[论文解读] An Artificial Intelligence Solution for Electricity Procurement in Forward Markets

Thibaut Théate, Sébastien Mathieu+1 more|arXiv (Cornell University)|Jun 10, 2020

Energy Load and Power Forecasting参考文献 20被引用 7

一句话总结

本文提出了一种基于深度学习的新型算法——基于一致性的电力采购（UPE），该算法通过价格趋势预测和一致性指标，为电力零售商及大型消费者提供立即购买远期合约还是等待的建议，以最小化采购成本。与完全均匀的采购政策相比，UPE-DL变体平均将成本降低1.65%，在2012–2019年间，为年用电量100 GWh的用户实现每年75,100欧元的节省。

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.

研究动机与目标

• 开发一种自动化、可解释且稳健的长期电力采购决策系统，适用于远期市场。
• 针对电力采购决策的顺序性、随机性和可观测性差的特性，提出一种优于传统基准策略的解决方案。
• 构建一种可推广的算法，可在实际生产环境中部署，且对专家干预需求极低。
• 在不同市场条件下（包括经济危机期间）保持成本效率与一致性。
• 提供透明且可解释的交易建议，以支持工业界对AI驱动采购的采纳与信任。

提出的方法

• 该算法使用深度学习（DNN）预测远期电力价格中的主导市场趋势，捕捉时间依赖性和趋势特征。
• 采购一致性指标用于量化与完全均匀采购策略（即在每个时间步购买少量电力）的偏离程度，作为买入决策的触发信号。
• 实现两种变体：UPE-MA 使用移动平均法进行趋势估计，UPE-DL 使用深度学习提升预测性能。
• 决策规则结合趋势预测与一致性偏离程度：若预期市场上涨且偏离度高，则推荐买入；否则建议等待。
• 该方法设计为稳定且稳健，通过限制与一致采购基线的偏离程度，降低对极端市场冲击的暴露。
• 使用2012年至2019年比利时CAL（日历）远期市场历史数据对算法进行评估，并与基准策略进行性能对比。

实验结果

研究问题

• RQ1 基于AI的采购策略是否能在最小化长期电力采购成本方面超越传统基准策略？
• RQ2 基于一致性的决策机制在波动性较大的电力远期市场中如何提升稳定性和鲁棒性？
• RQ3 与简单的趋势估计方法相比，集成深度学习预测在多大程度上提升了成本节约？
• RQ4 所提出的算法能否生成透明且可解释的建议，适用于非专家用户在工业环境中的部署？
• RQ5 该方法是否可推广至其他具有类似顺序决策约束的商品采购问题？

主要发现

• 与实现市场平均价格的完全均匀参考策略相比，UPE-DL变体平均将采购成本降低1.65%。
• 对于年用电量为100 GWh的用户，该策略在2012–2019年期间平均每年节省75,100欧元。
• 该算法在所有年份均表现出一致的性能，包括经济危机等市场压力时期。
• 由于内置了对采购一致性基线偏离程度的限制，决策过程对异常事件具有鲁棒性。
• 建议完全透明且可解释，因其基于可理解的指标（如价格趋势和一致性偏离度）。
• 该解决方案具备实际部署可行性，已在一家主要电力消费者的生产环境中成功测试。