使用集成元模型与SHAP解释器的电价预测：一种基于PCA的方法

为什么明天的电价与你息息相关

每次你打开灯或给笔记本充电时，都会与一个庞大且快速变化的电力市场相连，该市场的价格可能按小时波动。随着越来越多的风电和光伏并网，价格变得更难预测——然而准确的预测对于保障账单公平、电网稳定以及实现气候目标至关重要。本研究提出了一种新的电价预测方法，它不仅比传统方法更准确，而且能以通俗的方式说明哪些因素真正驱动市场的涨跌。

在嘈杂的能源世界中寻找意义

研究人员聚焦于西班牙电力系统，这是一个较为典型的现代电网，在这里可再生能源、燃气电厂与跨境交易共同影响价格。他们汇集了西班牙五个最大城市四年的逐小时用电、发电出力、市场价格与气象数据。在任何预测之前，他们先清洗原始数据：填补缺失读数、剔除明显错误，并将能源与气象记录合并成一致的数据视图。他们还检验价格与需求是否随时间呈稳定模式，并寻找年度和季节性周期，这些周期会让简单的预测工具失灵。

融合不同的预测“智囊”

研究团队没有依赖单一预测模型，而是构建了一个由多种现代机器学习方法组成的小型“委员会”。基于树的方法（如XGBoost）擅长处理众多输入之间复杂的因果关系。长短期记忆网络（LSTM）和卷积神经网络（CNN）——这些最初在语言和图像中打磨出来的深度学习技术——被改造用于同时跟踪短期跳变和较慢的价格趋势。一个混合的CNN–LSTM模型在同时捕捉快速尖峰和长期周期方面表现尤为出色，而其他网络则以略有不同的方式观察数据。关键步骤是集成阶段，将所有这些模型的输出组合起来，或用聪明的加权平均，或用一个简单的线性元模型来学习应当信任每个“专家”的程度。

去除杂乱但保留信号

由于现代电力市场产生数百个相互重叠的指标，研究采用主成分分析（PCA）将信息压缩成较少数量的有意义组合。这样既加快了训练速度，又降低了模型依赖数据中随机特征的风险。与此同时，作者不愿抹去真实世界的复杂性：他们保留价格尖峰和结构性突变，并对其打标签而不是删除，从而让系统在动荡期和平稳期都能学习价格行为。通过精细调参和严格的基于时间的训练—测试划分，模拟了模型在实际控制室中进行一小时预测时的表现。

打开价格驱动因素的黑箱

为了超越单纯的准确度指标，研究者采用了一种称为SHAP的方法，将每次预测分解为来自各个输入的贡献份额。这使他们能够检验模型的“推理”是否与西班牙市场的实际运行相符。他们发现，来自电网运营商的官方日前价格预测、实际电力需求以及温度、风况和降雨等气象条件在预测中占主导地位。晚间高峰和寒冷时段的高需求会推高电价，而强风和中午的太阳能出力往往压低电价——这与市场规则和优先调度（merit-order）效应一致。SHAP也被用于模型层面，显示混合CNN–LSTM和XGBoost在集成中是最有影响力的声音。

这些结果对电费和电网意味着什么

尘埃落定时，没有单一模型绝对胜出，但组合的元模型明显优于各单独模型，在降低预测误差方面超过任何单一方法，并且在波动期也能稳定表现。关键是，可解释性层表明这种准确性并非来自神秘的相关性，而是来源于与西班牙电网真实经济与物理行为一致的模式。对于能源公司、系统运营商和监管者来说，这种更锐利的预测与透明的推理结合可以支持更好的规划、更公平的市场以及更顺利的可再生能源接入。对普通消费者而言，这是迈向一个更智能且更易理解的电力系统的步骤——让隐藏在电费背后的运作既更高效又更透明。

引用: Hayati, A., Gharehveran, S.S. & Shirini, K. Electricity price forecasting with ensemble meta-models and SHAP explainers: a PCA-driven approach. Sci Rep 16, 6466 (2026). https://doi.org/10.1038/s41598-026-35839-1

关键词: 电价预测, 能源市场, 机器学习, 可再生能源, 可解释人工智能