Elprisforudsigelse er afgørende for markedsaktører, men vanskelig i nye eller datamanglende markeder, hvor historiske data er sparsomme. Et nyt forskningspapir fra arXiv foreslår en metode, der overfører en eksisterende tidsrække-fundamentalmodel, Chronos-2, til dag-ahead elprisforudsigelse – uden at kræve lokale træningsdata.
Metoden, kaldet market-information-aware adaptation, konstruerer først en grænseflade, der samler 7-dages prisdata med oplysninger om udbud-efterspørgsel, reserver, vedligehold, generator-kapacitet og intertie-variabler. Derefter trænes en såkaldt gated low-rank adapter (LoRA), der kun opdaterer omkring 1% af modellens parametre, og som skalerer den frosne adapter baseret på reserve-stramhed og driftsstatus-signaler.
Forskerne testede rammen på fire kinesiske provinsielle dag-ahead spotmarkeder med en leave-one-market-out-protokol, der simulerer overførsel til et nyt marked. Resultaterne viser en reduktion i gennemsnitlig MAE/RMSE på 6,24%/7,99% sammenlignet med en zero-shot Chronos-2, der ikke bruger markedsinformation, og 3,05%/3,52% sammenlignet med en vanilla Source-LoRA. Yderligere eksperimenter viser, at forbedringen ikke kan reproduceres med en lært global skalar eller tilfældig gate-initialisering, men at den ekstra gevinst over Source-LoRA er begrænset.
For beslutningstagere i energisektoren – især i regioner med nye elmarkeder eller begrænset data – peger resultaterne på en praktisk vej: I stedet for at opbygge dyre, markedspecifikke modeller fra bunden, kan en eksisterende fundamentalmodel tilpasses med minimal parameteropdatering og markedsstrukturerede input. Det kan sænke adgangsbarrieren for prissikring, budstrategier og investeringsbeslutninger i markeder, der ellers ville være svære at navigere.
Læs mere i det originale paper på arXiv.
