[论文解读] Causal Tree Estimation of Heterogeneous Household Response to Time-Of-Use Electricity Pricing Schemes

Eoghan O’Neill, Melvyn Weeks|arXiv (Cornell University)|Oct 22, 2018

Smart Grid Energy ManagementEngineering被引用 17

一句话总结

本文利用因果森林机器学习方法估算家庭对分时电价（TOU）的异质性响应，发现过去用电模式——尤其是工作日用电水平及波动性——比调查变量更能预测需求响应。年轻、受教育程度较高、用电量较大的家庭响应更明显，且用电数据在预测处理效应方面优于人口统计信息。

ABSTRACT

We examine the household-specific effects of the introduction of Time-of-Use (TOU) electricity pricing schemes. Using a causal forest (Athey and Imbens, 2016; Wager and Athey, 2018; Athey et al., 2019), we consider the association between past consumption and survey variables, and the effect of TOU pricing on household electricity demand. We describe the heterogeneity in household variables across quartiles of estimated demand response and utilise variable importance measures. Household-specific estimates produced by a causal forest exhibit reasonable associations with covariates. For example, households that are younger, more educated, and that consume more electricity, are predicted to respond more to a new pricing scheme. In addition, variable importance measures suggest that some aspects of past consumption information may be more useful than survey information in producing these estimates.

研究动机与目标

• 使用机器学习估算分时电价（TOU）对家庭用电需求的异质性处理效应。
• 识别哪些家庭特征——人口统计学特征或用电数据——最能预测对TOU电价的响应。
• 评估调查数据与历史用电数据在预测个体层面需求响应方面的相对重要性。
• 通过基于置换的变量重要性检验，纠正树基模型中的变量选择偏差。
• 为政策制定者提供关于哪些家庭最可能对TOU电价作出响应的见解，以支持有针对性的能源政策设计。

提出的方法

• 采用因果森林（因果树的随机森林）方法，基于潜在结果框架估算个体层面的处理效应。
• 使用条件平均处理效应（CATE）估计方法，对由协变量定义的家庭子群体的异质性响应进行建模。
• 基于树中分裂频率的变量重要性度量，结合深度加权聚合方法对预测变量进行排序。
• 实施基于置换的检验，以纠正变量重要性评估中对具有更多分裂点的连续变量的偏向性。
• 分别使用仅调查数据、仅用电数据以及合并数据拟合因果森林，以比较预测性能。
• 对连续用电变量进行分位数离散化，以检验变量重要性结果的稳健性。

实验结果

研究问题

• RQ1 哪些家庭特征最能预测对分时电价的响应？
• RQ2 用电数据在预测需求响应方面的预测能力，与基于调查的人口统计变量相比如何？
• RQ3 响应异质性在多大程度上由过去的用电行为驱动，而非社会经济因素？
• RQ4 因果森林中的变量重要性度量是否对连续用电变量存在偏向？若存在，如何校正？
• RQ5 因果森林模型能否识别出对分时电价响应存在显著差异的若干家庭子群体？

主要发现

• 年龄较小、受教育程度较高且用电量较大的家庭对分时电价的响应显著更强。
• 变量重要性度量将过去用电情况——尤其是工作日用电水平和波动性——排在最高位，表明其是最具信息量的预测变量。
• 基于置换的检验确认，即使在纠正连续变量选择偏差后，用电变量仍比调查变量更重要。
• 仅使用用电数据拟合的因果森林，其估计结果与使用用电和调查数据联合拟合的结果相似，表明用电数据已捕捉到大部分相关异质性。
• 个体处理效应的分布显示出潜在的双峰性，表明存在响应高度敏感和基本不响应的两类家庭。
• 调查变量如笔记本电脑数量、冰箱数量及就业状态等，是最重要的若干人口统计学预测变量，可能因其与收入和用电量的相关性所致。