使用XAI分析欧洲电力市场的驱动因素与相互依存关系

# 使用XAI分析欧洲电力市场的驱动因素与相互依赖性
来源：https://arxiv.org/html/2606.19118  
\(2026年6月\)

###### 摘要

电力市场本质上是复杂系统，具有强非线性、高维交互以及日益增强的区域间相互依赖性。尽管深度神经网络（DNN）在电价预测方面表现出强大的能力，但其缺乏可解释性，限制了其在理解价格形成背后驱动因素方面的实用性。

本文通过将DNN模型与可解释人工智能（XAI）技术相结合，分析39个欧洲竞价区域电价的决定因素，从而填补这一空白。我们使用SHAP（SHapley Additive exPlanations）量化特征贡献，并应用和扩展SSHAP（一种用于提高高维设置可解释性的聚合框架）。

分析表明，可再生能源（尤其是太阳能）在价格形成中扮演着不成比例的重要角色，尽管其在总发电量中占比较低。天然气价格仍然是各电力市场主导且一致的驱动因素，而互联线路显著影响价格动态，凸显了欧洲电力系统的高度相互依赖性。此外，本文构建了一个合成性的欧盟-wide电力市场，以探索完全一体化市场（单一价格）的反事实情景。

###### 关键词：

电价预测, EPF, 可解释方法, XAI, SHAP, SSHAP, ENTSO-E

\{亮点\}

- 对39个欧洲电力市场采用XAI方法分析其DNN模型
- 构建一个欧盟-wide电力市场，以探索“如果欧洲市场有共同价格会怎样”的情景
- 尽管太阳能对总发电量贡献最少，但它已经在电价设定中扮演最重要的角色
- 波兰是极端案例，72%为化石燃料发电，而太阳能（其次是风能）是解释价格变动的最重要来源
- 邻国对国内电价影响很大。在德国的11个邻国中，有6个的德国特征是其主导超级特征
- 采用新的SSHAP可解释方法来解决SHAP方法在处理高维模型时的缺点

## 1 引言

欧洲电网是全球最大的互联电网\[12 (https://arxiv.org/html/2606.19118#bib.bib179)\]，连接36个国家，由40家输电系统运营商（TSOs）管理¹。ENTSO-E（欧洲输电系统运营商网络）是欧洲输电系统运营商的协会。这40家TSO成员负责欧洲电力系统安全协调运行。本文考虑其中27个国家，涵盖39个竞价区域，2025年总发电量2.7 PWh，占2025年全球32 PWh发电量的8.5%\[18 (https://arxiv.org/html/2606.19118#bib.bib178)\]。  

¹每个国家有一家TSO，德国除外（五家）。

在此类互联系统中，电价形成本质上是复杂的。价格源于多种因素的相互作用，包括需求、发电结构、燃料成本和跨境交换，所有这些因素都随时间与空间动态变化。风能、太阳能等可变可再生能源的渗透率不断提高，进一步加剧了这种复杂性，给系统带来了显著的波动性和不确定性。因此，传统的线性或低维建模方法往往难以捕捉现代电力市场所具有的非线性关系和高维依赖性。

近年来，机器学习技术，特别是深度神经网络（DNN），因其从大规模数据集中学习复杂模式的能力，在电价建模方面表现出色。然而，其黑箱性质限制了其在经济解释和政策分析中的实用性。尽管这些模型能够提供准确的预测，但它们对价格动态背后驱动因素的洞察有限，而这正是市场参与者、监管机构和系统运营商在理解和管理日益复杂的电力系统时所亟需的关键要求。

为应对这一挑战，本文采用可解释人工智能（XAI）方法来分析欧洲电力市场的电价形成。通过将DNN模型与基于SHAP的可解释性方法相结合，并重新引入SSHAP框架\[31 (https://arxiv.org/html/2606.19118#bib.bib171)\]，我们旨在揭示价格动态的关键驱动因素，同时保持深度学习的建模能力。此外，我们构建了一个合成性的欧盟-wide电力市场作为反事实情景，以探索在完全一体化系统（单一结算价格）下价格将如何表现。这种方法为市场之间的相互依赖程度以及互联线路在电价形成中的作用提供了新的见解。

本文的主要贡献如下：

- ∙ 分析并比较39个欧洲电力市场，并创建欧盟电力市场，以探索“如果欧洲市场有共同价格会怎样”
- ∙ 从两个方向（发电结构及其互联邻国）识别驱动这些电力市场的最重要因素
- ∙ 使用SSHAP解释方法处理高维模型

本文的其余部分组织如下。第2节 (https://arxiv.org/html/2606.19118#S2)回顾了关于电价预测和电力市场解释的相关文献。第3节 (https://arxiv.org/html/2606.19118#S3)描述了数据集并进行了一些探索性分析。第4节 (https://arxiv.org/html/2606.19118#S4)介绍了研究中使用的模型和方法。第5节 (https://arxiv.org/html/2606.19118#S5)展示结果，第6节 (https://arxiv.org/html/2606.19118#S6)进行讨论。最后，第7节 (https://arxiv.org/html/2606.19118#S7)总结主要发现和未来研究方向。

## 2 文献综述

电价预测（EPF）是能源领域的一个关键研究领域，其驱动力来自电力市场固有的复杂性、波动性和放松管制特性\[27 (https://arxiv.org/html/2606.19118#bib.bib132),15 (https://arxiv.org/html/2606.19118#bib.bib137)\]。传统计量经济学模型（通常称为白箱模型）已被广泛用于通过利用供应、需求、燃料价格和天气条件等基本市场变量来预测和解释电价\[9 (https://arxiv.org/html/2606.19118#bib.bib139),8 (https://arxiv.org/html/2606.19118#bib.bib129)\]。

大量文献记录了可再生能源发电在多个市场中的价格抑制效应，包括德国\[41 (https://arxiv.org/html/2606.19118#bib.bib200)\]、澳大利亚\[10 (https://arxiv.org/html/2606.19118#bib.bib201)\]、美国\[33 (https://arxiv.org/html/2606.19118#bib.bib202)\]、土耳其\[1 (https://arxiv.org/html/2606.19118#bib.bib203)\]、新西兰\[39 (https://arxiv.org/html/2606.19118#bib.bib204)\]和加拿大\[35 (https://arxiv.org/html/2606.19118#bib.bib194)\]。白箱模型的优势在于能够直接从模型中提供解释，无需中间方法。然而，尽管这些模型具有良好的直接可解释性，它们往往难以捕捉电力市场所具有的非线性和高维交互特征\[2 (https://arxiv.org/html/2606.19118#bib.bib107),40 (https://arxiv.org/html/2606.19118#bib.bib101),23 (https://arxiv.org/html/2606.19118#bib.bib123)\]。

例如，\[35 (https://arxiv.org/html/2606.19118#bib.bib194)\]使用普通最小二乘回归模型对安大略省的数据集进行分析，并从可再生能源的负系数推断出增加太阳能和风能发电会降低电价。然而R方值低于20%，突显了线性模型未能充分捕捉电力系统（如电力）的复杂性。\[42 (https://arxiv.org/html/2606.19118#bib.bib136)\]通过基于边际发电量与价格之间关系的回归分析，强调了天然气在欧洲电价设定中的重要性，但同样，R方值较低。

机器学习的出现为解决传统预测方法的局限性提供了新途径。特别是DNN，在建模高维数据中的复杂依赖关系和交互方面显示出潜力，与计量经济学方法和更简单的机器学习模型相比，其预测精度更高\[19 (https://arxiv.org/html/2606.19118#bib.bib112),21 (https://arxiv.org/html/2606.19118#bib.bib91)\]。然而，DNN的黑箱性质在可解释性方面带来了重大挑战，引发了对决策过程中信任和透明度的担忧\[11 (https://arxiv.org/html/2606.19118#bib.bib198)\]。

为弥合这一可解释性鸿沟，XAI技术近年来日益受到重视。XAI旨在为AI模型的决策和预测提供可理解、可解释的解释，从而增强透明度、可信赖性和问责性\[4 (https://arxiv.org/html/2606.19118#bib.bib85),29 (https://arxiv.org/html/2606.19118#bib.bib142),26 (https://arxiv.org/html/2606.19118#bib.bib3)\]。SHAP（SHapley Additive exPlanations）和LIME（Local Interpretable Model-agnostic Explanations）等方法已被广泛用于量化个体特征对特定结果的贡献，涵盖能源等多个领域\[24 (https://arxiv.org/html/2606.19118#bib.bib63),32 (https://arxiv.org/html/2606.19118#bib.bib105)\]。

尽管对XAI的兴趣日益增长，但将其应用于EPF模型的研究仍然缺乏。两项值得注意的研究\[17 (https://arxiv.org/html/2606.19118#bib.bib126),16 (https://arxiv.org/html/2606.19118#bib.bib122)\]利用密度和局部拟合原理，结合置换特征重要性\[5 (https://arxiv.org/html/2606.19118#bib.bib133),13 (https://arxiv.org/html/2606.19118#bib.bib134)\]和SHAP等解释方法，为每个预测建立置信度分数，从而提高预测精度。然而，这些研究主要将SHAP用作堆叠模型中的中间变量，而非提供电力市场动态的解释，而这正是我们研究的重点。

另一项相关研究\[37 (https://arxiv.org/html/2606.19118#bib.bib96)\]使用梯度提升树模型对德国电力市场进行分析，使用了12个变量，包括5个电力系统特征、它们的斜坡以及燃料价格。有限的变量数量使作者能够使用SHAP交互值\[25 (https://arxiv.org/html/2606.19118#bib.bib125)\]来分析重要变量之间的交互。三项研究\[38 (https://arxiv.org/html/2606.19118#bib.bib88),28 (https://arxiv.org/html/2606.19118#bib.bib127),31 (https://arxiv.org/html/2606.19118#bib.bib171)\]使用了\[22 (https://arxiv.org/html/2606.19118#bib.bib89)\]中开发的开源数据集和模型的扩展，以及SHAP方法来解释电力市场行为。

本文通过重点提供对多个互联电力市场（欧洲电力市场）的更深入见解来扩展现有文献，其解释特征基于发电结构和互联邻国，而非例如滞后价格。

## 3 探索性数据分析

### 3.1 ENTSO-E

除天然气价格外，几乎所有数据均来自ENTSO-E透明度平台²。ENTSO-E在协调、可靠性和发展欧洲输电基础设施方面发挥着关键作用。其透明度平台是一个公开可访问的数据库，提供有关发电量、负荷、电价和跨境流动的实时和历史数据。ENTSO-E代表36个欧洲国家，我们选择了其中27个（拥有足够研究数据），涵盖39个竞价区域。四个国家拥有多个竞价区域：意大利（6个）、挪威（5个）、瑞典（4个）和丹麦（2个）；两个国家（德国和卢森堡）联合形成一个竞价区域。

²荷兰太阳能发电数据来自ENTSO-E（报告不足），已替换为来自荷兰国家能源仪表板（https://ned.nl/）的数据。天然气价格为欧洲基准TTF天然气收盘价，通过雅虎财经Python API下载。

所选国家及竞价区域代码（括号内）如下：奥地利（AT）、比利时（BE）、保加利亚（BG）、瑞士（CH）、捷克（CZ）、德国和卢森堡（DE_LU）、丹麦（DK_1, DK_2）、爱沙尼亚（EE）、西班牙（ES）、芬兰（FI）、法国（FR）、希腊（GR）、克罗地亚（HR）、匈牙利（HU）、意大利（IT_CNOR, IT_CSUD, IT_NORD, IT_SARD, IT_SICI, IT_SUD）、立陶宛（LT）、拉脱维亚（LV）、荷兰（NL）、挪威（NO_1, NO_2, NO_3, NO_4, NO_5）、波兰（PL）、葡萄牙（PT）、罗马尼亚（RO）、塞尔维亚（RS）、瑞典（SE_1, SE_2, SE_3, SE_4）、斯洛文尼亚（SI）和斯洛伐克（SK）。

该列表包含除爱尔兰外的所有SDAC成员国\[12 (https://arxiv.org/html/2606.19118#bib.bib179)\]，以及瑞士和塞尔维亚。SDAC（单日内耦合）是欧洲的一项市场一体化倡议，连接多个国家的日前电力市场。它使跨境电力交易成为可能，确保根据供应、需求和输电容量在欧洲范围内高效分配电力。它使用通用算法EUPHEMIA计算电价和跨境流量，最大化经济效率和电网稳定性\[30 (https://arxiv.org/html/2606.19118#bib.bib130)\]。竞价区域欧洲地图见图1 (https://arxiv.org/html/2606.19118#S3.F1)。

### 3.2 数据集

数据集涵盖三年时间，从2023年1月1日至2025年12月31日。虽然更长时间跨度更理想，但由于COVID-19期间以及随后由俄罗斯入侵乌克兰引发的能源危机期间观察到显著异常，因此排除了更早的数据。

变量包括每个竞价区域的实际日前电价、负荷和发电结构，以及天然气价格。日前电价是根据欧洲主要电力市场EPEX Spot和Nord Pool交易量最大的电力合约。合约在2025年9月前一小时设定，之后改为每刻钟；价格单位为€/MWh。负荷和发电结构数据覆盖一小时或一刻钟时段，单位为MW。我们只有天然气的日收盘市场价格。

本文中，20个发电类别通常归纳为以下7个较大类别：

- ∙ 太阳能
- ∙ 风能（包括陆上和海上）
- ∙ 水能（包括径流式、水库和抽水蓄能）
- ∙ 核能
- ∙ 其他可再生能源（包括地热、生物质、废弃物等）
- ∙ 化石天然气
- ∙ 其他化石燃料（包括硬煤、褐煤、石油等）

![[未标注图片]](https://arxiv.org/html/2606.19118v1/x1.png)
表1: 发电结构表，显示高度多样性