跨市场元学习：MetaGrid如何提升电价预测精度

电价预测一直是电力市场运营的核心难题。传统方法通常针对每个市场单独建模，用该电网自身的历史数据训练模型。这种"一市场一模型"的做法看似合理，却受限于单个市场短短几年的小时级数据量，导致统计模型和树模型性能饱和，高容量序列模型又难以充分训练。更关键的是，这些方法将每个节点视为独立序列，丢弃了网络拓扑和拥塞带来的空间依赖。

近期一篇论文提出了MetaGrid，一种拓扑感知的Transformer，通过跨市场元学习，让单一参数集适应 unseen 电网。在五个美国ISO的无泄漏基准上，MetaGrid取得了最低平均MAE，比最佳基线提升3.1%，比同架构从头训练提升7.7%。

电价预测的瓶颈：数据稀缺与空间依赖缺失

日前电价预测通常按市场独立进行，每个电网拟合一个单独模型。这种模式的上限很明显：统计和树基基线已经饱和，而更高容量的序列模型需要比单个市场几年小时级电价更多的训练数据。

此外，现有方法将每个节点当作独立序列，忽略了网络拓扑和拥塞引发的空间依赖。实际上，不同ISO的电价形成由共享的物理规律和 largely 共同的市场设计驱动。这意味着跨市场历史可以作为预训练语料，而不是彼此孤立的碎片。

MetaGrid的核心洞察正在于此：与其每个市场从零开始，不如跨市场元训练一个拓扑感知的Transformer，让模型学会"如何学习"一个新电网。

日前电价预测是电力市场中的核心环节：市场参与者需在运行日前一天提交次日各小时的报价或用电计划，因此提前一天预测每个节点或区域的边际电价（LMP）至关重要。美国主要区域电网由多个ISO/RTO（独立系统运营商/区域输电组织）运营，例如PJM、MISO、CAISO、ISO-NE和NYISO，它们各自拥有独立的市场出清规则和价格形成机制。

**LMP（节点边际电价）**由三部分组成：系统能量价格、阻塞价格和损耗价格。当输电线路出现拥塞时，不同节点的电价会分化，这正是空间依赖的来源。传统方法将节点视为独立序列，等于忽略了阻塞带来的价格分化机制。

MetaGrid的设计：拓扑感知与元学习

MetaGrid是一个拓扑感知的Transformer，跨市场进行元训练。它的关键特性是：单一、与区域数量无关的参数集，能够适应 unseen 电网。

这意味着无论目标电网有多少个区域（zone），模型参数规模不变。它通过元学习框架，在多个市场的任务上训练，从而获得快速适应新市场的能力。同时，拓扑感知机制让模型能够利用网络结构信息，捕捉节点间的空间依赖。

在无泄漏基准上，五个美国ISO使用相同的输入：电价、日前负荷预测和日历特征。MetaGrid在平均MAE上表现最佳，比最佳基线提升3.1%，比同架构从头训练提升7.7%。这验证了跨市场元学习和拓扑感知的有效性。

**元学习（Meta-Learning）**的核心思想是“学会学习”：模型在大量相关任务上训练，学习到一个良好的初始化参数或适应策略，从而在面对新任务时只需少量样本即可快速收敛。常见算法包括MAML（Model-Agnostic Meta-Learning）和基于梯度的 Reptile 等。在电价预测场景中，每个ISO市场可视为一个任务，元训练让模型从多个市场的历史中提取共享的价格形成规律，再迁移到新电网。

拓扑感知则指模型显式建模电网的图结构：把区域或节点当作图的顶点，把输电线路或区域间连接当作边。Transformer 可通过注意力掩码或图注意力机制，让每个节点的表示聚合邻居信息，从而捕捉拥塞传播和空间相关性。

实验结果与意义

实验在五个美国ISO上进行，确保无泄漏：每个模型接收相同的电价、日前负荷预测和日历特征。MetaGrid取得了最低的平均MAE。

提升幅度看似不大，但考虑到电价预测的难度和基线方法的成熟度，3.1%的改进具有实际价值。更重要的是，7.7%的改进来自元训练与从头训练的对比，说明跨市场知识迁移确实有效。

这项研究的意义在于，它打破了"每个市场独立建模"的思维定式。通过将跨市场历史视为预训练语料，并引入拓扑感知，MetaGrid为电价预测提供了一种可扩展的范式。对于数据稀缺的市场，这种方法尤其有吸引力。

未来，这种跨市场元学习思路可能推广到其他能源预测任务，甚至更广泛的时空序列预测问题。

**MAE（平均绝对误差）**是预测任务中常用的评价指标，计算预测值与真实值绝对差的平均值，单位与电价一致（如美元/兆瓦时），数值越低越好。相比 MSE，MAE 对异常值更鲁棒，适合电价这种波动剧烈的序列。

无泄漏基准指在数据划分和特征工程中严格避免使用未来信息：训练集、验证集和测试集按时间顺序切分，且任何特征（如负荷预测、日历变量）在预测时刻均已知。电价预测中，泄漏常来自错误的归一化或滚动统计，无泄漏设计保证了评估的公平性和实际部署价值。