2025 提高电力交易价格预测的疾风大模型方法综述

1  背景与挑战

电力现货与前期市场价格高频波动、强季节性、非平稳性并存，传统 ARIMA/GARCH 或单一 LSTM 在 极端峰谷价差、政策突发、可再生比例攀升 情形下容易失效。随着算力下沉和 AI 在能源领域的渗透，大规模时序基础模型（Time‑Series Foundation Models, TSFM）与大语言模型（LLM）驱动的混合框架正成为提升预测精度的新范式。Transformer‑EPF 纯注意力模型在多国日‑前竞价数据上已显著优于基线方法arXiv；而最新基准表明 Chronos‑Bolt、Time‑MoE 等预训练模型与传统最优的双季节 MSTL 不相上下，显示该方向已接近产业可用水平arXiv。

---

2  大模型家族与核心优势

模型类别	代表模型	适用场景	关键优势
纯 Transformer	Transformer‑EPF、PatchTST、Informer	日‑前/实时波动预测	长序列全局依赖