本文发表于 Elsevier 旗下的 Applied Energy 期刊第 369 卷,于 2024 年 5 月 31 日在线发布。研究团队来自广东工业大学自动化学院,主要作者包括 Anbo Meng、Jianbin Zhu、Baiping Yan 和 Hao Yin,其中 Baiping Yan 为通讯作者。该研究得到了中国国家自然科学基金(62276068)和广东省基础与应用基础研究基金(2022B1515250007)的资助。论文围绕多价格区间日前电价预测问题,提出了一种基于多视图融合的时空图神经网络模型,旨在应对高比例新能源接入背景下电力市场中电价预测所面临的复杂时空耦合挑战。
从学术背景来看,电力价格预测(Electricity Price Forecasting)对于能源规划、市场参与者决策、成本控制以及新能源发展具有重要意义。尤其是日前电价预测(Day-Ahead Electricity Price Forecasting),要求市场参与者在交易日前根据预测结果制定报价策略。然而,随着可再生能源在欧洲电力系统中的渗透率不断提升,电价序列表现出高波动性和强相关性。据 Eurostat 数据,2022 年欧盟可再生能源占电力消费比重已达 41.2%,远高于核电、天然气和煤电,这使得传统仅依赖时间序列分析的预测方法面临越来越大的困难。与此同时,电力市场的高度互联性使得不同区域之间的电价存在显著的空间依赖结构,单一区域的电价波动会通过市场耦合机制传导至整个系统。然而,现有研究大多仅关注电价的时间特性,如时间依赖、尖峰过滤或相似日筛选,较少涉及多区域电价之间的空间特征建模。此外,已有图神经网络(Graph Neural Network,GNN)在电价预测中的应用多局限于单一邻接矩阵,难以同时捕捉地理位置、电价相关性和分布相似性等多维度关联信息。针对上述不足,本研究提出了多视图融合时空图神经网络(Multi-View Fusion Spatio-Temporal Graph Neural Network,MVFSTGNN),通过构建多种图矩阵并提出多视图融合模块,以增强模型对区域间复杂交互的感知能力。
在研究方法与工作流程方面,研究主要分为四个阶段:数据预处理、图构建、网络结构设计与预测输出。在数据来源上,研究采用了欧洲电力市场 ENTSO-E 透明平台的数据,时间范围为 2022 年 1 月 1 日至 2023 年 1 月 1 日,涵盖 23 个欧洲国家和地区的逐时日前电价、新能源发电量(水电、光伏、风电等)和发电负荷。输入特征为多特征张量,时间步长为 6 天,输出为单步日前电价。数据划分为训练集、验证集和测试集,比例为 7:1:2,并采用最小-最大归一化方法进行预处理。
图构建阶段是本研究的重要创新之一。研究从四个不同视角构建了四种图矩阵。电价关系矩阵(Electricity Price Relationship Matrix)基于 Pearson 相关系数度量不同区域电价序列之间的线性相关性,并通过 Sigmoid 函数映射至权重区间。地理位置矩阵(Geographical Position Matrix)利用各区域坐标计算地理距离,并采用高斯核函数将距离转换为权重,低于阈值的权重被视为弱关系并置零,从而提高矩阵稀疏性。邻接关系矩阵(Neighbor Relationship Matrix)以 0/1 形式表示区域之间的邻接状态,具有降低存储空间和计算复杂度的优势。欧氏距离矩阵(Euclidean Distance Matrix)则通过直方图拟合电价分布形态,提取各区域分布函数的参数 α 和 β,再计算欧氏距离并经高斯核函数转换得到权重,从而捕捉电价分布相似度信息。四种图矩阵堆叠后作为多视图融合模块的输入。
在网络结构方面,MVFSTGNN 模型由多视图融合模块(Multi-View Fusion Module,MVF)、时空图卷积网络和时序嵌入模块组成。MVF 模块首先通过空间嵌入和图像嵌入将节点与图信息编码为空间图嵌入(Spatial-Graph Embedding,SGE),随后引入并行卷积块注意力模块(Parallel-CBAM,PCBAM),在通道注意力和空间注意力的基础上同时处理空间注意力和图注意力。空间注意力通过平均池化和最大池化操作对节点在不同图中的空间位置重要性进行学习,图注意力则关注节点在图内及跨图的自相关关系。两者输出通过门控融合模块进行自适应融合,生成多视图融合图(Multi-View Fusion Graph,MVFG),替代传统 GCN 中的邻接矩阵。图卷积网络采用基于切比雪夫多项式近似的方法进行谱域卷积,以避免直接计算拉普拉斯矩阵的高复杂度,并通过设定多项式阶数 K 控制邻居阶数。时序嵌入模块采用 U 型结构,由多头时序自注意力机制(Multi-Head Temporal Self-Attention,MHTA)和多尺度门控 Tanh 单元(Multi-Scale Gated Tanh Unit,MGTU)组成。MHTA 通过位置编码和二维卷积映射生成 Q、K、V,计算时间注意力权重以捕捉序列中的长期依赖关系。MGTU 通过不同尺寸卷积核的门控卷积提取多时间尺度的动态特征,并与 MHTA 形成互补。
在实验设计方面,研究设置了四种对比实验。案例 1 将所提模型与 BP、LSTM、GRU、GCN、STGCN 和 ASTGCN 等传统机器学习、深度学习和图神经网络模型进行比较。案例 2 将 MVF 模块嵌入 GCN、STGCN 和 ASTGCN,以评估该模块的通用性。案例 3 构建了不同数量和组合的多图矩阵,研究图结构对模型性能的影响。案例 4 进行了消融实验,分别移除 MVF 模块、MHTA 模块和 MGTU 模块,以验证各组件的贡献。模型采用 Adam 优化器,学习率为 0.001,损失函数为 MAE,批量大小为 256,注意力头数为 8,切比雪夫多项式项数为 3。
实验结果显示,在案例 1 中,MVFSTGNN 在多数区域均取得最低的 MAE、RMSE 和 MAPE。以所有区域平均值计,其 MAE 为 41.175 欧元/兆瓦时,RMSE 为 53.939 欧元/兆瓦时,MAPE 为 2.015%,相比其他模型分别下降 8.49% 至 19.10%、7.31% 至 15.42% 和 7.50% 至 18.82%。在 SE4 区域,GCN 的 RMSE 较 GRU 下降 14.28%,表明空间关系建模对预测精度的提升作用显著。但传统单图 GNN 仍无法充分捕捉多区域电价之间的多种关联模式。
案例 2 的结果表明,嵌入 MVF 模块后,GCN、STGCN 和 ASTGCN 的整体误差指标均至少下降 5%、6% 和 4%。尤其在 IT1 和 IT2 区域,STGCN 结合 MVF 后 MAE、RMSE 和 MAPE 分别降至约 33 欧元/兆瓦时、46 欧元/兆瓦时和 0.173%。这说明 MVF 模块能够有效整合多视角信息,增强模型对区域间复杂关系的建模能力,并具有良好的可迁移性。
案例 3 的结果显示,随着图数量的增加,模型误差指标整体呈下降趋势。使用四种图后的平均 MAE、RMSE 和 MAPE 分别为 41.175 欧元/兆瓦时、53.939 欧元/兆瓦时和 2.015%,较仅使用三种图时分别下降约 4.7%、5% 和 5.2%。在 CH 区域,使用 AP、AD 和 AH 三种图的组合效果最优,引入 AN 后指标反而上升 2.2% 至 2.8%,说明在部分区域中某些图信息可能引入噪声或冗余。此结果表明,更多图矩阵可以提供更全面的区域关联信息,但最优组合方式仍与具体区域的电价特征有关。
案例 4 的消融实验表明,移除 MVF 模块后模型的预测性能显著下降,其中使用单一矩阵的最佳结果为 AE 矩阵,其 MAE 为 42.065 欧元/兆瓦时,RMSE 为 55.563 欧元/兆瓦时,MAPE 为 2.041%。相比完整模型,MVF 模块的缺失导致 RMSE 上升约 3% 至 10%。移除 MHTA 后,RMSE 上升至 55.868 欧元/兆瓦时,移除 MGTU 后上升至 57.593 欧元/兆瓦时,表明时序模块对于捕捉时间依赖和动态变化具有不可替代的作用。此外,从图 12 的可视化结果可以看出,多视角融合后的连接关系比单一矩阵更全面,能更有效地反映区域间的耦合结构。
研究结论指出,MVF 模块能够有效解决当前图神经网络模型仅考虑地理位置关系而忽略更深层次关联的问题,同时缓解了电价预测模型输入信息单一的问题。MVFSTGNN 模型首先通过 MVF 模块智能融合多图信息,从多个角度收集区域电价之间的多层关系,然后在图模型的前后嵌入 MHTA 和 MGTU 模块,以同时处理不同时间尺度下的动态依赖关系。案例 1 和案例 2 的实验结果证明了该方法在多区域电价预测中的优越性和通用性。该研究的科学价值在于提出了一种新型多视图图构建与融合方法,为电力市场中的复杂时空建模提供了新的思路。在应用价值方面,该模型可广泛应用于具有类似多区域相关性的场景,如海上风电功率预测、交通流预测和光伏功率预测等。未来工作将关注多线程并行计算以提升训练效率,并探索 MVF 模块在其他领域的扩展应用潜力。