国外成熟电力市场价格预测模型概览

国外成熟电力市场价格预测模型概览

（来源：微信公众号：兰木达电力现货 作者：洪玥）

1、国外电力现货和期货市场发展概况

20世纪90年代，欧美发达国家对电力市场进行了市场化改革，推出电力现货市场、实行竞争发电、输配分离等举措。而随之而来的电力价格波动加剧问题又使各国又相继推出电力期货合约。目前美国、欧洲、澳大利亚等许多国家和地区已引入电力期货交易。美国是世界上最大的电力生产和消费国，其电力市场采用电网调度与电力交易中心一体化的全电量集中竞价市场模式。首个电力期货合约由NYMEX于1996年3月推出，紧随其后的是电力期权合约于同年4月上市。到了2000年，PJM电力期货合约成为当时最活跃的交易品种。

欧洲是电力期货市场是全球最早启动的市场之一。然而，由于电网调度独立于电力交易中心之外，欧洲电力市场更倾向于中长期实物合同为主，通过日前和实时平衡交易的分散式市场模式对偏差电量进行调节。因此，相对于期货市场而言，欧洲的现货和场外市场更为活跃。挪威在1993年建立了电力远期合约市场，第一个期货合约于1995年引入其北欧期货交易所（Nord Pool），随后陆续推出了期权和差价合约。截至目前，欧洲电力期货市场的合约主要涵盖了北欧、荷兰、比利时、德国和英国等地区，合约类型主要包括基荷（Power Base）和峰荷（Power Peak），以及差价合约。

而澳大利亚悉尼期货交易所（SFE）和新西兰输电公司的D-cypha公司于2002年9月开始联合推出电力期货。同年10月，澳大利亚证券交易所（ASX）也推出了电力期货。2006年，ASX收购了SFE，但电力期货合约仍在各自的交易所进行交易。目前上市的合约包括月度基荷合约、季度基荷合约、季度峰荷合约和下限期货，以澳元300澳元/MWh为下限，采用现金结算方式。此外，新加坡交易所在2014年上市了电力季度基荷合约，成为亚洲第一个推出电力期货的交易所，之后又推出了月度基荷合约，同样采用现金结算。

2、国外电力市场价格预测模型分类概览

电力作为第三大能源交易品种，本身是一种非常特殊的商品：它在经济上无法储存，电力系统的稳定性需要在生产和消费之间保持持续的平衡。同时，电力需求取决于天气（温度、风速、降水等）以及商业和日常活动的强度（高峰 vs. 低峰时段，工作日 vs. 周末，假期等）。这些独特的特征导致了电力价格波动具有在任何其他市场中都没有观察到的价格动态，比如日常、每周和甚至是年度的季节性，以及突然、短暂且通常是无法预料的价格飙升；例如极端的价格波动，其波动幅度可能比任何其他商品或金融资产高两个数量级，迫使市场参与者不仅要对数量风险进行对冲，还要对价格风险进行对冲。

因此，时间跨度几小时至几个月的远期价格预测对电力投资组合经理变得尤为重要。一家能够以合理的准确度预测价格波动的电力市场公司可以调整其竞标策略，并在次日交易中调整自己的生产或消耗计划，以减少风险或实现最大化利润。

由此可见价格预测在电力交易中的重要地位，基于此，本文梳理了海外发展成熟的电力市场在过去15年中，应用于电力价格预测的方法和思路。主要有如下六大类：

1、多代理模型（Multi-agent models）

多代理模型通过模拟多主体相互作用的系统运行，构建市场中的需求和供给的匹配，形成价格。这类模型包括基于成本的模型（PCM）、均衡或博弈论方法如纳什-康诺框架、供给函数均衡 - SFE、战略生产成本模型 - SPCM和基于代理（agent-based models）的模型等等。多代理模型通常更注重定性问题，而非定量结果。它们能提供关于价格是否会高于边际成本相关影响的分析结论。然而，如果需要得出更多的定量结论，尤其是如果要以高精度预测电力价格，则并不适用。

2、基础模型（Fundamental models）

基础（结构）模型的构建思路在于试图捕捉电力生产和交易中存在的基本物理和经济关系。它们假定基本驱动因素（负载、天气条件、系统参数等）之间存在关联，并通过统计学、简化形式或计算智能技术独立地对基本输入进行建模和预测。一般而言，基础模型可分为两个子类：多参数模型和简约的供需结构模型。而这类模型主要面临两方面的挑战：一方面是数据可得性，另一方面在于将影响因子的随机波动性纳入模型构建。除此之外，在建立模型时，我们对市场中的物理和经济关系进行了具体的假设，因此模型生成的价格预测对于这些假设是否成立非常敏感。

3、简化模型(Reduced-form models)

简化形式（定量，随机）模型描述了电力价格随时间变化的统计特性，最终目标是衍生品估值和风险管理。这类模型的主要意图不是提供准确的每小时价格预测，而是提取每日电力价格的主要特征，如未来时间点的边际分布、价格动态和商品价格之间的相关性。如果所选的价格样本不适用于提取电力价格的主要特性，模型的结果可能不可靠。然而，如果模型过于复杂，在实际中由于算力限制也难以实时应用。根据所考虑的市场类型，简化形式模型可分为：

（1）现货价格模型：提供对现货价格动态的简明表示。这类模型的主要缺点是衍生品定价问题，即确定联系现货价格和中长期价格之间的风险溢价。最流行的两个子类包括跳跃扩散和马尔可夫区制转换。

（2）**远期价格模型：** 允许以直接的方式定价衍生品（但仅限于电力远期价格）。然而，它们也有局限性，最重要的是缺乏可用于校准的数据以及无法从对远期曲线的分析中推导现货价格的属性。

4、统计模型（Statistical models）

统计学、计量经济学等方法通过使用历史价格和一些外生变量的组合（通常是消费和生产数据或天气变量）来预测当前价格。最重要的两个类别是加法模型和乘法模型。前者更受欢迎，但这两者密切相关 ，对于价格的乘法模型可以转化为对数价格的加法模型。

统计模型具有吸引力的原因在于其可解释性，且可以将一些物理解释附加到它们的组件上，从而使工程师和系统操作员能够理解。在实际应用中，它们的表现并不比非线性计算智能方法差（见下文）。

5、智能方法（Computational intelligence models）

计算智能（基于人工智能、机器学习、非参数、非线性统计）技术将学习、进化和模糊性的元素结合起来，创造出能够适应复杂动态系统的方法。这类模型中，主流的有人工神经网络、模糊系统和支持向量机（SVM）等。它们的主要优势在于处理复杂性和非线性问题上。总体而言，与统计技术相比，计算智能方法更擅长提取电力价格特征。然而值得注意的是，适应样本中非线性、尖锐行为的能力并不一定会导致更好的点预测结果。

6、混合模型（Hybrid models）

许多建模和价格预测方法都是混合解决方案，结合了上述各组中的两种或更多技术。如以混合模型AleaModel（AleaSoft）为例，它结合了神经网络和Box Jenkins模型。

3、电力价格预测建模流程

在梳理了模型分类后，落实到具体建模的工作上，往往由数据收集、特征工程、模型选择、训练和评估等步骤组成。以下详细梳理了对电力价格进行建模分析的常规工作流：

step1 数据收集：收集与电力市场相关的数据，包括历史电力价格、天气数据（如温度、风速）、可再生能源产量、发电源类型、政府政策变化等。数据可以来自能源交易所、政府机构、气象站点等。

step2 数据清理：对收集的数据进行清理，处理缺失值、异常值等。确保数据的质量和完整性。

step3 特征工程：提取和构建特征，这些特征应该与电力价格的波动相关。可能的特征包括季节性、时间趋势、天气指标、可再生能源的比例等。

step4 数据分割：将数据集分为训练集和测试集。通常，训练集用于建立模型，而测试集用于评估模型的性能。

step5 模型选择：选择适当的预测模型。常用的模型包括线性回归、决策树、随机森林、支持向量机、神经网络等。根据具体问题的复杂性和数据的性质选择模型。

step6 模型训练：使用训练集来训练选定的模型。模型会学习数据中的模式和趋势。

step7 模型评估：使用测试集来评估模型的性能。常见的评估指标包括均方误差（Mean Squared Error，MSE）、平均绝对误差（Mean Absolute Error，MAE）、决定系数（R-squared）等。

step8 模型调优：根据评估结果对模型进行调优，可能需要调整模型参数、增加更多特征，或尝试其他模型。

step9 预测：使用最终训练好的模型进行实际电力价格的预测。

step10 监控和更新：*定期监控模型的性能，并在需要时更新模型。电力市场受多种因素影响，模型需要适应变化。

回到电力价格预测的工程实践本身，这是一个复杂的任务，成功的预测模型需要不断迭代和改进。同时，了解电力市场领域知识对建模过程也是非常有帮助的。值得注意的是，相关专业领域的专家能够提供有关市场影响因素的深刻见解，结合专业经验的优化也许可以极大改进模型的性能。最后，随着电力交易市场建设的不断完善和数据体系的积淀，相信价格预测和风险管控将成为电力交易岗位的核心竞争能力，也期待越来越多的科学技术应用于该领域，加强价格信号的正向应用，促进资源的最优配置。