电价预测，10种深度学习模型+SHAP分析，TimeMixer效果碾压！引言电力市场价格受发电结构、负荷波动、天气条件

引言

电力市场价格受发电结构、负荷波动、天气条件等多重因素影响，呈现出强烈的非线性和周期性特征。准确预测电力价格对电力交易、调度优化和风险管理都具有重要意义。

本期以西班牙电力市场的真实数据为研究对象，横向对比了 10 种机器学习与深度学习模型的预测效果，并加入了SHAP可解释性分析。10种模型包括：

TimeMixer，PatchTST，iTransformer，ModernTCN，LSTM，GRU，CNN-LSTM，BiLSTM，Transformer，LightGBM

一、数据概况

项目使用公开数据集：

该数据集包含西班牙 4 年的电力消耗、发电、价格和天气数据。用电和发电数据从 ENTSOE 获取，ENTSOE 是输电服务运营商（TSO）数据的公共门户。结算价格由西班牙 TSO 红色电气公司获得。

energy_dataset.csv：包含 2015—2018 年西班牙电力市场的小时级数据（约 35000 条），涵盖各类发电量（核电、燃气、水电、风电等）、负荷、日前价格预测及实际成交价格。
weather_features.csv：对应时段的气象数据，包括温度、气压、湿度、风速、降雨、云量等。

两份数据通过时间字段合并，最终得到一张融合了电力系统运行信息与气象环境信息的宽表。

二、数据分析

在建模之前，小淘对数据进行了全面的探索性分析，输出了 20+ 张分析图，主要包括：

数据质量检查：绘制缺失值热力图，识别缺失模式，采用线性插值+前后填充的方式处理缺失值。

价格分布与趋势：电力价格整体呈右偏分布，均值在 50 欧元/MWh 附近，存在少量极端高价和负价。从时间序列总览图可以观察到明显的年度趋势变化。

周期性规律：

日内规律：价格在早高峰（8-10 时）和晚高峰（18-21 时）明显走高，凌晨 3-5 时最低。
周规律：工作日价格显著高于周末，周一和周四通常是一周中价格最高的时段。
季节规律：冬季（供暖需求）和夏季（制冷需求）价格偏高，春秋季相对平稳。

发电结构分析：核电提供稳定的基荷，燃气和燃煤发电随负荷波动调节，可再生能源（风电、光伏）的出力增加通常会压低电价。

相关性分析：与电价相关性最强的变量包括：日前价格预测、实际负荷、燃煤发电量、燃气发电量等；气象变量中温度和风速也有一定影响。

时序分解：对价格序列进行 STL 分解，可以清晰地分离出趋势项、季节项和残差项。

三、特征工程

基于上面数据分析的发现，小淘针对此数据构造了 37 维特征，大致分为四大类：

| 类别 | 特征示例 | 数量 | | --- | --- | --- | | 发电/负荷 | 各类型发电量、实际总负荷、日前预测值 | 15 | | 气象 | 温度、气压、湿度、风速、降雨、云量、天气类型 | 11 | | 时间 | 小时、星期几、日期、是否周末、周数 | 5 | | 滞后/滚动 | 价格滞后（t-12, t-72, t-168）、滚动均值、滚动极值、负荷预测偏差 | 6 |

其中滞后特征捕捉价格的自相关性（12 小时的日内模式、168 小时即一周的周模式），滚动特征（如 6 小时滚动均价）刻画近期价格趋势。

数据划分策略：2018 年 12 月之前的数据作为训练集，2018 年 12 月（744 小时）作为测试集，模拟真实场景中对未来一个月的滚动预测。

四、模型设计

我们实现了 1 个传统机器学习模型 + 9 个深度学习模型，覆盖了时间序列预测的主流方法：

传统机器学习：LightGBM

深度学习模型：统一采用滑动窗口方式，将过去 24 小时的数据构造为输入序列，预测下一小时的电价。

LSTM：经典长短期记忆网络，2 层堆叠，通过门控机制学习长期依赖。
GRU：门控循环单元，LSTM 的轻量化变体，参数更少但效果相当。
BiLSTM：双向 LSTM，同时利用过去和未来（窗口内）的上下文信息。
CNN-LSTM：先用两层 1D 卷积提取局部模式，再用 LSTM 捕捉时序依赖。
Transformer：标准 Transformer 编码器 + 位置编码，通过自注意力机制捕捉序列中任意位置之间的关系。
PatchTST：将时间序列切分为 patch（类似 ViT 对图像的处理），减少序列长度，提升计算效率。
iTransformer：反转 Transformer 的维度——对特征维度而非时间维度做注意力，让模型学习变量间的交互关系。
ModernTCN：现代化时序卷积网络，使用大核深度可分离卷积 + ConvFFN 结构。
TimeMixer：基于时序分解的 MLP 混合器。先将序列分解为趋势项和季节项（通过移动平均），然后分别用独立的 MLP 在时间维度上进行混合，最后合并预测。结构简洁但非常有效。

训练策略

所有深度学习模型采用统一的训练框架：

优化器：Adam（lr=1e-3）
学习率调度：ReduceLROnPlateau
早停机制：验证集 loss 连续 10 轮不下降则停止
梯度裁剪：max_norm=1.0
归一化：MinMaxScaler（仅在训练集上 fit）

五、实验结果

5.1 指标对比

| 排名 | 模型 | R² | RMSE | MAE | MAPE | | --- | --- | --- | --- | --- | --- | | 1 | TimeMixer | 0.9306 | 1.91 | 1.43 | 2.17% | | 2 | iTransformer | 0.9167 | 2.10 | 1.58 | 2.38% | | 3 | GRU | 0.9142 | 2.13 | 1.64 | 2.49% | | 4 | LightGBM | 0.9023 | 2.27 | 1.75 | 2.67% | | 5 | Transformer | 0.8948 | 2.36 | 1.85 | 2.80% | | 6 | LSTM | 0.8877 | 2.43 | 1.86 | 2.82% | | 7 | BiLSTM | 0.8700 | 2.62 | 2.05 | 3.09% | | 8 | ModernTCN | 0.8395 | 2.91 | 2.22 | 3.35% | | 9 | CNN-LSTM | 0.8274 | 3.02 | 2.35 | 3.54% | | 10 | PatchTST | 0.8143 | 3.13 | 2.43 | 3.65% |