机器学习预测澳大利亚国家电力市场波动电价:八模型比较

能源科学 2026-11-16 33 阅读

Energy Systems · 2026-11-14 · 期刊论文

  • 一句话结论:在新南威尔士历史电价数据上,XGBoost在八个模型中短期预测表现最好:平均验证MAE为0.040、平均验证R²为0.949,并在留出测试集上保持最优;证据支持其在所评估模型中的相对优势。
  • 研究设计与做法:研究为预测模型比较实验:对比ARIMA、SARIMAX、线性回归、指数平滑、XGBoost、LSTM,以及含或不含外生需求回归项的Prophet共八类模型,使用新南威尔士历史电价数据,评估提前5分钟的预测表现,并分稳定、波动、快速波动时段考察;随访时长材料未报告。
  • 主要结果:XGBoost取得最低平均验证MAE(0.040)与最高平均验证R²(0.949),并在留出测试集上保持最佳;其他模型的具体指标、置信区间与p值材料未报告。
  • 机制或解释:作者认为结果支持在所评估的预测模型中使用市场信息(如需求等外生变量);更细的机制解释材料未报告。
  • 局限与边界:局限包括:仅使用新南威尔士单一区域数据;仅评估5分钟提前预测;未报告跨市场外部验证;利益冲突材料未报告。
  • 可否落地:对电力市场交易、系统运行与储能套利有提示意义:XGBoost可作为短期电价预测的候选方法;但证据限于单一市场与短预测步长,落地前需在其他区域与更长预测窗口验证,尚不足以下结论推广。

🔗 打开原文

Zeyang Zhou, Punam Kumari Prasad, Jason M. West 等


本文摘自《每日前沿研究简报 · 2026-11-16》「能源科学」。本内容仅用于研究信息整理与科普交流,不构成医疗建议。

评论 共 0 条

暂无评论

微信小程序

微信扫一扫体验

立即
投稿

微信公众账号

微信扫一扫加关注

发表
评论
返回
顶部