中國儲能網(wǎng)訊：電價預測是電力現(xiàn)貨市場中市場主體制定競價策略與管控市場風險的核心技術(shù)手段。精準的日前電價預測直接影響發(fā)電企業(yè)的報價決策與收益水平，而實時電價與日前電價之間的價差預測則關(guān)系到各主體能否在市場中捕捉套利機會。然而，電力現(xiàn)貨價格受到供需格局、機組運行約束、新能源出力波動及網(wǎng)絡阻塞等多重因素耦合影響，呈現(xiàn)出強波動性、非線性與時序相關(guān)性并存的復雜特征。本文系統(tǒng)梳理影響現(xiàn)貨電價的關(guān)鍵驅(qū)動因素，并在此基礎(chǔ)上探討確定性預測與不確定性預測的技術(shù)路線，為市場主體的交易決策提供方法論參考。
01
現(xiàn)貨電價的影響因素
供需關(guān)系：價格形成的核心錨點
火電的競價空間，本質(zhì)上是指省內(nèi)火電機組的凈供電規(guī)模，是影響出清電價的決定性因素。當競價空間較大時，邊際出清位置可能落至報價較高的機組或價格段，整體電價隨之抬升；而當競價空間較小時，火電機組為爭取有限的中標機會，往往只能貼近甚至低于邊際成本報價，電價相應走低。由此可見，競價空間的大小直接決定了市場的出清價格水平，是電價預測中最關(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，日均火電競價空間升至6500MWh以上，同期日前出清價格同步上行至315元/MWh附近；而6月16日日均競價空間回落至5200MWh左右，出清價格亦隨之降至207元/MWh。
系統(tǒng)運行方式：隱含的"結(jié)構(gòu)性抬價機制"
值得注意的是，即便競價空間相同，電價也可能因系統(tǒng)運行方式的不同而呈現(xiàn)差異。這主要體現(xiàn)在兩個方面：一是系統(tǒng)調(diào)度需滿足靈活性要求（如爬坡、備用），調(diào)度機構(gòu)需安排不同的機組開機組合，開機方式的差異將直接影響邊際機組的選擇，進而導致電價變化；二是輸電通道的阻塞約束會造成區(qū)域間的價格分化，當關(guān)鍵通道受限時，受端區(qū)域只能調(diào)用本地高價機組，節(jié)點電價相應抬升。
圖2展示了山東省2025年6月11日至17日每日8:00時點的火電開機臺數(shù)與未來2小時負荷爬坡量的對應關(guān)系。從圖中可以看出，當未來2小時負荷下降幅度較大時（如6月12日下降4435MW），系統(tǒng)所需維持在線的火電機組數(shù)量較少（77臺）；而當負荷下降幅度趨近于零時（如6月13日僅下降370MW），開機臺數(shù)較多（95臺）。這一現(xiàn)象揭示了系統(tǒng)運行方式對電價的隱性影響——開機臺數(shù)不僅反映當前負荷水平，更隱含了調(diào)度機構(gòu)對未來系統(tǒng)靈活性的預判，進而通過邊際機組的報價傳導至出清電價。
氣象因素：日前—實時價差的核心來源
盡管第二天的發(fā)電計劃在日前市場中已經(jīng)確定，但實時電價與日前電價之間往往存在偏差，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。風電和光伏出力高度依賴風速與輻照度等氣象變量，具有顯著的波動性和隨機性。當氣象預測存在偏差時，新能源實際出力將偏離日前預期，進而改變系統(tǒng)的供需關(guān)系，最終傳導至實時電價。因此，提高氣象預測精度，實質(zhì)上是在縮小市場邊界的不確定性，也是提升實時電價預測能力的關(guān)鍵所在。
02
電價預測方法
輸入特征工程：多源時序信息融合
在特征工程層面，主要包括兩類信息：一是待預測時刻的市場邊界信息與運行預測信息，這些信息刻畫了未來時段供需格局與系統(tǒng)約束；二是歷史參考信息，包含鄰近時刻及歷史日同一時刻的出清電價等，這些信息能從時序性及周期性上提供參考。由于日前電價預測需一次性輸出次日96個時段的電價，而預測過程中無法獲取未來時段的實際電價，可以采用滾動預測策略完成全序列遞推，即依次預測下一時刻電價并將其作為輸入遞推至后續(xù)時刻。
模型選擇：強特征融合能力與輕量化架構(gòu)
在模型架構(gòu)的選擇上，當前電力現(xiàn)貨市場呈現(xiàn)兩個關(guān)鍵特征，對模型設計提出了特定要求。第一個關(guān)鍵點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。第二個關(guān)鍵點是模型必須是輕量化的，能夠在小樣本條件下快速收斂。
當前市場環(huán)境下電價模式多變，早期的歷史數(shù)據(jù)往往已失去直接參考價值，若將全量歷史數(shù)據(jù)直接輸入模型會產(chǎn)生嚴重的分布漂移。相較而言，就近一個月的數(shù)據(jù)仍能保持較為相似的分布特征，具有更高的參考價值，因此更適合作為訓練樣本。 然而，一個月左右的數(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，一些輕量化的機器學習模型，如樹模型、MLP等，相比主流的LSTM、Transformer等深度學習模型更具優(yōu)勢。具體而言，這些復雜的深度學習模型參數(shù)量大、結(jié)構(gòu)復雜，在小樣本下往往面臨嚴重的過擬合風險，收斂速度也難以保證；而輕量化模型對樣本量要求更低、訓練速度更快，不易過擬合，因此在小樣本多變量擬合任務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這兩個機器學習模型的MAE最低；LSTM的預測誤差相對較大，表明其過于依賴時序推演而難以充分利用多維變量間的耦合關(guān)系；Transformer的預測誤差最大，表明其在小樣本場景下的應用局限性。這一結(jié)果印證了"模型并非越復雜越好"的觀點，在當前數(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的實用價值。
概率化預測：從點估計到風險區(qū)間
在充滿不可控因素的市場環(huán)境中，僅提供點估計的確定性預測難以滿足市場主體對風險量化評估的需求。當新能源出力預測偏差、設備非計劃停運等隨機事件發(fā)生時，實際電價可能顯著偏離預測值。因此，有必要將預測范式從"給出一個確定值"拓展為"給出一個概率分布"，即不確定性預測。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)，使其能夠同時預測多個分位數(shù)水平下的電價估計值。具體而言，模型在訓練過程中采用Pinball Loss（分位數(shù)損失函數(shù)）替代傳統(tǒng)的均方誤差損失，引導網(wǎng)絡針對不同的分位點進行非對稱學習，然后將多個分位點的預測結(jié)果組合起來，即可勾勒出電價在未來時段可能的波動區(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：假設在給定輸入特征條件下，電價服從某一特定的概率分布，然后利用神經(jīng)網(wǎng)絡擬合該條件分布的參數(shù)。此時模型的輸出不再是電價的點估計值，而是該條件下電價分布的參數(shù)估計?；谶@些參數(shù)，市場主體可以進一步推導電價在不同區(qū)間的發(fā)生概率，或直接計算置信區(qū)間，從而獲取更為完整的波動范圍刻畫。
圖4展示了基于條件概率建模方法得到的電價區(qū)間預測結(jié)果。從圖中可以看出，預測區(qū)間能夠有效包裹住實際電價的波動軌跡，尤其在電價劇烈波動時段，區(qū)間寬度相應擴展，反映了更高的不確定性。
算例測試
為驗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月的實際運行數(shù)據(jù)進行測試。所提出預測方法在構(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)上進行訓練，并與常規(guī)基準方法進行性能對比。
圖6展示了所提出方法與基準方法在測試集上的概率預測曲線，從圖中可以看出，所提出方法的預測區(qū)間能夠更精準地包裹住真實電價曲線，并具有更窄的預測區(qū)間。
03
結(jié)語
本文系統(tǒng)梳理了影響現(xiàn)貨電價的關(guān)鍵因素，并在此基礎(chǔ)上對電價預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序建模的預測策略能夠有效提升電價預測精度。展望未來，隨著各省份現(xiàn)貨市場運行數(shù)據(jù)的持續(xù)積累和深度學習模型的迭代優(yōu)化，融合多源信息、兼顧預測精度與風險評估的智能化電價預測體系將日趨成熟，為電力市場的安全高效運行提供有力的技術(shù)支撐。
