基于改进网格VMD Resnet-BiLSTM算法的电力数据要素交易价格预测模型

明日电价为何与你息息相关

无论你经营工厂、管理风电场，还是仅仅支付家庭电费，电价都会影响日常生活和长期规划。随着更多风能和太阳能进入现代电网，价格比以往更剧烈且更难预测地波动。本研究提出了一种更准确、更可靠的次日电价预测方法，帮助市场运营者、发电方和消费者在更清洁但更具波动性的能源体系中做出更明智的决策。

来自太阳和风的电力，以及新的价格过山车效应

作者关注澳大利亚新南威尔士州的一个真实电力系统，该地区太阳能和风能占据了较大比例的供电，且有两条大容量输电线路帮助缓和不平衡。由于电力必须在被使用的瞬间产生，突发的云层、风力骤停或需求激增都可能在数分钟内使价格飙升或崩落。传统统计工具和基础的机器学习模型难以应对这种噪声大且高度非线性的行为：它们要么错过诸如日周期和季节性循环等长期模式，要么无法跟上快速的短期跳变。论文探讨如何设计能够同时识别价格数据中的宏观趋势与微观突变的预测系统。

把混杂的信号拆成更清晰的部分

该方法的第一步是将价格信号中纠结的变化清晰分离。研究者使用一种称为变分模态分解（variational mode decomposition，VMD）的技术，将原始价格序列分解为若干更简单的成分，每一项代表不同的变化节律——从跨季节的慢摆动到由突发事件驱动的快速尖峰。随后他们用一种统计量来衡量每个成分与已知驱动因子（如需求与天气）之间的相关强度，并据此对分解参数进行调优。通过在可能的设置中搜索并选择使这种相互依赖性达到最大化的参数，他们确保每个提取出的成分都携带关于价格如何以及为何变动的真实信息，而非随机噪声。

训练深度网络聚焦关键特征

在将价格序列剥成若干更干净的层之后，作者将这些层输入到一种结合两种强大思想的深度学习结构中。残差收缩网络（residual shrinkage network）使用一系列小型卷积滤波器和可调阈值来突出有信息量的模式并将无益波动压向零，产生一个紧凑的“特征图”，在保留关键信号的同时丢弃大量杂波，这既提升了学习效果又降低了计算负担。随后，这些精炼后的特征被传入一个双向循环网络（BiLSTM），该网络在训练数据中既向前也向后读取时间序列。通过同时考虑过去与未来的上下文，这种网络能更好地捕捉价格变化如何随时间积累与消散。

在真实世界中检验模型

研究团队以五年半小时级的澳大利亚电价数据对模型进行训练与验证，使用2020–2022年数据训练，2023年用于调参，2024年用于测试。他们对缺失值和异常值进行仔细处理，并将所提方法与几种先进的对手方法进行比较，包括其他分解加深度学习的混合模型以及基于生成技术的模型。在标准误差指标上，新模型将预测误差降至竞争方法的很小一部分；例如，其年均百分比误差远低于1%，而其他方法要高出数倍。它在四季中均保持优势，在最剧烈的“极端”日子里、在加入人工噪声的情况下，甚至在未经重训练就应用于澳大利亚另一区域时也表现稳健，这表明其具有强的鲁棒性和泛化能力。

从更好的预测走向更稳定的市场

对非专业读者而言，核心信息是：更聪明的数学和机器学习方法可以将混沌的价格数据变为更清晰、更可预测的图景。通过先区分长期趋势与短期冲击，然后使用专门设计的深度学习架构集中识别最具信息量的模式，该模型提供了非常准确且稳定的次日电价预测。这种精度可以支撑更公平的竞价、更有信心的可再生能源投资，以及对大型参与者和普通消费者更好的风险管理。随着全球电网吸纳越来越多变化性的风能和太阳能，类似的方法可能成为保持电力市场高效与可靠的必要工具。

引用: 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

关键词: 电价预测, 可再生能源并网, 深度学习, 时间序列分解, 能源市场稳定性