• 研究背景与意义 [page::0][page::1]

- 平衡市场（BM）价格波动剧烈，预测挑战大，现有文献稀少且缺乏公开数据。
- 日内市场（DAM）电价预测研究成熟，深度学习表现优异，本报告尝试将其方法迁移至BM。

• 数据集与特征 [page::8][page::9]

- 数据涵盖2019-2022年BM历史和未来预报数据，包括价格、交易量、风力误差、互联导流、日内市场价格等。
- 目标变量为未来16个开放结算周期的BM价格预测。

• 预测模型及方法 [page::11][page::12][page::13]

- 多类别模型：统计模型LEAR（基于LASSO正则化）、机器学习模型（随机森林RF、极端梯度提升XGB、支持向量回归SVR）、深度学习模型（单头DNN和多头RNN-DNN）。
- 采用滚动验证法，训练窗口30、60、90和365天，超参数通过验证集优化。

• 模型表现及对比分析 [page::15][page::16][page::17]

- LEAR模型整体表现最佳，预测更稳健且避免过度拟合价格峰值，且训练集时间越长性能越优，MAE降低3.31€/MWh。
- XGB表现优异，接近LEAR，优于RF与SVR。
- 深度学习模型在BM表现不佳，尤其多头模型较弱，常过度预测峰值，导致误差扩大，但在较稳定的DAM市场表现优于统计模型。

• 统计显著性检验及误差分时段分析 [page::18][page::19]

- DM检验显示LEAR与XGB、RF性能显著优于其他模型，所有模型均显著优于基线Naive模型。
- 15:00-18:00价峰和波动最大时段预测误差显著增大，DL模型夜间低价时段表现较好，LERA及ML模型对波动时段更稳健。

• 平衡市场与日内市场对比 [page::19][page::20][page::21]

- BM价幅更大且波动更剧烈，DL模型在DAM能捕捉峰值且表现优于LEAR，反之在BM表现则较差。

• 计算效率分析 [page::21][page::22]

- LEAR和XGB训练时间远小于DL模型，尤其多头RNN-DNN训练最耗时，适合实时快速训练的为LEAR和XGB。

• 量化策略及因子构建

- 本文无具体量化因子构建细节，核心在于多模型训练比较与性能基准搭建，公开数据集与代码促进后续量化策略研发 [page::2][page::23]

深度分析报告：《Electricity Price Forecasting in the Irish Balancing Market》

---

元数据与概览

报告标题： Electricity Price Forecasting in the Irish Balancing Market
作者： Ciaran O’Connor, Joseph Collins, Steven Prestwich, Andrea Visentin
发布机构： University College Cork, Ireland 的 SFI CRT in Artificial Intelligence、School of Mathematical Sciences 及 Insight Centre for Data Analytics
报告时间： 未明确给出具体日期，但参考文献最新至2022年，推测为2022年以后
研究主题： 聚焦于爱尔兰电力市场中平衡市场（Balancing Market, BM）电价的短期预测，比较不同统计、机器学习（ML）与深度学习（DL）模型在该复杂市场的表现差异与适应性。

核心论点与目标：
本报告针对电力平衡市场价格（BM价格）提出了一套开放且可重复的预测框架，基于爱尔兰BM数据，测试统计模型（如LEAR）、机器学习模型（如XGB、RF、SVR）以及深度学习模型（SH DNN和MH RNN DNN）的预测能力。结果表明，传统成功应用于日内市场（日前市场，DAM）的深度学习模型不适合BM市场；相反，简单、高效的统计模型LEAR表现最佳。这揭示BM市场的价格波动机制与DAM根本不同，表明针对BM需开发专门的预测模型。[page::0,1,2]

---

逐节深度解读

1. 引言与研究背景

报告强调短期电力市场的价格预测因其高波动性、剧烈价格尖峰和季节性需求特征而极具挑战性。随着可再生能源与储能系统的普及，这种波动性进一步加剧。BM作为实时市场中最接近现货交易、且价格波动最剧烈的市场，承担匹配供需的关键角色。尽管其重要性提升，学界和业界对BM价格预测关注相对较少，部分原因是BM数据难以获取且地区间规则差异较大。此外，DL方法虽在DAM市场广泛应用，但在BM市场的探讨稀缺，且无公开数据集。[page::1,2]

2. 文献综述

2.1 日前市场（DAM）预测

大量研究聚焦于DAM，表明深度神经网络（DNN）及其变体如LSTM、GRU具有较优性能，尤其在复杂的非线性关系建模上胜过传统统计方法。LEAR模型（LASSO正则化的自回归模型）因其计算效率高且准确性优异，也成为DAM预测中的标杆。不同特征选择和跨市场效应也明显影响深度模型表现。[page::3,4]

2.2 平衡市场（BM）预测

BM预测文献较少，多为统计和传统机器学习方法，如概率模型、梯度提升（XGB）和随机森林（RF）。研究指出BM价格极端尖峰预测困难，且波动性严重影响模型效果。深度学习模型应用稀缺，且效果参差不齐，凸显BM市场在建模上的独特性和挑战。[page::5]

3. 电力市场结构及BM特性

报告以爱尔兰单一电力市场（I-SEM）为例，解释欧洲电力市场架构：包括远期市场、日前市场（DAM）、日内市场（IDM）及平衡市场（BM）。BM作为生产与消费几乎实时匹配的关键市场，通过系统操作员对参与者提交的偏离合约的偏差进行调度，价格在5分钟结算期间内基于成交量和价格对确定。BM价格受极短时间窗口影响，波动性极强，且排除非能源动作（Flagging and Tagging）与最小接受阈值（DMAT）保证价格的合理性。[page::6]

4. 分析框架

4.1 数据集构建

数据源自SEMO和SEMOpx，覆盖2019至2022年。目标是预测未来16个开放结算周期（每周期30分钟），即$t+2$到$t+17$时段的BM价格。输入变量分为历史数据（如过去BM价格和量、风电预测误差、互连流量、日前市场价格）和未来数据（物理通知量、互连计划、可再生能源预测、需求预测及未来DAM价格）。不同数据时间范围根据数据可用性调整，充分反映BM短期价格预测的实时性要求。[page::8,9]

4.2 实验设计

采用多模型训练数据窗口（30、60、90及365天），利用滚动前移验证（walk-forward validation）方法，每8小时重新训练并在最新数据上测试，保证模型适应市场动态。超参数调优每季度更新。ML模型通过Scikit-learn及XGBoost，DL模型用Tensorflow及Talos，统计模型用Lago et al.提出的epftoolbox。[page::9,10]

4.3 评价指标

采用MAE、RMSE和sMAPE（对临近零值具有稳健性的对称MAPE）。利用Diebold-Mariano（DM）检验比较模型间统计显著性，确保评价的稳健性和科学性。[page::10,11]

5. 模型详述

• Naive基线模型： 用过去8小时BM价格作为预测。

- LEAR（LASSO估计自回归）： 结合LASSO正则化实现特征选择，保证简单高效。每日调整正则化参数。

• 随机森林（RF）： 多回归树聚合，主要利用bagging减少方差。

- 支持向量回归（SVR）： 利用径向基核在高维空间中进行非线性回归。

• 极端梯度提升（XGB）： 基于boosting思想的提升树，顺序减小偏差。

- 单头DNN（SH-DNN）： 传统多层感知机，层数可调，使用ReLU激活，多层dropout防止过拟合。

• 多头LSTM-DNN（MH-RNN）： 结合历史时序LSTM分支与未来数据DNN分支，通过串联层输出16步预测。训练采用早停，最大300轮。[page::11,12,13,14]

6. 实验结果

6.1 预测准确性

表1总结不同模型与训练长度下的MAE、RMSE、sMAPE。

• LEAR表现最佳，其预测更平滑，少尝试预测极端尖峰，导致整体误差降低（MAE从30天到310天训练提升3.31€/MWh）。

- XGB紧随其后，表现优于随机森林和SVR。

• DL模型整体表现较差，特别是MH-RNN，对BM复杂动态的拟合不足，表现随训练数据增加有所提升但仍落后。

- 30天训练期间，SH-DNN略优于XGB和LEAR，但随着波动增加后劣势明显。[page::15,17]

图3（LEAR预测）显示其保持预测稳定，避免尖峰预测；图4（MH-RNN预测）则呈现过度自信的尖峰预测，导致指标处罚严重。提高训练数据量（至365天）对所有模型均有显著提升（平均MAE降低3，RMSE降低2.67，sMAPE降低5.33），但DL改进幅度较小。

统计显著性检验

DM检验（表2）显示LEAR、XGB和RF组具有显著优于其他模型的预测准确度，DL模型间差异不显著，但均明显好于基线模型。

6.2 分时段性能

图5揭示价格与误差昼夜变化规律：

• 价格及波动最大时段（15:00-18:00），预测误差亦最大。

- DL模型在低波动、低价的夜间表现相对更好。

• LEAR及ML模型误差更为均衡，在高波动时段表现更稳健。

此特性对某些应用（如电池充电时间选择）具有指导意义。[page::18]

6.3 DAM与BM对比

图6对比显示BM价格波动幅度远大于DAM，出现多次急剧负值和超高正值，DM预测难度显著不同。DL模型在更稳定的DAM市场表现优异（图7中SH-DNN预测DAM价格），体现DL方法对BM市场复杂动态拟合不足，需针对BM设计更适合的模型框架。[page::19,20,21,22]

6.4 计算效率

图8展示模型训练时间消耗：

• LEAR训练时间极短，XGB也优于DL模型。

- DL训练耗时最长且波动较大，尤其是MH-RNN，因其复杂结构和大量参数。

• 各模型单次预测时间极短，适合实时应用，但频繁重训练背景下高训练时间是DL模型劣势。[page::21,22]

7. 结论

作者提出的开放且可复现框架，使得BM电价预测模型的评估透明化。结果表明，面对高波动、尖峰频繁的BM市场，简单统计和树模型优于复杂的DL模型。DL模型在预测BM价格的剧烈波动及尖峰方面表现不足，存在严重的过拟合和误判风险。作者指出未来可考虑结合不同模型优势，按时段动态选择算法（算法组合），或探索概率预测、尖峰检测等方向，提升BM预测能力。数据集、代码均开放，促进未来研究发展。[page::23]

---

图表深度解读

图1：欧洲电力市场典型顺序示意图

该图分层次展示欧洲电力市场结构，涵盖远期能量与输电市场、日前及日内市场、调度市场（Redispatching）和平衡市场，以及容量与辅助服务市场（非能源市场）。点线框表示非必需或可选市场。时间线从数月到实时，表明BM为最终调整阶段。该图帮助理解BM在整体电力市场架构中的定位和功能。[page::7]

图2：多头RNN-DNN模型架构

图示模型分为左侧历史数据输入流经LSTM块，右侧未来数据输入流经DNN块，双方均有dropout及flatten层，输出合并后通过DNN块产生最终输出。该架构试图兼顾时间序列依赖和未来特征信息捕捉，体现深度学习在时序数据融合中的典型设计思路。[page::14]

图3：LEAR模型预测与BM价格对比

蓝色曲线为实际BM价格，绿线为LEAR预测。可见预测曲线波动较低，平滑且未过度拟合尖峰。表明LEAR模型采取了保守策略，舍弃极端预测，反映出其在高波动市场中表现稳定的优点。[page::15]

图4：MH RNN DNN对BM价格预测

蓝色为BM实际，红色为模型预测。模型输出明显尝试捕捉尖峰，波动剧烈，表现出过拟合近期尖峰的倾向，导致评价指标受到严重惩罚。这反映深度模型在BM市场中预测的主要瓶颈及局限性。[page::18]

图5：BM价格和预测误差分小时分析

(左图)蓝线显示每小时BM价格平均值，红线为标准差，显示日间15-18点波动剧烈。
(右图)各模型对每小时预测误差（MAE），XGB和LEAR在波动高峰期误差最低，DL模型误差上升明显。图表展示了价格波动对预测难度的直接影响，并体现不同模型的时段适应性差异。[page::20]

图6：DAM与BM价格对比

绿线为BM价格，红线为DAM价格。BM价格在时间序列上表现出剧烈尖峰及大幅负值，价格范围远超DAM。该对比清晰反映BM价格的极端波动性和预测难度，佐证了DL在DAM表现优秀而在BM表现不佳的原因。[page::21]

图7：SH DNN模型对DAM价格预测

红色为模型预测，蓝色为真实价格。模型紧密拟合价格走势，尖峰预测准确，显示DL模型在价格较为平稳的DAM市场中较强的非线性建模能力和动态捕捉能力。[page::22]

图8：模型训练时间比较

柱状图展示各模型用365天训练数据训练所需时间（分钟）。LEAR和XGB耗时极短，RF、SVR耗时适中，DL模型因网络复杂度高，特别是MH RNN，耗时最长且波动大。此图强调模型在实时应用中计算效率的权衡，反映复杂深度模型可能在实际部署中的劣势。[page::22]



---

估值分析

本报告为技术型市场预测研究，不涉及公司估值或财务预测，因此无估值分析章节。

---

风险因素评估

报告主要探讨模型预测风险，指出DL模型在面对BM极端波动和突发尖峰时，容易出现过拟合和较大预测误差，风险较高。报文虽未专设风险缓解策略，但建议通过增大训练数据、合理选择模型组合、及未来发展概率预测和模式识别方法以缓解该风险。此外，数据获取难度和市场规则差异构成实证上的风险。[page::17,23]

---

批判性视角与细微差别

• 数据与模型适配性：报告强调DL在DAM上的成功经验未必迁移至BM市场，提示需深入研究BM市场固有特征。

- 假设与限制：DL模型分支设计假设历史和未来数据可以分开学习关系，但BM数据中两者强耦合，导致模型结构不匹配，表现受限。

• 评价指标选择：sMAPE指标替代传统MAPE，有效应对价格近零带来的误差计算难题，体现严谨性。

- 实验设计：滚动验证、超参数调优等配置充分考虑时序依赖，方法科学。报告未详细说明个别模型（如MH-RNN）具体参数范围和训练细节，略有不足。

• 局限性：未涉及更多BM市场或5分钟更细粒度数据，适用性有待扩展。

- 公开资源：报告开放数据和代码，利于社区验证与后续研究。

---

结论性综合

本报告创新提出针对爱尔兰BM电价预测的开放、详尽框架，全面比较统计、机器学习及深度学习方法。深度学习虽为日内市场提供优异表现，但在BM高度不稳定及尖峰频发环境下表现不佳，存在过度拟合及预测误差高风险。相反，基于LASSO正则的统计模型LEAR及树模型如XGB和RF，以其简洁高效和稳定预测性能，占据性能领先地位。从时序角度看，价格峰值时段预测难度更大，深度模型夜间相对表现更好但难以整体覆盖尖峰。训练数据量显著影响所有模型性能，长时间窗口训练有助于精准度提升。

图表深刻展现：

• BM价格波动极端，尖峰与负价频现（图6）；

- LEAR模型提供平滑稳定预测，避免尖峰（图3），优于DL尖峰过度预测（图4）；

• DL模型在DAM表现优异，显示市场结构差异实质影响（图7）；

- 计算时间上，LEAR和XGB具备实时适用性，DL模型则资源需求大（图8）。

作者建议未来研究可考虑多模型组合算法，针对不同时段动态使用不同模型，同时扩展数据集与市场范围，引入概率预测及尖峰分类方法，以应对BM市场固有挑战。整体看，此报告为电力市场平衡价格预测领域提供了重要参考与实践基础，尤其是凸显了“平衡市场”不同于“日前市场”的复杂预测需求和建模挑战。[page::0-23]

---

参考资料标注溯源

本分析中的所有信息和结论均基于报告原文，具体页码引用标记为$page::页码$，便于后续查阅与溯源。

---

报告