本文提出了一种名为STPLF（Short-Term Forecasting of Locational Marginal Price Components）的短期节点边际电价（LMP）分量预测方法，通过融合机器学习与深度学习方法，对电力市场中的非一致性净负荷和小时级电价进行预测。该研究由Matin Farhoumandi、Sheida Bahramirad、Ahmed Alabdulwahab、Mohammad Shahidehpour等人完成，作者分别来自伊利诺伊理工学院Robert W. Galvin电力创新中心、沙特阿卜杜勒阿齐兹大学以及Open Access Technology International, Inc.。论文发表于iEnergy期刊，2025年9月第4卷第193至204页。

从学术背景来看，电力作为一种可交易商品，其价格波动受天气、燃气价格、历史负荷、输电阻塞、市场参与者行为等多种因素影响。与普通商品不同，电能具有即时消亡性和输电阻塞带来的位置差异性，使得LMP预测面临较大误差。近年来，随着表后分布式能源资源（DERs）、电动汽车和智能电器的广泛接入，现代电力系统呈现出更强的分布式、动态性和不确定性。非一致性净负荷（non-conforming net load）的变化对LMP波动有重要影响，而电网运营商对这类零售级资源的可见性有限。在此背景下，精确的短期LMP预测对于市场参与者制定调度与投标策略、管理风险具有关键意义。该研究旨在通过融合模型（fusion model）提高LMP各分量（MEC、MCC、MLC）的预测精度，并在后处理阶段计算LMP尖峰出现的概率。

研究流程主要包括四个阶段。第一阶段为数据预处理与最大相关最小冗余（mRMR）分析。数据包括小时级天气数据、时序与空间数据、非一致性净负荷数据、LMP分量数据、历史总负荷数据和历史燃气价格数据。预处理过程中，异常值用前后小时平均值替代，缺失值用该特征的平均值填充，若特征缺失值过多则直接剔除。mRMR算法用于筛选与目标变量高度相关且彼此冗余度低的特征子集，从而提高模型精度并减少过拟合。第二阶段为非一致性净负荷预测，使用集成装袋法（ENB）和长短期记忆网络（LSTM）分别建模。ENB通过自助采样生成多个训练子集，训练多个模型并平均预测结果，以降低方差和过拟合风险。LSTM作为一种递归神经网络，能够有效捕捉时间序列中的长期依赖关系，适合处理波动性较强的负荷与价格数据。第三阶段为LMP分量预测，对MEC、MCC和MLC分别使用ENB、LSTM和融合模型进行预测。融合模型的核心在于权重优化：利用前一天的ENB与LSTM预测结果和实际值，计算多种误差指标（RMSE、MAE、MAPE、MSPE、MSE），对这些误差进行归一化、熵值计算和加权，最终得到每个模型的最优系数，并通过加权求和生成融合预测结果。如果用户选择考虑非一致性净负荷，则先预测净负荷，再将其作为特征输入LMP分量预测，否则直接进行LMP分量预测。第四阶段为后处理与概率分析，基于历史数据中不同负荷水平与LMP的关系，计算LMP尖峰出现的概率分布。

在案例研究中，研究使用了22个月的实际电力系统数据，负荷单位为kW，价格单位为$/MWh。mRMR分析结果显示，降水量、云量和阵风等特征对预测精度无贡献，可以剔除。案例分析分为三个场景。案例一为无LMP尖峰的12月某日，考虑非一致性净负荷作为特征。融合模型预测LMP的MAE为0.854 $/MWh，MAPE为4.23%。当分别预测MEC、MCC和MLC后求和得到LMP时，MAE降至0.565 $/MWh，MAPE降至2.85%，表明按分量预测再求和的方法优于直接预测LMP。案例二为存在LMP尖峰的9月某日，同样考虑非一致性净负荷。直接预测LMP的MAE为2.208 $/MWh，MAPE为9.4%；按分量预测求和的MAE为1.724 $/MWh，MAPE为7.7%。如果不考虑非一致性净负荷，按分量预测求和的MAE上升至1.826 $/MWh，MAPE为8.2%，说明非一致性净负荷作为输入特征能够提高预测精度。案例三针对1月某日进行LMP尖峰概率分析。将历史负荷分为三个区间：低于8000 kW、8000至10700 kW、高于10700 kW。分别计算各负荷区间的LMP高斯概率密度函数（PDF）和累积分布函数（CDF），并以50 $/MWh为尖峰阈值，得到各负荷区间的尖峰概率曲线。根据预测的小时负荷选择对应负荷区间的曲线，若预测LMP高于该区间历史平均值，则将概率曲线向右平移。结果显示，1月30日18时的LMP尖峰概率为0.215，实际数据验证该时段确实出现了LMP尖峰。

论文的结论指出，STPLF能够分别预测MEC、MCC和MLC，并通过求和获得小时级LMP预测，其精度优于直接预测LMP。融合ENB和LSTM的方法综合了两种模型的优势，提高了日前市场预测的准确性和稳定性。将非一致性净负荷作为输入特征能够进一步提高预测精度。后处理阶段的概率分析方法能够有效评估LMP尖峰出现的可能性，为市场参与者提供风险管理依据。该研究在电力市场运营、虚拟投标、套利和阻塞对冲等应用中具有重要价值。

该研究的亮点在于提出了基于误差熵权优化的融合模型，将机器学习（ENB）和深度学习（LSTM）有机结合，并在实际电力市场数据上验证了分量预测求和方法和非一致性净负荷特征的有效性。此外，引入基于负荷分段的LMP尖峰概率计算方法，为价格尖峰预测提供了概率化视角，弥补了传统确定性预测在极端事件下的不足。