修正后的支持向量回归方法，用于连续电力市场中价格的日内点预测

《INTERNATIONAL JOURNAL OF FORECASTING》：Corrected Support Vector Regression for intraday point forecasting of prices in the continuous power market

针对连续电力市场分钟级价格预测难题，本文提出带核修正的支持向量回归模型（cSVR），利用naive预测优化核参数，并通过德国市场数据验证。结果显示，cSVR在早高峰和晚高峰时段较基准模型MAE降低约12.3%，计算效率提升40%，且适用于不同交割时段和预测时效。

　　
本研究针对连续电力市场极短期（分钟级）点价预测问题，提出了一种基于支持向量回归（SVR）的修正方法（cSVR）。该方法通过引入基于替代预测的核函数修正机制，结合数据分布驱动的核参数优化策略，在德国连续电力市场实测数据中展现出优于传统机器学习模型的预测性能。研究特别关注了市场交易时段的动态特征，在早高峰和晚高峰时段取得了显著的预测精度提升。

一、研究背景与现状分析
连续电力市场具有显著的非线性特征和时空双重维度。传统预测方法面临两大挑战：其一，高频率交易数据导致模型训练成本激增，例如深度神经网络需要数小时甚至更长的训练时间；其二，价格波动受供需实时匹配影响，存在强烈的时序依赖和空间关联性。现有研究主要聚焦于以下方向：
1. 混合模型架构：如将ARFIMA与SVR结合（Chaabane,2014），或采用经验模态分解与SVR融合（Qiu et al.,2017）
2. 特征选择优化：OMG等正交匹配算法在处理高维特征时表现优于LASSO（Nickelsen & Müller,2025）
3. 概率路径预测：Gaussian copula方法在连续市场表现出色（Serafin et al.,2022）
4. 神经网络应用：LSTM在短期预测中优于XG-Boost（Scholz et al.,2021）

但现有方法存在明显局限：深度学习模型计算成本过高，无法满足实时预测需求；传统统计模型难以捕捉复杂非线性关系；特征选择方法对动态市场适应性不足。特别是针对连续市场特有的交易时间窗口（从前日18点至交割前5分钟）和四分之一小时交割产品，现有研究存在明显空白。

二、方法论创新
本研究提出cSVR框架，包含三个核心创新：
1. 动态核函数修正：基于替代预测（naive forecast）构建价格预测的辅助信息，通过核函数权重调整机制将未来价格分布特征融入当前预测。具体而言，将替代预测值作为核函数的偏置项，有效捕捉市场价格的局部弹性特性。
2. 数据分布驱动的核参数优化：摒弃传统交叉验证法，建立基于数据分布的核参数自适应机制。通过分析历史价格数据的统计特征（如峰度、偏度、分位数距等），自动确定最优核函数参数组合，使模型适应市场波动特性。
3. 多时间维度协同建模：构建包含交易时间（s）、预测时间（t）和交割时间（T）的三维时空坐标系。针对不同预测时长（15分钟至5分钟）和提前量（24小时至5分钟）设置差异化模型参数，特别强化早高峰（9:00-11:00）和晚高峰（17:00-19:00）时段的预测权重。

三、实证分析框架
研究采用德国EEX连续电力市场2018-2022年的分钟级交易数据，构建包含5类核心预测变量的特征集：
1. 基础变量：前一小时价格序列（包含5分钟间隔的VWAP值）
2. 市场联动：相邻时段（±15分钟）的物理流数据（DE-FR跨境）
3. 竞拍信息：EXAA市场当日的日-ahead和即时竞价价格
4. 时空特征：交割时段的三维坐标（s,t,T）编码
5. 历史波动率：基于GARCH模型计算的滚动标准差

数据预处理采用三阶段策略：
- 时频对齐：将分钟级报价按四分之一小时窗口聚合为VWAP值
- 异常值修正：基于中位数绝对离差（MAD）识别并替换离群点
- 时空特征工程：构建包含交易时间偏移、交割时段距离等衍生变量

四、模型性能对比
在MAE、RMSE和R2三个核心指标上，cSVR模型在不同预测时长下的表现均优于基准模型：
1. 短期预测（≤15分钟）：MAE较经典SVR降低12.7%，较LASSO提升9.2%
2. 中期预测（15-60分钟）：RMSE误差范围缩小至基准模型的68%-82%
3. 特殊时段表现：早高峰MAE达0.42（基准模型平均0.56），晚高峰R2提升至0.89（基准0.73）

对比实验显示，cSVR在预测稳定性（标准差降低23.5%）和适应性（跨年度测试误差波动率降低18.9%）方面具有显著优势。特别值得注意的是，当提前量缩短至5分钟时，cSVR仍能保持比naive预测（简单延续）高31.7%的预测精度。

五、市场机制深度解析
研究揭示了连续电力市场的三个关键特性：
1. 时空耦合效应：价格波动呈现显著的日周期特征，早高峰时段价格受可再生能源出力波动影响最大（±12%），而晚高峰时段受工业用电需求变化主导（相关系数达0.78）
2. 跨境交易影响：DE-FR跨境物理流数据对价格预测贡献度达17.3%，特别是在午间电价波动期间（11:00-13:00）
3. 预测时效衰减规律：预测误差以指数形式衰减，前5分钟误差衰减率最大（每分钟下降1.8%），但随时间推移误差累积速度呈非线性变化

六、应用价值与局限性
本方法在德国市场测试中成功应用于：
- 电力调度：优化风光储协同调度方案（降低弃风率达4.2%）
- 交易策略：为高频交易者提供±3分钟的买卖时机建议
- 市场监测：实时预警价格异常波动（检测灵敏度达92.3%）

局限性包括：
1. 非线性特征提取依赖领域知识，难以直接移植到其他市场
2. 特征选择方法对高维数据（超过500个变量时）存在性能衰减
3. 实时预测需优化计算框架，当前单次预测耗时约3.2秒

七、研究展望
未来工作将聚焦于：
1. 模型轻量化：开发基于边缘计算的嵌入式推理架构
2. 多市场泛化：构建跨欧洲电力市场的特征迁移学习框架
3. 因果推断：结合结构因果模型（SCM）解析价格驱动因素

该研究为极短期电力价格预测提供了新的方法论框架，其核心创新在于将时间序列预测与核密度估计相结合，既保留了SVR的高维数据处理优势，又通过动态核修正克服了传统核方法对局部特征捕捉不足的缺陷。实验证明，该方法在德国连续电力市场的应用中，能够为交易策略优化提供分钟级精准预测，具有显著的商业应用价值。