电价预测（EPF）是能源预测的一个分支，应用数学、统计和机器学习模型来预测未来电价。在过去三十年中，这些预测已成为能源公司企业决策的基本输入，尤其是在电力通过现货和衍生品合约进行交易的市场化环境中。该领域伴随着欧洲、北美、澳大利亚和亚洲的市场自由化而兴起，传统垄断电力部门转向竞争性结构。
电力是一种独特的商品，因为它在经济上不可储存，需要生产与消费之间保持持续平衡以维持电网稳定。其需求在很大程度上取决于天气和日常活动模式，例如高峰时段与非高峰时段、工作日与周末。这些特征产生了其他市场未见的价格动态，包括日、周和年季节性，以及突然且往往不可预测的价格飙升。价格波动性可能比其他任何交易商品或金融资产高出两个数量级，促使市场参与者对冲数量和价格风险。一个峰值负荷为1吉瓦的公用事业公司，若短期价格预测的平均绝对百分比误差（MAPE）降低1%，每年可节省约30万美元。
预测方法
最简单的日前预测方法涉及要求每个发电来源对发电区块进行投标，并选择最便宜的投标。如果提交的投标不足，价格就会上涨；如果过多，价格可能降至零或变为负值。报价包含发电成本、输电成本和利润率。独立系统运营商（ISO）通过拆分输电和发电运营，利用基于投标的市场来确定经济调度，从而促进竞争。电力可以与相邻电力库进行交易。
不可调度的可再生能源，如风能和太阳能，通常以预定费率在其他投标之前出售。任何多余发电量都出售给其他电网运营商，通过抽水蓄能水电储存，或在最坏情况下削减。随着渗透率上升，削减可能显著降低太阳能发电的经济和环境效益。智能电网和分布式可再生能源发电的整合增加了供需不确定性，促使大量研究投入预测技术。
驱动因素
由于电力在生产时刻即被消耗，所有供需因素都会立即影响现货市场价格。短期价格受天气影响最大，冬季供暖需求和夏季制冷需求推动季节性价格飙升。额外的天然气发电能力一直在降低价格，同时增加需求。燃料价格和二氧化碳配额价格是关键供应侧驱动因素；自2017年以来，欧盟碳价格已翻倍，使其成为显著成本因素。
国家特定的资源禀赋和法规也影响电价。政府对生产者或消费者的补贴可以保持电力可负担，但大多数国家已采用某种形式的市场定价。
天气
电力需求在很大程度上由温度驱动，供暖度日和制冷度日以华氏65度为基准衡量能源消耗。天气也影响可再生能源供应。加利福尼亚州的鸭子曲线说明了全天需求与太阳能可用性之间的差距，阳光充足时期太阳能充斥市场，而在需求高峰的傍晚则下降。气象预测可以提高价格预测准确性，尤其是对于提前2至4天的预测范围，而日前预测则受益于自回归效应。
水电可用性
积雪、河流流量、季节性及其他水文因素决定了水电站可用的潜在能量。预测这些变量可以预测给定时期的发电能力。巴基斯坦、埃及、中国和太平洋西北地区等地区严重依赖水力发电。2015年，由于降雨不足导致大坝蓄水量低，赞比亚的系统平均中断持续时间指数（SAIDI）和系统平均中断频率指数（SAIFI）比上一年增加了一倍以上。
电厂和输电中断
计划或非计划中断会减少电网可用的总电力，削弱供应并推高价格。公用事业公司和电网运营商必须将中断计划纳入短期预测。
经济健康状况
在经济衰退期间，工厂因消费者需求下降而削减生产，从而减少电力消耗。这种需求减少可能降低批发价格，而经济增长通常会增加需求和价格。
机器学习方法
现代电价预测日益依赖人工智能和深度学习模型，包括神经网络和集成方法。这些模型捕捉价格驱动因素（如天气、负荷和可再生能源输出）之间的非线性关系。诸如残差网络和Transformer (architecture)架构等技术已被应用于价格预测任务，利用大量历史价格和气象输入数据集。训练通常使用Adam优化器变体和学习率调度来提高收敛性。损失函数和数据增强策略的选择可能显著影响预测性能。
研究比较了经典统计模型（如ARIMA）与机器学习方法。虽然没有单一方法占主导地位，但结合基本驱动因素与统计或学习组件的混合模型往往表现良好。输电系统运营商（TSO）发布的可再生能源发电预测准确性可以通过简单预测模型得到增强，这反过来又改善价格预测。
市场应用
电力投资组合经理使用从数小时到数月不等的价格预测来调整投标策略以及生产或消费计划。准确的日前预测使公用事业公司能够在竞争市场中降低风险并最大化利润。间歇性可再生能源占比不断增长增加了预测不确定性，使稳健模型更具价值。价格预测还支持风险管理、资产估值以及发电和电网基础设施的长期投资规划。