🤖 machine learning

Explainable Load Forecasting with Covariate-Informed Time Series Foundation Models

Dit artikel stelt een schaalbaar SHAP-gebaseerd verklarend raamwerk voor voor Time Series Foundation Models, waaruit blijkt dat deze modellen een concurrerende nauwkeurigheid voor dagvooruitblikkende lastvoorspelling kunnen bereiken terwijl ze de transparantie en domein-gealigneerde interpreteerbaarheid behouden die vereist zijn voor kritieke energierelateerde infrastructuur.

Oorspronkelijke auteurs: Matthias Hertel, Alexandra Nikoltchovska, Sebastian Pütz, Ralf Mikut, Benjamin Schäfer, Veit Hagenmeyer

Gepubliceerd 2026-05-01

📖 5 min leestijd🧠 Diepgaand

CC BY 4.0

Oorspronkelijke auteurs: Matthias Hertel, Alexandra Nikoltchovska, Sebastian Pütz, Ralf Mikut, Benjamin Schäfer, Veit Hagenmeyer

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 te voorspellen hoeveel elektriciteit een hele regio morgen zal verbruiken. In het verleden gebruikten experts eenvoudige regels of statistische trucjes. Nu hebben we "Time Series Foundation Models" (TSFMs). Denk aan deze als super-slimme, voorgetrainde AI-chefs. Ze hebben miljoenen verschillende "recepten" (tijdreeksdata) van over de hele wereld geproefd. Omdat ze zoveel hebben gezien, kunnen ze een voorspelling voor een nieuwe keuken (zoals een specifiek elektriciteitsnet) opzetten zonder eerst op die specifieke keuken te hoeven oefenen. Dit heet "zero-shot" leren.

Er is echter een probleem. Deze AI-chefs zijn black boxes. Ze geven je een smakelijke voorspelling (de forecast), maar ze vertellen je niet waarom ze zout in plaats van suiker hebben toegevoegd. In het elektriciteitsnet, waar fouten stroomuitval kunnen veroorzaken, moeten operators weten waarom de AI denkt dat de vraag hoog zal zijn. Ze hebben transparantie nodig, niet alleen een getal.

Dit artikel introduceert een nieuwe manier om in het hoofd van de chef te kijken om precies te zien welke ingrediënten het eindgerecht hebben beïnvloed.

Het probleem: De "black box" keuken

De auteurs gebruikten twee specifieke AI-chefs: Chronos-2 en TabPFN-TS.

Chronos-2 is als een chef die gespecialiseerd is in het lezen van het ritme van de tijd (zoals een muzikant).
TabPFN-TS is als een chef die goed is in het bekijken van een spreadsheet met feiten en patronen te vinden.

Beide zijn ongelooflijk nauwkeurig in het voorspellen van elektriciteitsbelasting. Maar als je ze vraagt: "Waarom heb je een hoog verbruik voor volgende dinsdag voorspeld?", zeggen ze meestal gewoon: "Omdat mijn neurale netwerk het zei." Dit is riskant voor kritieke infrastructuur.

De oplossing: De "ontbrekend ingrediënt"-test

Om dit op te lossen, creëerden de auteurs een methode om SHAP-waarden te berekenen. In eenvoudige termen is SHAP een manier om de eer voor een voorspelling eerlijk te verdelen over alle gebruikte ingrediënten.

Stel je voor dat je een taart bakt en deze blijkt heerlijk te zijn. Om uit te vinden hoeveel eer de eieren verdienen, bakt je de taart opnieuw, maar deze keer laat je de eieren weg.

Als de taart uit elkaar valt, waren de eieren cruciaal.
Als de taart net zo smaakt, maakten de eieren niet veel uit.

De auteurs deden dit voor elektriciteitsvoorspelling, maar met een slimme draai om het snel te maken:

Tijdsmaskering: Ze vroegen de AI: "Wat als we doen alsof we niet weten wat het elektriciteitsverbruik vorige week was?" of "Wat als we doen alsof we niet weten wat er gisteren gebeurd is?"
Covariaatmaskering: Ze vroegen: "Wat als we doen alsof we de weersvoorspelling niet weten?" of "Wat als we doen alsof we niet weten of het een feestdag is?"

Door systematisch deze "ingrediënten" (tijdstappen of weergegevens) te verwijderen en te zien hoe de voorspelling verandert, konden ze wiskundig precies berekenen hoeveel elke factor bijdroeg aan het eindantwoord.

De resultaten: De AI luistert

Het team testte deze modellen op echte elektriciteitsdata uit Baden-Württemberg, Duitsland. Dit is wat ze vonden:

1. De AI is even goed als de experts.
Zelfs zonder specifiek getraind te zijn op Duitse data, presteerden deze voorgetrainde modellen bijna even goed als modellen die jarenlang Duitse elektriciteitsdata hadden bestudeerd. Ze waren ook veel sneller op te zetten omdat ze niet opnieuw getraind hoefden te worden.

2. De AI begrijpt de wereld.
Toen de auteurs keken naar de "verklaringen" (de SHAP-waarden), kwam het redeneren van de AI perfect overeen met menselijk gezond verstand:

Feestdagen: Wanneer het model een lager verbruik voorspelde op een zondag of een officiële feestdag, toonde de verklaring dat het ingrediënt "Feestdag" de hoofdreden was. Het wist dat fabrieken sluiten en mensen thuisblijven.
Temperatuur: Op koude dagen voorspelde het model een hoger verbruik. De verklaring toonde aan dat het ingrediënt "Temperatuur" dit opdreef, waarschijnlijk omdat mensen elektrische verwarming gebruiken.
Zonlicht: Toen de zon minder helder was dan de dag ervoor, voorspelde het model een hoger netverbruik. De verklaring toonde aan dat dit kwam omdat zonnepanelen (die normaal gesproken helpen het netverbruik te verlagen) minder stroom produceerden.

3. Het is snel genoeg om te gebruiken.
Normaal duurt het eeuwen om deze "ontbrekend ingrediënt"-test uit te voeren omdat er zo veel combinaties zijn. Maar omdat deze AI-modellen flexibel zijn (ze kunnen makkelijk omgaan met ontbrekende data), konden de auteurs de test in seconden uitvoeren. Bijvoorbeeld, het uitleggen van een voorspelling duurde ongeveer 5 seconden voor Chronos-2.

De conclusie

Dit artikel bewijst dat we niet hoeven te kiezen tussen nauwkeurigheid en transparantie. We kunnen deze krachtige, voorgetrainde AI-modellen gebruiken om elektriciteitsbehoeften te voorspellen, en we kunnen ze ook vragen: "Waarom?" en een duidelijk, logisch antwoord krijgen dat overeenkomt met ons real-world begrip van weer, feestdagen en menselijk gedrag.

Het is als het hebben van een super-slimme assistent die je niet alleen het juiste antwoord geeft, maar je ook het receptenboek overhandigt en wijst naar de exacte pagina waar ze besloten om de extra suiker toe te voegen. Dit maakt het veilig en betrouwbaar om deze AI-tools te gebruiken om het licht aan te houden.

1. Probleemstelling

Context: Accurate lastprognose is cruciaal voor het in evenwicht brengen van vraag en aanbod in moderne elektriciteitsnetten. Hoewel deep learning-modellen (specifiek Time Series Foundation Models of TSFMs) superieure prestaties hebben getoond in zero-shot en few-shot scenario's, werken ze als "black boxes".
Uitdaging: Toepassingen voor kritieke infrastructuur (zoals elektriciteitsnetten) vereisen transparantie en vertrouwen, vooral binnen regelgevingskaders zoals de EU AI Act. Standaard post-hoc uitlegbare methoden, zoals Shapley Additive Explanations (SHAP), zijn theoretisch onderbouwd maar computatief onhaalbaar voor TSFMs.
Specifieke Bottleneck: Het berekenen van exacte SHAP-waarden vereist het evalueren van een model op alle mogelijke subsets (coalities) van kenmerken ( $2^n$ ). Voor tijdreeksen met lange invoerhorizons en meerdere covariaten, vereist dit doorgaans steekproeven uit een achtergronddataset om ontbrekende kenmerken te behandelen, wat duur is en variatie introduceert. Bovendien worden standaard TSFMs vaak als ondoorzichtig behandeld, waardoor het onduidelijk is of ze domeinrelevante covariaten (bijv. weer, kalender) correct gebruiken.

2. Methodologie

De auteurs stellen een efficiënt algoritme voor om exacte SHAP-waarden te berekenen voor covariaten-informatieve TSFMs door gebruik te maken van hun architecturale flexibiliteit.

Kerninnovatie: Maskering zonder Achtergrondsteekproeven

In tegenstelling tot traditionele SHAP-implementaties die ontbrekende kenmerken steekproeven uit een achtergronddataset, maakt deze aanpak gebruik van het feit dat TSFMs (specifiek Chronos-2 en TabPFN-TS) native kunnen omgaan met willekeurige invoercontextlengtes en ontbrekende covariaten.

Kenmerkgroepering: Om de exponentiële complexiteit ( $2^n$ $2^{n}$ ) te verminderen, worden kenmerken gegroepeerd in $N$ $N$ subsets ( $N \ll n$ $N ≪ n$ ):
- Temporale Groepen: De historische last-tijdreeks wordt opgesplitst in vier patches: Laatste Dag, Korte termijn (1 week), Intermediair (4 weken) en Lange termijn (>4 weken).
- Covariategroepen: Elke covariabele (Vakantie, Temperatuur, Straling) vormt zijn eigen groep.
Maskeringstrategieën:
- Temporale Maskering:
  - Chronos-2: Verkort de contextlengte voor vroege maskering; stelt waarden in op NaN voor intermediaire maskering (intern behandeld als ontbrekend).
  - TabPFN-TS: Verwijdert de corresponderende rijen volledig, aangezien het geen NaN kan verwerken in de doelvariabele.
- Covariatenmaskering: Verwijdert specifieke covariaten volledig uit de invoer.
- Basisvoorspelling: Wanneer alle data gemaskeerd is, voorspelt het model de gemiddelde last van de vorige 48 weken (Chronos-2) of het jaar (TabPFN-TS).
Berekening: De SHAP-waarde wordt berekend door voorspellingen te vergelijken over deze $2^N$ coalities. Dit elimineert de behoefte aan achtergrondsteekproeven en maakt exacte berekening mogelijk.

Geëvalueerde Modellen

Chronos-2: Een Transformer-gebaseerde TSFM vooraf getraind op diverse tijdreeksen, uitgebreid om covariaten te verwerken.
TabPFN-TS: Een tabulaire foundation model aangepast voor tijdreeksen met behulp van in-context learning (geen gradiëntgebaseerde fine-tuning).

3. Belangrijkste Bijdragen

Prestatiebenchmarking: Een uitgebreide vergelijking van Chronos-2 en TabPFN-TS met state-of-the-art Transformers die vanaf nul zijn getraind op specifieke data van een Transmission System Operator (TSO).
Efficiënt SHAP-algoritme: Een nieuwe, model-agnostische (binnen TSFMs) methode voor het berekenen van exacte SHAP-waarden met behulp van temporale en covariatenmaskering, waarbij de computatiekosten van achtergrondsteekproeven worden omzeild.
Empirische Validatie van Uitlegbaarheid: Aantonen dat covariaten-informatieve TSFMs externe kenmerken (weer, kalender) gebruiken op een manier die consistent is met fysieke domeinkennis, waardoor hun betrouwbaarheid voor operationeel gebruik wordt gevalideerd.

4. Experimentele Resultaten

Dataset & Opzet

Data: Uurlijkse elektrische lastdata van TransnetBW (Duitsland, Baden-Württemberg) van januari 2015 tot september 2025.
Covariaten: Temperatuur, Zonne-irradiantie (van ERA5 reanalyse) en een Vakantie-indicator.
Taak: Lastprognose voor de volgende dag (24-uurs horizon).
Baselines: Een eenvoudige seizoensgebonden baseline en een Transformer die vanaf nul is getraind (op 1 jaar en 8,75 jaar data).

Prognosenauwkeurigheid

Zero-Shot Prestaties: Beide TSFMs presteerden beter dan een Transformer die alleen op één jaar data was getraind.
- TabPFN-TS verlaagde de MAE met 23,5% vergeleken met de 1-jaar Transformer.
- Chronos-2 verlaagde de MAE met 26,8%.
Volledige Trainingsdata: Een Transformer getraind op 8,75 jaar data behaalde de laagste fout (MAE: 150,2 MW), presteerde licht beter dan de zero-shot TSFMs (Chronos-2: 156,2 MW; TabPFN-TS: 163,2 MW).
Invloed van Covariaten: Het opnemen van covariaten verbeterde de TSFM-prestaties aanzienlijk:
- Chronos-2 MAE verbeterde met 27,0%.
- TabPFN-TS MAE verbeterde met 31,5%.
Contextlengte: Chronos-2 presteerde beter dan TabPFN-TS over alle contextlengtes. TabPFN-TS vereiste ten minste twee weken context om de baseline te verslaan, terwijl Chronos-2 slechts één week nodig had.

Runtime-efficiëntie

Training: TSFMs vereisen nul trainingstijd (vooraf getraind), terwijl de Transformer ongeveer 19 minuten nodig had om te trainen.
Inferentie: Chronos-2 is snel (~~66 ms/prognose). TabPFN-TS is langzamer (~~5,5 s/prognose).
Uitleg: Het genereren van een volledige SHAP-uitleg duurt ~5 seconden voor Chronos-2 en ~367 seconden voor TabPFN-TS (door de langzamere inferentietijd vermenigvuldigd met het aantal coalities).

Uitlegbaarheidsanalyse

Globaal Belang:
- Vorige Last is het dominante kenmerk (~87-89% belang).
- Onder de covariaten zijn Vakantiedagen het belangrijkst, gevolgd door Temperatuur, en dan Straling.
- Chronos-2 en TabPFN-TS waren het eens over de rangschikking van het belang van covariaten.
Lokaal/Afhankelijkheidsanalyse:
- Vakantiedagen: Modellen verlaagden correct de lastvoorspellingen op vakantiedagen en verhoogden deze op de daaropvolgende werkdag. TabPFN-TS leunde zwaarder op de vakantieflag voor zondagen/maandagen, terwijl Chronos-2 wekelijkse patronen afleidde uit de vorige last.
- Temperatuur: Modellen identificeerden correct dat stijgende temperaturen (relatief ten opzichte van de vorige dag) de last verlagen (verminderde verwarmingsvraag), en vice versa.
- Straling: Modellen reageerden correct op dalingen in zonne-irradiantie door de lastvoorspellingen te verhogen (rekening houdend met verminderde achter-de-meter PV-generatie).
Conclusie over Vertrouwen: De SHAP-verklaringen sluiten perfect aan bij gevestigde domeinkennis, wat bevestigt dat de modellen niet alleen ruis aanpassen, maar fysische relaties leren.

5. Betekenis en Toekomstig Werk

Operationele Haalbaarheid: De studie bewijst dat TSFMs niet alleen accuraat zijn, maar ook transparant. Ze kunnen dienen als betrouwbare hulpmiddelen voor netbeheerders zonder de noodzaak van uitgebreide hertraining of dataverzameling.
Regelgevingsconformiteit: Het vermogen om exacte, theoretisch onderbouwde verklaringen te geven, adresseert de "black box"-barrière, wat de naleving van AI-regelgeving in kritieke infrastructuur faciliteert.
Schaalbaarheid: De voorgestelde maskeringstrategie is een generaliseerbare aanpak voor het verklaren van elke TSFM die variabele invoercontexten accepteert.
Toekomstige Richtingen:
- Uitbreiden van het kader naar probabilistische forecasts en onzekerheidskwantificatie.
- Toepassen van de methode op andere energietaken (prijsprognose, hernieuwbare generatie).
- Onderzoeken hoe fine-tuning patronen van kenmerkattributie beïnvloedt.

Kortom, dit artikel overbrugt de kloof tussen de hoge prestaties van foundation-modellen en de strenge transparantie-eisen van de energiesector, en demonstreert dat Chronos-2 en TabPFN-TS levensvatbare, uitlegbare en efficiënte oplossingen zijn voor operationele lastprognose.