Assessing the Performance-Efficiency Trade-off of Foundation Models in Probabilistic Electricity Price Forecasting

Unofficial AI-generated summary based on the public title and abstract. Not an official translation.

🔬研究者:Provides a benchmark of TSFMs vs task-specific models for PEPF, showing that TSFMs can outperform but at high computational cost.

🏢実務担当者:Utility companies and traders should consider the trade-off between expensive foundation models and well-tuned conventional models for day-ahead forecasting.

大規模な再生可能エネルギー導入は電力系統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貌させる。正確な電力価格予測（EPF）は、最適な入札戦略や需給調整力の準備といった運用上の意思決定を支援するだけでなく、経済的リスクを低減し市場効率を向上させるためにも不可欠である。確率的予測は、再生可能エネルギーの間欠性、市場連系、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情報に基づく意思決定を行うことを可能にするため、特に価値が高い。しかし、正確な予測を生み出すためにどのモデルを採用すべきかは未解決の課題である。それはタスク特化型の機械学習（ML）モデルであるべきか、それとも時系列基盤モデル（TSFM）であるべきか。本研究では、欧州の入札地域における日前確率的電力価格予測（PEPF）のために4つのモデルを比較する：分位点回帰平均化を備えた決定論的NHITSバックボーン（NHITS+QRA）と条件付き正規化フローフォーキャスター（NF）を、2つのTSFM、すなわちMoiraiとChronosXと比較する。一方で、TSFMは、市場状況全体にわたり、CRPS、エネルギー・スコア、予測区間の較正の点で、ゼロから訓練されたタスク特化型深層学習モデルを上回ることが分かった。他方で、適切に構成されたタスク特化型モデル、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量グループが供給された場合や、他の欧州市場からの少数ショット学習によって適応された場合などの一部のシナリオでは、TSFMを凌駕することさえあることが分かった。全体として、我々の調査結果は、TSFMが表現力豊かなモデリング能力を提供する一方で、従来型モデルも依然として高い競争力を維持しており、PEPFにおいて計算コストと限界的な性能向上を比較検討する必要性を強調していることを示している。

AI 翻訳（deepseek-v4-flash）。 正確を期す場合は下の原文を参照してください。

Large-scale renewable energy deployment introduces pronounced volatility into the electricity system, turning grid operation into a complex stochastic optimization problem. Accurate electricity price forecasting (EPF) is essential not only to support operational decisions, such as optimal bidding strategies and balancing power preparation, but also to reduce economic risk and improve market efficiency. Probabilistic forecasts are particularly valuable because they quantify uncertainty stemming from renewable intermittency, market coupling, and regulatory changes, enabling market participants to make informed decisions that minimize losses and optimize expected revenues. However, it remains an open question which models to employ to produce accurate forecasts. Should these be task-specific machine learning (ML) models or Time Series Foundation Models (TSFMs)? In this work, we compare four models for day-ahead probabilistic EPF (PEPF) in European bidding zones: a deterministic NHITS backbone with Quantile-Regression Averaging (NHITS+QRA) and a conditional Normalizing-Flow forecaster (NF) are compared with two TSFMs, namely Moirai and ChronosX. On the one hand, we find that TSFMs outperform task-specific deep learning models trained from scratch in terms of CRPS, Energy Score, and predictive interval calibration across market conditions. On the other hand, we find that well-configured task-specific models, particularly NHITS combined with QRA, achieve performance very close to TSFMs, and in some scenarios, such as when supplied with additional informative feature groups or adapted via few-shot learning from other European markets, they can even surpass TSFMs. Overall, our findings show that while TSFMs offer expressive modeling capabilities, conventional models remain highly competitive, emphasizing the need to weigh computational expense against marginal performance improvements in PEPF.

• semanticscholar https://doi.org/10.48550/arxiv.2604.14739first seen 2026-07-24 06:45:41 · last seen 2026-08-31 05:46:47