Page 6 - 《中国电力》2026年第5期
P. 6

2026  年 第 59 卷



              作中的关键环节。电价波动不仅影响电力市场稳                             爆炸问题；3）多头注意力机制可灵活捕捉序列
              定 性 和 效 率 ， 还 直 接 关 系 到 发 电 企 业 、 输 电 公           中不同子空间或模式下的依赖关系                   [16-17] 。这些特
              司、分销商以及最终用户的经济利益。准确预测                             性使   Transformer 在处理具有复杂长期依赖关系的
              电价能够为市场主体提前应对波动提供依据，对                             电价时序预测任务上具有理论优势。文献                       [18] 利
              于优化电力资源配置、降低运营成本、提高市场                             用  Transformer 编码器对电价时序数据进行编码，
              竞争力具有重要意义          [1-3] 。                        通过自注意力机制捕捉时间步之间的依赖关系，
                  在电价预测领域，现有方法主要分为时序分                           使得模型能够自适应调整信息关注度，缩短了信
              析法、传统机器学习法、深度学习法                    3  类。时序       息计算路径，提高了学习效率，验证了                   Transformer
              分析法基于电价时序规律分析，对未来进行外推                             在电价预测中的潜力。
              预测，常用模型包括差分自回归滑动平均模型、                                 然而，传统       Transformer 架构在时序预测任务
              广义自回归条件异方差模型、指数平滑法和向量                             中存在明显局限性，仅能从单一时间步提取信息，
              自回归模型。由于电价的形成机制比较复杂，本身                            难以充分捕捉时间序列中连续时间步之间的关联
              的时序可解释性较差，导致模型的预测效果也较                             特征。在当前电碳耦合机制下，碳价波动与配额
              差 。传统机器学习法基于数据分析，利用极端梯                            政策会通过影响煤电机组报价策略间接推动现货
                [4]
              度提升算法（extreme gradient boosting，XGBoost）、         电价变化     [19-20] ，但这类报价信息往往难以直接获
              随机森林、模型堆叠等集成学习模型，学习市场                             取，其影响只能通过其他可观测变量的分布变化
              边界数据对电价的映射关系，更贴合电价形成的                             间接体现，使得多变量与电价之间的映射关系更
              逻辑，预测结果更有解释性 。但是机器学习法                             趋复杂。而传统 Transformer 对这类包含隐式影响
                                         [5]
              难以捕捉时序传递的信息，对市场边界数据与电                             的特征关联建模能力不足，亟须通过架构改进，
              价的拟合能力有限，随着新能源的发展，其不确                             增强对复杂映射规律的学习能力。
              定性给电价预测带来新挑战               [6-10] 。深度学习法使             综上，本文提出在自注意力计算中引入                     Patch
              用 递 归 神 经 网 络 （ recurrent neural network， RNN）    机制和独立通道结构来克服现有模型的局限性。
              搭建模型，提高了捕捉时序传递信息的能力和电价                            将时间序列数据划分为若干连续的时间段，每个

              预测模型的拟合能力           [11-12] 。为缓解  RNN  在处理较       Patch  作为一个整体进行处理，从而提取时间序列
              大数据集时面临的梯度消失和梯度爆炸问题，出                             中的局部时序信息。同时，引入的通道独立结构
              现了长短时记忆单元（long short-term memory，LSTM）            有效降低了多变量系统建模的复杂度，提升模型
              和门控循环单元（gated recurrent unit，GRU），通               收敛速度和泛化能力。最后，比较了所提方法与
              过门结构选择并传递重要信息。文献                    [13] 利用卷      多种模型方法预测广东现货日前电价的效果，以
              积神经网络（convolutional neural network，CNN）-          实验数据证明所提方法对于模型改进的有效性。

              双向长短时记忆（bidirectional long short-term mem-
              ory，BiLSTM）模型进行电价预测，使用                  CNN  捕    1    电价影响因子
              捉多变量的局部特征，使用               BiLSTM  额外捕捉时
              序反向传递的信息，提高了模型的拟合能力。随                                 电价取决于市场供需情况              [21] ，准确的电价预
              着新能源占比提高，电价序列的非线性、非平稳                             测需要综合考虑发电资源与用电需求。以广东省
              性和长程依赖性特征愈发显著。RNN、LSTM                      等     级现货市场为例，由于数据类型众多，盲目选取
              递归神经网络虽然能捕捉序列依赖关系，但顺序                             可能会造成数据冗余，提高模型复杂度，降低计
              计 算 效 率 低 ， 且 难 以 捕 捉 长 时 间 序 列 之 间 的 关           算 效 率 甚 至 影 响 预 测 精 度     [22] 。 为 了 缓 解 这 个 问
              系  [14-15] 。Transformer 架构摒弃了递归结构，完全              题，需要先通过筛选或构建新的特征因子，提炼
              依赖自注意力机制（self-attention）计算序列元素                    出影响电价的关键因素。

              间的全局依赖关系。其优势在于：1）并行计算                             1.1    竞价空间
              效率高；2）能够直接建模任意距离时间步之间                                 为了量化市场供需情况，引入竞价空间值，
              的关联，克服了递归网络在长序列上的梯度消失/                            计算式为

               2
   1   2   3   4   5   6   7   8   9   10   11