本文的主要作者为韩升科、胡飞虎、陈之腾、张琳和白兴忠，其中前三位作者来自电力设备电气绝缘国家重点实验室（西安交通大学），张琳来自国网陕西省电力公司经济技术研究院，白兴忠来自陕西电力交易中心有限公司。该研究发表于《中国电机工程学报》2022年第42卷第9期，论文题目为《基于GCN-LSTM的日前市场边际电价预测》。该研究得到了国家自然科学基金项目（71732006）的资助。

从学术背景来看，本文属于电力市场与人工智能交叉领域中的电价预测研究。随着电力市场化改革的不断推进，电价预测对于反映市场期望、把握市场运行状态以及推动资源优化配置具有重要意义。传统电价预测大多采用基于时间序列的时域预测方法，例如K近邻回归、支持向量机回归、梯度提升决策树回归、极限学习机、随机森林回归以及循环神经网络类方法等。这些方法虽然在短期电价预测中取得了一定效果，但普遍忽视了电力市场的地理空间结构信息，难以描述跨区域输电条件下域外市场因素对本地电价的影响。针对这一问题，作者提出了一种融合空间结构数据和时域数据的时空预测算法，即基于图卷积神经网络（Graph Convolution Network，GCN）与长短时记忆网络（Long Short Term Memory，LSTM）的GCN-LSTM算法，旨在通过引入电力市场地域信息进一步提升日前市场边际电价的预测精度。

在研究方法上，本文首先将统一电力市场抽象为图模型。图中每个节点代表一个电价分区，连接各价区的输电线路被抽象为图中的边。每个节点的特征向量包含该价区的电力生产量、电力消费量、日前边际电价等信息。通过图结构，可以描述各价区之间由电力传输带来的市场和价格传导效应。随后，算法利用图卷积神经网络提取某一价区及其相邻区域传导到该价区的空间信息。GCN通过局部一阶近似处理图结构数据，单层GCN只能聚合中心节点一阶邻居的信息，而通过堆叠多层GCN可以扩大感受野，从而提取更广泛区域的信息。在时间维度上，算法将不同时刻图卷积神经网络提取到的信息构成时间序列，输入长短时记忆网络中。LSTM通过遗忘门、输入门和输出门机制有效处理序列的长期依赖问题。在整体算法结构中，模型分为五层：输入层、数据融合层、空间结构卷积层、时间序列预测层和训练层。输入层接收多个电价分区的多维数据；数据融合层通过多层感知机对原始特征进行降维和融合；空间结构卷积层采用两层GCN进行空间特征提取；时间序列预测层采用单层LSTM和全连接层进行时序建模并输出预测值；训练层则通过聚合层选取目标价区预测结果，并利用均方误差作为损失函数进行优化。

在实验验证方面，作者选取北欧电力交易所Nord Pool在2018年5月1日至8月31日共2952小时的数据作为数据集。数据涵盖15个价区的风电发电量、总发电量、耗电量、电价数据以及按星期统计的水电发电量，并引入欧盟发布的月度能源价格（煤、石油、天然气）和节假日、月份数据，共计10维特征。数据经过标准化处理以提升算法性能。算法性能采用均方根误差（RMSE）、平均绝对误差（MAE）和R方（R²）三个指标进行评价。为了验证GCN层数的影响，研究分别设置了不含GCN的LSTM以及含有1至3层GCN的GCN-LSTM模型进行对比。结果显示，加入GCN后模型性能显著提升，含有两层GCN的GCN-LSTM模型综合性能最优，其RMSE和MAE较LSTM分别下降约11.5%和12.5%，R²提升约17.3%。增加GCN层数可以扩大感受野，但层数过深又会导致节点状态过度平滑，降低性能。因此最终选用含两层GCN的GCN-LSTM算法进行后续对比实验。

进一步将GCN-LSTM与K近邻回归、极端梯度提升回归、多层感知机回归和随机森林回归等对照算法在6个代表性价区进行对比。实验结果表明，GCN-LSTM在所有价区均表现出更高的预测精度和更好的普适性。以对照算法指标均值为基准，GCN-LSTM的RMSE和MAE分别降低约19.97%和17.52%，R²提升约32.07%。其中丹麦的1号价区因风电占比较高，预测误差相对较大，作者指出未来在高比例可再生能源区域电价预测方面仍需进一步改进算法。

本文的结论指出，GCN-LSTM算法突破了以往仅利用时间序列数据的不足，通过构建图模型并利用图卷积神经网络有效融入了电力市场的地域空间信息，显著提升了日前市场边际电价的预测性能。此外，该算法在不同价区中均表现出良好的适应性和鲁棒性。从应用价值来看，该研究不仅验证了时空预测算法在成熟电力市场中的有效性，也为我国电力现货市场建设提供了参考。我国电力现货市场目前尚处于试点阶段，部分地区可采用节点边际电价、分区边际电价或系统边际电价机制。对于节点边际电价，可直接基于电网拓扑构建图模型；对于分区边际电价，则可借鉴北欧市场的做法，将价区抽象为节点并建立拓扑连接关系，从而应用GCN-LSTM算法进行预测。借助该算法，可以更加全面地考虑区域间市场耦合和电力传输带来的价格影响，准确反映市场状态，有助于推动我国区域电力市场的资源优化配置和新能源跨区消纳。

本文的亮点在于将图卷积神经网络与长短时记忆网络相结合，构建了一种同时利用空间结构信息和时域信息的电价预测框架。与以往仅关注电价时间序列特征的方法相比，该研究在建模层面引入了电力市场地理拓扑和跨区交易的影响，具有更强的解释性和更高的预测精度。此外，通过不同层数GCN的实验对比，明确了空间感受野对预测性能的影响规律，为后续相关研究提供了参考。总体而言，本文在电价预测的方法创新和实际应用方面均具有较高的学术价值和工程参考意义。