Imbalance Price Forecasting in the Italian Energy Market Using Deep Neural Networks and Temporal Fusion Transformers
Dieses Paper schlägt ein probabilistisches Prognose-Framework unter Verwendung von Temporal Fusion Transformers für den volatilen italienischen Stromungleichheitsmarkt vor und zeigt auf, dass die deterministische Genauigkeit zwar begrenzt ist, der primäre Wert des Modells jedoch in seiner Fähigkeit liegt, kalibrierte Risikobänder und interpretierbare Erkenntnisse für ein effektives Risikomanagement bereitzustellen.
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
Elektrizität ist ein Wirtschaftsgut, das sich nicht ohne Weiteres in großen Mengen speichern lässt, was bedeutet, dass die erzeugte Menge in jeder einzelnen Sekunde der konsumierten Menge entsprechen muss. In Italien, wie auch in vielen anderen Ländern, wird dieses Gleichgewicht durch ein komplexes System von Märkten gesteuert. Händler kaufen und verkaufen Strom im Voraus für den nächsten Tag, aber die eigentliche Prüfung erfolgt, wenn das Licht eingeschaltet wird und die tatsächliche Nachfrage eintritt. Wenn ein Kraftwerk im Vergleich zu dem, was versprochen wurde, zu viel oder zu wenig produziert, muss der Netzbetreiber eingreifen, um die Differenz auszugleichen, was oft mit hohen Kosten verbunden ist. Diese Kosten sind als Imbalance-Preise bekannt. Da das Netz ein physisches Netzwerk aus Drähten und Transformatoren ist, können lokale Engpässe dazu führen, dass diese Preise wild schwanken und manchmal innerhalb von Minuten auf extreme Niveaus schnellen. Die Vorhersage dieser Preise ist notorisch schwierig, da sie von einem chaotischen Mix aus Wetter, Erneuerbare-Energien-Ertrag und den physikalischen Grenzen der Übertragungsleitungen angetrieben werden. Für jeden, der Strom kauft oder verkauft, ist das Wissen darüber, ob diese Preise hoch oder niedrig und ob sie positiv oder negativ sein werden, der Unterschied zwischen Gewinn und Verlust.
Ein Forschungsteam der Roma Tre University und der University of Tabuk setzte sich zum Ziel, dieses Problem mithilfe einer hochentwickelten Art künstlicher Intelligenz namens Temporal Fusion Transformer anzugehen. Ihr Ziel war es nicht bloß, eine einzige Zahl für den Preis zu erraten, sondern ein System zu bauen, das die inhärente Unsicherheit des italienischen Energiemarktes verstehen konnte. Sie speisten das Computermodell mit einer riesigen Menge an Informationen, darunter historische Preise, die Menge des verbrauchten Stroms, die verfügbare Solar- und Windleistung sowie die im Vortagesmarkt festgelegten Preise. Das Modell wurde darauf ausgelegt, diese Daten zu analysieren und vorherzusagen, was in den nächsten zwölf Stunden in fünfzehnminütigen Intervallen passieren würde. Die Forscher waren besonders daran interessiert, ob diese fortschrittliche Technologie endlich den Code des italienischen Marktes knacken könnte, der für seine extreme Volatilität und häufigen, unvorhersehbaren Preisausschläge bekannt ist.
Die Ergebnisse ihrer Arbeit offenbarten eine harte Wahrheit über die Natur des italienischen Stromnetzes. Während das KI-Modell bei der Vorhersage der Standard-Vortagespreise außergewöhnlich gut abschnitt – mit Fehlern, die oft weniger als einem Euro pro Energieeinheit betrugen –, stieß es bei der Vorhersage der endgültigen Imbalance-Preise an seine Grenzen. In diesen volatilen Momenten pendelte sich die Fehlerrate des Modells bei etwa 62 Euro pro Einheit ein, ein Wert, der nur geringfügig besser war als bei viel einfacheren Methoden. Die Forscher stellten fest, dass das Modell nicht zuverlässig die exakte Höhe der Preisausschläge oder den präzisen Zeitpunkt ihres Auftretens vorhersagen konnte. Tatsächlich wurde das Modell sogar weniger genau bei Tests mit neuen Daten, wenn es während des Trainings versuchte, diese extremen Spitzen zu stark zu verfolgen – ein Phänomen, das als Overfitting (Überanpassung) bekannt ist. Das System lernte im Wesentlichen, dass der Markt zu chaotisch ist, um mit einer einzigen, präzisen Zahl vorhergesagt werden zu können.
Die Studie endete jedoch nicht in einem Scheitern; vielmehr führte sie zu einem Wandel in der Sichtweise der Forscher auf den Wert eines solchen Werkzeugs. Anstatt als Kristallkugel zu fungieren, die einen einzigen, definitiven Preis liefert, bewies das Modell seinen Wert als Risikomanager. Es konnte die allgemeine Richtung des Marktes erfolgreich vorhersagen – ob die Preise hoch oder niedrig oder ob die Imbalance positiv oder negativ sein würde – mit einer Genauigkeit von etwa 62 bis 65 Prozent.ت Viel wichtiger war, dass das Modell eine Spanne möglicher Ergebnisse lieferte und ein Konfidenzintervall bereitstellte, das den Händlern zeigte, welches Risiko sie eingingen. Es konnte Stunden identifizieren, in denen der Markt stabil und sicher zum Handeln war, im Gegensatz zu Stunden, in denen die Unsicherheit so hoch war, dass der Handel gefährlich wurde.
Die Forscher nutzten auch die internen Mechanismen des Modells, um zu verstehen, was den Markt antreibt. Indem sie untersuchten, welchen Datenstücken die Computerberechnung Aufmerksamkeit schenkte, entdeckten sie, dass das Modell lernte, viele der komplexen Variablen, mit denen es gefütet wurde, zu ignorieren, und sich stattdessen auf einige wenige Schlüsselfaktoren wie den Preis in der nördlichen Zone und die Jahreszeit zu konzentrieren. Diese Transparenz verwandelte die „Black Box“ der künstlichen Intelligenz in ein klares Entscheidungsinstrument. Die Studie zeigte, dass zwar niemand die chaotischen Ausschläge des italienischen Netzes perfekt vorhersagen kann, Händler aber dennoch bessere Entscheidungen treffen können, indem sie die Wahrscheinlichkeit verschiedener Ergebnisse verstehen. Die Studie kommt zu dem Schluss, dass die wahre Stärke dieser Technologie nicht darin liegt, das menschliche Urteilsvermögen durch eine perfekte Prognose zu ersetzen, sondern darin, einen robusten, interpretierbaren Rahmen zu bieten, der den Marktteilnehmern hilft, die inhärente Unsicherheit des Energiesystems mit größerer Zuversicht zu navigieren.
Ertrinken Sie in Arbeiten in Ihrem Fachgebiet?
Erhalten Sie tägliche Digests der neuesten Arbeiten passend zu Ihren Forschungsbegriffen — mit technischen Zusammenfassungen, in Ihrer Sprache.