[論文レビュー] Day-ahead electricity price prediction applying hybrid models of LSTM-based deep learning methods and feature selection algorithms under consideration of market coupling

Wei Li, Denis Becker|arXiv (Cornell University)|Jan 13, 2021

Electric Power System Optimization被引用数 10

ひとこと要約

本研究では、北欧電力市場における翌日電力価格予測の精度を向上させるために、LSTMネットワークとラッパー型特徴選択を組み合わせたハイブリッドディープラーニングモデルを提案する。市場間のクロスボーダー連携を考慮し、特にドイツ市場からの特徴が重要であることが特定され、次元の呪いを軽減する。

ABSTRACT

The availability of accurate day-ahead electricity price forecasts is pivotal for electricity market participants. In the context of trade liberalisation and market harmonisation in the European markets, accurate price forecasting becomes difficult for electricity market participants to obtain because electricity forecasting requires the consideration of features from ever-growing coupling markets. This study provides a method of exploring the influence of market coupling on electricity price prediction. We apply state-of-the-art long short-term memory (LSTM) deep neural networks combined with feature selection algorithms for electricity price prediction under the consideration of market coupling. LSTM models have a good performance in handling nonlinear and complex problems and processing time series data. In our empirical study of the Nordic market, the proposed models obtain considerably accurate results. The results show that feature selection is essential to achieving accurate prediction, and features from integrated markets have an impact on prediction. The feature importance analysis implies that the German market has a salient role in the price generation of Nord Pool.

研究の動機と目的

• ますます統合が進むヨーロッパ電力市場における正確な翌日電力価格予測の課題に取り組む。
• 特に統合市場からのクロスボーダー的影響を考慮し、市場連携が価格ダイナミクスに与える影響を調査する。
• 高次元入力データに対するLSTMモデルの次元の呪いを克服するため、高度な特徴選択を適用する。
• 特にドイツ市場を含む相互接続された市場からの最も関連性の高い特徴を特定することで、予測性能を向上させる。
• ハイブリッドLSTMとラッパー型特徴選択の有効性を、ノルト・プール電力価格の予測精度向上の観点から示す。

提案手法

• 電力価格時系列データの時間的依存性をモデル化するために、長短期記憶（LSTM）ネットワークを採用する。
• 遺伝的アルゴリズムを用いた2段階のラッパー型特徴選択アルゴリズムを統合し、最適な入力特徴サブセットを同定する。
• ドイツ、フランス、オランダなど複数の相互接続された市場からの特徴を組み込み、クロスボーダー価格伝達を捉える。
• 平均絶対偏差（MAD）、平均二乗誤差（RMSE）、対称平均絶対パcent誤差（SMAPE）などの統計的指標を用いてモデルの評価を行う。
• 特徴選択をLSTM学習の前段階に配置するハイブリッドモデルアーキテクチャを採用し、過学習の軽減と一般化性能の向上を図る。
• 遺伝的アルゴリズムを用いて反復的に特徴サブセットを進化させ、LSTM予測性能をフィットネス評価基準として用い、最適な入力を収束させる。

Figure 1 : Overview of the Nord Pool market coupling.

実験結果

リサーチクエスチョン

• RQ1 ヨーロッパ電力市場間の市場連携は、翌日価格予測の精度にどのように影響するか？
• RQ2 統合市場からのどの特徴がノルト・プール電力価格予測において最も影響力を持つのか？
• RQ3 特徴選択は、LSTMベースの電力価格予測モデルの性能をどの程度向上させるのか？
• RQ4 ドイツからのクロスボーダーマーケットデータの含め方が、ローカル市場データのみを使用する場合と比較して予測精度にどのように影響するか？
• RQ5 特徴選択なしのベースラインモデルと比較して、提案されたハイブリッドLSTM-特徴選択モデルの相対的性能はいかがなものか？

主な発見

• 提案されたラッパー型特徴選択を施したハイブリッドLSTMモデルは、平均絶対パーセント誤差（MAPE）が平均6.79％を記録し、特徴選択なしのモデルを著しく上回った。
• モデルの平均絶対偏差（MAD）は2.67％であり、テスト期間全体にわたり高い価格予測精度を示した。
• 特徴重要度分析から、ドイツ電力市場がノルト・プール価格形成に支配的影響を及ぼしていることが判明し、クロスボーダー価格伝達におけるその重要な役割が浮き彫りになった。
• 統合市場からの特徴の組み込みによりモデル性能が向上した。これは、市場連携のダイナミクスが正確な予測に不可欠であることを確認するものである。
• ラッパー型特徴選択法はモデルの複雑さを効果的に低減し、過学習を緩和した。その結果、より強固で一般化可能な予測が得られた。
• 全評価モデルの中で、M5（ラッパー型特徴選択を施したLSTM）が最小のRMSE（3.33％）とSMAPE（6.87％）を記録し、優れた総合的性能を示した。

Figure 2 : The electricity cross-border transmission from the coupling countries to Nord Pool.