確率的な電力価格予測における基盤モデルの性能と効率のトレードオフの評価

arXiv cs.LG / 2026/4/17

💬 オピニオンIdeas & Deep AnalysisModels & Research

共有:

要点

本研究は、変動の大きい欧州の電力市場における、日次（day-ahead）確率的電力価格予測（PEPF）で「タスク特化型機械学習モデル」か「時系列基盤モデル（TSFMs）」のどちらを用いるべきかを検討します。
CRPS、Energy Score、予測区間のキャリブレーションといった複数の評価指標で見ると、一般にTSFMsのほうが、スクラッチから学習したモデルを上回り、市場条件が変化しても不確実性を踏まえた予測が強いことが示されます。
一方で、タスク特化モデルを適切に構成した場合—特にNHITSバックボーンにQuantile-Regression Averaging（NHITS+QRA）を組み合わせたケース—ではTSFMに非常に近い性能になり、状況によってはTSFMsを上回ることさえあります。
информативな特徴量グループの追加や、他の欧州市場からのfew-shot適応を行うことで、タスク特化モデルの性能をさらに高められると報告しています。
結論として、TSFMsは表現力の高いモデリングを提供しますが、従来型のモデルも非常に競争力があるため、PEPFでは「計算コスト」と「限界的な性能向上」のバランスを明示的に考慮すべきだと述べています。

Abstract

大規模な再生可能エネルギーの導入は、電力システムに顕著な変動性をもたらし、系統運用を複雑な確率的最適化問題へと変えてしまいます。正確な電力価格予測（EPF）は、最適な入札戦略や需給調整用の電力準備といった運用上の意思決定を支えるだけでなく、経済的リスクを低減し、市場効率を高めるためにも不可欠です。確率的予測は特に有用です。なぜなら、再生可能エネルギーの断続性、市場の連系、規制変更に起因する不確実性を定量化し、市場参加者が損失を最小化し、期待収益を最適化するための、情報に基づく意思決定を可能にするからです。しかし、正確な予測を生成するためにどのモデルを用いるべきかは、依然として未解決の問いです。タスク固有の機械学習（ML）モデルを用いるべきでしょうか、それとも時系列基盤モデル（Time Series Foundation Models: TSFMs）を用いるべきでしょうか。本研究では、欧州の入札ゾーンにおける日次先行の確率的EPF（PEPF）について、4つのモデルを比較します。具体的には、決定論的なNHITSのバックボーンにQuantile-Regression Averaging（NHITS+QRA）を組み合わせたものと、条件付き正規化フロー予測器（NF）を、2つのTSFM、すなわちMoiraiおよびChronosXと比較します。一方では、TSFMが、あらゆる市場条件においてCRPS、Energy Score、予測区間のキャリブレーションの点で、スクラッチから学習したタスク固有の深層学習モデルを上回ることが分かります。他方では、適切に設定されたタスク固有モデル、特にQRAと組み合わせたNHITSは、TSFMに非常に近い性能を達成し、追加の情報量の多い特徴グループが与えられる場合や、他の欧州市場からのfew-shot学習によって適応される場合など、いくつかのシナリオではTSFMをさえ上回り得ることが分かります。全体として、本研究の結果は、TSFMが表現力の高いモデリング能力を提供する一方で、従来型のモデルも依然として非常に競争力が高く、PEPFにおいて計算コストと性能向上の限界（微増）とのバランスを慎重に考慮する必要があることを示しています。