💻 computer science

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

Cet article propose un cadre hybride combinant un réseau de Kolmogorov-Arnold et XGBoost pour la prévision des prix de l'électricité à une semaine d'échéance sur le marché national australien de l'électricité, démontrant une précision supérieure à celle des modèles de référence en associant efficacement une représentation non linéaire globale à une robustesse locale pour gérer la forte volatilité du marché et l'incertitude induite par les énergies renouvelables.

Auteurs originaux : Houxuan Zhou, Sriram Prasad, Chenghao Huang, Jiajie Feng, Hao Wang

Publié 2026-05-22

📖 5 min de lecture🧠 Analyse approfondie

CC BY 4.0

Auteurs originaux : Houxuan Zhou, Sriram Prasad, Chenghao Huang, Jiajie Feng, Hao Wang

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 que vous essayiez de prédire le prix de l'électricité sur le marché national de l'électricité (NEM) australien pour la semaine à venir. Ce n'est pas comme prévoir la météo ; c'est plus comme essayer de deviner le prix d'un trajet en covoiturage lors d'une tempête soudaine. Les prix sont sauvages, ils fluctuent de manière imprévisible, et parfois ils s'envolent à des hauteurs folles à cause de facteurs tels qu'une couverture nuageuse soudaine tuant la production solaire ou une vague de chaleur faisant exploser la demande.

Ce papier présente une nouvelle approche d'"équipe surpuissante" pour résoudre ce problème. Au lieu de s'appuyer sur une seule méthode, les chercheurs ont combiné deux types de modèles d'intelligence artificielle très différents pour créer un système hybride qui est meilleur pour prédire ces prix chaotiques que n'importe quel modèle unique ne pourrait l'être seul.

Voici comment le papier explique leur solution, décomposée en concepts simples :

Le Problème : La "Montagne Russe" des Prix de l'Électricité

Les prix de l'électricité en Australie sont notoirement volatils. Ils sont influencés par :

Les Énergies Renouvelables : Le vent et le solaire sont excellents, mais imprévisibles. Si le vent cesse de souffler, les prix peuvent s'envoler.
La Demande : Quand il fait chaud, tout le monde allume la climatisation, et les prix augmentent.
Le Temps : Les prix changent toutes les cinq minutes.

Les chercheurs voulaient prévoir les prix une semaine à l'avance. C'est plus difficile que de prédire le prix de demain car vous devez prendre en compte les tendances à long terme et les chocs soudains à court terme.

La Solution : Une "Équipe de Rêve" de Deux Modèles

Les auteurs ont construit un cadre hybride combinant deux "personnalités" d'IA distinctes :

1. L'Artiste de la "Grande Image" : KAN (Réseau de Kolmogorov-Arnold)

Ce qu'il fait : Imaginez KAN comme un peintre lisse et artistique. Il est très bon pour voir les tendances à long terme et les motifs fluides et coulants dans les données. Il comprend la "forme" de la façon dont les prix évoluent généralement dans le temps.
Sa faiblesse : Il peut se sentir un peu confus face aux pics soudains, anguleux ou aux valeurs aberrantes étranges. Il préfère les courbes lisses.

2. Le Détective "Soucieux des Détails" : XGBoost

Ce qu'il fait : Imaginez XGBoost comme un détective au regard perçant qui utilise des arbres de décision. Il est excellent pour repérer les changements soudains, les irrégularités locales et les pics extrêmes. Il est très doué pour dire : "Hé, juste ici, le prix a bondi à cause de cet événement spécifique."
Sa faiblesse : Il lutte parfois pour voir la grande image, lisse et à long terme. Il se concentre tellement sur les détails immédiats qu'il pourrait manquer le flux global.

La Magie Hybride : KAN + XGBoost
Les chercheurs ont réalisé que s'ils laissaient ces deux travailler ensemble, ils pourraient couvrir les angles morts de l'autre.

L'Analogie : Imaginez essayer de naviguer un navire à travers une tempête. Vous avez besoin d'un capitaine qui comprend les courants de l'océan (KAN) et d'un guetteur qui repère les rochers et les vagues soudains (XGBoost).
Comment ils travaillent ensemble : Le modèle KAN prédit le chemin général du prix. Le modèle XGBoost examine ensuite les "erreurs" ou les "résidus" commis par le modèle KAN et les corrige, en particulier pour ces pics de prix soudains.
Le Résultat : Ils ont combiné les prévisions avec une répartition 50/50 (poids égal), créant un modèle qui voit à la fois la forêt et les arbres.

L'Expérience : Comment Ils L'Ont Testé

Les Données : Ils ont utilisé de vraies données électriques provenant des cinq régions principales de l'Australie (NSW, VIC, QLD, SA, TAS) d'avril 2024 à mars 2025.
La Configuration : Ils ont utilisé une stratégie de "fenêtre expansive". Imaginez apprendre à conduire : vous commencez par une semaine de pratique, puis deux, puis trois, en utilisant toujours toute votre expérience passée pour prédire la semaine suivante.
La Compétition : Ils ont opposé leur nouvelle équipe hybride à :
- Des modèles statistiques classiques (SARIMAX).
- Un modèle d'apprentissage profond populaire (LSTM).
- Les deux modèles utilisés seuls (juste KAN ou juste XGBoost).
- Une base de référence "Naïve" (simplement en pariant que le prix sera le même qu'à l'instant présent).

Les Résultats : Qui a Gagné ?

L'équipe hybride KAN+XGBoost a gagné haut la main.

Précision : Elle a réduit l'erreur moyenne (MAE) d'environ 12 % par rapport à l'utilisation de XGBoost seul, et de plus de 50 % par rapport au pari "naïf".
Cohérence : Elle a bien performé dans les cinq États australiens, même dans les régions les plus volatiles comme la Nouvelle-Galles du Sud (NSW).
Événements Extrêmes : Même si prédire les pics de prix massifs est difficile pour tout le monde, le modèle hybride a été le meilleur pour attraper ces événements extrêmes par rapport aux autres méthodes.

Pourquoi Cela Compte (Selon le Papier)

Le papier conclut que pour des marchés hautement chaotiques comme le réseau électrique australien, on ne peut pas se fier à un seul type d'IA.

L'Essentiel : En mélangeant un modèle qui comprend les motifs lisses et à long terme (KAN) avec un modèle qui gère les changements soudains et anguleux (XGBoost), vous obtenez une prévision beaucoup plus robuste et fiable.
La Limitation : Le papier admet que bien qu'il s'agisse d'une grande amélioration, prédire les pics de prix absolument les plus hauts reste difficile car ils sont si rares et chaotiques. De plus, le modèle repose sur des données météorologiques et de demande précises, qui sont elles-mêmes des prévisions.

En bref, le papier soutient que la meilleure façon de prédire l'avenir des prix de l'électricité n'est pas de trouver le seul IA "le plus intelligent", mais de construire une équipe où le "penseur lisse" et le "détective perçant" travaillent ensemble.

Résumé Technique : Cadre Hybride KAN+XGBoost pour la Prévision des Prix à Une Semaine dans le NEM Australien

Énoncé du Problème
La prévision précise des prix de l'électricité (EPF) est cruciale pour la planification opérationnelle et la gestion des risques dans les systèmes énergétiques modernes. Cependant, la prévision reste difficile en raison de la forte volatilité, des dynamiques non linéaires et des pics de prix extrêmes fréquents. Ces problèmes sont exacerbés dans le Marché National de l'Électricité (NEM) australien par une forte pénétration des énergies renouvelables, qui introduit une offre intermittente et des dynamiques de prix complexes et non linéaires. Bien que la prévision à un jour soit bien étudiée, la prévision horaire à une semaine reste sous-explorée malgré sa valeur pour les offres, la programmation de la production et la couverture des risques. Les approches existantes font souvent face à un compromis : les modèles statistiques (par exemple, SARIMAX) peinent avec les non-linéarités et les pics ; les modèles d'apprentissage profond (par exemple, LSTM) sont sensibles au bruit sur de longues horizons ; et les modèles basés sur les arbres (par exemple, XGBoost) peuvent manquer de capacité à capturer des dépendances globales lisses.

Méthodologie
L'article propose un cadre hybride intégrant les Réseaux de Kolmogorov-Arnold (KAN) et XGBoost pour répondre au double défi de la capture des structures globales à long terme et des irrégularités locales à court terme.

Formulation du Problème : La tâche consiste à prédire les prix de l'électricité ( $\hat{y}_{t+1:t+H}$ ) sur un horizon de 168 heures (une semaine) en utilisant une fenêtre d'entrée de 336 heures (deux semaines) de prix historiques et de variables exogènes ( $z_t$ ), incluant la demande, les prévisions de production renouvelable et les données météorologiques.
Préparation des Données : Les données d'avril 2024 à mars 2025 couvrant cinq régions du NEM (NSW, VIC, QLD, SA, TAS) ont été agrégées à une résolution horaire. Les caractéristiques incluent les prix décalés, la demande totale, les échanges nets, les prévisions solaires/éoliennes et la température. Une transformation par sinus hyperbolique inverse a été appliquée à la variable cible pour stabiliser la variance.
Architecture Hybride :
- Composante KAN : Basée sur le théorème de représentation de Kolmogorov-Arnold, le KAN apprend des transformations univariées pour approximer les structures non linéaires globales et les motifs temporels lisses. Il utilise des fonctions d'activation apprenables basées sur des splines (taille de grille 3, ordre 3) avec deux couches cachées.
- Composante XGBoost : Un cadre de boosting de gradient entraîné pour capturer les motifs locaux, les changements abrupts et les déviations résiduelles que les réseaux de neurones pourraient manquer.
- Stratégie d'Ensemble : La prédiction finale est une combinaison pondérée : $\hat{y} = \alpha \hat{y}_{KAN} + (1-\alpha) \hat{y}_{XGB}$ . Une étude d'ablation a déterminé qu'un poids égal ( $\alpha = 0,5$ ) produisait les meilleures performances de validation dans tous les États.
Configuration Expérimentale : Une stratégie d'évaluation à fenêtre croissante a été utilisée avec quatre ensembles de test hebdomadaires consécutifs en mars 2025. Les modèles ont été entraînés sur toutes les données historiques disponibles jusqu'à la période de prévision. Les références incluaient Naive, SARIMAX, LSTM, KAN autonome et XGBoost autonome.

Contributions Clés

Cadre Hybride Novel : L'article introduit un cadre KAN+XGBoost qui décompose fonctionnellement la tâche de prévision : le KAN gère les dépendances non linéaires globales, tandis que XGBoost modélise les irrégularités locales et les valeurs aberrantes.
Focus sur l'Horizon à Une Semaine : L'étude cible spécifiquement l'horizon de prévision à une semaine sous-exploré, offrant des délais plus longs aux acteurs du marché par rapport aux modèles standards à un jour.
Évaluation Complète : Des expériences extensives ont été menées dans cinq régions diverses du NEM, démontrant la capacité du modèle à généraliser sous des conditions de marché variables et des régimes de volatilité.

Résultats
Le modèle KAN+XGBoost proposé a surpassé tous les benchmarks (SARIMAX, LSTM, KAN autonome, XGBoost autonome et Naive) sur plusieurs métriques (MAE, RMSE, rMAE).

Performance Globale : Le modèle hybride a atteint un MAE de 26,17, représentant une réduction d'environ 12 % par rapport au XGBoost autonome (29,49) et de plus de 50 % par rapport à la référence Naive (52,50).
Cohérence Régionale : Le modèle a maintenu une performance supérieure dans les cinq États. Notamment, dans des régions très volatiles comme la NSW, il a atteint le MAE et le RMSE les plus bas parmi toutes les méthodes.
Événements Extrêmes : En utilisant un seuil basé sur la Théorie des Valeurs Extrêmes (EVT) (queue 0,95), le modèle hybride a obtenu le MAE le plus bas pour les événements extrêmes (103,88), indiquant une robustesse améliorée dans la capture des pics de prix élevés par rapport aux autres méthodes.
Conclusions de l'Ablation : L'étude a confirmé qu'une intégration équilibrée (poids 0,5/0,5) est optimale ; une sur-reliance sur le KAN ou XGBoost a conduit à une dégradation des performances. Le KAN autonome a montré des limitations dans des environnements hautement dynamiques en raison de sa sensibilité au bruit, renforçant la nécessité de l'approche hybride.

Signification et Revendications
L'article revendique que les stratégies d'apprentissage hybrides fournissent une solution efficace et robuste pour la prévision des prix de l'électricité dans des marchés hautement dynamiques comme le NEM. En tirant parti des forces complémentaires de l'apprentissage de représentation fonctionnelle (KAN) et du partitionnement basé sur les arbres (XGBoost), le cadre équilibre avec succès la modélisation des dépendances à long terme et de la volatilité à court terme. Les auteurs suggèrent que cette approche réduit le besoin de configurations de modèles spécifiques à chaque État, offrant une solution évolutive pour des marchés régionaux divers. Cependant, l'article reconnaît modestement des limites, notant que la prédiction précise des pics de prix extrêmes reste difficile et que la performance du modèle dépend de la disponibilité de variables exogènes précises (par exemple, prévisions météorologiques et de demande). Un travail futur est proposé pour explorer la prévision probabiliste et les stratégies d'ensemble adaptatives.