電力価格予測（EPF）は、エネルギー予測の一分野であり、数学的、統計的、および機械学習モデルを適用して将来の電力価格を予測するものである。過去30年にわたり、これらの予測は、特に電力がスポット契約やデリバティブ契約を通じて取引される規制緩和市場において、エネルギー企業の企業意思決定の基本的なインプットとなってきた。この分野は、ヨーロッパ、北米、オーストラリア、アジアにおける市場自由化とともに出現し、伝統的に独占的であった電力部門が競争的構造へと移行した。
電力は、経済的に貯蔵が不可能であり、系統安定性のために生産と消費の絶え間ないバランスを必要とするという点で、ユニークな商品である。その需要は、天候や、ピーク時とオフピーク時、平日と週末などの日々の活動パターンに大きく依存する。これらの特性は、日次、週次、年次の季節性に加え、突然かつしばしば予測不能な価格スパイクなど、他の市場では見られない価格動態を生み出す。価格変動性は、他のどの取引商品や金融資産よりも最大2桁高く、市場参加者は量と価格の両方のリスクをヘッジせざるを得ない。ピーク負荷が1GWの電力会社は、短期価格予測における平均絶対誤差率（MAPE）を1%削減することで、年間推定30万ドルを節約できる。
予測方法
最も単純な翌日予測アプローチは、各発電源に発電ブロックの入札を依頼し、最も安い入札を選択することである。入札が不十分な場合、価格は上昇し、多すぎる場合、価格はゼロまたはマイナスに下落する可能性がある。提示価格には、発電コスト、送電コスト、利益率が含まれる。独立系統運用機関（ISO）は、送電と発電の運用を分離し、入札ベースの市場を用いて経済的負荷配分を決定することで、競争を促進する。電力は隣接する電力プールと取引できる。
風力や太陽光などの非出力調整可能な再生可能エネルギー源は、通常、他の入札に先立って所定の料金で販売される。余剰発電は、他の系統運用者に販売されるか、揚水発電によって貯蔵されるか、最悪のシナリオでは出力抑制される。出力抑制は、普及率が上昇するにつれて、太陽光発電の経済的および環境的利益を大幅に削減する可能性がある。スマートグリッドと分散型再生可能エネルギー発電の統合は、供給と需要の不確実性を増大させ、予測技術への実質的な研究を促進してきた。
要因
電力は需要の瞬間に生産されるため、すべての供給要因と需要要因がスポット市場価格に即座に影響を与える。短期価格は天候に最も影響され、冬の暖房需要と夏の冷房需要が季節的な価格スパイクを引き起こす。追加の天然ガス火力発電容量は、需要を増加させながら価格を低下させてきた。燃料価格とCO2排出枠価格は主要な供給側の要因であり、EUの炭素価格は2017年以降2倍になり、重要なコスト要因となっている。
国固有の資源賦存量と規制も料金を形成する。生産者または消費者への政府補助金は電気料金を手頃に保つことができるが、ほとんどの国は何らかの市場ベースの価格設定を採用している。
天候
電力需要は主に気温によって左右され、暖房度日と冷房度日は、華氏65度の基準値に対するエネルギー消費量を測定する。天候は再生可能エネルギーの供給にも影響を与える。カリフォルニア州のダックカーブは、1日を通じた需要と太陽エネルギー利用可能性のギャップを示しており、晴れた時間帯には太陽光が市場に殺到し、需要がピークに達する夕方には落ち込む。気象予報は、特に2〜4日前の予測期間において価格予測精度を向上させることができる一方、翌日予測は自己回帰効果の恩恵を受ける。
水力発電の利用可能性
積雪、河川流量、季節性、その他の水文学的要因が、水力発電ダムが利用可能な潜在エネルギーを決定する。これらの変数を予測することで、特定の期間の発電容量を予測できる。パキスタン、エジプト、中国、太平洋岸北西部などの地域は、水力発電に大きく依存している。2015年、ザンビアは、不十分な降雨によるダム貯水量の低下により、前年の2倍以上のシステム平均停電時間指数および頻度指数（SAIDIおよびSAIFI）を経験した。
発電所および送電線の停止
計画されたまたは計画外の停止は、系統で利用可能な総電力を削減し、供給を損ない、価格を上昇させる。電力会社と系統運用者は、停止スケジュールを短期予測に組み込む必要がある。
経済状況
経済低迷時には、工場は消費者需要の低下に対応して生産を削減し、電力消費量を減らす。この需要削減は卸売価格を低下させる可能性がある一方、経済成長は通常、需要と価格を増加させる。
機械学習アプローチ
現代のEPFは、人工知能および深層学習モデル、特にニューラルネットワークやアンサンブル法にますます依存している。これらのモデルは、天候、負荷、再生可能エネルギー出力などの価格要因間の非線形関係を捉える。残差ネットワークやトランスフォーマーアーキテクチャなどの技術が価格予測タスクに適用され、過去の価格と気象入力の大規模データセットを活用している。トレーニングでは、収束を改善するためにAdamオプティマイザーの変種や学習率スケジュールがしばしば使用される。損失関数とデータ拡張戦略の選択は、予測性能に大きく影響する可能性がある。
研究では、ARIMAなどの古典的な統計モデルと機械学習アプローチが比較されてきた。単一の方法が優位に立つわけではないが、基本的な要因と統計的または学習ベースのコンポーネントを組み合わせたハイブリッドモデルは、良好に機能する傾向がある。送電系統運用機関（TSO）が公表する再生可能エネルギー発電予測の精度は、単純な予測モデルで向上させることができ、これにより価格予測も改善される。
市場応用
電力ポートフォリオマネージャーは、数時間から数ヶ月先の価格予測を使用して、入札戦略や生産・消費スケジュールを調整する。正確な翌日予測により、電力会社は競争市場でリスクを軽減し、利益を最大化できる。断続的な再生可能エネルギーのシェア拡大は予測の不確実性を増大させ、堅牢なモデルの価値を高めている。価格予測は、リスク管理、資産評価、発電および系統インフラへの長期投資計画も支援する。