[論文レビュー] An Artificial Intelligence Solution for Electricity Procurement in Forward Markets

Thibaut Théate, Sébastien Mathieu+1 more|arXiv (Cornell University)|Jun 10, 2020

Energy Load and Power Forecasting参考文献 20被引用数 7

ひとこと要約

本論文は、電力小売業者および大規模消費者が、即時フォワード契約を購入するか、待機するかを決定するための、深層学習に基づく新規アルゴリズム、Uniformity-based Procurement of Electricity (UPE) を提案する。この手法は、価格トレンド予測と均一性インジケータを用いて調達コストを最小化する。UPE-DLバージョンは、完全に均一な調達政策と比較して平均で1.65%のコスト削減を達成し、2012年から2019年の期間にわたり100 GWhの消費者に対して年間75,100ユーロの節約をもたらした。

ABSTRACT

Retailers and major consumers of electricity generally purchase an important percentage of their estimated electricity needs years ahead in the forward market. This long-term electricity procurement task consists of determining when to buy electricity so that the resulting energy cost is minimised, and the forecast consumption is covered. In this scientific article, the focus is set on a yearly base load product from the Belgian forward market, named calendar (CAL), which is tradable up to three years ahead of the delivery period. This research paper introduces a novel algorithm providing recommendations to either buy electricity now or wait for a future opportunity based on the history of CAL prices. This algorithm relies on deep learning forecasting techniques and on an indicator quantifying the deviation from a perfectly uniform reference procurement policy. On average, the proposed approach surpasses the benchmark procurement policies considered and achieves a reduction in costs of 1.65% with respect to the perfectly uniform reference procurement policy achieving the mean electricity price. Moreover, in addition to automating the complex electricity procurement task, this algorithm demonstrates more consistent results throughout the years. Eventually, the generality of the solution presented makes it well suited for solving other commodity procurement problems.

研究の動機と目的

• 長期的な電力調達意思決定を自動的かつ説明可能かつ耐障害的に実行するためのシステムを開発すること。
• 電力調達意思決定の逐次的・確率的・観察困難な性質に応じ、従来のベンチマーク政策を上回るソリューションを提供すること。
• 熟練した専門家による監視が最小限で済む実世界の生産環境に容易に導入可能な汎用性の高いアルゴリズムを構築すること。
• 経済危機を含む多様な市場環境においても一貫性を保ちながらコスト効率を向上させること。
• 産業分野での採用とAI駆動調達への信頼を支えるために、透明性と解釈可能性に優れた取引提案を提供すること。

提案手法

• アルゴリズムは深層学習（DNN）を用いて、フォワード電力価格の支配的トレンドを予測し、時間的依存性やトレンドを捉える。
• 調達の均一性インジケータは、均等な政策（毎時少額を購入する）からの乖離度を定量化し、購入意思決定のトリガーとして機能する。
• 2つのバージョンを実装：UPE-MA（トレンド推定に移動平均を使用）、UPE-DL（予測精度向上のための深層学習を用いる）。
• 意思決定ルールはトレンド予測と均一性の乖離を組み合わせる：市場が上昇すると予測され、乖離度が高い場合に購入を推奨し、それ以外は待機を提案する。
• 極端な市場ショックへの露出を最小限に抑えるために、均一性からの乖離を制限する設計となっており、安定性と耐障害性を確保する。
• 2012年から2019年までの歴史的ベルギーCAL（カレンダー）フォワード市場データを用いて評価し、ベンチマーク政策と性能を比較した。

実験結果

リサーチクエスチョン

• RQ1 AI駆動の調達戦略は、従来のベンチマーク政策を上回り、長期的な電力調達コストを最小化できるか？
• RQ2 均一性に基づく意思決定メカニズムは、変動が激しい電力フォワード市場において、どのように安定性と耐障害性を向上させるか？
• RQ3 深層学習による予測を統合することで、単純なトレンド推定手法と比較して、どの程度コスト削減が向上するか？
• RQ4 提案されたアルゴリズムは、非専門家ユーザーが利用可能な透明性と解釈可能性に優れた推薦を生成できるか？
• RQ5 本手法は、類似した逐次的意思決定制約を有する他の商品調達問題へも一般化可能か？

主な発見

• UPE-DLバージョンは、平均的に完全に均一な基準政策（市場平均価格を達成）と比較して、1.65%の調達コスト削減を達成した。
• 年間100 GWhの電力消費を行う消費者に対して、2012年から2019年の期間にわたり、平均で年間75,100ユーロの節約が見込まれる。
• 経済危機などの市場ストレス期間を含む、全期間にわたり一貫したパフォーマンスを示した。
• 均一な調達ベースラインからの乖離を制限する仕組みが組み込まれているため、異常事態に対しても意思決定プロセスは耐性がある。
• 価格トレンドや均一性の乖離といった解釈可能なインジケータに基づいているため、推薦は完全に透明で解釈可能である。
• 実世界での導入に適しており、大手電力消費者の生産環境で正常にテスト済みである。