Chronos-2 DE-LU pre-gate
прогноз цен на электроэнергию на сутки вперёд
2 мин чтенияобновлено
Исследовательский чекпоинт от AryanSudhirDev для почасового прогнозирования цен на электроэнергию в торговой зоне Германия/Люксембург (DE-LU) в EUR/MWh. Модель построена на базе amazon/chronos-2 (120 млн параметров) с использованием LoRA (метода дообучения с добавлением небольших обучаемых матриц поверх замороженных весов), после чего адаптер был объединён с базовыми весами в единый автономный файл. В отличие от моделей, опирающихся на данные после закрытия торгов, этот вариант строго ограничен информацией, доступной до полуденного дедлайна аукциона D-1 (pre-gate). Решение пригодится аналитикам энергорынков, исследователям временных рядов и разработчикам алгоритмов планирования нагрузки.
Ключевые особенности
- Горизонт прогноза 24 часа: модель принимает 85 дней почасовой истории (2040 значений) и выдаёт квантильные прогнозы цены на следующие сутки.
- Учёт ковариат и соседних рынков: помимо исторических цен DE-LU, в расчёт берутся прогнозы нагрузки, ветровой и солнечной генерации, а также цены в Бельгии, Франции, Нидерландах, Дании, Австрии, Швейцарии и Чехии.
- Готовые объединённые веса: для запуска
model.safetensorsне требуется библиотека PEFT, но в репозитории также сохранены исходный адаптер (rank 8, alpha 16) и файл калибровки доверительных интервалов. - Лёгкий локальный запуск: благодаря компактному размеру в 0.12B параметров инференс работает на CPU или через MPS на Mac.
Что можно сделать
- Симуляция работы накопителей энергии: использовать почасовые квантильные прогнозы в бэктестах для моделирования графиков заряда и разряда промышленных батарей.
- Бенчмаркинг моделей временных рядов: сравнить точность pre-gate подхода на базе Chronos-2 с классическими эконометрическими моделями (например, LEAR) на европейских энергорынках.
- Интеграция в аналитический пайплайн: подключить готовый CLI-скрипт
inference.pyдля пакетной обработки подготовленных JSON-данных с историей цен и погодных прогнозов.
Пример
from chronos import Chronos2Pipeline
pipe = Chronos2Pipeline.from_pretrained("/path/to/downloaded/model", device_map="cpu")
# item содержит массивы numpy float32: target, past_covariates и future_covariates
quantiles = pipe.predict([item], prediction_length=24)
Подробнее
Метрики: MAE на отложенной выборке (372 дня, с 2025-11-01 по 2026-11-09) составила 15.386 EUR/MWh против ~15.34 у базового метода LEAR (p = 0.543, статистически значимого превосходства не выявлено).Железо и ПО: требуется Python 3.12 и библиотека chronos-forecasting; по умолчанию работает на CPU, поддерживается ускорение MPS на Mac.
Ограничения: исследовательский артефакт без доказанного преимущества для реального трейдинга; в комплект не входят парсеры сырых рыночных данных и регрессоры погоды в генерацию.










Комментарии