融合机器学习与SHAP值算法的居民需求响应个体异质性因素挖掘与应用研究

本研究基于大规模居民电力需求响应(EDR:electricity demand response)实验以及家庭用电调查数据,利用机器学习和SHAP(Shapley additive explanatory)值算法从全局和个体两个层面对影响居民参与需求响应的影响因素进行了识别和异质性分析.研究发现,居民是否参与需求响应活动是外部激励,家庭结构,用电规律与习惯倾向,用电知识等因素共同作用的结果,其效应的大小和极性存在着丰富的异质性.其中,电话营销等外部激励对用户参与需求响应影响最大,其效果在年龄较大以及受教育程度较高的群体较为明显;响应时段基准用电量在1度左右的用户参与倾向较大;节能环保意识较强且具有较高节电条件的家庭参与概率更高.同时,依据SHAP值的交互以及分解性质,在后续需求响应活动中对用户进行分类营销,可以节省93.9%的营销成本,并提高46.4%的参与人数.本研究对不同群体的异质性进行了更为细致的分析研究,为未来新型电力系统下进行更为精确和智能的需求响应提供了重要支撑.