[論文レビュー] Simulating Tariff Impact in Electrical Energy Consumption Profiles with Conditional Variational Autoencoders

Margaux Brégère, Ricardo J. Bessa|arXiv (Cornell University)|Jun 10, 2020

Smart Grid Energy Management参考文献 51被引用数 19

ひとこと要約

本稿では、天候および暦変数を組み込んだ、異なる料金体系下での家庭の電力消費プロファイルをシミュレートするための条件付き変分オートエンコーダ（CVAE）ベースの手法を提案する。半パラメトリックモデルとは異なり、料金変更の前後で消費がシフトする非線形な反動効果や副作用を捉えることができ、価格応答性が異なる消費者クラスタを対象に、現実的な事前評価が可能な需要応答政策の検証を可能にする。

ABSTRACT

The implementation of efficient demand response (DR) programs for household electricity consumption would benefit from data-driven methods capable of simulating the impact of different tariffs schemes. This paper proposes a novel method based on conditional variational autoencoders (CVAE) to generate, from an electricity tariff profile combined with exogenous weather and calendar variables, daily consumption profiles of consumers segmented in different clusters. First, a large set of consumers is gathered into clusters according to their consumption behavior and price-responsiveness. The clustering method is based on a causality model that measures the effect of a specific tariff on the consumption level. Then, daily electrical energy consumption profiles are generated for each cluster with CVAE. This non-parametric approach is compared to a semi-parametric data generator based on generalized additive models and that uses prior knowledge of energy consumption. Experiments in a publicly available data set show that, the proposed method presents comparable performance to the semi-parametric one when it comes to generating the average value of the original data. The main contribution from this new method is the capacity to reproduce rebound and side effects in the generated consumption profiles. Indeed, the application of a special electricity tariff over a time window may also affect consumption outside this time window. Another contribution is that the clustering approach segments consumers according to their daily consumption profile and elasticity to tariff changes. These two results combined are very relevant for an ex-ante testing of future DR policies by system operators, retailers and energy regulators.

研究の動機と目的

• さまざまな料金体系下での家庭の電力消費プロファイルをシミュレートするデータ駆動型で非パラメトリックな手法の開発。
• 料金、天候、暦変数を条件として消費データを生成することで、需要応答（DR）政策の事前評価を可能にする。
• 因果関係モデルを用いて、料金への応答性に基づいて消費者をクラスタリングし、個別化されたDRシグナル設計を可能にする。
• 半パラメトリックモデルが時間的スプライシング効果（反動や副作用）を捉えられないという限界を克服する。
• エネルギー規制当局、小売業者、システム運用者らが将来的なDRプログラムをテストできる再現可能でオープンソースのシミュレーションフレームワークを提供する。

提案手法

• 因果関係モデルを用いて、消費パターンおよび料金変更への応答性に基づき、消費者世帯をk個のグループ（C₁,…,Cₖ）にクラスタリングする。
• 条件付き変分オートエンコーダ（CVAE）を、入力変数x（料金p、天候、暦タイプw）を条件として、半時限ごとの消費プロファイルYを生成するように訓練する。潜在空間Zの次元はd。
• CVAEのデコーダは、潜在変数Zと条件付き入力（p, w, κ）を用いてYの確率分布へマッピングし、複雑で非線形な依存関係をモデル化する。
• 英国パワーネットワークスの公開データセットを用い、観測された消費の対数尤度の下界を最大化するための変分推論目的関数でモデルを訓練する。
• CVAEベースのジェネレータは、一般化加法モデル（GAMs）に基づく半パラメトリックモデルと比較される。GAMsはエネルギー消費行動に関する事前知識を活用する。
• 本手法は、訓練データに含まれない料金体系に対しても、条件付きで消費プロファイルを生成可能であるが、入力が訓練分布外にある場合には一般化能力が限定的である。

実験結果

リサーチクエスチョン

• RQ1 CVAEベースのジェネレータは、訓練中に明示的に観測されなかった料金体系下でも、家庭の電力消費プロファイルを正確にシミュレートできるか？
• RQ2 半パラメトリックモデルと比較して、CVAEモデルは、料金変更の前後で消費がシフトする反動効果や副作用をどの程度的確に捉えているか？
• RQ3 料金への応答性に基づく消費者のクラスタリングは、生成された消費プロファイルの現実性および多様性をどの程度向上させるか？
• RQ4 非パラメトリックなCVAEアプローチは、元のデータの平均消費値を再現する点で、半パラメトリックモデルを上回るか、同等の性能を示すか？
• RQ5 価格価格弾力性や行動様式が異なる異なる消費者クラスタにおいて、モデルの性能はどのように変動するか？

主な発見

• CVAEベースのジェネレータは、元のデータの平均消費値を再現する点で、半パラメトリックベンチマークと同等の性能を示す。
• CVAEモデルは反動効果（例：夕方の高料金が適用される場合に午後の消費が増加する現象）および副作用（料金ウィンドウの前後で消費が継続的に変化する現象）を効果的に捉えている。
• 半パラメトリックモデルとは異なり、料金変更の正確な半時限にのみ影響を与えるのではなく、CVAEモデルは時間的スプライシング効果を検出し、実際の消費者行動を反映した時間的拡散効果を再現している。
• クラスタリング手法により、料金への応答性に基づいた消費者の有効なセグメンテーションが実現され、各クラスタで反動および副作用の大きさに顕著な差が観察された。
• CVAEジェネレータは、珍しいまたは未観測の料金入力（例：1日中が高料金の状態）が与えられた場合、直感に反するプロファイルを生成する傾向にあり、訓練分布外での一般化能力が限定的であることを示している。
• 半パラメトリックモデルは、1日中が高料金の状況で不自然に低い消費を生成しており、エネルギー使用の物理的・行動的制約を正しくモデル化できていないことが示唆される。