💻 computer science

PriceFM: Foundation Model for Probabilistic Electricity Price Forecasting

Este artigo apresenta o PriceFM, um modelo fundamental probabilístico para previsão de preços de eletricidade na Europa que aproveita um conjunto de dados multilateral em grande escala e integra a topologia de transmissão por meio de uma máscara de grafo esparsa para capturar eficazmente dependências entre regiões e superar as bases existentes.

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

Publicado 2026-05-12

📖 5 min de leitura🧠 Leitura aprofundada

CC BY 4.0

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

Artigo original sob licença CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Esta é uma explicação gerada por IA do artigo abaixo. Não foi escrita nem endossada pelos autores. Para precisão técnica, consulte o artigo original. Ler aviso legal completo

Imagine o mercado europeu de eletricidade como um bairro massivo e interconectado, onde cada casa (ou região) tem seu próprio gerador de energia, seus próprios hábitos de consumo e seu próprio preço para a eletricidade. Às vezes, o sol brilha intensamente na Espanha, tornando a eletricidade barata lá, enquanto um dia tempestuoso e nublado na Alemanha torna a energia cara. Como as casas estão conectadas por linhas de energia (linhas de transmissão), a eletricidade pode fluir da casa barata para a cara, mas apenas se os fios forem fortes o suficiente e não estiverem muito congestionados.

O artigo apresenta um novo "super-precisador" chamado PriceFM. Pense no PriceFM como um meteorologista altamente experiente que não olha apenas para o céu acima de uma casa, mas entende como o vento e o sol afetam o bairro inteiro, e como as linhas de energia que os conectam alteram o preço da energia.

Aqui está uma explicação de como funciona, usando analogias simples:

1. O Problema: Muitos Vizinhos, Muito Ruído

No passado, os previsores tentavam prever os preços da eletricidade olhando para apenas uma região de cada vez (como tentar adivinhar o preço na Alemanha sem saber o que está acontecendo na França). Outros tentavam olhar para todos ao mesmo tempo, mas tratavam todos os vizinhos como igualmente importantes.

O Defeito: Imagine tentar adivinhar o preço de uma casa em Paris. Se você ouvir o boato de uma casa em um país diferente, a 800 quilômetros de distância e sem estrada direta para Paris, essa informação provavelmente é apenas ruído. Pode confundir você. Os modelos existentes eram assim — eles ouviam todos, até os vizinhos distantes que realmente não importavam, o que tornava suas previsões menos precisas.

2. A Solução: Um Mapa Inteligente (A "Máscara de Grafo")

O PriceFM resolve isso usando um mapa digital das linhas de energia.

A Analogia: Imagine que você está em uma sala lotada. Para ouvir um amigo claramente, você foca nas pessoas que estão logo ao seu lado. Você ignora as pessoas gritando do outro lado do prédio.
Como o PriceFM faz isso: Ele usa uma "Máscara de Grafo Esparsa". Isso é como um filtro que diz: "Ouça apenas as regiões conectadas diretamente à região-alvo, ou aquelas a um ou dois passos de distância". Ele bloqueia o "ruído" de regiões distantes que não estão fisicamente conectadas por linhas de energia. Isso garante que o modelo aprenda apenas com os vizinhos que realmente importam.

3. O Cérebro: Uma "Mistura de Especialistas" (MoE)

O artigo menciona uma camada de "Mistura de Especialistas".

A Analogia: Imagine uma equipe de 38 especialistas diferentes, um para cada região. No entanto, em vez de contratar 38 pessoas diferentes para fazer exatamente o mesmo trabalho, o PriceFM tem um gerente inteligente (o "Roteador").
Como funciona: Quando o gerente vê dados de uma região ventosa, ele pede ao "Especialista em Vento". Quando vê dados de uma região ensolarada, ele pede ao "Especialista em Sol". Algumas regiões são semelhantes (como dois países vizinhos com clima similar), então podem compartilhar o mesmo especialista. Isso torna o sistema eficiente e inteligente, permitindo que ele aprenda padrões de uma região e os aplique a regiões semelhantes sem se confundir.

4. O Conjunto de Dados: Uma Biblioteca Gigante e Atualizada

Para treinar este modelo, os autores construíram uma biblioteca massiva de dados.

A Escala: Eles coletaram dados de 24 países (38 regiões diferentes) cobrindo os anos de 2022 a 2026.
O Conteúdo: Não são apenas preços. Inclui previsões de quanto as pessoas usarão de eletricidade (Carga), quanto sol e vento estarão disponíveis (Solar e Eólico) e os preços reais. Isso é como dar ao modelo uma história completa do clima, dos hábitos e das contas do bairro por quatro anos seguidos.

5. O Resultado: Previsões Melhores

Quando testaram o PriceFM contra outros modelos (incluindo outros "modelos fundamentais" famosos por serem inteligentes em tarefas gerais de séries temporais), o PriceFM venceu.

Por quê? Porque ele não apenas memorizou padrões; ele entendeu as regras físicas da rede elétrica. Ele sabia que a eletricidade flui através de fios, não através do ar.
O Resultado: Ele previu os preços com mais precisão e, importante, forneceu uma faixa de preços possíveis (previsão probabilística) sem cometer erros lógicos (como prever um preço "alto" que é menor que o preço "baixo").

Resumo

O PriceFM é uma nova ferramenta para prever preços de eletricidade na Europa. Funciona melhor do que ferramentas anteriores porque:

Usa um conjunto de dados enorme e recente cobrindo quase toda a Europa.
Usa um filtro inteligente para ignorar vizinhos distantes e irrelevantes, focando apenas nas regiões fisicamente conectadas por linhas de energia.
Usa uma equipe de especialistas (Mistura de Especialistas) para lidar com os diferentes tipos de clima e necessidades energéticas em todo o continente.

O artigo afirma que isso leva a previsões mais precisas, o que ajuda empresas de energia e governos a gerenciar melhor a rede à medida que dependem mais de energia renovável imprevisível, como vento e sol.

Resumo Técnico: PriceFM – Modelo de Fundação para Previsão Probabilística de Preços de Eletricidade

1. Declaração do Problema

A previsão probabilística precisa de preços de eletricidade é crítica para operações sustentáveis de sistemas de energia, particularmente à medida que aumenta a penetração de energias renováveis. O mercado europeu de eletricidade apresenta desafios únicos devido à alta variabilidade da geração solar e eólica, à profunda integração de mercado e a um sistema de transmissão fisicamente interconectado.

As abordagens existentes enfrentam duas limitações principais:

Falta de Modelagem Espacial: A maioria dos modelos foca em mercados de região única (por exemplo, Alemanha) ou trata as regiões independentemente, falhando em capturar as interdependências espaciais impulsionadas pelas trocas de energia transfronteiriças.
Priors de Grafos Inadequados em Modelos de Fundação: Embora modelos de foundation recentes (por exemplo, Chronos, TimesFM) se destaquem na previsão geral de séries temporais, eles tipicamente dependem de mecanismos de mistura puramente baseados em dados. Eles não incorporam conhecimento prévio explícito da topologia de transmissão. Consequentemente, podem aprender inadvertidamente sinais ruidosos de regiões topologicamente distantes, levando ao sobreajuste e à redução da generalização em sistemas interconectados.

O artigo argumenta que modelar explicitamente a estrutura espacial do mercado europeu, restrita pelas linhas de transmissão físicas, é essencial para a formação precisa de preços.

2. Metodologia: PriceFM

Os autores propõem o PriceFM, um modelo de foundation probabilístico projetado especificamente para mercados europeus de eletricidade. A arquitetura integra um mecanismo de projeção compartilhado com uma máscara de grafo esparsa guiada por topologia.

A. Fundação de Dados

O modelo é construído sobre um conjunto de dados abrangente, consciente de renováveis, cobrindo 24 países europeus (38 regiões) de 1º de janeiro de 2022 a 1º de janeiro de 2026.

Recursos: Preços de eletricidade day-ahead, previsões de carga e previsões de geração solar/eólica (soma de onshore e offshore).
Resolução: Todos os recursos são reamostrados para uma resolução de 15 minutos para alinhar com as normas de mercado da UE em evolução.
Escopo: O conjunto de dados inclui aproximadamente 5,3 milhões de registros, abordando a falta de dados padronizados e em grande escala para treinamento de modelos de foundation.

B. Arquitetura do Modelo

O PriceFM processa entradas multi-regionais para produzir previsões multi-regionais, multi-escalonas e multi-quantílicas.

Camada de Projeção Compartilhada de Mistura de Especialistas (MoE):
- Para garantir que as representações regionais sejam comparáveis, o modelo mapeia entradas (preços e recursos exógenos) em um espaço de embedding latente compartilhado.
- Em vez de atribuir uma camada densa única a cada uma das 38 regiões, é utilizada uma MoE compartilhada. Esta camada consiste em um Especialista de Fusão (combinando preços e recursos exógenos via adição residual) e um Roteador de Pesos (selecionando dinamicamente pesos de especialistas com base nos recursos de entrada).
- Este design permite que regiões com padrões semelhantes compartilhem mecanismos de projeção, mantendo a flexibilidade.
Máscara de Grafo Esparsa Guiada por Topologia:
- Esta é a inovação central que distingue o PriceFM de modelos de foundation genéricos.
- O modelo constrói uma máscara de grafo esparsa baseada na topologia física de transmissão. Calcula a distância do grafo (número de saltos de transmissão) entre uma região de entrada e uma região de saída alvo usando Busca em Largura (BFS).
- Um hiperparâmetro $\delta$ (limite de grau do grafo) limita a agregação a uma vizinhança delimitada. Regiões além desta distância são mascaradas (atribuídas 0), impedindo que o modelo incorpore sinais ruidosos de áreas topologicamente distantes.
- Os embeddings regionais são agregados via uma média restrita por esparsidade, atuando como um regularizador espacial.
Cabeça Hierárquica de Quantis:
- Para garantir consistência probabilística e evitar cruzamento de quantis (onde quantis superiores caem abaixo dos inferiores), o modelo emprega uma cabeça hierárquica.
- Primeiro, prevê a trajetória mediana ( $\tau=0.5$ ).
- Os quantis superiores e inferiores são então gerados adicionando ou subtraindo resíduos não negativos (derivados via função de valor absoluto ou ReLU) da mediana. Isso garante monotonicidade entre os quantis.

C. Objetivo de Treinamento

O modelo é treinado usando Perda Média de Quantil (AQL) através de múltiplas regiões, escalas de tempo e quantis.

3. Contribuições Principais

Lançamento de Conjunto de Dados: Introdução do maior e mais diversificado conjunto de dados aberto para mercados europeus de eletricidade até a data, cobrindo 38 regiões ao longo de um período de 4 anos com recursos conscientes de renováveis.
Framework PriceFM: Um novo modelo de foundation probabilístico que integra priors de topologia de transmissão em uma arquitetura de foundation de séries temporais. Suporta previsão multi-regional, multi-escalonas e multi-quantílica.
Avaliação Abrangente: Experimentos extensivos comparando o PriceFM com baselines ingênuas, modelos puros de séries temporais, modelos baseados em grafos e modelos de foundation genéricos (por exemplo, Chronos, Moirai, TimesFM).

4. Resultados Experimentais

Os autores avaliaram o PriceFM usando uma avaliação rotativa de 3 dobras e uma estratégia "zero-shot" de "deixar-uma-região-fora".

vs. Modelos Ingênuos: O PriceFM superou significativamente as baselines sazonais ingênuas, reduzindo a AQL em 62,1%, o MAE em 35,3% e o RMSE em 31,3%.
vs. Modelos de Séries Temporais: O PriceFM superou a melhor baseline pura de séries temporais (TimesNet) em 37,6% na AQL, demonstrando a necessidade de viés indutivo espacial explícito.
vs. Modelos de Grafos: O PriceFM melhorou a melhor baseline de grafos (GraphConv) em 12,3% na AQL. Os autores atribuem isso ao mecanismo de mascaramento esparso, que mitiga o risco de sobreajuste associado a GNNs puramente baseados em dados que propagam sinais de regiões fracamente relacionadas.
vs. Modelos de Foundation Genéricos: Em um cenário zero-shot de "deixar-uma-região-fora", o PriceFM reduziu a AQL em 14,7% em comparação com o modelo de foundation genérico mais forte (Chronos[2.0]). Isso sugere que o pré-treinamento de domínio amplo é insuficiente para capturar as dependências espaciais específicas de mercados de eletricidade interconectados sem priors de grafos explícitos.
Cruzamento de Quantis: O PriceFM alcançou uma Taxa de Cruzamento de Quantis (AQCR) de 0,00%, enquanto muitas baselines exibiram taxas de cruzamento não nulas.

Estudos de Ablação confirmaram que:

Um limite de grau do grafo de $\delta=0$ (usando apenas dados locais) foi ótimo para algumas regiões (por exemplo, Alemanha, França), enquanto outras se beneficiaram de informações de vizinhança.
O uso de 4 especialistas ( $M=4$ ) na camada MoE foi suficiente.
Remover a máscara guiada por topologia ou substituí-la por uma máscara aleatória causou uma queda significativa no desempenho, validando a importância do prior da rede física.

5. Significado e Alegações

O artigo alega que o PriceFM fornece uma ferramenta escalável e consciente de incerteza para sistemas de energia enfrentando aumento da penetração de renováveis. Seu significado reside em:

Preenchendo a Lacuna: Integrar com sucesso restrições físicas específicas do domínio (topologia de transmissão) no paradigma de modelo de foundation, que anteriormente dependia de abordagens puramente baseadas em dados.
Generalização: Demonstrar capacidades superiores de generalização, particularmente em cenários zero-shot para regiões não vistas, o que é crucial para mercados onde dados de treinamento completos podem ser limitados.
Valor Operacional: Ao modelar conjuntamente solar, eólica, carga, preços e interações induzidas pela topologia, o framework apoia uma melhor tomada de decisão para integração de renováveis e operação flexível da rede.

Os autores observam que o framework é adaptável; se a rede física de transmissão evoluir, o modelo pode ser retreinado simplesmente atualizando a matriz de adjacência, mantendo o pipeline geral inalterado. Eles também sugerem que trabalhos futuros poderiam explorar esquemas de ponderação espacial alternativos baseados em características socioeconômicas ou do sistema.