Analysing drivers and interdependencies in European electricity markets using XAI

Sintesi Tecnica: Analisi dei Driver e delle Interdipendenze nei Mercati Elettrici Europei utilizzando la XAI

Definizione del Problema
I mercati elettrici europei sono caratterizzati da forti non-linearità, interazioni ad alta dimensionalità e una crescente interdipendenza regionale. Sebbene le Reti Neurali Profonde (DNN) abbiano dimostrato una capacità predittiva superiore per i prezzi dell'elettricità rispetto ai modelli econometrici tradizionali, la loro natura di "black-box" ne limita l'utilità per l'interpretazione economica e l'analisi politica. Le attuali applicazioni di intelligenza artificiale spiegabile (XAI) nella previsione dei prezzi dell'energia (EPF) trattano spesso la spiegabilità come un passaggio intermedio per il nesting dei modelli, piuttosto che come uno strumento per scoprire i driver fondamentali della dinamica del mercato. Inoltre, i metodi standard di importanza delle feature faticano in contesti ad alta dimensionalità dove le feature (come il mix di generazione attraverso 39 zone di bidding) sono numerose e interdipendenti, portando potenzialmente a aggregazioni fuorvianti dell'importanza.

Metodologia
Gli autori analizzano 39 zone di bidding europee attraverso 27 paesi utilizzando un dataset che spazia dal 1° gennaio 2023 al 31 dicembre 2025. I dati includono prezzi dell'elettricità day-ahead, carico, mix di generazione di potenza (categorizzati in solare, eolico, idroelettrico, altre rinnovabili, gas naturale e altri combustibili fossili) e prezzi del gas TTF.

1. Modellazione: Lo studio impiega un Perceptron Multistrato (MLP) con due strati nascosti (128 e 32 neuroni) addestrato con l'ottimizzatore Adam e perdita MAE (Mean Absolute Error). I modelli sono non temporali; gli input e gli output corrispondono allo stesso periodo orario, il che significa che i modelli sono progettati per spiegare i meccanismi di mercato piuttosto che per prevedere i prezzi futuri.
2. Ingegneria delle Feature: Per ogni zona di bidding, le feature di input includono il carico locale e il mix di generazione, i prezzi del gas e il carico/mix di generazione di tutte le zone confinanti elettricamente connesse. Ciò risulta in fino a 364 potenziali feature per modello.
3. Framework di Intelligenza Artificiale Spiegabile (XAI):
   • SHAP (SHapley Additive exPlanations): Utilizzato per quantificare i contributi delle feature. Gli autori utilizzano l'aspettativa condizionata per la stima del valore di Shapley tramite campionamento Monte-Carlo per gestire le dipendenze.
   • SSHAP (Super-SHAP): Per affrontare i limiti dello standard SHAP in contesti ad alta dimensionalità (specificamente, il rischio di sovrastimare l'importanza quando le feature all'interno di un sottoinsieme si compensano a vicenda), gli autori applicano ed estendono il framework SSHAP. Questo metodo aggrega le feature in "super-feature" (ad esempio, raggruppando tutte le feature solari tra le zone o raggruppando tutte le feature appartenenti a uno specifico paese) e calcola il netting all'interno di questi sottoinsiemi prima di determinare l'importanza globale.
4. Scenario Controfattuale: Viene costruito un modello di mercato "EU-wide" sintetico come combinazione lineare dei 39 modelli individuali delle zone, pesata per il carico medio, per simulare uno scenario con un unico prezzo di clearing comune.

Contributi Chiave

• Analisi Comparativa: Il documento fornisce un'analisi e un confronto esaustivo di 39 distinti mercati elettrici europei, andando oltre gli studi su singolo mercato.
• Driver a Doppia Prospettiva: Identifica i driver chiave dei prezzi da due angoli distinti: il mix di generazione di potenza e l'influenza dei vicini interconnessi.
• Estensione Metodologica: Lo studio dimostra l'applicazione di SSHAP per gestire modelli ad alta dimensionalità nei mercati elettrici, offrendo un'aggregazione dell'importanza delle feature più robusta rispetto allo SHAP standard quando si trattano variabili correlate.
• Esplorazione Controfattuale: Costruisce un mercato UE sintetico per esplorare lo scenario "What if" di un mercato europeo completamente integrato con un prezzo unico.

Risultati

• Il Ruolo Sproporzionato del Solare: Nonostante il solare abbia la quota più bassa della generazione totale (circa il 10%) tra le fonti principali, l'analisi SSHAP rivela che è la super-feature più influente nella formazione dei prezzi. La generazione solare presenta un'elevata variabilità e un forte impatto direzionale (code negative lunghe nelle distribuzioni SHAP), capace di spingere i prezzi verso il basso significativamente. Nel modello EU-wide, il solare è la super-feature principale, seguito dal prezzo del gas.
• Dominanza del Prezzo del Gas: I prezzi del gas rimangono un driver dominante e costante in tutti i mercati, agendo come il principale determinante del costo marginale nell'ordine di merito. Nel modello UE, la feature del prezzo del gas è la singola feature individuale più importante, capace di spingere i prezzi verso l'alto di 40 €/MWh.
• Carico vs. Generazione: Mentre il carico è tradizionalmente visto come un driver primario, l'analisi SSHAP suggerisce che il suo potere esplicativo sia meno significativo di quanto inizialmente ipotizzato quando vengono considerati gli offset delle feature. Le feature del carico spesso esibiscono impatti direzionali misti (correlazioni positive e negative) che si annullano a vicenda nelle metriche di importanza globale.
• Interdipendenza e Vicini: I mercati vicini esercitano un'influenza massiccia sui prezzi domestici. In media, le super-feature dei vicini rappresentano il 61% dei driver della formazione dei prezzi nelle 39 zone. Per la Germania, 6 su 11 vicini hanno le feature tedesche come super-feature dominante. Al contrario, la Spagna e le isole italiane mostrano la minore dipendenza dai vicini (34%), in correlazione con una minore capacità di interconnessione rispetto al carico.
• Specificità Regionali:
  • Polonia: Nonostante abbia il 72% di generazione da combustibili fossili, il solare e l'eolico sono le fonti più importanti per spiegare i movimenti dei prezzi.
  • Italia: Il gas è la fonte di generazione dominante e il driver di prezzo dominante in tutte e sei le zone di bidding italiane, in linea con i prezzi medi elevati e la bassa volatilità.
  • Regioni Nordiche: Idroelettrico ed eolico sono dominanti, sebbene esistano eccezioni dove le influenze transfrontaliere (ad esempio, l'idroelettrico tedesco che influenza la Danimarca) dettano la super-feature dominante.

Significatività e Rivendicazioni
L'articolo sostiene che combinare le DNN con la XAI, specificamente il framework SSHAP, permetta ai ricercatori di andare oltre le prestazioni predittive per fornire intuizioni interpretabili sui meccanismi di formazione dei prezzi dell'elettricità. Lo studio evidenzia come i modelli lineari tradizionali non riescano a catturare le relazioni non lineari e le dipendenze ad alta dimensionalità dei moderni mercati.

Gli autori affermano che le loro scoperte sfidano il senso comune riguardo ai driver dei prezzi:

1. Le Rinnovabili come Determinanti dei Prezzi: Le fonti rinnovabili, in particolare il solare, giocano un ruolo sproporzionatamente grande nella determinazione dei prezzi rispetto al loro volume di generazione, principalmente a causa della loro variabilità.
2. Interdipendenza Sistemica: I prezzi dell'elettricità non sono determinati esclusivamente dalle condizioni domestiche; i flussi transfrontalieri e i mercati vicini sono spesso i principali determinanti della dinamica dei prezzi.
3. Implicazioni Politiche: Le intuizioni fornite possono assistere nella valutazione delle scelte di design del mercato, come l'aumento della capacità di interconnessione. Il modello di mercato UE sintetico serve come strumento per comprendere i potenziali impatti di un mercato europeo completamente integrato.

L'articolo conclude con moderazione, osservando che l'approccio attuale utilizza le feature dei vicini come proxy per l'interconnessione, mentre il lavoro futuro potrebbe modellare esplicitamente i vincoli di trasmissione e i flussi per catturare meglio gli effetti di congestione. Inoltre, gli autori notano che gli attuali metodi XAI potrebbero non spiegare appieno gli eventi di prezzi estremamente alti, poiché le code negative lunghe della generazione rinnovabile (soppressione dei prezzi) sono più pronunciate dei loro impatti positivi.