Causal Regime Detection in Energy Markets With Augmented Time Series Structural Causal Models
利用增强时间序列结构因果模型检测能源市场机制变化AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要研究多变量时间数据中的时变关系，并明确关注能源市场连续发生的机制变化。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
关注这篇论文的作者
利用增强时间序列结构因果模型检测能源市场机制变化
- 研究问题
- 如何刻画天气、发电结构、需求与电价之间随时间变化的因果关系，并对不同可再生能源发电情景开展反事实分析？
- 方法与思路
- 作者提出增强时间序列因果模型，纳入可解释因素、电网动态与市场变量，并通过神经因果发现学习时变因果图。
- 材料陈述的贡献
- 摘要称，该框架将反事实推理扩展到多变量时间数据，并在真实电价数据上展示改变可再生能源发电情景的反事实查询。
- 阅读关注点
- 应核对因果图学习的识别假设、潜在混杂与反馈处理、连续机制变化的定义，以及反事实查询的验证依据和不确定性。
- 阅读边界
- 所据为 arXiv 预印本，不能据此认定已同行评审或获期刊接收；无需真实 DAG 不等于无需识别条件，摘要未提供验证细节。
原文摘要
Energy markets exhibit complex causal relationships between weather patterns, generation technologies, and price formation, with regime changes occurring continuously rather than at discrete break points. Current approaches model electricity prices without explicit causal interpretation or counterfactual reasoning capabilities. We introduce Augmented Time Series Causal Models (ATSCM) for energy markets, extending counterfactual reasoning frameworks to multivariate temporal data with learned causal structure. Our approach models energy systems through interpretable factors (weather, generation mix, demand patterns), rich grid dynamics, and observable market variables. We integrate neural causal discovery to learn time-varying causal graphs without requiring ground truth DAGs. Applied to real-world electricity price data, ATSCM enables novel counterfactual queries such as "What would prices be under different renewable generation scenarios?".