En ny metod baserad på förstärkningsinlärning för kortsiktig prognostisering av belastning och priser på energimarknader

Varför det spelar roll att förutsäga morgondagens el

Varje gång du slår på en strömbrytare arbetar ett stort nätverk av kraftverk, marknader och datorer i bakgrunden för att hålla el både tillgänglig och prisvärd. Om nätoperatörer kan förutsäga hur mycket el som kommer att användas och hur priserna rör sig under de kommande timmarna, kan de undvika strömavbrott, minska slöseri och spara pengar för alla. Den här artikeln undersöker ett nytt sätt att göra sådana kortsiktiga prognoser med tekniker som ursprungligen utvecklades för att lära sig spela spel och styra robotar.

Smartare gissningar för en föränderlig energivärld

Elförbrukning och priser kan svänga kraftigt från timme till timme. Värmeböljor, köldknäppar, helgdagar och bränslekostnader påverkar systemet i olika riktningar. Traditionella prognosverktyg, som enkla trendlinjer eller även standardmodeller inom maskininlärning, behandlar ofta problemet som ett envägsanpassning till historiska data. De har svårt när förhållanden ändras snabbt eller när många faktorer samverkar på komplexa sätt. Författarna menar att moderna elnät, särskilt de med växande andelar förnybar energi, behöver prognosverktyg som kan anpassa sig i realtid och lära sig direkt från sina framgångar och misstag.

En lärande agent på elmarknaden

Forskarna omformulerar prognoserna som ett beslutsfattande spel. Vid varje timme ser en datoragent den aktuella situationen: senaste elförbrukningen, tidigare priser, temperatur, luftfuktighet, veckodag, helgdagar och bränslekostnader. Den väljer därefter en handling: sin bästa gissning för nästa timmes elförbrukning och pris. När de faktiska värdena blir kända får agenten en poäng beroende på hur fel den var—stora fel straffas, små fel belönas. Med tiden söker systemet en strategi som maximerar dess långsiktiga poäng, inte bara noggrannheten i ett enskilt steg. För att hantera de många ingångarna använder författarna ett upplägg med djup förstärkningsinlärning baserat på ett Deep Q-Network, en typ av neuralt nätverk som uppskattar hur bra varje möjlig handling är i varje situation.

Från rådata till pålitliga prognoser

För att testa sin metod använde teamet verkliga data från PJM Interconnection, en stor amerikansk elmarknad som täcker delar av Mellanvästern och östkusten. De använde ungefär tre år av timregistreringar (2021–2023), inklusive marknadspriser, elförbrukning, väderobservationer och index för bränslepriser. Innan träning renade de data, fyllde i sällsynta saknade värden, tog bort ovanliga avvikare och skalade allt till jämförbara intervall. De använde också statistiska tekniker för att komprimera den stora uppsättningen ingångsvariabler samtidigt som det mesta av den nyttiga variationen behölls. Agenten tränades sedan genom upprepade genomgångar av denna historik, där den gradvis gick från slumpmässiga försök och misstag till att utnyttja mönstren den upptäckt.

Hur väl agenten presterade

När den jämfördes med allmänt använda prognosmetoder—inklusive ARIMA (en traditionell tidsseriemodell), LSTM-neurala nätverk och den populära XGBoost-algoritmen—kom förstärkningsinlärningssystemet ut i förväg. På testdata som modellen aldrig sett tidigare minskade den genomsnittliga procentuella felen i efterfrågan och pris med ungefär 15–20 procent jämfört med dessa referensmetoder. Prognoserna följde både vinter- och sommarcyklerna nära och avspeglade generella prisrörelser, även om modellen fortfarande hade problem med de skarpaste, sällsynta pristopparna och ovanligt beteende vid helgdagar. Analys av den inlärda strategin visade att agenten implicit upptäckte ett ekonomiskt rimligt mönster: efter att ha observerat mycket höga priser tenderade den att förvänta sig något lägre efterfrågan nästa timme, vilket efterliknar faktisk efterfrågerespons utan att det explicit lärts in.

Vad detta betyder för vardaglig energianvändning

För icke-specialister är huvudbudskapet att denna lärande-baserade metod kan hjälpa nätoperatörer att driva elsystem smidigare och billigare. Mer exakta kortsiktiga prognoser gör det möjligt för producenter och marknadsoperatörer att planera anläggningar mer effektivt, integrera förnybara resurser med färre överraskningar och minska risken för plötsliga pristoppar eller bristsituationer. Metoden är visserligen dataintensiv och beräkningsmässigt krävande, och behöver fortfarande förfinas för extrema händelser, men den pekar mot en framtid där elmarknader styrs av adaptiva, självförbättrande verktyg som kontinuerligt lär sig av konsumenters, väders och bränslors ständigt föränderliga beteende.

Citering: Wu, Y., Ma, Y. & Aliev, H. A novel reinforcement learning-based approach for short-term load and price forecasting in energy markets. Sci Rep 16, 5141 (2026). https://doi.org/10.1038/s41598-026-37366-5

Nyckelord: smart grid-prognoser, förutsägelse av elpriser, förstärkningsinlärning, prognoser för energiefterfrågan, deep Q-network