💻 computer science

Hybrid Kolmogorov-Arnold Network and XGBoost Framework for Week-Ahead Price Forecasting in Australia's National Electricity Market

Este artigo propõe um framework híbrido de Rede de Kolmogorov-Arnold e XGBoost para previsão de preços de eletricidade com uma semana de antecedência no Mercado Nacional de Eletricidade da Austrália, demonstrando precisão superior em relação a modelos de referência ao combinar efetivamente uma representação não linear global com robustez local para lidar com a alta volatilidade do mercado e a incerteza induzida por fontes renováveis.

Autores originais: Houxuan Zhou, Sriram Prasad, Chenghao Huang, Jiajie Feng, Hao Wang

Publicado 2026-05-22

📖 5 min de leitura🧠 Leitura aprofundada

CC BY 4.0

Autores originais: Houxuan Zhou, Sriram Prasad, Chenghao Huang, Jiajie Feng, Hao Wang

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 que você está tentando prever o preço da eletricidade no Mercado Nacional de Eletricidade (NEM) da Austrália para a próxima semana. Isso não é como prever o tempo; é mais como tentar adivinhar o preço de uma corrida de aplicativo durante uma tempestade súbita. Os preços são selvagens, saltam de forma imprevisível e, às vezes, disparam a alturas insanas devido a fatores como uma súbita cobertura de nuvens que mata a energia solar ou uma onda de calor que dispara a demanda.

Este artigo apresenta uma nova abordagem de "super-equipe" para resolver esse problema. Em vez de confiar em apenas um método, os pesquisadores combinaram dois tipos muito diferentes de modelos de IA para criar um sistema híbrido que é melhor em prever esses preços caóticos do que qualquer modelo individual poderia ser sozinho.

Aqui está como o artigo explica sua solução, dividida em conceitos simples:

O Problema: A "Viagem Selvagem" dos Preços da Eletricidade

Os preços da eletricidade na Austrália são notoriamente voláteis. Eles são influenciados por:

Energia Renovável: Vento e solar são ótimos, mas são imprevisíveis. Se o vento parar de soprar, os preços podem disparar.
Demanda: Quando fica quente, todos ligam o ar-condicionado e os preços sobem.
Tempo: Os preços mudam a cada cinco minutos.

Os pesquisadores queriam prever os preços uma semana à frente. Isso é mais difícil do que prever o preço de amanhã, porque você precisa levar em conta tendências de longo prazo e choques súbitos de curto prazo.

A Solução: Uma "Equipe dos Sonhos" de Dois Modelos

Os autores construíram um framework híbrido combinando duas "personalidades" distintas de IA:

1. O Artista da "Visão Geral": KAN (Kolmogorov-Arnold Network)

O que faz: Pense no KAN como um pintor suave e artístico. Ele é muito bom em ver as tendências de longo prazo e os padrões suaves e fluídos nos dados. Ele entende a "forma" de como os preços geralmente se movem ao longo do tempo.
Sua fraqueza: Pode ficar um pouco confuso com picos súbitos e irregulares ou outliers estranhos. Ele prefere curvas suaves.

2. O Detetive "Orientado a Detalhes": XGBoost

O que faz: Pense no XGBoost como um detetive de olhos afiados que usa árvores de decisão. É excelente em identificar mudanças súbitas, irregularidades locais e picos extremos. É ótimo em dizer: "Ei, bem aqui, o preço saltou por causa deste evento específico."
Sua fraqueza: Às vezes luta para ver a grande imagem suave de longo prazo. Foca tanto nos detalhes imediatos que pode perder o fluxo geral.

A Magia Híbrida: KAN + XGBoost
Os pesquisadores perceberam que, se deixassem esses dois trabalharem juntos, poderiam cobrir os pontos cegos um do outro.

A Analogia: Imagine tentar navegar um navio através de uma tempestade. Você precisa de um capitão que entende as correntes do oceano (KAN) e de um vigia que avista as pedras e ondas súbitas (XGBoost).
Como trabalham juntos: O modelo KAN prevê o caminho geral do preço. O modelo XGBoost então olha para os "erros" ou "resíduos" que o modelo KAN cometeu e os corrige, especialmente para aqueles picos súbitos de preço.
O Resultado: Combinaram as previsões com uma divisão 50/50 (peso igual), criando um modelo que vê tanto a floresta quanto as árvores.

O Experimento: Como Eles Testaram

Os Dados: Usaram dados reais de eletricidade das cinco principais regiões da Austrália (NSW, VIC, QLD, SA, TAS) de abril de 2024 a março de 2025.
A Configuração: Usaram uma estratégia de "janela expansiva". Imagine aprender a dirigir: você começa com uma semana de prática, depois duas, depois três, sempre usando toda a sua experiência passada para prever a próxima semana.
A Competição: Colocaram sua nova equipe híbrida contra:
- Modelos estatísticos antigos (SARIMAX).
- Um modelo popular de aprendizado profundo (LSTM).
- Os dois modelos usados isoladamente (apenas KAN ou apenas XGBoost).
- Uma linha de base "Ingênua" (apenas adivinhar que o preço será o mesmo que está agora).

Os Resultados: Quem Ganhou?

A equipe híbrida KAN+XGBoost venceu de forma esmagadora.

Precisão: Reduziu o erro médio (MAE) em cerca de 12% em comparação com o uso do XGBoost sozinho, e em mais de 50% em comparação com a adivinhação "ingênua".
Consistência: Desempenhou-se bem em todos os cinco estados australianos, mesmo nas regiões mais voláteis como Nova Gales do Sul (NSW).
Eventos Extremos: Embora prever picos massivos de preço seja difícil para todos, o modelo híbrido foi o melhor em capturar esses eventos extremos em comparação com os outros métodos.

Por Que Isso Importa (Segundo o Artigo)

O artigo conclui que, para mercados altamente caóticos como a rede elétrica da Austrália, você não pode confiar em apenas um tipo de IA.

A Conclusão: Ao misturar um modelo que entende padrões suaves de longo prazo (KAN) com um modelo que lida com mudanças súbitas e irregulares (XGBoost), você obtém uma previsão muito mais robusta e confiável.
A Limitação: O artigo admite que, embora isso seja uma grande melhoria, prever os picos de preço absolutamente mais altos ainda é difícil porque são tão raros e caóticos. Além disso, o modelo depende de dados precisos de tempo e demanda, que são, eles próprios, previsões.

Em resumo, o artigo argumenta que a melhor maneira de prever o futuro dos preços da eletricidade não é encontrar o único IA "mais inteligente", mas construir uma equipe onde o "pensador suave" e o "detetive afiado" trabalhem juntos.

Resumo Técnico: Framework Híbrido KAN+XGBoost para Previsão de Preços com Uma Semana de Antecedência no NEM da Austrália

Declaração do Problema
A previsão precisa de preços de eletricidade (EPF) é crítica para o planejamento operacional e a gestão de riscos em sistemas energéticos modernos. No entanto, a previsão permanece desafiadora devido à alta volatilidade, dinâmicas não lineares e frequentes picos extremos de preços. Essas questões são exacerbadas no Mercado Nacional de Eletricidade (NEM) da Austrália pela alta penetração de renováveis, que introduz oferta intermitente e dinâmicas de preços complexas e não lineares. Embora a previsão de um dia de antecedência seja bem estudada, a previsão horária com uma semana de antecedência permanece pouco explorada, apesar de seu valor para lances, programação de geração e cobertura de riscos. Abordagens existentes frequentemente enfrentam um trade-off: modelos estatísticos (por exemplo, SARIMAX) lutam com não linearidades e picos; modelos de aprendizado profundo (por exemplo, LSTM) são sensíveis ao ruído em horizontes longos; e modelos baseados em árvores (por exemplo, XGBoost) podem carecer da capacidade de capturar dependências globais suaves.

Metodologia
O artigo propõe um framework híbrido integrando Redes de Kolmogorov-Arnold (KAN) e XGBoost para abordar o duplo desafio de capturar estruturas globais de longo prazo e irregularidades locais de curto prazo.

Formulação do Problema: A tarefa envolve prever preços de eletricidade ( $\hat{y}_{t+1:t+H}$ ) para um horizonte de 168 horas (uma semana) usando uma janela de entrada de 336 horas (duas semanas) de preços históricos e variáveis exógenas ( $z_t$ ), incluindo demanda, previsões de geração renovável e dados meteorológicos.
Preparação dos Dados: Dados de abril de 2024 a março de 2025 em cinco regiões do NEM (NSW, VIC, QLD, SA, TAS) foram agregados para resolução horária. As características incluem preços defasados, demanda total, intercâmbio líquido, previsões solares/eólicas e temperatura. Uma transformação seno hiperbólico inverso foi aplicada à variável alvo para estabilizar a variância.
Arquitetura Híbrida:
- Componente KAN: Baseado no teorema da representação de Kolmogorov-Arnold, o KAN aprende transformações univariadas para aproximar estruturas não lineares globais e padrões temporais suaves. Utiliza funções de ativação aprendíveis baseadas em splines (tamanho de grade 3, ordem 3) com duas camadas ocultas.
- Componente XGBoost: Um framework de boosting de gradiente treinado para capturar padrões locais, mudanças abruptas e desvios residuais que redes neurais podem perder.
- Estratégia de Ensemble: A previsão final é uma combinação ponderada: $\hat{y} = \alpha \hat{y}_{KAN} + (1-\alpha) \hat{y}_{XGB}$ . Um estudo de ablação determinou que um peso igual ( $\alpha = 0.5$ ) produziu o melhor desempenho de validação em todos os estados.
Configuração Experimental: Uma estratégia de avaliação com janela expansiva foi utilizada com quatro conjuntos de teste semanais consecutivos em março de 2025. Os modelos foram treinados em todos os dados históricos disponíveis até o período de previsão. As linhas de base incluíram Naive, SARIMAX, LSTM, KAN independente e XGBoost independente.

Principais Contribuições

Framework Híbrido Novel: O artigo introduz um framework KAN+XGBoost que decompõe funcionalmente a tarefa de previsão: o KAN lida com dependências não lineares globais, enquanto o XGBoost modela irregularidades locais e outliers.
Foco em Uma Semana de Antecedência: O estudo visa especificamente o horizonte de previsão de uma semana de antecedência pouco explorado, fornecendo prazos de antecedência mais longos para participantes do mercado em comparação com modelos padrão de um dia de antecedência.
Avaliação Abrangente: Experimentos extensos foram conduzidos em cinco regiões diversas do NEM, demonstrando a capacidade do modelo de generalizar sob condições de mercado variáveis e regimes de volatilidade.

Resultados
O modelo proposto KAN+XGBoost superou todos os benchmarks (SARIMAX, LSTM, KAN independente, XGBoost independente e Naive) em múltiplas métricas (MAE, RMSE, rMAE).

Desempenho Geral: O modelo híbrido alcançou um MAE de 26,17, representando uma redução de aproximadamente 12% em comparação com o XGBoost independente (29,49) e mais de 50% em comparação com a linha de base Naive (52,50).
Consistência Regional: O modelo manteve desempenho superior em todos os cinco estados. Notavelmente, em regiões altamente voláteis como NSW, alcançou o menor MAE e RMSE entre todos os métodos.
Eventos Extremos: Usando um limiar baseado na Teoria de Valores Extremos (EVT) (cauda 0,95), o modelo híbrido alcançou o menor MAE de eventos extremos (103,88), indicando maior robustez na captura de picos de preços altos em comparação com outros métodos.
Descobertas de Ablação: O estudo confirmou que uma integração equilibrada (ponderação 0,5/0,5) é ótima; o excesso de confiança em KAN ou XGBoost levou à degradação do desempenho. O KAN independente mostrou limitações em ambientes altamente dinâmicos devido à sensibilidade ao ruído, reforçando a necessidade da abordagem híbrida.

Significado e Alegações
O artigo alega que estratégias de aprendizado híbrido fornecem uma solução eficaz e robusta para a previsão de preços de eletricidade em mercados altamente dinâmicos como o NEM. Ao alavancar as forças complementares da aprendizagem de representação funcional (KAN) e da partição baseada em árvores (XGBoost), o framework equilibra com sucesso a modelagem de dependências de longo prazo e a volatilidade de curto prazo. Os autores sugerem que essa abordagem reduz a necessidade de configurações de modelo totalmente específicas para cada estado, oferecendo uma solução escalável para mercados regionais diversos. No entanto, o artigo reconhece modestamente limitações, observando que prever com precisão picos extremos de preços permanece difícil e que o desempenho do modelo depende da disponibilidade de variáveis exógenas precisas (por exemplo, previsões meteorológicas e de demanda). Trabalhos futuros são propostos para explorar previsão probabilística e estratégias de ensemble adaptativas.