[論文レビュー] A Bayesian Perspective on Residential Demand Response Using Smart Meter Data

Datong P. Zhou, Maximilian Balandat+1 more|arXiv (Cornell University)|Aug 12, 2016

Smart Grid Energy Management参考文献 12被引用数 8

ひとこと要約

本稿では、スマートメーターのデータから得られる潜在変数を用いたベイジアンフレームワークを提案し、住宅用電力ユーザーの短期的負荷予測を改善するとともに、個別化された需要応答（DR）削減を推定する。行動のタイプ（例：高消費・低消費状態、在宅の有無）を組み込むことで、スマートホームデバイスを備えたユーザーが高消費期間中に著しく高いDR削減を達成することが判明し、DR提供者がより効率的にターゲティングできることが示された。

ABSTRACT

The widespread deployment of Advanced Metering Infrastructure has made granular data of residential electricity consumption available on a large scale. Smart meters enable a two way communication between residential customers and utilities. One field of research that relies on such granular consumption data is Residential Demand Response, where individual users are incentivized to temporarily reduce their consumption during periods of high marginal cost of electricity. To quantify the economic potential of Residential Demand Response, it is important to estimate the reductions during Demand Response hours, taking into account the heterogeneity of electricity users. In this paper, we incorporate latent variables representing behavioral archetypes of electricity users into the process of short term load forecasting with Machine Learning methods, thereby differentiating between varying levels of energy consumption. The latent variables are constructed by fitting Conditional Mixture Models of Linear Regressions and Hidden Markov Models on smart meter readings of a Residential Demand Response program in the western United States. We observe a notable increase in the accuracy of short term load forecasts compared to the case without latent variables. We then estimate the reductions during Demand Response events conditional on the latent variables, and discover a higher DR reduction among users with automated smart home devices compared to those without.

研究の動機と目的

• 住宅用電力ユーザーの潜在的行動的タイプを組み込むことで、短期的負荷予測の精度を向上させること。
• 実験データが得られない状況下でも、個別化された処置効果（DR削減）を推定し、因果推論の根本的問題に対処すること。
• DR提供者が入札を最適化できるよう、DRイベント時に消費を削減する可能性が最も高いユーザーを特定すること。
• スマートメーターのデータから導出される潜在状態が、ユーザーのタイプごとの非一様なDR反応を予測できるかどうかを検討すること。
• 潜在変数が、DR削減推定における精度の向上とバイアスの低減に有効であるかどうかを検証すること。

提案手法

• 条件付きガウス混合モデル（CGMM）を用いて、スマートメーターのデータに基づく確率的ユーザー型を表す潜在変数を推定する。
• 二値の隠れ状態を持つ隠れマルコフモデル（HMM）を用いて、時間単位の消費パターンをモデル化し、在宅状態の指標として解釈する。
• CGMMおよびHMMの潜在状態を、短期的負荷予測のためのOLS回帰における追加の共変量として使用する。
• 非実験的推定器を用いて実際のDRデータに適用し、登録前のデータを訓練に、登録後のデータを反実仮想状態の推定に使用する。
• 実際のDRイベント中の消費量と、潜在状態に基づく予測された反実仮想消費量を比較することで、DR削減を推定する。
• バイアスの評価のために、半合成データを用い、潜在変数を用いたOLSが最もバイアスが小さい方法であると特定する。

実験結果

リサーチクエスチョン

• RQ1 スマートメーターのデータから得られる潜在的行動的タイプを組み込むことで、短期的負荷予測の精度はどの程度向上するか？
• RQ2 異なる潜在状態（例：高消費 vs. 低消費）およびユーザーのタイプに応じた需要応答削減の大きさは何か？
• RQ3 スマートホームデバイスを備えたユーザーは、自動化されていないユーザーに比べて著しく高いDR削減を示すか？また、どのような条件下でそうなるか？
• RQ4 HMMから導出される潜在状態は、在宅状態を効果的に表現でき、DRプログラムにおけるターゲティング効率を向上させることができるか？
• RQ5 潜在変数を用いた場合、OLS、ニューラルネットワーク、その他の機械学習推定器の中で、個別化されたDR削減を推定する際に最もバイアスが小さいのはどれか？

主な発見

• CGMMおよびHMMの潜在変数を組み込むことで、それらを含まないモデルに比べ、短期的負荷予測の精度が顕著に向上した。
• スマートホームデバイスを備えたユーザーは、高消費（高潜在状態）期間中に著しく高いDR削減が推定された。これは、インcentiveに高い反応を示すことを示唆している。
• 低消費（低潜在状態）期間では、自動化済み・未自動化ユーザーの両方で推定された削減量はほぼゼロであり、これによりさらなる削減が物理的または行動的限界に達している可能性があると示唆された。
• 半合成データの検証において、HMMから導出された潜在変数を用いたOLS推定器が最もバイアスが小さく、実世界への応用に最も適した方法であった。
• 本モデルは、高消費時、特に自動化デバイスを備えたユーザーをターゲットにすることで、DR削減の最大潜在能力が達成できることを明らかにした。
• HMMから推定された潜在状態は在宅状態と相関しており、DRイベントのタイミングやユーザーのターゲティングをより効率的に行うために利用可能である。