論文の概要: Machine Learning and Deep Learning Models for Short Term Electricity Price Forecasting in Australia's National Electricity Market

• arxiv url: http://arxiv.org/abs/2604.23908v1
• Date: Sun, 26 Apr 2026 22:57:39 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-28 17:12:07.673901
• Title: Machine Learning and Deep Learning Models for Short Term Electricity Price Forecasting in Australia's National Electricity Market
• Title（参考訳）: オーストラリアの電力市場における短期電力価格予測のための機械学習とディープラーニングモデル
• Authors: Wei Lu, Jay Wang, Dingli Duan, Ding Mao, Caiyi Song, John Huang,
• Abstract要約: 競争力のある電力市場では短期的な電力価格予測が不可欠である。 しかし、電気価格シリーズは高いボラティリティ、不規則性、非定常性を示す。 本研究は,これらの課題に対処する統一ベンチマークフレームワークを開発する。
• 参考スコア（独自算出の注目度）: 3.299203499767714
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Short term electricity price forecast is essential in competitive power markets, yet electricity price series exhibit high volatility, irregularity, and non-stationarity. This phenomenon is pronounced in the South Australian region of the National Electricity Market, where high renewable penetration drives price volatility and frequent negative price intervals, while structural changes such as the transition to five-minute settlement further complicate forecast. To address these challenges, this study develops a unified benchmark framework. Under identical data preprocessing, feature engineering with lag features, rolling statistics, cyclic temporal encodings, and so on, and an 85% to 15% chronological train test split, six algorithms are systematically compared, including AWMLSTM, CatBoost, GBRT, LSTM, LightGBM, and SVR. The results show that for price prediction, tree-based models, especially GBRT with an R squared value of 0.88, generally outperform LSTM and SVR. However, all models achieve a mean absolute percentage error above 90%, and more than 65% of GBRT predictions have relative errors above 10%, which highlights the inherent difficulty of price forecast. For demand prediction, all models perform substantially better than in price prediction. AWMLSTM and GBRT achieve an R2 value of 0.96 with mean absolute percentage error below 32%, and GBRT has 74.37% of samples within 5% error, while LSTM and SVR perform less accurately in both tasks. Future improvements should focus on hybrid models such as tree plus transformers, data augmentation for extreme events, and error correction to better capture price spikes.
• Abstract（参考訳）: 電力価格の短期予測は競争力のある電力市場において不可欠であるが、電力価格シリーズは高いボラティリティ、不規則、非定常性を示す。 この現象は、高い再生可能エネルギーの浸透が価格のボラティリティと頻繁な負の価格間隔を駆動し、さらに5分間の決済への移行などの構造変化は予測を複雑にしている南オーストラリア地域で発音される。 これらの課題に対処するため,本研究では,統一ベンチマークフレームワークを開発した。 AWMLSTM, CatBoost, GBRT, LSTM, LightGBM, SVRを含む6つのアルゴリズムを, 同一データ前処理, 遅延特性, ローリング統計, 周期時間符号化などの機能工学, および85%から15%の時系列列車試験分割により系統的に比較した。 その結果,木系モデル,特にR2乗値0.88のGBRTはLSTMとSVRを上回っていることがわかった。 しかし、全てのモデルの平均絶対パーセンテージ誤差は90%以上であり、GBRT予測の65%以上が10%以上の相対誤差を有しており、価格予測の難しさを浮き彫りにしている。 需要予測では、全てのモデルは価格予測よりもかなり優れた性能を発揮する。 AWMLSTMとGBRTは、平均絶対パーセンテージ誤差が32%未満の0.96のR2値を達成し、GBRTは、5%エラーの範囲内で74.37%のサンプルを持ち、LSTMとSVRは、両方のタスクにおいて精度が低い。 今後の改善は、ツリープラストランスフォーマー、極端なイベントのためのデータ拡張、価格のスパイクを捕えるためのエラー修正といったハイブリッドモデルに注力する必要がある。

関連論文リスト

• A Controlled Comparison of Deep Learning Architectures for Multi-Horizon Financial Forecasting: Evidence from 918 Experiments [0.0]
  マルチ水平価格予測は、ポートフォリオ割り当て、リスク管理、アルゴリズム取引の中心である。 ディープラーニングアーキテクチャは、厳格な財務ベンチマークで評価できるよりも急速に成長しています。 ModernTCNは75パーセントの1位率で最高ランク(1.333)を獲得し、PatchTST(2.000)が続く。
  論文  参考訳（メタデータ） (2026-02-27T03:27:04Z)
• Echo State Networks for Time Series Forecasting: Hyperparameter Sweep and Benchmarking [51.56484100374058]
  我々は、完全に自動で純粋にフィードバック駆動のESNが、広く使われている統計的予測手法の代替となるかどうかを評価する。 予測精度は、MASEとsMAPEを用いて測定され、ドリフトや季節予測、統計モデルといった単純なベンチマークと比較される。
  論文  参考訳（メタデータ） (2026-02-03T16:01:22Z)
• 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)
• Hybrid Approach for Electricity Price Forecasting using AlexNet and LSTM [0.0]
  AlexNetアルゴリズムとLSTMアルゴリズムを組み合わせて、価格予測の精度の高い新しいモデルを導入する。 モデルは過去のデータに基づいて構築されており、需要、温度、日光、雨などの最も重要な要素が供給されている。 精度は97.08だったが, 96.64と96.63の精度で, 残りのRNNとANNよりも高い伴奏率を示した。
  論文  参考訳（メタデータ） (2025-06-30T04:06:24Z)
• Gated recurrent neural network with TPE Bayesian optimization for enhancing stock index prediction accuracy [0.0]
  インドの著名な株式市場指標であるNIFTY50指数の翌日の終値の予測精度を改善することを目的とする。 8つの影響要因の組み合わせは、基本株価データ、技術指標、原油価格、マクロ経済データから慎重に選択される。
  論文  参考訳（メタデータ） (2024-06-02T06:39:01Z)
• Long-term drought prediction using deep neural networks based on geospatial weather data [75.38539438000072]
  農業計画や保険には1年前から予測される高品質の干ばつが不可欠だ。 私たちは、体系的なエンドツーエンドアプローチを採用するエンドツーエンドアプローチを導入することで、干ばつデータに取り組みます。 主な発見は、TransformerモデルであるEarthFormerが、正確な短期(最大6ヶ月)の予測を行う際の例外的なパフォーマンスである。
  論文  参考訳（メタデータ） (2023-09-12T13:28:06Z)
• 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)
• Wholesale Electricity Price Forecasting using Integrated Long-term Recurrent Convolutional Network Model [0.0]
  本稿では、電力価格を予測するための長期再帰畳み込みネットワーク(ILRCN)モデルを提案する。 ケーススタディでは、提案したILRCNモデルが電気価格予測において正確かつ効率的であることが判明した。
  論文  参考訳（メタデータ） (2021-12-23T06:45:12Z)
• Stock Price Prediction Under Anomalous Circumstances [81.37657557441649]
  本稿では,異常な状況下での株価の変動パターンを捉えることを目的とする。 ARIMAとLSTMのモデルは、シングルストックレベル、業界レベル、一般市場レベルでトレーニングします。 2016年から2020年にかけての100社の株価に基づいて、平均予測精度は98%に達した。
  論文  参考訳（メタデータ） (2021-09-14T18:50:38Z)
• The impact of online machine-learning methods on long-term investment decisions and generator utilization in electricity markets [69.68068088508505]
  電力需要プロファイルを24時間以内に予測するために,オフライン11とオンライン5の学習アルゴリズムが与える影響を調査した。 最良オフラインアルゴリズムと比較して,オンラインアルゴリズムを用いて平均絶対誤差を30%削減できることを示した。 また,予測精度の大きな誤差は,17年間の投資に不均等な誤差があることを示す。
  論文  参考訳（メタデータ） (2021-03-07T11:28:54Z)

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。