💻 computer science

PriceFM: Foundation Model for Probabilistic Electricity Price Forecasting

Dit artikel introduceert PriceFM, een probabilistisch fundamenteel model voor de voorspelling van elektriciteitsprijzen in Europa dat gebruikmaakt van een grootschalige multinationale dataset en transmissietopologie integreert via een schaarse grafmasker om kruisregionale afhankelijkheden effectief te vangen en bestaande baselines te overtreffen.

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

Gepubliceerd 2026-05-12

📖 5 min leestijd🧠 Diepgaand

CC BY 4.0

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

Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer

Stel je de Europese elektriciteitsmarkt voor als een enorme, onderling verbonden wijk waar elk huis (of regio) zijn eigen stroomgenerator, zijn eigen gebruiksgewoonten en zijn eigen prijskaartje voor elektriciteit heeft. Soms schijnt de zon fel in Spanje, waardoor elektriciteit daar goedkoop is, terwijl een stormachtige, bewolkte dag in Duitsland de stroom duur maakt. Omdat de huizen met elkaar verbonden zijn via hoogspanningskabels (transmissielijnen), kan elektriciteit stromen van het goedkope huis naar het dure, maar alleen als de draden sterk genoeg zijn en niet te vol zitten.

Het artikel introduceert een nieuwe "super-voorspeller" genaamd PriceFM. Denk aan PriceFM als een zeer ervaren weerman die niet alleen naar de lucht boven één huis kijkt, maar begrijpt hoe wind en zon de hele wijk beïnvloeden, en hoe de stroomlijnen die ze verbinden de energieprijs veranderen.

Hier is een uiteenzetting van hoe het werkt, met behulp van eenvoudige analogieën:

1. Het Probleem: Te Veel Buren, Te Veel Ruis

In het verleden probeerden voorspellers elektriciteitsprijzen te voorspellen door telkens slechts één regio te bekijken (zoals de prijs in Duitsland raden zonder te weten wat er in Frankrijk gebeurt). Anderen probeerden naar iedereen tegelijk te kijken, maar behandelden alle buren als even belangrijk.

De Fout: Stel je voor dat je de prijs van een huis in Parijs probeert te raden. Als je luistert naar het gerucht van een huis in een ander land dat 800 kilometer verderop ligt en geen directe weg naar Parijs heeft, is die informatie waarschijnlijk slechts ruis. Het kan je in de war brengen. Bestaande modellen waren zo; ze luisterden naar iedereen, zelfs naar de verre buren die er niet echt toe deden, wat hun voorspellingen minder nauwkeurig maakte.

2. De Oplossing: Een Slimme Kaart (De "Graph Mask")

PriceFM lost dit op door een digitale kaart van de stroomlijnen te gebruiken.

De Analogie: Stel je voor dat je in een drukke kamer bent. Om een vriend duidelijk te horen, richt je je op de mensen die direct naast je staan. Je negeert de mensen die aan de andere kant van het gebouw schreeuwen.
Hoe PriceFM het doet: Het gebruikt een "Sparse Graph Mask" (een verspreid graafmasker). Dit is als een filter dat zegt: "Luister alleen naar de regio's die direct verbonden zijn met de doelregio, of die één of twee stappen verderop liggen." Het blokkeert de "ruis" van verre regio's die niet fysiek verbonden zijn via stroomlijnen. Dit zorgt ervoor dat het model alleen leert van de buren die er echt toe doen.

3. Het Brein: Een "Mixture of Experts" (MoE)

Het artikel noemt een "Mixture-of-Experts"-laag.

De Analogie: Stel je een team van 38 verschillende specialisten voor, één voor elke regio. In plaats van echter 38 verschillende mensen aan te nemen om precies hetzelfde werk te doen, heeft PriceFM een slimme manager (de "Router").
Hoe het werkt: Wanneer de manager data ziet uit een winderige regio, vraagt hij de "Wind-expert". Wanneer hij data ziet uit een zonnige regio, vraagt hij de "Zon-expert". Sommige regio's zijn vergelijkbaar (zoals twee buurlanden met vergelijkbaar weer), dus ze kunnen dezelfde expert delen. Dit maakt het systeem efficiënt en slim, waardoor het patronen uit één regio kan leren en kan toepassen op vergelijkbare regio's zonder in de war te raken.

4. De Dataset: Een Grote, Bijgewerkte Bibliotheek

Om dit model te trainen, bouwden de auteurs een enorme bibliotheek met data.

De Schaal: Ze verzamelden data uit 24 landen (38 verschillende regio's) die de jaren 2022 tot en met 2026 bestrijken.
De Inhoud: Het gaat niet alleen om prijzen. Het bevat voorspellingen voor hoeveel elektriciteit mensen zullen verbruiken (Load), hoeveel zon en wind beschikbaar zullen zijn (Solar en Wind), en de daadwerkelijke prijzen. Dit is alsof je het model een complete geschiedenis geeft van het weer, de gewoonten en de rekeningen van de wijk gedurende vier jaar achter elkaar.

5. Het Resultaat: Betere Voorspellingen

Toen ze PriceFM testten tegen andere modellen (inclusief andere "foundation models" die bekend staan om hun intelligentie bij algemene tijdreeksopdrachten), won PriceFM.

Waarom? Omdat het niet alleen patronen uit het hoofd leerde; het begreep de fysieke regels van het elektriciteitsnet. Het wist dat elektriciteit door draden stroomt, niet door de lucht.
De Uitkomst: Het voorspelde prijzen nauwkeuriger en, belangrijk, het gaf een bereik van mogelijke prijzen (probabilistische voorspelling) zonder logische fouten te maken (zoals het voorspellen van een "hoge" prijs die lager is dan de "lage" prijs).

Samenvatting

PriceFM is een nieuw instrument voor het voorspellen van elektriciteitsprijzen in Europa. Het werkt beter dan eerdere instrumenten omdat:

Het een enorme, frisse dataset gebruikt die bijna heel Europa bestrijkt.
Het een slim filter gebruikt om verre, irrelevante buren te negeren en zich alleen te richten op de regio's die fysiek verbonden zijn via stroomlijnen.
Het een team van specialisten (Mixture of Experts) gebruikt om de verschillende soorten weer en energiebehoeften over het hele continent te behandelen.

Het artikel beweert dat dit leidt tot nauwkeurigere voorspellingen, wat energiebedrijven en overheden helpt het net beter te beheren naarmate ze meer afhankelijk worden van onvoorspelbare hernieuwbare energie zoals wind en zon.

Technische Samenvatting: PriceFM – Fundamenteel Model voor Probabilistische Voorspelling van Elektriciteitsprijzen

1. Probleemstelling

Nauwkeurige probabilistische voorspelling van elektriciteitsprijzen is cruciaal voor duurzame bedrijfsvoering van energiesystemen, zeker naarmate de penetratie van hernieuwbare energie toeneemt. De Europese elektriciteitsmarkt stelt unieke uitdagingen vanwege de hoge variabiliteit van zonne- en windopwekking, diepe marktintegratie en een fysiek onderling verbonden transmissiesysteem.

Bestaande benaderingen kampen met twee primaire beperkingen:

Gebrek aan ruimtelijke modellering: De meeste modellen richten zich op markten in één regio (bijvoorbeeld Duitsland) of behandelen regio's onafhankelijk, waardoor ze de ruimtelijke onderlinge afhankelijkheden die worden gedreven door grensoverschrijdende stroomuitwisseling niet kunnen vastleggen.
Ongeschikte graf-priors in fundamentele modellen: Hoewel recente fundamentele modellen (bijvoorbeeld Chronos, TimesFM) uitstekend presteren in algemene tijdreeksvoorspelling, vertrouwen ze doorgaans op puur datagedreven mengmechanismen. Ze incorporeren geen expliciete prior-kennis van de transmissietopologie. Bijgevolg kunnen ze per ongeluk ruisige signalen van topologisch verre regio's leren, wat leidt tot overfitting en verminderde generalisatie in onderling verbonden systemen.

Het artikel betoogt dat het expliciet modelleren van de ruimtelijke structuur van de Europese markt, beperkt door fysieke transmissielijnen, essentieel is voor een nauwkeurige prijsvorming.

2. Methodologie: PriceFM

De auteurs stellen PriceFM voor, een probabilistisch fundamenteel model dat specifiek is ontworpen voor Europese elektriciteitsmarkten. De architectuur integreert een gedeelde projectiemechanisme met een topologie-gestuurde sparse grafmasker.

A. Datafundament

Het model is gebaseerd op een uitgebreide, hernieuwbare-bewuste dataset die 24 Europese landen (38 regio's) dekt van 1 januari 2022 tot 1 januari 2026.

Functies: Dagvoor-prijzen, lastprognoses en prognoses voor zonne- en windopwekking (som van onshore en offshore).
Resolutie: Alle functies worden hersampled naar een resolutie van 15 minuten om aan te sluiten bij de evoluerende EU-marktstandaarden.
Scope: De dataset bevat ongeveer 5,3 miljoen records en adresseert het gebrek aan gestandaardiseerde, grootschalige data voor training van fundamentele modellen.

B. Modelarchitectuur

PriceFM verwerkt multi-regio-inputs om multi-regio, multi-tijdstap en multi-quantiel voorspellingen te produceren.

Gedeelde Mixture-of-Experts (MoE) Projectielaag:
- Om ervoor te zorgen dat regionale representaties vergelijkbaar zijn, mapt het model inputs (prijzen en exogene functies) naar een gedeelde latente embedding-ruimte.
- In plaats van een unieke dichte laag toe te wijzen aan elk van de 38 regio's, wordt een gedeelde MoE gebruikt. Deze laag bestaat uit een Fusie-expert (die prijzen en exogene functies combineert via residuele optelling) en een Gewichtsrouter (die dynamisch expert-gewichten selecteert op basis van inputfuncties).
- Dit ontwerp stelt regio's met vergelijkbare patronen in staat om projectiemechanismen te delen terwijl flexibiliteit behouden blijft.
Topologie-gestuurde Sparse Grafmasker:
- Dit is de kerninnovatie die PriceFM onderscheidt van generieke fundamentele modellen.
- Het model construeert een sparse grafmasker op basis van de fysieke transmissietopologie. Het berekent de graf-afstand (aantal transmissie-hops) tussen een input-regio en een doel-output-regio met behulp van Breadth-First Search (BFS).
- Een hyperparameter $\delta$ (graf-degraadafsnijding) beperkt de aggregatie tot een begrensd buurgedeelte. Regio's buiten deze afstand worden gemaskeerd (toegewezen 0), waardoor het model wordt voorkomen dat het ruisige signalen van topologisch verre gebieden incorporeert.
- De regionale embeddings worden geaggregeerd via een door sparsiteit beperkt gemiddelde, wat fungeert als een ruimtelijke regularisator.
Hiërarchische Quantielkop:
- Om probabilistische consistentie te waarborgen en quantielkruising te voorkomen (waarbij hogere quantielen onder lagere vallen), hanteert het model een hiërarchische kop.
- Het voorspelt eerst de mediane traject ( $\tau=0,5$ ).
- Hogere en lagere quantielen worden vervolgens gegenereerd door niet-negatieve residuen (afgeleid via absolute waarde of ReLU-functies) op te tellen bij of af te trekken van de mediaan. Dit garandeert monotonie over quantielen heen.

C. Trainingsdoel

Het model wordt getraind met behulp van Average Quantile Loss (AQL) over meerdere regio's, tijdstappen en quantielen.

3. Belangrijkste Bijdragen

Dataset-publicatie: Introductie van de grootste en meest diverse open dataset voor Europese elektriciteitsmarkten tot nu toe, die 38 regio's dekt over een periode van 4 jaar met hernieuwbare-bewuste functies.
PriceFM-raamwerk: Een nieuw probabilistisch fundamenteel model dat transmissie-topologie-priors integreert in een tijdreeks-fundamentele architectuur. Het ondersteunt multi-regio, multi-tijdstap en multi-quantiel voorspelling.
Uitgebreide Evaluatie: Uitgebreide experimenten waarbij PriceFM wordt vergeleken met naïeve baselines, pure tijdreeksmodellen, graf-gebaseerde modellen en generieke fundamentele modellen (bijvoorbeeld Chronos, Moirai, TimesFM).

4. Experimentele Resultaten

De auteurs evalueerden PriceFM met behulp van een 3-voudige rollende evaluatie en een "leave-one-region-out" zero-shot strategie.

Vs. Naïeve Modellen: PriceFM presteerde significant beter dan seizoensgebonden naïeve baselines, met een vermindering van AQL met 62,1%, MAE met 35,3% en RMSE met 31,3%.
Vs. Tijdreeksmodellen: PriceFM overtrof de beste pure tijdreeks-baseline (TimesNet) met 37,6% in AQL, wat de noodzaak van een expliciete ruimtelijke inductieve bias aantoont.
Vs. Grafmodellen: PriceFM verbeterde de beste graf-baseline (GraphConv) met 12,3% in AQL. De auteurs schrijven dit toe aan het sparse maskeringsmechanisme, dat het risico op overfitting mitigeert dat geassocieerd is met puur datagedreven GNN's die signalen van zwak gerelateerde regio's propageren.
Vs. Generieke Fundamentele Modellen: In een leave-one-region-out zero-shot setting verlaagde PriceFM de AQL met 14,7% vergeleken met het sterkste generieke fundamentele model (Chronos[2.0]). Dit suggereert dat breed-domein pretraining onvoldoende is om de specifieke ruimtelijke afhankelijkheden van onderling verbonden elektriciteitsmarkten te vangen zonder expliciete graf-priors.
Quantielkruising: PriceFM behaalde een 0,00% Quantielkruisingspercentage (AQCR), terwijl veel baselines niet-nul kruisingspercenten vertoonden.

Ablatiestudies bevestigden dat:

Een graf-degraadafsnijding van $\delta=0$ (alleen lokale data gebruiken) optimaal was voor sommige regio's (bijvoorbeeld Duitsland, Frankrijk), terwijl andere profiteerden van buurinformatie.
Het gebruik van 4 experts ( $M=4$ ) in de MoE-laag voldoende was.
Het verwijderen van het topologie-gestuurde masker of het vervangen daarvan door een willekeurig masker leidde tot een significante prestatiedaling, wat de belangrijkheid van de fysieke net-prior valideert.

5. Betekenis en Claims

Het artikel claimt dat PriceFM een schaalbaar, onzekerheidsbewust hulpmiddel biedt voor energiesystemen die geconfronteerd worden met toenemende hernieuwbare penetratie. De betekenis hiervan ligt in:

Het overbruggen van de kloof: Succesvolle integratie van domeinspecifieke fysieke beperkingen (transmissietopologie) in het fundamentele modelparadigma, dat eerder volledig op datagedreven benaderingen vertrouwde.
Generalisatie: Het demonstreren van superieure generalisatiecapaciteiten, met name in zero-shot scenario's voor onbekende regio's, wat cruciaal is voor markten waar volledige-shot trainingsdata mogelijk beperkt is.
Operationele waarde: Door gezamenlijk zonne- en windenergie, last, prijzen en door topologie veroorzaakte interacties te modelleren, ondersteunt het raamwerk betere besluitvorming voor hernieuwbare integratie en flexibele netbedrijfsvoering.

De auteurs merken op dat het raamwerk aanpasbaar is; indien het fysieke transmissienet evolueert, kan het model worden hergetraind door eenvoudigweg de burenmatrix bij te werken terwijl de algehele pijplijn ongewijzigd blijft. Zij suggereren ook dat toekomstig werk alternatieve ruimtelijke wegingsschema's zou kunnen verkennen op basis van sociaaleconomische of systeemkenmerken.