[论文解读] 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 6

一句话总结

本文提出了一种可扩展的随机整数规划方法，利用高分辨率智能电表数据对需求响应计划的目标客户进行筛选，将选择过程建模为具有概率响应预测的随机0-1背包问题。该方法在加利福尼亚州两个气候区、超过50,000名客户中，实现了超过90%的可靠性，以满足目标需求响应水平，显著优于传统方法。

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.

研究动机与目标

• 为解决现有需求响应计划运营效率低下（仅10–30%）的问题，主要由于客户定位不佳。
• 克服传统招募方法的局限性，这些方法依赖于低分辨率或非用电数据（如收入、家庭规模）进行客户筛选。
• 开发一种可扩展的数据驱动方法，利用高分辨率智能电表数据预测个体客户响应并优化选择。
• 在客户选择中平衡奖励（需求响应潜力）与风险（预测不确定性），以提升项目可靠性。
• 设计一种计算高效的算法，能够在保证解质量的前提下处理数百万名客户。

提出的方法

• 将客户定位建模为随机整数规划问题，将每位客户的需求响应视为具有已知均值和方差的随机变量，其参数由历史智能电表数据推导得出。
• 采用一种新颖的启发式算法——渐进贪心算法（Gradual Greedy Algorithm），求解NP难的随机0-1背包问题，当目标低于预期总响应时，确保解至少达到最优解的50%。
• 基于历史用电模式实施概率响应建模，特别针对热力型需求响应，使用高分辨率数据进行线性回归。
• 通过最小化比率 (T − μ)/σ 实现风险感知的选择，其中 T 为目标响应，μ 为预期响应，σ 为响应的标准差。
• 采用两阶段贪心选择：首先基于 μₖ/σₖ 比率筛选初始候选客户，然后在动态目标约束下进行优化，避免次优选择。
• 使用太平洋煤气电力公司（Pacific Gas & Electric）提供的真实匿名智能电表数据对方法进行验证，覆盖两个气候区，客户数量超过50,000名。

实验结果

研究问题

• RQ1 高分辨率智能电表数据能否显著提升需求响应计划中客户定位的准确性和可扩展性？
• RQ2 在大规模客户选择中，如何最优地平衡预期需求响应（奖励）与预测不确定性（风险）？
• RQ3 何种近似算法能够高效求解客户定位中的随机0-1背包问题，同时在大规模场景下保证解的质量？
• RQ4 在真实电力公司环境中，该方法相较于基于账单数据或调查的传统分组方法，性能提升程度如何？
• RQ5 在不同气候区中，目标水平变化和响应变异性不同的情况下，该算法表现如何？

主要发现

• 所提出的方法在炎热和温和两个气候区中，均实现了超过90%的可靠性，以满足目标需求响应水平，显著优于传统方法。
• 渐进贪心算法在目标低于预期总响应时，保证解至少为最优解的50%，且随着极端点数量（M）的增加，近似界进一步改善。
• 该方法通过使用高分辨率用电数据替代低分辨率数据（如收入、家庭规模），减少了对这些不精确指标的依赖，从而更准确地反映实际负荷灵活性。
• 在实验验证中，该算法成功筛选出一小部分客户，能够在高置信度下实现目标的电量削减，即使在存在不确定性的情况下也表现稳健。
• 该方法已验证可扩展至超过50,000名客户，并可推广至具有类似优化结构的其他应用场景。
• 研究证实，基于智能电表数据的客户响应预测，相比传统分组方法，能实现更准确、更可靠的客户定位。