FETSベンチマーク：エネルギー時系列予測において基盤モデルがデータセット特化型の機械学習を上回る

Abstract

気候中立なエネルギーシステムへの移行が進む中で、正確なエネルギー時系列予測は、計画と運用にとって極めて重要である。しかし、それは依然として大部分がデータセット固有のタスクであり、包括的な学習データを必要とし、スケーラビリティを制限し、結果としてモデル開発・保守の負荷が高くなる。近年、広範な事前学習によって一般化可能なパターンを学習することを目指す基盤モデルは、複数の予測タスクにおいて優れた性能を示している。エネルギー予測における課題への対処に向けた成功と強い可能性にもかかわらず、この分野での適用はほとんど未探索である。我々はこのギャップを埋めるために、エネルギー時系列予測の基盤モデル（FETS）ベンチマークを提示する。 (1) ステークホルダー、属性、データカテゴリの3つの主要な次元に沿って、エネルギー予測のユースケースを体系的に概観する； (2) 典型的なステークホルダーの関心に導かれ、9つのデータカテゴリにまたがる54のデータセットを収集・分析する； (3) 異なる予測設定において、基盤モデルを古典的な機械学習アプローチとベンチマーク比較する。基盤モデルは、すべての設定およびデータカテゴリにおいて、学習時にそれぞれの完全な歴史的ターゲットデータを見てきたにもかかわらず、データセット固有に最適化された機械学習アプローチを一貫して上回る。特に、共変量に情報を持つ基盤モデルが最も強い性能を達成する。さらに分析すると、予測性能とスペクトルエントロピーとの間に強い相関があり、一定のコンテキスト長を超えると性能が頭打ちになり、さらに国の負荷、地区暖房、電力系統データのようなより高い集約レベルでの性能が向上することが分かる。総じて、本研究の結果は、エネルギー領域におけるスケーラブルで一般化可能な予測ソリューションとしての基盤モデルの強い可能性を示しており、とりわけデータ制約がある状況やプライバシーに敏感な状況で有効であることを強調する。