Hybrid Kolmogorov-Arnold Network and XGBoost Framework for Week-Ahead Price Forecasting in Australia's National Electricity Market

📄 arXiv: 2605.22387v1 📥 PDF

作者: Houxuan Zhou, Sriram Prasad, Chenghao Huang, Jiajie Feng, Hao Wang

分类: cs.LG, cs.CE

发布日期: 2026-05-21

备注: The 24th IEEE International Conference on Industrial Informatics, 2026

💡 一句话要点

提出KAN+XGBoost混合框架，用于澳大利亚电力市场中长期电力价格预测。

🎯 匹配领域: 支柱二：RL算法与架构 (RL & Architecture) 支柱四：生成式动作 (Generative Motion)

关键词: 电力价格预测 Kolmogorov-Arnold Networks XGBoost 混合模型 时间序列预测

📋 核心要点

  1. 澳大利亚电力市场波动性大，可再生能源占比高，传统电力价格预测方法难以准确捕捉其非线性动态和极端价格波动。
  2. 论文提出KAN+XGBoost混合框架，利用KAN的全局非线性建模能力和XGBoost的局部鲁棒性，同时捕捉长期依赖和短期波动。
  3. 实验结果表明，该模型在澳大利亚电力市场数据集上优于SARIMAX、LSTM、KAN和XGBoost等基线模型，MAE降低显著。

📝 摘要（中文）

精确的电力价格预测(EPF)对于市场参与者支持运营规划和风险管理至关重要，但由于其强烈的波动性、非线性动态和频繁的极端价格峰值而仍然具有挑战性。这些挑战在澳大利亚国家电力市场(NEM)中尤为突出，因为高可再生能源渗透率进一步增加了不确定性。本文研究了未来一周的电力价格预测，并提出了一种混合KAN+XGBoost框架，该框架将Kolmogorov-Arnold Networks (KAN)与基于树的学习相结合。所提出的方法结合了KAN的全局非线性表示能力和XGBoost的局部鲁棒性，以捕获长期依赖关系和短期价格波动。使用扩展窗口评估策略在真实世界的NEM数据上进行了实验。结果表明，所提出的模型优于基准方法，包括SARIMAX、长短期记忆网络(LSTM)、独立KAN和XGBoost，与XGBoost相比，MAE降低了约12%，与朴素基线相比，降低了50%以上。结果表明，混合学习策略为高度动态的电力市场中的电力价格预测提供了一种有效而稳健的解决方案。

🔬 方法详解

问题定义：论文旨在解决澳大利亚国家电力市场(NEM)中未来一周的电力价格预测问题。现有方法，如SARIMAX、LSTM和XGBoost，难以有效应对NEM市场的高波动性、非线性动态以及频繁出现的极端价格峰值，尤其是在可再生能源渗透率不断提高的情况下，预测难度进一步增加。

核心思路：论文的核心思路是将Kolmogorov-Arnold Networks (KAN)与XGBoost相结合，构建一个混合模型。KAN擅长全局非线性函数逼近，能够捕捉电力价格的长期依赖关系；XGBoost作为一种基于树的集成学习方法，具有较强的局部鲁棒性，能够有效处理短期价格波动和异常值。通过结合两者的优势，提高电力价格预测的准确性和稳定性。

技术框架：该混合框架主要包含两个阶段：首先，利用KAN对电力价格数据进行全局非线性建模，提取长期趋势和依赖关系；然后，将KAN的输出作为XGBoost的输入，XGBoost进一步学习短期价格波动和残差信息。最终的预测结果是KAN和XGBoost的输出的组合。评估采用扩展窗口策略，模拟实际应用场景。

关键创新：该论文的关键创新在于将KAN引入电力价格预测领域，并与XGBoost相结合。与传统的神经网络（如LSTM）相比，KAN具有更强的函数逼近能力和更好的可解释性。与单独使用KAN或XGBoost相比，混合模型能够更好地捕捉电力价格的复杂动态。

关键设计：论文中KAN的网络结构和参数设置需要根据具体数据集进行调整。XGBoost的关键参数包括树的深度、学习率和正则化系数等，需要通过交叉验证进行优化。损失函数通常选择均方误差(MSE)或平均绝对误差(MAE)。此外，特征工程也至关重要，需要选择合适的历史价格数据、气象数据和负荷数据等作为输入特征。

🖼️ 关键图片

fig_0
fig_1

📊 实验亮点

实验结果表明，提出的KAN+XGBoost混合模型在澳大利亚国家电力市场(NEM)数据集上取得了显著的性能提升。与XGBoost相比，MAE降低了约12%，与朴素基线相比，MAE降低了50%以上。该模型还优于SARIMAX和LSTM等传统时间序列预测方法，证明了混合学习策略在电力价格预测中的有效性和鲁棒性。

🎯 应用场景

该研究成果可应用于电力市场的运营规划、风险管理和交易决策。准确的电力价格预测能够帮助发电企业优化发电计划，降低运营成本；帮助电力交易员制定更有效的交易策略，提高盈利能力；帮助电力监管机构更好地监控市场运行，维护市场稳定。该方法也可推广到其他具有类似特征的时间序列预测问题，如金融市场预测和交通流量预测。

📄 摘要（原文）

Accurate electricity price forecasting (EPF) is essential for market participants to support operational planning and risk management, yet remains challenging due to strong volatility, nonlinear dynamics, and frequent extreme price spikes. These challenges are particularly pronounced in the Australian National Electricity Market (NEM), where high renewable penetration further increases uncertainty. This paper investigates week-ahead electricity price forecasting and proposes a hybrid KAN+XGBoost framework that integrates Kolmogorov-Arnold Networks (KAN) with tree-based learning. The proposed approach combines the global nonlinear representation capability of KAN with the local robustness of XGBoost to capture both long-term dependencies and short-term price fluctuations. Experiments are conducted on real-world NEM data using an expanding window evaluation strategy. The results demonstrate that the proposed model outperforms benchmark methods, including SARIMAX, Long Short-Term Memory (LSTM), standalone KAN, and XGBoost, reducing MAE by approximately 12% compared to XGBoost and by over 50% compared to a naive baseline. The results suggest that hybrid learning strategies provide an effective and robust solution for electricity price forecasting in highly dynamic electricity markets.