Foundation-Modelle steigern Strompreisprognosen um 37 % in volatilen Märkten

Ein neues arXiv‑Veröffentlichung zeigt, dass moderne Zeitreihen‑Foundation‑Modelle (TSFMs) die Vorhersagegenauigkeit von Strompreisen im Tages‑Vorlauf signifikant verbessern. Durch die Einführung einer Spike‑Regularisierung und die Integration externer Faktoren wie Wetterdaten und Kalendervariablen erreichen die Modelle eine bis zu 37,4 % höhere Genauigkeit im Vergleich zu klassischen statistischen Ansätzen und Deep‑Learning‑Methoden.

Die Studie testet eine breite Palette von TSFMs – darunter Tiny Time Mixers, MOIRAI, MOMENT und TimesFM – gegen etablierte Modelle wie ARIMA, LSTM und CNN‑LSTM. Alle Modelle werden anhand halbstündiger Großhandelsdaten aus Singapurs volatilen Strommarkt evaluiert, wobei die Modelle die komplexen, nichtlinearen Preisbewegungen besser erfassen können.

Die Ergebnisse zeigen, dass TSFMs nicht nur die durchschnittliche Fehlerquote senken, sondern auch die Robustheit gegenüber extremen Preisspitzen erhöhen. Praktische Empfehlungen für Marktteilnehmer, darunter Netzbetreiber, Energiehändler und politische Entscheidungsträger, werden vorgestellt, um die Prognoseleistung in volatilen Strommärkten gezielt zu steigern.