[論文レビュー] Clustering Methods for Electricity Consumers: An Empirical Study in Hvaler-Norway

The-Hien Dang-Ha, Roland Olsson+1 more|arXiv (Cornell University)|Mar 7, 2017

Human Mobility and Location-Based Analysis参考文献 15被引用数 4

ひとこと要約

本稿では、ノルウェーのヘヴァラーで得られた詳細な時間単位の消費データを用いて、代表的負荷パターン（RLPs）を用いたデータ駆動型クラスタリング手法を提案し、電力消費者を自動的に分類する。自己組織化マップ（SOM）とk-meansの組み合わせが、他の手法に比べ優れた性能を示し、外れ値（例：小屋、街灯）を効果的に分離し、類似した消費行動を示す消費者をグループ化した。一方、内部妥当性指標はクラスタ品質の評価において誤解を招く可能性があり、注意深く使用する必要がある。

ABSTRACT

The development of Smart Grid in Norway in specific and Europe/US in general will shortly lead to the availability of massive amount of fine-grained spatio-temporal consumption data from domestic households. This enables the application of data mining techniques for traditional problems in power system. Clustering customers into appropriate groups is extremely useful for operators or retailers to address each group differently through dedicated tariffs or customer-tailored services. Currently, the task is done based on demographic data collected through questionnaire, which is error-prone. In this paper, we used three different clustering techniques (together with their variants) to automatically segment electricity consumers based on their consumption patterns. We also proposed a good way to extract consumption patterns for each consumer. The grouping results were assessed using four common internal validity indexes. We found that the combination of Self Organizing Map (SOM) and k-means algorithms produce the most insightful and useful grouping. We also discovered that grouping quality cannot be measured effectively by automatic indicators, which goes against common suggestions in literature.

研究の動機と目的

• スマートグリッドにおける人種的・文化的要因に基づく顧客セグメンテーションの限界を是正するため、誤差が多くかつ陳腐化しているものである。
• アンケートに基づく人種的・文化的データに依存せず、消費者の消費パターンのみに依存して、電力消費者を自動的に分類する。
• 複数のクラスタリングアルゴリズムの有効性を評価し、特に恒久的世帯、小屋、街灯消費者を区別できるような意味のある消費者グループを特定すること。
• 電力消費データにおけるクラスタリングの最適解を特定する際、一般的に用いられる内部妥当性指標の信頼性を評価すること。
• 電力会社の運用者が実際の消費行動に基づいて、カスタマイズされた料金体系やエネルギーサービスを設計できる実用的でデータ駆動型の手法を提供すること。

提案手法

• 各消費者の24時間サイクルにわたる時間単位の消費データを平均化・正規化し、代表的負荷パターン（RLPs）を抽出した。
• 8種類のクラスタリング手法を適用した：階層的クラスタリング（HC）に異なる連結法（A2, AC, W2, S5）、自己組織化マップ（SOM）、k-means（KM）、およびその変種であるスパースk-means（SKM）。
• クラスタリング品質の評価に、4つの内部妥当性指標（カルンシキー＝ハラバシュ指数（CDI）、デービス＝ボウリン指標（BDI）、ダン指標（DI）、修正インデックス（MIA））を用いた。
• クラスタ構成の分析を通じて、季節的変動、ピークのタイミング、負荷の大きさなどのパターンを特定した。
• クラスタの凝集性、明確性、解釈可能性に注目し、視覚的および定量的な比較を通じてクラスタリングの結果を評価した。
• クラスタ数（K=20）を変化させた実験を行い、得られたグループの安定性と意味の有無を評価した。

実験結果

リサーチクエスチョン

• RQ1 RLPsに基づくクラスタリングは、原始的な消費データから、小屋、恒久的世帯、街灯などの明確な消費者タイプを効果的に特定できるか？
• RQ2 SOM、k-means、階層的クラスタリングなどの異なるクラスタリングアルゴリズムは、ノルウェーのヘヴァラーで得た実世界のデータセットにおいて、類似した負荷パターンを持つ消費者を効果的にグループ化できるか？
• RQ3 一般的に用いられる内部妥当性指標（CDI、MDI、BDI、MIA）は、電力消費者セグメンテーションにおけるクラスタリング結果の質をどれほど正確に反映しているか？
• RQ4 SOMとk-meansの組み合わせは、単独の手法や他のクラスタリングバージョンに比べ、より解釈可能で意味のあるクラスタを生成するか？
• RQ5 自動クラスタリング手法は、従来の人口統計的要因に基づく顧客セグメンテーションに比べ、誤分類誤差を低減できるか？

主な発見

• SOM-k-meansの組み合わせが最も洞察に富んだクラスタリング結果を生み出し、小屋（例：クラス4、5、7）と街灯消費者（クラス7）といった外れ値を明確に分離し、解釈可能なクラスタとして分類した。
• HC-Sx手法は外れ値を単一または極めて小さなクラスタに分離する傾向にあったが、KM、SKM、HC-W2手法は類似したパターンを区別不能なクラスタに混在させ、解釈性を低下させた。
• 内部妥当性指標（CDI、MDI、BDI、MIA）は、外れ値を分離するクラスタリング解に強くバイアスを示し、大きなノイズを含む、または重複するクラスタに対して十分なペナルティを課さないことが判明した。
• SKM手法はクラスタの凝集性と識別性が低く、類似した行動を示すRLPsを複数の区別不能なクラスに混在させた。
• これらの指標を用いた最適なクラスタ数や手法の自動選択は信頼できないことが示唆され、文脈に即した手動による検証が不可欠である。
• 本研究では、RLPに基づくクラスタリングが、特にヘヴァラーのような小屋の利用が顕著な地域において、季節的、行動的、使用パターンに基づく消費者グループを効果的に特定できることを示した。