[论文解读] Residential Demand Response Targeting Using Machine Learning with Observational Data

Datong P. Zhou, Maximilian Balandat+1 more|arXiv (Cornell University)|Jul 3, 2016

Smart Grid Energy Management参考文献 12被引用 6

一句话总结

本文提出了一种机器学习框架，利用观察到的智能电表数据识别在需求响应（DR）事件期间最有可能减少用电量的居民用户。通过结合短期负荷预测、非参数假设检验与负荷形态聚类，研究发现用电量波动性更高的家庭在非实验性估计中表现出显著更大的DR减供潜力，表明其对激励措施更具响应性。

ABSTRACT

The large scale deployment of Advanced Metering Infrastructure among residential energy customers has served as a boon for energy systems research relying on granular consumption data. Residential Demand Response aims to utilize the flexibility of consumers to reduce their energy usage during times when the grid is strained. Suitable incentive mechanisms to encourage customers to deviate from their usual behavior have to be implemented to correctly control the bids into the wholesale electricity market as a Demand Response provider. In this paper, we present a framework for short term load forecasting on an individual user level, and relate nonexperimental estimates of Demand Response efficacy, i.e. the estimated reduction of consumption during Demand Response events, to the variability of user consumption. We apply our framework on a data set from a residential Demand Response program in the Western United States. Our results suggest that users with more variable consumption patterns are more likely to reduce their consumption compared to users with a more regular consumption behavior.

研究动机与目标

• 通过识别在高峰时段具有高节能潜力的居民用户，提高需求响应投标效率。
• 利用观察数据估计DR事件期间非实验性用电量减少，避免开展受控实验。
• 利用机器学习与统计方法，将家庭负荷波动性与DR计划中的响应性关联起来。
• 开发一种可扩展的、基于数据的靶向框架，供DR提供商使用，仅依赖历史用电数据。

提出的方法

• 使用多种机器学习模型——K近邻（KNN）、支持向量回归（SVR）、套索回归（Lasso）、岭回归（Ridge）、决策树（Decision Trees）——对单个居民用户的用电数据进行短期负荷预测（STLF）。
• 应用Wilcoxon符号秩检验，检测DR期与非DR期之间用电量变化的非实验性估计值，以识别显著减少。
• 对负荷形态应用k均值聚类，以识别家庭之间的不同用电模式。
• 定义两种基于熵的指标来量化用电量波动性：一种基于k=20的k均值聚类结果，另一种基于负荷曲线的标准差。
• 利用DR期与非DR期的预测用电量，计算平均百分比减少（MPR）和处理效应估计值。
• 通过合成数据和美国西部某DR计划的真实居民用电数据验证模型性能。

实验结果

研究问题

• RQ1 机器学习模型能否准确预测个体家庭用电量，以估计DR响应性？
• RQ2 能否利用观察数据测量DR事件期间的非实验性用电量减少？
• RQ3 家庭负荷模式的波动性是否与DR事件期间更大的节能潜力相关？
• RQ4 不同预测模型如何影响DR节能潜力的估计？
• RQ5 基于熵的用电量波动性度量能否作为DR响应性的可靠预测指标？

主要发现

• 用电量波动性较高（以k均值聚类所得熵值衡量）的家庭，在DR事件期间表现出显著更大的非实验性用电减少估计值。
• 所有用户中，估计减少的中位数（MPR）为负值，表明DR期间用电量持续减少，中位数MPR在-0.2%至-7%之间，具体取决于预测方法。
• KNN与SVR模型产生向下偏倚的预测，导致估计的位置偏移量（Δ）较小，且在Wilcoxon检验中零假设的拒绝次数更少，从而降低了观测到的效果大小。
• 线性模型（OLS、L1、L2）比非参数模型更频繁地拒绝零假设（无减少），表明其在检测DR减少方面更具可靠性。
• 决策树（DT）模型出现反常结果，部分情况下MPR为正值（用电量增加），可能由于预测中异常值分类错误导致的归一化伪影。
• 用电量波动性与DR响应性之间的正相关关系在多种熵度量及聚类配置（k=6、12、20）下均保持稳健。