[論文レビュー] Understanding electricity prices beyond the merit order principle using explainable AI

Julius Trebbien, Leonardo Rydin Gorjão+3 more|arXiv (Cornell University)|Dec 9, 2022

Electric Power System Optimization被引用数 5

ひとこと要約

本研究では、勾配ブースティングツリーとSHAP値を用いた解釈可能な機械学習モデルを開発し、ドイツの日前電力価格を分析した。従来のマーチティイ・オーダー基準を著しく上回る性能を示した。風力発電が太陽光発電よりも価格に与える影響が強いことが判明し、燃料価格は他の特徴量と強い非線形的相互作用を示すことが明らかになった。また、発電出力の急激な変化（ラムプ）が価格変動の主な駆動要因であることが示され、標準的な市場モデルを超えたデータ駆動型の知見が得られた。

ABSTRACT

Electricity prices in liberalized markets are determined by the supply and demand for electric power, which are in turn driven by various external influences that vary strongly in time. In perfect competition, the merit order principle describes that dispatchable power plants enter the market in the order of their marginal costs to meet the residual load, i.e. the difference of load and renewable generation. Many market models implement this principle to predict electricity prices but typically require certain assumptions and simplifications. In this article, we present an explainable machine learning model for the prices on the German day-ahead market, which substantially outperforms a benchmark model based on the merit order principle. Our model is designed for the ex-post analysis of prices and thus builds on various external features. Using Shapley Additive exPlanation (SHAP) values, we can disentangle the role of the different features and quantify their importance from empiric data. Load, wind and solar generation are most important, as expected, but wind power appears to affect prices stronger than solar power does. Fuel prices also rank highly and show nontrivial dependencies, including strong interactions with other features revealed by a SHAP interaction analysis. Large generation ramps are correlated with high prices, again with strong feature interactions, due to the limited flexibility of nuclear and lignite plants. Our results further contribute to model development by providing quantitative insights directly from data.

研究の動機と目的

• 従来のマーチティイ・オーダーに基づくベンチマークを上回る、高精度で解釈可能な機械学習モデルを、ドイツの日前電力価格の予測に開発すること。
• 解釈可能なAI（XAI）を用いて、残余負荷以外の外部要因が電力価格動態に与える影響を特定・定量すること。
• SHAP値を用いて、燃料価格、再生可能エネルギー発電、負荷の急激な変化といった特徴量の相互作用や依存関係を分析すること。
• 機械的市場モデルの改善に役立つデータ駆動型の知見を提供すること。
• 実証データと分野知識を統合して、電力価格形成における特徴量の影響の因果的解釈を検討すること。

提案手法

• ドイツの日前電力価格と外部特徴量（負荷、風力、太陽光、燃料価格、輸出入、ラムプ）を含む包括的データセットを用いて、勾配ブースティングツリー（GBT）モデルを学習した。
• ブラックボックスモデルの解釈にSHapley Additive exPlanations（SHAP）を用い、各入力特徴量が個々の価格予測にどの程度寄与しているかを定量化した。
• SHAPの相互作用値を適用し、残余負荷と燃料価格の間のような非線形的・高次元の依存関係を解明した。
• R²スコアを用いてモデル性能を比較し、マーチティイ・オーダー原理に基づく単一特徴量ベンチマークモデルを上回ることを確認した。
• 時間系列分析を用いて、燃料価格（原油・ガス）と電力価格の間の相関関係を調査し、強い依存関係が見られる期間を特定した。
• 電力系統運用の分野知識を統合し、SHAP結果の因果的解釈を可能にした。相関関係と潜在的な因果的メカニズムの区別を可能にした。

実験結果

リサーチクエスチョン

• RQ1 風力と太陽光発電は、どちらも非スケジュール可能な再生可能エネルギーであり、残余負荷に同じ程度寄与するが、電力価格に与える影響はなぜ異なるのか？
• RQ2 燃料価格（原油・ガス）は電力価格にどの程度影響を与え、他の市場特徴量とどのような性質・強度の相互作用を示すのか？
• RQ3 大規模な発電出力の急激な変化（ラムプ）は、価格の急騰を引き起こす役割を果たすのか？ 他のシステム制約とどのように相互作用するのか？
• RQ4 特に残余負荷と燃料価格の間の特徴量相互作用は、単純な限界原価定価を超えて価格形成にどのように寄与しているのか？
• RQ5 解釈可能なAIモデルは、標準的なマーチティイ・オーダー・モデルが見逃す市場ダイナミクスを明らかにできるのか？ その知見は市場モデルの改善にどのように寄与するのか？

主な発見

• SHAP解釈を施したGBTモデルは、ベンチマークのマーチティイ・オーダー・モデルを著しく上回るR²性能を達成し、優れた予測精度を示した。
• 風力発電は、太陽光発電と比べて電力価格により強い下向きの影響を持つことが判明した。
• 燃料価格、特に原油・ガスは電力価格に対して強く非自明な依存関係を示し、SHAP分析により顕著な特徴量相互作用が明らかになった。
• 大規模な発電出力の急激な変化（特に石炭・原子力など柔軟性に欠ける発電所からのもの）は、高い電力価格と強く相関しており、システムの柔軟性制約を示している。
• モデルは、残余負荷と燃料価格の間で非線形的相互作用が存在することを明らかにした。これは、高価な燃料コストが負荷の変動に対する価格感度を高める可能性を示唆している。
• SHAP分析は、燃料価格が電力価格と相関しているものの、関係が複雑で、遅延効果や交絡要因が関与している可能性があることを示した。したがって、追加の仮定なしには直接的な因果的解釈は制限される。