Исследователи представили подход к интерпретации глубоких нейронных сетей, используемых для прогнозирования цен на электроэнергию в Европе. Несмотря на высокую точность нейросетевых моделей в предсказании рыночных колебаний, их «черный ящик» затрудняет понимание факторов, влияющих на ценообразование. Авторы работы применили методы объяснимого искусственного интеллекта (XAI) для декомпозиции сложных нелинейных зависимостей, характерных для энергетических систем.
В ходе исследования были проанализированы многомерные взаимодействия между различными региональными рынками, где рост взаимозависимости усложняет традиционные методы анализа. Использование XAI позволило выявить ключевые драйверы, определяющие динамику цен, и оценить вклад каждого параметра в итоговый прогноз. Это дает возможность не только повысить доверие к автоматизированным системам прогнозирования, но и глубже понять структуру энергетических рынков в условиях высокой волатильности.
Результаты работы демонстрируют, как методы интерпретируемого машинного обучения помогают перевести сложные предсказательные модели в плоскость прикладной аналитики. Такой подход позволяет операторам рынков и регуляторам точнее оценивать риски и принимать обоснованные решения, опираясь на прозрачные данные о причинно-следственных связях в энергосистеме.