💻 computer science

PriceFM: Foundation Model for Probabilistic Electricity Price Forecasting

本文介绍了 PriceFM，这是一种用于欧洲电价预测的概率基础模型，它利用大规模多国数据集，并通过稀疏图掩码集成输电拓扑，以有效捕捉跨区域依赖关系并超越现有基线。

原作者： Runyao Yu, Chenhui Gu, Jochen Stiasny, Qingsong Wen, Wasim Sarwar Dilov, Lianlian Qi, Jochen L. Cremer

发布于 2026-05-12

📖 1 分钟阅读☕ 轻松阅读

原作者： Runyao Yu, Chenhui Gu, Jochen Stiasny, Qingsong Wen, Wasim Sarwar Dilov, Lianlian Qi, Jochen L. Cremer

原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

想象欧洲电力市场是一个巨大的互联社区，每栋房子（或每个地区）都有自己的发电机、自己的用电习惯，以及自己的电价标签。有时，西班牙阳光明媚，那里的电力价格低廉；而德国遭遇暴风雨和阴天，电力价格则变得昂贵。由于这些房子通过输电线（输电线路）相互连接，电力可以从低价区流向高价区，但前提是这些线路必须足够坚固，且不过于拥挤。

本文介绍了一种名为PriceFM的新型“超级预测器”。你可以将 PriceFM 想象为一位经验丰富的天气预报员，他不仅观察单栋房子头顶的天空，更理解风和阳光如何影响整个社区，以及连接这些房子的输电线路如何改变能源价格。

以下是其工作原理的分解，采用简单的类比说明：

1. 问题：邻居太多，噪音太大

过去，预测者试图通过一次只观察一个地区来预测电价（例如，在不了解法国情况的前提下猜测德国的价格）。另一些人试图同时观察所有人，但他们将所有邻居视为同等重要。

缺陷所在：想象一下，你要猜测巴黎某栋房子的价格。如果你听取来自 500 英里外、且与巴黎没有直接道路相连的另一个国家房子的闲言碎语，这些信息很可能只是噪音。它可能会让你感到困惑。现有的模型正是如此——它们倾听所有人的声音，甚至包括那些并不重要的遥远邻居，这使得它们的预测准确性降低。

2. 解决方案：一张智能地图（“图掩码”）

PriceFM 通过使用输电线路的数字地图来解决这一问题。

类比：想象你身处一个拥挤的房间。为了听清朋友的声音，你会专注于站在你身边的人。你会忽略从大楼另一侧传来的喊叫声。
PriceFM 的做法：它使用一种“稀疏图掩码”（Sparse Graph Mask）。这就像是一个过滤器，它说：“只倾听与目标区域直接相连的区域，或者那些相隔一两个步骤的区域。”它屏蔽了那些没有通过输电线路物理连接的遥远区域产生的“噪音”。这确保了模型只从真正重要的邻居那里学习。

3. 大脑：“专家混合”（MoE）

文中提到了一层“专家混合”（Mixture-of-Experts）结构。

类比：想象一个由 38 位不同专家组成的团队，每位专家负责一个地区。然而，PriceFM 并没有雇佣 38 个不同的人来做完全相同的工作，而是拥有一位聪明的经理（即“路由器”）。
工作原理：当经理看到来自多风地区的数据时，它会咨询“风专家”；当看到来自阳光充足地区的数据时，它会咨询“太阳专家”。有些地区是相似的（例如两个拥有相似天气的邻国），因此它们可以共享同一位专家。这使得系统既高效又智能，能够从一个地区学习模式并将其应用于相似地区，而不会造成混淆。

4. 数据集：一座巨大且最新的数据图书馆

为了训练这个模型，作者们建立了一个庞大的数据图书馆。

规模：他们收集了来自24 个国家（38 个不同地区）的数据，涵盖2022 年至 2026 年的年份。
内容：这不仅仅是价格数据。它还包括用电量预测（负荷）、可用太阳能和风能预测（太阳能和风能），以及实际价格。这就像给模型提供了该社区连续四年的完整天气、用电习惯和账单历史。

5. 结果：更精准的预测

当他们将 PriceFM 与其他模型（包括其他在通用时间序列任务中以智能著称的“基础模型”）进行测试对比时，PriceFM 胜出。

原因：因为它不仅仅是死记硬背模式，而是理解了电网的物理规则。它知道电力是通过导线流动的，而不是穿过空气。
结果：它更准确地预测了价格，并且重要的是，它给出了可能价格的范围（概率预测），而不会犯逻辑错误（例如预测出的“高”价格低于“低”价格）。

总结

PriceFM 是一种用于预测欧洲电价的新工具。它比之前的工具表现更好，原因在于：

它使用了覆盖几乎整个欧洲的巨大且最新的数据集。
它使用智能过滤器来忽略遥远且无关的邻居，只专注于通过输电线路物理连接的区域。
它利用专家团队（专家混合）来处理整个大陆上不同类型的天气和能源需求。

该论文声称，这能带来更准确的预测，从而帮助电力公司和政府在日益依赖风能和太阳能等不可预测的可再生能源时，更好地管理电网。

技术摘要：PriceFM——概率电价预测的基础模型

1. 问题陈述

准确的电价概率预测对于可持续电力系统运行至关重要，特别是在可再生能源渗透率不断提高的背景下。欧洲电力市场因太阳能和风能发电的高度波动性、深度的市场整合以及物理互联的输电系统而面临独特挑战。

现有方法存在两个主要局限性：

缺乏空间建模：大多数模型专注于单一区域市场（例如德国）或将各区域独立处理，未能捕捉由跨境电力交换驱动的空间相互依赖性。
基础模型中的图先验不足：虽然近期的基础模型（如 Chronos、TimesFM）在通用时间序列预测方面表现出色，但它们通常依赖纯粹数据驱动的混合机制。它们未纳入输电拓扑的显式先验知识。因此，它们可能会无意中从拓扑上遥远的区域学习噪声信号，导致过拟合，并降低在互联系统中的泛化能力。

本文认为，显式建模受物理输电线路约束的欧洲市场空间结构，对于准确的价格形成至关重要。

2. 方法论：PriceFM

作者提出了 PriceFM，这是一种专为欧洲电力市场设计的概率基础模型。该架构将共享投影机制与拓扑引导的稀疏图掩码相结合。

A. 数据基础

该模型基于一个全面的、考虑可再生能源的数据集构建，涵盖 24 个欧洲国家（38 个区域），时间跨度为 2022 年 1 月 1 日至 2026 年 1 月 1 日。

特征：日前电价、负荷预测以及太阳能/风能发电预测（陆上与海上之和）。
分辨率：所有特征均重采样至 15 分钟分辨率，以符合不断演变的欧盟市场标准。
范围：该数据集包含约 530 万条记录，解决了基础模型训练缺乏标准化、大规模数据的问题。

B. 模型架构

PriceFM 处理多区域输入，生成多区域、多时间步和多分位数的预测。

共享混合专家（MoE）投影层：
- 为确保区域表示具有可比性，模型将输入（电价和外部特征）映射到共享的潜在嵌入空间。
- 模型未为 38 个区域中的每一个分配独特的稠密层，而是使用 共享 MoE。该层由一个 融合专家（通过残差加法结合电价和外部特征）和一个 加权路由器（根据输入特征动态选择专家权重）组成。
- 这种设计允许具有相似模式的区域共享投影机制，同时保持灵活性。
拓扑引导的稀疏图掩码：
- 这是使 PriceFM 区别于通用基础模型的核心创新。
- 模型基于物理输电拓扑构建 稀疏图掩码。它使用广度优先搜索（BFS）计算输入区域与目标输出区域之间的图距离（传输跳数）。
- 超参数 $\delta$ （图度截断）将聚合限制在有限的邻域内。超出此距离的区域被掩蔽（赋值为 0），防止模型纳入来自拓扑遥远区域的噪声信号。
- 区域嵌入通过稀疏约束的平均值进行聚合，充当空间正则化器。
分层分位数头：
- 为确保概率一致性并防止 分位数交叉（即高分位数低于低分位数），模型采用分层头。
- 它首先预测中位数轨迹（ $\tau=0.5$ ）。
- 然后通过从该中位数加减非负残差（通过绝对值或 ReLU 函数导出）来生成上分位数和下分位数。这保证了分位数之间的单调性。

C. 训练目标

该模型使用跨多个区域、时间步和分位数的 平均分位数损失（AQL） 进行训练。

3. 主要贡献

数据集发布：推出了迄今为止规模最大、多样性最丰富的欧洲电力市场开源数据集，涵盖 38 个区域，时间跨度为 4 年，并包含考虑可再生能源的特征。
PriceFM 框架：一种新颖的概率基础模型，将 输电拓扑先验 集成到时间序列基础架构中。它支持多区域、多时间步和多分位数预测。
综合评估：广泛的实验将 PriceFM 与朴素基线、纯时间序列模型、基于图的模型以及通用基础模型（如 Chronos、Moirai、TimesFM）进行了比较。

4. 实验结果

作者使用 3 折滚动评估和“留一区域”零样本策略对 PriceFM 进行了评估。

与朴素模型相比：PriceFM 显著优于季节性朴素基线，AQL 降低了 62.1%，MAE 降低了 35.3%，RMSE 降低了 31.3%。
与时间序列模型相比：PriceFM 在 AQL 上超越了最佳纯时间序列基线（TimesNet）37.6%，证明了显式空间归纳偏置的必要性。
与图模型相比：PriceFM 在 AQL 上比最佳图基线（GraphConv）提高了 12.3%。作者将此归功于稀疏掩码机制，该机制减轻了与纯粹数据驱动的图神经网络（GNN）相关的过拟合风险，后者会传播来自弱相关区域的信号。
与通用基础模型相比：在“留一区域”零样本设置中，与最强的通用基础模型（Chronos[2.0]）相比，PriceFM 将 AQL 降低了 14.7%。这表明，如果没有显式的图先验，广泛的领域预训练不足以捕捉互联电力市场特定的空间依赖性。
分位数交叉：PriceFM 实现了 0.00% 的分位数交叉率（AQCR），而许多基线表现出非零的交叉率。

消融研究 证实：

对于某些区域（如德国、法国），图度截断 $\delta=0$ （仅使用本地数据）是最优的，而其他区域则从邻居信息中受益。
在 MoE 层中使用 4 个专家（ $M=4$ ）已足够。
移除拓扑引导的掩码或将其替换为随机掩码会导致性能显著下降，验证了物理电网先验的重要性。

5. 意义与主张

本文声称 PriceFM 为面临可再生能源渗透率不断增加的电力系统提供了一种可扩展的、感知不确定性的工具。其意义在于：

弥合差距：成功将特定领域的物理约束（输电拓扑）集成到基础模型范式中，而该范式此前仅依赖纯粹数据驱动的方法。
泛化能力：展示了卓越的泛化能力，特别是在未见区域的零样本场景中，这对于训练数据可能有限的市场至关重要。
运营价值：通过联合建模太阳能、风能、负荷、价格以及由拓扑诱导的相互作用，该框架支持可再生能源整合和灵活电网运行的更好决策。

作者指出，该框架具有适应性；如果物理输电网络发生变化，模型可以通过仅更新邻接矩阵而保持整体流程不变来进行重新训练。他们还建议，未来的工作可以探索基于社会经济或系统特性的替代空间加权方案。