論文要約：電力市場における発電コスト推定のためのベイズ推論

論文タイトル: Bayesian Inference for Estimating Generation Costs in Electricity Markets
著者: Matthias Pirlet, Adrien Bolland, Alexandre Huynen, Quentin Louveaux, Gilles Louppe, Damien Ernst
所属: リエージュ大学（ベルギー）、ENGIE（ベルギー）

---

1. 問題定義と背景

電力市場では、多様な主体が不完全な情報に基づいて意思決定を行っており、発電コスト（限界費用と始動費用）を市場データ（発電スケジュール）から推定することは、市場シミュレーション、戦略的入札、システム計画において極めて重要です。

従来のアプローチには以下の課題がありました：

• 逆最適化（Inverse Optimization）: 観測されたスケジュールからパラメータを推定する従来の手法は、点推定（Point Estimate）を提供するのみで、推定値の不確実性を定量化できません。また、現実の市場には戦略的入札や機器の故障などの確率的要素が含まれるため、決定論的なモデルを仮定する逆最適化手法はモデルの誤指定（Model Misspecification）に陥りやすく、推定誤差が大きくなる傾向があります。
• 不確実性の欠如: 市場参加者や規制当局は、コスト推定値の信頼区間や不確実性の度合いを知りたいと望んでいますが、既存手法ではこれを提供できていません。

本研究は、これらの課題を解決するため、発電コスト推定をベイズ推論の問題として定式化し、観測データに基づいてパラメータの事後分布を学習する手法を提案します。

2. 提案手法：ベイズ推論と BNPE

2.1 潜在変数モデルの構築

発電スケジュールとコストの関係を記述する潜在変数モデルを構築しました。

• 観測変数: 発電スケジュール ($g$) とシステム負荷 ($\delta$)。
• パラメータ（推定対象）: 限界費用 ($c$) と始動費用 ($s$)。
• 潜在変数: 戦略的入札によるノイズ ($\tilde{c}$)、発電機や送電線の可用性 ($\alpha, \beta$) など。
• 生成プロセス: コストパラメータと負荷分布から、ユニットコミットメント（UC）問題を解くことで発電スケジュールが生成されるという前向きモデル（Forward Model）を定義します。UC 問題は、物理的制約（容量、ランプレート、最小稼働/停止時間、送電制約）を満たしつつ総コストを最小化する混合整数計画問題です。

このモデルを用いて、観測データ $x_{obs}$ が与えられたときのコストパラメータ $\theta$ の事後分布 $p(\theta | x_{obs})$ を推定します。

2.2 平衡型ニューラル事後推定（BNPE）

事後分布を直接計算することは困難なため、**平衡型ニューラル事後推定（Balanced Neural Posterior Estimation: BNPE）**というシミュレーションベース推論（SBI）手法を採用しました。

• 仕組み: ニューラルネットワーク（ニューラルスプラインフロー）を訓練し、観測データ $x$ からパラメータ $\theta$ の事後分布 $q_\phi(\theta|x)$ を近似させます。
• 訓練データ: 事前分布からパラメータをサンプリングし、UC 問題を実行してシミュレーションデータを生成します。
• 利点: 一度訓練すれば、新しい観測データに対して極めて高速に事後分布（およびその不確実性）を推定できます（Amortized Inference）。

2.3 ベースライン手法：逆最適化

比較対象として、決定論的な UC モデルを仮定し、観測スケジュールが最適解となるようなコストパラメータを反復的に探索する「極性円錐法（Polar Cone Method）」に基づく逆最適化アルゴリズムを実装しました。

3. 実験設定

• テストシステム: IEEE RTS-96 テストシステム（2016 年更新版）。24 バス、12 台の発電機、38 本の送電線、24 時間の時間軸。
• シナリオ: 季節的・日周的な負荷パターン、発電機および送電線のランダムな故障、戦略的入札（限界費用にガウシアンノイズ）を考慮した確率的シミュレーション。
• 評価指標: 推定精度、計算効率、不確実性の定量化（事後分布の形状、カリブレーション、事後予測チェック）。

4. 主要な結果

4.1 パラメータ推定の精度

• 限界費用（Marginal Costs）: BNPE は、観測されたスケジュールから限界費用を高い精度で推定しました。事後分布は事前分布（一様分布）から大きく変化し、真の値（Nominal Parameters）が高密度領域に収束していることが確認されました。
• 始動費用（Start-up Costs）: 一方、始動費用の事後分布は事前分布に近いまま拡散したままでした。これは、ユニットコミットメントのスケジュールが、一度発電機が稼働している状態では始動費用に敏感でないため、スケジュールデータのみから始動費用を特定することは本質的に困難であることを示しています。BNPE はこの「識別不可能性」を正しく表現し、誤って一点に収束させることなく、不確実性を保持しました。

4.2 逆最適化との比較

• 逆最適化手法は、確率的要素を無視しているため、真の値から大きく外れた推定値を示すことが多く、事後分布の低密度領域に位置する傾向がありました。
• BNPE は不確実性を定量化できるため、逆最適化よりも信頼性の高い推定結果を提供します。

4.3 診断と信頼性

• カリブレーション: 事後分布の信頼区間が適切に設定されているかを確認した結果、わずかな過信（Overconfidence）が見られましたが、全体的に良好なバランスが取れていました。
• 事後予測チェック: 学習された事後分布からサンプリングしたパラメータを用いて前向きモデルを実行した結果、生成されたスケジュールが観測データと整合的であることが確認され、モデルの自己整合性が保証されました。

5. 貢献と意義

1. 不確実性の定量化: 電力市場のコスト推定において、単なる点推定ではなく、パラメータの不確実性を定量化するベイズアプローチを初めて実用的なネットワーク規模（IEEE RTS-96）で実現しました。
2. 識別不可能性の明確化: 始動費用がスケジュールデータからは特定しにくいという性質を、事後分布の拡散として正しく捉え、逆最適化のような手法が抱える「誤って特定したと誤信する」リスクを回避しました。
3. 計算効率と実用性: BNPE は一度訓練すれば推定が瞬時に行えるため、リアルタイムの市場監視や日々のコスト推定など、運用上の意思決定に即座に活用可能です。
4. モデルの堅牢性: 戦略的入札や機器故障などの現実的な不確実性をモデルに組み込むことで、決定論的な逆最適化手法よりも頑健な推定を実現しました。

6. 結論と今後の展望

本研究は、市場データからの発電コスト推定をベイズ推論の枠組みで定式化し、BNPE を用いて高精度かつ不確実性を伴う推定を可能にしました。限界費用の推定は成功しましたが、始動費用の推定にはさらなるデータ（複数日分のデータや燃料価格情報など）が必要であることが示唆されました。

将来的には、物理パラメータ（ランプレート等）も同時に推定する、より高次元なパラメータ空間への拡張、およびより複雑な取引戦略のモデル化などが期待されます。この手法は、電力市場の透明性向上や規制当局による市場監視、リスク管理において重要なツールとなり得ます。