Functional Autoregressive Modeling with Exogenous Variables for Day-Ahead Electricity Price Forecasting in the Croatian Electricity Market
Diese Arbeit zeigt, dass funktionale autoregressive Modelle mit exogenen Variablen (FARX(p)) traditionelle statistische und maschinelle Lernmethoden bei der Prognose von Strompreisen am Vortag auf dem kroatischen Markt signifikant übertreffen, indem sie hochfrequente Volatilität, zeitliche Abhängigkeiten und nachfragebedingte Effekte effektiv erfassen.
Originalarbeit lizenziert unter CC BY 4.0 (https://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 für morgen vorherzusagen. In der Vergangenheit haben die Menschen die Strompreise wie eine Kette einzelner Perlen auf einer Halskette behandelt: Sie betrachteten den Preis um 1:00 Uhr morgens, dann den Preis um 2:00 Uhr morgens, als ob jede Stunde keine Verbindung zur vorangegangenen hätte.
Dieses Paper argumentiert, dass dieser „Perle-für-Perle“-Ansatz das große Ganze übersieht. Stattdessen schlagen die Autoren vor, den gesamten Tagespreis als einen einzigen, glatten, fließenden Fluss zu betrachten. Sie nennen dies Funktionale Datenanalyse (FDA).
Hier ist eine einfache Aufschlüsselung dessen, was sie getan haben, wie sie es gemacht haben und was sie herausgefunden haben, unter Verwendung alltäglicher Analogien.
Das Problem: Die „Perle“ vs. der „Fluss“
Strompreise sind wild. Sie springen hoch und runter, sie haben Muster, die sich jeden Tag wiederholen (wie die Rushhour), und sie werden von äußeren Faktoren beeinflusst, wie etwa der Menge an Strom, die die Menschen verbrauchen.
- Der alte Weg (Traditionelle Modelle): Stellen Sie sich vor, Sie versuchen, die Form eines Flusses vorherzusagen, indem Sie den Wasserstand an nur wenigen zufälligen Stellen messen. Dabei könnten Sie die Kurve des Flussufers oder die Geschwindigkeit der Strömung übersehen. Traditionelle Modelle (wie ARIMA oder einfache KI) behandeln jede Stunde als isolierten Punkt. Sie haben Schwierigkeiten, den glatten Fluss des Tages zu erkennen.
- Der neue Weg (Funktionale Modelle): Die Autoren behandeln die 24 Stunden der Strompreise als eine kontinuierliche, glatte Kurve – einen „Fluss“. Dies ermöglicht es ihnen, die gesamte Form des Tages zu sehen und nicht nur isolierte Wassertropfen.
Die Lösung: Zwei spezielle Werkzeuge
Die Forscher entwickelten zwei neue Werkzeuge, um diese „Preisflüsse“ vorherzusagen:
- FAR (Das „Gedächtnis“-Werkzeug): Dieses Werkzeug betrachtet die Form des gestrigen Preisflusses und nutzt diese Form, um zu erraten, wie der heutige Fluss aussehen wird. Es versteht, dass wenn der Fluss gestern Morgen hoch und steil war, er auch heute Morgen wahrscheinlich hoch und steil sein wird.
- FARX (Das „Gedächtnis + Wetter“-Werkzeug): Dies ist die verbesserte Version. Es betrachtet nicht nur den gestrigen Preisfluss, sondern auch die Stromnachfrage (wie viel Energie die Menschen verbrauchen).
- Die Analogie: Stellen Sie sich vor, Sie sagen den Verkehr voraus. Ein „Gedächtnis“-Werkzeug schaut nur darauf, wie schnell die Autos gestern gefahren sind. Das „Gedächtnis + Wetter“-Werkzeug schaut zusätzlich darauf, ob es regnet oder ob ein großes Spiel im Fernsehen läuft. Die Autoren fanden heraus, dass das Wissen über den „Verkehr“ (die Nachfrage) hilft, die „Geschwindigkeit“ (den Preis) viel besser vorherzusagen.
Das Experiment: Der kroatische Testlauf
Um diese Werkzeuge zu testen, verwendeten die Autoren Daten aus dem kroatischen Strommarkt von 2020 bis 2024. Sie teilten die Daten in zwei Stapel auf:
- Der Übungsstapel (2020–2023): Sie haben die Modelle mit diesen Daten trainiert.
- Der Teststapel (2024): Sie ließen die Modelle die zukünftigen Preise für dieses Jahr vorhersagen und prüften, wie nah sie an den tatsächlichen Zahlen lagen.
Sie verglichen ihre neuen „Fluss“-Werkzeuge mit den alten „Perlen“-Werkzeugen (Standardstatistiken und gängige KI-Modelle wie neuronale Netze).
Die Ergebnisse: Der Sieger ist klar
Die Ergebnisse waren wie ein Rennen, bei dem die neuen Werkzeuge mit großem Vorsprung gewonnen haben.
- Die Anzeigetafel: Die Autoren verwendeten drei Scorecards, um die Genauigkeit zu messen:
- MAE: Wie weit lag die Schätzung im Durchschnitt daneben?
- MAPE: Wie hoch war der prozentuale Fehler?
- RMSE: Wie schlimm waren die größten Fehler?
- Das Ergebnis: Das FARX-Modell (das sowohl die Form des Preises als auch die Nachfrage nutzte) hatte über alle Kategorien hinweg die niedrigsten Fehler. Es war am genauesten, egal ob sie die nächste Stunde, die nächste Woche oder den nächsten Monat vorhersagten.
- Warum es gewann: Die alten Modelle wurden durch die komplexe, wackelige Natur der Strompreise verwirrt. Die neuen Modelle konnten die Windungen und Kurven viel besser navigieren, indem sie den Preis als eine glatte Kurve betrachteten und den Faktor „Nachfrage“ hinzufügten.
Das Fazit
Das Paper kommt zu dem Schluss: Wenn Sie Strompreise vorhersagen wollen, hören Sie auf, sie als eine Liste separater Zahlen zu betrachten. Betrachten Sie sie stattdessen als eine kontinuierliche, fließende Form.
- Für den Markt: Dies hilft Unternehmen und Händlern, bessere Wetten auf Preise abzuschließen, ihre Risiken zu managen und ihren Stromverbrauch effizienter zu planen.
- Die Einschränkung: Die Autoren geben zu, dass sie dies nur in Kroatien getestet haben. Sie haben auch nur die „Nachfrage“ als zusätzlichen Faktor verwendet. Sie schlagen vor, dass zukünftige Versionen andere Faktoren wie das Wetter oder Brennstoffpreise hinzufügen könnten, um den „Fluss“ noch klarer zu machen.
Kurz gesagt: Indem sie die Strompreise als eine kontinuierliche, fließende Geschichte statt als eine Liste unverbundener Fakten behandelten und dabei dem Kapitel der „Nachfrage“ dieser Geschichte zuhörten, haben die Autoren eine Kristallkugel geschaffen, die die Zukunft der Strompreise klarer sieht als jeder andere zuvor.
Ertrinken Sie in Arbeiten in Ihrem Fachgebiet?
Erhalten Sie tägliche Digests der neuesten Arbeiten passend zu Ihren Forschungsbegriffen — mit technischen Zusammenfassungen, in Ihrer Sprache.