Analysing drivers and interdependencies in European electricity markets using XAI

Resumo Técnico: Análise de Direcionadores e Interdependências nos Mercados de Eletricidade Europeus utilizando XAI

Definição do Problema
Os mercados de eletricidade europeus são caracterizados por fortes não linearidades, interações de alta dimensionalidade e uma crescente interdependência regional. Embora as Redes Neurais Profundas (DNNs) tenham demonstrado uma precisão preditiva superior para preços de eletricidade em comparação com os modelos econométricos tradicionais, sua natureza de "caixa-preta" limita sua utilidade para interpretação econômica e análise de políticas. As aplicações existentes de IA explicável (XAI) na Previsão de Preços de Energia (EPF) frequentemente tratam a explicabilidade como uma etapa intermediária para o empilhamento de modelos (stacking), em vez de uma ferramenta para descobrir os direcionadores fundamentais da dinâmica do mercado. Além disso, os métodos padrão de importância de variáveis têm dificuldade em configurações de alta dimensionalidade onde as variáveis (como o mix de geração em 39 zonas de licitação) são numerosas e interdependentes, o que pode levar a agregações de importância enganosas.

Metodologia
Os autores analisam 39 zonas de licitação europeias em 27 países utilizando um conjunto de dados que abrange de 1 de janeiro de 2023 a 31 de dezembro de 2025. Os dados incluem preços de eletricidade day-ahead, carga, mix de geração de energia (categorizado em solar, eólica, hídrica, nuclear, outras renováveis, gás fóssil e outros combustíveis fósseis) e preços de gás TTF.

1. Modelagem: O estudo emprega um Perceptron Multicamadas (MLP) com duas camadas ocultas (128 e 32 neurônios) treinado com o otimizador Adam e perda de Erro Médio Absoluto (MAE). Os modelos não são temporais; as entradas e saídas correspondem ao mesmo período horário, o que significa que os modelos são projetados para explicar os mecanismos de mercado, e não para prever preços futuros.
2. Engenharia de Atributos (Feature Engineering): Para cada zona de licitação, os atributos de entrada incluem carga local e mix de geração, preços de gás e a carga/mix de geração de todas as zonas vizinhas eletricamente conectadas. Isso resulta em até 364 atributos potenciais por modelo.
3. Estrutura de IA Explicável (XAI):
   • SHAP (SHapley Additive exPlanations): Utilizado para quantificar as contribuições das variáveis. Os autores utilizam a expectativa condicional para a estimativa do valor de Shapley via amostragem de Monte Carlo para lidar com as dependências.
   • SSHAP (Super-SHAP): Para abordar as limitações do SHAP padrão em configurações de alta dimensionalidade (especificamente, o risco de superestimar a importância quando variáveis dentro de um subconjunto se compensam mutuamente), os autores aplicam e estendem a estrutura SSHAP. Este método agrega as variáveis em "super-variáveis" (por exemplo, agrupando todas as variáveis solares entre as zonas ou agrupando todas as variáveis pertencentes a um país específico) e calcula o efeito de compensação (netting) dentro desses subconjertos antes de determinar a importância global.
4. Cenário Contrafactual: Um modelo de mercado "em toda a UE" sintético é construído como uma combinação linear dos 39 modelos individuais, ponderada pela carga média, para simular um cenário com um preço de liquidação comum único.

Principais Contribuições

• Análise Comparativa: O artigo fornece uma análise e comparação abrangente de 39 mercados de eletricidade europeus distintos, indo além dos estudos de mercado único.
• Direcionadores de Dupla Perspectiva: Identifica os principais direcionadores de preço sob dois ângulos distintos: o mix de geração de energia e a influência dos vizinhos interconectados.
• Extensão Metodológica: O estudo demonstra a aplicação do SSHAP para lidar com modelos de alta dimensionalidade em mercados de eletricidade, oferecendo uma agregação de importância de variáveis mais robusta do que o SHAP padrão ao lidar com variáveis correlacionadas.
• Exploração Contrafactual: Constrói um mercado da UE sintético para explorar o cenário "E se" de um mercado europeu totalmente integrado com um preço único.

Resultados

• O Papel Desproporcional da Energia Solar: Apesar de a energia solar ter a menor participação no total da geração (aprox. 10%) entre as principais fontes, a análise SSHAP revela que ela é a super-variável mais influente na formação de preços. A geração solar exibe alta variabilidade e um forte impacto direcional (caudas negativas longas nas distribuições SHAP), sendo capaz de derrubar os preços significativamente. No modelo de toda a UE, a solar é a principal super-variável, seguida pelo preço do gás.
• Dominância do Preço do Gás: Os preços do gás permanecem como um direcionador dominante e consistente em todos os mercados, atuando como o principal definidor de custo marginal na ordem de mérito. No modelo da UE, a variável do preço do gás é a variável individual mais importante, capaz de elevar os preços em €40/MWh.
• Carga vs. Geração: Embora a carga seja tradicionalmente vista como um direcionador primário, a análise SSHAP sugere que seu poder explicativo é menos significativo do que inicialmente pensado quando os desvios das variáveis são contabilizados. As variáveis de carga frequentemente exibem impactos direcionais mistos (correlações positivas e negativas) que se cancelam em métricas de importância global.
• Interdependência e Vizinhos: Os mercados vizinhos exercem uma influência massiva nos preços domésticos. Em média, as super-variáveis dos vizinhos representam 61% dos direcionadores da formação de preços nas 39 zonas. Para a Alemanha, 6 de 11 vizinhos têm características alemãs como sua super-variável dominante. Por outroônica, a Espanha e as ilhas italianas apresentam a menor dependência de vizinhos (34%), o que se correlaciona com uma menor capacidade de interconexão em relação à carga.
• Especificidades Regionais:
  • Polônia: Apesar de possuir 72% de geração de combustíveis fósseis, a solar e a eólica são as fontes mais importantes para explicar os movimentos de preço.
  • Itália: O gás é a fonte de geração dominante e o principal direcionador de preço em todas as seis zonas de licitação italianas, consistente com preços médios elevados e baixa volatilidade.
  • Regiões Nórdicas: Hidráulica e eólica são dominantes, embora existam exceções onde influências transfronteiriças (por exemplo, a hidráulica alemã afetando a Dinamarca) ditam a super-variável dominante.

Significância e Alegações
O artigo afirma que a combinação de DNNs com XAI, especificamente a estrutura SSHAP, permite que pesquisadores vão além do desempenho preditivo para entregar insights interpretáveis sobre os mecanismos de formação de preços de eletricidade. O estudo destaca que os modelos lineares tradicionais falham em capturar as relações não lineares e as dependências de alta dimensionalidade dos mercados modernos.

Os autores sustentam que suas descobertas desafiam o senso comum sobre os direcionadores de preços:

1. Renováveis como Definidoras de Preços: Fontes renováveis, particularmente a solar, desempenham um papel desproporcionalmente grande na definição de preços em relação ao seu volume de geração, principalmente devido à sua variabilidade.
2. Interdependência Sistêmica: Os preços da eletricidade não são determinados apenas pelas condições domésticas; os fluxos transfronteiriços e os mercados vizinhos são frequentemente os principais determinantes da dinâmica de preços.
3. Implicações de Política: Os insights fornecidos podem auxiliar na avaliação de escolhas de design de mercado, como o aumento da capacidade de interconexão. O modelo de mercado sintético da UE serve como uma ferramenta para entender os impactos potenciais de um mercado europeu totalmente integrado.

O artigo conclui de forma modesta, observando que, embora a abordagem atual utilize variáveis vizinhas como proxies para a interconexão, trabalhos futuros poderiam modelar explicitamente as restrições e fluxos de transmissão para capturar melhor os efeitos de congestionamento. Adicionalmente, os autores observam que os métodos atuais de XAI podem não explicar totalmente eventos de preços extremamente altos, uma vez que as caudas negativas longas da geração renovável (supressão de preços) são mais pronunciadas do que seus impactos positivos.