[논문 리뷰] Optimal pricing for electricity retailers based on data-driven consumers' price-response

Román Pérez-Santalla, Miguel Carrión외 1명|arXiv (Cornell University)|2021. 10. 04.

Smart Grid Energy Management참고 문헌 22인용 수 4

한 줄 요약

이 논문은 스마트 미터 데이터를 기반으로 전기 소매업체가 최적의 시간별 요금(ToU) 수준을 설정하기 위해 데이터 기반의 위험 회피적 확률적 최적화 모델을 제안한다. 소비자의 가격 반응 탄력성을 선형 회귀를 통해 모델링하고, 조건부가치위험(CVaR)을 활용한 두 단계 확률적 프로그램에 통합하여 위험 관리를 수행한다. 또한 풋풀 가격과 재생 에너지 수익의 변동성에도 불구하고 소비자 가격 탄력성이 높을 경우 경쟁력 있는 가격 책정과 더 높은 수익을 달성할 수 있음을 입증한다.

ABSTRACT

In the present work we tackle the problem of finding the optimal price tariff to be set by a risk-averse electric retailer participating in the pool and whose customers are price-sensitive. We assume that the retailer has access to a sufficiently large smart-meter dataset from which it can statistically characterize the relationship between the tariff price and the demand load of its clients. Three different models are analyzed to predict the aggregated load as a function of the electricity prices and other parameters, as humidity or temperature. More specifically, we train linear regression (predictive) models to forecast the resulting demand load as a function of the retail price. Then we will insert this model in a quadratic optimization problem which evaluates the optimal price to be offered. This optimization problem accounts for different sources of uncertainty including consumer's response, pool prices and renewable source availability, and relies on a stochastic and risk-averse formulation. In particular, one important contribution of this work is to base the scenario generation and reduction procedure on the statistical properties of the resulting predictive model. This allows us to properly quantify (data-driven) not only the expected value but the level of uncertainty associated with the main problem parameters. Moreover, we consider both standard forward based contracts and the recently introduced power purchase agreement contracts as risk-hedging tools for the retailer. The results are promising as profits are found for the retailer with highly competitive prices and some possible improvements are shown if richer datasets could be available in the future. A realistic case study and multiple sensitivity analyses have been performed to characterize the risk-aversion behavior of the retailer considering price-sensitive consumers.

연구 동기 및 목표

• 변동성이 큰 풋풀 가격과 불확실한 재생 에너지 수익에 직면한 위험 회피적 소매업체가 최적의 전기 요금을 설정하는 데 도전하는 문제를 해결하기 위해.
• 2013년 영국의 1,000가구에서 수집한 실제 스마트 미터 데이터를 활용해 소비자 수요가 전기 요금에 어떻게 반응하는지를 모델링하기 위해.
• 앞서 계약과 전력 구매 협약(PPA)을 위험 헤징 수단으로 통합한 확률적 최적화 프레임워크를 개발하기 위해.
• 소비자 가격 탄력성과 소매업체의 위험 회피 성향이 최적의 가격 책정 및 조달 전략에 미치는 영향을 정량화하기 위해.
• 영국 전기 시장에 대한 사례 연구를 통해 현실적인 시장 조건 하에서 모델의 성능을 평가하기 위해.

제안 방법

• 반시간 단위 스마트 미터 데이터(가격, 온도, 습도 포함)를 기반으로 선형 회귀 모델을 학습하여 소비자 가격 및 환경 변수에 따라 집합적 가정 수요를 예측한다.
• 예측 모델의 통계적 성질을 활용해 풋풀 가격, 재생 에너지 가용성, 소비자 반응에 대한 확률적 시나리오를 생성하고 감소시킨다.
• 조건부가치위험(CVaR)을 사용한 위험 회피 목표를 갖춘 두 단계 확률적 정수형 최적화 문제를 수립하여 최악의 손실을 최소화한다.
• 일일 시장, 선도 계약, 출력이 불확실한 PPA 계약을 포함한 다양한 조달 원천을 통합한다.
• 수요 예측 제약 조건과 위험 제약 조건을 만족시키며, 소매 ToU 요금과 조달 전략을 동시에 최적화한다.
• 2013년 영국 전기 시장 데이터를 기반으로 한 현실적인 사례 연구를 통해 모델을 校정하고, 위험 회피 수준과 가격 탄력성에 대한 민감도 분석을 수행한다.

실험 결과

연구 질문

• RQ1 소비자 가격 탄력성은 최적의 ToU 요금과 소매업체 수익성에 어떻게 영향을 미치는가?
• RQ2 변동성이 큰 풋풀 가격과 불확실한 재생 에너지 수익에 대비해 선도 계약과 PPA는 재무적 위험을 얼마나 효과적으로 헤징할 수 있는가?
• RQ3 위험 회피 성향은 소매업체의 조달 및 가격 책정 결정에 어떻게 영향을 미치는가?
• RQ4 실제 소비자 반응에 대한 데이터 기반 예측 모델을 확률적 최적화 프레임워크에 효과적으로 통합할 수 있는가?
• RQ5 역사적 데이터에서 가격 변동 범위가 제한적인 경우 최적화 모델의 타당성에 어떤 영향을 미치며, 이를 어떻게 완화할 수 있는가?

주요 결과

• 제약 조건이 없는 문제에서는 기대 수익이 530.34 GBP (χ=0)와 514.01 GBP (χ=1)로 크게 증가한 반면, 제약 조건이 있는 경우는 각각 137.64 GBP와 132.54 GBP로, 더 높은 가격 탄력성이 수익성 향상에 기여함을 입증한다.
• 높은 위험 회피 성향에도 불구하고 최적의 판매 가격은 소비자 가격 탄력성에 매우 민감하며, 위험 회피 수준의 변화가 최종 설정 가격에 유의미한 영향을 주지 않는다.
• 특히 피크 시간대에 높은 풋풀 가격에 대비해, 위험 회피 성향이 높을수록 PPA 계약에 최대 4.92 p/kWh의 프리미엄을 지불할 의사가 있음을 보여주며, 이는 위험 헤징 수단으로서의 기능을 확인한다.
• 위험 회피 성향이 높을수록 선도 계약을 더 적극적으로 활용하며, 최대 4.70 p/kWh의 가격 조건에서도 이를 활용함으로써 변동성이 큰 풋풀 시장에 대한 노출을 줄이는 데 기여한다.
• 소비자 가격 탄력성이 높을 경우, 명시적 가격 제약 조건 없이도 경쟁력 있는 가격(예: 약 25 p/kWh)을 책정할 수 있으며, 이는 수익성 향상에 기여한다.
• 모델 내에서 가격 탄력성을 인위적으로 증가시켜(βshift = 52) 제약 조건이 없는 경우와 유사한 수익을 달성함으로써, 더 풍부한 데이터 세트가 모델의 타당성을 향상시킬 수 있음을 시사한다.