Thick as THieFs: Temporal coherent forecast combination for day-ahead electricity prices
Dieses Paper schlägt eine Methode zur temporal kohärenten Forecast-Kombination vor, die gleichzeitig Inkohärenzen über verschiedene zeitliche Granularitäten hinweg auflöst und die Stärken mehrerer konkurrierender Modelle nutzt, um varianzminimierte, unverzerrte Day-Ahead-Strompreisprognosen zu erstellen, die bestehende Ansätze in deutschen und spanischen Märkten signifikant übertreffen.
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, das Wetter für eine ganze Woche vorherzusagen. Sie haben ein Team von Experten: Einer beobachtet Satellitenwolken, ein anderer untersucht Windmuster und ein dritter prüft historische Temperaturdaten. Wenn Sie jeden von ihnen nach einer Vorhersage fragen, geben sie Ihnen vielleicht unterschiedliche Antworten. Aber hier ist der knifflige Teil: Wenn Sie sie nach der Temperatur für jede einzelne Stunde fragen und dann nach der Durchschnittstemperatur für den ganzen Tag fragen, gehen ihre Antworten möglicherweise nicht auf. Vielleicht stimmt die Summe ihrer stündlichen Schätzungen nicht mit ihrer Tagesprognose überein. Das ist ein Problem. In der Welt der Energie, speziell beim Strom, ist das nicht nur ein mathematisches Rätsel; es ist ein Geldmacher (oder ein Geldverlierer). Strompreise ändern sich jede Stunde, aber Händler kaufen auch „Zeitblöcke“ (wie 4-Stunden-Pakete) oder Baselast-Verträge (den Durchschnittspreis für den gesamten Tag). Wenn Ihre Vorhersagen für die Stunden nicht mit Ihrer Vorhersage für den Tag übereinstimmen, könnten Sie einen schlechten Handel eingehen. Dieses Paper befasst sich damit, wie man diese unpassenden Vorhersagen behebt und wie man die besten Ideen aus verschiedenen Experten zu einer einzigen, supergenauen Prognose kombiniert.
Das Paper mit dem Titel „Thick as THieFs“ stellt eine clevere Methode vor, um zwei Probleme gleichzeitig zu lösen. Erstens behebt es das „Inkohärenz“-Problem, bei dem stündliche Vorhersagen nicht mit den Tagesdurchschnitten übereinpassen. Zweitens verhindert es, dass wir uns gezwungen sehen, nur ein einziges „bestes“ Modell auszuwählen. Anstatt auf eine einzige Kristallkugel zu wetten, kombiniert die Autoren die Prognosen von vier sehr unterschiedlichen „Experten“ (ein einfaches statistisches Modell, ein neuronales Netz, einen baumbasierten Lerner und ein massives KI-Foundation-Modell) zu einer einzigen, einheitlichen Vorhersage. Sie nennen dies „Temporal Coherent Forecast Combination“. Denken Sie an einen Chor. Wenn Sie vier Sänger haben, die jeweils eine andere Stimme haben, wählen Sie nicht einfach den Lautesten aus. Stattdessen mischen Sie ihre Stimmen zusammen, aber Sie stellen sicher, dass sie alle die richtigen Töne treffen, damit das Lied von Anfang bis Ende perfekt klingt. Die Autoren testeten dies an den Strommärkten in Deutschland und Spanien und fanden heraus, dass dieser „Super-Chor“-Ansatz signifikant genauer war als jeder einzelne Sänger oder sogar jeder einzelne Sänger, der darauf abgestimmt wurde, zum Gruppenklang zu passen.
So funktioniert die Magie. Die Autoren erkannten, dass Strompreise auf verschiedenen „Ebenen“ der Detailtiefe existieren: den 24 einzelnen Stunden eines Tages, Blöcken von 2, 3, 4, 6, 8 oder 12 Stunden und schließlich dem Durchschnitt für den gesamten Tag. Diese Ebenen sind mathematisch miteinander verknüpft; der Tagesdurchschnitt muss die Summe der Stunden sein. Traditionelle Methoden sagen oft jede Ebene separat voraus, was zu dem Problem der Unstimmigkeit führt. Das Paper schlägt eine zweistufige Lösung vor, die in einem einzigen Schritt zusammengefasst ist. Erstens nehmen sie die rohen, ungeordneten Vorhersagen von vier verschiedenen Modellen. Zweitens nutzen sie einen mathematischen „Reconciliation“-Prozess (Abgleich), um diese Vorhersagen dazu zu zwingen, die Regeln der Hierarchie zu befolgen (sodass die Stunden sich zu dem Tag aufsummieren), während sie gleichzeitig die Meinungen der vier Experten kombinieren, um Fehler zu minimieren.
Die Ergebnisse sind ziemlich beeindruckend. Als sie diese Methode mit echten Daten von 2021 bis 2024 testeten, schlug die kombinierte Prognose die beste einzelne Expertenprognose in fast jedem Szenario. Für die Stundenpreise reduzierte die neue Methode den Fehler (gemessen am Mean Absolute Error) im Vergleich zu den ursprünglichen, unkombinierten Vorhersagen um zwischen 4 % und 24 %. Die Gewinne waren sogar noch größer für die längeren Zeitblöcke, wie die 12-Stunden- oder 24-Stunden-Durchschnitte, die für Händler entscheidend sind. Die Autoren entdeckten auch, dass der wichtigste Teil ihres Rezepts nicht die ausgeklügelte Mathematik zur Glättung der Daten war, sondern wie sie die Beziehung zwischen den verschiedenen Experten handhabten. Die Tatsache zu bewahren, dass Experten zur gleichen Zeit ähnliche Fehler machen könnten, war der Schlüssel zum Erfolg.
Interessanterweise argumentiert das Paper gegen die Idee, dass man das eine oder andere „klügste“ Modell auswählen muss. Selbst das fortschrittlichste KI-Modell in ihrer Studie (genannt MITRA) performte besser, wenn seine Vorhersagen mit denen der anderen kombiniert wurden. Das Paper widerlegt auch die Vorstellung, dass man zuerst die Experten mitteln und dann die Mathematik korrigieren sollte. Sie fanden heraus, dass es die überlegene Strategie ist, beides gleichzeitig zu tun – die Kombination und die Rekonziliation in einem einzigen „simultanen Schritt“ durchzuführen. Während die Methode auf komplexer Statistik beruht, um zu schätzen, wie die Fehler der verschiedenen Modelle zueinander in Beziehung stehen, ist der Kern der Erkenntnis einfach: Wenn man eine Hierarchie von Vorhersagen und ein Team von Experten hat, liefert das Zusammenmischen all dieser Elemente unter Einhaltung der Spielregeln eine Prognose, die schwer zu schlagen ist. Dies ist nicht nur ein theoretischer Sieg; es bietet einen praktischen, robusten Weg, um Strompreise genauer vorherzusagen, was hilft, das Licht an zu halten und die Märkte stabil zu halten.
Ertrinken Sie in Arbeiten in Ihrem Fachgebiet?
Erhalten Sie tägliche Digests der neuesten Arbeiten passend zu Ihren Forschungsbegriffen — mit technischen Zusammenfassungen, in Ihrer Sprache.