💻 computer science

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

Este artículo propone un marco híbrido de Red de Kolmogorov-Arnold y XGBoost para la previsión de precios de electricidad con una semana de antelación en el Mercado Nacional de Electricidad de Australia, demostrando una precisión superior a la de los modelos de referencia al combinar eficazmente la representación no lineal global con la robustez local para abordar la alta volatilidad del mercado y la incertidumbre inducida por las energías renovables.

Autores originales: Houxuan Zhou, Sriram Prasad, Chenghao Huang, Jiajie Feng, Hao Wang

Publicado 2026-05-22

📖 5 min de lectura🧠 Análisis profundo

CC BY 4.0

Autores originales: Houxuan Zhou, Sriram Prasad, Chenghao Huang, Jiajie Feng, Hao Wang

Artículo original bajo licencia CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Esta es una explicación generada por IA del artículo a continuación. No ha sido escrita ni avalada por los autores. Para mayor precisión técnica, consulte el artículo original. Leer descargo de responsabilidad completo

Imagina que intentas predecir el precio de la electricidad en el Mercado Nacional de Electricidad (NEM) de Australia para la próxima semana. Esto no es como predecir el tiempo; es más como intentar adivinar el precio de un viaje en coche compartido durante una tormenta repentina. Los precios son salvajes, suben y bajan de forma impredecible, y a veces se disparan a alturas locas debido a factores como una cobertura nubosa repentina que anula la energía solar o una ola de calor que dispara la demanda.

Este artículo presenta un nuevo enfoque de "super-equipo" para resolver este problema. En lugar de confiar en un solo método, los investigadores combinaron dos tipos muy diferentes de modelos de IA para crear un sistema híbrido que es mejor para predecir estos precios caóticos que cualquier modelo individual por sí solo.

Aquí se explica cómo el artículo describe su solución, desglosada en conceptos simples:

El Problema: La "carrera salvaje" de los precios de la electricidad

Los precios de la electricidad en Australia son notoriamente volátiles. Están influenciados por:

Energía Renovable: El viento y el sol son geniales, pero son impredecibles. Si el viento deja de soplar, los precios pueden dispararse.
Demanda: Cuando hace calor, todos encienden el aire acondicionado y los precios suben.
Tiempo: Los precios cambian cada cinco minutos.

Los investigadores querían pronosticar los precios una semana por adelantado. Esto es más difícil que predecir el precio de mañana porque debes tener en cuenta las tendencias a largo plazo y los choques repentinos a corto plazo.

La Solución: Un "Equipo Soñado" de dos modelos

Los autores construyeron un marco híbrido que combina dos "personalidades" distintas de IA:

1. El Artista de la "Gran Imagen": KAN (Red de Kolmogorov-Arnold)

Qué hace: Piensa en KAN como un pintor suave y artístico. Es muy bueno para ver las tendencias a largo plazo y los patrones suaves y fluidos en los datos. Entiende la "forma" de cómo se mueven generalmente los precios con el tiempo.
Su debilidad: Puede confundirse un poco con picos repentinos y dentados o valores atípicos extraños. Prefiere curvas suaves.

2. El Detective "Orientado al Detalle": XGBoost

Qué hace: Piensa en XGBoost como un detective de ojos agudos que utiliza árboles de decisión. Es excelente para detectar cambios repentinos, irregularidades locales y picos extremos. Es genial para decir: "Oye, justo aquí, el precio saltó debido a este evento específico".
Su debilidad: A veces le cuesta ver la gran imagen suave y a largo plazo. Se enfoca tanto en los detalles inmediatos que podría perderse el flujo general.

La Magia Híbrida: KAN + XGBoost
Los investigadores se dieron cuenta de que si dejaban que estos dos trabajaran juntos, podrían cubrir los puntos ciegos del otro.

La Analogía: Imagina intentar navegar un barco a través de una tormenta. Necesitas un capitán que entienda las corrientes del océano (KAN) y un vigía que detecte las rocas y olas repentinas (XGBoost).
Cómo trabajan juntos: El modelo KAN predice la trayectoria general del precio. Luego, el modelo XGBoost observa los "errores" o "residuos" que cometió el modelo KAN y los corrige, especialmente para esos picos repentinos de precios.
El Resultado: Combinaron las predicciones con una división 50/50 (peso igual), creando un modelo que ve tanto el bosque como los árboles.

El Experimento: Cómo lo probaron

Los Datos: Utilizaron datos reales de electricidad de las cinco regiones principales de Australia (NSW, VIC, QLD, SA, TAS) desde abril de 2024 hasta marzo de 2025.
La Configuración: Utilizaron una estrategia de "ventana expansiva". Imagina aprender a conducir: comienzas con una semana de práctica, luego dos, luego tres, siempre usando toda tu experiencia pasada para predecir la próxima semana.
La Competencia: Pusieron a su nuevo equipo híbrido contra:
- Modelos estadísticos antiguos (SARIMAX).
- Un modelo de aprendizaje profundo popular (LSTM).
- Los dos modelos utilizados por separado (solo KAN o solo XGBoost).
- Una línea base "Ingenua" (simplemente adivinar que el precio será el mismo que ahora).

Los Resultados: ¿Quién ganó?

El equipo híbrido KAN+XGBoost ganó por goleada.

Precisión: Redujo el error promedio (MAE) en aproximadamente 12% en comparación con usar solo XGBoost, y en más del 50% en comparación con la adivinanza "ingenua".
Consistencia: Rindió bien en los cinco estados australianos, incluso en las regiones más volátiles como Nueva Gales del Sur (NSW).
Eventos Extremos: Aunque predecir picos masivos de precios es difícil para todos, el modelo híbrido fue el mejor en capturar estos eventos extremos en comparación con los otros métodos.

Por Qué Esto Importa (Según el Artículo)

El artículo concluye que para mercados altamente caóticos como la red eléctrica de Australia, no puedes confiar en un solo tipo de IA.

La Conclusión: Al mezclar un modelo que entiende patrones suaves y a largo plazo (KAN) con un modelo que maneja cambios repentinos y dentados (XGBoost), obtienes un pronóstico mucho más robusto y confiable.
La Limitación: El artículo admite que, aunque esto es una gran mejora, predecir los picos de precios absolutamente más altos sigue siendo difícil porque son tan raros y caóticos. Además, el modelo depende de datos precisos de clima y demanda, que en sí mismos son pronósticos.

En resumen, el artículo argumenta que la mejor manera de predecir el futuro de los precios de la electricidad no es encontrar la única IA "más inteligente", sino construir un equipo donde el "pensador suave" y el "detective agudo" trabajen juntos.

Resumen Técnico: Marco Híbrido KAN+XGBoost para la Predicción de Precios con una Semana de Antelación en el NEM de Australia

Enunciado del Problema
La predicción precisa de precios de electricidad (EPF) es crítica para la planificación operativa y la gestión de riesgos en los sistemas energéticos modernos. Sin embargo, la predicción sigue siendo un desafío debido a la alta volatilidad, las dinámicas no lineales y los frecuentes picos de precios extremos. Estos problemas se ven exacerbados en el Mercado Nacional de Electricidad (NEM) de Australia por la alta penetración de energías renovables, que introduce un suministro intermitente y dinámicas de precios complejas y no lineales. Si bien la predicción con un día de antelación está bien estudiada, la predicción horaria con una semana de antelación sigue siendo poco explorada a pesar de su valor para las ofertas, la programación de generación y la cobertura de riesgos. Los enfoques existentes a menudo enfrentan una compensación: los modelos estadísticos (por ejemplo, SARIMAX) luchan con las no linealidades y los picos; los modelos de aprendizaje profundo (por ejemplo, LSTM) son sensibles al ruido en horizontes largos; y los modelos basados en árboles (por ejemplo, XGBoost) pueden carecer de la capacidad de capturar dependencias globales suaves.

Metodología
El artículo propone un marco híbrido que integra las Redes de Kolmogorov-Arnold (KAN) y XGBoost para abordar el doble desafío de capturar estructuras globales a largo plazo e irregularidades locales a corto plazo.

Formulación del Problema: La tarea implica predecir los precios de electricidad ( $\hat{y}_{t+1:t+H}$ ) para un horizonte de 168 horas (una semana) utilizando una ventana de entrada de 336 horas (dos semanas) de precios históricos y variables exógenas ( $z_t$ ), incluyendo demanda, pronósticos de generación renovable y datos meteorológicos.
Preparación de Datos: Los datos de abril de 2024 a marzo de 2025 en cinco regiones del NEM (NSW, VIC, QLD, SA, TAS) se agregaron a una resolución horaria. Las características incluyen precios rezagados, demanda total, intercambio neto, pronósticos de energía solar/eólica y temperatura. Se aplicó una transformación de seno hiperbólico inverso a la variable objetivo para estabilizar la varianza.
Arquitectura Híbrida:
- Componente KAN: Basado en el teorema de representación de Kolmogorov-Arnold, KAN aprende transformaciones univariadas para aproximar estructuras no lineales globales y patrones temporales suaves. Utiliza funciones de activación aprendibles basadas en splines (tamaño de cuadrícula 3, orden 3) con dos capas ocultas.
- Componente XGBoost: Un marco de boosting de gradiente entrenado para capturar patrones locales, cambios abruptos y desviaciones residuales que las redes neuronales podrían pasar por alto.
- Estrategia de Conjunto: La predicción final es una combinación ponderada: $\hat{y} = \alpha \hat{y}_{KAN} + (1-\alpha) \hat{y}_{XGB}$ . Un estudio de ablación determinó que una ponderación igual ( $\alpha = 0.5$ ) produjo el mejor rendimiento de validación en todos los estados.
Configuración Experimental: Se utilizó una estrategia de evaluación con ventana expansiva con cuatro conjuntos de prueba semanales consecutivos en marzo de 2025. Los modelos se entrenaron con todos los datos históricos disponibles hasta el período de pronóstico. Las líneas base incluyeron Naive, SARIMAX, LSTM, KAN independiente y XGBoost independiente.

Contribuciones Clave

Marco Híbrido Novel: El artículo introduce un marco KAN+XGBoost que descompone funcionalmente la tarea de predicción: KAN maneja las dependencias no lineales globales, mientras que XGBoost modela irregularidades locales y valores atípicos.
Enfoque con una Semana de Antelación: El estudio se dirige específicamente al horizonte de predicción con una semana de antelación, poco explorado, proporcionando plazos de anticipación más largos para los participantes del mercado en comparación con los modelos estándar con un día de antelación.
Evaluación Exhaustiva: Se realizaron experimentos extensos en cinco diversas regiones del NEM, demostrando la capacidad del modelo para generalizar bajo condiciones de mercado variables y regímenes de volatilidad.

Resultados
El modelo propuesto KAN+XGBoost superó a todos los puntos de referencia (SARIMAX, LSTM, KAN independiente, XGBoost independiente y Naive) en múltiples métricas (MAE, RMSE, rMAE).

Rendimiento General: El modelo híbrido logró un MAE de 26.17, lo que representa una reducción de aproximadamente 12% en comparación con XGBoost independiente (29.49) y más del 50% en comparación con la línea base Naive (52.50).
Consistencia Regional: El modelo mantuvo un rendimiento superior en los cinco estados. Cabe destacar que, en regiones altamente volátiles como NSW, logró el MAE y RMSE más bajos entre todos los métodos.
Eventos Extremos: Utilizando un umbral basado en la Teoría del Valor Extremo (EVT) (cola 0.95), el modelo híbrido logró el MAE de eventos extremos más bajo (103.88), lo que indica una mayor robustez en la captura de picos de precios altos en comparación con otros métodos.
Hallazgos de Ablación: El estudio confirmó que una integración equilibrada (ponderación 0.5/0.5) es óptima; la sobredependencia de KAN o XGBoost condujo a una degradación del rendimiento. KAN independiente mostró limitaciones en entornos altamente dinámicos debido a la sensibilidad al ruido, reforzando la necesidad del enfoque híbrido.

Significado y Afirmaciones
El artículo afirma que las estrategias de aprendizaje híbrido proporcionan una solución efectiva y robusta para la predicción de precios de electricidad en mercados altamente dinámicos como el NEM. Al aprovechar las fortalezas complementarias del aprendizaje de representación funcional (KAN) y la partición basada en árboles (XGBoost), el marco equilibra exitosamente el modelado de dependencias a largo plazo y la volatilidad a corto plazo. Los autores sugieren que este enfoque reduce la necesidad de configuraciones de modelos específicas para cada estado, ofreciendo una solución escalable para diversos mercados regionales. Sin embargo, el artículo reconoce modestamente las limitaciones, señalando que predecir con precisión los picos de precios extremos sigue siendo difícil y que el rendimiento del modelo depende de la disponibilidad de variables exógenas precisas (por ejemplo, pronósticos meteorológicos y de demanda). Se propone trabajo futuro para explorar la predicción probabilística y estrategias de conjunto adaptativas.