本研究由来自昆明理工大学(Kunming University of Science and Technology)的Feng Wang、Guangping Zhu以及玉溪能投售电有限公司(Yuxi Nengtou Electricity Sales Co., Ltd)的Tong Pu、Dong Xiang共同完成。论文发表于Procedia Computer Science第266卷(2025年),页码357至364,属于第12届信息技术与定量管理国际会议(ITQM 2025)的会议论文,由Elsevier B.V.以开放获取形式出版。
一、研究背景与目的
随着可再生能源尤其是太阳能发电的快速增长,2024年低碳电力在全球发电中的占比已超过40%,可再生能源发电占比超过30%。尽管可再生能源对低碳发展和环境保护具有积极作用,但其固有的不稳定性——如干旱期、阴雨天、无风天气会导致发电量下降——使得电价波动比以往更加剧烈。2022年,受俄乌战争影响,欧洲电力市场甚至出现了负电价。因此,在当今电价高度波动的背景下,准确预测电价具有重要的现实意义。与此同时,电力行业数据采集技术的迅速发展,为利用深度学习方法实现精确电价预测提供了可能。本研究旨在提出一种基于图神经网络和Transformer的电价预测方法,以显著提升现有方法的预测精度。
二、研究数据与预处理流程
本研究的数据来源于欧洲输电系统运营商网络(ENTSO-E),爬取了超过十个欧洲竞价区(bidding zone)的数据集,包括AT、BE、CH、CZ、DK1、DK2、NO2、SE4、NL和DE-LU等区域。数据时间范围为2022年1月1日至2023年12月31日,竞价区采样间隔为15分钟,共包含70,080个时间节点。数据特征涵盖海上风电发电量、陆上风电发电量、太阳能发电量以及各竞价区之间的交易电量等十多个相关特征。
在数据筛选阶段,本研究以德国-卢森堡竞价区(DE-LU)为核心研究对象,统计了其余11个竞价区与DE-LU之间每15分钟的平均交易量(包括销售量和购买量),并筛选出交易量排名前50%的竞价区,最终得到BE、CH、DK1和NL四个竞价区与DE-LU共同构成研究数据集。这一筛选策略在保证建模效果提升的前提下,有效节省了计算资源。
在数据预处理阶段,研究考虑了欧洲夏令时(daylight saving time)对时间序列的影响:每年三月最后一个周日时钟拨快一小时,十月最后一个周日拨慢一小时。因此,2022年3月27日和2023年3月26日的14:00至14:45之间的8个数据点缺失,而2022年10月30日和2023年10月29日的同一时段存在8个重复数据点。对于缺失数据,研究使用13:45和15:00的数值对14:00和14:45进行最近邻补充,而对中间时段的14:15和14:30则采用线性插值(linear interpolation)补充;对于重复数据则直接删除。数据集中出现的N/E和N/A值同样使用线性插值替代。此外,部分竞价区(如CZ)的采样间隔为1小时,研究将风电和太阳能发电特征值除以4作为15分钟间隔的采样值,而1小时间隔的电价则直接等同于15分钟间隔的电价。随后,对电价进行了如公式(10)所示的最小-最大归一化(min-max normalization)操作。经过归一化处理后,2022年1月至2023年10月的数据作为训练集,2023年11月至12月的数据作为测试集。
三、模型架构与工作流程
本研究所提出的TSGT(Time-Space-GCN-Transformer)模型的工作流程如图1所示,包含两个主要部分。第一部分是邻接矩阵的构建。基于竞价区的流入和流出交易数据形成空间交易矩阵(spatial transaction matrix),其中五个节点分别代表对应的竞价区,每个竞价区具有6个特征。随后,将96个空间交易矩阵堆叠成一列,形成一天尺度的时空邻接矩阵(spatio-temporal adjacency matrix)。这一设计将地理交易关系和时序先后关系同时嵌入图结构,与传统的仅基于地理距离或相关性构建图的方式形成本质区别。
第二部分是模型训练,包含图卷积网络(GCN)、Transformer和多层感知机(MLP)三个模块。由于数据集涉及五个竞价区,需要考虑地理位置之间的相互作用,而图卷积神经网络能够有效处理非欧几里得空间数据,因此本研究采用了基于谱域卷积理论的GCN方法。谱域GCN通常基于归一化图拉普拉斯矩阵(normalized graph Laplacian matrix)构建,如公式(1)所示,其中I_n为单位矩阵,D为节点度矩阵,A为图的邻接矩阵,P为特征值对角矩阵。随后对归一化拉普拉斯矩阵进行谱分解,由于该矩阵为实对称矩阵,可表示为特征向量矩阵U与特征值对角矩阵Λ的乘积形式(公式2)。图傅里叶变换(graph Fourier transform)将图结构上的信号从图域映射到频域,数学表达式为f(x)=U^T x。GCN在谱域的卷积操作如公式(3)所示。由于该过程涉及特征值分解且计算复杂度较高,本研究采用切比雪夫多项式(Chebyshev polynomials)的前k项来近似替代卷积核,从而在保证较高表达力的同时显著降低计算量(公式4)。通过这种方式,GCN可以堆叠卷积层实现节点与其邻居之间的特征交互和信息融合,所得的节点嵌入表示进一步输入到Transformer模块以增强时序建模能力。
Transformer是基于自注意力机制(self-attention mechanism)的深度学习模型架构。本研究所用的Transformer由编码层和解码层组成。编码层的核心部分是多头自注意力机制(multi-head self-attention)和前馈神经网络。多头自注意力机制将输入数据通过h个不同的线性变换得到多个单头注意力的输出,将这些输出拼接后经过线性变换得到最终输出,如公式(5)至(7)所示。由于数据在深度学习运算过程中会丢失部分原始特征,本研究在解码器输出结果后,并不立即输入MLP,而是将GCN最后一层的输出、Transformer编码层输出和解码层输出进行拼接(concatenate)和展开(reshape)操作,如公式(8)所示,然后再输入MLP网络。这种并行拼接策略保留了多层级特征信息,避免了信息在深层网络传递中的过度损失。模型采用均方误差(MSE)作为损失函数,如公式(9)所示。
四、实验结果与分析
本研究以CNN、LSTM、GRU、TCN等多种深度学习方法作为基线模型进行对比评估。评估指标包括平均绝对误差(MAE)、均方根误差(RMSE)、平均绝对百分比误差(MAPE)和对称平均绝对百分比误差(SMAPE),所有指标均以百分比表示(公式11-14)。
在训练集上,TSGT模型的MAE为4.40%、RMSE为6.62%、MAPE为14.66%、SMAPE为12.67%,在所有对比模型中均为最低。在测试集上,TSGT模型的表现更为突出:MAE降至5.33%,RMSE降至7.16%,MAPE降至24.53%,SMAPE降至17.03%。相比之下,基线模型中表现最好的CNN-LSTM在测试集上的MAE为9.53%、RMSE为11.95%、MAPE为46.66%、SMAPE为28.25%。TSGT在测试集上的MAE较最优基线模型降低了4.2个百分点,RMSE降低了4.79个百分点。图2和图3直观展示了各模型在测试集上四项指标的比较结果,TSGT在所有指标上均实现了显著提升。特别是在MAPE指标上,TSGT相较CNN-LSTM的46.66%下降至24.53%,降幅接近一半,充分说明时空邻接矩阵与GCN-Transformer融合架构在捕捉电价非线性时空依赖关系方面的优越性。
五、结论与研究价值
本研究提出了TSGT模型,该模型基于时空图卷积神经网络与Transformer的融合架构,通过构建基于地理交易关系和时序先后关系的时空邻接矩阵,并将其嵌入GCN中进行图卷积运算,有效捕捉了欧洲多竞价区之间电价波动的空间依赖与时间演化特征。实验结果表明,该模型在德国-卢森堡竞价区上达到了极高的拟合度,在MAE、RMSE、MAPE和SMAPE四项指标上均显著优于现有最先进算法。从科学价值来看,本研究创新性地将交易数据驱动的时空邻接矩阵与GCN和Transformer的深度融合架构引入电价预测领域,为多区域耦合电价预测提供了一种有效的建模思路。从应用价值来看,该模型能够为电力市场参与者提供更准确的电价预测信号,有助于在高度波动的电力市场中优化交易策略和风险管理。
六、研究亮点
本研究的亮点主要体现在三个方面:第一,在数据层面,从ENTSO-E爬取了欧洲十余个竞价区的多特征数据集,并通过交易量筛选策略在节省计算资源的前提下保留了最具关联性的区域;第二,在建模层面,首次将基于实际交易流向和流量的时空邻接矩阵引入GCN的图结构构建,区别于传统基于地理距离或统计相关性的构图方式;第三,在架构层面,将GCN输出与Transformer编码层、解码层输出进行并行拼接后再输入MLP,实现了空间特征与时序特征的多层次融合,有效减少了深层网络中的信息损失。
七、其他信息
本研究受云南省科技厅基础研究项目(基金号:202201AU070127,202401AT070974)和国家自然科学基金(基金号:72461016,72361033)资助。作者声明无利益冲突。