[논문 리뷰] Targeting Customers for Demand Response Based on Big Data

Jungsuk Kwac, Ram Rajagopal|arXiv (Cornell University)|2014. 09. 14.

Smart Grid Energy Management참고 문헌 18인용 수 6

한 줄 요약

이 논문은 고해상도 스마트 미터 데이터를 사용하여 수요 반응 프로그램의 대상 고객을 타겟팅하기 위한 확장 가능한 확률적 정수계획법 접근법을 제안한다. 이는 응답 확률 예측을 고려한 확률적 배낭 문제로 선택 과정을 수립한다. 이 방법은 50,000명 이상의 고객이 포함된 캘리포니아의 두 기후 지역에서 목표 수요 반응 수준을 충족시키는 데 90% 이상의 신뢰도를 달성하며, 기존 방법보다 뚜렷이 뛰어나다.

ABSTRACT

Selecting customers for demand response programs is challenging and existing methodologies are hard to scale and poor in performance. The existing methods were limited by lack of temporal consumption information at the individual customer level. We propose a scalable methodology for demand response targeting utilizing novel data available from smart meters. The approach relies on formulating the problem as a stochastic integer program involving predicted customer responses. A novel approximation is developed algorithm so it can scale to problems involving millions of customers. The methodology is tested experimentally using real utility data.

연구 동기 및 목표

• 기존 수요 반응 프로그램의 낮은 운영 수율(10–30%) 문제를 해결하기 위해 고객 타겟팅을 개선한다.
• 소득, 가구 규모 등 저해상도 또는 소비 데이터가 아닌 데이터에 의존하는 전통적 모집 방법의 한계를 극복한다.
• 고해상도 스마트 미터 데이터를 활용해 개인 고객의 반응을 예측하고 최적화 선택을 수행하는 확장 가능한 데이터 기반 방법론을 개발한다.
• 프로그램 신뢰도 향상을 위해 보상(수요 반응 잠재력)과 위험(예측 불확실성)을 균형 잡는 고객 선택 기법을 개발한다.
• 수백만 명의 고객을 처리할 수 있으며 해답 품질을 보장하는 계산 효율성이 높은 알고리즘을 개발한다.

제안 방법

• 고객 타겟팅을 확률적 정수계획문제로 수식화하여, 각 고객의 수요 반응을 역사적 스마트 미터 데이터에서 유도한 평균과 분산을 갖는 랜덤 변수로 모델링한다.
• NP-난이도의 확률적 배낭 문제를 해결하기 위해 새로운 휴리스틱 알고리즘인 점진적 그리디 알고리즘을 사용하며, 목표가 기대 총 반응 이하일 경우 최적해의 최소 50% 이상의 해를 보장한다.
• 특히 열역학적 수요 반응에 대해 역사적 소비 패턴을 기반으로 한 확률적 응답 모델링을 수행하며, 고해상도 데이터에 대한 선형 회귀를 활용한다.
• 위험 인식 선택을 위해 T − μ / σ 비율을 최소화하는 방식을 적용한다. 여기서 T는 목표 반응, μ는 기대 반응, σ는 반응의 표준편차이다.
• 이중 단계 그리디 선택 기법을 적용한다. 첫 번째 단계는 초기 후보자 선정을 위해 μₖ / σₖ 비율에 기반하며, 두 번째 단계는 동적 목표 제약 조건 하에서 선택을 정밀 조정하여 열악한 선택을 피한다.
• 실제 익명화된 스마트 미터 데이터를 태평양 가스 및 전기 회사(Pacific Gas & Electric)로부터 확보하여 두 기후 지역에 걸쳐 50,000명 이상의 고객을 대상으로 접근법을 검증한다.

실험 결과

연구 질문

• RQ1 고해상도 스마트 미터 데이터는 수요 반응 프로그램의 고객 타겟팅 정확도와 확장성에 크게 기여할 수 있는가?
• RQ2 대규모 고객 선정에서 기대 수요 반응(보상)과 예측 불확실성(위험) 간의 트레이드오프를 어떻게 최적화로 균형 잡을 수 있는가?
• RQ3 확장 가능한 스케일에서 해의 품질을 보장하면서도 확률적 배낭 문제를 효율적으로 해결할 수 있는 근사 알고리즘은 무엇인가?
• RQ4 기존의 청구 데이터나 설문 기반의 전통적 세분화 방법에 비해 실제 전력사 환경에서 제안된 방법은 얼마나 뛰어나게 성능을 발휘하는가?
• RQ5 다양한 기후 지역에서 목표 수준과 반응 변동성이 변화할 경우 알고리즘의 성능은 어떻게 변화하는가?

주요 결과

• 제안된 방법은 뜨거운 기후 지역과 온난한 기후 지역 모두에서 목표 수요 반응 수준을 충족시키는 데 90% 이상의 신뢰도를 달성하였으며, 기존 방법에 비해 뚜렷이 뛰어나다.
• 목표가 기대 총 반응 이하일 경우 점진적 그리디 알고리즘이 최적해의 최소 50% 이상의 해를 보장하며, 극단점 수(M)가 증가할수록 근사 경계가 향상된다.
• 소득, 가구 규모 등 저해상도 데이터에 대한 의존도를 줄이기 위해 고해상도 소비 데이터로 대체함으로써 실제 부하 유연성과 더 잘 부합하는 모델링이 가능해졌다.
• 실험적 검증 결과, 알고리즘은 불확실성 하에서도 목표 에너지 절감량을 높은 신뢰도로 달성할 수 있는 소수의 고객을 성공적으로 선정하였다.
• 이 방법은 50,000명 이상의 고객에 대해 확장 가능하며, 유사한 최적화 구조를 가진 다른 응용 분야로도 확장 가능함을 입증하였다.
• 본 연구는 스마트 미터 데이터 기반의 고객 응답 예측이 기존 세분화 방법보다 더 정확하고 신뢰도 높은 타겟팅을 가능하게 함을 확인하였다.