🤖 machine learning

Adaptive Online Learning with LSTM Networks for Energy Price Prediction

Dit artikel presenteert een adaptief online leerframework met behulp van LSTM-netwerken met een nieuwe aangepaste verliesfunctie en uitgebreide feature-integratie om de nauwkeurigheid van de voorspelling van de elektriciteitsprijs voor de volgende dag op de Californische energiemarkt aanzienlijk te verbeteren.

Oorspronkelijke auteurs: Salih Salihoglu, Ibrahim Ahmed, Afshin Asadi

Gepubliceerd 2026-08-13

📖 4 min leestijd☕ Koffiepauze-leesvoer

CC BY 4.0

Oorspronkelijke auteurs: Salih Salihoglu, Ibrahim Ahmed, Afshin Asadi

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 voor dat je probeert de prijs van een kaartje te raden voor een concert dat elke dag plaatsvindt, maar de prijs verandert elk uur op basis van hoeveel mensen erheen willen gaan, hoe warm het weer is en hoeveel stroom het geluidssysteem van de band nodig heeft. Dit is de chaotische wereld van elektriciteitsmarkten. In tegenstelling tot het kopen van een brood waarbij de prijs meestal hetzelfde is, zijn elektriciteitsprijzen wild en springen ze op en neer als een achtbaan omdat de zon misschien stopt met schijnen (waardoor zonne-energie wegvalt) of een hittegolf ervoor zorgt dat iedereen tegelijkert{\u00a0}de airconditioning aanzet. Om het licht aan te houden en de rekeningen eerlijk te houden, moeten netbeheerders en elektriciteitsbedrijven deze prijzen voor de volgende dag, uur per uur, voorspellen. Ze gebruiken "machine learning", wat in feite het leren van een computer om patronen te vinden in een berg historische gegevens, een beetje zoals een detective oude misdaadscènes bestudeert om een nieuwe zaak op te lossen. Het doel is om een kristallen bol te bouwen die niet alleen de gemiddelde prijs raadt, maar ook de extreme pieken en dalen begrijpt voordat ze gebeuren.

Dit artikel gaat over het bouwen van een superintelligente kristallen bol voor elektriciteitsprijzen in Californië met behulp van een type kunstmatige intelligentie dat een LSTM (Long Short-Term Memory) netwerk wordt genoemd. Denk aan een LSTM als een student met een ongelooflijk geheugen die kan onthouden wat er vorige week, vorige maand en zelfs vorig jaar gebeurde, en dit kan gebruiken om te begrijpen wat er nú gebeurt. De onderzoekers, Salih Salihoglu en zijn team, lieten deze student niet alleen het verleden bestuderen; ze gaven het een speciale set regels om van te leren. Ten eerste leerden ze het om niet alleen naar de prijzen uit het verleden te kijken, maar ook naar het weer en precies welke elektriciteitscentrales (zon, wind, gas, kernenergie) die dag in bedrijf waren. Ten tweede bedachten ze een nieuw "cijfersysteem voor huiswerk" (een aangepaste verliesfunctie) dat niet alleen controleerde of de getallen dichtbij lagen, maar ook controleerde of de vorm van de prijscurve er realistisch en vloeiend uitzag, in plaats van grillig en vreemd. Ten slotte, in plaats van de student één keer een toets te laten maken en daarna nooit meer te laten studeren, richtten ze een systeem in waarbij de student een dagelijkse quiz krijgt. Als de student beter scoort op de quiz na het bestuderen van de gegevens van een nieuwe dag, mag hij zijn aantekeningen bijwerken; als hij slechter scoort, houdt hij vast aan zijn oude aantekeningen.

Het team kwam erachter dat deze "adaptieve online learning"-aanpak de winnaar was. Hun model, dat zichzelf zorgvuldig elke dag bijwerkt, was aanzienlijk beter dan modellen die stilstaan en nooit veranderen (statische modellen) of modellen die elke dag volledig opnieuw worden getraind (dynamische modellen). Specifiek verminderde hun slimme, bijwerkende model de gemiddelde fout in hun voorspellingen met ongeveer 23% vergeleken met het statische model. Ze ontdekten ook dat het geven van een lijst met welke energiebronnen actief waren (de "generatiemix") een gamechanger was; zonder deze informatie was het model veel meer in de war. Bovendien hielp hun speciale cijfersysteem, dat een straf bevatte voor grillige, onrealistische prijssprongen, het model om de lastige piekuren veel nauwkeuriger te voorspellen. Kortom, het artikel suggereert dat de beste manier om deze wilde elektriciteitsprijzen te voorspellen niet is om één keer een perfect model te bouwen en het dan te vergeten, maar om een flexibel model te bououd dat elke dag een beetje leert, zijn eigen werk controleert en alleen van gedachten verandert als het zeker weet dat het slimmer wordt.

Technische Samenvatting: Adaptief Online Leren met LSTM-netwerken voor Voorspelling van Energieprijzen

Probleemstelling

Nauwkeurige voorspelling van de prijzen voor de volgende dag is cruciaal voor belanghebbenden in gedereguleerde energiemarkten, waaronder netbeheerders, producenten en consumenten. Voorspellen blijft echter een uitdaging vanwege de hoogfrequente fluctuaties, niet-lineariteit en volatiliteit die inherent zijn aan elektriciteitsmarkten. Deze kenmerken worden gedreven door dynamische factoren zoals weersomstandigheden, vraagpatronen en de mix van energieopwekking. Traditionele statistische modellen (bijv. ARIMA, GARCH) hebben vaak moeite om complexe temporele afhankelijkheden en niet-stationaire marktgedragingen te vangen, wat leidt tot suboptimale besluitvorming. Bovendien slagen statische machine learning-modellen er niet in zich aan te passen aan evoluerende marktomstandigheden, terwijl bestaande online leerbenaderingen mogelijk een gebrek hebben aan rigoureuze validatiemechanismen, waardoor ze gevoelig zijn voor ruis of niet-representatieve data.

Methodologie

De studie stelt een uitgebreid framework voor voor de voorspelling van elektriciteitsprijzen voor de volgende dag in de Californische (CAISO) markt, specifiek voor de NP-15 prijslocatie. De methodologie integreert drie kerncomponenten:

1. Modelarchitectuur

De kern van de voorspellende motor is een Long Short-Term Memory (LSTM) netwerk, ontworpen om een 24-uurs vector van elektriciteitsprijzen simultaan te voorspellen, in plaats van te vertrouwen op recursieve single-step voorspellingen.

Input: Het model maakt gebruik van een sliding window van de laatste $N$ dagen aan kenmerken, gecombineerd met kenmerken van dezelfde dag die bekend zijn (bijv. voorspelde weersomstandigheden, generatiemix) voor de doel-dag.
Structuur: De architectuur bestaat uit twee gestapelde LSTM-lagen (256 eenheden elk) met dropout-percentages van 0,3 om overfitting te voorkomen, gevolgd door een dense output-laag die de 24-uurs prijsvector genereert.
Kenmerken: De input omvat historische prijzen, belastingsvraag, aardgasprijzen, gedetailleerde weergegevens (temperatuur, wind, luchtvochtigheid, etc.) en de energiegeneratiemix (zon, wind, kernenergie, gas, etc.).

2. Custom Loss Function

Om de robuustheid en interpreteerbaarheid van de voorspelling te verbeteren, introduceren de auteurs een nieuwe custom loss function die drie componenten combineert:

Mean Absolute Error (MAE): Minimaliseert puntgewijze voorspellingsfouten.
Jensen-Shannon Divergence (JSD): Meet de gelijkenis tussen de waarschijnlijkheidsverdeling van het voorspelde 24-uurs prijsprofiel en het werkelijke profiel. Dit fungeert als een vormgebaseerde regularisator, die ervoor zorgt dat het model intra-dag trends (pieken en dalen) vastlegt in plaats van alleen absolute magnitudes.
Smoothness Penalty (SM): Bestraft abrupte veranderingen tussen opeenvolgende uursvoorspellingen om realistische, vloeiende prijsverlopen te garanderen.
De totale loss is een gewogen som: $Loss = MAE + \alpha \cdot JSD + \beta \cdot SM$ .

3. Adaptief Online Learning Framework

Om concept drift en marktvolatiliteit aan te pakken, implementeert de studie een validatiegebaseerd selectief online leermechanisme.

Proces: Naarmate er nieuwe dagelijkse databundels beschikbaar komen, evalueert het model of het updaten van de parameters de prestaties op een validatieset verbetert.
Selectieve Update: Een tijdelijke parameterupdate ( $\theta'$ ) wordt berekend via gradiëntafdaling. De update wordt alleen geaccepteerd als de validatieloss met een vooraf bepaalde marge ( $\delta$ ) afneemt ten opzichte van het huidige model ( $\theta^*$ ).
Partiële Bevriezing: Tijdens updates worden de eerdere LSTM-lagen bevroren om geleerde temporele representaties te behouden, terwijl alleen de laatste dense laag wordt bijgewerkt. Deze strategie vermindert overfitting op kortstondige ruis terwijl het toelaat zich aan te passen aan nieuwe trends.

Belangrijkste Bijdragen

Het paper identificeert vier primaire bijdragen:

24-Dimensionale Vectorvoorspelling: Het formuleren van day-ahead forecasting als een 24-vector voorspellingstaak stelt het model in staat om expliciet intra-dag temporele afhankelijkheden te leren, waardoor de foutaccumulatie die gebruikelijk is bij recursieve single-step benaderingen wordt vermeden.
Nieuwe Custom Loss Function: De integratie van MAE met JSD en smoothness penalties creëert een loss-landschap dat realistische, stabiele en distributioneel accurate prijsverlopen stimuleert.
Validatiegebaseerd Selectief Online Leren: In tegen tegenover continue hertrainingsstrategieën, werkt dit framework het model alleen bij wanneer nieuwe data aantoonbaar de generalisatieprestaties verbetert, wat robuustheid biedt tegen ruis of anomalieën.
Systematische Kenmerkenevaluatie: De studie evalueert rigoureus de impact van exogene variabelen, specifiek weersomstandigheden en energiegeneratiemix-data, onder zowel statische als adaptieve leerinstellingen.

Experimentele Resultaten

Het framework werd geëvalueerd met een dataset die loopt van 2020 tot medio 2024 uit de IISE ESD/QCRE/PG&E Energy Analytics Challenge.

Impact van de Loss Function: De volledige custom loss function (MAE + JSD + SM) bereikte de laagste foutmetrieken. Vergeleken met een standaard MSE loss baseline (die een MSE van 315,82 opleverde), reduceerde de custom loss de MSE met ongeveer 50% (naar 158,76), de MAE met 38% (van 12,68 naar 7,76) en de RMSE met 29% (van 17,77 naar 12,60).
Adaptief vs. Statisch vs. Dynamisch:
- Het Adaptive Online Learning model presteerde beter dan zowel het Statische Model (één keer getraind) als het Dynamische Model (dagelijks vanaf nul opnieuw getraind).
- Vergeleken met het Statische Model, reduceerde het Adaptive Online Learning model de MSE met ~23,0%, de MAE met ~3,4% en de RMSE met ~12,2%.
- Het Dynamische Model presteerde slechter dan het Statische Model, wat suggereert dat frequente volledige hertraining zonder selectieve validatie leidt tot overfitting en instabiliteit.
Kenmerkbelang (Feature Importance):
- Generatiemix: Het opnemen van brandstofmix-data verbeterde de prestaties aanzienlijk. Voor het Online Learning model daalde de MSE van 230,38 (zonder mix) naar 122,25 (met mix).
- Same-Day Kenmerken: Het opnemen van operationele data van dezelfde dag (bijv. huidige weersomstandigheden, load forecasts) verminderde de fouten drastisch. Het Online Learning model verlaagde de MSE van 286,42 naar 122,25 toen same-day kenmerken werden toegevoegd.
Benchmark Vergelijking: Het voorgestelde framework presteerde beter dan traditionele benchmarks inclusief SVR, Decision Trees, Gradient Boosting, ARIMA, SARIMA en MARIMA. Merkwaardig genoeg bereikte het een MSE van 122,25, wat aanzienlijk lager is dan MARIMA (179,47) en ARIMA (396,27).
Statistische Significantie: Paired Wilcoxon signed-rank tests en block bootstrap betrouwbaarheidsintervallen bevestigden dat de verbeteringen van het Online Learning model ten opzichte van de Statische baseline en MARIMA statistisch robuust waren, met name in MAE en RMSE.

Betekenis en Claims

De auteurs beweren dat dit onderzoek een robuust framework biedt voor de voorspelling van elektriciteitsprijzen dat de kloof overbrugt tussen geavanceerde machine learning technieken en praktische marktvraag. De significantie ligt in:

Besluitvormingsondersteuning: Het bieden van een betrouwbaar instrument voor belanghebbenden om dynamische markten te navigeren, wat helpt bij demand response, optimale biedingen en kostenbesparingen.
Methodologische Vooruitgang: Het aantonen dat het combineren van vector-gebaseerde forecasting, distribution-aware loss functies en selectieve online updates superieure prestaties levert vergeleken met statische of blind adaptieve modellen.
Generaliseerbaarheid: Hoewel getest op de Californische markt, merken de auteurs op dat het framework ontworpen is om ook toepasbaar te zijn op andere elektriciteitsmarkten, mits er voldoende historische data en relevante exogene variabelen beschikbaar zijn.

De studie concludeert dat de integratie van uitgebreide kenmerkensets (specifiek generatiemix), custom regularisatie en adaptieve leerstrategieën essentieel is voor het bereiken van hoge nauwkeurigheid en robuustheid in het licht van volatiele energiemarkten.