[논문 리뷰] Understanding electricity prices beyond the merit order principle using explainable AI

Julius Trebbien, Leonardo Rydin Gorjão외 3명|arXiv (Cornell University)|2022. 12. 09.

Electric Power System Optimization인용 수 5

한 줄 요약

이 연구는 기울기 부스팅 트리와 SHAP 값의 조합을 사용하여 독일의 당일 전기 시장 가격을 분석하는 설명 가능한 기계학습 모델을 개발하였으며, 전통적인 민감도 순서 기반 기준 모델을 크게 능가하였다. 연구 결과, 풍력 발전은 태양광 발전보다 가격에 더 큰 영향을 미치며, 연료 가격은 다른 특징들과 강한 비선형 상호작용을 보이며, 발전 램프가 핵심적인 가격 변동 요인임을 밝혀내어 기존 시장 모델을 넘어서는 데이터 기반 통찰을 제공하였다.

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.

연구 동기 및 목표

• 기존 민감도 순서 기반 기준 모델을 능가하는 고성능이고 해석 가능한 기계학습 모델을 개발하여 독일의 당일 전기 시장 가격을 분석한다.
• 설명 가능한 인공지능(XAI)을 활용하여 잔여 부하 이외의 외부 요인들이 전기 가격 동적 변화에 미치는 영향을 규명하고 정량화한다.
• SHAP 값을 활용하여 연료 가격, 재생 가능 에너지 발전, 부하 램프 등 주요 특징 간의 상호작용과 의존성을 분석한다.
• 기계적 시장 모델 개선을 위한 데이터 기반 통찰을 제공한다.
• 실제 데이터와 도메인 지식을 통합하여 전기 가격 형성 과정에서 특징 영향의 인과적 해석 가능성을 탐색한다.

제안 방법

• 잔여 부하 외의 외부 특징(부하, 풍력, 태양광, 연료 가격, 수입/수출, 램프 등)을 포함한 종합적인 데이터셋을 기반으로 기울기 부스팅 트리(GBT) 모델을 훈련시켰다.
• 블랙박스 모델을 해석하기 위해 샤플리 추가 설명(Shapley Additive exPlanations, SHAP)을 사용하여 각 입력 특징이 개별 가격 예측에 기여한 정도를 정량화하였다.
• SHAP 상호작용 값(Interaction Values)을 적용하여 잔여 부하와 연료 가격 간의 비선형 및 고차원 상호작용을 밝혀내었다.
• R² 점수를 사용하여 성능을 비교함으로써 민감도 순서 원리에 기반한 단일 특징 기준 모델보다 뛰어난 정확도를 입증하였다.
• 시계열 분석을 통해 연료 가격(석유 및 가스)과 전기 가격 간의 상관관계를 분석하고, 강한 의존성이 나타나는 기간을 식별하였다.
• 전력 시스템 운영의 도메인 지식을 통합하여 SHAP 결과를 인과적 관점에서 해석하였으며, 상관관계와 잠재적 인과 메커니즘 간의 차이를 명확히 하였다.

실험 결과

연구 질문

• RQ1 풍력과 태양광 발전은 잔여 부하에 대해 동일하게 기여하지만, 전기 가격에 미치는 영향이 왜 다를까?
• RQ2 연료 가격(석유 및 가스)은 전기 가격에 얼마나 영향을 미치며, 다른 시장 특징과의 상호작용은 어떤 성격과 강도를 가지는가?
• RQ3 큰 발전 램프는 가격 급등을 어떻게 이끌어내며, 다른 시스템 제약 조건과 어떻게 상호작용하는가?
• RQ4 특히 잔여 부하와 연료 가격 간의 상호작용은 단순한 마진 비용 가격 책정을 넘어서 가격 형성에 어떻게 기여하는가?
• RQ5 설명 가능한 AI 모델은 기존 민감도 순서 기반 모델이 놓치는 시장 역학을 드러낼 수 있으며, 이를 통해 시장 모델링은 어떻게 향상될 수 있는가?

주요 결과

• SHAP 해석을 적용한 GBT 모델은 기준 민감도 순서 모델보다 유의미하게 높은 R² 성능을 기록하여 뛰어난 예측 정확도를 입증하였다.
• 풍력 발전은 태양광 발전과 비슷한 비수행 재생 가능 에너지원임에도 불구하고 전기 가격에 더 강한 하향 영향을 미치는 것으로 밝혀졌다.
• 특히 석유 및 천연가스 연료 가격은 전기 가격과 강하고 비트레이드러블한 의존성을 보였으며, SHAP 분석을 통해 뚜렷한 특징 상호작용이 확인되었다.
• 대규모 발전 램프, 특히褐탄, 원자력 등 유연도가 낮은 발전소에서 발생하는 램프는 높은 전기 가격과 강하게 상관관계가 있었으며, 이는 시스템의 유연성 제약을 시사하였다.
• 모델은 잔여 부하가 연료 가격과 비선형적으로 상호작용함을 밝혀내어, 높은 연료 비용이 부하 변동에 대한 가격 민감도를 증폭시킬 수 있음을 시사하였다.
• SHAP 분석은 연료 가격이 전기 가격과 상관관계가 있음을 보여주었지만, 관계는 복잡하며 지연 효과나 혼동 요인 등이 포함되어 있어 직접적인 인과적 해석은 추가 가정 없이 제한적임을 강조하였다.