能源动荡期欧洲电价预测的可解释 AI 方案

这篇论文具体研究的是欧洲日前电力市场的价格预测问题，重点关注模型在危机时期的适应性。研究对象包括 19 个拥有充足数据的欧洲国家电力市场，不涉及缺乏公开信息的区域。任务目标是构建人工智能模型来预测第二天的电价，并解释驱动价格波动的因素。输入信息主要是公开可用的能源数据，包括不同能源类型的发电量、跨境容量流、消费调度以及可再生能源产量。输出结果是预测的电价数值以及基于 SHAP 值的特征重要性分析。评估对象是模型在 2015 年至 2024 年不同时间段内的预测准确性，特别是对比了 2021 年前后的市场表现差异，以此检验模型的稳健性。

•首次使用 SHAP 值对比多个欧洲国家中不同能源来源和跨境流对电价的影响。

•模型覆盖 2021 年前后两个时期，验证了危机对预测精度的具体影响。

•仅使用市场条件下实际可用的开源数据，确保模型可适配日前市场操作。

•提出基于全局 SHAP 剖面的无监督聚类框架，用于分类电力市场而非仅看价格时序。

气候变化和地缘政治冲突深刻改变了欧洲能源格局，增加了市场不确定性。新冠疫情和俄乌冲突导致能源市场波动性显著增加，传统预测方法难以应对这种结构性变化。现有的电价预测研究大多只覆盖到 2021 年，缺乏对近期剧烈市场变化的分析，导致模型在新环境下失效。此外，许多模型使用非公开数据或理想化假设，难以在实际市场操作中复现，限制了应用价值。市场参与者需要知道哪些因素真正驱动了价格变化，而不仅仅是得到一个预测数字。透明度和可靠性对于制定交易策略和管理风险变得至关重要，尤其是在能源危机背景下。

作者首先收集了 19 个欧洲国家的公开能源数据，涵盖发电量、消费和跨境交易等信息，确保数据在市场条件下可获取。接着构建了多种机器学习模型，包括树模型和神经网络，并通过对比选出表现最好的树基模型用于后续分析。为了理解模型决策逻辑，研究引入了 SHAP 值来分析每个特征对预测结果的贡献度，量化各因素影响力。实验设计分为 2015 至 2020 年和 2020 至 2024 年两个阶段，以此观察外部冲击带来的变化。最后，作者利用德国和法国作为案例，详细展示了不同市场结构下的分析结果，并通过聚类方法识别具有相似价格形成机制的国家群体，验证方法的可推广性。