論文の概要: Analysing drivers and interdependencies in European electricity markets using XAI
- arxiv url: http://arxiv.org/abs/2606.19118v1
- Date: Wed, 17 Jun 2026 14:32:39 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-06-18 17:16:51.204014
- Title: Analysing drivers and interdependencies in European electricity markets using XAI
- Title（参考訳）: XAIを用いた欧州電力市場におけるドライバーと相互依存の分析
- Authors: Antoine Pesenti, Aidan O'Sullivan,
- Abstract要約: 本稿では、ディープニューラルネットワーク(DNN)と説明可能な人工知能(XAI)技術を組み合わせて、39の欧州入札ゾーンにおける電力価格の決定要因を分析する。
この分析は、再生可能エネルギー源、特に太陽は、総発電におけるシェアが低いにもかかわらず、価格形成において不均等に重要な役割を担っていると特定している。
さらに、完全に統合された市場の対実的なシナリオを単一の価格で探究するために、EU全体の総合電気市場が構築されている。
- 参考スコア（独自算出の注目度）: 0.08594140167290097
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Electricity markets are inherently complex systems characterised by strong nonlinearities, high-dimensional interactions, and increasing interdependence across regions. While deep neural networks (DNNs) have demonstrated strong predictive capabilities for electricity prices, their lack of interpretability limits their usefulness for understanding the underlying drivers of price formation. This paper addresses this gap by combining DNN models with explainable artificial intelligence (XAI) techniques to analyse the determinants of electricity prices across 39 European bidding zones. We employ SHAP (SHapley Additive exPlanations) to quantify feature contributions and apply and extend SSHAP, an aggregation framework to improve interpretability in high-dimensional settings. The analysis identifies that renewable energy sources, particularly solar, play a disproportionately important role in price formation despite their lower share in total power generation. Gas prices remain a dominant and consistent driver across electricity markets, while interconnections significantly shape price dynamics, highlighting the strong interdependence of European electricity systems. In addition, a synthetic EU-wide electricity market is constructed to explore the counterfactual scenario of a fully integrated market with a single price.
- Abstract（参考訳）: 電気市場は本質的に、強い非線形性、高次元相互作用、地域間の相互依存の増加によって特徴づけられる複雑なシステムである。
ディープニューラルネットワーク(DNN)は、電気価格に対して強力な予測能力を示しているが、その解釈可能性の欠如は、価格形成の基盤となる要因を理解するための有用性を制限している。
本稿では,DNNモデルと説明可能な人工知能(XAI)技術を組み合わせることで,39の欧州入札地区における電力価格の決定要因を分析することにより,このギャップを解消する。
我々はSHAP(SHapley Additive exPlanations)を用いて特徴量の定量化とSSHAPの適用と拡張を行う。
この分析は、再生可能エネルギー源、特に太陽は、総発電におけるシェアが低いにもかかわらず、価格形成において不均等に重要な役割を担っていると特定している。
ガス価格は依然として電気市場全体で支配的かつ一貫した要因であり、相互接続は価格のダイナミクスを著しく形作っており、欧州の電力システムの強い相互依存を浮き彫りにしている。
さらに、完全に統合された市場の対実的なシナリオを単一の価格で探究するために、EU全体の総合電気市場が構築されている。
関連論文リスト
- Hybrid Kolmogorov-Arnold Network and XGBoost Framework for Week-Ahead Price Forecasting in Australia's National Electricity Market [3.1887815332625764]
本稿では,オーストラリア国定電力市場における週平均電力価格の予測について検討する。
Kolmogorov-Arnold Networks (KAN) とツリーベースの学習を統合するハイブリッドな Kan+XGBoost フレームワークを提案する。
提案手法は,kanのグローバル非線形表現能力とXGBoostの局所的ロバスト性を組み合わせることで,長期的依存と短期的価格変動の両方を捉える。
論文 参考訳（メタデータ） (2026-05-21T12:19:58Z) - Scalable Fairness Shaping with LLM-Guided Multi-Agent Reinforcement Learning for Peer-to-Peer Electricity Markets [3.7321070110102075]
ピアツーピア(P2P)エネルギー取引は現代の流通システムの中心となっている。
フェアネスを考慮したマルチエージェント強化学習フレームワークであるFairMarket-RLを提案する。
この枠組みは、取引所を地元のP2P取引にシフトさせ、グリッドのみの調達に対する消費者コストを下げ、参加者間の強い公正性を維持し、実用性を維持する。
論文 参考訳（メタデータ） (2025-08-26T02:25:17Z) - Explaining deep neural network models for electricity price forecasting with XAI [0.276240219662896]
我々は、深層ニューラルネットワークモデルを使用して価格を予測し、XAI手法を使用して、市場における価格変動の要因を理解する。
目的は、異なる電気市場がどのように機能するかについての理解を深めることである。
論文 参考訳（メタデータ） (2025-06-24T11:07:19Z) - A Machine Learning Framework to Deconstruct the Primary Drivers for
Electricity Market Price Events [0.8192907805418581]
電力グリッドは100%再生可能エネルギー源バルク電力グリッドに向かっている。
従来の根本原因分析と統計的アプローチは、価格形成の背後にある主要な要因を分析し、推測するために適用できない。
再生可能エネルギーの高い近代電力市場における価格スパイクイベントの主要因を分解する機械学習に基づく分析フレームワークを提案する。
論文 参考訳（メタデータ） (2023-09-12T09:24:21Z) - Understanding electricity prices beyond the merit order principle using
explainable AI [0.0]
完全競争において、利益秩序原則は、送電可能な発電所がその限界コストの順に市場に入ることを記述している。
多くの市場モデルは、電気価格を予測するためにこの原則を実装しているが、通常は特定の仮定と単純化を必要とする。
我々は、ドイツの日頭市場における価格について説明可能な機械学習モデルを提示し、ベンチマークモデルを大幅に上回っている。
論文 参考訳（メタデータ） (2022-12-09T12:18:17Z) - Distributed Energy Management and Demand Response in Smart Grids: A
Multi-Agent Deep Reinforcement Learning Framework [53.97223237572147]
本稿では、自律制御と再生可能エネルギー資源のスマート電力グリッドシステムへの統合のための多エージェント深層強化学習(DRL)フレームワークを提案する。
特に,提案フレームワークは,住宅利用者に対する需要応答 (DR) と分散エネルギー管理 (DEM) を共同で検討している。
論文 参考訳（メタデータ） (2022-11-29T01:18:58Z) - Machine learning applications for electricity market agent-based models:
A systematic literature review [68.8204255655161]
エージェントベースのシミュレーションは、電気市場のダイナミクスをよりよく理解するために使用される。
エージェントベースのモデルは、機械学習と人工知能を統合する機会を提供する。
我々は、エージェントベースの電気市場モデルに適用された機械学習に焦点を当てた2016年から2021年の間に発行された55の論文をレビューする。
論文 参考訳（メタデータ） (2022-06-05T14:52:26Z) - The impact of online machine-learning methods on long-term investment
decisions and generator utilization in electricity markets [69.68068088508505]
電力需要プロファイルを24時間以内に予測するために,オフライン11とオンライン5の学習アルゴリズムが与える影響を調査した。
最良オフラインアルゴリズムと比較して,オンラインアルゴリズムを用いて平均絶対誤差を30%削減できることを示した。
また,予測精度の大きな誤差は,17年間の投資に不均等な誤差があることを示す。
論文 参考訳（メタデータ） (2021-03-07T11:28:54Z) - Exploring market power using deep reinforcement learning for intelligent
bidding strategies [69.3939291118954]
キャパシティが1年の平均的な電力価格に影響を及ぼすことがわかりました。
$sim$25%と$sim$11%の値は、市場構造と国によって異なる可能性がある。
平均市場価格の約2倍の市場上限の使用は、この効果を著しく減少させ、競争力のある市場を維持する効果があることを観察する。
論文 参考訳（メタデータ） (2020-11-08T21:07:42Z) - Hybrid Modelling Approaches for Forecasting Energy Spot Prices in EPEC
market [62.997667081978825]
EPEC市場におけるエネルギースポット価格予測のためのハイブリッドモデリング手法について検討する。
データは2013-2014年の電力価格、2015年のテストデータで提供された。
論文 参考訳（メタデータ） (2020-10-14T12:45:53Z) - Towards a Peer-to-Peer Energy Market: an Overview [68.8204255655161]
本研究は, 電力市場を中心に, 現状と, プロシューマーによる分散型自己生成能力の増大傾向を比較した。
我々はP2P(Peer-to-Peer)エネルギー市場のための潜在的多層アーキテクチャを導入し、マイクログリッドの一部として、地域生産と地域消費の基本的な側面について議論する。
読者に全体像を示すため、スマートコントラクトやグリッド安定性といったエネルギー取引の関連要素についても精査する。
論文 参考訳（メタデータ） (2020-03-02T20:32:10Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。