[논문 리뷰] Causal Tree Estimation of Heterogeneous Household Response to Time-Of-Use Electricity Pricing Schemes

Eoghan O’Neill, Melvyn Weeks|arXiv (Cornell University)|2018. 10. 22.

Smart Grid Energy ManagementEngineering인용 수 17

한 줄 요약

이 논문은 인과적 숲 기계학습을 사용하여 시간별 요금제(ToU) 전기 요금에 대한 가구의 이질적 반응을 추정하며, 과거 전기 사용 패턴—특히 평일 사용 수준과 변동성—이 설문지 변수보다 수요 반응을 더 잘 예측한다는 것을 밝혀냈다. 젊고 더 교육을 받은, 더 많은 전기를 사용하는 가구일수록 더 높은 반응을 보이며, 사용 데이터는 인구통계 정보보다 수요 반응을 예측하는 데 더 뛰어나다.

ABSTRACT

We examine the household-specific effects of the introduction of Time-of-Use (TOU) electricity pricing schemes. Using a causal forest (Athey and Imbens, 2016; Wager and Athey, 2018; Athey et al., 2019), we consider the association between past consumption and survey variables, and the effect of TOU pricing on household electricity demand. We describe the heterogeneity in household variables across quartiles of estimated demand response and utilise variable importance measures. Household-specific estimates produced by a causal forest exhibit reasonable associations with covariates. For example, households that are younger, more educated, and that consume more electricity, are predicted to respond more to a new pricing scheme. In addition, variable importance measures suggest that some aspects of past consumption information may be more useful than survey information in producing these estimates.

연구 동기 및 목표

• 기계학습을 사용하여 가구 수요에 대한 시간별 요금제(ToU) 전기 요금의 이질적 처리 효과를 추정한다.
• 설문지 변수인지 소비 기반 변수인지에 따라 수요 반응을 가장 잘 예측하는 가구 특성은 무엇인지 규명한다.
• 개별 수요 반응을 예측하는 데 있어 설문지 자료와 이전 전기 사용 데이터의 상대적 중요도를 평가한다.
• 나무 기반 모델에서의 변수 선택 편향을 보정하기 위해 순열 기반 변수 중요도 테스트를 사용한다.
• 정책 입안자들이 ToU 요금에 가장 잘 반응할 가구를 파악하고, 이를 바탕으로 맞춤형 에너지 정책 설계에 기여한다.

제안 방법

• 잠재 결과 프레임워크를 사용하여 개인 수준의 처리 효과를 추정하기 위해 인과적 숲(인과 트리의 랜덤 포레스트)을 적용한다.
• 조건부 평균 처리 효과(CATE) 추정을 통해 공변량에 의해 정의된 가구 하위집단 간의 이질적 반응을 모델링한다.
• 나무들 간의 분할 빈도 기반 변수 중요도 측정을 적용하고, 깊이 가중 평균을 사용하여 예측 변수를 순위 매긴다.
• 연속 변수의 분할 포인트 수가 많아지면 발생할 수 있는 편향을 보정하기 위해 순열 기반 테스트를 구현한다.
• 설문지 자료, 사용 데이터, 병합된 자료만을 사용하여 별도의 인과적 숲을 피팅하여 예측 성능을 비교한다.
• 연속 사용 변수의 분할 기반 이산화를 사용하여 변수 중요도 결과의 탄력성을 시험한다.

실험 결과

연구 질문

• RQ1 시간별 요금제 전기 요금에 대한 반응을 가장 잘 예측하는 가구 특성은 무엇인가?
• RQ2 수요 반응을 추정하는 데 있어 전기 사용 데이터의 예측 능력이 설문 기반 인구통계 변수보다 어떻게 다를까?
• RQ3 반응의 이질성은 과거 소비 행동보다 사회경제적 요인에 의해 얼마나 영향을 받는가?
• RQ4 인과적 숲의 변수 중요도 측정에서 연속 사용 변수에 대한 편향이 존재하는가? 만약 그렇다면 이를 어떻게 보정할 수 있는가?
• RQ5 인과적 숲 모델은 ToU 요금에 대해 현저히 다른 반응을 보이는 가구 하위군을 식별할 수 있는가?

주요 결과

• 젊고 더 교육을 받고, 더 많은 전기를 사용하는 가구일수록 ToU 요금에 대해 유의미하게 더 큰 수요 반응을 보인다.
• 변수 중요도 측정에서 과거 전기 사용—특히 평일 사용 수준과 분산—이 가장 높게 평가되어, 반응을 예측하는 데 가장 유용한 예측 변수임을 시사한다.
• 순열 기반 테스트는 연속 변수에 대한 선택 편향을 보정한 후에도 사용 변수가 설문 변수보다 더 중요하다는 것을 확인한다.
• 사용 데이터만을 사용하여 피팅한 인과적 숲이 사용 및 설문 데이터를 모두 사용한 경우와 유사한 추정치를 도출함으로써, 사용 데이터가 대부분의 관련 이질성을 반영하고 있음을 시사한다.
• 개별 처리 효과의 분포는 이중성의 가능성을 보이며, 높은 반응을 보이는 가구와 반응이 없는 가구로 나뉘는 두 개의 명확한 군집이 존재할 수 있음을 시사한다.
• 설문지 변수 중에서 노트북 수, 냉장고 수, 고용 상태 등이 가장 중요한 인구통계 예측 변수로 나타났으며, 이는 소득과 에너지 사용과의 상관관계 때문일 것이다.