💻 computer science

Hybrid Kolmogorov-Arnold Network and XGBoost Framework for Week-Ahead Price Forecasting in Australia's National Electricity Market

Dieser Artikel schlägt einen hybriden Rahmen aus Kolmogorov-Arnold-Netzwerken und XGBoost für die einwöchige Strompreisprognose im australischen Nationalen Elektrizitätsmarkt vor, der durch die effektive Kombination globaler nichtlinearer Repräsentation mit lokaler Robustheit zur Bewältigung der hohen Volatilität und der durch erneuerbare Energien verursachten Unsicherheit des Marktes eine überlegene Genauigkeit gegenüber Benchmark-Modellen demonstriert.

Ursprüngliche Autoren: Houxuan Zhou, Sriram Prasad, Chenghao Huang, Jiajie Feng, Hao Wang

Veröffentlicht 2026-05-22

📖 5 Min. Lesezeit🧠 Tiefgang

CC BY 4.0

Ursprüngliche Autoren: Houxuan Zhou, Sriram Prasad, Chenghao Huang, Jiajie Feng, Hao Wang

Originalarbeit lizenziert unter CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht von den Autoren verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen

Stellen Sie sich vor, Sie versuchen, den Strompreis im australischen National Electricity Market (NEM) für die nächste Woche vorherzusagen. Das ist nicht wie Wettervorhersage; es ist eher wie der Versuch, den Preis einer Mitfahrgelegenheit während eines plötzlichen Sturms zu erraten. Die Preise sind wild, sie springen unvorhersehbar hoch und runter, und manchmal schießen sie in verrückte Höhen, weil Dinge wie plötzliche Bewölkung die Solarenergie killen oder eine Hitzewelle die Nachfrage in die Höhe treibt.

Diese Arbeit stellt einen neuen „Super-Team"-Ansatz zur Lösung dieses Problems vor. Anstatt sich nur auf eine Methode zu verlassen, kombinierten die Forscher zwei sehr unterschiedliche Arten von KI-Modellen zu einem hybriden System, das bei der Vorhersage dieser chaotischen Preise besser ist als jedes einzelne Modell für sich allein.

Hier erklärt die Arbeit ihre Lösung, aufgeschlüsselt in einfache Konzepte:

Das Problem: Die „wilde Fahrt" der Strompreise

Strompreise in Australien sind berüchtigt volatil. Sie werden beeinflusst durch:

Erneuerbare Energien: Wind und Solar sind großartig, aber sie sind unvorhersehbar. Wenn der Wind aufhört zu wehen, können die Preise explodieren.
Nachfrage: Wenn es heiß wird, schalten alle die Klimaanlage ein, und die Preise steigen.
Zeit: Die Preise ändern sich alle fünf Minuten.

Die Forscher wollten die Preise eine Woche im Voraus prognostizieren. Das ist schwieriger als die Vorhersage des Preises für morgen, weil man sowohl langfristige Trends als auch plötzliche, kurzfristige Schocks berücksichtigen muss.

Die Lösung: Ein „Traumteam" aus zwei Modellen

Die Autoren bauten ein hybrides Framework, das zwei unterschiedliche KI-„Persönlichkeiten" kombiniert:

1. Der „Ganzheit"-Künstler: KAN (Kolmogorov-Arnold-Netzwerk)

Was es tut: Stellen Sie sich KAN als einen glatten, künstlerischen Maler vor. Es ist sehr gut darin, langfristige Trends und die glatten, fließenden Muster in den Daten zu erkennen. Es versteht die „Form", wie sich die Preise im Allgemeinen über die Zeit bewegen.
Seine Schwäche: Es kann durch plötzliche, gezackte Spitzen oder seltsame Ausreißer etwas verwirrt werden. Es bevorzugt glatte Kurven.

2. Der „Detailorientierte"-Detektiv: XGBoost

Was es tut: Stellen Sie sich XGBoost als einen scharfäugigen Detektiv vor, der Entscheidungsbäume verwendet. Es ist hervorragend darin, plötzliche Veränderungen, lokale Unregelmäßigkeiten und extreme Spitzen zu erkennen. Es ist großartig darin zu sagen: „Hey, genau hier ist der Preis wegen dieses spezifischen Ereignisses gesprungen."
Seine Schwäche: Es hat manchmal Schwierigkeiten, das große, glatte, langfristige Bild zu sehen. Es konzentriert sich so sehr auf die unmittelbaren Details, dass es den overallen Fluss verpassen könnte.

Die hybride Magie: KAN + XGBoost
Die Forscher erkannten, dass sie, wenn sie diese beiden zusammenarbeiten ließen, die blinden Flecken des jeweils anderen abdecken könnten.

Die Analogie: Stellen Sie sich vor, Sie versuchen, ein Schiff durch einen Sturm zu navigieren. Sie brauchen einen Kapitän, der die Meeresströmungen versteht (KAN), und einen Ausguck, der plötzliche Felsen und Wellen erkennt (XGBoost).
Wie sie zusammenarbeiten: Das KAN-Modell sagt den allgemeinen Pfad des Preises voraus. Das XGBoost-Modell betrachtet dann die „Fehler" oder „Residuen", die das KAN-Modell gemacht hat, und korrigiert sie, insbesondere für diese plötzlichen Preisspitzen.
Das Ergebnis: Sie kombinierten die Vorhersagen mit einer 50/50-Aufteilung (gleiche Gewichtung) und schufen ein Modell, das sowohl den Wald als auch die Bäume sieht.

Das Experiment: Wie sie es testeten

Die Daten: Sie verwendeten echte Stromdaten aus den fünf Hauptregionen Australiens (NSW, VIC, QLD, SA, TAS) von April 2024 bis März 2025.
Das Setup: Sie verwendeten eine „expandierende Fenster"-Strategie. Stellen Sie sich vor, Sie lernen Autofahren: Sie beginnen mit einer Woche Übung, dann zwei, dann drei, wobei Sie immer all Ihre bisherigen Erfahrungen nutzen, um die nächste Woche vorherzusagen.
Der Wettbewerb: Sie stellten ihr neues Hybridteam gegen folgende Modelle:
- Alte statistische Modelle (SARIMAX).
- Ein beliebtes Deep-Learning-Modell (LSTM).
- Die beiden Modelle einzeln verwendet (nur KAN oder nur XGBoost).
- Eine „naive" Basislinie (nur die Annahme, dass der Preis derselbe sein wird wie gerade jetzt).

Die Ergebnisse: Wer gewann?

Das hybride KAN+XGBoost-Team gewann mit Leichtigkeit.

Genauigkeit: Es reduzierte den durchschnittlichen Fehler (MAE) um etwa 12 % im Vergleich zur alleinigen Verwendung von XGBoost und um über 50 % im Vergleich zur „naiven" Schätzung.
Konsistenz: Es performte gut in allen fünf australischen Bundesstaaten, sogar in den volatilsten Regionen wie New South Wales (NSW).
Extreme Ereignisse: Obwohl die Vorhersage massiver Preisspitzen für alle schwierig ist, war das hybride Modell im Vergleich zu den anderen Methoden am besten darin, diese extremen Ereignisse zu erfassen.

Warum das wichtig ist (laut der Arbeit)

Die Arbeit kommt zu dem Schluss, dass man für hochgradig chaotische Märkte wie das australische Stromnetz nicht auf nur eine Art von KI verlassen kann.

Die Erkenntnis: Indem man ein Modell, das glatte, langfristige Muster versteht (KAN), mit einem Modell kombiniert, das plötzliche, gezackte Veränderungen handhabt (XGBoost), erhält man eine viel robustere und zuverlässigere Vorhersage.
Die Einschränkung: Die Arbeit gibt zu, dass dies zwar eine große Verbesserung ist, die Vorhersage der absolut höchsten Preisspitzen jedoch immer noch schwierig ist, da sie so selten und chaotisch sind. Außerdem verlässt sich das Modell auf genaue Wetter- und Nachfrage-Daten, die selbst Vorhersagen sind.

Kurz gesagt argumentiert die Arbeit, dass der beste Weg, die Zukunft der Strompreise vorherzusagen, nicht darin besteht, die einzelne „klügste" KI zu finden, sondern ein Team zu bauen, in dem der „glatte Denker" und der „scharfe Detektiv" zusammenarbeiten.

Technisches Fazit: Hybrides KAN+XGBoost-Framework für die einwöchige Preisprognose im australischen NEM

Problemstellung
Eine präzise Strompreisprognose (EPF) ist für die operative Planung und das Risikomanagement in modernen Energiesystemen von entscheidender Bedeutung. Die Prognose bleibt jedoch aufgrund hoher Volatilität, nichtlinearer Dynamiken und häufiger extremer Preisspitzen herausfordernd. Diese Probleme werden im australischen National Electricity Market (NEM) durch einen hohen Anteil erneuerbarer Energien verschärft, der eine intermittierende Versorgung und komplexe, nichtlineare Preisdynamiken mit sich bringt. Während die Prognose für den Vortag gut untersucht ist, bleibt die stündliche Prognose für eine Woche im Voraus trotz ihres Werts für Gebote, Erzeugungsplanung und Risikohedging wenig erforscht. Bestehende Ansätze sehen sich oft einem Zielkonflikt gegenüber: Statistische Modelle (z. B. SARIMAX) haben Schwierigkeiten mit Nichtlinearitäten und Spitzen; Deep-Learning-Modelle (z. B. LSTM) sind über lange Horizonte hinweg empfindlich gegenüber Rauschen; und baumbasierte Modelle (z. B. XGBoost) verfügen möglicherweise nicht über die Fähigkeit, glatte globale Abhängigkeiten zu erfassen.

Methodik
Der Artikel schlägt ein hybrides Framework vor, das Kolmogorov-Arnold-Netzwerke (KAN) und XGBoost integriert, um die duale Herausforderung zu bewältigen, sowohl langfristige globale Strukturen als auch kurzfristige lokale Unregelmäßigkeiten zu erfassen.

Problemformulierung: Die Aufgabe besteht darin, Strompreise ( $\hat{y}_{t+1:t+H}$ ) für einen Horizont von 168 Stunden (eine Woche) unter Verwendung eines Eingabefensters von 336 Stunden (zwei Wochen) historischer Preise und exogener Variablen ( $z_t$ ) vorherzusagen, einschließlich Nachfrage, Prognosen für die Erzeugung aus erneuerbaren Energien und Wetterdaten.
Datenaufbereitung: Daten von April 2024 bis März 2025 aus fünf NEM-Regionen (NSW, VIC, QLD, SA, TAS) wurden auf eine stündliche Auflösung aggregiert. Zu den Merkmalen gehören verzögerte Preise, Gesamtnachfrage, Netto-Interchange, Solar-/Windprognosen und Temperatur. Auf die Zielvariable wurde eine inverse hyperbolische Sinus-Transformation angewendet, um die Varianz zu stabilisieren.
Hybride Architektur:
- KAN-Komponente: Basierend auf dem Darstellungssatz von Kolmogorov-Arnold lernt KAN univariate Transformationen, um globale nichtlineare Strukturen und glatte zeitliche Muster zu approximieren. Es verwendet spline-basierte, lernbare Aktivierungsfunktionen (Gittergröße 3, Ordnung 3) mit zwei versteckten Schichten.
- XGBoost-Komponente: Ein Gradient-Boosting-Framework, das trainiert wurde, um lokale Muster, abrupte Änderungen und Residualabweichungen zu erfassen, die neuronale Netze möglicherweise übersehen.
- Ensemble-Strategie: Die endgültige Vorhersage ist eine gewichtete Kombination: $\hat{y} = \alpha \hat{y}_{KAN} + (1-\alpha) \hat{y}_{XGB}$ . Eine Ablationsstudie ergab, dass eine gleichgewichtige Gewichtung ( $\alpha = 0,5$ ) die beste Validierungsleistung über alle Bundesstaaten hinweg erzielte.
Experimentelles Setup: Es wurde eine Evaluierungsstrategie mit expandierendem Fenster mit vier aufeinanderfolgenden wöchentlichen Testsets im März 2025 verwendet. Die Modelle wurden auf allen verfügbaren historischen Daten bis zum Prognosezeitraum trainiert. Als Baselines dienten Naive, SARIMAX, LSTM, eigenständiges KAN und eigenständiges XGBoost.

Hauptbeiträge

Neuartiges hybrides Framework: Der Artikel stellt ein KAN+XGBoost-Framework vor, das die Prognoseaufgabe funktionell zerlegt: KAN übernimmt globale nichtlineare Abhängigkeiten, während XGBoost lokale Unregelmäßigkeiten und Ausreißer modelliert.
Fokus auf eine Woche im Voraus: Die Studie zielt spezifisch auf den wenig erforschten Prognosehorizont von einer Woche im Voraus ab und bietet Marktteilnehmern im Vergleich zu Standardmodellen für den Vortag längere Vorlaufzeiten.
Umfassende Evaluierung: Umfassende Experimente wurden in fünf unterschiedlichen NEM-Regionen durchgeführt, was die Fähigkeit des Modells demonstriert, sich unter variierenden Marktbedingungen und Volatilitätsregimen zu generalisieren.

Ergebnisse
Das vorgeschlagene KAN+XGBoost-Modell übertraf alle Benchmarks (SARIMAX, LSTM, eigenständiges KAN, eigenständiges XGBoost und Naive) bei mehreren Metriken (MAE, RMSE, rMAE).

Gesamtleistung: Das hybride Modell erreichte einen MAE von 26,17, was einer Reduktion von etwa 12 % im Vergleich zum eigenständigen XGBoost (29,49) und von über 50 % im Vergleich zur Naive-Baseline (52,50) entspricht.
Regionale Konsistenz: Das Modell behielt seine überlegene Leistung in allen fünf Bundesstaaten bei. Bemerkenswert ist, dass es in hochvolatilen Regionen wie NSW den niedrigsten MAE und RMSE aller Methoden erreichte.
Extreme Ereignisse: Unter Verwendung eines auf der Extremwerttheorie (EVT) basierenden Schwellenwerts (0,95-Tail) erzielte das hybride Modell den niedrigsten MAE für extreme Ereignisse (103,88), was auf eine verbesserte Robustheit beim Erfassen hoher Preisspitzen im Vergleich zu anderen Methoden hinweist.
Ablationsbefunde: Die Studie bestätigte, dass eine ausgewogene Integration (Gewichtung 0,5/0,5) optimal ist; eine übermäßige Abhängigkeit entweder von KAN oder XGBoost führte zu einer Leistungsverschlechterung. Das eigenständige KAN zeigte in hochdynamischen Umgebungen aufgrund der Empfindlichkeit gegenüber Rauschen Einschränkungen, was die Notwendigkeit des hybriden Ansatzes unterstreicht.

Bedeutung und Behauptungen
Der Artikel behauptet, dass hybride Lernstrategien eine effektive und robuste Lösung für die Strompreisprognose in hochdynamischen Märkten wie dem NEM bieten. Durch die Nutzung der komplementären Stärken des funktionellen Repräsentationslernens (KAN) und der baumbasierten Partitionierung (XGBoost) gelingt es dem Framework, die Modellierung langfristiger Abhängigkeiten und kurzfristiger Volatilität erfolgreich auszubalancieren. Die Autoren schlagen vor, dass dieser Ansatz den Bedarf an vollständig regionspezifischen Modellkonfigurationen reduziert und eine skalierbare Lösung für diverse regionale Märkte bietet. Allerdings räumt der Artikel bescheiden Einschränkungen ein und stellt fest, dass die genaue Vorhersage extremer Preisspitzen nach wie vor schwierig ist und die Leistung des Modells von der Verfügbarkeit genauer exogener Variablen (z. B. Wetter- und Nachfrageprognosen) abhängt. Als zukünftige Arbeiten wird die Erforschung probabilistischer Prognosen und adaptiver Ensemble-Strategien vorgeschlagen.