[论文解读] A Bayesian Perspective on Residential Demand Response Using Smart Meter Data

Datong P. Zhou, Maximilian Balandat+1 more|arXiv (Cornell University)|Aug 12, 2016

Smart Grid Energy Management参考文献 12被引用 8

一句话总结

本文提出一种基于条件高斯混合模型（CGMM）和隐马尔可夫模型（HMM）潜在变量的贝叶斯框架，以提升短期负荷预测精度，并估计住宅电力用户个体化的需求响应（DR）削减量。通过引入行为原型（如高/低用电状态或在家状态），研究发现配备智能家居设备的用户在高用电时段可实现显著更高的DR削减，使DR提供方可更高效地进行目标定位。

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.

研究动机与目标

• 通过整合住宅电力用户的行为原型，提升短期负荷预测的准确性。
• 在无实验数据的条件下估计个体化处理效应（即DR削减量），以解决因果推断的根本性问题。
• 指导DR提供方可通过识别在DR事件期间最可能减少用电的用户，优化其出价策略。
• 探究从智能电表数据中提取的潜在状态是否能够预测不同用户类型间异质性的DR响应。
• 验证潜在变量在提升预测精度和降低DR削减量估计偏差方面的有效性。

提出的方法

• 使用条件高斯混合模型（CGMM）基于智能电表数据估计代表用户行为原型的概率潜在变量。
• 采用具有二值隐状态的隐马尔可夫模型（HMM）对每小时用电模式进行建模，解释为住户在室状态的指标。
• 将CGMM和HMM的潜在状态作为额外协变量，引入普通最小二乘法（OLS）回归，用于短期负荷预测。
• 应用非实验估计器处理真实DR数据，使用签约前数据进行训练，签约后数据用于估计反事实情形。
• 通过比较DR事件期间的实际用电量与基于潜在状态预测的反事实用电量，估算DR削减量。
• 使用半合成数据评估削减估计器的偏差，识别出使用潜在变量的OLS方法为偏差最小的方法。

实验结果

研究问题

• RQ1 将智能电表数据中提取的行为原型潜在变量纳入模型，如何提升短期负荷预测的准确性？
• RQ2 在不同潜在状态（如高用电与低用电）及用户类型下，需求响应削减量的大小如何？
• RQ3 配备智能家居设备的用户是否显著表现出高于非自动化用户的DR削减量？在何种条件下表现更明显？
• RQ4 从HMM中提取的潜在状态是否能有效表征住户在室状态，并提升DR项目中的目标定位效率？
• RQ5 在使用潜在变量的前提下，比较OLS、神经网络等机器学习估计器，哪一种能对个体化DR削减量提供最小偏差的估计？

主要发现

• 与未使用潜在变量的模型相比，CGMM和HMM的潜在变量显著提升了短期负荷预测的准确性。
• 在高用电（高潜在状态）时段，配备智能家居设备的用户表现出显著更高的估计DR削减量，表明其对激励措施更具响应性。
• 在低用电（低潜在状态）时段，无论是否为自动化用户，估计削减量均接近零，表明存在一个物理或行为上的阈值，低于该阈值则进一步削减不可行。
• 在半合成数据验证中，使用HMM提取的潜在变量的OLS估计器偏差最小，因此是实际应用中的首选方法。
• 模型揭示，DR削减潜力最大的时机在于针对高用电时段的用户，尤其是配备自动化设备的用户。
• 从HMM推断出的潜在状态与住户在室状态相关，可用于指导更高效的DR事件时间安排和用户目标定位。