现货电价预测：从驱动因素到智能建模

电价预测是电力现货市场中市场主体制定竞价策略与管控市场风险的核心技术手段。精准的日前电价预测直接影响发电企业的报价决策与收益水平，而实时电价与日前电价之间的价差预测则关系到各主体能否在市场中捕捉套利机会。然而，电力现货价格受到供需格局、机组运行约束、新能源出力波动及网络阻塞等多重因素耦合影响，呈现出强波动性、非线性与时序相关性并存的复杂特征。本文系统梳理影响现货电价的关键驱动因素，并在此基础上探讨确定性预测与不确定性预测的技术路线，为市场主体的交易决策提供方法论参考。

01

现货电价的影响因素

供需关系：价格形成的核心锚点

火电的竞价空间，本质上是指省内火电机组的净供电规模，是影响出清电价的决定性因素。当竞价空间较大时，边际出清位置可能落至报价较高的机组或价格段，整体电价随之抬升；而当竞价空间较小时，火电机组为争取有限的中标机会，往往只能贴近甚至低于边际成本报价，电价相应走低。由此可见，竞价空间的大小直接决定了市场的出清价格水平，是电价预测中最关键的前置变量。

从图中可以观察到，两者在趋势上具有较高的一致性：6月13日至14日，日均火电竞价空间升至6500MWh以上，同期日前出清价格同步上行至315元/MWh附近；而6月16日日均竞价空间回落至5200MWh左右，出清价格亦随之降至207元/MWh。

系统运行方式：隐含的"结构性抬价机制"

值得注意的是，即便竞价空间相同，电价也可能因系统运行方式的不同而呈现差异。这主要体现在两个方面：一是系统调度需满足灵活性要求（如爬坡、备用），调度机构需安排不同的机组开机组合，开机方式的差异将直接影响边际机组的选择，进而导致电价变化；二是输电通道的阻塞约束会造成区域间的价格分化，当关键通道受限时，受端区域只能调用本地高价机组，节点电价相应抬升。

图2展示了山东省2025年6月11日至17日每日8:00时点的火电开机台数与未来2小时负荷爬坡量的对应关系。从图中可以看出，当未来2小时负荷下降幅度较大时（如6月12日下降4435MW），系统所需维持在线的火电机组数量较少（77台）；而当负荷下降幅度趋近于零时（如6月13日仅下降370MW），开机台数较多（95台）。这一现象揭示了系统运行方式对电价的隐性影响——开机台数不仅反映当前负荷水平，更隐含了调度机构对未来系统灵活性的预判，进而通过边际机组的报价传导至出清电价。

气象因素：日前—实时价差的核心来源

尽管第二天的发电计划在日前市场中已经确定，但实时电价与日前电价之间往往存在偏差，差异的根源在于边界条件发生了变化，其中最关键的是新能源出力的不确定性。风电和光伏出力高度依赖风速与辐照度等气象变量，具有显著的波动性和随机性。当气象预测存在偏差时，新能源实际出力将偏离日前预期，进而改变系统的供需关系，最终传导至实时电价。因此，提高气象预测精度，实质上是在缩小市场边界的不确定性，也是提升实时电价预测能力的关键所在。

02

电价预测方法

输入特征工程：多源时序信息融合

在特征工程层面，主要包括两类信息：一是待预测时刻的市场边界信息与运行预测信息，这些信息刻画了未来时段供需格局与系统约束；二是历史参考信息，包含邻近时刻及历史日同一时刻的出清电价等，这些信息能从时序性及周期性上提供参考。由于日前电价预测需一次性输出次日96个时段的电价，而预测过程中无法获取未来时段的实际电价，可以采用滚动预测策略完成全序列递推，即依次预测下一时刻电价并将其作为输入递推至后续时刻。

模型选择：强特征融合能力与轻量化架构

在模型架构的选择上，当前电力现货市场呈现两个关键特征，对模型设计提出了特定要求。第一个关键点是模型必须充分利用多维变量信息，捕捉变量间的相关性。第二个关键点是模型必须是轻量化的，能够在小样本条件下快速收敛。

当前市场环境下电价模式多变，早期的历史数据往往已失去直接参考价值，若将全量历史数据直接输入模型会产生严重的分布漂移。相较而言，就近一个月的数据仍能保持较为相似的分布特征，具有更高的参考价值，因此更适合作为训练样本。 然而，一个月左右的数据量相对有限，这就要求模型必须具备在小样本数据集上快速收敛的能力。在此场景下，一些轻量化的机器学习模型，如树模型、MLP等，相比主流的LSTM、Transformer等深度学习模型更具优势。具体而言，这些复杂的深度学习模型参数量大、结构复杂，在小样本下往往面临严重的过拟合风险，收敛速度也难以保证；而轻量化模型对样本量要求更低、训练速度更快，不易过拟合，因此在小样本多变量拟合任务中反而能够取得更稳健的效果。

从图3结果可以看出，XGBoost与MLP这两个机器学习模型的MAE最低；LSTM的预测误差相对较大，表明其过于依赖时序推演而难以充分利用多维变量间的耦合关系；Transformer的预测误差最大，表明其在小样本场景下的应用局限性。这一结果印证了"模型并非越复杂越好"的观点，在当前数据有限、模式多变的市场环境下，轻量化模型反而具备更强的实用价值。

概率化预测：从点估计到风险区间

在充满不可控因素的市场环境中，仅提供点估计的确定性预测难以满足市场主体对风险量化评估的需求。当新能源出力预测偏差、设备非计划停运等随机事件发生时，实际电价可能显著偏离预测值。因此，有必要将预测范式从"给出一个确定值"拓展为"给出一个概率分布"，即不确定性预测。目前，主要的技术路线有以下两种。

（1）分位数回归方法

分位数回归（Quantile Regression）通过修改模型输出层结构，使其能够同时预测多个分位数水平下的电价估计值。具体而言，模型在训练过程中采用Pinball Loss（分位数损失函数）替代传统的均方误差损失，引导网络针对不同的分位点进行非对称学习，然后将多个分位点的预测结果组合起来，即可勾勒出电价在未来时段可能的波动区间。

（2）条件概率建模方法

条件概率建模采用另一条技术路线：假设在给定输入特征条件下，电价服从某一特定的概率分布，然后利用神经网络拟合该条件分布的参数。此时模型的输出不再是电价的点估计值，而是该条件下电价分布的参数估计。基于这些参数，市场主体可以进一步推导电价在不同区间的发生概率，或直接计算置信区间，从而获取更为完整的波动范围刻画。

图4展示了基于条件概率建模方法得到的电价区间预测结果。从图中可以看出，预测区间能够有效包裹住实际电价的波动轨迹，尤其在电价剧烈波动时段，区间宽度相应扩展，反映了更高的不确定性。

算例测试

为验证前述分析框架的有效性，本节选取山东省电力现货市场2025年6月的实际运行数据进行测试。所提出预测方法在构建过程中引入了前文系统梳理的多维关键因素，并利用轻量模型在近期数据上进行训练，并与常规基准方法进行性能对比。

图6展示了所提出方法与基准方法在测试集上的概率预测曲线，从图中可以看出，所提出方法的预测区间能够更精准地包裹住真实电价曲线，并具有更窄的预测区间。

03

结语

本文系统梳理了影响现货电价的关键因素，并在此基础上对电价预测的智能建模方法展开了分析。在山东省2025年6月电力现货数据上的测试结果表明，基于多维因素与轻量时序建模的预测策略能够有效提升电价预测精度。展望未来，随着各省份现货市场运行数据的持续积累和深度学习模型的迭代优化，融合多源信息、兼顾预测精度与风险评估的智能化电价预测体系将日趋成熟，为电力市场的安全高效运行提供有力的技术支撑。