值，因此更適合作為訓(xùn)練樣本。 然而，一個(gè)月左右的數(shù)據(jù)量相對有限，這就要求模型必須具備在小樣本數(shù)據(jù)集上快速收斂的能力。在此場景下，一些輕量化的機(jī)器學(xué)習(xí)模型，如樹模型、MLP等，相比主流的LSTM、Transformer等深度學(xué)習(xí)模型更具優(yōu)勢。具體而言，這些復(fù)雜的深度學(xué)習(xí)模型參數(shù)量大、結(jié)構(gòu)復(fù)雜，在小樣本下往往面臨嚴(yán)重的過擬合風(fēng)險(xiǎn)，收斂速度也難以保證；而輕量化模型對樣本量要求更低、訓(xùn)練速度更快，不易過擬合，因此在小樣本多變量擬合任務(wù)中反而能夠取得更穩(wěn)健的效果。
從圖3結(jié)果可以看出，XGBoost與MLP這兩個(gè)機(jī)器學(xué)習(xí)模型的MAE最低；LSTM的預(yù)測誤差相對較大，表明其過于依賴時(shí)序推演而難以充分利用多維變量間的耦合關(guān)系；Transformer的預(yù)測誤差最大，表明其在小樣本場景下的應(yīng)用局限性。這一結(jié)果印證了"模型并非越復(fù)雜越好"的觀點(diǎn)，在當(dāng)前數(shù)據(jù)有限、模式多變的市場環(huán)境下，輕量化模型反而具備更強(qiáng)的實(shí)用價(jià)值。
概率化預(yù)測：從點(diǎn)估計(jì)到風(fēng)險(xiǎn)區(qū)間
在充滿不可控因素的市場環(huán)境中，僅提供點(diǎn)估計(jì)的確定性預(yù)測難以滿足市場主體對風(fēng)險(xiǎn)量化評估的需求。當(dāng)新能源出力預(yù)測偏差、設(shè)備非計(jì)劃停運(yùn)等隨機(jī)事件發(fā)生時(shí)，實(shí)際電價(jià)可能顯著偏離預(yù)測值。因此，有必要將預(yù)測范式從"給出一個(gè)確定值"拓展為"給出一個(gè)概率分布"，即不確定性預(yù)測。目前，主要的技術(shù)路線有以下兩種。
（1）分位數(shù)回歸方法
分位數(shù)回歸（Quantile Regression）通過修改模型輸出層結(jié)構(gòu)，使其能夠同時(shí)預(yù)測多個(gè)分位數(shù)水平下的電價(jià)估計(jì)值。具體而言，模型在訓(xùn)練過程中采用Pinball Loss（分位數(shù)損失函數(shù)）替代傳統(tǒng)的均方誤差損失，引導(dǎo)網(wǎng)絡(luò)針對不同的分位點(diǎn)進(jìn)行非對稱學(xué)習(xí)，然后將多個(gè)分位點(diǎn)的預(yù)測結(jié)果組合起來，即可勾勒出電價(jià)在未來時(shí)段可能的波動(dòng)區(qū)間。
（2）條件概率建模方法
條件概率建模采用另一條技術(shù)路線：假設(shè)在給定輸入特征條件下，電價(jià)服從某一特定的概率分布，然后利用神經(jīng)網(wǎng)絡(luò)擬合該條件分布的參數(shù)。此時(shí)模型的輸出不再是電價(jià)的點(diǎn)估計(jì)值，而是該條件下電價(jià)分布的參數(shù)估計(jì)。基于這些參數(shù)，市場主體可以進(jìn)一步推導(dǎo)電價(jià)在不同區(qū)間的發(fā)生概率，或直接計(jì)算置信區(qū)間，從而獲取更為完整的波動(dòng)范圍刻畫。
圖4展示了基于條件概率建模方法得到的電價(jià)區(qū)間預(yù)測結(jié)果。從圖中可以看出，預(yù)測區(qū)間能夠有效包裹住實(shí)際電價(jià)的波動(dòng)軌跡，尤其在電價(jià)劇烈波動(dòng)時(shí)段，區(qū)間寬度相應(yīng)擴(kuò)展，反映了更高的不確定性。
算例測試
為驗(yàn)證前述分析框架的有效性，本節(jié)選取山東省電力現(xiàn)貨市場2025年6月的實(shí)際運(yùn)行數(shù)據(jù)進(jìn)行測試。所提出預(yù)測方法在構(gòu)建過程中引入了前文系統(tǒng)梳理的多維關(guān)鍵因素，并利用輕量模型在近期數(shù)據(jù)上進(jìn)行訓(xùn)練，并與常規(guī)基準(zhǔn)方法進(jìn)行性能對比。
圖6展示了所提出方法與基準(zhǔn)方法在測試集上的概率預(yù)測曲線，從圖中可以看出，所提出方法的預(yù)測區(qū)間能夠更精準(zhǔn)地包裹住真實(shí)電價(jià)曲線，并具有更窄的預(yù)測區(qū)間。
03
結(jié)語
本文系統(tǒng)梳理了影響現(xiàn)貨電價(jià)的關(guān)鍵因素，并在此基礎(chǔ)上對電價(jià)預(yù)測的智能建模方法展開了分析。在山東省2025年6月電力現(xiàn)貨數(shù)據(jù)上的測試結(jié)果表明，基于多維因素與輕量時(shí)序建模的預(yù)測策略能夠有效提升電價(jià)預(yù)測精度。展望未來，隨著各省份現(xiàn)貨市場運(yùn)行數(shù)據(jù)的持續(xù)積累和深度學(xué)習(xí)模型的迭代優(yōu)化，融合多源信息、兼顧預(yù)測精度與風(fēng)險(xiǎn)評估的智能化電價(jià)預(yù)測體系將日趨成熟，為電力市場的安全高效運(yùn)行提供有力的技術(shù)支撐。
