オーストラリアの全国電力市場における短期電力価格予測のための機械学習・深層学習モデル

arXiv cs.LG / 2026/4/28

📰 ニュースIdeas & Deep AnalysisModels & Research

共有:

要点

本論文は、オーストラリアの全国電力市場における短期電力価格系列の高いボラティリティ、非定常性、不規則性に取り組み、再エネ比率の高さによる価格変動や5分ごとの決済移行が予測をさらに難しくしている南オーストラリア地域を中心に扱っている。
予測精度を公平に比較するため、同一のデータ前処理と特徴量設計（ラグ特徴量、ローリング統計、周期的な時間エンコーディングなど）を用いた統一ベンチマーク枠組みを構築し、時系列に基づく85%/15%の時系列分割で6手法（AWMLSTM、CatBoost、GBRT、LSTM、LightGBM、SVR）を体系的に比較している。
電力価格の予測では、木系モデルが概ねLSTMやSVRより優位であり、GBRTはR²=0.88を報告している一方、MAPEは90%超と高く、GBRTでも相対誤差10%超の予測が65%以上あるなど、価格予測の難しさは残る。
一方で需要予測では全モデルの性能が価格予測より大幅に良く、AWMLSTMとGBRTはR²=0.96、MAPEは32%未満で、GBRTは誤差5%以内のサンプルが74.37%と報告されている。
今後は、木系＋トランスフォーマーのハイブリッド化、極端事象向けのデータ拡張、価格スパイクを捉えるための誤差補正の導入などが有望だとしている。