💻 computer science

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

本文提出了一种混合柯尔莫哥洛夫 - 阿诺德网络与 XGBoost 框架，用于预测澳大利亚国家电力市场未来一周的电价，该框架通过有效结合全局非线性表征与局部鲁棒性，以应对市场的高波动性和可再生能源引发的不确定性，从而展现出优于基准模型的预测精度。

原作者： Houxuan Zhou, Sriram Prasad, Chenghao Huang, Jiajie Feng, Hao Wang

发布于 2026-05-22

📖 1 分钟阅读☕ 轻松阅读

CC BY 4.0

原作者： Houxuan Zhou, Sriram Prasad, Chenghao Huang, Jiajie Feng, Hao Wang

原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

想象一下，你正在尝试预测澳大利亚国家电力市场（NEM）未来一周的电价。这不像预测天气；它更像是在突发风暴期间猜测网约车的价格。价格波动剧烈，不可预测地上下跳动，有时会因为云层突然遮蔽导致太阳能发电中断，或热浪引发需求激增等事件而飙升至疯狂的高度。

本文提出了一种新的“超级团队”方法来解决这一问题。研究人员没有仅依赖单一方法，而是将两种截然不同的 AI 模型结合起来，构建了一个混合系统。该系统在预测这些混乱价格方面的表现，优于任何单一模型独立工作时的效果。

以下是论文对其解决方案的解释，分解为简单概念：

问题：电价的“狂野旅程”

澳大利亚的电价以波动剧烈而闻名。它们受到以下因素的影响：

可再生能源：风能和太阳能固然很好，但它们具有不可预测性。如果风停了，价格可能会飙升。
需求：天气变热时，所有人都会打开空调，导致价格上涨。
时间：价格每五分钟变化一次。

研究人员希望预测未来一周的价格。这比预测明天的价格更难，因为你必须同时考虑长期趋势和突发的短期冲击。

解决方案：由两个模型组成的“梦幻团队”

作者构建了一个混合框架，结合了两种截然不同的 AI“个性”：

1. “大局观”艺术家：KAN（柯尔莫哥洛夫 - 阿诺德网络）

它的作用：将 KAN 想象成一位流畅的艺术家。它非常擅长捕捉长期趋势以及数据中平滑、流动的模式。它理解价格随时间推移的总体“形态”。
它的弱点：面对突然的、锯齿状的尖峰或异常值时，它可能会感到有些困惑。它更偏好平滑的曲线。

2. “注重细节”的侦探：XGBoost

它的作用：将 XGBoost 想象成一位使用决策树的敏锐侦探。它非常擅长发现突然的变化、局部不规则性以及极端尖峰。它很擅长指出：“嘿，就在此处，价格因为这一特定事件而跳涨了。”
它的弱点：它有时难以看清宏大、平滑的长期图景。它过于关注眼前的细节，可能会忽略整体的流动。

混合魔力：KAN + XGBoost
研究人员意识到，如果让这两个模型协同工作，它们可以弥补彼此的盲点。

类比：想象在风暴中驾驶船只。你需要一位理解洋流的船长（KAN），以及一位能发现突然出现的礁石和波浪的瞭望员（XGBoost）。
它们如何协同工作：KAN 模型预测价格的一般走势。XGBoost 模型随后查看 KAN 模型产生的“错误”或“残差”，并对其进行修正，特别是针对那些突然的价格尖峰。
结果：他们将预测结果以 50/50 的比例（同等权重）进行结合，创造出一个既能看到森林又能看到树木的模型。

实验：他们如何测试

数据：他们使用了 2024 年 4 月至 2025 年 3 月期间澳大利亚五个主要地区（新南威尔士州 NSW、维多利亚州 VIC、昆士兰州 QLD、南澳大利亚州 SA、塔斯马尼亚州 TAS）的真实电力数据。
设置：他们采用了“扩展窗口”策略。想象一下学习开车：你从一周的练习开始，然后是两周，接着是三周，始终利用你所有的过往经验来预测下一周。
竞赛：他们将这个新的混合团队与以下模型进行了较量：
- 老式统计模型（SARIMAX）。
- 流行的深度学习模型（LSTM）。
- 单独使用的两个模型（仅 KAN 或仅 XGBoost）。
- “朴素”基线（仅猜测价格将与当前价格相同）。

结果：谁赢了？

混合KAN+XGBoost团队以绝对优势获胜。

准确性：与单独使用 XGBoost 相比，它将平均误差（MAE）降低了约12%；与“朴素”猜测相比，降低了**50%**以上。
一致性：它在所有五个澳大利亚州的表现都很出色，即使在像新南威尔士州（NSW）这样波动最剧烈的地区也是如此。
极端事件：尽管预测巨大的价格尖峰对所有人来说都很困难，但与其他方法相比，混合模型在捕捉这些极端事件方面表现最佳。

为什么这很重要（根据论文）

论文得出结论，对于像澳大利亚电网这样高度混乱的市场，不能仅依赖一种类型的 AI。

核心启示：通过将理解平滑长期模式的模型（KAN）与处理突然、锯齿状变化的模型（XGBoost）相结合，你可以获得更稳健、更可靠的预测。
局限性：论文承认，虽然这是一个巨大的进步，但预测绝对最高的价格尖峰仍然很困难，因为它们极其罕见且混乱。此外，该模型依赖于准确的天气和需求数据，而这些数据本身也是预测值。

简而言之，论文认为，预测电价未来的最佳方式不是寻找单一的“最聪明”的 AI，而是组建一个团队，让“流畅思考者”和“敏锐侦探”协同工作。

技术摘要：混合 KAN+XGBoost 框架用于澳大利亚国家电力市场（NEM）的周前电价预测

问题陈述
准确的电价预测（EPF）对于现代能源系统的运营规划和风险管理至关重要。然而，由于高波动性、非线性动态以及频繁出现的极端价格尖峰，预测工作仍极具挑战性。在澳大利亚国家电力市场（NEM）中，高比例的可再生能源渗透加剧了这些问题，引入了间歇性供应以及复杂、非线性的价格动态。虽然日前预测已得到充分研究，但尽管周前小时级预测对投标、发电调度和风险对冲具有重要价值，该领域仍未被充分探索。现有方法往往面临权衡：统计模型（如 SARIMAX）难以处理非线性和尖峰；深度学习模型（如 LSTM）在长周期内对噪声敏感；而基于树的模型（如 XGBoost）可能缺乏捕捉平滑全局依赖关系的能力。

方法论
本文提出了一种混合框架，将柯尔莫哥洛夫 - 阿诺德网络（KAN）与 XGBoost 相结合，以应对捕捉长期全局结构和短期局部不规则性的双重挑战。

问题表述：该任务涉及利用 336 小时（两周）的历史价格和外生变量（ $z_t$ ）输入窗口，预测未来 168 小时（一周）的电价（ $\hat{y}_{t+1:t+H}$ ）。外生变量包括需求、可再生能源发电预测和天气数据。
数据准备：收集了 2024 年 4 月至 2025 年 3 月期间五个 NEM 区域（NSW、VIC、QLD、SA、TAS）的数据，并聚合为小时级分辨率。特征包括滞后价格、总需求、净交换量、太阳能/风能预测和温度。对目标变量应用了反双曲正弦变换以稳定方差。
混合架构：
- KAN 组件：基于柯尔莫哥洛夫 - 阿诺德表示定理，KAN 学习单变量变换以近似全局非线性结构和平滑的时间模式。它利用基于样条的可学习激活函数（网格大小 3，阶数 3），包含两个隐藏层。
- XGBoost 组件：一个梯度提升框架，旨在捕捉神经网络可能遗漏的局部模式、突变和残差偏差。
- 集成策略：最终预测是加权组合： $\hat{y} = \alpha \hat{y}_{KAN} + (1-\alpha) \hat{y}_{XGB}$ 。消融研究表明，等权重（ $\alpha = 0.5$ ）在所有州均能产生最佳的验证性能。
实验设置：采用扩展窗口评估策略，使用 2025 年 3 月的四个连续周测试集。模型在截至预测期的所有可用历史数据上进行训练。基线模型包括朴素模型、SARIMAX、LSTM、独立 KAN 和独立 XGBoost。

主要贡献

新型混合框架：本文引入了 KAN+XGBoost 框架，在功能上分解了预测任务：KAN 处理全局非线性依赖关系，而 XGBoost 建模局部不规则性和异常值。
聚焦周前预测：本研究专门针对未被充分探索的周前预测时间范围，与市场参与者相比，比标准的日前模型提供了更长的提前期。
全面评估：在五个不同的 NEM 区域进行了广泛的实验，证明了该模型在不同市场条件和波动机制下的泛化能力。

结果
提出的 KAN+XGBoost 模型在多个指标（MAE、RMSE、rMAE）上优于所有基准模型（SARIMAX、LSTM、独立 KAN、独立 XGBoost 和朴素模型）。

整体性能：混合模型的 MAE 为 26.17，相比独立 XGBoost（29.49）降低了约12%，相比朴素基线（52.50）降低了**50%**以上。
区域一致性：该模型在所有五个州保持了优越的性能。值得注意的是，在像新南威尔士州（NSW）这样波动剧烈的地区，它在所有方法中实现了最低的 MAE 和 RMSE。
极端事件：使用基于极值理论（EVT）的阈值（0.95 尾部），混合模型实现了最低的极端事件 MAE（103.88），表明与其他方法相比，其在捕捉高价格尖峰方面具有更强的鲁棒性。
消融发现：研究证实，平衡集成（0.5/0.5 权重）是最优的；过度依赖 KAN 或 XGBoost 中的任何一方都会导致性能下降。独立 KAN 在高度动态的环境中显示出局限性，因其对噪声敏感，这进一步证明了混合方法的必要性。

意义与主张
本文主张，混合学习策略为像 NEM 这样高度动态的市场中的电价预测提供了一种有效且稳健的解决方案。通过利用函数表示学习（KAN）和基于树的划分（XGBoost）的互补优势，该框架成功平衡了长期依赖关系和短期波动性的建模。作者建议，这种方法减少了对完全特定于州（state-specific）的模型配置的需求，为多样化的区域市场提供了一种可扩展的解决方案。然而，本文也适度承认了局限性，指出准确预测极端价格尖峰仍然困难，且模型的性能依赖于准确的外生变量（如天气和需求预测）的可用性。未来的工作提议探索概率预测和自适应集成策略。