[논문 리뷰] A Bayesian Perspective on Residential Demand Response Using Smart Meter Data

Datong P. Zhou, Maximilian Balandat외 1명|arXiv (Cornell University)|2016. 08. 12.

Smart Grid Energy Management참고 문헌 12인용 수 8

한 줄 요약

이 논문은 주거용 전기 사용자들의 행동 유형(예: 고소비 상태 또는 거주 여부 등)을 반영하는 잠재변수를 포함한 베이지안 프레임워크를 제안하여 단기 부하 예측 성능을 햖थ하고 개인화된 수요 반응(DR) 감소를 추정한다. 스마트 홈 기기 보유자들은 고소비 기간 동안 더 높은 DR 감소를 보이며, DR 제공자가 보다 효율적으로 대상자를 선정할 수 있도록 한다.

ABSTRACT

The widespread deployment of Advanced Metering Infrastructure has made granular data of residential electricity consumption available on a large scale. Smart meters enable a two way communication between residential customers and utilities. One field of research that relies on such granular consumption data is Residential Demand Response, where individual users are incentivized to temporarily reduce their consumption during periods of high marginal cost of electricity. To quantify the economic potential of Residential Demand Response, it is important to estimate the reductions during Demand Response hours, taking into account the heterogeneity of electricity users. In this paper, we incorporate latent variables representing behavioral archetypes of electricity users into the process of short term load forecasting with Machine Learning methods, thereby differentiating between varying levels of energy consumption. The latent variables are constructed by fitting Conditional Mixture Models of Linear Regressions and Hidden Markov Models on smart meter readings of a Residential Demand Response program in the western United States. We observe a notable increase in the accuracy of short term load forecasts compared to the case without latent variables. We then estimate the reductions during Demand Response events conditional on the latent variables, and discover a higher DR reduction among users with automated smart home devices compared to those without.

연구 동기 및 목표

• 주거용 전기 사용자의 잠재적 행동 유형을 반영함으로써 단기 부하 예측 정확도를 향상시키기 위해.
• 실험 데이터 없이 개별 치료 효과(DR 감소)를 추정하여 인과 추론의 근본적 문제를 해결하기 위해.
• DR 제공자가 입찰 전략을 최적화할 수 있도록 DR 이벤트 기간 동안 소비를 줄일 가능성이 높은 사용자를 식별하기 위해.
• 스마트 미터 데이터에서 유도된 잠재 상태가 다양한 사용자 유형 간 이질적인 DR 반응을 예측할 수 있는가를 탐색하기 위해.
• 잠재변수가 단기 예측 정밀도 향상과 DR 감소 추정의 편향 감소에 기여하는지 검증하기 위해.

제안 방법

• 스마트 미터 데이터를 기반으로 확률적 사용자 유형을 나타내는 잠재변수를 추정하기 위해 조건부 가우시안 혼합모형(CGMM)을 사용한다.
• 이진 잠재 상태를 가진 은닉 마르코프 모형(HMM)이 시간대별 소비 패턴을 모델링하며, 이는 거주 여부 지표로 해석된다.
• CGMM와 HMM의 잠재 상태를 단기 부하 예측을 위한 일반최소제곱(OLS) 회귀분석의 추가 공변수로 사용한다.
• 실제 DR 데이터에 비실험적 추정기법을 적용하여 사전 등록 데이터로 학습하고 사후 등록 데이터로 반사적 결과를 추정한다.
• 잠재 상태 기반 예측 반사적 소비와 DR 이벤트 기간 동안 실제 소비를 비교함으로써 DR 감소를 추정한다.
• 반사적 데이터를 사용하여 감소 추정기의 편향을 평가하고, 잠재변수를 포함한 OLS가 가장 편향이 적은 방법임을 확인한다.

실험 결과

연구 질문

• RQ1 스마트 미터 데이터에서 유도된 잠재 행동 유형을 통합함으로써 단기 부하 예측 정확도는 어떻게 향상되는가?
• RQ2 다른 잠재 상태(예: 고소비 대비 저소비)와 사용자 유형에 따라 수요 반응 감소의 크기는 얼마인가?
• RQ3 스마트 홈 기기를 보유한 사용자는 자동화되지 않은 사용자보다 유의미하게 더 높은 DR 감소를 보이는가? 어떤 조건에서 그러한 차이가 나타나는가?
• RQ4 HMM에서 유도된 잠재 상태가 거주 여부를 효과적으로 표현하고 DR 프로그램의 타겟팅 효율성을 향상시킬 수 있는가?
• RQ5 잠재변수를 사용할 때, OLS, 신경망 등 다양한 기계학습 추정기 중에서 개인화된 DR 감소 추정에 가장 낮은 편향을 보이는 것은 무엇인가?

주요 결과

• CGMM와 HMM의 잠재변수를 포함한 모형은 이를 포함하지 않은 모형 대비 단기 부하 예측 정확도가 유의미하게 향상된다.
• 스마트 홈 기기를 보유한 사용자는 고소비(고잠재 상태) 기간 동안 유의미하게 더 높은 DR 감소가 예측되며, 인centives에 더 민감한 것으로 나타난다.
• 저소비(저잠재 상태) 기간 동안 자동화된 사용자와 비자동화된 사용자 모두에서 예측된 감소율은 거의 0에 수렴하며, 이는 추가 감소가 물리적 또는 행동적 한계에 도달했음을 시사한다.
• 반사적 데이터 검증에서 HMM에서 유도된 잠재변수를 사용한 OLS 추정기는 가장 낮은 편향을 보였으며, 실세계 적용에 가장 적합한 방법으로 간주된다.
• 모델는 고소비 시간대, 특히 자동화된 기기를 보유한 사용자를 대상으로 하면 가장 높은 DR 감소 잠재력을 확보할 수 있음을 드러낸다.
• HMM에서 추론된 잠재 상태는 거주 여부와 상관관계가 있으며, 더 효율적인 DR 이벤트 시기 설정과 사용자 타겟팅에 활용될 수 있다.