新西兰实时能源定价：发展流分析
内容提要
该研究利用统计学和机器学习方法构建了电力需求和价格的长、中、短期预测模型。结果表明，LSTM和正规流模型在电力价格预测中表现优异，尤其在市场波动和能源危机应对方面，显著提高了预测准确性。
延伸解读
预测模型的多时间尺度融合
文章构建了长、中、短期电力需求预测模型，分别采用宏观经济回归、温度和日历回归器以及多个ARMA模型。这种分层方法能捕捉不同时间尺度的规律，两年外部采样预测精度达96.83%，表明多模型融合在电力需求预测中具有实用价值。
极端市场条件下的概率预测
针对南澳大利亚等高价波动市场，研究采用分位数回归集成和峰值过滤等后处理步骤，生成的概率预测优于所有组成模型。通过不同训练期长度平均，模型适应性更强，预测准确性超过澳大利亚NEM运营商的点预测，凸显了概率方法在极端条件下的优势。
市场差异与模型选择
研究发现短期电力市场和平衡市场是基本不同的构造，基于LASSO的LEARN模型在平衡市场上表现优于复杂神经网络。这提示在实际应用中，需根据市场类型选择合适模型，而非盲目追求复杂方法，简单模型在特定场景下可能更有效。
能源危机中的模型鲁棒性
正规流模型在俄罗斯入侵乌克兰导致的能源危机中，仍能生成高质量的次日价格场景，适应市场变化。这表明深度生成模型在应对极端波动和不确定性方面具有潜力，可为市场设计和可再生能源调度提供支持。
Q&A
新西兰的电力需求预测模型有哪些特点？
该模型包括长、中、短期预测，外部采样预测精度可达96.83%。
LSTM模型在电力价格预测中有什么优势？
LSTM模型能够适应价格趋势，并实现概率性预测，特别在市场波动中表现优异。
正规流模型如何提高电力价格预测的准确性？
正规流模型生成高质量场景，复现真实价格分布，并适应市场变化，提供准确预测。
短期电力市场与平衡市场有什么不同？
短期电力市场和平衡市场的构造不同，短期市场更依赖于实时数据和波动性。
如何通过自适应标准化提高预测模型性能？
自适应标准化可以缓解数据集变化的影响，揭示目标变量与解释变量之间的真实关系。
该研究对电力市场的实际应用有哪些建议？
研究建议使用基于LASSO的LEARN模型和分位数回归来提高电力价格预测的准确性。
