Electricity price forecasting across Norway's five bidding zones in the post-crisis era
作者: My Thi Diem Phan, Trung Tuyen Truong, Hoai Phuong Ha, Dat Thanh Nguyen
分类: cs.LG, econ.GN, stat.AP
发布日期: 2026-04-29
💡 一句话要点
针对挪威电力市场结构性变化，提出LightGBM电力价格预测基准模型
🎯 匹配领域: 支柱二：RL算法与架构 (RL & Architecture) 支柱九：具身大模型 (Embodied Foundation Models)
关键词: 电力价格预测 LightGBM ARX模型 特征消融 条件状态分析 挪威电力市场 能源危机 多模态数据
📋 核心要点
- 能源危机和市场融合改变了挪威电力价格形成机制，传统预测模型失效，亟需更新的预测模型。
- 构建多模态数据集，评估LightGBM、ARX等模型在挪威五个竞价区的电力价格预测性能。
- LightGBM在所有区域表现最佳，特征消融显示滞后价格和日历变量已足够，但外部特征在特定市场状态下至关重要。
📝 摘要（中文）
挪威电力市场主要由水电主导，但2021-2022年的能源危机以及与欧洲大陆更强的融合从根本上改变了价格形成机制，降低了基于历史数据校准的预测模型的可靠性。尽管迫切需要更新的模型，但仍然缺乏一个统一的基准来评估所有结构上不同的挪威竞价区域的特征贡献。本文对挪威Nord Pool所有五个竞价区域的电力价格预测进行了全面评估。构建了一个跨越2019-2025年的多模态小时数据集，并使用严格的因果测试集评估了包括LightGBM、ARX和高级深度学习架构在内的八个预测模型系列。实施了稳健的滚动原点回溯测试、留一组特征消融和条件状态分析，以剖析模型性能和特征效用。结果表明，LightGBM在每个区域都实现了最佳性能，MAE范围为1.64至5.74欧元/兆瓦时，而岭回归ARX模型在北部区域仍然是一个极具竞争力的线性基准。特征消融表明，仅依赖滞后价格和日历变量的模型就能实现高精度，并且通常匹配或超过完全多模态集成。然而，条件状态分析表明，诸如水库水位和天然气价格之类的外部特征对于分层预测误差仍然至关重要，预测误差在压力市场状态下持续增加。这突出了模型可解释性和状态意识对于面临市场动态结构性变化的决策者的实际价值。
🔬 方法详解
问题定义：论文旨在解决挪威电力市场在经历能源危机和与欧洲大陆融合后，电力价格预测模型失效的问题。传统的基于历史数据的模型无法准确预测当前市场的价格，因为市场结构已经发生了根本性的变化。现有方法缺乏对不同竞价区域特征贡献的统一评估，无法为决策者提供可靠的参考。
核心思路：论文的核心思路是构建一个包含多种影响因素的多模态数据集，并评估不同类型的预测模型在不同竞价区域的表现。通过特征消融和条件状态分析，揭示不同特征在不同市场状态下的重要性，从而提高模型的可解释性和预测精度。
技术框架：整体框架包括数据收集与预处理、模型训练与评估、特征消融分析和条件状态分析四个主要阶段。首先，收集2019-2025年的电力价格、水库水位、天然气价格等数据，并进行预处理。然后，训练和评估包括LightGBM、ARX和深度学习模型在内的八个模型系列。接着，通过特征消融分析评估不同特征的重要性。最后，通过条件状态分析研究不同市场状态下模型性能的变化。
关键创新：论文的关键创新在于对挪威五个竞价区域的电力价格预测进行了全面的基准测试，并揭示了不同特征在不同市场状态下的重要性。通过特征消融和条件状态分析，提高了模型的可解释性，并为决策者提供了更可靠的预测结果。
关键设计：论文采用了滚动原点回溯测试，以确保模型评估的可靠性。特征消融采用留一组特征法，以评估不同特征组的重要性。条件状态分析则根据市场状态（例如，高/低水库水位、高/低天然气价格）对预测误差进行分层分析。
🖼️ 关键图片
📊 实验亮点
实验结果表明，LightGBM模型在所有五个竞价区域均取得了最佳性能，MAE范围为1.64至5.74欧元/兆瓦时。特征消融分析显示，仅使用滞后价格和日历变量的模型就能达到很高的精度，但在特定市场状态下，外部特征（如水库水位和天然气价格）仍然至关重要。岭回归ARX模型在北部区域表现出极强的竞争力。
🎯 应用场景
该研究成果可应用于电力市场参与者的交易决策、电网运营商的调度计划以及政府部门的政策制定。通过更准确的电力价格预测，可以降低交易风险，优化电网运行，并为能源政策提供科学依据。该研究还有助于提高电力市场的效率和稳定性，促进可再生能源的整合。
📄 摘要（原文）
Norway's electricity market is heavily dominated by hydropower, but the 2021--2022 energy crisis and stronger integration with Continental Europe have fundamentally altered price formation, reducing the reliability of forecasting models calibrated on historical data. Despite the critical need for updated models, a unified benchmark evaluating feature contributions across all structurally diverse Norwegian bidding zones remains lacking. Here we present a comprehensive evaluation of electricity price forecasting across all five Norwegian Nord Pool bidding zones. We constructed a multimodal hourly dataset spanning 2019--2025 and evaluated eight forecasting model families including LightGBM, ARX, and advanced deep learning architectures using a strictly causal test set. We implemented robust rolling-origin backtesting, leave-one-group-out feature ablation, and conditional regime analysis to dissect model performance and feature utility. Our results show that LightGBM achieves the best performance in every zone with MAE ranging from 1.64 to 5.74~EUR/MWh, while the ridge ARX model remains a highly competitive linear benchmark in northern zones. Feature ablation reveals that models relying solely on lagged prices and calendar variables achieve high accuracy and often match or exceed full multimodal integration. However, conditional regime analysis demonstrates that external features like reservoir levels and gas prices remain crucial to stratify forecast errors, which consistently increase under stressed market regimes. This highlights the practical value of model interpretability and regime awareness for decision makers facing structural changes in market dynamics.