[論文レビュー] Targeting Customers for Demand Response Based on Big Data

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

Smart Grid Energy Management参考文献 18被引用数 6

ひとこと要約

本稿では、高解像度スマートメーターのデータを用いて需要応答プログラムの対象顧客を特定するスケーラブルな確率的整数プログラミング手法を提案する。選定プロセスを確率的応答予測を伴う確率的ナップサック問題として定式化している。2つのカリフォルニアの気候地域において、50,000人を超える顧客を対象に、目標とする需要応答レベルを達成する信頼性が90%以上に達し、従来手法を著しく上回った。

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.

研究の動機と目的

• 既存の需要応答プログラムの運用効率が低いため（10–30%）、顧客の特定が不十分であるという問題に対処すること。
• 収入や世帯構成など、低解像度または消費データを含まない従来のリクルートメント手法の限界を克服すること。
• 高解像度スマートメーターのデータを活用して個々の顧客の反応を予測し、最適化を実施するスケーラブルでデータ駆動型の手法を開発すること。
• 報酬（需要応答の潜在能力）とリスク（予測の不確実性）のバランスを取ることで、プログラムの信頼性を向上させること。
• 数百万人の顧客を処理できる計算効率の高いアルゴリズムを設計し、解の品質を保証すること。

提案手法

• 各顧客の需要応答を、履歴的なスマートメーターのデータから導出された平均と分散を持つ確率変数としてモデル化し、顧客選定を確率的整数計画問題として定式化する。
• NP困難な確率的ナップサック問題を解くために、新規のヒューリスティックアルゴリズム「段階的グリーディー法」を用い、目標が期待される総応答量未満の場合に最適解の少なくとも50%の解を保証する。
• 特に熱的需要応答を対象として、履歴的消費パターンに基づく確率的応答モデルを構築し、高解像度データを用いた線形回帰を適用する。
• リスクに配慮した選定を実現するため、T − μ / σ の比を最小化するように設計する。ここで T は目標応答量、μ は期待応答量、σ は応答の標準偏差である。
• 2段階のグリーディー選定を実施：最初に μₖ / σₖ の比に基づいて初期候補を特定し、次に動的目標制約のもとで選定を精緻化し、非効率な選択を回避する。
• パシフィック・ガスアンドエレクトリック社の実際の匿名化されたスマートメーターのデータを用い、50,000人を超える顧客を含む2つの気候地域で手法を検証した。

実験結果

リサーチクエスチョン

• RQ1 高解像度スマートメーターのデータは、需要応答プログラムにおける顧客特定の精度とスケーラビリティを著しく向上させ得るか？
• RQ2 大規模な顧客選定において、期待される需要応答（報酬）と予測の不確実性（リスク）のトレードオフを最適にバランスできるか？
• RQ3 スケーラビリティを確保しつつ、解の品質を保証する近似アルゴリズムとして、顧客選定のための確率的ナップサック問題を効率的に解く手法は何か？
• RQ4 実運用の電力会社環境において、従来の請求データやアンケートに基づくセグメンテーション手法に比べ、本手法はどの程度優れているか？
• RQ5 異なる気候地域における目標レベルや応答のばらつきの変動に伴い、アルゴリズムの性能はどのように変化するか？

主な発見

• 提案手法は、高温地域および温帯地域の両方で、目標とする需要応答レベルを達成する信頼性が90%以上に達し、従来手法を著しく上回った。
• 段階的グリーディー法は、目標が期待される総応答量未満の場合に最適解の少なくとも50%の解を保証し、極端な点の数（M）が増加するにつれて近似の境界が改善される。
• 収入や世帯構成といった低解像度データへの依存を減らし、実際の負荷の柔軟性をよりよく反映する高解像度消費データに置き換えた。
• 実験的検証において、不確実性が存在する中でも、少数の顧客が高信頼性で目標エネルギー削減を達成できるように効果的に選定された。
• 本手法は50,000人を超える顧客に対してスケーラブルであり、類似した最適化構造を持つ他の応用分野への拡張も可能であることが示された。
• 本研究では、スマートメーターのデータに基づく顧客反応予測が、従来のセグメンテーション手法よりもより正確で信頼性の高い顧客特定を可能にすることが確認された。