预测欧洲日前电价：以下因素的重要性

因此，如果预测正确，市场代理人有经济动机在价格低（高）时购买（出售）能源，从而减少电网失衡。因此，使用准确的价格预测，市场代理可以引导和激励市场代理，从而减少电网失衡。结论我们分析了如何利用市场整合来提高电力市场日前电价预测的准确性。特别是，我们提出了第一个模型，通过考虑关联市场的特征，提高了预测性能。此外，我们还提出了一种双市场预测器，通过多任务处理和市场整合，可以进一步提高预测精度。作为案例研究，我们考虑了比利时和法国的电力市场。然后，我们展示了在考虑市场整合的情况下，建议的预测者如何带来统计意义重大的改进。此外，我们还提出了一种新的特征选择算法，并使用相同的案例研究，展示了该算法如何正确评估特征重要性。鉴于这些结果，很明显，市场一体化可以在电价中发挥很大作用。特别是，邻近市场的影响非常重要，足以在预测准确性方面建立统计上的显著差异。因此，由于欧盟已实施监管以形成一体化的欧盟市场，但对此类监管的结果仍知之甚少，这些结果在政策制定方面很重要。特别是，市场一体化在很大程度上改变了比利时和法国之间的价格动态，这一事实表明，已经实施的监管正在发挥作用。

因此，使用拟议的方法，政策制定者可以受益于评估其他欧盟地区市场一体化法规的通用工具。此外，这些结果对于电网稳定性和市场代理的经济效益也非常重要。特别是，随着对电价动态的了解不断增加，电网运营商可能能够更好地防止一些以价格峰值较大为特征的电网失衡。增加的知识对市场代理也有经济效益：MAPE准确性提高1%，对于一家中型公用事业公司来说，每年可节省150万美元。作为帮助政策市场的第一步，在未来的工作中，执行的实验将扩展到其他欧洲市场。致谢本研究获得了欧盟地平线2020研究与创新项目的资助，该项目由玛丽·斯克·洛多斯卡·居里基金会资助，编号675318（INCITE）。版权信息C 2017年。本手稿版本在CC-BY-NC-ND 4.0 li下可用censehttp://creativecommons.org/licenses/by-ncnd/4.0/.References[1] R.Weron，《电价预测：回顾最新技术并展望未来》，《国际预测杂志》30（4）（2014）1030–1081。内政部：10.1016/j.ijforecast。2014.08.008.[2] T.Jamasb，M.Pollitt，《欧洲联盟电力市场改革：自由化和一体化进展回顾》，能源杂志26（2005）11-41。内政部：10.5547/issn0195-6574-ej-vol26-nosi-2。[3] R.Weron，A.Misiorek，《预测现货电价：参数和半参数时间序列模型的比较》，国际预测杂志24（4）（2008）744–763。内政部：10.1016/j.ijforecast。2008.08.004.[4] J.Crespo Cuaresma，J.Hlouskova，S.Kossmeier，M。

Obersteiner，使用线性单变量时间序列模型预测电力现货价格，应用能源77（1）（2004）87–106。内政部：10.1016/S0306-2619（03）00096-5。[5] Z.Yang，L.Ce，L.Lian，混合模型电价预测，结合小波变换、ARMA和基于核的极端学习机方法，应用能源190（2017）291–305。内政部：10.1016/j.apenergy。2016.12.130.[6] F.J.Nogales，J.Contreras，A.J.Conejo，R.Esp'inola，《按时间序列模型预测次日电价》，IEEE电力系统交易17（2）（2002）342–348。内政部：10.1109/MPER。2002.4312063.[7] A.克鲁兹，A.穆诺兹，J.萨莫拉，R.Esp'inola，《风力发电对西班牙电力现货价格预测的影响》，电力系统研究81（10）（2011）1924-1935。内政部：10.1016/j.epsr。2011.06.002.[8] A.Misiorek，S.Trueck，R.Weron，《现货电价的点与区间预测：线性与非线性时间序列模型》，《非线性动力学与计量经济学研究》10（3）（2006）1–36。内政部：10.2202/1558-3708.1362。[9] A.K.Diongue，D.Guegan，B.Vignal，《用K因子GIGARCHprocess预测电力现货市场价格》，应用能源86（4）（2009）505-510。内政部：10.1016/j.apenergy。2008.07.005.[10] A.Conejo，M.Plazas，R.Espinola，A.Molina，《利用小波变换和ARIMA模型进行日前电价预测》，IEEE电力系统交易20（2）（2005）1035–1042。内政部：10.1109/TPWRS。2005.846054.[11] Tan，J.Zhang，J.Wang，J.Xu，利用小波变换结合ARIMA和GARCH模型进行日前电价预测，应用能源87（11）（2010）3606–3610。内政部：10.1016/j.apenergy。2010.05.012.[12] N.Amjady，M.Hemmati，《能源价格预测问题和此类预测的建议》，IEEEPower and Energy Magazine 4（2）（2006）20–29。内政部：10.1109/MPAE。2006.1597990.[13] B.Szkuta，L.Sanabria，T。

Dillon，《利用人工神经网络进行电价短期预测》，IEEE电力系统交易14（3）（1999）851–857。内政部：10.1109/59.780895。[14] J.P.S.Catalao，S.J.P.S.Mariano，V.M.F.Mendes，L.A.F.M.Ferreira，《竞争市场中的短期电价预测：神经网络方法》，电力系统研究77（10）（2007）1297–1304。内政部：10.1016/j.epsr。2006.09.022.[15] L.Xiao，W.Shao，M.Yu，J.Ma，C.Jin，基于改进布谷鸟搜索算法的混合小波神经网络模型在电力系统预测中的研究与应用，应用能源198（2017）203–222。内政部：10.1016/j.apenergy。2017.04.039.[16] D.Wang，H.Luo，O.Grunder，Y.Lin，H.Guo，《基于两层分解技术和神经网络优化的混合模型的多步超前电价预测》，应用能源190（2017）390–407。内政部：10.1016/j.apenergy。2016.12.134.[17] S.Fan，C.Mao，L.Chen，《使用混合网络进行次日电价预测》，IET发电、输电和配电1（1）（2007）176–182。内政部：10.1049/iet gtd：20060006。[18] W.-M.Lin，H.-J.Gow，M.-T.Tsai，《用于短期电价预测的增强型radialbasis函数网络》，应用能源87（10）（2010）3226–3234。内政部：10.1016/j.apenergy。2010.04.006.[19] N.Amjady，《用新的模糊神经网络预测电力市场的日前价格》，IEEE电力系统交易21（2）（2006）887–896。内政部：10.1109/tpwrs。2006.873409.[20] J.Lago、F.De Ridder、B.De Schutter，《预测现货电价：深入学习方法和传统算法的经验比较》，应用能源（已提交）。[21]L.Meeus，R.Belmans，《欧洲电力市场一体化》，载于：《第16届电力系统计算会议记录》，2008年。[22]D.W.Bunn，A。

Gianfreda，《欧洲电力远期市场的整合和冲击传输》，能源经济学32（2）（2010）278–291。内政部：10.1016/j.eneco。2009.09.005.【23】L.M.de Menezes，M.A.Houllier，《重新评估欧洲电力市场的一体化：分馏一体化分析》，能源经济学53（2016）132–150。内政部：10.1016/j.eneco。2014.10.021.【24】G.Zachman，《欧洲电力批发市场价格：趋同？》？，能源经济学30（4）（2008）1659–1671。内政部：10.1016/j.eneco。2007.07.002.[25]E.Lindstrom，F.Regland，《欧洲电力市场之间的极端依赖建模》，能源经济学34（4）（2012）899–904。内政部：10.1016/j.eneco。2012.04.006.[26]F.Ziel，R.Steinert，S.Husmann，《预测日前电力现货价格：欧洲电力市场EXAA的影响》，能源经济学51（2015）430–444。内政部：10.1016/j.eneco。2015.08.005.【27】I.P.Panapakidis，A.S.Dagoumas，《通过应用基于人工神经网络的模型进行日前电价预测》，应用能源172（2016）132–151。内政部：10.1016/j.apenergy。2016.03.089.【28】I.Guyon，A.Elissee ff，《变量和特征选择导论》，机器学习研究杂志3（2003）1157–1182。【29】J.A.Carta，P.Cabrera，J.M.Mat'ias，F.Castellano，使用ANNsin MCP风速方法的特征选择方法比较。案例研究，AppliedEnergy 158（2015）490–507。内政部：10.1016/j.apenergy。2015.08.102.【30】I.Goodfello，Y.Bengio，A.Courville，《深度学习》，麻省理工学院出版社，2016年，http://www.deeplearningbook.org/.【31】M.Stevenson，《澳大利亚电力市场日益放松管制中的过滤和预测现货电价》，载于：QFRC研究论文系列，第63期，悉尼理工大学定量金融研究中心，2001年，http://www.qfrc.uts.edu.au/research/research_papers/rp63.pdf.[32]C.P。

Rodriguez，G.J.Anders，《安大略省竞争性电力系统市场的能源价格预测》，IEEETransactions on power Systems 19（1）（2004）366–374。内政部：10.1109/TPWRS。2003.821470.[33]Y.Hong，C.Wu，《使用混合主成分分析网络进行日前电价预测》，能源5（11）（2012）4711–4725。内政部：10.3390/en5114711。【34】N.Amjady，F.Keynia，《利用互信息技术和级联神经进化算法对电力市场进行日前价格预测》，IEEETransactions on Power Systems 24（1）（2009）306–318。内政部：10.1109/tpwrs。2008.2006997.【35】N.Amjady，A.Daraeepour，F.Keynia，《通过改进的救济算法和混合神经网络进行日前电价预测》，IET发电、输电和配电4（3）（2010）432–444。内政部：10.1049/ietgtd。2009.0297.【36】D.Keles，J.Scelle，F.Paraschiv，W.Fichtner，《应用人工神经网络的日前电价扩展预测方法》，应用能源162（2016）218–230。内政部：10.1016/j.apenergy。2015.09.087.【37】A.Ghasemi、H.Shayeghi、M.Moradzadeh、M.Nooshyar，《智能电网中具有需求侧管理的电价和负荷预测的新型混合算法》，应用能源177（2016）40–59。内政部：10.1016/j.apenergy。2016.05.083.【38】O.Abedinia，N.Amjady，H.Zareipour，《电力系统负荷和价格预测的新特征选择技术》，IEEE电力系统交易32（1）（2017）62–74。内政部：10.1109/TPWRS。2016.2556620.【39】S.Ruder，《梯度下降优化算法概述》，arXiv eprint（2016）。arXiv:1609.04747。【40】M.Sha fie-Khah、M.P.Moghadam、M.Sheikh ElEslami，《采用混合预测方法预测日前电力市场价格》，能源转换与管理52（5）（2011）2165–2169。内政部：10.1016/j.enconman。2010.10.047.[41]D.R.Jones，M.Schonlau，W.J。

Welch，《昂贵黑箱函数的高效全局优化》，全球优化杂志13（4）（1998）455–492。内政部：10.1023/A：1008306431147。【42】J.Bergstra，R.Bardenet，Y.Bengio，B.K'egl，《超参数优化算法》，载于：神经信息处理系统的进展，2011年，第2546–2554页，http://papers.nips.cc/paper/4443algorithms-for-hyper-parameter-optimization.【43】F.Hutter，H.H.Hoos，K.Leyton Brown，《基于序列模型的通用算法配置优化》，摘自：学习与智能优化国际会议，Springer，2011年，第507–523页。内政部：10.1007/978-3-642-25566-3\\U 40。[44]F.Hutter，H.Hoos，K.Leyton Brown，《评估超参数重要性的有效方法》，载于：《第31届国际机器学习会议论文集》，2014年国际机器学习大会第32卷，第754-762页，http://proceedings.mlr.press/v32/hutter14.pdf.【45】S.Makridakis，《准确度测量：理论和实践关注》，国际预测杂志9（4）（1993）527-529。内政部：10.1016/0169-2070（93）90079-3。【46】F.X.Diebold，R.S.Mariano，《比较预测准确性》，商业与经济统计杂志13（3）（1995）253–263。内政部：10.1080/07350015.1995.10524599。【47】Y.LeCun，L.Bottou，G.B.Orr，K.-R.M¨uller，E-cientBackProp，摘自：G.B.Orr，K.-R.M¨uller（编辑），《神经网络：交易技巧》，计算机科学讲师第1524号，柏林-海德堡斯普林格出版社，1998年，第9-50页。内政部：10.1007/3-540-49430-8\\u 2。【48】RTE，网格数据，https://data.rte-france.com/.2017年5月15日查阅。【49】Elia，网格数据，http://www.elia.be/en/grid-data/dashboard.2017年5月15日查阅。【50】ENTSO-E透明平台，https://transparency.entsoe.eu/.2017年5月15日查阅。【51】V.Nair，G.E。

Hinton，《直线单元改进严格玻尔兹曼机器》，载于《第27届国际机器学习会议记录》（ICML），2010年，第807-814页，http://icml2010.haifa.il.ibm.com/papers/432.pdf.【52】X.Glorot，Y.Bengio，《理解训练深度前馈神经网络的困难》，载于：《国际艺术情报与统计会议论文集》（AISTATS\'10）。艺术情报与统计学会，2010年，第249-256页。[53]D.P.Kingma，J.Ba，Adam：随机优化方法，arXiv eprint（2014）。arXiv:1412.6980。【54】Y.Yao，L.Rosasco，A.Caponnetto，《梯度下降学习中的早期停止》，构造近似26（2）（2007）289–315。内政部：10.1007/s00365-0060663-2。【55】J.Yosinski，J.Clune，Y.Bengio，H.Lipson，深层神经网络中的特征是如何可转移的？，摘自：Z.Ghahramani，M.Welling，C.Cortes，N.D.Lawrence，K.Q.Weinberger（编辑），《神经信息处理系统进展》，第27期，Curran Associates，Inc.，2014年，第3320–3328页，https://papers.nips.cc/paper/5347-how-transferableare-features-in-deep-neural-networks.[56]M.Jaderberg，V.Mnih，W.M.Czarnecki，T.Schaul，J.Z.Leibo，D.Silver，K.Kavukcuoglu，无监督辅助任务强化学习，arXiv eprint（2016）。arXiv:1611.05397。【57】李克胜，赵立军，魏立军，杨美华，吴福华，庄勇，凌浩，王建军，深度显著性：用于显著性目标检测的多任务深度神经网络模型，IEEETransactions on Image Processing 25（8）（2016）3919–3930。doi:10.1109/TIP。2016.2579306.【58】J.Bergstra，D.Yamins，D.D.Cox，《模型搜索的科学：视觉架构的数百维超参数优化》，载于：《第30届机器学习国际会议论文集》，2013年，第115-123页，http://proceedings.mlr.press/v28/bergstra13.pdf.【59】H.Zareipour，C.A.Canizares，K。

Bhattacharya，《电力市场价格预测误差的经济影响：需求侧分析》，IEEE电力系统交易25（1）（2010）254–262。内政部：10.1109/TPWRS。2009.2030380.[60]T.Hong，《预测分析中的水晶球课程》，EnergyBiz 12（2）（2015）35–37。【61】B.Uniejewski，J.Nowotarski，R.Weron，《日前电价预测的自动变量选择和收缩》，能源9（8）（2016）621。内政部：10.3390/en9080621。[62]王建军，钟浩，马志忠，夏秋霞，康春春，《多能源系统综合需求响应的回顾与展望》，应用能源202（2017）772–782。内政部：10.1016/j.apenergy。2017.05.150.【63】S.Nolan，M.O\'Malley，《需求响应部署和评估的挑战和障碍》，应用能源152（2015）1-10。内政部：10.1016/j.apenergy。2015.04.083.【64】Q.Wang，C.Zhang，Y.Ding，G.Xydis，J.Wang，J.Ostergaard，《整合分布式能源和需求响应的实时电力市场回顾》，应用能源138（2015）695–706。内政部：10.1016/j.apenergy。2014.10.048.