Calibrated uncertainty quantification for prosumer flexibility aggregation in ancillary service markets

技術要約：プロシューマーの柔軟性集約における較正された不確実性定量化

問題提起
独立したデマンドレスポンス・アグリゲーターは、分散型エネルギーリソース（DER）を、デンマークのmFRR（手動周波数回復リザーブ）容量市場のような補助サービス市場へ統合する上で極めて重要な役割を果たしている。アグリゲーターにとっての中心的な課題は、重大なエピステミック（認識論的）不確実性の条件下において、プロシューマー（消費者でありながらエネルギー生産者でもある主体）の価格応答性を正確に予測することである。この不確実性は、限られた過去の行動データ、外部予測（天候、負荷、価格）への依存、およびプロシューマーの行動の異質性に起因する。

デンマークのmFRRのような市場では、参加者は厳格な信頼性要件、具体的には、偏差の確率が最大10%となることを義務付けるP90基準に直面している。決定論的モデルや較正の不十分な確率モデルは、このような環境には適さない。これらは柔軟性の過大評価を招き、結果としてコンプライアンス違反、制裁金、または市場停止を引き起こす可能性がある。逆に、過度に保守的な推定は、市場競争力と収益性を低下させる。本論文は、規制上の制約を満たし、かつ経済的成果を最適化するために、エピステミックな不確実性を捉えつつ、形式的な有限サンプル被覆保証を提供するデータ駆動型のフレームワークの必要性に取り組んでいる。

手法
本研究は、**モンテカルロ・ドロップアウト（MCD）とコンフォーマル予測（CP）**を統合したハイブリッドな不確実性定量化（UQ）フレームワークを提案する。

1. ハイブリッドMCD–CPフレームワーク:

   • モンテカルロ・ドロップアウト（MCD）: 推論時にもドロップアウト層を保持することで、深層ガウス過程を近似し、エピステミックな不確実性を捉えるために使用される。これは予測分布を提供するが、多くの場合、較正が不適切（miscalibrated）な区間となる。
   • コンフォーマル予測（CP）: データ交換可能性の下で有限サンプルの被覆保証を持つ予測区間を構築するために、MCDの出力に適用される、分布フリーの手法である。
   • 統合: フレームワークは、MCDを用いて確率的なサンプルを生成し、CPを用いてこれらのサンプルを有効な予測領域へと較正する。本研究では、予測領域 $\xi$ を定義するために、4つの多変量適合スコアを評価している：
     • MCP: クオンタイルバンドを用いた多変量コンフォーマル予測。
     • MMCP: 最大マハラノビス距離を用いたMax-Mahalanobisコンフォーマル予測。
     • PCP: ハイパースフィアの和を用いた確率的コンフォーマル予測。
     • CCP: 残差の結合依存性をモデリングするCopulaコンフォーマル予測。

2. アグリゲーター入札モデル:

   • フレームワークは、決定依存型チャンス制約最適化問題に組み込まれる。
   • アグリゲーターは、入札容量とプロシューマーへのインセンティブ価格（収益分配メカニズム $\beta$ に基づく）を決定することで、利益を最大化する。
   • P90信頼性制約は、較正された予測区間の下限（$l = \inf \xi$）を決定論的な容量制限として用いることで強制され、これにより $P[y \in \xi] \geq 1 - \alpha$ が保証される。

3. データ生成:

   • Watts A/Sの改良された業界グレードのホームエネルギーマネジメントシステム（HEMS）を用いて、大規模な合成データセット（100人のプロシューマーに対して22,000シナリオ）が生成された。
   • 入力には、市場価格、起動信号、負荷プロファイル、太陽光発電、およびデバイス仕様が含まれる。モデルは、集約されたアップレギュレーション（増分供給）の柔軟性を予測する。

主な貢献
本論文は、最先端技術（state-of-the-art）に対して以下の3つの主要な貢献を主張している：

1. スケーラブルなハイブリッドフレームワーク: 短期的な設定に限定される計算コストの高いベイズニューラルネットワーク（BNN）に依存する先行研究とは異なり、本研究はMCD–CPハイブリッドをマルチタイムステップの多変量アグリゲーター入札問題に適用している。これは、このアプローチがP90コンプライアンスを満たしながら、経済的な実行可能性を維持できることを示している。
2. 較正の体系的な比較: 本研究は、スタンドアロンのMCDとハイブリッドMCD–CP手法を、現実的なマルチステップ最適化設定において体系的に展開し、比較している。スタンドアロンのMCDが持つ固有の較正不備（柔軟性を系統的に過大評価する性質）が、コンフォーマル較正によって効果的に緩和され、市場意思決定に適した区間が得られることを示している。
3. 現実的な合成データセット: 著者らは、公開データと組み合わせた改良された業界グレードのHEMSアルゴリズムを使用して包括的な合成データセットを開発し、予測の信頼性と経済的パフォーマンスの両方を現実的な市場条件下で評価することを可能にした。

結果

• 予測の信頼性: スタンドアロンのMCDおよび非コンフォーマルなベースラインは、P90要件を満たすことができず、結合予測区間被覆確率（PICP）がほぼゼロとなり、高い過剰入札頻度（最大で約100%の違反）を示した。対照的に、CPベースの手法（MMCP、PCP、CCP）は、目標とする90%の被覆率を達成した。PCPが最も保守的（誤被覆率0.14%）であったが、MMCPとMCPは信頼性と区間幅のバランスを提供した。
• 経済的パフォーマンス:
  • 較正されていない手法（例：サンプル平均）は、当初は利益が出ているように見えたが、P90ペナルティが適用されると、頻繁な過剰入札により深刻な損失（完全情報下での利益の最大-97%）を被った。
  • ハイブリッドMCD–CPフレームワークは、過剰入札リスクを大幅に軽減した。MCPおよびMMCP手法は、規制制約を満たしながら、完全情報（PI）利益の約**68～71%**を維持するという、最も高い調整後利益を達成した。
  • PCPおよびCCPは、より保守的ではあるものの、ペナルティ制度の下ですべての非CPベースラインを上回った。
• インセンティブ感受性: 収益分配パラメータ $\beta$ の分析により、弱い供給弾力性（3～5%）が明らかになった。プロシューマーは低いインセンティブレベルでも利用可能な柔軟性の大部分を提供しており（最適な $\beta$ は97%のシナリオで0.1と判明）、インセンティブを増やしてもアグリゲーターに対する限界収益は逓減することを示唆している。

意義と主張
本論文は、提案されたMCD–CPフレームワークが、アグリゲーターの柔軟性予測のための実用的で計算効率が高く、市場に適合したソリューションを提供すると主張している。その意義は、統計的な厳密さ（有限サンプル保証）と経済的な実行可能性の間の溝を埋めることにある。誤較正された確率的出力を較正された予測区間に変換することで、フレームワークはアグリゲーターが積極的な入札と規制遵守の間のトレードオフを乗りこなすことを可能にする。

著者らは、本フレームワークが完全情報利益の最大70%を達成できる一方で、現在の市場設計がプロシューマーの関与に対する障壁となっている（高いインセンティブによる限界利得が低いため）と控えめに結論付けている。彼らは、今後の研究において、単なるデータの不足問題の解決策を主張するのではなく、市場価格の不確実性を明示的に考慮した分散学習（例：連合学習）やインセンティブメカニズムを探索すべきであると示唆している。