[論文レビュー] Clustering electricity consumers using high-dimensional regression mixture models

Émilie Devijver, Yannig Goude+1 more|arXiv (Cornell University)|Jul 1, 2015

Bayesian Methods and Mixture Models参考文献 5被引用数 8

ひとこと要約

本稿では、2日間の30分間隔スマートメーター計測データのみを用いて、高次元回帰混合モデルを用いたモデルベースのクラスタリング手法を提案する。各消費者の日次負荷を、前日負荷や気温などの外生変数を用いた回帰としてモデル化することで、物理的に解釈可能なクラスタを特定し、最小限のデータで高い精度の負荷プロファイリングとボトムアップ予測を可能にする。

ABSTRACT

Massive informations about individual (household, small and medium enterprise) consumption are now provided with new metering technologies and the smart grid. Two major exploitations of these data are load profiling and forecasting at different scales on the grid. Customer segmentation based on load classification is a natural approach for these purposes. We propose here a new methodology based on mixture of high-dimensional regression models. The novelty of our approach is that we focus on uncovering classes or clusters corresponding to different regression models. As a consequence, these classes could then be exploited for profiling as well as forecasting in each class or for bottom-up forecasts in a unified view. We consider a real dataset of Irish individual consumers of 4,225 meters, each with 48 half-hourly meter reads per day over 1 year: from 1st January 2010 up to 31st December 2010, to demonstrate the feasibility of our approach.

研究の動機と目的

• 高次元の時系列電力消費データを用いたスマートグリッドにおける顧客セグメンテーションの課題に取り組む。
• 生の消費形状ではなく、背後にある回帰構造に基づいて、異なる負荷パターンを同定するクラスタリング手法を開発する。
• 同じ回帰ダイナミクスを示す消費者をクラスタにグループ化することで、負荷プロファイリングとボトムアップ予測の両方を可能にする。
• 500戸のアイルランド住宅消費者の2日間の30分間隔データを用いて、実用性と精度の妥当性を示す。
• 短期間のデータから得られたクラスタが、異なる季節や週の曜日においても物理的解釈可能性と予測用途を保持していることを示す。

提案手法

• 有限混合回帰モデルを用いたモデルベースのクラスタリングを採用し、各成分が異なる消費者行動クラスを表す。
• 各消費者の日次負荷曲線は、$ Y_d = X_d\beta + \varepsilon_d $ として回帰モデルで表現され、$ X_d $ にはラグ付き負荷、気温、その他の外生変数が含まれる。
• 各混合成分内でlassoによる変数選択を実施し、関連する予測変数を同定し次元削減を行う。
• 最適なクラスタ数とモデルの複雑さを決定するため、ベイジアン情報基準（BIC）を用いたモデル選択を実施する。
• 4,225台のメーターを含むより大きなアイルランドデータセットから抽出した500戸の住宅消費者を対象とし、冬期および夏季の連続2日間のデータを用いて手法を適用する。
• 予測性能は、火曜日〜水曜日データで学習したモデルを用いた木曜日の予測において、RMSEをクラスタリング有無で比較することで評価する。

実験結果

リサーチクエスチョン

• RQ1 2日間の30分間隔データのみを用いて、高次元回帰モデルに基づくクラスタリングが、明確に区別可能な消費者負荷パターンを的確に同定できるか？
• RQ2 得られたクラスタは、平日・週末パターンや気温への感受性といった、物理的に解釈可能な負荷行動を示すか？
• RQ3 特定のクラスタを用いることで、特にボトムアップ予測フレームワークにおいて、グローバル線形モデルに比べて予測精度が向上するか？
• RQ4 予測対象日をずらしたデータ（例：水曜日から木曜日）に適用した場合、クラスタの構造は安定しているか？
• RQ5 冬期と夏季の間、平日と週末の間でクラスタ構造にどのような違いが生じるか？

主な発見

• 冬期の2日間のデータのみを用いても、2～5つの物理的に解釈可能なクラスタを的確に同定でき、明確な平日・週末パターンが識別された。
• クラスタリング結果から、平日同士（例：火曜日〜水曜日）の間の変化は、平日と週末の間の変化よりも類似しており、平日専用のモデルの使用が妥当であることが示された。
• 木曜日の消費予測において、モデルベースのクラスタリング手法は、グローバル線形モデルおよび非クラスタリング手法に比べ、中央値のRMSEと四分位範囲ともに小さい値を示した。
• シフトされたデータ（例：水曜日〜木曜日）に適用しても、同様のクラスタ構造を維持し、ロバストであることが確認された。
• 夏季では冬期とは異なり、週末に顕著な「消費なし」クラスタが出現し、外出など消費者行動の特徴が反映された。
• クラスタ中心の日平均消費パターンは、季節的および気温依存的な行動を明確に示しており、冬期データでは0°C前後で顕著な変曲点が観察された。