💻 computer science

PriceFM: Foundation Model for Probabilistic Electricity Price Forecasting

Ce papier présente PriceFM, un modèle fondation probabiliste pour la prévision des prix de l'électricité en Europe, qui exploite un jeu de données multi-pays à grande échelle et intègre la topologie du réseau de transport via un masque de graphe parcimonieux pour capturer efficacement les dépendances inter-régionales et surpasser les références existantes.

Auteurs originaux : Runyao Yu, Chenhui Gu, Jochen Stiasny, Qingsong Wen, Wasim Sarwar Dilov, Lianlian Qi, Jochen L. Cremer

Publié 2026-05-12

📖 5 min de lecture🧠 Analyse approfondie

CC BY 4.0

Auteurs originaux : Runyao Yu, Chenhui Gu, Jochen Stiasny, Qingsong Wen, Wasim Sarwar Dilov, Lianlian Qi, Jochen L. Cremer

Article original sous licence CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Ceci est une explication générée par l'IA de l'article ci-dessous. Elle n'a pas été rédigée ni approuvée par les auteurs. Pour une précision technique, consultez l'article original. Lire la clause de non-responsabilité complète

Imaginez le marché européen de l'électricité comme un immense quartier interconnecté où chaque maison (ou région) possède son propre générateur d'électricité, ses propres habitudes de consommation et son propre prix de l'électricité. Parfois, le soleil brille intensément en Espagne, rendant l'électricité bon marché là-bas, tandis qu'un jour orageux et nuageux en Allemagne rend l'énergie coûteuse. Parce que les maisons sont reliées par des lignes électriques (lignes de transmission), l'électricité peut s'écouler de la maison bon marché vers la maison chère, mais seulement si les fils sont suffisamment solides et pas trop encombrés.

L'article présente un nouveau « super-prévisionniste » appelé PriceFM. Imaginez PriceFM comme un prévisionniste météorologique très expérimenté qui ne regarde pas seulement le ciel au-dessus d'une seule maison, mais comprend comment le vent et le soleil affectent l'ensemble du quartier, et comment les lignes électriques qui les relient modifient le prix de l'énergie.

Voici une explication de son fonctionnement, utilisant des analogies simples :

1. Le Problème : Trop de Voisins, Trop de Bruit

Par le passé, les prévisionnistes tentaient de prédire les prix de l'électricité en observant une seule région à la fois (comme deviner le prix en Allemagne sans savoir ce qui se passe en France). D'autres tentaient de regarder tout le monde en même temps, mais ils traitaient tous les voisins comme également importants.

Le Défaut : Imaginez essayer de deviner le prix d'une maison à Paris. Si vous écoutez les ragots d'une maison située dans un autre pays à 500 miles de distance et sans route directe vers Paris, cette information est probablement du simple bruit. Elle risque de vous induire en erreur. Les modèles existants étaient comme cela : ils écoutaient tout le monde, même les voisins lointains qui ne comptaient pas vraiment, ce qui rendait leurs prédictions moins précises.

2. La Solution : Une Carte Intelligente (le « Masque de Graphe »)

PriceFM résout ce problème en utilisant une carte numérique des lignes électriques.

L'Analogie : Imaginez que vous êtes dans une pièce bondée. Pour entendre clairement un ami, vous vous concentrez sur les personnes qui se tiennent juste à côté de vous. Vous ignorez les gens qui crient de l'autre côté du bâtiment.
Comment PriceFM le fait : Il utilise un « Masque de graphe épars ». C'est comme un filtre qui dit : « Écoutez uniquement les régions directement connectées à la région cible, ou celles situées à un ou deux pas de distance ». Il bloque le « bruit » provenant des régions éloignées qui ne sont pas physiquement reliées par des lignes électriques. Cela garantit que le modèle n'apprend que des voisins qui comptent réellement.

3. Le Cerveau : Un « Mélange d'Experts » (MoE)

L'article mentionne une couche de « Mélange d'Experts ».

L'Analogie : Imaginez une équipe de 38 spécialistes différents, un pour chaque région. Cependant, au lieu d'embaucher 38 personnes différentes pour faire exactement le même travail, PriceFM dispose d'un gestionnaire intelligent (le « Routeur »).
Comment cela fonctionne : Lorsque le gestionnaire voit des données provenant d'une région venteuse, il demande l'avis de l'« Expert Vent ». Lorsqu'il voit des données provenant d'une région ensoleillée, il demande l'avis de l'« Expert Soleil ». Certaines régions sont similaires (comme deux pays voisins ayant une météo comparable), elles peuvent donc partager le même expert. Cela rend le système efficace et intelligent, lui permettant d'apprendre des motifs d'une région et de les appliquer à des régions similaires sans se tromper.

4. L'Ensemble de Données : Une Bibliothèque Géante et à Jour

Pour entraîner ce modèle, les auteurs ont construit une bibliothèque massive de données.

L'Échelle : Ils ont collecté des données provenant de 24 pays (38 régions différentes) couvrant les années 2022 à 2026.
Le Contenu : Ce ne sont pas seulement des prix. Cela inclut des prévisions sur la quantité d'électricité que les gens utiliseront (Charge), la quantité de soleil et de vent disponible (Solaire et Éolien), et les prix réels. C'est comme donner au modèle une histoire complète de la météo, des habitudes et des factures du quartier sur quatre années consécutives.

5. Le Résultat : De Meilleures Prévisions

Lorsqu'ils ont testé PriceFM contre d'autres modèles (y compris d'autres « modèles de base » célèbres pour leur intelligence dans les tâches générales de séries temporelles), PriceFM a gagné.

Pourquoi ? Parce qu'il n'a pas seulement mémorisé des motifs ; il a compris les règles physiques du réseau électrique. Il savait que l'électricité circule à travers des fils, pas à travers l'air.
Le Résultat : Il a prédit les prix avec plus de précision et, surtout, il a fourni une fourchette de prix possibles (prévision probabiliste) sans commettre d'erreurs logiques (comme prédire un prix « élevé » inférieur au prix « bas »).

Résumé

PriceFM est un nouvel outil pour prédire les prix de l'électricité en Europe. Il fonctionne mieux que les outils précédents car :

Il utilise un énorme ensemble de données récent couvrant presque toute l'Europe.
Il utilise un filtre intelligent pour ignorer les voisins lointains et non pertinents, se concentrant uniquement sur les régions physiquement connectées par des lignes électriques.
Il utilise une équipe de spécialistes (Mélange d'Experts) pour gérer les différents types de météo et de besoins énergétiques à travers le continent.

L'article affirme que cela conduit à des prévisions plus précises, ce qui aide les compagnies d'électricité et les gouvernements à mieux gérer le réseau alors qu'ils dépendent davantage des énergies renouvelables imprévisibles comme l'éolien et le solaire.

Résumé Technique : PriceFM – Modèle de Fondation pour la Prévision Probabiliste des Prix de l'Électricité

1. Énoncé du Problème

La prévision probabiliste précise des prix de l'électricité est cruciale pour le fonctionnement durable des systèmes électriques, particulièrement à mesure que la pénétration des énergies renouvelables augmente. Le marché européen de l'électricité présente des défis uniques en raison de la forte variabilité de la production solaire et éolienne, d'une intégration profonde des marchés et d'un système de transmission physiquement interconnecté.

Les approches existantes font face à deux limitations principales :

Absence de Modélisation Spatiale : La plupart des modèles se concentrent sur des marchés à région unique (par exemple, l'Allemagne) ou traitent les régions indépendamment, échouant à capturer les interdépendances spatiales pilotées par les échanges d'électricité transfrontaliers.
Priors de Graphes Inadéquats dans les Modèles de Fondation : Bien que les récents modèles de fondation (par exemple, Chronos, TimesFM) excellent dans la prévision générale de séries temporelles, ils reposent généralement sur des mécanismes de mélange purement basés sur les données. Ils n'intègrent pas de connaissances a priori explicites sur la topologie du réseau de transmission. Par conséquent, ils peuvent apprendre involontairement des signaux bruyants provenant de régions topologiquement distantes, entraînant un surapprentissage et une réduction de la généralisation dans les systèmes interconnectés.

L'article soutient que la modélisation explicite de la structure spatiale du marché européen, contrainte par les lignes de transmission physiques, est essentielle pour une formation précise des prix.

2. Méthodologie : PriceFM

Les auteurs proposent PriceFM, un modèle de fondation probabiliste conçu spécifiquement pour les marchés européens de l'électricité. L'architecture intègre un mécanisme de projection partagé avec un masque de graphe épars guidé par la topologie.

A. Fondement des Données

Le modèle est construit sur un ensemble de données complet, conscient des énergies renouvelables, couvrant 24 pays européens (38 régions) du 1er janvier 2022 au 1er janvier 2026.

Caractéristiques : Prix de l'électricité jour-ahead, prévisions de charge et prévisions de production solaire/éolienne (somme du onshore et offshore).
Résolution : Toutes les caractéristiques sont rééchantillonnées à une résolution de 15 minutes pour s'aligner sur les normes évolutives du marché de l'UE.
Portée : L'ensemble de données comprend environ 5,3 millions d'enregistrements, comblant le manque de données standardisées à grande échelle pour l'entraînement de modèles de fondation.

B. Architecture du Modèle

PriceFM traite des entrées multi-régionales pour produire des prévisions multi-régionales, multi-étapes temporelles et multi-quantiles.

Couche de Projection Partagée de Mélange d'Experts (MoE) :
- Pour garantir que les représentations régionales sont comparables, le modèle mappe les entrées (prix et caractéristiques exogènes) dans un espace d'embedding latent partagé.
- Au lieu d'assigner une couche dense unique à chacune des 38 régions, un MoE partagé est utilisé. Cette couche se compose d'un Expert de Fusion (combinant prix et caractéristiques exogènes via une addition résiduelle) et d'un Routeur de Pondération (sélectionnant dynamiquement les poids des experts en fonction des caractéristiques d'entrée).
- Cette conception permet aux régions ayant des motifs similaires de partager des mécanismes de projection tout en maintenant la flexibilité.
Masque de Graphe Épars Guidé par la Topologie :
- Il s'agit de l'innovation centrale distinguant PriceFM des modèles de fondation génériques.
- Le modèle construit un masque de graphe épars basé sur la topologie physique de transmission. Il calcule la distance du graphe (nombre de sauts de transmission) entre une région d'entrée et une région de sortie cible en utilisant la recherche en largeur (BFS).
- Un hyperparamètre $\delta$ (seuil de degré du graphe) limite l'agrégation à un voisinage borné. Les régions au-delà de cette distance sont masquées (assignées à 0), empêchant le modèle d'intégrer des signaux bruyants provenant de zones topologiquement distantes.
- Les embeddings régionaux sont agrégés via une moyenne contrainte par la parcimonie, agissant comme un régularisateur spatial.
Tête de Quantiles Hiérarchique :
- Pour assurer la cohérence probabiliste et prévenir le croisement de quantiles (où les quantiles supérieurs tombent en dessous des inférieurs), le modèle emploie une tête hiérarchique.
- Il prédit d'abord la trajectoire médiane ( $\tau=0.5$ ).
- Les quantiles supérieurs et inférieurs sont ensuite générés en ajoutant ou soustrayant des résidus non négatifs (dérivés via des fonctions de valeur absolue ou ReLU) à la médiane. Cela garantit la monotonie à travers les quantiles.

C. Objectif d'Entraînement

Le modèle est entraîné en utilisant la Perte Moyenne de Quantiles (AQL) à travers plusieurs régions, étapes temporelles et quantiles.

3. Contributions Clés

Publication de l'Ensemble de Données : Introduction du plus grand et du plus diversifié ensemble de données ouvertes pour les marchés européens de l'électricité à ce jour, couvrant 38 régions sur une période de 4 ans avec des caractéristiques conscientes des énergies renouvelables.
Cadre PriceFM : Un nouveau modèle de fondation probabiliste qui intègre des priors de topologie de transmission dans une architecture de fondation de séries temporelles. Il prend en charge la prévision multi-régionale, multi-étape temporelle et multi-quantile.
Évaluation Complète : Expériences extensives comparant PriceFM à des baselines naïves, des modèles de séries temporelles purs, des modèles basés sur des graphes et des modèles de fondation génériques (par exemple, Chronos, Moirai, TimesFM).

4. Résultats Expérimentaux

Les auteurs ont évalué PriceFM en utilisant une évaluation roulante à 3 plis et une stratégie "zero-shot" de type "leave-one-region-out".

Vs. Modèles Naïfs : PriceFM a nettement surpassé les baselines saisonnières naïves, réduisant l'AQL de 62,1 %, le MAE de 35,3 % et le RMSE de 31,3 %.
Vs. Modèles de Séries Temporelles : PriceFM a dépassé la meilleure baseline de séries temporelles pure (TimesNet) de 37,6 % en AQL, démontrant la nécessité d'un biais inductif spatial explicite.
Vs. Modèles de Graphes : PriceFM a amélioré la meilleure baseline de graphe (GraphConv) de 12,3 % en AQL. Les auteurs attribuent cela au mécanisme de masquage épars, qui atténue le risque de surapprentissage associé aux GNN purement basés sur les données qui propagent des signaux depuis des régions faiblement liées.
Vs. Modèles de Fondation Génériques : Dans un cadre zero-shot "leave-one-region-out", PriceFM a réduit l'AQL de 14,7 % par rapport au modèle de fondation générique le plus performant (Chronos[2.0]). Cela suggère que le pré-entraînement sur un domaine large est insuffisant pour capturer les dépendances spatiales spécifiques des marchés de l'électricité interconnectés sans priors de graphe explicites.
Croisement de Quantiles : PriceFM a atteint un Taux de Croisement de Quantiles (AQCR) de 0,00 %, tandis que de nombreuses baselines présentaient des taux de croisement non nuls.

Les Études d'Ablation ont confirmé que :

Un seuil de degré de graphe de $\delta=0$ (n'utilisant que des données locales) était optimal pour certaines régions (par exemple, l'Allemagne, la France), tandis que d'autres bénéficiaient d'informations de voisinage.
L'utilisation de 4 experts ( $M=4$ ) dans la couche MoE était suffisante.
Le retrait du masque guidé par la topologie ou son remplacement par un masque aléatoire a provoqué une baisse significative des performances, validant l'importance du prior de réseau physique.

5. Signification et Revendications

L'article revendique que PriceFM fournit un outil évolutif et conscient de l'incertitude pour les systèmes électriques confrontés à une pénétration croissante des énergies renouvelables. Sa signification réside dans :

Combler le Fossé : Intégrer avec succès des contraintes physiques spécifiques au domaine (topologie de transmission) dans le paradigme des modèles de fondation, qui reposaient auparavant sur des approches purement basées sur les données.
Généralisation : Démontrer des capacités de généralisation supérieures, en particulier dans les scénarios zero-shot pour des régions non vues, ce qui est crucial pour les marchés où les données d'entraînement complètes peuvent être limitées.
Valeur Opérationnelle : En modélisant conjointement le solaire, l'éolien, la charge, les prix et les interactions induites par la topologie, le cadre soutient une meilleure prise de décision pour l'intégration des énergies renouvelables et l'exploitation flexible du réseau.

Les auteurs notent que le cadre est adaptable ; si le réseau de transmission physique évolue, le modèle peut être réentraîné en mettant simplement à jour la matrice d'adjacence tout en maintenant le pipeline global inchangé. Ils suggèrent également que des travaux futurs pourraient explorer des schémas de pondération spatiale alternatifs basés sur des caractéristiques socio-économiques ou systémiques.