💻 computer science

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

Questo articolo propone un framework ibrido basato su Kolmogorov-Arnold Network e XGBoost per la previsione dei prezzi dell'elettricità con un orizzonte temporale di una settimana nel Mercato Nazionale dell'Elettricità australiano, dimostrando una precisione superiore rispetto ai modelli di riferimento grazie alla combinazione efficace di una rappresentazione non lineare globale con una robustezza locale per gestire l'elevata volatilità del mercato e l'incertezza indotta dalle fonti rinnovabili.

Autori originali: Houxuan Zhou, Sriram Prasad, Chenghao Huang, Jiajie Feng, Hao Wang

Pubblicato 2026-05-22

📖 5 min di lettura🧠 Approfondimento

CC BY 4.0

Autori originali: Houxuan Zhou, Sriram Prasad, Chenghao Huang, Jiajie Feng, Hao Wang

Articolo originale sotto licenza CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Questa è una spiegazione generata dall'IA dell'articolo qui sotto. Non è stata scritta né approvata dagli autori. Per precisione tecnica, consulta l'articolo originale. Leggi il disclaimer completo

Immagina di dover prevedere il prezzo dell'elettricità nel Mercato Nazionale dell'Elettricità (NEM) australiano per la settimana successiva. Non è come prevedere il meteo; è più simile a tentare di indovinare il prezzo di un viaggio in ride-sharing durante un'improvvisa tempesta. I prezzi sono selvaggi, salgono e scendono in modo imprevedibile e talvolta schizzano a livelli folli a causa di fattori come una improvvisa copertura nuvolosa che azzerava l'energia solare o un'ondata di calore che faceva impennare la domanda.

Questo articolo presenta un nuovo approccio di "super-squadra" per risolvere questo problema. Invece di affidarsi a un solo metodo, i ricercatori hanno combinato due tipi molto diversi di modelli di intelligenza artificiale per creare un sistema ibrido che è migliore nel prevedere questi prezzi caotici rispetto a qualsiasi singolo modello da solo.

Ecco come l'articolo spiega la loro soluzione, scomposta in concetti semplici:

Il Problema: Il "Viaggio Selvaggio" dei Prezzi dell'Elettricità

I prezzi dell'elettricità in Australia sono notoriamente volatili. Sono influenzati da:

Energie Rinnovabili: Il vento e il solare sono ottimi, ma sono imprevedibili. Se il vento smette di soffiare, i prezzi possono schizzare alle stelle.
Domanda: Quando fa caldo, tutti accendono l'aria condizionata e i prezzi salgono.
Tempo: I prezzi cambiano ogni cinque minuti.

I ricercatori volevano prevedere i prezzi una settimana prima. Questo è più difficile che prevedere il prezzo di domani perché devi tenere conto delle tendenze a lungo termine e degli shock improvvisi a breve termine.

La Soluzione: Una "Squadra Sogno" di Due Modelli

Gli autori hanno costruito un framework ibrido che combina due "personalità" distinte di intelligenza artificiale:

1. L'Artista della "Grande Immagine": KAN (Kolmogorov-Arnold Network)

Cosa fa: Immagina KAN come un pittore fluido e artistico. È molto bravo a vedere le tendenze a lungo termine e i modelli fluidi e scorrevoli nei dati. Comprende la "forma" di come i prezzi si muovono generalmente nel tempo.
Il suo punto debole: Può confondersi un po' con picchi improvvisi e frastagliati o valori anomali strani. Preferisce curve lisce.

2. Il Detective "Orientato ai Dettagli": XGBoost

Cosa fa: Immagina XGBoost come un detective dagli occhi acuti che utilizza alberi decisionali. È eccellente nel rilevare cambiamenti improvvisi, irregolarità locali e picchi estremi. È bravo a dire: "Ehi, proprio qui, il prezzo è schizzato a causa di questo evento specifico".
Il suo punto debole: A volte fatica a vedere la grande, fluida immagine a lungo termine. Si concentra così tanto sui dettagli immediati che potrebbe perdere il flusso generale.

La Magia Ibrida: KAN + XGBoost
I ricercatori hanno capito che se lasciavano lavorare insieme questi due, potevano coprire i punti ciechi l'uno dell'altro.

L'Analogia: Immagina di navigare una nave attraverso una tempesta. Hai bisogno di un capitano che comprende le correnti dell'oceano (KAN) e di un vigile che individua le rocce e le onde improvvise (XGBoost).
Come lavorano insieme: Il modello KAN prevede il percorso generale del prezzo. Il modello XGBoost guarda quindi gli "errori" o i "residui" commessi dal modello KAN e li corregge, specialmente per quei picchi di prezzo improvvisi.
Il Risultato: Hanno combinato le previsioni con una divisione 50/50 (peso uguale), creando un modello che vede sia la foresta che gli alberi.

L'Esperimento: Come l'hanno Testato

I Dati: Hanno utilizzato dati reali sull'elettricità dalle cinque regioni principali dell'Australia (NSW, VIC, QLD, SA, TAS) da aprile 2024 a marzo 2025.
La Configurazione: Hanno utilizzato una strategia di "finestra espansiva". Immagina di imparare a guidare: inizi con una settimana di pratica, poi due, poi tre, usando sempre tutta la tua esperienza passata per prevedere la settimana successiva.
La Competizione: Hanno messo alla prova la loro nuova squadra ibrida contro:
- Modelli statistici d'antan (SARIMAX).
- Un popolare modello di deep learning (LSTM).
- I due modelli usati singolarmente (solo KAN o solo XGBoost).
- Una linea di base "Naive" (semplicemente ipotizzare che il prezzo sarà lo stesso di ora).

I Risultati: Chi ha Vinto?

La squadra ibrida KAN+XGBoost ha vinto a mani basse.

Accuratezza: Ha ridotto l'errore medio (MAE) di circa 12% rispetto all'uso di XGBoost da solo, e di oltre il 50% rispetto alla previsione "naive".
Coerenza: Ha funzionato bene in tutti e cinque gli stati australiani, anche nelle regioni più volatili come il Nuovo Galles del Sud (NSW).
Eventi Estremi: Anche se prevedere picchi di prezzo massicci è difficile per tutti, il modello ibrido è stato il migliore nel catturare questi eventi estremi rispetto agli altri metodi.

Perché Questo Importa (Secondo l'Articolo)

L'articolo conclude che per mercati altamente caotici come la rete elettrica australiana, non ci si può affidare a un solo tipo di intelligenza artificiale.

Il Messaggio Chiave: Mescolando un modello che comprende modelli fluidi a lungo termine (KAN) con un modello che gestisce cambiamenti improvvisi e frastagliati (XGBoost), si ottiene una previsione molto più robusta e affidabile.
Il Limite: L'articolo ammette che, sebbene questo sia un grande miglioramento, prevedere i picchi di prezzo assolutamente più alti è ancora difficile perché sono così rari e caotici. Inoltre, il modello si basa su dati meteorologici e di domanda accurati, che sono essi stessi previsioni.

In breve, l'articolo sostiene che il modo migliore per prevedere il futuro dei prezzi dell'elettricità non è trovare il singolo AI "più intelligente", ma costruire una squadra in cui il "pensatore fluido" e il "detective acuto" lavorano insieme.

Riepilogo Tecnico: Framework Ibrido KAN+XGBoost per la Previsione dei Prezzi a Settimana nel NEM Australiano

Enunciato del Problema
La previsione accurata dei prezzi dell'elettricità (EPF) è fondamentale per la pianificazione operativa e la gestione del rischio nei moderni sistemi energetici. Tuttavia, la previsione rimane una sfida a causa dell'alta volatilità, delle dinamiche non lineari e dei frequenti picchi di prezzi estremi. Queste problematiche sono esacerbate nel Mercato Nazionale dell'Elettricità (NEM) australiano dall'alta penetrazione delle fonti rinnovabili, che introduce un'offerta intermittente e dinamiche di prezzo complesse e non lineari. Sebbene la previsione a un giorno sia ampiamente studiata, la previsione oraria a una settimana rimane poco esplorata, nonostante il suo valore per le offerte, la programmazione della generazione e la copertura del rischio. Gli approcci esistenti spesso affrontano un compromesso: i modelli statistici (ad es. SARIMAX) faticano con le non linearità e i picchi; i modelli di deep learning (ad es. LSTM) sono sensibili al rumore su orizzonti temporali lunghi; e i modelli basati su alberi (ad es. XGBoost) possono mancare della capacità di catturare dipendenze globali fluide.

Metodologia
Il documento propone un framework ibrido che integra le Reti di Kolmogorov-Arnold (KAN) e XGBoost per affrontare la duplice sfida di catturare strutture globali a lungo termine e irregolarità locali a breve termine.

Formulazione del Problema: Il compito prevede la previsione dei prezzi dell'elettricità ( $\hat{y}_{t+1:t+H}$ ) per un orizzonte di 168 ore (una settimana) utilizzando una finestra di input di 336 ore (due settimane) di prezzi storici e variabili esogene ( $z_t$ ), inclusi la domanda, le previsioni di generazione rinnovabile e i dati meteorologici.
Preparazione dei Dati: I dati da aprile 2024 a marzo 2025 provenienti da cinque regioni del NEM (NSW, VIC, QLD, SA, TAS) sono stati aggregati a risoluzione oraria. Le caratteristiche includono prezzi con ritardo, domanda totale, interscambio netto, previsioni solari/eoliche e temperatura. È stata applicata una trasformazione seno iperbolico inverso alla variabile target per stabilizzare la varianza.
Architettura Ibrida:
- Componente KAN: Basata sul teorema di rappresentazione di Kolmogorov-Arnold, la KAN apprende trasformazioni univariate per approssimare strutture non lineari globali e pattern temporali fluidi. Utilizza funzioni di attivazione apprendibili basate su spline (dimensione della griglia 3, ordine 3) con due livelli nascosti.
- Componente XGBoost: Un framework di gradient boosting addestrato per catturare pattern locali, cambiamenti bruschi e deviazioni residue che le reti neurali potrebbero non cogliere.
- Strategia di Ensemble: La previsione finale è una combinazione ponderata: $\hat{y} = \alpha \hat{y}_{KAN} + (1-\alpha) \hat{y}_{XGB}$ . Uno studio di ablazione ha determinato che un peso uguale ( $\alpha = 0.5$ ) ha prodotto le migliori prestazioni di validazione in tutti gli stati.
Configurazione Sperimentale: È stata utilizzata una strategia di valutazione a finestra espansiva con quattro set di test settimanali consecutivi nel marzo 2025. I modelli sono stati addestrati su tutti i dati storici disponibili fino al periodo di previsione. I baseline includevano Naive, SARIMAX, LSTM, KAN autonomo e XGBoost autonomo.

Contributi Chiave

Framework Ibrido Innovativo: Il documento introduce un framework KAN+XGBoost che scompone funzionalmente il compito di previsione: la KAN gestisce le dipendenze non lineari globali, mentre XGBoost modella le irregolarità locali e gli outlier.
Focus sulla Previsione a Settimana: Lo studio mira specificamente all'orizzonte di previsione a una settimana, poco esplorato, fornendo tempi di anticipo più lunghi per i partecipanti al mercato rispetto ai modelli standard a un giorno.
Valutazione Completa: Sono stati condotti esperimenti estesi in cinque diverse regioni del NEM, dimostrando la capacità del modello di generalizzare in condizioni di mercato variabili e regimi di volatilità.

Risultati
Il modello proposto KAN+XGBoost ha superato tutti i benchmark (SARIMAX, LSTM, KAN autonomo, XGBoost autonomo e Naive) su più metriche (MAE, RMSE, rMAE).

Prestazioni Complessive: Il modello ibrido ha raggiunto un MAE di 26,17, rappresentando una riduzione di circa il 12% rispetto all'XGBoost autonomo (29,49) e oltre il 50% rispetto al baseline Naive (52,50).
Coerenza Regionale: Il modello ha mantenuto prestazioni superiori in tutti e cinque gli stati. In particolare, in regioni altamente volatili come il NSW, ha raggiunto il MAE e RMSE più bassi tra tutti i metodi.
Eventi Estremi: Utilizzando una soglia basata sulla Teoria dei Valori Estremi (EVT) (coda 0,95), il modello ibrido ha ottenuto il MAE più basso per gli eventi estremi (103,88), indicando una maggiore robustezza nella cattura dei picchi di prezzo elevati rispetto ad altri metodi.
Risultati dell'Ablazione: Lo studio ha confermato che un'integrazione equilibrata (pesatura 0,5/0,5) è ottimale; un'eccessiva dipendenza da KAN o XGBoost ha portato a un degrado delle prestazioni. La KAN autonoma ha mostrato limitazioni in ambienti altamente dinamici a causa della sensibilità al rumore, rafforzando la necessità dell'approccio ibrido.

Significato e Affermazioni
Il documento afferma che le strategie di apprendimento ibrido forniscono una soluzione efficace e robusta per la previsione dei prezzi dell'elettricità in mercati altamente dinamici come il NEM. Sfruttando i punti di forza complementari dell'apprendimento della rappresentazione funzionale (KAN) e della partizione basata su alberi (XGBoost), il framework bilancia con successo la modellazione delle dipendenze a lungo termine e della volatilità a breve termine. Gli autori suggeriscono che questo approccio riduce la necessità di configurazioni di modello specifiche per ogni stato, offrendo una soluzione scalabile per mercati regionali diversi. Tuttavia, il documento riconosce modestamente le limitazioni, notando che la previsione accurata dei picchi di prezzo estremi rimane difficile e che le prestazioni del modello dipendono dalla disponibilità di variabili esogene accurate (ad es. previsioni meteorologiche e della domanda). Sono proposti lavori futuri per esplorare la previsione probabilistica e strategie di ensemble adattive.