アイルランドのバランシングマーケットにおける価格予測

短期の電力市場は、再生可能エネルギー源がより変動し、予測が難しくなるにつれて重要性を増している。この市場の中でも、調整市場が最もダイナミックでリアルタイムに近い。だけど、この市場の価格設定についての研究はあまりなく、既存の研究は一貫性がなく、古いものばかり。この文脈で、アイルランドの調整市場における電気料金を予測するために様々な技術を使っているんだ。

#価格予測の重要性

正確な価格予測は、電力市場に関わるプロデューサー、消費者、トレーダーにとって極めて重要。特に電池貯蔵のような迅速な応答システムにとって、その重要性は増す。再生可能エネルギーが普及するにつれて、予測ミスが市場参加者にとっての財政的損失や運営上の課題に繋がることも。

#調整市場の説明

調整市場は、供給と需要をマッチさせるために、最後の瞬間に電力が取引される場所。ほかの市場と比べて価格の変動が大きい。この市場は、大規模なエネルギー貯蔵がない地域にとって非常に重要で、電力の生成と消費がリアルタイムで同期することを確保している。

従来は、価格が前日に設定され、分析用のデータが広く利用可能な前日市場に焦点が当てられてきた。調整市場に対する関心が低い理由には、ルールの変動性や関連データセットの収集の難しさがある。

#価格予測の最近のトレンド

技術の進歩とデータの利用可能性に伴い、ディープラーニング手法が電力市場の価格予測において人気を集めている。ただし、これらのモデルが調整市場でどのように機能するかについての研究はほとんどない。ほとんどの焦点は前日市場に当てられている。そこで、前日市場でうまくいったモデルを使ってベンチマークを開発し、調整市場でのパフォーマンスを確認することを目指している。

#研究の目的

この研究にはいくつかの重要な目的がある：

1. 他の人も再現できる調整市場のモデルをトレーニング・評価するフレームワークを作ること。
2. 調整市場に適用した際のいくつかの有名な統計的および機械学習モデルのパフォーマンスをベンチマークすること。
3. 調整市場の結果を前日市場と比較して、変動する価格動向の予測に関する洞察を提供すること。

さらに、このより予測不可能な市場環境の中でディープラーニングモデルが直面する課題や、トレーニングデータのサイズを変えることが予測精度に与える影響についても考察している。

#市場構造

ヨーロッパの電力市場は均一ではないが、再生可能エネルギーの使用が増えるにつれて次第に収束してきている。このセクションでは、アイルランドと北アイルランドの両方にサービスを提供するアイルランドの単一電力市場の構造を説明する。

#市場の主要な要素

1. 前日市場（DAM）: この市場は、参加者が翌日の電力の価格を設定するために毎日開催される単一のオークションを通じて運営される。
2. イントラデイ市場（IDM）: 前日市場の後、追加の取引セッションや調整用の継続的な市場がある。
3. 調整市場（BM）: この市場は、即時の供給と需要に基づいて電力の価格を設定する。価格は短期間での平均に基づいて計算され、システムの安定性を維持するために重要。

#調整市場の機能性

調整市場の主な目標は、システムオペレーターが供給と需要をリアルタイムで一致させることを可能にすること。参加者は初期の見積もりからの逸脱を補うために入札を行い、システムの安定性を確保する。

#データソースと準備

2019年から2022年までの歴史的な価格や予測データを含むさまざまな公開ソースからデータを集めた。私たちの目標は、今後の清算期間の価格を予測することで、過去のデータと未来のデータの両方が必要。

#使用するデータの種類

• 歴史的データ: これには、過去の調整市場の価格や取引量、予測された風力エネルギーと実際の差、前日市場の以前の価格などが含まれる。
• 未来のデータ: これには、今後の数時間の需要、供給、再生可能エネルギーの生産の予測が含まれる。

このデータを使用して、調整市場の未来の価格を正確に予測できる包括的なモデルを作成することが目指されている。

#モデルの概要

電気料金を予測するために、統計的および機械学習アプローチのいくつかの確立されたモデルを使用した。このセクションでは、分析で使用された各モデルの簡単な説明を提供する。

#ナイーブモデル

この基本的なモデルは、前の時間の価格を次の時間の価格の予測として使用する。より複雑なモデルとの比較のためのシンプルなベースラインとなる。

#LASSO推定自己回帰（LEAR）モデル

LEARは、LASSO正則化を使用して予測精度を向上させた強化された統計モデル。過去の価格データを統合して信頼性のある予測を提供する。

#ランダムフォレスト（RF）

このモデルは、複数の決定木を組み合わせて予測を生成する。複雑なデータセットを扱うのに効果的で、正確な結果を出す傾向がある。

#サポートベクタ回帰（SVR）

SVRは、データをより高次元の空間にマッピングし、線形回帰技術を用いて予測を行う。複雑で高次元のデータに対して効果的。

#極端な勾配ブースティング（XGB）

ランダムフォレストに似て、XGBも複数の木を組み合わせるが、逐次的に学習する。これにより、予測の精度が向上することが多い。

#ディープラーニングモデル

1. シングルヘッディッドディープニューラルネットワーク（SH-DNN）: 複数の密に接続された層からなる単純なモデルで、価格予測に特化している。
2. マルチヘッディッドリカレントニューラルネットワーク（MH-RNN）: 過去のデータと未来のデータを組み合わせた、時間のパターンを捉えるのに理想的な複雑なアーキテクチャ。

#実験のセットアップ

私たちの分析は、ハイパーパラメータの調整、モデルのトレーニング、見えないデータでの予測の3つの主要なステップから成る。最新の情報を取り入れるために、モデルは8時間ごとに再トレーニングされる。

#ハイパーパラメータの最適化

各モデルの性能を向上させるために設定を調整し、バリデーションデータセットに基づいて最良の結果を提供できるようにする。

#評価のための指標

モデルの精度を評価するために、さまざまなパフォーマンス指標を使用した。これには以下が含まれる：

• 平均絶対誤差（MAE）: 予測における平均絶対誤差を測定する。
• 二乗平均平方根誤差（RMSE）: 予測値が実際の値にどれほど近いかを測る。
• 対称平均絶対パーセンテージ誤差（sMAPE）: 電気料金に特に役立つ指標で、ゼロに近い価格を扱う能力がある。

#結果と議論

いくつかのモデルの調整市場価格予測におけるパフォーマンスを提示する。

#予測の精度

LEARは、特に大きなデータセットでトレーニングされた際に、調整市場における最も優れたモデルとして浮上した。重要な価格の急増を常に捉えるわけではないが、安定した予測を提供する能力を示した。

#他のモデルとのパフォーマンス比較

ランダムフォレストやXGBのような機械学習モデルは競争力があり、ディープラーニングのモデルを上回るパフォーマンスを示した。後者は調整市場の高い変動性に適応するのに苦労し、過度に自信を持った予測を行いがちなため、エラー率が高くなることが多かった。

#トレーニングデータサイズの影響

トレーニングデータセットのサイズは、モデルのパフォーマンスに大きく影響した。トレーニングサイズを増やすことで、モデル全体の予測誤差が減少した。ただし、ディープラーニングモデルは、シンプルなモデルに比べて大きなデータセットからあまり恩恵を受けなかった。

#統計分析

モデルの精度の違いをより確実に理解するために、統計テストを実施した。この分析により、LEARおよびアンサンブルモデルが他のモデルを一貫して上回っていることが確認できた。

#予測の時間ごとの分析

異なる時間における予測と実際の価格を調査することで、どの時間帯が最も予測の難しい時期であるかに関する洞察を得た。一般的に、午後遅くの価格はより変動が大きく、この期間の予測誤差も大きかった。

#前日市場との比較

調整市場と前日市場の違いは明らかだった。前日市場の予測は、より安定した価格のダイナミクスから利益を得た一方、調整市場の予測は急激な変動に直面し、予測を複雑にした。

#計算効率

実際的には、モデルの計算効率がリアルタイムアプリケーションには重要。ディープラーニングモデルは通常、統計および機械学習モデルに比べてトレーニングにかかる時間とリソースが多く必要だったが、後者は精度と効率の両方で優れていた。

#結論

この研究は、調整市場における電気料金予測のためのさまざまなモデルに関する包括的な分析を提供する。ディープラーニングモデルはより安定した環境での可能性を示している一方で、LEARのようなシンプルなモデルは、変動の大きい調整市場ではより効果的であることが証明された。

この研究から得られた洞察は、調整市場専用の予測モデルを改善するための今後の取り組みの指針となる。さらなる探求が、私たちの理解を深め、電力価格および取引におけるより効果的な戦略につながる可能性がある。

この研究から得られた元のデータ、モデル、フレームワークは、さらなる研究と改善された予測技術の開発を促すために利用可能にする予定。