IISE PG&E Energy Analytics Challenge 2025: Hourly-Binned Regression Models Beat Transformers in Load Forecasting

要約

グリッドの安定性、リソースの最適化、再生可能エネルギーの統合には、正確な電力負荷予測が不可欠です。
TimeGPTのようなトランスベースのディープラーニングモデルは、時系列予測で牽引力を獲得していますが、長期の電力負荷予測における有効性は不確実なままです。
この研究では、ESD 2025競争のデータを使用して、古典的な回帰技術から高度な深い学習アーキテクチャに至るまでの予測モデルを評価します。
データセットには、5つのサイトにわたって温度とグローバルな水平放射照度（GHI）に加えて、2年間の履歴電力負荷データが含まれており、1日先の予測期間があります。
実際のテストセット負荷値は非公開のままであるため、予測値を活用するとエラーが蓄積され、これは長期的な予測チャレンジになります。
（i）次元削減に主成分分析（PCA）を採用し、（ii）タスクを回帰問題としてフレーム化します。温度とGHIを共変量として使用して1時間の負荷を予測します。
我々の結果は、TimeGPTを含む深い学習モデルが、トレーニングデータと外生変数の利用可能性が限られているため、より単純な統計学習および機械学習アプローチを一貫して上回ることができないことを明らかにしています。
対照的に、XGBoostは、最小限の機能エンジニアリングを備えており、計算効率を維持しながら、すべてのテストケースで最も低いエラー率を提供します。
これは、長期的な電力予測における深い学習の限界を強調し、複雑さではなくデータセットの特性に基づいてモデル選択の重要性を強化します。
私たちの研究は、実用的な予測アプリケーションに関する洞察を提供し、従来の予測方法と現代の予測方法のトレードオフに関する継続的な議論に貢献しています。

要約(オリジナル)

Accurate electricity load forecasting is essential for grid stability, resource optimization, and renewable energy integration. While transformer-based deep learning models like TimeGPT have gained traction in time-series forecasting, their effectiveness in long-term electricity load prediction remains uncertain. This study evaluates forecasting models ranging from classical regression techniques to advanced deep learning architectures using data from the ESD 2025 competition. The dataset includes two years of historical electricity load data, alongside temperature and global horizontal irradiance (GHI) across five sites, with a one-day-ahead forecasting horizon. Since actual test set load values remain undisclosed, leveraging predicted values would accumulate errors, making this a long-term forecasting challenge. We employ (i) Principal Component Analysis (PCA) for dimensionality reduction and (ii) frame the task as a regression problem, using temperature and GHI as covariates to predict load for each hour, (iii) ultimately stacking 24 models to generate yearly forecasts. Our results reveal that deep learning models, including TimeGPT, fail to consistently outperform simpler statistical and machine learning approaches due to the limited availability of training data and exogenous variables. In contrast, XGBoost, with minimal feature engineering, delivers the lowest error rates across all test cases while maintaining computational efficiency. This highlights the limitations of deep learning in long-term electricity forecasting and reinforces the importance of model selection based on dataset characteristics rather than complexity. Our study provides insights into practical forecasting applications and contributes to the ongoing discussion on the trade-offs between traditional and modern forecasting methods.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google