具有多标准决策支持的系统感知条件神经过程,用于运营电力价格预测

《Energy Economics》:Regime-aware conditional neural processes with multi-criteria decision support for operational electricity price forecasting

【字体: 大 中 小 】 时间:2026年03月02日 来源:Energy Economics 14.2

编辑推荐:

  Abhinav Das | Stephan Schlüter | Lorenz Schneider 乌尔姆大学数学与经济学院,Helmholtzstrasse 20,乌尔姆,89081,德国 摘要 本研究将贝叶斯制度检测与条件神经过程相结合,用于德国、法国和挪威市场

  Abhinav Das | Stephan Schlüter | Lorenz Schneider
乌尔姆大学数学与经济学院,Helmholtzstrasse 20,乌尔姆,89081,德国

摘要
本研究将贝叶斯制度检测与条件神经过程相结合,用于德国、法国和挪威市场的24小时电价预测。制度是通过一个解耦的粘性分层狄利克雷过程隐马尔可夫模型(DS-HDP-HMM)推断出来的。对于每个制度,一个独立的条件神经过程(CNP)学习从输入上下文到24维小时价格轨迹的映射;最终预测是作为各制度特定CNP输出的加权混合得到的。在德国(2021–2023年)以及法国和挪威(2023年)的数据上评估了模型的时间鲁棒性和跨市场泛化能力。我们将该模型与深度神经网络(DNN)、Lasso估计的自回归(LEAR)模型、极端梯度提升(XGBoost)、贝叶斯长短期记忆(BLSTM)和时间融合变换器(TFT)进行了对比,并通过电池储能优化评估了其下游价值。结果表明,所提出的具有制度意识的CNP通常能够带来更高的利润或更低的成本,而在特定的成本最小化场景下,DNN也表现出色。由于点精度不一定转化为操作最优性,我们应用了基于相似性排序理想解的技术(TOPSIS)来综合预测和操作标准。TOPSIS将CNP评为2023年的领先模型,并且在所有考虑的市场中总体上是最平衡且最受青睐的解决方案。

1. 引言
可再生能源的整合日益增加,由于风能和太阳能发电的间歇性,电力市场的不确定性也随之增加。在像德国这样电力中可再生能源占比较大的国家,天气驱动的波动性影响着发电模式,从而导致价格的非平稳性,超出了物理平衡问题的范围。因此,准确的日前价格预测对于资源规划、风险管理和市场稳定至关重要,同时也为更广泛的清洁能源采纳提供了监管设计的依据(Alshater等,2025年)。然而,构建既能反映市场复杂性又能保持可解释性的模型是一项挑战,现有的方法包括统计/概率方法、机器学习/深度学习模型及其混合体。预测还因为能够优化电池储能系统(BESS)的运行而具有价值(Rey等,2023年)。BESS通过套利、辅助服务和可再生能源集成来支持现代电网(Yang等,2022年),需要将价格预测转化为充放电计划的运营策略(Mercier等,2023年)。在其他情况下,目标是给定负载的成本最小化(Ranaweera等,2017年)。重要的是,预测准确性本身并不一定能可靠地代表决策质量(Ahmed和Khalid,2019年):在经济敏感时段(高峰、低谷、制度转换)发生的错误可能会主导实际利润或成本。因此,我们使用多标准决策方法(MCDM,Ching-Lai Hwang,1981年)结合预测性能和运营指标来评估模型。特别是TOPSIS(Chen,2000年)提供了一种透明的距离理想解的聚合方法,支持超越单变量误差总结的全面和可操作的比较。

关于模型选择,许多传统的预测范式隐含地假设了平稳性,而这在突然的制度变化(例如重大地缘政治事件)时会被打破。虽然GARCH类模型能够捕捉到时变波动性,但它们并没有明确表示制度转换,而具有预先指定状态数量的经典制度转换模型在市场条件变化时可能会变得脆弱。这促使我们采用模块化设计,而不是单一的预测器:在稳定时期,全局模型如DNN/TFT/XGB可能具有竞争力,但在结构性断裂时,它们会倾向于在不同条件下平均化,这可能会模糊转折点并破坏下游决策。因此,我们将任务分解为(i)制度发现和(ii)基于制度的预测。对于制度发现,我们使用了解耦的粘性分层狄利克雷过程隐马尔可夫模型(DS-HDP-HMM),这是一种贝叶斯非参数模型,它可以学习数据驱动的、动态变化的持久的制度数量(Zhou等,2020年)。与固定制度替代方案相比,粘性HDP公式通过避免对预先选定状态的数量的承诺并在新条件出现时进行调整,降低了误设风险。在给定潜在制度的情况下,我们采用了制度特定的条件神经过程(CNPs),这些概率元学习模型能够从历史条件学习到每个制度内未来24小时价格轨迹的灵活映射。

当制度异质性和波动性较强时,所提出的DS-HDP-HMM + CNP架构的实际效益显而易见,因为区分市场状态和学习针对制度的预测分布可以产生更可靠的决策。本文的结果表明,CNP针对每个制度的建议训练结构不仅比基线模型(即深度神经网络(DNN)、Lasso估计的自回归(LEAR)模型(Lago等,2021年)、极端梯度提升(XGBoost)、贝叶斯长短期记忆(BLSTM)和时间融合变换器(TFT)表现得更好,而且还提供了平衡的BESS运营模型。重要的是,我们并不认为这种复杂性总是必要的:在良性或接近平稳的时期,更简单的基线模型也可以表现得相当好。R-CNP的实际效益在制度异质性明显的波动性环境中显现出来,这一点通过与强单一模型基线(DNN、XGB、TFT)的对比以及通过消融/敏感性分析来量化,这些分析分离了制度发现和制度特定训练的边际价值。所有数据和用于分析的Python脚本都可以通过网页访问,以便复制。

文章结构如下:第2节包含文献综述,第3节给出了相关模型定义。第3.3节讨论了数据集。第3节阐述了我们的新模型。第4节简要介绍了CNP的架构。第5节展示了DS-HDP-HMM和CNP的聚合方法,第6节解释了我们BESS案例研究的运营策略。第7节对所提出的方法进行了详细和全面的数值分析。这个数值部分还包括消融和敏感性研究,旨在评估添加的组件(制度推断和制度特定预测器)是否比简单的替代方案提供了可测量的收益。第8节从实践者的角度讨论了该模型的可行性,第9节总结了文章。

2. 文献综述
电力不能像其他金融商品和证券那样处理:在没有足够存储能力的情况下,即时物理交付和对天气条件的日益依赖大大增加了价格预测的复杂性(O’Connor等,2025年)。请注意,本文的范围不包括全面的文献综述;这里只介绍了最常用的方法以及与我们方法相关的方法。

2.1. 线性模型和参数异方差模型
统计方法如自回归积分移动平均(ARIMA)模型或GARCH模型在各种电价预测模型中显示了它们的价值(Chodakowska等,2021年;Ketterer,2014年)。为了更好地捕捉非线性效应,提出了修改方案。例如,Rubio等人(2023年)基于小波(一种多重分辨率分析方法)、ARIMA和GARCH构建了一个模型。Schlüter和Deuschle(2014年)等作者测试并展示了将小波应用于能源商品预测的好处。同样,ARIMAX模型结合了外生成分和GARCH模型,以包含天气效应(Huurman等,2012年)。Voronin等人(2014年)还探索了其他修改,如季节性ARIMA、季节性ARIMAX及其不同组合。尽管这些模型捕捉到了非线性效应,但尚未探索制度转换。Schwartz和Smith(2000年)建议使用一个两因子模型,该模型将商品价格分解为均值回归的短期因子和随机的长期因子。然而,它假设参数是恒定的,这种固有的刚性未能捕捉到商品市场动态中观察到的非平稳性和偶发性变化。

2.2. 机器学习模型
机器学习模型在几乎所有领域的研究中都越来越受欢迎,特别是在(价格)预测任务中(Abedinia等,2021年;Zhu等,2025年;Abroun等,2024年;Ghasemi-Marzbali,2020年)。特别是长短期记忆(LSTM)和深度神经网络(DNN)已经能够超越各种基准模型(Lago等,2021年)。根据Lago等(2021年)的说法,集成DNN模型可能会进一步提高性能。集成模型结合了两个或多个模型以提高预测准确性。例如,Lago等人(2021年)提出的集成模型使用了不同训练批量的四个DNN模型。然而,他们的DNN仅与集成Lasso估计的自回归(LEAR)方法及其各自的单独模型进行了测试。为了进行更好的比较,应将集成DNN与其他集成模型进行对比,例如Das等人(2025年)。像LSTMs或变换器模型这样的全局深度学习模型,以其注意力机制著称,能够捕捉长期依赖性,但也存在相关限制。当在跨越多个制度的数据上训练时,它们在多模态条件分布上最小化损失。尝试通过平均来自不同时间窗口训练的模型的输出来缓解这一问题,但这些方法并未解决学习目标中缺乏制度意识的核心问题。

2.3. 制度转换模型
最早结合多个状态或制度并模拟它们之间转换的模型之一是由Hamilton(1989年)提出的,称为马尔可夫制度转换模型(MRS)。在21世纪初(Huisman和Mahieu,2003年),基于制度的模型被应用于德国、英国和荷兰的电力市场预测,它们明确模拟不同市场状态的能力被证明是一个显著的优势(另见Demiralay和Kilincarslan,2024年;de Castro Matias和Tabak,2025年)。存在各种类型的制度转换模型,允许制度依赖的均值或方差(例如Bierbrauer等,2004年),它们的灵活性使它们能够根据特定特征进行定制,例如也适用于电力市场数据(Ahlawat,2025年;Pierre和Schneider,2024年)。Johnson等人(2024年)通过结合MRS框架和随机微分方程(SDE)在平衡市场中制定了最佳BESS交易策略。虽然混合SDE-MRS方法捕捉到了短期随机性和结构转换,但它假设了固定的制度数量,并缺乏适应性制度扩展或稳健的长期记忆机制。在Kapoor等人(2023年)的研究中,作者在新西兰电价数据上评估了MRS和极值理论(EVT)模型。MRS框架可以模拟多达五种制度及其随时间变化的转换和外生市场协变量,在稳定市场条件下表现出良好性能。然而,这两种方法都有局限性:MRS模型需要预定义的制度数量并且可能过拟合,而EVT缺乏动态适应性。此外,参数和状态的联合推断在计算上非常繁琐。Veraart(2016年)引入了考虑风能渗透对电价影响的制度转换Lévy半平稳(LSS)过程。在Lucheroni(2012年)中,开发了一个自激阈值制度模型。该模型通过内生动态实现了尖峰的现实性,但引入了显著的复杂性,并且缺乏多变量学习的模块化。Weron(2009年)再次探索了用于电价的重尾MRS模型,这改善了尾部拟合,但并未解决MRS的任何根本限制。最后,在Haldrup和Nielsen(2006年)的研究中,作者引入了一个通过分数积分适应长记忆过程的制度转换模型。虽然这些模型在理论上有吸引力,但它们面临计算和可识别性挑战。总体而言,这些先前的工作显著推进了电价建模,但在适应性、记忆建模、不确定性量化和可扩展性方面往往有所不足。因此,在本文中,我们提出了一个新模型,它使用了分层狄利克雷过程隐马尔可夫模型(HDP-HMM)的修改版本,即解耦的粘性HDP-HMM。

3. 背景和模型构建
隐马尔可夫模型假设一个离散的潜在状态序列(zd)d=1T,zd∈{1,…,K},通过具有转移矩阵A={aij}i,j=1K的齐次马尔可夫链演化,其中Pr(zd=j∣zd?1=i)=aij,∑j=1Kaiej=1,并且观测值yt来自发射分布f(?∣θzt),条件独立。估计通常通过前向-后向和期望最大化(EM)/Baum–Welch方法完成。尽管有效,但有限的HMM需要事先固定K,并且如果转移矩阵没有适当正则化,则可能低估持久性。为了放宽K的固定限制,贝叶斯非参数方法在无限混合上放置了狄利克雷过程(DP)先验。在HMM背景下,分层DP(HDP)通过共享的随机基础度量将转移行耦合起来:抽取一个全局概率向量β~GEM(γ),对于每个状态j,抽取一个转移行πj~DP(αβ)。然后潜在链演化为zd∣zd?1=j~Cat(πj)。这种HDP–HMM允许可数无限数量的潜在状态,同时在不同行之间共享统计强度。在实践中,HDP–HMM倾向于过于频繁地切换状态,因为πj中的所有外出概率都趋向于一个共同的基数β。粘性HDP–HMM通过偏向自转移来解决这个问题:非正式地说,就是增加j→j的先验质量,使得Pr(zd=j∣zd?1=j)在先验上大于其他转移。一个在各行之间共享或紧密耦合的自转移参数可以同时影响三个效应:(i) 行与全局基数的相似性(α),(ii) 平均持久性,以及 (iii) 不同状态之间的持久性差异。这激励我们将自持久性与行相似性分离,从而得到具有明确先验的每个状态的持久性。在我们的预测设置中,有两个应用驱动的考虑因素非常重要,即外生输入xd和多变量输出Yt。首先,制度发现应该是与预测相关的,即捕捉到随时间变化的不同输入-输出映射对应的输入和输出(或它们的低维摘要)的联合行为变化。其次,因为未来的制度是观察不到的,所以在预测时选择制度必须仅依赖于可用的输入x?,而不能依赖于未知的目标价格。

解耦粘性HDP–HMM(DS–HDP–HMM)通过基于(Xt,Yt)的联合低维摘要来推断制度,并通过仅使用x?计算的基于输入的权重wk(x?)=Pr(z=k∣x?)来实现预测时的制度选择(详见第5节)。它通过引入状态特定的持久性参数κj~iidBeta(ρ1,ρ2)、π?j~iidDP(αβ)和πj=κjδj+(1?κj)π?j来将自持久性与行相似性分开。等价地,引入二元参数qt~Ber(κzt?1)并采样zt~qtδzt?1+(1?qt)π?zt?1。这增加了独立控制(i) 行相似性(通过α)、(ii) 平均值自持久性(通过Eκj)以及 (iii) 不同状态下自持久性变异性(通过Varκj)所需的自由度;HDP–HMM和粘性HDP–HMM是其特例。

3.1. 潜在动态:DS–HDP–HMM先验
设K为无界。抽取全局基数和行先验β~GEM(γ)、π?j~iidDP(αβ),j=1,2,…以及独立的自持久性概率κj~iidBeta(ρ1,ρ2),j=1,2,…。通过混合πj=κjδj+(1?κj)π?j,j=1,2,…来定义实际的转移行。引入qt~Ber(κzt?1),并通过zt∣zt?1,qt~qtδzt?1+(1?qt)π?zt?1来演化潜在状态,t=1,…,T。

3.2. 发射模型:共轭NIW–正态
在zd=k的条件下,联合低维观测od∈Rp(其中p=dim(od))遵循具有Normal–Inverse–Wishart (NIW)先验的多变量正态分布:(od∣zd=k,μk,Σk)~N(μk,Σk),(μk,Σk)~NIW(m0,κ0,ν0,S0)。
在我们的实现中,od是由预测数据集中使用的相同块的日度摘要构建的。具体来说,我们使用输入和输出中24小时向量的日度均值:P?(d)=1/24∑h=1/24Ph(d),以及类似的L?(d)、R?(d)。然后我们形成od=[x?d?,y?d]?,其中x?d包含相应的基于均值的输入成分(价格/负载/可再生能源摘要),y?d=P?(d)是目标日价格曲线的均值。
共轭性意味着后验更新的封闭形式。将状态k的充分统计量写为nk=∑dI{zd=k},o?k=1/nk∑d:zd=kod,∑d:zd=kodod?,NIW后验为kk?=κ0+nk,νk?=ν0+nk,mk?=κ0m0+nko?k,Sk?=S0+∑d:zd=k(od?o?k)(od?o?k)?+κ0nk,κ0+nk(o?k?m0)(o?k?m0)?。在状态k下对新o的NIW后验预测是一个多变量Student–t分布:p(o∣z=k,D)=tνk??p+1omk?,κk?+1κk?(νk??p+1)Sk?。这里p=dim(od)且νk?>p?1确保了有限性;我们用d索引每日观测值(即,在我们的应用中t≡d),并写 Od,zd)表示每日序列。

3.3. 数据设置
在这项研究中,我们使用了法国、德国和挪威电力市场的电价数据以及两个最相关的外生变量,即负载和能源生产数据,这些数据的分辨率为每小时。尽管气象数据很重要,但由于它们的本质上是局部且特定于站点的,我们从模型中排除了它们。此外,天气并不直接影响价格;其影响是通过可再生能源发电间接实现的,这在我们的模型中得到了整合。数据集的结构如Das等人(2025年)所述:价格数据=P1(1)P2(1),…,P24(1)P1(2)P2(2),…,P24(2)???P1(n)P2(n),…,P24(n),n×24=P(1)P(2)?P(n)。
此外,我们还有每小时的剩余负载预测数据和总可再生能源生产(TRP)预测数据,这些数据的排列方式与价格数据类似,矩阵的元素分别表示为Lh(d)和Rh(d),对应于第d天和第h小时。在这项工作中,预测模型是使用如下构建的输入和输出数据训练的:(1)Dtrain={(xd,P(d))}d∈Ttrain,xd∈R248,P(d)∈R24,其中xd=[i,P(d?1),P(d?2),P(d?3),P(d?7),L(d),L(d?1),L(d?7),R(d),R(d?7),BD(d)],是输入,Pxd=p(d)是输出。每个{P(d),L(d),R(d)}都是24维的,BD(d)是一个7维的二元虚拟变量,代表所有的工作日,这使得输入和输出的维度分别为248和24。对于一天的预测,我们使用了4年的数据进行模型训练,然而,我们的输入也有7天的时间滞后,因此模型使用1453个数据点进行训练,使得我们的训练输入和输出的规模分别为1453 × 24和1453 × 24。
除非另有说明,P(d)∈R24表示每日24小时价格向量。对于制度检测摘要,我们使用标量日均值P?(d)=1/24∑h=1/24Ph(d)(以及类似的L?(d), R?(d))。

3.4. 推理
我们采用Gibbs抽样进行DS–HDP–HMM的推理,包括(i) {zt,qt}的顺序单点重采样,t=2T;(ii) κ1:K的beta更新;(iii) HDP全局权重的辅助表抽样;(iv) α和γ的gamma更新;(v) (ρ1,ρ2)的网格重采样。潜在序列块抽样使用标准的前向-后向消息传递,每次迭代的总体复杂度为O(TK^2),在有限的弱极限下进行。制度检测和Gibbs抽样的算法在附录A的算法1中给出,其中我们也描述了抽样的数学部分。我们使用上一节讨论的数据设置进行制度检测。我们考虑了输入和输出,取输入的价格、负载和可再生能源生产组分的均值以及输出的 price 组分的均值。在图1中,我们展示了在法国、德国和挪威电力市场的电价预测训练数据中检测到的制度示例。DS-HDP-HMM成功识别出具有不同价格行为的不同时期,例如高波动性时期(例如价格峰值)、稳定基础价格或负价格时期。图中的每种颜色代表一个独特的推断出的制度,展示了模型在没有预先知道此类段落数量的情况下将时间序列分割成统计上同质段的能力。在图2(a)–2(c)中,我们展示了法国、德国和挪威市场价格预测训练数据中检测到的制度数量。

我们的模型非参数地推断制度数量:后验将质量分布放在不同数量的占用状态上,我们报告每个训练窗口的后验样本中的占用状态数量。虽然模型在大多数情况下都能检测到实际可行的制度,但有些制度表现出增加的方差或转移频率,导致潜在制度的数量增加(例如10)。然而,我们观察到某些制度,特别是那些具有短暂变化或证据分离较弱的制度可能是虚假的或在统计上相似的。为了提高可解释性并确保鲁棒性,我们应用了一个事后压缩步骤,合并了排放分布统计上无法区分的制度(KL散度低)或其后验质量可以忽略的制度。这种压缩不改变底层模型的推理,但提供了适合下游预测任务的简洁摘要,解决了检测语义上有意义的制度的挑战。
DS-HDP-HMM的解耦结构在模拟电价动态方面具有关键优势。它可以灵活地捕捉变化的制度持久性,区分长期持续的系统(例如高需求或低价格的长期时期)和短暂事件(如突然的价格峰值)。该模型还能够适应不断变化的市场条件,动态学习新的制度行为以应对结构变化,例如可再生能源整合的增加或监管变化。此外,通过分离自持久性和转移的参数,DS-HDP-HMM提高了推理精度并增强了可解释性,为理解制度特征和转移提供了更清晰的洞察,这对于做出明智的决策至关重要。
虽然推断出的制度来源于一个动态的概率过程,但在实践中,后验分割{zd}通常将时间序列分割成统计上同质的观测块或簇。当后验转移矩阵表现出高的自转移概率并且不同制度之间的排放分布分离得很好时,就会发生这种情况。具体来说,如果自转移概率很高且排放分布分离得很好(例如,制度特定的预测密度之间的较大差异),后验分配表现出块状行为。需要注意的是,制度在传统的独立同分布(i.i.d.)混合模型中并不等同于簇。簇完全基于特征相似性定义,通常通过在混合模型P(yt)=∑k=1KπkP(yt∣θk)中进行边际似然最大化来定义。相比之下,制度源自状态序列和转移的联合分布。
这种时间结构引入了聚类模型中不存在的依赖性,并且可以捕捉到静态聚类无法捕捉的微妙非平稳性。在回归中,我们使用制度信息作为潜在的条件变量。在训练窗口上,DS–HDP–HMM产生制度分配{zd},我们用它将训练集分割成特定的制度数据集,并在每个制度内训练单独的预测器fk。在预测时,我们不使用y来推断制度;相反,我们使用基于输入的生成门控模型wk(x?)=Pr(z=k∣x?,Dtrain)(第5节)来计算门控权重,并相应地组合专家预测。

4. 用于特定制度预测的神经过程
设训练集为(2)Dtrain={(xd,P(d))}d∈Ttrain,xd∈R248,P(d)∈R24。通过DS-HDP–HMM推断出潜在制度后,每一天d都被分配一个制度标签zd∈{1,…,K}。这导致了按制度分段的数据集Dk={(xd,P(d)):d∈Ttrain,zd=k},k∈{1,…,K}。对于每个制度k,我们训练一个基于确定性的注意力条件神经过程(CNP,没有全局潜在变量),来模拟给定外生输入的24小时价格向量的条件预测分布。

4.1. 基于注意力的确定性CNP与Student-t似然
固定一个制度k。对于目标日d?和输入xd?,我们通过选择Dk内的NC个最近邻居(KNN偏见上下文选择)来构建一个上下文集Ck(d?)={(xi,P(i))}i∈Ik(d?),|Ik(d?)|=NC。用x?≡xd?表示目标输入,用P?≡P(d?)∈R24表示目标输出。每个上下文对由编码器网络hθ: ri=hθ(xi,P(i))∈RDr,i∈Ik(d?)嵌入。模型通过交叉注意力形成特定于目标的表示。通过学习到的查询/键/值映射qψ(?),kψ(?),vψ(?),定义q(x?)=qψ(x?),k(xi)=kψ(xi),v(ri)=vψ(ri)。注意力权重为ai(x?)=exp〈q(x?),k(xi)〉Da∑j∈Ik(d?)exp〈q(x?),k(xj)〉Da,聚合表示为(r?=∑i∈Ik(d?)ai(x?)v(ri)。
解码器网络g?将(r?,x?)映射到参数(μ(k)(x?),s(k)(x?),ν(k)(x?))=g?(r?,x?),其中μ(k),s(k),ν(k)∈R24,s(k)∈(0,∞)24且ν(k)∈(2,∞)24,通过softplus变换和自由度下限在代码中强制实现。在(x?,Ck(d?))的条件下,实现假设24小时内的分量条件独立性:(4)pk(P?∣x?,Ck(d?))=∏h=1/24StudentTPh?;μh(k)(x?),sh(k)(x?),νh(k)(x?)。训练在(4)下最小化平均负对数似然。每个特定于制度的模型都在标准化变量x?=x?μkxσkx,P?=P?μkPσkP上训练,其中经验(μkx,σkx)和(μkP,σkP)是从Dk估计的。预测通过μorig(k)=μkP+σkP⊙μstd(k),sorig(k)=σkP⊙sstd(k)映射回原始尺度,而ν(k)保持不变。

5. 制度上的概率聚合
在预测时,通过从新输入x?计算权重wk(x?)来纳入制度不确定性。在我们的实现中,我们在每个制度内使用对原始输入(而不是价格)的对角高斯门控模型:(5)p(x∣z=k)=N(x;μkx,diag(σkx^2)),πk≡P(z=k)≈nkN,其中(μkx,σkx^2)是{xd:zd=k}的经验均值和(分量的)方差,nk=|{d:zd=k}|,N=∑k=1Knk。后验制度权重遵循贝叶斯规则:(6)wk(x?)=P(z=k∣x?)=πkp(x?∣z=k)∑j=1Kπjp(x?∣z=j),∑k=1Kwk(x?)=1。给定特定于制度的Student-t预测器(4),最终预测分布是制度加权的混合分布(7)p(y?∣x?,Data)=∑k=1Kwk(x?)pk(y?∣x?,Ck(d?))。混合矩(元素-wise)。
设μh(k)(x?), sh(k)(x?)和νh(k)(x?)表示在制度k下的第h小时的Student-t参数(映射到原始尺度后)。对于νh(k)>2,Student-t分量的条件方差为(8)Var(Yh?∣z=k,x?)=νh(k)(x?)νh(k)(x?)?2(sh(k)(x?))^2,h=1,…,Dy,这与通过自由度下限ν>2实现的公式相匹配。混合均值和方差(按小时元素计算)由总期望和方差定律给出:(9)μmix,h(x?)=∑k=1Kwk(x?)μh(k)(x?),(10)Varmix,h(x?)=∑k=1Kwk(x?)(Var(Yh?∣z=k,x?)+(μh(k)(x?))^2?(μmix,h(x?))^2,这正是我们混合效用中使用的计算方法(先计算第二矩然后减去混合均值)。预测区间可以从分量级别的Student-t分位数获得,或者当需要时,通过数值反演混合CDF获得。尽管特定于制度的预测分布是Student-t分布以捕捉重尾价格行为,但门控模型(5)是有意设置成高斯的和对角的:外生输入在聚合/标准化后通常是较少尾的,对角高斯门控提供了一个稳定、低方差的P(z=k∣x?)估计,而无需在高维中估计额外的自由度参数。

6. 带有电池的多标准优化操作策略
我们使用全天的预测价格来进行BESS(电池储能系统)操作,其中关于充电/放电的决策必须根据电池的属性来做出。潜在目标包括最大化利润、最小化风险、确保在存储限制和效率内的操作可行性,以及考虑与预测过高/过低相关的市场成本不对称性。设 \(p_{\hat{h}}\) 为第 \(h\) 小时的预测价格(来自我们的制度转换神经过程),\(\sigma_{h}\) 为该时间的预测标准差。设 \(x_{h} \in \mathbb{R}\) 表示第 \(h\) 小时的净充电/放电决策,其中正的 \(x_{h}\) 表示充电,负的 \(x_{h}\) 表示放电。\(x_{h}^{+} \geq 0\) 是第 \(h\) 小时充电到电池中的电量,而 \(x_{h}^{?} \geq 0\) 是第 \(h\) 小时从电池中放电的电量。\(sh\) 表示第 \(h\) 小时电池的荷电状态(SoC)。\(\eta_{c} \in (0,1]\) 衡量充电效率,表示成功储存的能量比例。\(\eta_{d} \in (0,1]\) 是放电效率,表示可以回收的储存能量比例。\(C_{\text{max}}\) 表示最大电池储能系统(BESS)容量(以能量单位计,例如 MWh)。\(x_{\text{min}}\) 表示最小允许的净充电率(例如,最大放电率),\(x_{\text{max}}\) 是最大允许的净充电率。最后,\(\lambda \geq 0\) 是一个风险规避参数,用于量化决策者在最大化预期利润和最小化预测不确定性之间的权衡;较高的 \(\lambda\) 表示更强的风险规避。我们讨论四种不同的交易策略:

**案例 I:仅使用预测价格。** 我们通过价格套利来最大化经济利润,这归结为方程 (11) 中的线性规划问题。在这里,我们最大化买卖能量之间的差额,并根据电池效率进行调整。约束条件确保物理可行性:初始荷电状态 \(s_{1}\) 固定为 \(s_{\text{init}}\);荷电状态根据 \(sh^{+} = sh + \eta_{c}x_{h}^{+} - \eta_{d}x_{h}^{?}\) 对所有 \(h \in \{1,\ldots,T\}\) 进行演变,其中 \(0 \leq sh \leq C_{\text{max}}\) 对所有 \(h \in \{1,\ldots,T+1}\);强制要求最终荷电状态 \(s_{T+1} \geq s_{\text{final}}\) 以保持电池健康;尊重单个充电和放电功率限制,\(0 \leq x_{h}^{+} \leq P_{\text{charge,max}\) 和 \(0 \leq x_{h}^{?} \leq P_{\text{discharge,max}}\);最后,与电网交换的净功率必须满足 \(x_{\text{min}} \leq x_{h}^{?} - x_{h}^{+} \leq x_{\text{max}}\) 对所有 \(t\)。结果是优化的每小时(充/放电)计划。

**案例 II:** 使用预测价格和相关不确定性。** 我们现在通过明确纳入基于价格预测不确定性的风险规避机制来扩展价格套利策略,该机制对交易行为进行惩罚。我们在目标函数中引入了一个惩罚项 \(-\lambda_{1}\sigma_{h}^{x_{h}^{?} - \lambda_{2}\sigma_{h}^{x_{h}^{+}\),当预测不确定性 \(\sigma_{h}\) 较高时,该惩罚项会对较高的销售(\(x_{h}^{?}\) 和购买(\(x_{h}^{+}\))量进行惩罚,该惩罚通过风险规避参数 \(\lambda_{1}\) 和 \(\lambda_{2}\) 进行调整。这鼓励在不确定时期采取较不激进的交易方式。新的目标函数如方程 (13) 所示,所有其他约束条件与案例 I 相同。

**案例 III:** 使用预测价格、相关不确定性以及太阳能发电和负载数据。** 在这里,我们不仅寻求通过价格套利获利,还纳入与电网支持和可再生能源整合相关的目标。我们根据方程 (14) 扩展目标函数,其中 \(r_{\hat{h}} \in \mathbb{R}\) 表示模拟的每小时负载,\(g_{\hat{h}} \in \mathbb{R} \geq 0\) 表示第 \(t\) 小时的模拟太阳能发电量。为了模拟负载和太阳能发电,我们使用了 Python 包 PVLIB(Anderson 等人,2023 年)。参数 \(\mu, \gamma \geq 0\) 是电网支持政策的权重。具体来说,项 \(-\mu r_{\hat{h}^{x_{h}^{+}}\) 在预测剩余负载较高的时段内惩罚充电,旨在减少对传统发电机的负担,而 \(+ \gamma g_{\hat{h}^{x_{h}^{+}}\) 在可再生能源发电充足时激励充电,促进清洁能源的更好利用。所有约束条件与案例 I 相同。

**案例 IV:** 仅使用预测价格和固定的总负载。** 在这里,我们的目标从利润最大化转变为成本最小化,特别是对于服务于预先确定的、固定的每小时电力需求的电池储能系统(BESS),表示为 \(L_{t} \in \mathbb{R} \geq 0\),对于每个小时 \(t\)。决策变量 \(x_{h}^{gb} \in \mathbb{R} \geq 0\) 表示直接从电网购买的能量以满足需求,\(x_{h}^{bl} \in \mathbb{R} \geq 0\) 是从电池中放电的能量以服务负载,\(x_{h}^{bg} \in \mathbb{R} \geq 0\) 是从电网购买的能量以给电池充电。方程 (15) 中的目标函数现在包括直接从电网购买的负载、从电网充电电池的成本以及对总交易量(购买负载、充电、向负载放电)的惩罚,这些都通过价格不确定性 \(\sigma_{h}\) 和风险规避 \(\lambda\) 来加权。核心的新约束是负载满足约束:\(x_{h}^{grid}_{buy} + x_{h}^{bl}\eta_{d} = L_{h}\) 对所有 \(t\),确保每小时的需求通过直接从电网购买或通过电池放电来满足(根据效率进行调整)。我们假设一个已知的每小时负载剖面 \(L_{h}\),其总和为 \(L_{total}\),所有其他约束都进行了调整,得到以下问题:

**7.1. 制度的敏感性分析和消融研究。** DS-HDP-HMM 有多个参数影响制度数量。转换遵循通过停留/离开指示器 \(q_t \sim Bernoulli(\kappa_z^{t-1}\) 实现的粘性 HDP-HMM,转换计数 \(n_{jk}\) 仅在离开事件(\(q_t = 0\))时累积。HDP 集中度参数使用伽马超先验(形状-率)\(\alpha_0 \sim \Gamma(a\alpha,b\alpha)\) 和 \(\gamma_0 \sim \Gamma(a\gamma,b\gamma)\) 进行采样,并通过 Escobar–West 增强和标准 HDP 辅助变量混合更新进行更新。粘性参数具有 Beta 先验 \(\kappa_j \sim Beta(\rho_1,\rho_2)\),但实现使用了 (v_0,v_1,p) 的重新参数化,其中 \(\rho_1 = v_0/v_1^p\) 和 \(\rho_2 = (1-\rho_0)/v_1^p\),意味着 \(E[\kappa_j] = v_0\) 且浓度 \(\rho_1 + \rho_2 = 1/v_1^p\);(v_0,v_1\) 在指定范围内进行采样,表 1 中的 \(\rho_1,\rho_2\) 只是采样值之一,最后,\(\kappa_j\) 通过 Beta 后验进行更新。指数 \(p=3\) 是固定的,因为它仅决定了给定 \(v_1\) 的浓度尺度,不影响先验均值 \(v_0\),允许直接通过 (v_0,v_1)\) 控制粘性敏感性。鉴于参数对制度的影响,检查制度的敏感性变得至关重要。我们固定更新次数(迭代次数)并在各种用户定义的参数(\(\alpha,\gamma,\rho_1,\rho_2\))下运行算法。我们还使用检测到的制度来训练 CNP,以便它可以预测 2023 年每个月的前 15 天的德国电力。在此过程中,我们可以测试检测到的制度的稳健性及其对总体预测的影响。我们还测试了第 6 节讨论的案例 III,以便量化参数对整体交易策略的影响。我们选择了高 \(\alpha, \gamma\)、低 \(\alpha, \gamma\)、高 \(\kappa\)(粘性参数)、低 \(\kappa\) 及其组合,如表 1 所示。数值结果显示,制度数量没有显著变化,MAE 和利润也没有显著变化。然而,在某些情况下(如 P1 和 P8),MAE 显著高于其他参数的情况。我们还观察到 P2 中 MAE 和利润处于良好的平衡状态,因此我们在后续工作中使用这个参数。

**7.2. 数值模拟和实证验证。** 本节评估了提出的基于制度的条件神经过程(R-CNP)框架在日前电价上的表现,重点在于时间稳健性和跨市场适用性。我们对 2021–2023 年的德国市场进行了评估,并进一步通过将相同的方法应用于 2023 年的法国和挪威电力市场来证明其可转移性。我们首先通过敏感性分析和消融研究建立一个原理性的实验配置,以此选择制度检测和建模选择的最终参数。然后,我们将我们的 R-CNP 与 LEAR、XGBoost、DNN、BLSTM 和 TFT 进行基准测试,并评估结果预测在电池储能优化中的运营影响。最后,我们使用 TOPSIS 总结多标准性能,以反映预测准确性和运营价值不必一致的事实。

**7.3. 制度的敏感性分析和消融研究。** DS-HDP-HMM 有多个参数影响制度数量。转换遵循通过停留/离开指示器 \(q_t \sim Bernoulli(\kappa_z^{t-1}\) 实现的粘性 HDP-HMM,转换计数 \(n_{jk}\) 仅在离开事件(\(q_t = 0\))时累积。HDP 集中度参数使用伽马超先验(形状-率)\(\alpha_0 \sim \Gamma(a\alpha,b\alpha)\) 和 \(\gamma_0 \sim \Gamma(a\gamma,b\gamma)\) 进行采样,并通过 Escobar–West 增强和标准 HDP 辅助变量混合更新进行更新。粘性参数具有 Beta 先验 \(\kappa_j \sim Beta(\rho_1,\rho_2)\),但实现使用了 (v_0,v_1,p) 的重新参数化,其中 \(\rho_1 = v_0/v_1^p\) 和 \(\rho_2 = (1-\rho_0)/v_1^p\),意味着 \(E[\kappa_j] = v_0\) 且浓度 \(\rho_1 + \rho_2 = 1/v_1^p\);(v_0,v_1) 在指定范围内进行采样,表 1 中的 \(\rho_1,\rho_2\) 只是采样值之一,最后,\(\kappa_j\) 通过 Beta 后验进行更新。指数 \(p=3\) 是固定的,因为它仅决定了给定 \(v_1\) 的浓度尺度,不影响先验均值 \(v_0\),允许直接通过 (v_0,v_1)\) 控制粘性敏感性。由于参数对制度的影响,检查制度的敏感性变得至关重要。我们固定更新次数(迭代次数)并在各种用户定义的参数(\(\alpha,\gamma,\rho_1,\rho_2\))下运行算法。我们还使用检测到的制度来训练 CNP,以便它可以预测 2023 年德国电力的每个月的前 15 天。在这里,我们可以测试检测到的制度的稳健性及其对总体预测的影响。我们还测试了第 6 节讨论的案例 III,以便量化参数对整体交易策略的影响。我们选择了高 \(\alpha, \gamma\)、低 \(\alpha, \gamma\)、高 \(\kappa\)(粘性参数)、低 \(\kappa\) 及其组合,如表 1 所示。数值结果显示,制度数量没有显著变化,MAE 和利润也没有显著变化。然而,在某些情况下(如 P1 和 P8),MAE 显著高于其他参数的情况。我们还观察到在 P2 中,MAE 和利润处于良好的平衡状态,因此我们在后续工作中使用这个参数。

**7.4. 模型设置和校准问题。** 我们使用 Python PYTORCH 库为每个制度训练 CNP。对于未来一天的预测,使用了过去 4 年的数据。训练数据经过制度检测,将训练数据分割成 r 个所谓的子训练数据,其中 r 是检测到的制度数量。然后使用 r 个子训练数据分别训练 CNP 模型。使用所有 r 个训练模型获得新输入的预测,最后使用第 5 节中解释的权重线性组合每个训练模型的预测。CNP 参数不是预先固定的,而是调整的(Bergstra 等人,2013 年)。评估分为几个步骤:首先,针对 5 个基准模型进行定量评估。此外,我们将预测价格及其相关不确定性估计整合到一个(凸的)BESS 优化问题中,并使用历史价格进行评估。特别是,我们测试我们的模型与忽略不确定性的基准模型,这允许评估我们模型的风险量化特性如何转化为实际的财务收益。作为副产品,我们分析了预期利润和风险之间的权衡(由 \(\lambda\) 控制)。最终,我们根据预测进行交易策略的比较。设置考虑了整个星期 24 小时的电价,代表连续的交易环境。在这种情况下,BESS 的优化问题将在 24 小时的时间范围内解决。模拟使用来自法国、德国和挪威电力市场的历史数据,涵盖多年,以捕捉不同的市场条件,包括高可再生能源渗透率、价格飙升和监管变化。特别是,MAPE和SMAPE提供了对经济变量(如价格)至关重要的尺度不变度量,在这些变量中,比例误差比绝对偏差更为重要(见图4)。下载:下载高分辨率图像(446KB)下载:下载全尺寸图像。图3. 2023年7月第三周实际价格(???)与通过基于制度意识的条件神经过程进行的价格预测的比较,以及基准模型。图3同时展示了点预测及其相关的不确定性区间。R-CNP通过潜在变量神经过程公式本身提供预测方差,而确定性基线(XGB、DNN、TFT、LEAR)的不确定性则是根据Das等人(2025)的方法进行共形预测得到的。在高波动性时期,基于制度意识的结构能够明显提高局部适应性:平均轨迹更紧密地跟踪突然变化,在价格飙升期间不确定性区间适当扩大,而在稳定阶段则保持更窄。我们使用MAE、RMSE和SMAPE来评估点预测,并通过预测区间覆盖率百分比(PICP)和平均概率区间宽度(MPIW)来进行不确定性分析。表3总结了不同市场和年份的结果。对于德国,R-CNP在所有三年中都获得了最佳的MAE,在2023年获得了最佳的RMSE。特别是对于2023年的德国,R-CNP的MAE和RMSE最低,优于所有基准模型,包括TFT和DNN。在2022年的德国,DNN是最强的竞争者,而R-CNP始终排名第二,并明显优于LEAR和BLSTM,这表明制度意识是有益的,但由于异常动态,这一年对所有模型来说都是具有挑战性的。下载:下载高分辨率图像(398KB)下载:下载全尺寸图像。图4. 德国市场的预测误差比较。在2023年的各个市场中,R-CNP的表现最好,而在法国也保持竞争力。2023年的法国是确定性模型(DNN)明显降低点误差的主要场景。然而,即使在那里,R-CNP也接近最佳树/变换器基线(XGB/TFT),同时提供不依赖于事后不确定性校准的原则性分布预测。表4通过PICP和MPIW评估区间校准和清晰度。在大多数市场-年份组合中,基准模型实现了非常高的覆盖率(PICP通常约为0.91–0.97),但这是通过发布更宽的区间实现的,这些区间通常是R-CNP在2023年的2–3倍。在2023年的德国,R-CNP的清晰度显著高于基准模型,同时提供了最佳的点预测精度(参见表3)。这种清晰度伴随着较低的覆盖率(PICP为0.757,而基准模型的覆盖率为约0.953–0.961),即R-CNP的区间较为不保守。2023年的法国和挪威也呈现相同的模式。2021–2022年的德国突显了不确定性估计的情景依赖性。在稳定的2021年,R-CNP保持点预测的准确性,但覆盖率明显不足,表明预测方差被低估了。在波动较大的2022年,R-CNP在点预测方面仍然具有竞争力,但其区间大幅扩大,同时覆盖率仍然不足,这与高波动性/重尾分布相符。表3. 使用不同误差指标对不同市场进行模型性能评估。空单元格空单元格德国2023指标模型202120222023法国挪威MAER-CNP14.11933.18515.62720.02713.130DNN14.33331.63716.28517.14718.457LEAR15.27139.13019.24133.99924.831XGB16.03934.59516.72920.10114.171BLSTM18.96735.11130.00423.14317.508TFT14.17933.74916.08819.92715.287RMSER-CNP16.74139.02719.15423.41716.103DNN17.20538.17119.99320.81921.390LEAR18.06946.10022.74137.18426.903XGB18.61640.48019.78922.85816.143BLSTM22.42741.70935.37527.30620.808TFT16.73639.60919.33423.33517.952SMAPER-CNP19.54821.13627.88930.16326.182DNN18.36420.60929.23527.99834.764LEAR18.95924.32530.46740.14536.570XGB20.01420.96530.74332.01228.377BLSTM23.67321.85739.99432.15030.768TFT18.27020.69427.37029.16827.090表4. 使用PICP(覆盖率)和MPIW(平均宽度)对不同市场的预测区间进行评估。空单元格空单元格德国2023指标模型202120222023法国挪威PICPR-CNP0.3700.6040.7570.6650.786DNN0.8830.9370.9610.9480.967LEAR0.8730.9290.9610.957XGB0.8350.9140.9580.9570.959BLSTM0.5340.4010.4900.6250.668TFT0.8770.9430.9530.9500.954MPIWR-CNP28.681179.25641.59344.97438.065DNN57.126171.490106.527114.713115.710LEAR50.889168.02889.796113.79988.140XGB52.737182.57286.672106.67470.986BLSTM27.35541.88142.64843.37738.051TFT54.599217.358104.043140.505101.978总体而言,表3和表4显示,在2023年,R-CNP在多个市场中提供了强大的点预测精度和一致更清晰的区间,尽管其PICP低于(更为保守的)基准模型,后者的高覆盖率在很大程度上反映了更宽的区间。这促使我们同时报告PICP和MPIW,并考虑分布得分(例如CRPS)或事后重新校准来提高覆盖率,而不牺牲R-CNP的清晰度。7.4. 失败案例研究图5展示了我们提出的模型和基准模型对2023年1月第一周法国市场价格的预测。我们看到几乎每天都有价格峰值出现。包括我们提出的模型在内的所有模型都没有每次都能捕获这些峰值。下表总结了所考虑的失败案例:为了 address 定性失败模式,表5 报告了七天代表性日期的日极端值(最大值和最小值)以及偏差 Δ=Pred?Real。这种诊断揭示了诸如 PICP/MPIW 等聚合指标难以察觉的行为。表5. 七天极端值比较。Δ=Model?Real。每个模型的覆盖率以(Y/N)形式报告。(A) 日最大值DayMAX-REALMAX-CNPΔCNPMAX-TFTΔTFTMAX-XGBΔXGBMAX-BLSTMΔBLSTMMAX-LEARΔLEARMAX-DNNΔDNN是否覆盖?(Y/N)CNPTFTXGBBLSTMLEARDNN1129.53143.68+14.15172.97+43.44119.93?9.60157.70+28.17175.19+45.66123.28?6.25NNNNNN2134.79127.91?6.88163.87+29.08113.06?21.73151.12+16.33184.19+49.40134.05?0.74NYYNYY3139.30142.94+3.63159.03+19.73112.35?26.95145.64+6.35169.23+29.93137.06?2.24NYYNYY4130.31142.11+11.80155.46+25.15119.53?10.78138.88+8.57182.02+51.71143.44+13.13YYYNYY5127.31154.38+27.07153.57+26.26109.38?17.93117.59?9.72176.06+48.75134.86+7.55NYYNYY692.97102.12+9.15123.91+30.9496.60+3.63112.96+19.99140.09+47.12108.34+15.37NYYNYY794.9081.65?13.25126.41+31.5189.31?5.59103.01+8.11130.15+35.2560.74?34.16NYYNYY(B) 日最小值DayMIN-REALMIN-CNPΔCNPMIN-TFTΔTFTMIN-XGBΔXGBMIN-BLSTMΔBLSTMMIN-LEARΔLEARMIN-DNNΔDNN是否覆盖?(Y/N)CNPTFTXGBBLSTMLEARDNN148.4881.64+33.1696.64+48.1667.79+19.3199.01+50.5392.22+43.7477.58+29.10NNNNNN283.2065.56?17.6479.49?3.7155.43?27.7793.96+10.76111.97+28.7787.02+3.82NYYNYY386.1681.87?4.2985.87?0.2965.38?20.7891.53+5.37100.67+14.5186.25+0.09NNNNNN496.8891.68?5.2099.06+2.1874.68?22.2086.18?10.70118.12+21.2493.26?3.62NYYNYY578.6090.38+11.7898.24+19.6471.73?6.8774.74?3.86111.37+32.7787.63+9.03NYYNYY6?0.0135.42+35.4334.03+34.0420.97+20.9870.60+70.6141.31+41.3263.39+63.40NYYNYY7?134.94?58.80+76.14?29.96+104.98?20.27+114.6763.70+198.64?17.72+117.2220.46+155.40NYYNYY下载:下载高分辨率图像(298KB)下载:下载全尺寸图像。图5. 失败案例研究:2023年7月第三周的法国电价。对于日最大值(类似峰值的结果),TFT和LEAR 频繁地超过了实际峰值(通常超出+20到+50),表明峰值幅度的放大而非反应不足。相比之下,XGB 经常低估了实际最大值(负 Δ),这与树集合在极端目标下的回归到平均值行为一致。CNP 通常比 TFT/LEAR 更接近这些最大值,但它并不是始终最优的;有些日子出现低估(负 Δ),意味着错过了峰值幅度。对于日最小值(类似下降的结果),主要的失败模式是无法再现罕见的深度负价格事件。最极端的情况(第7天,实际最小值 =?134.94)被所有基准模型严重低估;一些模型甚至预测了正最小值,表明完全无法表示负价格。这些情况促使我们报告条件性能和尾部事件的不确定性覆盖情况。因此,我们用案例级图表和明确的区间覆盖检查(表5的最后一列)来补充全局校准/清晰度度量,突出预测不确定性区间未能覆盖实际极端值的情况。我们进一步通过使用 MAE 损失的 Diebold–Mariano (DM) 测试来评估观察到的差异是否具有统计学意义。图6 和表6、表7 报告了相应的 p 值和测试统计量。DM 结果强化了两个关键信息。首先,R-CNP 在不同年份和市场中与较弱的基线(LEAR 和 BLSTM)始终有显著差异(通常 p<10?3),这与表3中的大误差差距一致。其次,与最强的竞争者(DNN、XGB、TFT)相比,R-CNP 经常在统计上无法区分,特别是在2023年的德国和挪威,这支持了 R-CNP 实现基准水平点精度的同时还提供原生概率输出的决定。在2023年的法国,DM 测试拒绝了 R-CNP 和 DNN 之间的相等预测精度(p 值较小),这与 DNN 的较低误差一致;尽管如此,R-CNP 相对于 XGB/TFT 仍然具有竞争力,并保留了连贯预测分布的实际优势。下载:下载高分辨率图像(160KB)下载:下载全尺寸图像。图6. 2021–2023年德国市场不同模型 DM 测试的 p 值比较。表6. 德国的 Diebold–Mariano 测试结果。对角线以上的条目是 DM p 值;对角线以下的条目是 DM 统计量。德国 2021R-CNPXGBDNNLEARBLSTMTFTR-CNP_3.37e?028.49e?012.22e?013.43e?099.32e?01XGB2.124_6.76e?025.52e?012.87e?026.59e?02DNN0.190?1.827_2.39e?017.24e?069.28e?01LEAR1.221?0.5951.177_3.00e?041.91e?01BLSTM5.9102.1874.4863.615_2.44e?08TFT0.085?1.839?0.090?1.309?5.577_德国 2022R-CNPXGBDNNLEARBLST这里,PF提供了一个可实现的平均成本的下限。对于2023年的德国数据,R-CNP的日收益为0.727欧元,而PF为0.702欧元,即每日成本遗憾为0.025欧元。这比同年其他报告基线的遗憾要小(例如,XGB:0.036;TFT:0.028;LEAR:0.039;BLSTM:0.112),支持了R-CNP能够在这种设置中将预测信息转化为接近神谕般的采购决策的结论。在2023年的法国和挪威,R-CNP仍然具有竞争力,但并不是始终最佳的;重要的是,PF差距揭示了成本略有降低是由于决策指导确实更好,还是仅仅是因为与实际价格巧合对齐。总的来说,表9显示运营表现并不是点预测误差的单调函数:经济结果在很大程度上取决于预测是否保持了经济决定性事件(峰值、低谷和制度转变)的时间和幅度。PF基准通过区分(i)绝对实现值和(ii)与神谕最优解的接近程度来明确这一点。这也是为什么单一的单变量排名是不充分的:一个模型在一个案例中可能实现高额利润,同时仍有较大的PF差距(因此运营效果不佳),或者在成本上稳定,但在套利方面滞后。在下一节中,我们将实现的经济结果、PF最优差距(遗憾)和预测准确性作为不同的标准,并使用TOPSIS进行综合评估,该方法能够透明地权衡这些相互竞争的目标,并识别出跨不同运营环境的最佳折中方案。

7.6. 使用TOPSIS计算MCDM分数
TOPSIS是一种广泛使用的MCDM方法,它根据备选方案与理想最佳解和理想最差解的欧几里得距离来进行排名。在我们的案例中,备选方案是6个预测模型——R-CNP、DNN、LEAR、BLSTM、XGB和TFT,每年使用预测准确性指标和运营策略指标(平均利润和成本)进行评估。数学上,让A={a1,a2,…,a6}表示模型集合,C={c1,…,c7}表示标准集合。决策矩阵X=[xij]形成,其中xij表示模型ai在标准cj上的表现。TOPSIS的步骤如下:
1. 计算标准化决策值:rij=xij/∑i=1mxij2,?i,j
2. 通过计算vij=wj?rij构建加权标准化矩阵,其中wj是标准cj的权重,且∑j=1nwj=1
3. 确定正理想解(PIS)和负理想解(NIS):对于最小化问题,vj+=min(ivj,vj?)=max(ivj,vj?)
4. 计算与理想解和反理想解的欧几里得距离:Si+=∑j=1n(vij?vj+)2,Si?=∑j=1n(vij?vj?)2
5. 计算与理想解的相对接近程度:Ci=Si?/(Si++Si?)
6. 对备选方案进行排名:较高的Ci表示更好的整体表现。

7.7. TOPSIS加权和与鲁棒性
我们对TOPSIS权重w的选择进行了结构化的敏感性分析。与使用原始利润/成本不同,运营标准被定义为与完美预见的差距(PF):对于案例I-III,我们使用ΠPF?Πmodel;对于案例IV,我们使用Cmodel?CPF(见表C.11)。因此,所有运营标准都是成本型目标,其中越小越好,0对应于PF。我们考虑了两种分组加权方案,它们明确地在预测准确性和运营之间进行权衡:70/30的分割和30/70的分割。对于每种分割,我们从狄利克雷分布(这里为Dirichlet(1,…,1))中抽取权重,然后重新缩放它们以匹配所需的70/30或30/70的总质量。这保持了透明的解释:我们在每个组内改变偏好,同时控制对准确性相对于基于PF差距的运营表现的总体强调。最后,我们通过对所有标准联合抽取w~Dirichlet(1,…,1)来进行完整的狄利克雷鲁棒性检查,这探索了所有可能的权重向量单纯形。对于每种方案,我们重复n=5000次权重抽取,并记录(a)获得排名1的频率P(Top1),以及(b)平均排名(AvgR),总结在表10中。结果确认排名稳定性取决于市场年份,反映了波动性制度的不同以及PF差距标准引起的准确性-运营权衡的差异。

表10. 不同权重规范下TOPSIS排名的鲁棒性(每种方案n=5000次)。我们报告了平均排名(AvgR;越低越好)以及获得排名1的概率P(Top1)。“分组狄利克雷”在准确性组(MAE、RMSE、SMAPE)和运营组(案例I-III中的利润和案例IV中的成本)内抽取权重,然后将总质量分配为70/30或30/70(准确性/运营)。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号