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

技術要約：ケニアのプリペイド式電力網における都市部住宅用電力消費の予測モデリング

問題提起
正確な電力負荷予測は、特にプリペイド式メーターが主要な請求システムとなっている急速に都市化が進む地域において、グリッドの安定性、収益計画、およびエネルギー管理のために極めて重要である。しかし、既存の予測モデルは、多くの場合、欧米市場から導き出された仮定（空調利用による天候変動への高い感度や、大幅な短期的な価格応答性など）に依存している。これらの仮定は、サブサハラ・アフリカの文脈においては必ずしも成立しない可能性がある。なぜなら、そこでの住宅消費は、気候制御や即時的な関税弾力性ではなく、不可欠なベースロード活動やプリペイド残高によって制約されているからである。さらに、高度な機械学習（ML）モデルの「ブラックボックス」的な性質は、透明性のある洞察を必要とする政策立案者にとって、その有用性を制限する場合がある。本研究は、ケニアのプリペイド部門における住宅需要の真の要因を理解することへの空白を埋め、複雑なMLアーキテクチャがこの特定の環境において、単純な統計的手法に対して意味のある優位性を提供するかどうかを評価する。

手法
本研究は、2017年1月から2026年4月までの長期データセットを用い、歴史的な消費記録、気象変数、およびエネルギー・石油規制当局（EPRA）からの関税情報を統合している。

• 特徴量エンジニアリング: 本フレームワークは、短期的な持続性と年次季節性を捉えるために、自己回帰的特徴量（ラグ1、ラグ2、およびラグ12 kWh）を利用する。外生変数は、月間平均気温、冷却度日（CDD）、および関税パラメータ（ライフライン料金および制限値）を含む。
• モデリング・フレームワーク: 比較アプローチを採用し、**極限勾配ブースティング（XGBoost）モデルを、伝統的な最小二乗法（OLS）**回帰モデルと比較検証する。
• 検証戦略: 情報漏洩を防ぐため、厳格な時系列検証戦略を用いた。2017年から2024年のデータは学習およびハイパーパラメータの最適化に使用し、2025年から2026年のデータはアウトオブサンプル・テスト専用として確保した。
• 説明可能性（XAI）: 特徴量の寄与を定量化し、XGBoostモデルを解釈するために、**SHAP（SHapley Additive exPlanations）**を統合している。
• 診断: 多重共線性に関する分散拡大係数（VIF）チェック、自己相関および偏自己相関分析（ACF/PACF）、季節分解、および異なる予測因子グループの寄与を分離するためのアブレーション研究を含む。

主な結果

1. 歴史的行動の支配性: 相関分析とSHAP値は、歴史的な消費行動が将来の需要の主要な決定要因であることを明らかにしている。ラグベースの自己回帰変数（特にラグ1およびラグ2）は、天候や関税変数の影響を大きく上回り、最も高い予測的影響力を示している。
2. モデル性能の同等性: その複雑さにもかかわらず、XGBoostモデルは、OLSモデルとおおむね同等の予測性能を達成した。XGBoostモデルは平均絶対誤差（MAE）がわずかに低かった一方、OLSは平方根平均二乗誤差（RMSE）がわずかに低かった。これは、データセット内の予測情報が主に線形であり、単純な自己回帰関係によって捉えられることを示唆している。
3. 外生変数の限定的な影響: 天候（CDD）や関税変数は、予測精度の向上にはわずかな貢献しかできなかった。アブレーション研究により、これらの変数を「ラグのみ」のモデルに追加しても、RMSEの減少は無視できる程度であることが確認された。
4. 行動の持続性: 自己相関診断と季節分解は、住宅需要が価格変動や天候の変動に対する即時的な反応ではなく、強い時間的持続性と繰り返される消費パターンによって支配されていることを示している。

意義および主張
本論文は、ケニアのプリペイド部門における住宅用電力需要は、欧米の文献で想定されているような天候感受性や価格弾力性ではなく、主に行動の持続性と繰り返される消費パターンによって支配されていると主張している。

• 方法論的貢献: 本研究は、計算効率が高く透明性の高い統計モデル（OLSなど）が、プリペイド環境において信頼できる需要推定を提供できることを実証しており、ますます複雑なMLアーキテクチャが常に優れた性能をもたらすという仮定に異を唱えている。
• 政策的含意: これらの知見は、住宅需要が短期的な関税調整に対して比較的非弾力的であることを示唆している。政策立案者は、家計が不可欠なサービスを優先し、利用可能なクレジットに基づいて安定した使用習慣を維持するため、関税改定の直後に需要が減少することを期待すべきではない。
• 運用の価値: 本研究は、解釈可能な予測フレームワークの価値を強調している。歴史的な消費が主要なドライバーであることを特定することで、公共事業体は、複雑で不透明なモデルの導入よりも、過去の使用実績の正確な記録を優先することができ、それによって運用の意思決定とステークホルダーの信頼を高めることができる。

結論として、本研究は、ケニアのプリペイド・グリッドにとって、高度なAIの「ブラックボックス」は単純な自己回帰モデルに対して追加的な予測スキルをほとんど提供せず、短期的な負荷予測においては、外部の経済的または気候的変数をモデリングすることよりも、プリペイド消費者の行動的慣性を理解することの方が重要であると断じている。