An adaptive standardisation methodology for Day-Ahead electricity price forecasting
日前电价预测的自适应标准化方法AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要直接研究电价时间序列预测，以及针对市场数据分布漂移的自适应标准化。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
日前电价预测的自适应标准化方法
- 研究问题
- 在日前电价预测中，当数据集分布随市场环境变化、模型复杂化的收益有限时，自适应标准化能否改善既有预测算法的表现？
- 方法与思路
- 作者通过自适应标准化缓解数据分布漂移，在五个电力市场上结合 LEAR 和 DNN 进行评估，其中包含两个此前文献未探索的数据集。
- 材料陈述的贡献
- 摘要称，该变换在五个市场均带来显著改善，与已有方法结合时取得所比较方案中的最佳结果，说明自适应数据变换值得进一步研究。
- 阅读关注点
- 应核对标准化参数的更新规则与预测时可得信息，检查训练测试划分、数据泄漏控制、基准调参，以及显著改善采用的指标和统计检验。
- 阅读边界
- 这是 arXiv 预印本，同行评审及期刊接收未经核实；摘要未给出市场名称、样本期间和改善幅度，比较中的最佳表现不能推为所有市场均成立。
原文摘要
The study of Day-Ahead prices in the electricity market is one of the most popular problems in time series forecasting. Previous research has focused on employing increasingly complex learning algorithms to capture the sophisticated dynamics of the market. However, there is a threshold where increased complexity fails to yield substantial improvements. In this work, we propose an alternative approach by introducing an adaptive standardisation to mitigate the effects of dataset shifts that commonly occur in the market. By doing so, learning algorithms can prioritize uncovering the true relationship between the target variable and the explanatory variables. We investigate five distinct markets, including two novel datasets, previously unexplored in the literature. These datasets provide a more realistic representation of the current market context, that conventional datasets do not show. The results demonstrate a significant improvement across all five markets using the widely accepted learning algorithms in the literature (LEAR and DNN). In particular, the combination of the proposed methodology with the methodology previously presented in the literature obtains the best results. This significant advancement unveils new lines of research in this field, highlighting the potential of adaptive transformations in enhancing the performance of forecasting models.