Foundation models for electricity price forecasting and battery arbitrage: Can they replace market-specific forecasting models?
Hoewel foundation models zoals TabPFN een superieure statistische nauwkeurigheid demonstreren bij het voorspellen van elektriciteitsprijzen over meerdere markten heen, vervangen zij niet universeel marktspecifieke modellen omdat hun economische waarde bij batterij-arbitrage zwaar afhangt van de specifieke beslissingsstrategie en risicotolerantie.
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
Elektriciteit is de onzichtbare levensader van de moderne samenleving, die door draden stroomt om alles aan te drijven, van straatverlichting tot ziekenhuizen. Maar de prijs van die elektriciteit staat niet vast; deze fluctueert wild, stijgt soms tot duizelingse hoogten en duikt af en toe in negatief gebied. Deze prijsschommelingen worden gedreven door een complexe mix van factoren: hoeveel zon en wind beschikbaar is om stroom op te wekken, wat de brandstofkosten zijn en hoeveel energie mensen op elk gegeven moment verbruiken. Omdat deze prijzen zo onvoorspelbaar veranderen, moeten bedrijven die batterijen bezitten of elektriciteitsnetten beheren, de toekomstige prijs met opmerkelijke nauwkeurigheid voorspellen. Als ze een prijsstijging kunnen voorspellen, kunnen ze goedkope elektriciteit kopen, deze opslaan in een batterij en het later met winst verkopen. Als ze het fout hebben, verliezen ze geld. Decennialang hebben experts gespecialiseerde computermodellen gebouwd die speciaal voor deze specifieke markten zijn ontworpen, waarbij ze het unieke ritme van het elektriciteitsnet van elk land hebben geleerd.
Onlangs is er een nieuw type kunstmatige intelligentie opgekomen die belooft hetzelfde werk te doen zonder dat het de specificaties van een enkele markt hoeft te leren. Dit zijn zogenaamde foundation-modellen. Stel je een student voor die miljoenen boeken over elk mogelijk onderwerp heeft gelezen; wanneer je hem een vraag stelt over een specifiek onderwerp, kan hij direct antwoord geven zonder een nieuw tekstboek nodig te hebben. Vergelijkbaar daarmee zijn deze foundation-modellen getraind op enorme hoeveelheden gegevens uit veel verschillende vakgebieden, in de hoop dat ze wat ze hebben geleerd direct kunnen toepassen op elektriciteitsprijzen, zonder extra training. De grote vraag voor de energiesector is of deze algemene AI-instrumenten goed genoeg zijn om de gespecialiseerde, op de markt afgestemde experts te vervangen die al jaren de standaard zijn.
Een team van onderzoekers uit Polen en Denemarken besloot deze vraag te beantwoorden door deze nieuwe AI-modellen een rigoureuze test te onderwerpen. Ze verzamelden vijf jaar aan elektriciteitsprijsgegevens van drie zeer verschillende Europese markten: Duitsland, Polen en Spanje. Deze landen werden gekozen omdat ze een verschillende mix van energiebronnen hebben; Duitsland en Spanje leunen zwaar op wind en zon, terwijl Polen nog steeds een aanzienlijke hoeveelheid kolen gebruikt. De onderzoekers zetten negen verschillende versies van deze nieuwe foundation-modellen af tegen twee van de beste bestaande, gespecialiseerde modellen die door professionals worden gebruikt. Ze vroegen de modellen niet alleen om de prijs te raden; ze testten hoe goed de modellen het volledige bereik van mogelijke prijzen konden voorspellen, inclusief de zeldzame maar gevaarlijke pieken en dalen. Ten slotte namen ze de belangrijkste stap: ze simuleerden een real-world handelsstrategie. Ze gebruikten de voorspellingen van elk model om een virtueel batterijopslagsysteem te draaien, waarbij elektriciteit werd gekocht en verkocht over een periode van vijf jaar om te zien welk model daadwerkelijk het meeste geld verdiende.
De resultaten toonden een verrassende splitsing tussen statistische nauwkeurigheid en werkelijke winst. Wat betreft pure voorspellende vaardigheid presteerde één familie van foundation-modellen, bekend als TabPFN, consequent beter dan de gespecialiseerde experts in alle drie de landen. Deze modellen waren in staat om de prijs met grotere precisie te voorspellen dan de traditionele methoden, zelfs zonder getraind te zijn op de specifieke geschiedenis van die markten. Echter, het verhaal veranderde toen de onderzoekers naar de bankrekening keken. Hoewel de TabPFN-modellen statistisch superieur waren, vertaalde dit zich niet automatisch in de hoogste winsten. De uitkomst hing volledig af van hoeveel risico de handelaar bereid was te nemen. Wanneer de handelsstrategie agressief was en bereid was hogere risico's te accepteren, genereerden de TabPFN-modellen het meeste geld. Maar wanneer de strategie voorzichtig en risicomijdend was, maakte het oudere, gespecialiseerde model genaamd DDNN-JSU meer winst, ondanks dat het minder accuraat was in zijn ruwe voorspellingen.
Deze bevinding suggereert dat de nieuwe foundation-modellen krachtige instrumenten zijn, maar geen universele vervanging voor de gespecialiseerde modellen die al decennia worden verfijnd. De beste keuze hangt af van het specifieke doel. Als het doel is om het meest accurate statistische beeld van de toekomst te hebben, zijn de nieuwe foundation-modellen uitstekend. Maar als het doel is om winst te maximaliseren in een voorzichtige handelsomgeving, behouden de oude, gespecialiseerde modellen nog steeds het voordeel. De studie concludeert dat hoewel deze nieuwe AI-instrumenten een belangrijke stap voorwaarts zijn en de voorspelling kunnen verbeteren, ze moeten worden beschouwd als krachtige componenten in een groter systeem in plaats van een wondermiddel dat elk probleem oplost. De toekomst van de elektriciteitshandel omvat waarschijnlijk een mengeling van deze nieuwe algemene instrumenten en de zorgvuldige, marktspecifieke expertise die door jarenlange ervaring is opgebouwd.
Verdrinkt u in papers in uw vakgebied?
Ontvang dagelijkse digests van de nieuwste papers die bij uw onderzoekswoorden passen — met technische samenvattingen, in uw taal.