Foundation models for electricity price forecasting and battery arbitrage: Can they replace market-specific forecasting models?
Obwohl Foundation-Modelle wie TabPFN eine überlegene statistische Genauigkeit bei der Strompreisprognose über mehrere Märkte hinweg aufweisen, ersetzen sie nicht universell marktspezifische Modelle, da ihr ökonomischer Wert beim Batterie-Arbitrage erheblich von der spezifischen Entscheidungsstrategie und der Risikotoleranz abhängt.
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
Elektrizität ist das unsichtbare Lebenselixier der modernen Gesellschaft, das durch Drähte fließt, um alles von Straßenlaternen bis hin zu Krankenhäusern mit Strom zu versorgen. Doch der Preis dieser Elektrizität ist nicht fix; er schwankt wild, steigt manchmal in schwindelerregende Höhen und sinkt gelegentlich in den negativen Bereich. Diese Preisschwankungen werden durch eine komplexe Mischung von Faktoren angetrieben: wie viel Sonne und Wind zur Stromerzeugung zur Verfügung stehen, wie hoch die Brennstoffkosten sind und wie viel Energie die Menschen in einem gegebenen Moment verbrauchen. Da sich diese Preise unvorhersehbar ändern, müssen Unternehmen, die Batterien besitzen oder Stromnetze verwalten, den zukünftigen Preis mit bemerkenswerter Genauigkeit erraten. Wenn sie einen Preisausschlag vorhersagen können, können sie billigen Strom kaufen, ihn in einer Batterie speichern und später mit Gewinn wieder verkaufen. Wenn sie falsch liegen, verlieren sie Geld. Seit Jahrzehnten entwickeln Experten spezialisierte Computermodelle, die genau für diese spezifischen Märkte entwickelt wurden und die einzigartigen Rhythmen des Stromnetzes eines jeden Landes erlernt haben.
Kürzlich ist eine neue Art von künstlicher Intelligenz aufgetaucht, die verspricht, dieselbe Aufgabe zu erfüllen, ohne dass sie die Besonderheiten eines einzelnen Marktes erlernen muss. Dies sind sogenannte Foundation-Modelle (Grundlagenmodelle). Stellen Sie sich einen Studenten vor, der Millionen von Büchern zu jedem möglichen Thema gelesen hat; wenn Sie ihn eine Frage zu einem spezifischen Thema stellen, kann er sofort antworten, ohne ein neues Lehrbuch zu benötigen. Ähnlich verhält es sich mit diesen Foundation-Modellen, die mit riesigen Mengen an Daten aus vielen verschiedenen Bereichen trainiert wurden, in der Hoffnung, dass sie das Gelernte sofort auf die Strompreise anwenden können, ohne zusätzliches Training. Die große Frage für die Energiewirtschaft ist, ob diese universell einsetzbaren KI-Werkzeuge gut genug sind, um die spezialisierten, marktspezifisch abgestimmten Experten zu ersetzen, die seit Jahren der Standard sind.
Ein Team von Forschern aus Polen und Dänemark machte es sich zur Aufgabe, diese Frage zu beantworten, indem sie diese neuen KI-Modelle einem strengen Test unterzogen. Sie sammelten fünf Jahre lang Elektrizitätspreisdaten aus drei sehr unterschiedlichen europäischen Märkten: Deutschland, Polen und Spanien. Diese Länder wurden gewählt, weil sie unterschiedliche Mischungen an Energiequellen haben; Deutschland und Spanien verlassen sich stark auf Wind und Sonne, während Polen immer noch einen erheblichen Anteil an Kohle nutzt. Die Forscher stellten neun verschiedene Versionen dieser neuen Foundation-Modelle zwei der besten bestehenden, spezialisierten Modelle gegenüber, die von Fachleuten verwendet werden. Sie baten die Modelle nicht nur darum, den Preis zu erraten; sie testeten, wie gut die Modelle die gesamte Spanne möglicher Preise vorhersagen konnten, einschließlich der seltenen, aber gefährlichen Spitzen und Einbrüche. Schließlich unternahmen sie den wichtigsten Schritt: Sie simulierten eine reale Handelsstrategie. Sie nutzten die Vorhersagen jedes Modells, um ein virtuelles Batteriespeichersystem zu betreiben, wobei sie über fünf Jahre hinweg Strom kauften und verkauften, um zu sehen, welches Modell tatsächlich den meisten Gewinn erzielte.
Die Ergebnisse zeigten eine überraschende Kluft zwischen statistischer Genauigkeit und realem Gewinn. In Bezug auf die reine Vorhersageleistung übertraf eine Familie dieser Foundation-Modelle, bekannt als TabPFN, die spezialisierten Experten in allen drei Ländern konsequent. Diese Modelle waren in der Lage, den Preis mit größerer Präzision vorherzusagen als die traditionellen Methoden, selbst ohne auf die spezifische Historie dieser Märkte trainiert worden zu zu sein. Die Geschichte änderte sich jedoch, als die Forscher auf das Bankkonto blickten. Während die TabPFN-Modelle statistisch überlegen waren, führten sie nicht automatisch zu den höchsten Gewinnen. Das Ergebnis hing völlig davon ab, wie viel Risiko der Händler eingehen wollte. Wenn die Handelsstrategie aggressiv war und bereit war, höhere Risiken einzugehen, erwirtschafteten die TabPFN-Modelle das meiste Geld. Aber wenn die Strategie vorsichtig und risikoavers war, erzielte das ältere, spezialisierte Modell namens DDNN-JSU tatsächlich mehr Gewinn, obwohl es in seinen reinen Vorhersagen weniger genau war.
Dieses Ergebnis deutet darauf darauf hin, dass die neuen Foundation-Modelle zwar leistungsstarke Werkzeuge sind, aber kein universeller Ersatz für die spezialisierten Modelle darstellen, die seit Jahrzehnten verfeinert werden. Die beste Wahl hängt vom spezifischen Ziel ab. Wenn das Ziel darin besteht, das genaueste statistische Bild der Zukunft zu haben, sind die neuen Foundation-Modelle exzellent. Aber wenn das Ziel darin besteht, den Gewinn in einem vorsichtigen Handelsumfeld zu maximieren, behalten die alten, spezialisierten Modelle den Vorteil. Die Studie kommt zu dem Schluss, dass diese neuen KI-Werkzeuge zwar ein bedeutender Schritt nach vorn sind und die Prognosen verbessern können, sie jedoch eher als leistungsstarke Komponenten in einem größeren System denn als ein Allheilmittel zu betrachten sind, das jedes Problem löst. Die Zukunft des Stromhandels wird wahrscheinlich eine Mischung aus diesen neuen, universell einsetzbaren Werkzeugen und der sorgfältigen, marktspezifischen Expertise sein, die über Jahre hinweg aufgebaut wurde.
Ertrinken Sie in Arbeiten in Ihrem Fachgebiet?
Erhalten Sie tägliche Digests der neuesten Arbeiten passend zu Ihren Forschungsbegriffen — mit technischen Zusammenfassungen, in Ihrer Sprache.