⚡ electrical engineering

Bayesian Inference for Estimating Generation Costs in Electricity Markets

Dit artikel presenteert een Bayesiaanse inferentiemethode met behulp van Balanced Neural Posterior Estimation om generatiekosten in elektriciteitsmarkten te schatten op basis van productieschema's, waarbij marginaalkosten nauwkeurig worden gereconstrueerd met onzekerheidskwantificering, terwijl startkosten moeilijk te identificeren blijken.

Oorspronkelijke auteurs: Matthias Pirlet, Adrien Bolland, Alexandre Huynen, Quentin Louveaux, Gilles Louppe, Damien Ernst

Gepubliceerd 2026-04-10

📖 5 min leestijd🧠 Diepgaand

CC BY 4.0

Oorspronkelijke auteurs: Matthias Pirlet, Adrien Bolland, Alexandre Huynen, Quentin Louveaux, Gilles Louppe, Damien Ernst

Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer

Stel je voor dat elektriciteit een enorm, complex spel is, gespeeld door honderden spelers (elektriciteitsproducenten) in een grote stad. Deze spelers bieden hun stroom aan op een markt, net zoals mensen goederen verkopen op een veiling.

Het probleem? Niemand weet precies wat het echte kost om die stroom te maken. De producenten houden hun kosten (brandstof, onderhoud, startkosten) geheim. Maar voor de overheid, energieleveranciers en beleggers is het cruciaal om te weten: Hoeveel kost het eigenlijk om deze generator aan te zetten?

Deze paper beschrijft een slimme manier om die geheimen te ontrafelen, niet door te spioneren, maar door te gokken en te leren zoals een detective die een moord oplost op basis van de enige aanwijzing: het spoor dat de dader heeft achtergelaten.

Hier is de uitleg in simpele taal, met een paar creatieve vergelijkingen:

1. Het Spoor: De "Schaduw" van de Kosten

Stel je voor dat elke elektriciteitsproducent een chef-kok is. De chef weet precies hoeveel zijn ingrediënten kosten (de marginal costs) en hoeveel het kost om de oven voor te verwarmen (de start-up costs).
De chef kookt een maaltijd (het elektriciteitsnetwerk) en serveert het op een bord (het productieschema). Jij ziet alleen het bord met het eten. Je ziet niet de recepten of de prijzen van de ingrediënten.

De vraag is: Kunnen we de prijs van de ingrediënten raden, puur door naar het bord te kijken?

2. De Twee Detectives

De auteurs van dit paper testen twee verschillende methoden om dit raadsel op te lossen:

Detective A: De "Gokker met een Geheugen" (Baysean Inference / BNPE)

Deze detective gelooft niet in één vast antwoord. Hij denkt: "Ik heb een idee, maar ik kan me vergissen."

Hoe het werkt: Hij begint met een algemene veronderstelling (bijvoorbeeld: "Een generator kost ergens tussen de 10 en 50 euro"). Dit noemen ze een prior.
Het leren: Hij kijkt naar duizenden voorbeelden van borden (schema's) en de bijbehorende recepten. Hij leert een patroon: "Als het bord er zo uitziet, dan lagen de kosten waarschijnlijk hier, maar misschien ook daar."
Het resultaat: In plaats van één getal te geven, geeft hij een wolk van mogelijkheden. Hij zegt: "De kosten liggen waarschijnlijk hier, met een kans van 95% dat het binnen deze grenzen valt."
De kracht: Hij is eerlijk over wat hij niet weet. Als een bepaald type kosten (zoals de startkosten van de oven) nauwelijks te zien is op het bord, zegt hij: "Ik kan dit niet goed raden, mijn wolk van mogelijkheden blijft groot."

Detective B: De "Perfecte Rekenaar" (Inverse Optimization)

Deze detective is heel streng en logisch, maar hij is ook een beetje dom.

Hoe het werkt: Hij denkt: "Als ik dit bord zie, dan moet de chef de perfect goedkoopste manier hebben gekozen om dit te maken. Er is geen twijfel, geen fouten, geen toeval."
Het probleem: In het echte leven maken chefs fouten, zijn er plotseling gaslekken, of doen ze dingen op een slimme, strategische manier die niet 100% logisch is. Detective B negeert al die chaos. Hij probeert een perfect antwoord te vinden in een onperfecte wereld.
Het resultaat: Hij geeft één vast getal. Maar omdat hij de chaos negeert, is zijn antwoord vaak verkeerd, en hij zegt je nooit hoe groot de kans is dat hij fout zit.

3. Wat hebben ze ontdekt? (De Resultaten)

De auteurs hebben hun methoden getest op een bekend elektriciteitsnetwerk (het IEEE RTS-96 systeem, een soort "proefkeuken" voor onderzoekers).

De "Brandstofkosten" (Marginal Costs): Dit zijn de kosten om extra stroom te maken.
- Detective A (BNPE) was fantastisch. Hij kon deze kosten heel nauwkeurig raden en gaf een smalle, duidelijke wolk van mogelijkheden. Hij wist precies waar hij het had gevonden.
- Detective B deed het okay, maar zijn antwoord zat vaak net naast de waarheid en gaf geen waarschuwing als hij twijfelde.
De "Startkosten" (Start-up Costs): Dit zijn de kosten om een generator aan te zetten (zoals het voorverwarmen van de oven).
- Detective A gaf eerlijk toe: "Ik kan dit niet goed zien." Zijn wolk van mogelijkheden bleef groot en vaag. Dat is een goed resultaat! Het betekent dat de methode begrijpt dat deze kosten simpelweg niet zichtbaar zijn op het bord.
- Detective B probeerde het toch te raden en gaf een specifiek getal, maar dat getal was vaak willekeurig en onbetrouwbaar.

4. Waarom is dit belangrijk?

In het echte leven is het belangrijk om te weten hoe zeker je bent van een voorspelling.

Als je een belegger bent, wil je weten: "Is het risico groot of klein?" Detective A geeft je die zekerheid (of onzekerheid).
Als je een overheidsfunctionaris bent die de markt controleert, wil je weten of producenten oneerlijk doen. Detective A helpt je om te zien of de kosten die je ziet "normaal" zijn of verdacht.

Samenvatting in één zin

Deze paper introduceert een slimme, AI-gebaseerde methode die niet alleen probeert te raden hoeveel elektriciteit kost, maar ook eerlijk vertelt hoe zeker ze daarover is, waardoor we beter kunnen omgaan met de onzekerheid in de complexe wereld van de energiemarkt.

Het is alsof je van "gokken" (een vast getal geven) overstapt op "statistisch inzicht" (een waarschijnlijke wolk geven), wat veel veiliger en slimmer is voor de toekomst van onze energievoorziening.

Titel: Bayesiaanse Inferentie voor het Schatten van Productiekosten in Elektriciteitsmarkten

Auteurs: Matthias Pirlet, Adrien Bolland, Alexandre Huynen, Quentin Louveaux, Gilles Louppe, Damien Ernst (Universiteit Luik & Engie).

1. Probleemstelling

Het schatten van productiekosten (marginaal en startkosten) van elektriciteitsopwekkingen op basis van waargenomen marktdata (productieplanningen) is cruciaal voor marktsimulatie, strategisch bieden en systeemplanning.

Uitdaging: In de praktijk zijn kostenparameters voor externe waarnemers onbekend. Marktparticipanten bieden op basis van deze kosten, maar de daadwerkelijke kosten worden niet direct gepubliceerd.
Aanpak: Het artikel behandelt het probleem als een inverse optimalisatie: het afleiden van kostenparameters ( $\theta$ ) uit de waargenomen productieplanningen ( $g$ ) en vraag ( $\delta$ ).
Beperkingen van bestaande methoden: Traditionele inverse-optimalisatiemethoden leveren vaak enkel punt-schattingen op zonder onzekerheidskwantificering. Ze gaan vaak uit van deterministische modellen, terwijl de werkelijkheid stochastisch is (onvoorspelbare vraag, uitval van lijnen, strategisch gedrag). Dit leidt tot modelmisspecificatie en onnauwkeurige schattingen.

2. Methodologie

De auteurs formuleren het probleem als een Bayesiaanse inferentie binnen een latent variabelenmodel.

A. Latent Variabelenmodel

Het model beschrijft hoe marktschema's ontstaan uit onbekende kosten, rekening houdend met onzekerheid:

Parameters ( $\theta$ ): Marginale kosten ( $c$ ) en startkosten ( $s$ ) worden gemodelleerd met uniforme a priori-verdelingen.
Latente variabelen ( $z$ ):
- Biedkosten ( $\tilde{c}$ ): Afgeleid van marginale kosten maar verstoord door strategisch gedrag (ruis).
- Beschikbaarheid ( $\alpha, \beta$ ): Bernoulli-variabelen voor generator- en lijnuitval.
- Vraag ( $\delta$ ): Gebaseerd op seizoens- en dagprofielen met ruis.
Forward Model: Een Unit Commitment (UC) probleem (een gemengd-geheelgetal optimalisatie) dat de totale productiekosten minimaliseert onder fysieke en operationele constraints (capaciteit, ramp rates, netwerkbegrenzingen). De uitkomst is het waargenomen schema $g$ .
Bayesiaanse Formule: Het doel is het vinden van de achterwaartse verdeling $p(\theta | x_{obs})$ , waarbij $x_{obs}$ de waargenomen data is.

B. Oplossingsmethoden

De auteurs vergelijken twee benaderingen:

Balanced Neural Posterior Estimation (BNPE):
- Een simulation-based inference (SBI) methode.
- In plaats van de likelihood te berekenen (wat onmogelijk is bij UC-problemen), wordt een neurale netwerk $q_\phi(\theta | x)$ getraind om de achterwaartse verdeling te benaderen.
- Het netwerk wordt getraind door het minimaliseren van de Kullback-Leibler-divergentie tussen de echte achterwaartse verdeling en de neurale benadering, gebruikmakend van gesimuleerde data-paren $(\theta, x)$ .
- Voordeel: Levert een volledige verdeling op, waardoor onzekerheid kan worden gekwantificeerd. Het is "geamortiseerd": eenmaal getraind, zijn inferenties voor nieuwe data extreem snel.
Inverse Optimalisatie (Polar Cone Methode):
- Een traditionele baseline die een deterministisch UC-probleem oplost.
- Het zoekt naar kostenparameters waarvoor de waargenomen planning optimaal is (gebruikmakend van de polar cone theorie).
- Nadeel: Negeert stochastische elementen (ruis, uitval), wat leidt tot modelmisspecificatie en geen onzekerheidsmeting biedt.

3. Experimenten en Resultaten

De methoden werden gevalideerd op het IEEE RTS-96 testnetwerk (24 bussen, 12 generators, 38 lijnen) over een periode van 24 uur.

Schatting van Marginale Kosten:
- BNPE slaagt erin de marginale kosten nauwkeurig te recupereren. De achterwaartse verdeling is smal en piekt rond de werkelijke (nominale) waarden.
- De 95% en 99,7% credible intervals zijn smal, wat aangeeft dat de data voldoende informatie bevat om deze kosten te identificeren.
- De inverse-optimalisatiemethode toont grotere afwijkingen van de werkelijke waarden.
Schatting van Startkosten:
- De achterwaartse verdeling voor startkosten blijft diffuus (bijna uniform), vergelijkbaar met de prior.
- Conclusie: Startkosten zijn niet identificeerbaar op basis van productieplanningen alleen, omdat de planning weinig gevoelig is voor startkosten zodra een eenheid eenmaal draait. BNPE geeft hier eerlijk de onzekerheid weer, terwijl de inverse methode willekeurige punt-schattingen geeft.
Validatie en Kalibratie:
- Posterior Predictive Checks: Wanneer parameters uit de geschatte achterwaartse verdeling worden gehaald en door het forward-model worden gevoerd, produceren ze schema's die consistent zijn met de waarneming. Dit bevestigt de kwaliteit van de leerproces.
- Kalibratie: De BNPE toont een lichte oververtrouwdheid (empirische dekking iets lager dan de nominale waarde), waarschijnlijk door de hoge dimensie van het probleem, maar blijft bruikbaar voor besluitvorming.
Efficiëntie:
- Na training is BNPE bijna direct toepasbaar op nieuwe data, terwijl inverse optimalisatie en MCMC (Markov Chain Monte Carlo) per query zware rekentijd vereisen.

4. Belangrijkste Bijdragen

Bayesiaanse Formulering: Het probleem van kostenschatting in elektriciteitsmarkten wordt succesvol vertaald naar een Bayesiaanse inferentieprobleem met een latent variabelenmodel dat stochastische vraag, uitval en strategisch bieden integreert.
Toepassing van BNPE: De eerste toepassing van Balanced Neural Posterior Estimation op realistische Unit Commitment-problemen met netwerkbegrenzingen. Dit overbrugt de kloof tussen complexe optimalisatiemodellen en snelle, onzekerheidsbewuste inferentie.
Onzekerheidskwantificering: Het demonstreert dat het mogelijk is om te onderscheiden tussen parameters die goed identificeerbaar zijn (marginale kosten) en die dat niet zijn (startkosten), en dit correct weer te geven via credible intervals.
Benchmarking: Een uitgebreide vergelijking toont aan dat traditionele inverse optimalisatie methoden tekortschotten in nauwkeurigheid en onzekerheidsmeting, vooral in stochastische omgevingen.

5. Betekenis en Toekomstperspectief

De studie biedt een praktische oplossing voor marktanalisten, beheerders van transmissiesystemen (TSO's) en beleidsmakers.

Risicobewustzijn: Door onzekerheid te kwantificeren, kunnen beslissingen op basis van kostenschattingen robuuster worden genomen.
Operationaliteit: De snelheid van BNPE na training maakt het geschikt voor dagelijkse marktmonitoring en real-time toepassingen.
Toekomstige werk: De auteurs suggereren het gezamenlijk schatten van fysische parameters (zoals ramp rates), het uitbreiden van de inferentie over meerdere dagen om startkosten beter te identificeren via brandstofprijstrends, en het modelleren van complexere verdelingen voor strategisch gedrag.

Kortom, dit artikel bewijst dat moderne machine learning-technieken (SBI) effectief kunnen worden ingezet om complexe, niet-lineaire optimalisatieproblemen in de energiesector om te keren, met een superioriteit ten opzichte van traditionele methoden wat betreft nauwkeurigheid en transparantie over onzekerheid.