[论文解读] 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 5

一句话总结

本研究利用梯度提升树和SHAP值开发了一种可解释的机器学习模型，用于分析德国日前电力价格，其表现显著优于传统的边际成本排序基准模型。研究发现，风力发电对价格的影响大于光伏发电，燃料价格与其他特征之间存在强烈的非线性相互作用，发电爬坡是关键驱动因素，提供了超越标准市场模型的数据驱动洞察。

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.

研究动机与目标

• 开发一种高性能、可解释的机器学习模型，用于德国日前电力价格，其表现超越传统的基于边际成本排序的基准模型。
• 利用可解释人工智能（XAI）识别并量化外部因素（超出剩余负荷）对电力价格动态的影响。
• 利用SHAP值分析特征之间的相互作用与依赖关系，特别是燃料价格、可再生能源发电和负荷爬坡之间的关系。
• 提供数据驱动的洞察，以支持并改进电力市场机制模型。
• 利用实证数据和领域知识，探索特征影响在电力价格形成中的因果可解释性。

提出的方法

• 在包含德国日前电力价格及外部特征（负荷、风力、光伏发电、燃料价格、进出口、爬坡）的综合数据集上训练梯度提升树（GBT）模型。
• 使用Shapley加法解释（SHAP）解释黑箱模型，量化每个输入特征对单个价格预测的贡献。
• 应用SHAP交互值以揭示特征之间的非线性和高阶依赖关系，例如剩余负荷与燃料价格之间的关系。
• 通过R²得分比较模型性能，证明其在预测精度上显著优于基于边际成本排序原则的单特征基准模型。
• 采用时间序列分析，检查燃料价格（石油和天然气）与电力价格之间的相关性，识别出强依赖关系的时期。
• 结合电力系统运行的领域知识，对SHAP结果进行因果解释，区分相关性与潜在因果机制。

实验结果

研究问题

• RQ1 尽管风力和光伏发电对剩余负荷的贡献相同，为何它们对电力价格的影响不同？
• RQ2 燃料价格（石油和天然气）在多大程度上影响电力价格？其与市场其他特征之间的相互作用性质和强度如何？
• RQ3 大规模发电爬坡在推动价格飙升中起什么作用？它们如何与其他系统约束相互作用？
• RQ4 特征相互作用（特别是剩余负荷与燃料价格之间）如何在简单边际成本定价之外影响价格形成？
• RQ5 可解释人工智能模型能否揭示标准边际成本排序模型所遗漏的市场动态？这如何改进市场建模？

主要发现

• 结合SHAP解释的GBT模型在R²性能上显著优于基准边际成本排序模型，证明了其更高的预测准确性。
• 尽管风力和光伏发电均为非调度可再生能源，但风力发电对电力价格的下行影响强于光伏发电。
• 燃料价格（尤其是石油和天然气）与电力价格之间表现出强烈且非平凡的依赖关系，SHAP分析揭示了显著的特征交互作用。
• 大规模发电爬坡（尤其是褐煤和核电机组等刚性机组）与高电力价格强相关，表明系统灵活性存在约束。
• 模型揭示，剩余负荷与燃料价格之间存在非线性相互作用，表明高燃料成本会放大价格对负荷波动的敏感性。
• SHAP分析表明，尽管燃料价格与电力价格相关，但其关系复杂，可能涉及延迟效应或混杂因素，因此在缺乏额外假设的情况下，难以直接进行因果解释。