Do we actually understand the impact of renewables on electricity prices? A causal inference approach
作者: Davide Cacciarelli, Pierre Pinson, Filip Panagiotopoulos, David Dixon, Lizzie Blaxland
分类: stat.AP, cs.LG
发布日期: 2025-01-10
💡 一句话要点
提出局部部分线性双重机器学习方法，量化可再生能源对电价的因果影响
🎯 匹配领域: 支柱四：生成式动作 (Generative Motion)
关键词: 可再生能源 电力价格 因果推断 双重机器学习 局部线性回归
📋 核心要点
- 传统回归分析难以从观测数据中准确识别可再生能源发电对电价的因果影响，面临诸多挑战。
- 论文提出一种局部部分线性双重机器学习方法，用于更准确地量化风能和太阳能发电对电价的非线性因果效应。
- 实验表明，风能发电的影响呈U型，太阳能发电在低渗透率时降价效果显著，且两者降价效应随时间推移而增强。
📝 摘要（中文）
能源转型正在深刻地重塑电力市场动态。理解可再生能源发电如何实际影响电价，以及其他市场驱动因素，至关重要。这些见解对于设计确保经济、可靠和可持续能源系统的政策和市场干预措施至关重要。然而，从观测数据中识别因果效应是一个重大挑战，需要超越传统回归分析的创新因果推断方法。本文通过开发和应用局部部分线性双重机器学习方法，在现有技术的基础上进行了改进。该方法首次对风能和太阳能发电对英国批发电力价格的独特和非线性影响提供了可靠的因果证据，揭示了以往分析未能发现的关键见解。研究发现，在2018-2024年期间，风力发电对价格的影响呈U型：在低渗透率水平下，每增加1吉瓦时的发电量，价格最多降低7英镑/兆瓦时，但在中等渗透率水平（20-30%）下，这种影响接近于零，然后再次增强。太阳能发电在极低的渗透率水平下对价格产生显著的下行压力（每增加1吉瓦时的发电量，价格最多降低9英镑/兆瓦时），但其影响迅速减弱。研究还发现了一个关键趋势，即风能和太阳能发电的降价效应随着时间的推移（从2018年到2024年）变得更加明显，突显了它们在渗透率不断提高的情况下对电力市场日益增长的影响。本研究提供了新的分析方法和可操作的见解，以指导政策制定者评估可再生能源对电力市场的影响。
🔬 方法详解
问题定义：论文旨在解决能源转型背景下，如何准确评估可再生能源（特别是风能和太阳能）发电对电力价格的因果影响这一问题。现有方法，如传统的回归分析，在处理观测数据时难以有效控制混淆因素，从而导致对因果效应的估计存在偏差。此外，可再生能源发电对电价的影响可能呈现非线性特征，而传统方法难以捕捉这种复杂关系。
核心思路：论文的核心思路是利用因果推断中的双重机器学习（Double Machine Learning, DML）框架，结合局部线性回归的思想，构建一个局部部分线性DML模型。DML通过使用机器学习方法来估计混淆变量的影响，从而消除偏差，实现对因果效应的无偏估计。局部线性回归则允许模型捕捉可再生能源发电量与电价之间的非线性关系。
技术框架：整体框架包含以下几个主要阶段：1) 数据预处理：清洗和整理电力市场相关数据，包括风能和太阳能发电量、需求、燃料价格等。2) 特征工程：选择可能影响电价的混淆变量，例如需求、燃料价格、季节性因素等。3) 模型训练：使用机器学习模型（如梯度提升树或随机森林）分别估计混淆变量对可再生能源发电量和电价的影响。4) 因果效应估计：利用DML框架，结合局部线性回归，估计可再生能源发电量对电价的局部因果效应。
关键创新：最重要的技术创新点在于将局部线性回归与双重机器学习相结合。传统的DML方法通常假设因果效应是线性的，而该论文提出的方法能够捕捉非线性关系，从而更准确地评估可再生能源发电对电价的影响。此外，该方法还考虑了局部效应，即在不同的可再生能源渗透率水平下，其对电价的影响可能不同。
关键设计：论文采用局部加权线性回归来估计局部因果效应。具体来说，对于每个可再生能源发电量的值，模型会选择附近的样本点，并赋予这些样本点更高的权重，然后进行线性回归。权重函数通常选择高斯核函数，其带宽参数控制了局部区域的大小。此外，论文还使用了交叉验证来选择最优的机器学习模型和超参数，以避免过拟合。
🖼️ 关键图片
📊 实验亮点
研究发现，2018-2024年间，风力发电对电价的影响呈U型，低渗透率下每增加1吉瓦时发电量，电价最多降低7英镑/兆瓦时。太阳能发电在极低渗透率下，每增加1吉瓦时发电量，电价最多降低9英镑/兆瓦时。此外，风能和太阳能的降价效应随时间推移而增强，表明其对电力市场的影响日益增长。
🎯 应用场景
该研究成果可应用于电力市场政策制定、可再生能源投资决策和电力系统规划。通过准确评估可再生能源对电价的影响，政策制定者可以制定更有效的补贴政策和市场机制，促进可再生能源的健康发展。投资者可以更好地评估可再生能源项目的经济效益，做出更明智的投资决策。电力系统规划者可以更准确地预测未来电价，优化电力系统的运行和规划。
📄 摘要（原文）
The energy transition is profoundly reshaping electricity market dynamics. It makes it essential to understand how renewable energy generation actually impacts electricity prices, among all other market drivers. These insights are critical to design policies and market interventions that ensure affordable, reliable, and sustainable energy systems. However, identifying causal effects from observational data is a major challenge, requiring innovative causal inference approaches that go beyond conventional regression analysis only. We build upon the state of the art by developing and applying a local partially linear double machine learning approach. Its application yields the first robust causal evidence on the distinct and non-linear effects of wind and solar power generation on UK wholesale electricity prices, revealing key insights that have eluded previous analyses. We find that, over 2018-2024, wind power generation has a U-shaped effect on prices: at low penetration levels, a 1 GWh increase in energy generation reduces prices by up to 7 GBP/MWh, but this effect gets close to none at mid-penetration levels (20-30%) before intensifying again. Solar power places substantial downward pressure on prices at very low penetration levels (up to 9 GBP/MWh per 1 GWh increase in energy generation), though its impact weakens quite rapidly. We also uncover a critical trend where the price-reducing effects of both wind and solar power have become more pronounced over time (from 2018 to 2024), highlighting their growing influence on electricity markets amid rising penetration. Our study provides both novel analysis approaches and actionable insights to guide policymakers in appraising the way renewables impact electricity markets.