Stealing Accuracy: Predicting Day-ahead Electricity Prices with Temporal Hierarchy Forecasting (THieF)

Die Studie zeigt, dass die Anwendung des Temporal Hierarchy Forecasting (THieF) zur Versöhnung von Prognosen für Stunden- und Blockprodukte die Genauigkeit der Strompreisvorhersage in den deutschen und spanischen Märkten um bis zu 13 % verbessert und sich aufgrund des geringen zusätzlichen Rechenaufwands als praktikable Empfehlung für die tägliche Prognose erweist.

Das Wesentliche

🎻 Das Orchester der Strompreise: Wie man Vorhersagen perfekt abstimmt

Stellen Sie sich vor, Sie sind ein Dirigent, der ein riesiges Orchester leitet. Ihr Ziel ist es, die Strompreise für den nächsten Tag vorherzusagen. Das ist keine leichte Aufgabe, denn Strompreise sind wie ein wildes Tier: Sie springen hoch und runter, reagieren auf den Wind, die Sonne, den Gaspreis und sogar auf die Stimmung der Menschen.

In der Vergangenheit haben die Experten oft nur auf eine Sache geachtet: den Preis für jede einzelne Stunde des Tages (24 Stunden = 24 Noten). Sie haben versucht, jede dieser 24 Noten perfekt zu treffen.

Aber das Problem war: Manchmal passte die Vorhersage für die 14:00-Uhr-Stunde nicht zur Vorhersage für den ganzen Nachmittag. Es war, als würde das Geigen-Orchester (die Stunden) eine Melodie spielen, während das Schlagzeug (der Tagesdurchschnitt) eine völlig andere Rhythmuslinie schlägt. Das führt zu Verwirrung und teuren Fehlentscheidungen.

🧩 Die neue Idee: Der "THieF"-Trick (Temporal Hierarchy Forecasting)

Die Forscher aus dieser Studie haben einen cleveren neuen Ansatz entwickelt, den sie THieF nennen (ein Wortspiel aus Time und Hierarchical Forecasting, aber auch ein kleiner "Dieb", der die besten Informationen stiehlt, um sie zu vereinen).

Statt nur auf die einzelnen Stunden zu schauen, haben sie das Orchester in verschiedene Gruppen eingeteilt:

1. Die Solisten: Die Vorhersage für jede einzelne Stunde (1-Stunden-Blöcke).
2. Die Duette: Vorhersagen für 2-Stunden-Blöcke.
3. Die Quartette: Vorhersagen für 4-Stunden-Blöcke.
4. Das ganze Orchester: Die Vorhersage für den gesamten Tag (24-Stunden-Block).

Der Clou: Sie haben nicht nur für jede Gruppe separat geübt, sondern am Ende alle Stimmen zusammengeführt.

🤝 Der "Friedensvertrag" zwischen den Gruppen

Stellen Sie sich vor, die Solisten (Stunden) sagen: "Um 14 Uhr wird es sehr teuer!"
Aber das ganze Orchester (der Tagesdurchschnitt) sagt: "Nein, der Tag war insgesamt eher günstig."

Früher hätten die Experten sich gestritten. Mit dem neuen THieF-Verfahren machen sie einen "Friedensvertrag" (in der Fachsprache: Reconciliation).

• Sie nehmen die Vorhersagen aller Gruppen.
• Sie passen sie so an, dass sie mathematisch zusammenpassen (der Durchschnitt der 24 Stunden muss genau dem Tagespreis entsprechen).
• Dabei nutzen sie die Stärken jeder Gruppe: Die Tagesvorhersage ist oft stabiler und weniger verrauscht, während die Stunden-Vorhersagen die feinen Details zeigen.

Das Ergebnis? Durch diesen Abgleich werden die Vorhersagen an allen Stellen besser – bei den einzelnen Stunden und beim Tagesdurchschnitt.

🌍 Der Test: Deutschland und Spanien im Sturm

Die Forscher haben diesen Trick in zwei großen Strommärkten getestet: Deutschland und Spanien.
Das war kein ruhiger Sommerurlaub, sondern ein Sturmjahr:

• Die Pandemie (Lockdowns).
• Der Krieg in der Ukraine.
• Wahnwitzig hohe Gaspreise.
• Sogar negative Strompreise (wo man bezahlte, damit jemand den Strom abnimmt).

Trotz dieses Chaos hat sich der Trick bewährt. Egal, ob sie einfache mathematische Modelle oder die modernsten Künstlichen Intelligenzen (wie riesige neuronale Netze) benutzt haben: Die Vorhersagen wurden durch den Abgleich bis zu 13 % genauer.

💡 Warum ist das wichtig für uns?

1. Es kostet fast nichts extra: Der Rechenaufwand, um diesen "Friedensvertrag" zu schließen, ist winzig. Es ist, als würde man ein paar Sekunden länger über die Noten nachdenken, bevor man spielt.
2. Block-Handel wird wichtiger: In Europa werden nicht nur einzelne Stunden gehandelt, sondern immer öfter ganze Blöcke (z. B. "Strom für die Mittagszeit"). Wenn Ihre Vorhersage für den Block falsch ist, verlieren Sie Geld. THieF hilft, diese Blöcke präzise zu treffen.
3. Es funktioniert immer: Egal, ob Sie ein einfacher Rechner oder ein super-intelligenter KI-Roboter sind – wenn Sie Ihre Stimmen abstimmen, werden Sie besser.

🏁 Das Fazit in einem Satz

Die Studie zeigt, dass man Strompreise nicht wie einen einsamen Wolf vorhersagen sollte, sondern wie ein gut abgestimmtes Team: Wenn man die Vorhersagen für Stunden, Halb- und Ganztage miteinander verknüpft und abstimmt, wird das Ergebnis für alle Beteiligten deutlich genauer und sicherer.

Kurz gesagt: Nicht nur auf die Details achten, sondern auch den großen Überblick behalten – und dann beides zusammenfügen. Das ist der Schlüssel zum Erfolg.

Technische Zusammenfassung

Hier ist eine detaillierte technische Zusammenfassung des vorliegenden Forschungsartikels auf Deutsch:

Titel: Stealing accuracy: Predicting day-ahead electricity prices with temporal hierarchy forecasting (THieF)

(Übersetzung: Genauigkeit stehlen: Vorhersage von Strompreisen für den nächsten Tag mittels zeitlicher Hierarchie-Prognose (THieF))

1. Problemstellung

Die operative Entscheidungsfindung in Strommärkten erfordert kurzfristige Prognosen auf unterschiedlichen Detaillierungsebenen (z. B. stündliche Preise vs. Durchschnittspreise für Tagesblöcke oder Basislast).

• Inkonsistenz: Modelle, die für verschiedene zeitliche Granularitäten entwickelt wurden, liefern oft inkonsistente Vorhersagen. Ein Modell für stündliche Preise nutzt andere Informationsmengen als eines für tägliche Durchschnittswerte.
• Folgen: Diese Diskrepanzen können zu suboptimalen Handelsentscheidungen führen.
• Forschungslücke: Während die Prognose von Last und erneuerbaren Energien bereits mit zeitlichen Hierarchien untersucht wurde, fehlte bisher eine Anwendung auf die Strompreisprognose (EPF). Zudem ist unklar, ob diese Methode auch für moderne, komplexe Modelle (wie Transformer) funktioniert.

2. Methodik: Temporal Hierarchy Forecasting (THieF)

Die Autoren wenden das THieF-Konzept an, um Vorhersagen auf verschiedenen Aggregationsebenen zu vereinbaren (reconcile). Der Prozess umfasst drei Schritte:

1. Zeitliche Aggregation: Es werden nicht-überlappende zeitlich aggregierte Zeitreihen erstellt. Für stündliche Daten ($m=24$) werden Blöcke gebildet, die durch Teiler von 24 definiert sind (z. B. 24h, 12h, 8h, 6h, 4h, 3h, 2h, 1h). Dies erzeugt eine Hierarchie von 60 Blöcken (24 Ein-Stunden-Blöcke, 12 Zwei-Stunden-Blöcke, etc.).
2. Basis-Prognosen (Base Forecasts): Für jede Aggregationsebene werden unabhängig voneinander Basisprognosen generiert.
3. Rekonkiliation (Reconciliation): Die Basisprognosen werden mathematisch so kombiniert, dass sie konsistent mit der Hierarchie sind. Dies geschieht durch eine affine Kombination, die die Informationen aller Ebenen nutzt, um die Vorhersagegenauigkeit zu erhöhen.
   • Mathematik: Die Rekonkiliation erfolgt über eine Summenmatrix $S$ und eine gewichtete Kombination der Fehlerkovarianzmatrix $W$. Da die Dimension der Kovarianzmatrix (60x60) die Stichprobengröße übersteigt, werden regularisierte Schätzer (Shrinkage) verwendet, insbesondere das "Constant Correlation"-Modell nach Ledoit und Wolf (2004).

Verwendete Basis-Modelle:
Um die Robustheit zu testen, wurden vier verschiedene Modellarchitekturen eingesetzt:

1. ARX (AutoRegression with Exogenous inputs): Ein klassisches lineares Regressionsmodell mit 20 Features (verzögerte Preise, Last, Wind, Kohle- und Gaspreise, Wochentags-Dummies).
2. NARX (Nonlinear ARX): Ein flaches Feedforward-Neurales Netz (5 Neuronen in der versteckten Schicht) mit Hyperbolic-Tangent-Aktivierung, kombiniert als "Committee Machine" (Durchschnitt von 10 Netzen).
3. XGB (Extreme Gradient Boosting): Ein Ensemble von Decision Trees, optimiert mit Bayesian Sequential Optimization.
4. Mitra (Transformer): Ein state-of-the-art Tabular Foundation Model von Amazon (AutoGluon), basierend auf einer 12-Schichten-Transformer-Architektur mit 72 Millionen Parametern. Es wurde im "Zero-Shot"-Modus (ohne Feinabstimmung) verwendet.

Datensatz:

• Märkte: EPEX-DE (Deutschland) und OMIE (Spanien).
• Zeitraum: 7 Jahre Gesamt (01.01.2018 – 31.12.2024).
• Testperiode: Ein herausfordernder 4-Jahres-Zeitraum (2021–2024), der die COVID-19-Pandemie, den russischen Angriff auf die Ukraine, extreme Gaspreisschwankungen und negative Strompreise in Deutschland abdeckt.

3. Wichtige Beiträge

• Erste Anwendung auf EPF: Dies ist die erste Studie, die THieF spezifisch für die Vorhersage von Strompreisen (nicht nur Last oder Erzeugung) anwendet.
• Umfassender Modellvergleich: Die Studie demonstriert, dass THieF nicht nur bei einfachen linearen Modellen, sondern auch bei hochkomplexen Deep-Learning-Architekturen (Transformer) und Ensemble-Methoden funktioniert.
• Praktische Relevanz: Da der Handel mit Blockprodukten in Europa zunimmt (und sich die Granularität auf 15-Minuten-Intervalle ändert), bietet THieF ein universelles Werkzeug zur Verbesserung der Genauigkeit auf allen Ebenen.
• Kosten-Nutzen-Analyse: Die Rekonkiliation ist rechnerisch sehr günstig (nahezu vernachlässigbar im Vergleich zur Modellierung), was die Methode für den täglichen Einsatz attraktiv macht.

4. Ergebnisse

Die Analyse über den 4-Jahres-Testzeitraum zeigt konsistente und statistisch signifikante Verbesserungen durch die Rekonkiliation:

• Genauigkeitsgewinn:
  • Deutschland (EPEX-DE): Die Verbesserungen sind hier am stärksten.
    • Durchschnittliche MAE-Verbesserung für XGB: ca. 6,7 %.
    • Höchste Gewinne bei größeren Blöcken (Basislast/24h): Bis zu 13,4 % Reduktion des RMSE.
  • Spanien (OMIE): Die Gewinne sind etwas geringer, aber dennoch signifikant (ca. 4,8 % MAE-Gewinn für XGB).
• Modellunabhängigkeit: Alle vier Modellklassen profitierten von THieF. Selbst das vortrainierte Transformer-Modell (Mitra), das keine Parameter schätzt, zeigte Verbesserungen (bis zu 8,5 % RMSE-Gewinn für 24h-Blöcke).
• Statistische Signifikanz: Der multivariate Diebold-Mariano-Test bestätigte, dass die rekonkilierten Prognosen in fast allen Fällen signifikant genauer sind als die unrekonkilierten Basisprognosen (Signifikanzniveau 1 % für die meisten Fälle).
• Skalierung: Die Rekonkiliation führt zu einem linearen Anstieg der Rechenkosten (Faktor ~2,5 im Vergleich zur reinen 24-Stunden-Prognose), was im Kontext von Strompreisprognosen als geringfügig gilt.

5. Bedeutung und Fazit

Die Studie belegt, dass die Nutzung zeitlicher Hierarchien ein effektiver Weg ist, um die Vorhersagegenauigkeit von Strompreisen zu steigern, ohne die Modellkomplexität drastisch erhöhen zu müssen.

• Für die Praxis: Da der europäische Stromhandel zunehmend auf Blockprodukte und kürzere Intervalle (15 Minuten) umstellt, wird die Konsistenz zwischen verschiedenen Aggregationsebenen kritisch. THieF bietet eine robuste Lösung, um diese Konsistenz herzustellen und die Genauigkeit zu maximieren.
• Theoretische Implikation: Die Ergebnisse widerlegen die Annahme, dass moderne Foundation Models (wie Transformer) keine Verbesserung durch Rekonkiliation benötigen. Da jedes Modell eine gewisse Fehlspezifikation aufweist, hilft THieF, verschiedene Dynamiken (kurz- vs. langfristig) besser zu erfassen.
• Zukunftsausblick: Die Autoren schlagen vor, die Methode auf probabilistische Prognosen zu erweitern und ungleiche Aggregationsblöcke zu untersuchen, die für spezifische Handelsentscheidungen relevant sein könnten.

Zusammenfassend empfehlen die Autoren die Integration von THieF in die tägliche Prognosepraxis für Strompreise, da sie eine signifikante, kosteneffiziente und modellunabhängige Verbesserung der Genauigkeit bietet.