[論文レビュー] Electricity Price Forecasting in the Irish Balancing Market

Ciaran O’Connor, Joseph Collins+2 more|arXiv (Cornell University)|Feb 9, 2024

Energy Efficiency and ManagementEnergy被引用数 3

ひとこと要約

本稿は、アイルランド・バランスマーケット（BM）における電力価格予測のベンチマークフレームワークを提案し、新たに公開された公開データセットを用いて統計的・機械学習的・ディープラーニングモデルの性能を評価する。日別市場（DAM）ほど変動が小さいとは限らないが、ディープラーニングモデルはBMにおいては性能を発揮しない。代わりに、LASSOに基づくLEARモデルが最も高い精度を示し、複雑なDLアプローチを上回る。これは、極度に変動が激しい市場では、より単純で頑健なモデルの必要性を示唆している。

ABSTRACT

Short-term electricity markets are becoming more relevant due to less-predictable renewable energy sources, attracting considerable attention from the industry. The balancing market is the closest to real-time and the most volatile among them. Its price forecasting literature is limited, inconsistent and outdated, with few deep learning attempts and no public dataset. This work applies to the Irish balancing market a variety of price prediction techniques proven successful in the widely studied day-ahead market. We compare statistical, machine learning, and deep learning models using a framework that investigates the impact of different training sizes. The framework defines hyperparameters and calibration settings; the dataset and models are made public to ensure reproducibility and to be used as benchmarks for future works. An extensive numerical study shows that well-performing models in the day-ahead market do not perform well in the balancing one, highlighting that these markets are fundamentally different constructs. The best model is LEAR, a statistical approach based on LASSO, which outperforms more complex and computationally demanding approaches.

研究の動機と目的

• アイルランド・バランスマーケット（BM）における電力価格予測の再現可能でオープンソースのフレームワークを確立すること。BMは変動が激しく、研究がまだ十分に行われていない市場である。
• より安定した日別市場（DAM）向けに開発された最新のモデル（統計的・機械学習的・ディープラーニング）が、BMの文脈においてどのように性能を発揮するかを評価すること。
• BM環境下で、さまざまなモデルクラスにおける訓練データサイズの変動が予測精度に与える影響を調査すること。
• DAMとBMとの間で、モデル性能に影響を与える根本的な相違点を特定すること。特に、極端な価格スパイクへのディープラーニングの対処の難しさに焦点を当てる。
• 将来的なBM価格予測研究のベンチマークとして使用可能な、公開データセットとコードベースを提供すること。

提案手法

• 2017年から2020年までの間、1時間ごとのアイルランド・バランスマーケット価格と関連する説明変数（負荷、再生可能エネルギー、DAM価格など）の公開データセットを用いる。
• 統一された訓練・評価フレームワークを実装し、全モデルにわたって一貫したハイパーパramータチューニングおよびキャリブレーション手順を適用することで、公平な比較を実現する。
• 10種類のモデルを評価する：統計的（LEAR、SVR）、木構造ベース（ランダムフォレスト、XGBoost）、ディープラーニング（SH DNN、MH DNN）。訓練サイズは1日から365日まで変化させる。
• モデルの性能は平均絶対誤差（MAE）で測定し、複数のテスト分割を用いて結果を報告することで、妥当性を確保する。
• 計算効率は、非ディープラーニングモデルではCPU、ディープラーニングモデルではGPUでの訓練時間を測定することで評価し、リアルタイムデプロイメントの制約を反映する。
• 過学習やスパイクの誤予測を診断するため、実際の価格と予測値の可視化比較を分析に含める。

Figure 1 : Schematic overview of the typical sequence of existing electricity markets in the EU. Markets in dotted lines are optional Meeus [ 2020 ]

実験結果

リサーチクエスチョン

• RQ1 DAMで良好な性能を示すモデルが、より変動が激しいアイルランド・バランスマーケット（BM）に応用された場合、どのように性能を発揮するか。
• RQ2 BM環境下で、統計的・機械学習的・ディープラーニングモデルの予測精度に、訓練データサイズの変動が与える影響は何か。
• RQ3 DAMでは成功を収めているが、BMでは性能を発揮しないディープラーニングモデルの理由は何か。構造的要因やデータ関連要因は何か。
• RQ4 BMにおいて、精度と計算効率の両立を最もよく果たすモデルクラスは、統計的・機械学習的・ディープラーニングのうちどれか。
• RQ5 LASSOに基づくシンプルなモデル、例えばLEARは、極度に変動が激しい電力市場において、複雑なディープニューラルネットワークを上回る性能を示せるか。

主な発見

• LASSOに基づく統計的アプローチであるLEARモデルが、平均絶対誤差（MAE）が€4.21/MWhにまで低下し、より複雑なモデル、特にディープラーニングアーキテクチャを上回る精度を達成した。
• SH DNN や MH DNN といったディープラーニングモデルは、BMにおいて顕著に高い誤差を示し、LEARより最大で€2.81/MWh高い。これは、最近の価格スパイクに過学習し、変動の激しい変動に一般化できないためである。
• モデル間の性能格差は、DAMと比較してBMにおいてより顕著である。これは、市場構造とデータの変動性がモデルの有効性を根本的に変えることを示唆している。
• 訓練データサイズに顕著な影響がある。1年分（365日）のデータで訓練したモデルは、短期間のシーケンスで訓練したモデルよりも高い精度を達成するが、ある閾値を超えると改善が鈍くなる。
• 計算効率は単純なモデルに有利に働く。LEARやXGBoostは1〜3分で訓練が完了するが、ディープラーニングモデルは最大30分を要し、MH DNNはパラメータ数が多いことから最も遅い。
• SH DNNはDAMでは良好な性能を示し、MAEが€7.02/MWhであったが、BMでは著しく性能が低下した。これは、DLが極端な変動に対処する能力に限界があることを示している。

Figure 2 : MH RNN DNN Model