[論文レビュー] Machine Learning on EPEX Order Books: Insights and Forecasts

Simon Schnürch, Andreas Wagner|arXiv (Cornell University)|Jun 14, 2019

Energy Load and Power Forecasting参考文献 7被引用数 6

ひとこと要約

本稿では、EPEXの注文書データ、再生可能エネルギーの供給予測、需要予測を用いて学習された機械学習モデル——特に順方向ニューラルネットワークとランダムフォレスト——を提案し、ドイツの電力スポット価格予測の精度向上を図っている。特徴量選択とボリュームベースの注文書表現が性能向上に顕著に寄与し、最良のモデルでは出外サンプルで4.45%のMdAPEを達成した。

ABSTRACT

This paper employs machine learning algorithms to forecast German electricity spot market prices. The forecasts utilize in particular bid and ask order book data from the spot market but also fundamental market data like renewable infeed and expected demand. Appropriate feature extraction for the order book data is developed. Using cross-validation to optimise hyperparameters, neural networks and random forests are proposed and compared to statistical reference models. The machine learning models outperform traditional approaches.

研究の動機と目的

• 注文書ベースの電力価格予測における広範な統計的分析の必要性を、機械学習を活用することで低減すること。
• 注文書データがどのように効果的に変換され、機械学習モデルに統合されるかを調査すること。
• 機械学習モデルが、従来の統計的・回帰ベースの手法に比べて、ドイツ電力スポット価格予測において優れた性能を示すかどうかを評価すること。
• 特徴量選択とモデルアーキテクチャが、特に出外サンプル性能において予測精度に与える影響を評価すること。
• 機械学習が、注文書データから再生可能エネルギーの供給を再構築したり、フォワワード価格曲線を生成する可能性を探索すること。

提案手法

• 注文書データはボリュームベースの分割を用いて価格曲線に変換され、買付および売付曲線が各価格水準における累積ボリュームを表す段階関数に変換される。
• 特徴量工学により、再生可能エネルギーの供給や需要に影響を受ける価格水準とボリュームが抽出される。
• 交差検証を用いてハイパーパramータを最適化するため、ニューラルネットワークとランダムフォレストが学習され、入力には注文書特徴量、再生可能エネルギーの供給予測、予想需要が含まれる。
• 次元削減とモデルの一般化性能向上を目的として、ランダムフォレストを用いた特徴量選択が実施される。
• 再帰的ニューラルネットワーク（LSTM）がテストされたが、次元の高さと複雑さのため性能が劣り、結果として順方向ネットワークとランダムフォレストに焦点が当たった。
• モデル性能は、インサンプルおよびアウトオブサンプルデータのRMSE、MAE、MdAPEを用いて評価され、ナイーブモデル、線形回帰、文献ベースのアーキテクチャと比較された。

実験結果

リサーチクエスチョン

• RQ1 EPEX電力市場の注文書データは、どのように効果的に機械学習モデルに表現され、統合されるか？
• RQ2 機械学習を用いることで、従来の経済統計的手法に比べ、注文書ベース予測における手動統計分析の必要性はどの程度低減できるか？
• RQ3 ニューラルネットワークとランダムフォレストのうち、どの機械学習アーキテクチャがEPEX注文書に適用された場合に、最も正確なアウトオブサンプル予測を達成するか？
• RQ4 特徴量選択は、過学習の低減と一般化性能の向上という観点で、予測性能にどのように影響を与えるか？
• RQ5 機械学習モデルは再生可能エネルギーの供給を再構築できるか、あるいは注文書データからフォワード曲線を生成できるか。その市場応用可能性はいかほどか？

主な発見

• 特徴量選択を施した10特徴量のみを用いた順方向ニューラルネットワークが、4.45%の出外サンプルMdAPEを達成し、他のモデルを上回った。
• 10個の選択された特徴量を用いたランダムフォレストモデルは、9.73%のインサンプルMdAPEを記録し、過学習が低減された強力な予測力を持つことが示された。
• 先行研究のニューラルネットワークは、インサンプルでは優れた性能を示したが、顕著な過学習を示し、出外サンプルのMdAPEが30%を超えた。
• ナイーブモデルは単純であるが、11.61%の出外サンプルMdAPEを達成し、実務においても基本的なヒューリスティクスが競争力を持つことが示された。
• 再帰的ニューラルネットワーク（LSTM）はテストされたが、順方向ネットワークより劣る結果を示し、多次元時系列の高次元性が原因と考えられる。
• 最も優れたモデル（10特徴量ニューラルネットワーク）は、特徴量選択が一般化に不可欠であることを示し、選択なしのモデルと比較して誤差を50%以上も低減した。