🤖 machine learning

Adaptive Online Learning with LSTM Networks for Energy Price Prediction

本文提出了一种利用 LSTM 网络、结合创新自定义损失函数和全面特征集成的自适应在线学习框架，旨在显著提高加州能源市场日前电价预测的准确性。

原作者： Salih Salihoglu, Ibrahim Ahmed, Afshin Asadi

发布于 2026-08-13

📖 1 分钟阅读☕ 轻松阅读

原作者： Salih Salihoglu, Ibrahim Ahmed, Afshin Asadi

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

想象一下，你正试图猜测一场每天都举办的音乐会门票价格，但价格每小时都会根据有多少人想去、天气有多热以及乐队音响系统需要多少电量而发生变化。这就是电力市场的混乱世界。这不像买一条面包，价格通常是固定的，电力价格却像过山车一样剧烈波动，因为太阳可能停止照射（导致太阳能发电中断），或者热浪可能让每个人都同时打开空调。为了保持供电并确保账单公平，电网运营商和电力公司需要预测下一天、甚至每一小时的价格。他们使用“机器学习”，这基本上是教计算机从海量的历史数据中寻找模式，就像侦探通过研究旧的犯罪现场来破解新案件一样。目标是打造一个“水晶球”，它不仅仅是猜测平均价格，而是能在疯狂的峰值和低谷发生之前就理解它们。

这篇论文关于为加利福尼亚州的电力价格构建一个超级智能的水晶球，使用的是一种被称为 LSTM（长短期记忆）网络的类型的人工智能。把 LSTM 想象成一个拥有惊人记忆力的学生，他能记住上周、上个月甚至去年的发生的事情，并利用这些信息来理解现在正在发生什么。研究人员 Salih Salihoglu 及其团队并不仅仅是让这个学生学习过去，他们还给了它一套特殊的规则来学习。首先，他们教它不仅要看过去的价格，还要看天气以及当天究竟有哪些发电机组（太阳能、风能、天然气、核能）在运行。第二，他们发明了一种新的“作业评分系统”（自定义损失函数），这个系统不仅检查数字是否接近，还会检查价格曲线的“形状”看起来是否真实且平滑，而不是锯齿状且怪异。最后，他们并没有让这个学生参加一次考试后就再也不学习，而是建立了一个系统，让学生每天进行一次小测验。如果学生在学习了新的一天的数据后表现得更好，他们就可以更新笔记；如果表现变差了，则保留旧笔记。

团队发现，这种“自适应在线学习”方法才是赢家。他们的模型（一种每天都仔细进行自我更新的模型）明显优于那些静止不动且永不改变的模型（静态模型）或每天都从头开始重新训练的模型（动态模型）。具体而言，他们这种智能更新的模型比静态模型在预测平均误差上降低了约 23%。他们还发现，向模型提供哪些能源正在运行的列表（“发电组合”）是一个改变游戏规则的关键；如果没有这个信息，模型会感到非常困惑。此外，他们那个包含了对锯齿状、不真实价格跳变进行惩罚的特殊评分系统，帮助模型更准确地预测了棘手的用电高峰时段。简而言之，这篇论文表明，预测这些狂野电力价格的最佳方式不是构建一个完美的模型然后将其遗忘，而是构建一个灵活的模型，让它每天学习一点，检查自己的工作，并且只有在确定自己变得更聪明时才改变想法。

技术摘要：用于能源价格预测的自适应在线学习 LSTM 网络

问题陈述

准确预测日前电力价格对于包括电网运营商、生产者和消费者在内的去中心化能源市场利益相关者至关重要。然而，由于电力市场具有高频波动、非线性和易变性等特征，预测工作仍然极具挑战性。这些特性是由天气条件、需求模式和能源生成组合等动态因素驱动的。传统的统计模型（如 ARIMA、GARCH）往往难以捕捉复杂的时序依赖关系和非平稳的市场行为，从而导致决策失误。此外，静态机器学习模型无法适应不断演变的市场状况，而现有的在线学习方法可能缺乏严格的验证机制，导致其对噪声或非代表性数据较为敏感。

方法论

本研究提出了一个用于日前电力价格预测的综合框架，针对加州（CAISO）市场，特别是 NP-15 定价节点。该方法集成了三个核心组件：

1. 模型架构

核心预测引擎是一个长短期记忆（LSTM）网络，旨在同时预测 24 小时的价格向量，而非依赖于递归式的单步预测。

输入： 模型利用过去 $N$ 天特征的滑动窗口，结合目标日当天已知的特征（如预测天气、发电组合）。
结构： 该架构由两个堆叠的 LSTM 层（各 256 个单元）组成，并设置了 0.3 的 Dropout 率以防止过拟合，随后是一个用于生成 24 小时价格向量的密集输出层。
特征： 输入包括历史价格、负荷需求、天然气价格、详细的气象数据（温度、风速、湿度等）以及能源生成组合（太阳能、风能、核能、天然气等）。

2. 自定义损失函数

为了增强预测的鲁棒性和可解释性，作者引入了一种新型自定义损失函数，该函数结合了三个部分：

平均绝对误差 (MAE)： 最小化逐点预测误差。
詹森-香农散度 (JSD)： 衡量预测的 24 小时价格分布与实际分布之间的相似度。这作为一个基于形状的正则项，确保模型能够捕捉日内趋势（峰值和低谷），而不仅仅是绝对量级。
平滑惩罚项 (SM)： 惩罚连续小时预测之间的突变，以确保价格轨迹真实且平滑。
总损失为加权和： $Loss = MAE + \alpha \cdot JSD + \beta \cdot SM$ 。

3. 自适应在线学习框架

为了应对概念漂移和市场波动，研究实现了一种基于验证的选择性在线学习机制。

流程： 随着每日新数据批次的可用，模型会评估更新参数是否能提升在验证集上的表现。
选择性更新： 通过梯度下降计算一个临时参数更新 ( $\theta'$ )。只有当验证损失比当前模型 ( $\theta^*$ ) 下降超过预设阈值 ( $\delta$ ) 时，该更新才会被接受。
部分冻结： 在更新过程中，冻结较早的 LSTM 层以保留已学习到的时序表示，而仅更新最后的密集层。这种策略减轻了对短期噪声的过拟合，同时实现了对新趋势的适应。

核心贡献

本文确定了四个主要贡献：

24 维向量预测： 将日前预测表述为 24 维向量预测任务，使模型能够显式学习日内时序依赖关系，避免了递归单步预测中常见的误差累积问题。
新型自定义损失函数： 将 MAE 与 JSD 及平滑惩罚相结合，构建了一个鼓励生成真实、稳定且分布准确的价格轨迹的损失景观。
基于验证的选择性在线学习： 不同于持续重训练策略，该框架仅在新的数据能显著提升泛化性能时才会更新模型，从而提供了针对噪声或异常数据的鲁棒性。
系统性的特征评估： 研究严谨地评估了外生变量（特别是天气条件和能源生成组合数据）在静态和自适应学习设置下的影响。

实验结果

该框架使用涵盖 2020 年至 2024 年中期的数据集进行评估，数据来源于 IISE ESD/QCRE/PG&E 能源分析挑战赛。

损失函数的影响： 全部的自定义损失函数（MAE + JSD + SM）实现了最低的误差指标。与标准 MSE 损失基准（其 MSE 为 315.82）相比，自定义损失将 MSE 降低了约 50%（降至 158.76），MAE 降低了 38%（从 12.68 降至 7.76），RMSE 降低了 29%（从 17.77 降至 12.60）。
自适应 vs. 静态 vs. 动态：
- 自适应在线学习模型优于静态模型（仅训练一次）和动态模型（每日从头开始重训练）。
- 与静态模型相比，自适应在线学习模型将 MSE 降低了约 23.0%，MAE 降低了约 3.4%，RMSE 降低了约 12.2%。
- 动态模型的表现比静态模型更差，这表明在没有选择性验证的情况下进行频繁的全量重训练会导致过拟合和不稳定。
特征重要性：
- 发电组合： 包含燃料组合数据显著提升了性能。对于在线学习模型，在不含组合数据时 MSE 为 230.38，加入后降至 122.25。
- 当日特征： 加入当日运行数据（如当前天气、负荷预测）大幅降低了误差。在线学习模型的 MSE 从 286.42 降至 122.25。
基准比较： 所提出的框架优于传统的基准模型，包括 SVR、决策树、梯度提升、ARIMA、SARIMA 和 MARIMA。值得注意的是，它实现了 122.25 的 MSE，显著低于 MARIMA (179.47) 和 ARIMA (396.27)。
统计显著性： 配对 Wilcoxon 符号秩检验和块自助法（block bootstrap）置信区间证实，在线学习模型相对于静态基准和 MARIMA 的改进在统计上是稳健的，特别是在 MAE 和 RMSE 方面。

重要性与主张

作者声称，这项研究提供了一个稳健的电力价格预测框架，弥合了先进机器学习技术与实际市场需求之间的差距。其重要性在于：

决策支持： 为利益相关者提供可靠工具以应对动态市场，辅助需求响应、优化竞价及节约成本。
方法论进步： 证明了结合向量化预测、分布感知损失函数和选择性在线更新，比静态或盲目自适应模型具有更优越的性能。
泛化能力： 虽然是在加州市场进行测试，但作者指出该框架设计用于适用于其他电力市场，前提是拥有充足的历史数据和相关的外生变量。

研究结论认为，整合全面的特征集（特别是发电组合）、自定义正则化和自适应学习策略，对于在波动剧烈的能源市场中实现高精度和高鲁棒性至关重要。