[论文解读] Social Game for Building Energy Efficiency: Utility Learning, Simulation, and Analysis

Ioannis C. Konstantakopoulos, Lillian J. Ratliff+3 more|arXiv (Cornell University)|Jul 2, 2014

Smart Grid Energy Management参考文献 18被引用 10

一句话总结

本文提出了一种社交游戏，通过让建筑使用者投票选择其偏好的照明水平，并根据其投票与群体平均值的接近程度获得抽奖积分，从而激励节能的照明行为。作者利用效用学习与纳什均衡建模，从真实投票数据中估计使用者偏好，准确模拟行为，并展示了显著的节能效果——在预测未来投票方面优于ARIMA和恒定模型。

ABSTRACT

We describe a social game that we designed for encouraging energy efficient behavior amongst building occupants with the aim of reducing overall energy consumption in the building. Occupants vote for their desired lighting level and win points which are used in a lottery based on how far their vote is from the maximum setting. We assume that the occupants are utility maximizers and that their utility functions capture the tradeoff between winning points and their comfort level. We model the occupants as non-cooperative agents in a continuous game and we characterize their play using the Nash equilibrium concept. Using occupant voting data, we parameterize their utility functions and use a convex optimization problem to estimate the parameters. We simulate the game defined by the estimated utility functions and show that the estimated model for occupant behavior is a good predictor of their actual behavior. In addition, we show that due to the social game, there is a significant reduction in energy consumption.

研究动机与目标

• 设计一种社交游戏，通过游戏化激励，鼓励建筑使用者采取节能的照明行为。
• 将使用者建模为连续博弈中的非合作效用最大化者，捕捉其在舒适度与中奖概率之间的权衡。
• 利用凸优化从真实投票数据中估计个体效用函数，实现对使用者行为的准确预测。
• 评估基于估计博弈论模型的预测能力，并与ARIMA和持续性等标准时间序列模型进行对比。
• 证明该社交游戏可通过行为改变与优化默认设置，实现可测量的建筑能耗降低。

提出的方法

• 将使用者建模为非合作代理，在连续博弈中每个代理通过最大化一个平衡舒适度与中奖概率的效用函数来行动。
• 通过一个拟合观测投票数据的凸优化问题参数化效用函数，以估计个体偏好与风险规避程度。
• 使用估计的效用函数模拟游戏，计算纳什均衡，从而预测实际使用者行为。
• 利用在线平台收集实时投票数据，追踪积分，并展示能耗模式以增强参与度。
• 使用均方误差（MSE）比较纳什均衡模型与ARIMA、恒定模型和持续性模型的预测准确性。
• 将激励设计形式化为斯塔克尔贝格博弈，其中建筑管理者基于实时效用估计优化奖励参数ρ。

实验结果

研究问题

• RQ1 基于投票与抽奖激励的社交游戏能否有效降低建筑照明能耗？
• RQ2 基于估计效用函数的游戏理论模型在预测社交节能游戏中真实使用者行为方面表现如何？
• RQ3 基于估计模型的纳什均衡是否在预测未来照明投票方面优于传统时间序列模型（如ARIMA）？
• RQ4 默认照明设置的调整与社交激励的引入在多大程度上促成了能耗降低？
• RQ5 建筑管理者能否利用实时效用估计，在斯塔克尔贝格框架下优化激励参数ρ，以实现持续的能耗减少？

主要发现

• 基于估计效用函数的纳什均衡模型在预测次日照明投票时达到最低均方误差（12.46），优于ARIMA（13.92）、恒定模型（16.96）和持续性模型（13.42）。
• 该社交游戏显著降低了能耗，其驱动力来自默认照明设置的下调以及鼓励投票趋近于平均值的激励结构。
• 通过凸优化学习到的估计效用函数准确反映了个体使用者的偏好及其在舒适度与中奖概率之间的权衡。
• 使用估计效用函数模拟游戏时，其行为与实际使用者行为高度吻合，验证了模型的预测能力。
• 该框架可扩展至包含暖通空调（HVAC）与插座负荷控制，表明其在照明之外也具有更广泛的应用潜力。
• 未来工作表明，在斯塔克尔贝格博弈中优化激励参数ρ，可通过自适应的实时激励设计进一步提升节能效果。