[論文レビュー] Residential Demand Response Targeting Using Machine Learning with Observational Data

Datong P. Zhou, Maximilian Balandat+1 more|arXiv (Cornell University)|Jul 3, 2016

Smart Grid Energy Management参考文献 12被引用数 6

ひとこと要約

本論文は、需要応答（DR）イベント中にエネルギー消費を削減する可能性が最も高い住宅顧客を同定するため、観測されたスマートメーター記録データを用いた機械学習フレームワークを提案する。短期的負荷予測と非パラメトリック仮説検定、および負荷形状のクラスタリングを組み合わせることで、消費の変動が大きい世帯が、実験的でない手法で推定されるDR削減量が顕著に大きいことが判明した。これは、インcentiveに応じてより反応的である可能性を示唆している。

ABSTRACT

The large scale deployment of Advanced Metering Infrastructure among residential energy customers has served as a boon for energy systems research relying on granular consumption data. Residential Demand Response aims to utilize the flexibility of consumers to reduce their energy usage during times when the grid is strained. Suitable incentive mechanisms to encourage customers to deviate from their usual behavior have to be implemented to correctly control the bids into the wholesale electricity market as a Demand Response provider. In this paper, we present a framework for short term load forecasting on an individual user level, and relate nonexperimental estimates of Demand Response efficacy, i.e. the estimated reduction of consumption during Demand Response events, to the variability of user consumption. We apply our framework on a data set from a residential Demand Response program in the Western United States. Our results suggest that users with more variable consumption patterns are more likely to reduce their consumption compared to users with a more regular consumption behavior.

研究の動機と目的

• ピーク時のイベントにおけるエネルギー削減の可能性が著しく高い住宅顧客を同定することで、需要応答の入札効率を向上させること。
• 制御実験を避けるために、観測データを用いてDRイベント中の非実験的消費削減を推定すること。
• 機械学習と統計的手法を用いて、家庭の負荷変動とDRプログラムにおける反応性を関連付けること。
• 過去の消費データのみを用いて、スケーラブルでデータ駆動型のターゲティングフレームワークをDR提供者向けに開発すること。

提案手法

• 個々の住宅消費データに対する短期負荷予測（STLF）に、KNN、SVR、Lasso、Ridge、決定木の複数の機械学習モデルを用いる。
• DR期間と非DR期間における消費シフトの非実験的推定値に対して、ウィルコクソン符号順位検定を適用し、有意な削減を検出する。
• 負荷形状のクラスタリングにk-meansを用いて、世帯間での明確な消費パターンを同定する。
• k-meansクラスタリング（k=20）からのエントロピーと、負荷プロファイルの標準偏差を用いた2つのエントロピーに基づく指標を定義し、消費変動を定量化する。
• DR期間と非DR期間における予測消費量を用いて、平均パーセンテージ削減（MPR）と処置効果推定値を計算する。
• 合成データと米国西部のDRプログラムの実世界の住宅消費データを用いて、モデルの性能を検証する。

実験結果

リサーチクエスチョン

• RQ1 機械学習モデルは、個々の世帯のエネルギー消費を正確に予測し、DRへの反応性を推定できるか？
• RQ2 観測データを用いて、非実験的削減がDRイベント中に測定可能か？
• RQ3 家庭の負荷パターンの変動性が高いほど、DRイベント中のエネルギー削減の潜在的余地が大きいか？
• RQ4 異なる予測モデルは、DR削減の潜在的余地の推定にどのように影響するか？
• RQ5 消費変動のエントロピー指標は、DRへの反応性の予測に信頼性があるか？

主な発見

• k-meansクラスタリングからのエントロピーで測定される消費変動が大きい世帯は、DRイベント中の非実験的エネルギー削減推定値が顕著に大きいことが判明した。
• 全ユーザーにおける中央値の推定削減（MPR）は負であった。これは、DRイベント中に一貫した消費削減が見られたことを示し、予測手法に依存してMPRの中央値は-0.2%から-7%の範囲にあった。
• KNNおよびSVRモデルは、下方向へのバイアスを示す予測をしたため、位置シフト（Δ）の推定値が小さくなり、ウィルコクソン検定における帰無仮説の棄却数が減少し、観測された効果サイズが小さくなった。
• 線形モデル（OLS、L1、L2）は、非パラメトリックモデルよりも帰無仮説（削減なし）の棄却率が高かった。これは、DR削減の検出がより信頼性があることを示唆している。
• 決定木（DT）モデルは、一部のケースで正のMPR（消費増加）を示す逆説的な結果を示した。これは、予測値における外れ値の誤分類に起因する正規化アーチファクトの可能性がある。
• 消費変動とDRへの反応性の正の相関関係は、複数のエントロピー指標およびクラスタリング設定（k=6、12、20）において一貫して確認された。