[논문 리뷰] Clustering electricity consumers using high-dimensional regression mixture models

Émilie Devijver, Yannig Goude외 1명|arXiv (Cornell University)|2015. 07. 01.

Bayesian Methods and Mixture Models참고 문헌 5인용 수 8

한 줄 요약

이 논문은 고차원 회귀 혼합 모델을 사용한 모델 기반 군집화 접근법을 제안하여 단 두 날의 30분 간격 스마트 미터 데이터만으로도 소비자들의 고유한 부하 패턴을 식별한다. 각 소비자의 일일 부하를 이전 일자의 부하, 온도 등의 외생 변수를 포함한 회귀 모델로 모델링함으로써, 물리적으로 해석 가능한 군집을 도출하여 최소한의 데이터로도 높은 정확도로 부하 프로파일링과 바닥에서부터 시작하는 예측을 지원한다.

ABSTRACT

Massive informations about individual (household, small and medium enterprise) consumption are now provided with new metering technologies and the smart grid. Two major exploitations of these data are load profiling and forecasting at different scales on the grid. Customer segmentation based on load classification is a natural approach for these purposes. We propose here a new methodology based on mixture of high-dimensional regression models. The novelty of our approach is that we focus on uncovering classes or clusters corresponding to different regression models. As a consequence, these classes could then be exploited for profiling as well as forecasting in each class or for bottom-up forecasts in a unified view. We consider a real dataset of Irish individual consumers of 4,225 meters, each with 48 half-hourly meter reads per day over 1 year: from 1st January 2010 up to 31st December 2010, to demonstrate the feasibility of our approach.

연구 동기 및 목표

• 고차원의 시계열 전력 소비 데이터를 활용하여 스마트 그라이드에서 고객 세분화 문제를 해결하기 위해.
• 원시적인 소비 형태가 아닌 잠재적인 회귀 구조에 기반해 고유한 부하 패턴을 식별하는 군집화 방법론을 개발하기 위해.
• 유사한 회귀 역학을 가진 소비자를 군집화하여 부하 프로파일링과 바닥에서부터 시작하는 예측을 동시에 가능하게 하기 위해.
• 500명의 아일랜드 주거 소비자로부터 확보한 30분 간격 데이터 두 날 분량을 사용하여 타당성과 정확도를 입증하기 위해.
• 단기 데이터에서 유도된 군집이 다양한 계절과 주중/주말에 걸쳐 물리적으로 해석 가능하고 예측에 유용한 성질을 유지하는지 확인하기 위해.

제안 방법

• 유한한 혼합 모델의 고차원 회귀 모델을 사용한 모델 기반 군집화가 적용되며, 각 성분은 고유한 소비자 행동 유형을 나타낸다.
• 각 소비자의 일일 부하 곡선은 $ Y_d = X_d\beta + \varepsilon_d $ 로 모델링되며, $ X_d $ 는 지연된 부하, 온도 및 기타 외생 변수를 포함한다.
• 각 혼합 성분 내에서 Lasso를 활용한 변수 선택을 통해 관련 예측 변수를 식별하고 차원을 감소시킨다.
• 모델 선택은 최적의 군집 수와 모델 복잡도를 결정하기 위해 베이지안 정보 기준(BIC)을 사용한다.
• 이 절차는 더 큰 아일랜드 데이터셋(4,225개 미터)에서 유래한 500명의 주거 소비자 샘플에 적용되며, 겨울과 여름의 연속된 두 날의 데이터를 사용한다.
• 예측 성능 평가를 위해 화요일–수요일 데이터로 학습한 모델을 사용하여 목요일의 예측 RMSE를 군집화 유무에 따라 비교한다.

실험 결과

연구 질문

• RQ1 단 두 날의 30분 간격 데이터만으로도 고차원 회귀 모델 기반 군집화가 효과적으로 고유한 소비자 부하 패턴을 식별할 수 있는가?
• RQ2 유도된 군집이 주중/주말 패턴이나 온도 민감도와 같은 물리적으로 해석 가능한 부하 행동을 보여주는가?
• RQ3 식별된 군집이 전역 선형 모델 대비 특히 바닥에서부터 시작하는 예측 프레임워크에서 예측 정확도를 향상시킬 수 있는가?
• RQ4 예측 대상 날짜가 이동한 데이터(예: 수요일에서 목요일)에 적용했을 때 군집이 얼마나 안정적인가?
• RQ5 겨울과 여름 간, 주중과 주말 간 군집 구조는 어떻게 다를까?

주요 결과

• 겨울 데이터 두 날 뿐만으로도 물리적으로 해석 가능한 2~5개의 군집을 성공적으로 식별하였으며, 주중과 주말 패턴이 뚜렷하게 구분된다.
• 군집 결과는 주중 간 전환(예: 화요일–수요일)이 주중과 주말 간 전환보다 더 유사함을 보여주어 주중 전용 모델 사용의 타당성을 뒷받침한다.
• 목요일 소비 예측에서, 모델 기반 군집화 접근법은 전역 선형 모델과 비군집화 대안 모두보다 더 낮은 중앙값 RMSE와 사분자구간을 기록한다.
• 이동된 데이터(예: 수요일–목요일)에 적용했을 때도 방법이 강건하게 유지되며, 연속된 근무일 간의 군집 구조가 일관되게 유지된다.
• 여름에는 겨울과 다름을 보이며, 주말에 뚜렷한 '소비 없음' 군집이 나타나 소비자 행동(예: 외출)을 반영한다.
• 군집 중심의 일일 평균 소비 패턴은 명확한 계절적 및 온도 의존적 행동을 보이며, 겨울 데이터에서는 약 0°C 부근에서 급격한 변화점이 나타난다.