Predictive Modeling of Urban Residential Power Consumption: An Explainable AI Approach to the Kenyan Prepaid Grid

Technisches Resümee: Prädiktive Modellierung des urbanen Wohnsektor-Stromverbrauchs im kenianischen Prepaid-Netz

Problemstellung
Eine genaue Lastprognose der Elektrizität ist entscheidend für die Netzstabilität, die Finanzplanung und das Energiemanagement, insbesondere in sich schnell urbanisierenden Regionen, in denen die Prepaid-Messung zum dominierenden Abrechnungssystem geworden ist. Bestehende Prognosemodelle stützen sich jedoch häufig auf Annahmen aus westlichen Märkten – insbesondere eine hohe Sensitivität gegenüber Wetterschwankungen (aufgrund von HLK-Nutzung) und eine signifikante kurzfristige Preiselastizität. Diese Annahmen halten möglicherweise nicht in Sub-Sahara-Kontexten stand, in denen der häusliche Verbrauch durch essenzielle Grundlastaktivitäten und durch die verfügbaren Prepaid-Guthaben statt durch Klimakontrolle oder unmittelbare Tarifelastizität begrenzt wird. Zudem schränkt die „Black-Box“-Natur fortgeschrittener Modelle des maschinellen Lernens (ML) oft deren Nutzen für politische Entscheidungsträger ein, die transparente Einblicke in die Treiber der Nachfrage benötigen. Diese Studie adressiert die Lücke im Verständnis der wahren Treiber der Wohnraumnachfrage im kenianischen Prepaid-Sektor und evaluiert, ob komplexe ML-Architekturen gegenüber einfacheren statistischen Ansätzen in dieser spezifischen Umgebung einen signifikanten Vorteil bieten.

Methodik
Die Studie verwendet einen longitudinalen Datensatz, der den Zeitraum von Januar 2017 bis April 2026 umfasst, und integriert historische Verbrauchsdaten, meteorologische Variablen und Tarifinformationen der Energy and Petroleum Regulatory Authority (EPRA).

• Feature Engineering: Das Framework nutzt autoregressive Merkmale (Lag 1, Lag 2 und Lag 12 kWh), um kurzfristige Persistenz und jährliche Saisonalität zu erfassen. Exogene Variablen umfassen die monatliche Durchschnittstemperatur, Cooling Degree Days (CDD) und Tarifparameter (Lifeline Rate und Limit).
• Modellierungsrahmen: Ein Vergleichsansatz stellt ein Extreme Gradient Boosting (XGBoost) Modell einem traditionellen Ordinary Least Squares (OLS) Regressionsmodell gegenüber.
• Validierungsstrategie: Um Informationslecks zu vermeiden, wurde eine strikte chronologische Validierungsstrategie angewandt. Die Daten von 2017–2024 dienten dem Training und der Hyperparameter-Optimierung, während die Daten für 2025–2026 ausschließlich für das Out-of-Sample-Testing reserviert wurden.
• Erklärbarkeit (XAI): Die Studie integriert SHapley Additive exPlanations (SHAP), um die Beiträge der Merkmale zu quantifizieren und das XGBoost-Modell zu interpretieren.
• Diagnostik: Die Analyse umfasst VIF-Prüfungen (Variance Inflation Factor) auf Multikollinearität, Autokorrelations-/Partielle Autokorrelationsanalysen (ACF/PACF), saisonale Dekomposition sowie Ablationsstudien, um den Beitrag verschiedener Prädiktorengruppen zu isolieren.

Kernergebnisse

1. Dominanz des historischen Verhaltens: Korrelationsanalysen und SHAP-Werte zeigen, dass das historische Verbrauchsverhalten der primäre Bestimmungsfaktor für die zukünftige Nachfrage ist. Lag-basierte autoregressive Variablen (insbesondere Lag 1 und Lag 2) weisen den höchsten prädiktiven Einfluss auf und übertreffen die Auswirkungen von Wetter- oder Tarifvariablen bei Weitem.
2. Leistungs-Parität der Modelle: Trotz seiner größeren Komplexität erreichte das XGBoost-Modell eine im Wesentlichen vergleichbare Prognoseleistung wie das OLS-Modell. Das XGBoost-Modell zeigte einen geringfügig niedrigeren mittleren absoluten Fehler (MAE), während OLS einen etwas niedrigeren Root Mean Square Error (RMSE) lieferte. Dies deutet darauf hin, dass die Informationen in den Datensatz weitgehend linear sind und durch einfache autoregressive Beziehungen erfasst werden können.
3. Begrenzter Einfluss exogener Variablen: Wetter (CDD) und Tarifvariablen trugen nur marginal zur Verbesserung der Prognosegenauigkeit bei. Ablationsstudien bestätigten, dass die Hinzufügung dieser Variablen zu einem „Nur-Lag“-Modell zu vernachlässigbaren Reduktionen des RMSE führte.
4. Verhaltenspersistenz: Autokorrelationsdiagnosen und die saisonale Dekomposition deuten darauf hin, dass die häusliche Nachfrage durch starke zeitliche Persistenz und wiederkehrende Verbrauchsmuster gesteuert wird, anstatt durch unmittelbare Reaktionen auf Preisänderungen oder Wettervariabilität.

Bedeutung und Behauptungen
Die Arbeit behauptet, dass die elektrische Nachfrage im kenianischen Prepaid-Sektor primär durch Verhaltenspersistenz und wiederkehrende Verbrauchsmuster gesteuert wird und nicht durch die in der westlichen Literatur oft angenommenen Wetterempfindlichkeit oder Preiselastizität.

• Methodischer Beitrag: Die Studie zeigt, dass recheneffiziente, transparente statistische Modelle (wie OLS) zuverlässige Nachfrageschätzungen für die Versorgungsplanung in Prepaid-Umgebungen liefern können, was die Annahme infrage stellt, dass zunehmend komplexe ML-Architekturen immer eine überlegene Leistung erfordern.
• Politische Implikationen: Die Ergebnisse legen nahe, dass die kurzfristige Wohnraumnachfrage gegenüber moderaten Tarifanpassungen relativ unelastisch ist. Politische Entscheidungsträger sollten nicht mit unmittelbaren Nachfragerückgängen nach Tarifrevisionen rechnen, da Haushalte essenzielle Dienste priorisieren und stabile Nutzungsgewohnheiten basierend auf dem verfügbaren Guthaben beibehalten.
• Operativer Wert: Die Forschung unterstreicht den Wert interpretierbarer Prognoseframeworks. Durch die Identifizierung der Tatsache, dass der historische Verbrauch der dominante Treiber ist, können Versorgungsunternehmen die präzise Erfassung vergangener Nutzung gegenüber dem Einsatz komplexer, opaker Modelle priorisieren, was die operative Entscheidungsfindung und das Vertrauen der Stakeholder stärkt.

Zusammenfassend lässt die Studie darauf schließen, dass für das kenianische Prepaid-Netz die „Black Box“ fortgeschrittener KI nur einen begrenzten zusätzlichen Prognosegewinn gegenüber einfachen autoregressiven Modellen bietet und dass das Verständnis der Verhaltensinertie der Prepaid-Konsumenten entscheidender ist als die Modellierung externer wirtschaftlicher oder klimatischer Variablen für die kurzfristige Lastprognose.