基于Transformer的电力现货市场多步时序价格预测方法.pdfVIP

·26·ComputerEraNo.72025

DOI:10.16644/j.cnki.cn33-1094/tp.2025.07.006

基于Transformer的电力现货市场多步时序价格预测方法*

1112

张颖，韩硕辰，周辛南，李辰曦

（1.国网冀北电力有限公司计量中心，北京100032；2.北京华电能源互联网研究院有限公司）

摘要：精确预测电力现货市场价格对于指导发电和用电资源有效应对市场波动具有重要意义。随着人工智能和机器

学习的迅速发展，当前电力价格预测研究已经能够达到高效且精确的水平。LongShort-TermMemory（LSTM）及其衍生

模型作为该领域的代表性方法，已经取得了一定的成果，但其预测准确度仍有提升空间。因此，本文提出了一种基于

Transformer架构的新型出清价格预测模型，该模型首先利用皮尔逊相关系数筛选出影响因素，然后利用Transformer进行

高效的输入编码，并通过模型改进更好地捕捉长序列特征。通过对蒙西电力现货市场的历史数据进行分析，将多步时序

实时市场出清价格的预测值与现有的LSTM和BiLSTM模型的预测结果进行比较，结果表明该方法在预测精准度和普

适性方面具有优势。

关键词：皮尔逊相关系数；Transformer；电力现货市场；多步时序；实时市场；出清价格预测

中图分类号：TM73；F426文献标识码：A文章编号：1006-8228(2025)07-26-06

Transformer-BasedMulti-stepTimeSeriesPricePredictionMethod

intheElectricitySpotMarket

1112

ZhangYing,HanShuochen,ZhouXinnan,LiChenxi

（1.StateGridJibeiElectricPowerCo.,Ltd.MetorlogyCenter,Beijing100032,China;2.BeijingHuadianEnergyInternetResearchInstituteCo.,Ltd.）

Abstract:Accurateforecastingofelectricityspotmarketpricesisofgreatsignificanceforguidingtheeffectiveresponseofpower

generationandconsumptionresourcestomarketfluctuations.Withtherapiddevelopmentofartificialintelligenceandmachine

learningtechnologies,currentresearchcanconductefficientandaccurateelectricitypricepredictions.LongShort-TermMemory

(LSTM)anditsderivedmodelshaveachievedcertainresultsasrepresentativemethodsinthisf