論文の概要: Electricity Price Forecasting: Bridging Linear Models, Neural Networks and Online Learning
- arxiv url: http://arxiv.org/abs/2601.02856v1
- Date: Tue, 06 Jan 2026 09:35:02 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-01-07 17:02:12.873856
- Title: Electricity Price Forecasting: Bridging Linear Models, Neural Networks and Online Learning
- Title（参考訳）: 電力価格予測:線形モデル、ニューラルネットワーク、オンライン学習のブリッジ
- Authors: Btissame El Mahtout, Florian Ziel,
- Abstract要約: 線形および非線形フィードフォワードニューラルネットワーク構造を組み合わせた新しいニューラルネットワーク手法を提案する。
現在のベンチマークモデルと比較して,提案手法は計算コストを大幅に削減する。
本研究は,欧州の主要電力市場を対象とした6年間の予測調査から得られたものである。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Precise day-ahead forecasts for electricity prices are crucial to ensure efficient portfolio management, support strategic decision-making for power plant operations, enable efficient battery storage optimization, and facilitate demand response planning. However, developing an accurate prediction model is highly challenging in an uncertain and volatile market environment. For instance, although linear models generally exhibit competitive performance in predicting electricity prices with minimal computational requirements, they fail to capture relevant nonlinear relationships. Nonlinear models, on the other hand, can improve forecasting accuracy with a surge in computational costs. We propose a novel multivariate neural network approach that combines linear and nonlinear feed-forward neural structures. Unlike previous hybrid models, our approach integrates online learning and forecast combination for efficient training and accuracy improvement. It also incorporates all relevant characteristics, particularly the fundamental relationships arising from wind and solar generation, electricity demand patterns, related energy fuel and carbon markets, in addition to autoregressive dynamics and calendar effects. Compared to the current state-of-the-art benchmark models, the proposed forecasting method significantly reduces computational cost while delivering superior forecasting accuracy (12-13% RMSE and 15-18% MAE reductions). Our results are derived from a six-year forecasting study conducted on major European electricity markets.
- Abstract（参考訳）: 電力価格の正確な日先予測は、効率的なポートフォリオ管理の確保、発電所運営の戦略的意思決定の支援、効率的な蓄電池最適化の実現、需要対応計画の促進に不可欠である。
しかし、不確実で不安定な市場環境では、正確な予測モデルの開発は非常に困難である。
例えば、線形モデルは一般に最小限の計算条件で電気価格を予測するのに競争力のある性能を示すが、関連する非線形関係を捉えることに失敗する。
一方、非線形モデルは計算コストの上昇とともに予測精度を向上させることができる。
本稿では,線形および非線形フィードフォワードニューラル構造を組み合わせた新しい多変量ニューラルネットワーク手法を提案する。
従来のハイブリッドモデルとは異なり、我々の手法はオンライン学習と予測の組み合わせを統合して、効率的なトレーニングと精度の向上を実現している。
また、風力や太陽光発電から生じる基本的な関係、電力需要パターン、関連するエネルギー燃料と炭素市場、そして自動回帰力学やカレンダー効果など、関連するすべての特徴を取り入れている。
現在の最先端ベンチマークモデルと比較して、提案手法は予測精度を12-13%、MAEを15-18%向上させ、計算コストを大幅に削減する。
本研究は,欧州の主要電力市場を対象とした6年間の予測調査から得られたものである。
関連論文リスト
- Recurrent Neural Networks with Linear Structures for Electricity Price Forecasting [0.0]
本稿では,日頭電力価格予測のために設計された新しい再帰型ニューラルネットワークアーキテクチャを提案する。
我々の組み合わせ予測モデルは、エキスパートモデルやカルマンフィルタのような線形構造を繰り返しネットワークに埋め込む。
提案モデルでは,先行ベンチマークよりも約12%高い精度を実現している。
論文 参考訳（メタデータ） (2025-12-04T11:38:30Z) - A Comparative Study of Machine Learning Algorithms for Electricity Price Forecasting with LIME-Based Interpretability [8.114643944442296]
本研究では,スペインの電力市場データを用いた8つの機械学習モデルを比較した。
その結果,KNNは0.865のR2,3.556のMAE,5.240のRMSEで最高の性能を示した。
論文 参考訳（メタデータ） (2025-12-01T02:51:41Z) - Bayesian Neural Networks with Monte Carlo Dropout for Probabilistic Electricity Price Forecasting [0.0]
本研究は,モンテカルロ(MC)ドロップアウトを用いたベイズニューラルネットワーク(BNN)を用いた確率的電力価格予測の枠組みを提案する。
一般化自己回帰的条件付きヘテロスケダスティック性(GARCHX)とLASSO推定自己回帰モデル(LEAR)のベンチマークモデルに対する批判的評価と比較
論文 参考訳（メタデータ） (2025-11-12T13:33:28Z) - Data-driven jet fuel demand forecasting: A case study of Copenhagen Airport [43.17090130312271]
デンマークの大手航空燃料流通業者から得られた大量のデータを用いて,データ駆動型アプローチの性能評価を行った。
本分析では,従来の時系列モデル,Prophet,LSTMシーケンス・ツー・シーケンスニューラルネットワーク,ハイブリッドモデルの予測能力を比較した。
データ駆動アプローチの信頼性を確保し、実践者に貴重な洞察を提供するために、3つの異なるデータセットを分析します。
論文 参考訳（メタデータ） (2025-11-04T11:45:58Z) - Adaptive Online Learning with LSTM Networks for Energy Price Prediction [0.5514902789425196]
本研究は,カリフォルニアのエネルギー市場における日頭電力価格の予測モデルの開発に焦点をあてる。
このモデルには、歴史的価格データ、気象条件、エネルギーの混合など、さまざまな特徴が含まれている。
その結果、カスタム損失関数はモデルの性能を向上し、予測値と実際の値がより密に一致できることが示されている。
論文 参考訳（メタデータ） (2025-10-19T15:48:38Z) - From Distributional to Quantile Neural Basis Models: the case of Electricity Price Forecasting [42.062078728472734]
本稿では,Quantile Generalized Additive Modelの解釈可能性原理を取り入れたQuantile Neural Basis Modelを紹介する。
我々は,日頭電力価格予測へのアプローチを検証し,分散および量子レグレッションニューラルネットワークに匹敵する予測性能を実現する。
論文 参考訳（メタデータ） (2025-09-17T15:55:59Z) - Generative Probabilistic Time Series Forecasting and Applications in
Grid Operations [47.19756484695248]
生成確率予測は、過去の時系列観測で与えられた条件付き確率分布に基づいて、将来の時系列サンプルを生成する。
本稿では、独立かつ同一に分散したイノベーションシーケンスを抽出する、弱いイノベーションオートエンコーダアーキテクチャと学習アルゴリズムを提案する。
弱いイノベーションシーケンスはベイズ的であり、弱イノベーションオートエンコーダが生成確率予測のための標準アーキテクチャとなることを示す。
論文 参考訳（メタデータ） (2024-02-21T15:23:21Z) - End-to-End Reinforcement Learning of Koopman Models for Economic Nonlinear Model Predictive Control [45.84205238554709]
本研究では, (e)NMPCの一部として最適性能を示すために, Koopman シュロゲートモデルの強化学習法を提案する。
エンドツーエンドトレーニングモデルは,(e)NMPCにおけるシステム識別を用いてトレーニングしたモデルよりも優れていることを示す。
論文 参考訳（メタデータ） (2023-08-03T10:21:53Z) - A Hybrid Model for Forecasting Short-Term Electricity Demand [59.372588316558826]
現在、英国電気市場は、規制当局が30分毎に発行する負荷(需要)予測によってガイドされている。
本稿では,機能工学(候補予測機能の選択),移動ウィンドウ予測,LSTMエンコーダデコーダを組み合わせたハイブリッド予測モデルHYENAを提案する。
論文 参考訳（メタデータ） (2022-05-20T22:13:25Z) - Predictive Accuracy of a Hybrid Generalized Long Memory Model for Short
Term Electricity Price Forecasting [0.0]
本研究では、一般化長メモリ自己回帰モデル(k-factor GARMA)に基づく新しいハイブリッドモデルの予測性能について検討する。
提案モデルの性能を北プール電力市場のデータを用いて評価した。
論文 参考訳（メタデータ） (2022-04-18T12:21:25Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。