[논문 리뷰] An Artificial Intelligence Solution for Electricity Procurement in Forward Markets

Thibaut Théate, Sébastien Mathieu외 1명|arXiv (Cornell University)|2020. 06. 10.

Energy Load and Power Forecasting참고 문헌 20인용 수 7

한 줄 요약

이 논문은 전력 소매업체 및 대규모 소비자에게 즉시 선도 계약을 구매할지 여부를 결정하는 데 도움이 되는 새로운 딥러닝 기반 알고리즘인 Uniformity-based Procurement of Electricity(UPE)을 제안한다. 이 알고리즘은 가격 추세 예측과 균일성 지표를 활용하여 조달 비용을 최소화한다. UPE-DL 버전은 완전히 균일한 조달 정책에 비해 평균 1.65%의 비용 절감을 달성했으며, 2012–2019년 기간 동안 연간 100 GWh 소비자에게 연 €75,100의 절감 효과를 가져왔다.

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.

연구 동기 및 목표

• 장기 전력 조달을 위한 자동화되고 설명 가능하며 강건한 의사결정 시스템을 개발하기 위해.
• 전력 조달 의사결정의 순차적이고 확률적이며 관측이 어려운 특성을 고려하여, 기존 기준 정책을 능가하는 솔루션을 제공하기 위해.
• 전문가의 최소한의 간섭으로도 실제 생산 환경에 쉽게 도입할 수 있는 일반화 가능한 알고리즘을 개발하기 위해.
• 경제 위기와 같은 다양한 시장 조건에서도 일관성을 유지하면서 비용 효율성을 향상시키기 위해.
• 산업적 도입과 AI 기반 조달에 대한 신뢰를 높이기 위해 투명하고 해석 가능한 거래 권고를 제공하기 위해.

제안 방법

• 알고리즘은 딥러닝(DNN)을 활용해 선도 전력 가격의 주요 시장 추세를 예측하며, 시간적 의존성과 추세를 포착한다.
• 조달 균일성 지표는 완전히 균일한 정책(모든 시간 단계에서 소량을 매수)에서의 편차를 수량화하며, 매수 의사결정의 트리거 역할을 한다.
• 두 가지 변종이 구현되었으며, UPE-MA는 이동 평균을 사용해 추세를 추정하고, UPE-DL은 딥러닝을 활용해 향상된 예측 성능을 달성한다.
• 의사결정 규칙은 추세 예측과 균일성 편차를 조합한다: 시장가격이 상승할 것으로 예측되고 편차가 높을 경우 매수를 권고하고, 그 외의 경우 기다리기를 권고한다.
• 이 방법은 균일성에서의 편차를 제한함으로써 극단적인 시장 충격에 노출되는 것을 최소화하여 안정적이고 강건한 성능을 발휘하도록 설계되었다.
• 알고리즘은 2012년부터 2019년까지의 역사적 벨기에 CAL(캘린더) 선도 시장 데이터를 사용해 평가되었으며, 기준 정책과의 성능 비교가 이루어졌다.

실험 결과

연구 질문

• RQ1 AI 기반 조달 전략이 전통적인 기준 정책에 비해 장기적인 전력 조달 비용을 최소화하는 데 성공할 수 있는가?
• RQ2 균일성 기반 의사결정 메커니즘이 변동성이 큰 전력 선도 시장에서 안정성과 강건성을 어떻게 향상시키는가?
• RQ3 딥러닝 기반 예측을 통합할 경우, 간단한 추세 추정 방법에 비해 비용 절감 효과가 얼마나 향상되는가?
• RQ4 제안된 알고리즘이 비전문가 사용자가 활용할 수 있도록 투명하고 설명 가능한 권고를 제공할 수 있는가?
• RQ5 이러한 방법론은 유사한 순차적 의사결정 제약 조건을 가진 다른 상품 조달 문제에 일반화 가능한가?

주요 결과

• UPE-DL 버전은 완전히 균일한 기준 정책(시장 평균 가격을 달성)에 비해 평균 1.65%의 조달 비용 절감을 달성했다.
• 연간 전력 소비가 100 GWh인 소비자에게 이는 2012–2019년 기간 동안 평균 연 €75,100의 절감 효과로 이어졌다.
• 경제 위기와 같은 시장 압력 상황에서도 알고리즘은 일관된 성능을 유지했다.
• 균일한 조달 기반에서의 편차를 제한하는 내재된 제약 덕분에 예외적인 사건에 대해서도 의사결정 과정이 강건하다.
• 권고 사항은 가격 추세와 균일성 편차와 같은 해석 가능한 지표에 기반하기 때문에 완전히 투명하고 설명 가능하다.
• 실제 생산 환경에서의 구현이 가능하며, 주요 전력 소비자와의 테스트를 통해 성공적으로 검증되었다.