[논문 리뷰] Residential Demand Response Targeting Using Machine Learning with Observational Data

Datong P. Zhou, Maximilian Balandat외 1명|arXiv (Cornell University)|2016. 07. 03.

Smart Grid Energy Management참고 문헌 12인용 수 6

한 줄 요약

이 논문은 수요 반응(DR) 이벤트 동안 에너지 소비를 줄일 가능성이 높은 주거 고객을 특정하기 위해 관찰 데이터 기반의 스마트 미터 데이터를 활용하는 기계학습 프레임워크를 제안한다. 단기 부하 예측, 비모수적 가설 검정, 부하 형태 군집화를 융합함으로써, 소비 변동성이 높은 가정에서 DR 감소 효과의 비실험적 추정치가 유의미하게 더 크다는 것이 밝혀졌으며, 이는 보상에 더 민감한 고객임을 시사한다.

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.

연구 동기 및 목표

• 피크 이벤트 기간 동안 에너지 절감 잠재력이 높은 주거 고객을 식별함으로써 수요 반응 입찰 효율성을 향상시키기 위해.
• 통제 실험을 피하기 위해 관찰 데이터를 활용해 DR 이벤트 기간 동안 비실험적 소비 감소를 추정하기 위해.
• 기계학습 및 통계 방법을 통해 가정의 부하 변동성과 DR 프로그램에서의 반응성 간의 관계를 규명하기 위해.
• 과거 소비 데이터만을 사용하여 확장 가능하고 데이터 기반의 타겟팅 프레임워크를 DR 제공자에게 제공하기 위해.

제안 방법

• 개별 주거 소비 데이터를 대상으로 단기 부하 예측(STLF)을 위해 KNN, SVR, Lasso, Ridge, 결정 트리 등의 다수의 기계학습 모델을 사용한다.
• DR 및 비-DR 기간 간 소비 이동의 비실험적 추정치에 Wilcoxon 순서합 검정을 적용하여 유의미한 감소 여부를 탐지한다.
• 부하 형태에 대한 k-means 군집화를 수행하여 가정 간의 고유한 소비 패턴을 식별한다.
• 소비 변동성을 측정하기 위해 두 가지 엔트로피 기반 지표를 정의한다: 하나는 k=20로 설정한 k-means 군집화 기반 지표이며, 다른 하나는 부하 프로파일의 표준편차 기반 지표이다.
• DR 및 비-DR 기간 동안 예측된 소비량을 기반으로 평균 백분율 감소(MPR) 및 치료 효과 추정치를 계산한다.
• 합성 데이터와 미국 서부 지역의 실재 주거용 DR 프로그램에서 확보한 실세계 소비 데이터를 사용하여 모델 성능을 검증한다.

실험 결과

연구 질문

• RQ1 기계학습 모델이 개인 가정의 에너지 소비를 정확히 예측하여 DR 반응성을 추정할 수 있는가?
• RQ2 관찰 데이터를 활용해 비실험적 방법으로 DR 이벤트 기간 동안 소비 감소가 측정 가능한가?
• RQ3 가정의 부하 패턴에서의 높은 변동성이 DR 이벤트 기간 동안 더 큰 에너지 절감 잠재력과 관련이 있는가?
• RQ4 다양한 예측 모델이 DR 감소 잠재력 추정에 어떤 영향을 미치는가?
• RQ5 소비 변동성의 엔트로피 기반 측정치가 DR 반응성의 신뢰할 수 있는 예측 변수가 될 수 있는가?

주요 결과

• k-means 군집화 기반 엔트로피로 측정한 소비 변동성이 높은 가정에서 DR 이벤트 기간 동안 비실험적 소비 감소 추정치가 유의미하게 더 큰 것으로 나타났다.
• 모든 사용자에 대한 중앙값 추정 감소율(MPR)은 음수였으며, 이는 DR 기간 동안 일관된 소비 감소를 의미하며, 예측 모델에 따라 중앙값 MPR는 -0.2%에서 -7% 사이로 변동하였다.
• KNN 및 SVR 모델은 예측값이 과소 추정되어 소비 이동량(Δ)의 추정치가 작아지고 Wilcoxon 검정에서 귀무가설 기각 수가 줄어들어 관측된 효과 크기가 감소하였다.
• 선형 모델(O coef, L1, L2)은 비모수적 모델보다 귀무가설(감소 없음) 기각률이 높았으며, 이는 DR 감소를 더 신뢰할 수 있는 방식으로 탐지할 수 있음을 시사한다.
• 결정 트리(DT) 모델은 일부 경우에서 MPR가 양수(소비 증가)를 보이며 기대와 반대되는 결과를 보였는데, 이는 예측치에서 잘못 분류된 이상치로 인한 정규화 오류의 영향일 가능성이 있다.
• 소비 변동성과 DR 반응성 간의 정적 상관관계는 엔트로피 지표 다수와 군집 수(k=6, 12, 20) 설정에 관계없이 뚜렷하게 유지되었다.