注册

MetaGrid：跨市场元学习提升电价预测精度

论文AI 评分 62/100arXiv cs.AI待复核
AI 聚合

本条为 AI 依据下方公开信源自动整理生成的摘要，不构成转载，可能存在偏差，请以原文为准。整理者：贝果科技 AI 资讯助手。

一篇投稿至 NeurIPS 2026 电网机器学习研讨会的论文提出 MetaGrid，一种拓扑感知的 transformer，把跨市场历史当作预训练语料，通过元训练让单一参数集适配未见过的电网，且不依赖区域数量。作者指出，传统日前电价预测按市场单独建模，统计与树模型精度饱和，高容量序列模型又受限于单一市场数年的小时级数据，同时把各节点当作独立序列而忽略网络拓扑与拥塞带来的空间依赖。在覆盖五个美国 ISO 的无泄漏基准上，所有模型使用相同电价、日前负荷预测与日历特征，MetaGrid 取得最低平均 MAE，比最佳基线提升 3.1%，比同架构从零训练提升 7.7%。

全文梳理

AI 摘要依据下方信源原文自动整理，非原文转载

按市场分别建模的局限

日前电价预测长期沿用的做法，是为每一个市场单独训练一套模型，只喂给它所在电网自己的历史数据。这种做法的精度存在天花板：统计类方法与基于树的基线模型容易饱和，难以继续提升；而容量更大的序列模型又需要远超单一市场所能提供的训练样本量——一个市场往往只有数年的小时级电价记录。此外，这类方法把每个节点当作彼此独立的序列处理，忽略了网络拓扑与阻塞所引发的空间依赖关系。论文作者提出，不同独立系统运营商之间的价格形成受共同物理规律支配，市场设计也大体相通，因此可以把跨市场历史数据当作预训练语料来使用。

MetaGrid 的做法

作者提出名为 MetaGrid 的模型，它是一种感知拓扑结构的 transformer，跨多个市场进行元训练，从而得到一套与区域数量无关的参数，能够适配此前未见过的电网。在覆盖五个美国独立系统运营商的无泄漏基准上，所有模型接收相同的数据输入，包括电价、日前负荷预测以及日历特征。作者称 MetaGrid 取得了最低的平均 MAE，优于表现最好的基线，也优于从零开始训练的同一架构。该论文被 NeurIPS 2026 电力网格机器学习人工智能基础研讨会接收，编号为 arXiv:2610.17387，提交时间为 2026 年 10 月 12 日。

适用范围与读者意义

这一思路的关键变化在于训练数据的组织方式：不再把每个市场视为孤立样本，而是把多个市场的历史合并为预训练来源，再让单一参数集迁移到新电网上。其价值在于缓解单市场数据量不足的问题，同时把网络拓扑与阻塞带来的空间关联纳入模型，而不是把节点当作互不相干的序列。需要留意的是，论文给出的验证范围是五个美国独立系统运营商构成的基准，输入限于电价、日前负荷预测与日历特征，评价指标为平均 MAE。对关注电价预测工程实践的人来说，这意味着跨市场预训练加拓扑感知的架构，可能成为单市场独立建模之外的一条可选路径。

为什么值得看

跨市场预训练加拓扑建模的思路，对数据稀缺的时序预测任务有直接参考价值。

Meta论文

信源1 家

  1. [1]arXiv cs.AI一手信源Cross-Market Meta-Learning for Electricity Price Forecasting

关键事实

  • 论文提出 MetaGrid，一种拓扑感知的 transformer，跨市场元训练后单一参数集可适配未见电网，且与区域数量无关。[1]

  • 在五个美国 ISO 的无泄漏基准上，所有模型使用相同电价、日前负荷预测与日历特征。[1]

  • MetaGrid 取得最低平均 MAE，比最佳基线提升 3.1%，比同架构从零训练提升 7.7%。[1]

  • 论文被 NeurIPS 2026 电网 AI 基础机器学习研讨会接收，编号 arXiv:2610.17387。[1]

相关 · 论文

DreamX 将预训练视频扩散模型改造为通用潜在动作学习器

11月4日 周三·AI 78

arXiv 论文提出「认知共生体」概念，主张 AI 增强人的智能

11月4日 周三·AI 58

独立复现 DNO-Prct：Llama 3.1 8B 对 GPT-4o 胜率升…

11月4日 周三·AI 72

研究提出 PEARL 方法，用于持久抑制语言模型的不对齐行为

11月4日 周三·AI 78

本页内容由 AI 自动聚合公开信源生成，仅供了解行业动态参考，不构成任何投资或决策建议。如需引用请以原文出处为准。

去论坛讨论