論文の概要: Multi-Horizon Electricity Price Forecasting with Deep Learning in the Australian National Electricity Market

• arxiv url: http://arxiv.org/abs/2602.01157v1
• Date: Sun, 01 Feb 2026 11:08:40 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-03 19:28:33.632164
• Title: Multi-Horizon Electricity Price Forecasting with Deep Learning in the Australian National Electricity Market
• Title（参考訳）: オーストラリア国定電力市場における深層学習による多地点電力価格予測
• Authors: Mohammed Osman Gani, Zhipeng He, Chun Ouyang, Sara Khalifa,
• Abstract要約: 本稿では,新しい電力価格予測(EPF)フレームワークを提案する。 標準DLモデルはほとんどの地域で優れた性能を示し、SOTA時系列DLモデルは水平線拡大予測に強い堅牢性を示す。
• 参考スコア（独自算出の注目度）: 2.2951895147679298
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Accurate electricity price forecasting (EPF) is essential for operational planning, trading, and flexible asset scheduling in liberalised power systems, yet remains challenging due to volatility, heavy-tailed spikes, and frequent regime shifts. While deep learning (DL) has been increasingly adopted in EPF to capture complex and nonlinear price dynamics, several important gaps persist: (i) limited attention to multi-day horizons beyond day-ahead forecasting, (ii) insufficient exploration of state-of-the-art (SOTA) time series DL models, and (iii) a predominant reliance on aggregated horizon-level evaluation that obscures time-of-day forecasting variation. To address these gaps, we propose a novel EPF framework that extends the forecast horizon to multi-day-ahead by systematically building forecasting models that leverage benchmarked SOTA time series DL models. We conduct a comprehensive evaluation to analyse time-of-day forecasting performance by integrating model assessment at intraday interval levels across all five regions in the Australian National Electricity Market (NEM). The results show that no single model consistently dominates across regions, metrics, and horizons. Overall, standard DL models deliver superior performance in most regions, while SOTA time series DL models demonstrate greater robustness to forecast horizon extension. Intraday interval-level evaluation reveals pronounced diurnal error patterns, indicating that absolute errors peak during the evening ramp, relative errors inflate during midday negative-price regimes, and directional accuracy degrades during periods of frequent trend changes. These findings suggest that future research on DL-based EPF can benefit from enriched feature representations and modelling strategies that enhance longer-term forecasting robustness while maintaining sensitivity to intraday volatility and structural price dynamics.
• Abstract（参考訳）: 正確な電力価格予測(EPF)は、自由化電力システムにおける運用計画、トレーディング、フレキシブルアセットスケジューリングに不可欠であるが、ボラティリティ、重尾スパイク、頻繁な政権移行のために依然として困難である。 深層学習(DL)は複雑で非線形な価格変動を捉えるためにEPFでますます採用されているが、いくつかの重要なギャップが持続している。 (i)日頭予測を超える複数日の地平線に対する注意の制限。 (II)最先端(SOTA)時系列DLモデルの探索が不十分であること、及び (3)日毎の予測変動を曖昧にする集合地平線レベル評価に大きく依存する。 これらのギャップに対処するために,ベンチマークしたSOTA時系列DLモデルを利用した予測モデルを体系的に構築することにより,予測水平線を複数日前に拡張する新しいEPFフレームワークを提案する。 オーストラリア国定電力市場(NEM)の5地域すべてにわたる日内間隔のモデルアセスメントを統合することで、日内予測性能の総合評価を行う。 結果から、領域、メトリクス、地平線をまたいで一貫した単一のモデルが支配的でないことが分かる。 総じて、標準DLモデルはほとんどの地域で優れた性能を示し、SOTA時系列DLモデルは地平線拡張を予測するためにより堅牢性を示す。 日内間隔評価では日内誤差パターンが顕著に示され、夕方のランプで絶対誤差がピークし、正午の負の価格体制で相対誤差が増加し、傾向が頻繁に変化する間に方向精度が低下することが示された。 これらの結果から, DLをベースとしたEPF研究は, 日内変動や構造価格変動に対する感受性を維持しつつ, 長期予測ロバスト性を高める機能表現の充実とモデリング戦略の恩恵を受けることが示唆された。

関連論文リスト

• StockBot 2.0: Vanilla LSTMs Outperform Transformer-based Forecasting for Stock Prices [0.0]
  本稿では,近代的注意に基づく,畳み込み,反復的な時系列予測モデルを体系的に評価するStockBotアーキテクチャを提案する。 慎重に構築されたバニラLSTMは、予測精度とより安定した購買・販売決定を一貫して達成する。
  論文  参考訳（メタデータ） (2026-01-01T04:09:51Z)
• Fuxi-DA: A Generalized Deep Learning Data Assimilation Framework for Assimilating Satellite Observations [15.934673617658609]
  ディープラーニングモデルは、世界中のトップNWPモデルのマッチング、さらには予測精度を超越する可能性を示している。 本研究は、衛星観測を同化するための一般化されたDLベースのDAフレームワークであるFuxiDAを紹介する。 Fengyun-4Bに搭載されたAdvanced Geosynchronous Radiation Imager(AGRI)のデータを同調することにより、FuXi-DAは解析誤差を一貫して軽減し、予測性能を大幅に改善する。
  論文  参考訳（メタデータ） (2024-04-12T15:02:14Z)
• ExtremeCast: Boosting Extreme Value Prediction for Global Weather Forecast [57.6987191099507]
  非対称な最適化を行い、極端な天気予報を得るために極端な値を強調する新しい損失関数であるExlossを導入する。 また,複数のランダムサンプルを用いて予測結果の不確かさをキャプチャするExBoosterについても紹介する。 提案手法は,上位中距離予測モデルに匹敵する全体的な予測精度を維持しつつ,極端気象予測における最先端性能を達成することができる。
  論文  参考訳（メタデータ） (2024-02-02T10:34:13Z)
• A comparative assessment of deep learning models for day-ahead load forecasting: Investigating key accuracy drivers [2.572906392867547]
  短期負荷予測(STLF)は電力グリッドとエネルギー市場の効果的かつ経済的な運用に不可欠である。 STLFの文献ではいくつかのディープラーニングモデルが提案されており、有望な結果を報告している。
  論文  参考訳（メタデータ） (2023-02-23T17:11:04Z)
• DeepVol: Volatility Forecasting from High-Frequency Data with Dilated Causal Convolutions [53.37679435230207]
  本稿では,Dilated Causal Convolutionsに基づくDeepVolモデルを提案する。 実験結果から,提案手法は高頻度データからグローバルな特徴を効果的に学習できることが示唆された。
  論文  参考訳（メタデータ） (2022-09-23T16:13:47Z)
• Stochastically forced ensemble dynamic mode decomposition for forecasting and analysis of near-periodic systems [65.44033635330604]
  本稿では,観測力学を強制線形系としてモデル化した新しい負荷予測手法を提案する。 固有線型力学の利用は、解釈可能性やパーシモニーの観点から、多くの望ましい性質を提供することを示す。 電力グリッドからの負荷データを用いたテストケースの結果が提示される。
  論文  参考訳（メタデータ） (2020-10-08T20:25:52Z)
• Ensemble Forecasting for Intraday Electricity Prices: Simulating Trajectories [0.0]
  近年の研究では、時間単位のドイツの日内連続市場は弱い状態にあることが示されている。 時間内電力価格の確率予測は、トレーディングウィンドウ毎に軌跡をシミュレートして行う。 この調査は、過去3時間でドイツの日内連続市場における価格分布を予測することを目的としているが、このアプローチは、特にヨーロッパでは、他の連続市場への適用を可能にする。
  論文  参考訳（メタデータ） (2020-05-04T10:21:20Z)

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。