Модель прогноза цены на электроэнергию на основе улучшенного Grid‑VMD Resnet‑BiLSTM

Почему цена на электроэнергию на завтра важна для вас

Ведёте завод, управляете ветропарком или просто оплачиваете коммунальные счета — цена на электроэнергию влияет на повседневную жизнь и долговременное планирование. По мере того как в современные сети поступает всё больше ветровой и солнечной энергии, ценовые колебания становятся более резкими и менее предсказуемыми, чем раньше. В этом исследовании предложен новый подход к более точному и надёжному прогнозированию цен на электричество на следующий день, который помогает операторам рынка, генераторам и потребителям принимать более обоснованные решения в более чистой, но и более волатильной энергетической системе.

Солнце и ветер — и новый американский американский ценовой аттракцион

Авторы сосредотачиваются на реальной энергетической системе в Новом Южном Уэльсе, Австралия, где солнечная и ветровая генерация дают значительную долю электроэнергии, а две высокомощные линии передачи помогают сглаживать дисбалансы. Поскольку электроэнергия должна производиться в тот же момент, когда она потребляется, внезапные тучи, затихающий ветер или всплески спроса могут за считанные минуты поднять или обрушить цены. Традиционные статистические методы и простые модели машинного обучения с трудом справляются с такими шумными, сильно нелинейными явлениями: они либо упускают долгосрочные закономерности, такие как суточные и сезонные циклы, либо не успевают за быстрыми краткосрочными скачками. В статье ставится задача: как спроектировать систему прогнозирования, способную учитывать и широкие тренды, и мелкие резкие изменения в данных о ценах.

Разложение шумного сигнала на более понятные составляющие

Первый шаг предлагаемого метода — аккуратно разделить запутанные движения ценового сигнала. Исследователи используют метод вариационного разложения мод (variational mode decomposition, VMD), чтобы разбить исходную ценовую серию на несколько более простых компонент, каждая из которых отражает свой ритм изменения — от медленных сезонных колебаний до быстрых пиков, вызванных внезапными событиями. Затем они настраивают это разложение с помощью статистики, измеряющей степень связи каждой компоненты с известными факторами, такими как спрос и погода. Путём перебора настроек и выбора тех, которые максимизируют меру взаимной зависимости, они добиваются того, чтобы каждая выделенная компонента содержала реальную информацию о том, как и почему меняются цены, а не просто отражала случайный шум.

Обучение глубокой сети фокусироваться на важном

После того как ценовая серия разделена на несколько более чистых слоёв, авторы подают эти слои в структуру глубокого обучения, объединяющую две эффективные идеи. Сеть с остаточным шринкеджем (residual shrinkage network) использует серию небольших свёрточных фильтров и настраиваемых порогов, чтобы выделять информативные шаблоны и подавлять бесполезные колебания. Это даёт компактную «карту признаков», сохраняющую ключевые сигналы и отбрасывающую большую часть шума, что улучшает обучение и снижает вычислительную нагрузку. Эти уточнённые признаки затем передаются в двунаправленную рекуррентную сеть, которая читает временной ряд вперёд и назад. Учитывая как прошлый, так и будущий контекст в тренировочных данных, такая сеть лучше улавливает, как ценовые изменения накапливаются и затем разворачиваются во времени.

Проверка модели в реальных условиях

Команда обучала и валидировала модель на пяти годах австралийских данных с шагом в полчаса, используя 2020–2022 годы для обучения, 2023 год для настройки, а 2024 год для тестирования. Они внимательно обработали пропуски и выбросы и сопоставили свой подход с несколькими передовыми конкурентами, включая другие гибриды «разложение + глубокое обучение» и модель на основе генеративных методов. По стандартным метрикам ошибки новая модель снижает прогнозные погрешности до доли от величин конкурентов: например, её средняя процентная ошибка за год существенно ниже 1%, тогда как у других методов она в несколько раз выше. Модель сохраняет это преимущество во все четыре сезона, в самые турбулентные «худшие» дни, при добавленном искусственном шуме и даже при применении к другому австралийскому региону без дополнительного дообучения, что указывает на высокий уровень надёжности и обобщаемости.

От лучших прогнозов к более стабильным рынкам

Для неспециалистов ключевая мысль такова: более продвинутая математика и машинное обучение позволяют превратить хаотичные ценовые данные в более понятную и предсказуемую картину. Сначала разделив долгосрочные тренды и краткосрочные всплески, а затем применив специально подобранную архитектуру глубокого обучения, модель концентрируется на наиболее информативных закономерностях и обеспечивает очень точные и устойчивые прогнозы цен на электроэнергию на следующий день. Такой уровень точности может поддержать более справедливые заявки на торгах, повысить уверенность в инвестициях в возобновляемую энергетику и улучшить управление рисками как для крупных игроков, так и для обычных потребителей. По мере того как сети по всему миру всё больше интегрируют переменную ветровую и солнечную генерацию, подобные подходы могут стать ключевыми инструментами для поддержания эффективности и надёжности энергетических рынков.

Цитирование: Zheng, Y., Huang, K.Q., Liu, J. et al. Electric power data element trading price prediction model based on improved grid VMD Resnet-BiLSTM algorithm. Sci Rep 16, 13720 (2026). https://doi.org/10.1038/s41598-026-40245-8

Ключевые слова: прогнозирование цен на электроэнергию, интеграция возобновляемой энергии, глубокое обучение, разложение временных рядов, стабильность энергетического рынка