Explainable deep learning based electricity price forecasting through SHAP values for the extended cross-regional markets integration

Electricity Price Forecasting (EPF) is subject of increasing research interest. In fact, the share of renewable energy generation is critically affecting both the overall system dynamics and the volatility of the price series. Moreover, the development of European energy grid infrastructure, enhancing inter-connectivity between the countries, is extending the set of potential conditioning variables influencing the price settlement at regional bidding scale. Nowadays, Deep learning based forecasting systems are achieving state-of-the-art performance in single market settings. However, the investigation of their capability in tackling recent price dynamics and cross-related bidding zones is still an open field of research. This thesis investigate the capability of two neural network models, best performing in single-market EPF, in the context of extended market integration. In particular, we target a feed-forward neural network and a recurrent neural network based on LSTM units. Besides forecasting performance comparison, a further scope of this work is to explore the contribution of the conditioning variables in the whole cross- market set. To this end, we employ the SHAP values, averaged over the 24-hour prediction horizon involved in day-ahed EPF. Furthermore, the ranked SHAP values are employed to setup a selection procedure, conveying the most informative features from the overall input space. Experiments are performed by application to the Nord Pool dataset, representing the largest interconnected power market in Europe.

La previsione dei prezzi dell’elettricità (EPF) è oggetto di un crescente interesse in ambito di ricerca. Infatti, la quota di energia rinnovabile sta influenzando in maniera critica sia la dinamica complessiva del sistema energetico sia la volatilità delle serie storiche dei prezzi. Inoltre, lo sviluppo dell’infrastruttura della rete energetica europea, migliorando l’interconnettività tra i Paesi, sta ampliando l’insieme delle potenziali variabili condizionanti che influenzano l’andamento dei prezzi su scala regionale. Al giorno d’oggi, i sistemi di previsione basati sul deep learning stanno raggiungendo prestazioni all’avanguardia in contesti di singolo mercato. Tuttavia, lo studio della loro capacità di adattarsi alle recenti dinamiche dei prezzi e alle zone di offerta transfrontaliere rappresenta un’area di ricerca ancora aperta. Questa tesi analizza la capacità di due modelli di reti neurali, in grado di ottenere le migliori performance in ambito di EPF a singolo mercato, in contesto di integrazione di mercato estesa. In particolare, ci riferiamo a una rete neurale feed-forward e a una rete neurale ricorrente basata su celle LSTM. Oltre al confronto delle performance di previsione, un ulteriore scopo di questo lavoro è quello di analizzare il contributo delle variabili condizionanti nell’insieme dei mercati transfrontalieri. A tal fine utilizziamo i valori SHAP, mediati sull’orizzonte di previsione di 24 ore relativo all’EPF day-ahed. Inoltre, un ranking delle variabili condizionanti, ottenuto tramite SHAP, viene utilizzato per impostare una procedura di selezione delle variabili, che convoglia le caratteristiche più informative dall’intero spazio di input. Gli esperimenti sono stati eseguiti su un dataset relativo a Nord Pool, che rappresenta il più grande mercato elettrico interconnesso in Europa.