A Budapesti Műszaki és Gazdaságtudományi Egyetem (BME) Természettudományi Karán (TTK) hosszabb ideje vizsgáljuk az európai országok villamosenergia-piacainak működésére hatást gyakorló tényezőket, legújabb kutatásunkban az európai másnapi (day-ahead) villamosenergia-árak mesterséges intelligencia alapú modellezése és elemzése tárgyában az ún. magyarázható mesterséges intelligencia (explainable AI) algoritmusok alkalmazásának lehetőségét vizsgáltuk. A Nukleáris Technikai Intézet (NTI) és a Matematika Intézet Human & Social Data Science labor (HSDS) kooperációjában működő kutatócsoportunk fontos közös tanulmánya a napokban jelent meg a nemzetközi szinten magasan elismert „Energy Conversion and Management: X” nevű folyóiratban (IF: 7.6, D1 besorolás) „Industry-adaptable explainable AI based methodology for forecasting electricity prices” címmel.
A magyarázható mesterséges intelligencián alapuló modellek használata felértékelődött az elmúlt időben, mert a segítségükkel a piaci szereplők hatékonyabb stratégiákat dolgozhatnak ki előrejelzéseik számára azáltal, hogy az adatok feldolgozása során az algoritmus segítségével értelmezést adhatnak az adatok hatalmas tömegében rejlő mintázatok felismeréséhez, amire alapozva az előrejelzések mögötti piaci folyamatok értelmezhetőbbé, így maguk az árelőrejelzések végül pontosabbá válhatnak. A kutatás keretében nyilvánosan hozzáférhető adatokon és algoritmusokon alapuló mesterséges intelligencia modelleket fejlesztettünk ki 19 európai ország másnapi villamosenergia-árainak előrejelzésére. A magyarázható mesterséges intelligencia algoritmus által szolgáltatott ún. SHAP-értékek segítségével elemeztük a modellek különböző bemeneti adatainak hatását, az egyes paraméterek fontosságát (súlyát) az előrejelzésben.
Ezen felül a cikkben egy újszerű keretrendszert is bemutatunk az árampiacok kategorizálására, amely a globális SHAP-profilok alapján alkalmaz klaszterezést, megmutatva az egyes országok piacai közötti hasonlóságokat, illetve különbözőségeket. Az országokat SHAP attribútumvektorok alapján csoportosítva azonosítottuk azokat a piacokat, amelyek alapvetően hasonló árképzési mechanizmusokkal és strukturális érzékenységekkel rendelkeznek, feltárva ezzel a piaci dinamikában rejlő rendszerbeli hasonlóságokat. A publikáció további újdonsága, hogy az első olyan mesterséges intelligencia modellt mutatja be, amelyet SHAP-értékek felhasználásával fejlesztettek ki az európai másnapi villamosenergia-árak – piaci körülmények között is alkalmazható, akár kereskedelmi célú – előrejelzésére. A modell futtatásához ugyanis kizárólag a piaci feltételek mellett ténylegesen rendelkezésre álló adatok szükségesek, figyelembe véve, hogy éles piaci körülmények között az egyes adatok ténylegesen mikor válnak elérhetővé, így a modell a másnapi villamosenergia-piac működéséhez igazodik, ezáltal az könnyen beilleszthető a piaci szereplők üzleti működésébe, a piaciár-előrejelzést végző üzleti számítógépes eszközökbe.
Az áramárak előrejelzéséhez öt adatkategóriát használtunk az ENTSO-E ingyenesen elérhető adatbázisából: az egyes energiahordozók termelésének historikus adatai, historikus másnapi ár, historikus határkeresztező áramlás, a villamosenergia-fogyasztás előrejelzése, valamint a szélenergia- és napenergia-termelés előrejelzése. Az előrejelzési problémát többcélú regressziós feladatként kezeltük, és a múltbeli adatok alapján egyszerre jósoltuk meg a következő nap mind a 24 órás árait. Az árampiac egyedi időbeli szerkezetére tekintettel speciális adatokat építettünk be az előrejelzési modellünkbe. A termelés és a határkeresztező áramlások jellemzői esetében a 7, 3 és 2 nappal korábbi órás értékeket és a predikció napján érvényes (tehát a „másnap”-hoz képest 1 nappal korábbi nap) 00:00 és 07:00 közötti órás adatokat vettük figyelembe, így jellemzőnként 79 bemeneti értéket használ fel a modellünk. A historikus villamosenergia-árak esetében a 7, 3, 2 és 1 nappal korábbi órás értékeket használtuk fel, ebben az esetben tehát összesen 96 jellemzőt. A felhasznált adatok fent leírt időhorizontját az 1. ábra foglalja össze grafikusan.
A másnapi villamosenergia-piacon kereskedő erőművek működési korlátaihoz való jobb igazodás érdekében zártuk ki a predikció napján 7:00 óra utánra vonatkozó tényleges termelési adatokat. Az erőműveknek a következő napra vonatkozó termelési menetrendjüket mindig 12:00 óráig kell benyújtaniuk, így a bemeneti adatokat 7:00 óráig terjedő értékekre korlátoztuk, ezzel biztosítva, hogy az ipari alkalmazás során a felhasználóknak elegendő idejük legyen a modell adatokkal való feltöltésére, a modell futtatására, az eredmények értékelésére és a tájékozott üzleti döntések meghozatalára a másnapi menetrendek benyújtási határideje előtt. Ez az adatstruktúra a modellünket könnyen alkalmazhatóvá teszi ipari felhasználásra.

1. ábra: A bemeneti adatok és a célérték időhorizontjának bemutatása
A mesterséges intelligencia algoritmus alkalmazására alapozott árelőrejelzési módszertanunkat 19 európai ország adataira teszteltük, négy különböző mesterséges intelligencia modell segítségével. Az eredmények azt mutatják, hogy a faalapú modellek mind a 2015–2020, mind a 2020–2024 időszakra vonatkozóan következetesen felülmúlják a többi modellt a másnapi villamosenergia-árak előrejelzésének pontosságában. Ezen kívül eredményeink értékelése azt adta, hogy 2020 és 2024 között jelentősen megnőtt az árampiac komplexitása, ami a COVID-19-járványnak és az orosz-ukrán háború hatásainak tudható be. Ez a megnövekedett komplexitás megnehezítette a másnapi áramárak modellezését, ezért célszerű szélesebb körű jellemzők beépítése a másnapi villamosenergia-ár modellekbe. A SHAP-értékek klaszterezése alapján megállapítottuk, hogy 2020-ban a SHAP-profilok még egyértelműbb magyarázó mintákat mutattak, azonban 2024-re a legtöbb ország egy nagy klaszterbe került, ami arra utal, hogy a legfontosabb magyarázó tényezők összetettebbé, ugyanakkor az egyes országok vonatkozásában homogénebbé váltak az európai árampiacon. Ez a konvergencia összhangban áll az időjárásfüggő megújuló energiaforrások kiépítésének az elmúlt években tapasztalt felgyorsulásával, ami csökkentette az európai országok villamosenergia-piacai közötti különbségeket.
A lent szereplő, a cikkből idézett 2. ábra a fő eredményeket foglalja össze. Az egyes paraméterek fontossága az ábra jobb oldali színskálája szerint került ábrázolásra a vizsgált 19 országra. A SHAP-modellünk egy (365, 79, 24) méretű több dimenziós vektort hoz létre minden bemeneti adat esetén. Itt az első dimenzió (365) az év egyes tesztnapjait jelenti, a második (79) a jellemző órás bontású értékeit, a harmadik (24) pedig a nap adott óráját, amelyre szeretnénk a másnapi villamos energia árat előre jelezni. Az egyik célunk az volt a kutatásban, hogy összehasonlítsuk a különböző jellemzők fontosságát, hogy meghatározzuk, melyek befolyásolják leginkább a másnapi villamosenergia-árakat, ami nehezen lenne megvalósítható, ha minden jellemző minden órás értékének SHAP hozzájárulását megjelenítenénk a 2. ábrán, ugyanis így az ábra y tengelye több ezer sorból állna. Ezen probléma megoldására a Pesenti és O’Sullivan[1] által kidolgozott, SSHAP néven ismert összesítési módszert alkalmaztuk. Ez a megközelítés kihasználja a SHAP-értékek additív tulajdonságát, lehetővé téve az eltérő időbeli adatok hozzájárulásoknak összeadását egy egységes mérőszámmá minden jellemző esetében. Az adott két évre a vizsgált árbefolyásoló paraméterek a táblázat bal oldali függőleges tengelye mentén vannak feltüntetve, fentről lefelé haladva csökkenő fontossági sorrendben. Jól látszik az ábrából, hogy a 2024. évben a legtöbb országban a historikus másnapi áramár rendelkezett a legmagasabb fontossági paraméterrel, ezt követték a határmetszéki áramok, a szárazföldi szélerőművi termelés és annak előrejelzése, valamint a földgáz tüzelésű erőművek termelésének értéke. Ehhez képest a korábbi, 2020-as évben historikus másnapi piaci áramár, a villamosenergia-igény előrejelzett értéke, a határmetszéki áramok, a szárazföldi szélerőművi termelés értéke, valamint a konkrét napszak figyelembevételét (a hét melyik napján vagyunk, melyik hónapban, a hónap melyik napja és az év hányadik napján) megvalósító idővel kapcsolatos jellemzők vektora bizonyult a legnagyobb hatásúnak a másnapi áramárak előrejelzésére.

2. ábra: A modellezett országokban 2020-ban és 2024-ben a különböző bementi paraméterek fontosságának bemutatása
A teljes cikk ingyenes és szabadon elérhető a következő linken: https://doi.org/10.1016/j.ecmx.2026.101583
A kutatást végző csoport tagjai Biró Bence (NTI), Kiss Csaba (HSDSLab), Dr. Molontay Roland (HSDSLab) és Prof. Dr. Aszódi Attila (NTI).
A jelen írás először a Portfolio.hu gazdasági portálon jelent meg.
[1] Pesenti A, O’Sullivan A. Explaining deep neural network models for electricity price forecasting with XAI. Energy and AI 2025;21:100532. https://doi.org/10.1016/J.EGYAI.2025.100532.





Nagyfeszöltségű villamosenergia-hálózat az Ibériai-félszigeten, forrás: ENTSO-E






2. ábra: A KP-FHR elvi hősémája [1]
3. ábra: A KP-FHR reaktortartálya [1]






