[논문 리뷰] Clustering Methods for Electricity Consumers: An Empirical Study in Hvaler-Norway

The-Hien Dang-Ha, Roland Olsson외 1명|arXiv (Cornell University)|2017. 03. 07.

Human Mobility and Location-Based Analysis참고 문헌 15인용 수 4

한 줄 요약

이 논문은 노르웨이 허발레르의 전력 소비자들을 정밀한 시간대별 소비 데이터를 기반으로 자동으로 분류하기 위해 대표 소비 패턴(RLPs)을 사용하는 데이터 기반 클러스터링 접근법을 제안한다. 자기조직화 맵(SOM)과 k-means의 조합이 다른 방법들보다 뛰어나게 외곽값(예: 별장, 가로등)을 효과적으로 분리하고 유사한 소비 행동을 보이는 소비자를 그룹화했으며, 내부 타당성 지표는 클러스터 품질 평가에 잘못된 경향을 보였다.

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.

연구 동기 및 목표

• 스마트 그리드에서 민감도가 높고 오래된 인구통계 기반 소비자 분류의 한계를 해결하기 위해.
• 설문 기반 인구통계 데이터에 의존하지 않고 소비 패턴만을 이용해 전력 소비자를 자동으로 분류하기 위해.
• 다양한 클러스터링 알고리즘의 효과성을 평가하여 의미 있는 소비자 그룹을 식별하는 데 목적이 있으며, 특히 영구 주거 가구, 별장, 조명 소비자 간의 구분을 중점적으로 다룬다.
• 전력 소비 데이터에 대한 최적의 클러스터링 솔루션을 선택할 때 일반적으로 사용되는 내부 타당성 지표의 신뢰성 평가를 위해.
• 실제 소비 행동을 바탕으로 유틸리티 운영자가 맞춤형 요금제와 에너지 서비스를 설계할 수 있는 실용적이고 데이터 기반의 방법을 제공하기 위해.

제안 방법

• 소비자 각각의 24시간 주기 동안 시간대별 소비 데이터를 평균화하고 정규화하여 대표 소비 패턴(RLPs)을 추출하였다.
• 8종의 클러스터링 기법을 적용: 계층적 클러스터링(HC)에 다양한 연결 방법(A2, AC, W2, S5), 자기조직화 맵(SOM), k-means(KM), 그리고 그 변형인 스파arsity k-means(SKM).
• 클러스터링 품질 평가를 위해 네 가지 내부 타당성 지표—칼린스키-하라바슈(CDI), 데이비스-불라인(BDI), 두운(DI), 수정 지수(MIA)—를 사용하였다.
• 클러스터 구성 분석을 통해 계절적 변화, 피크 시간대, 부하 크기 등의 패턴을 식별하였다.
• 클러스터의 응집성, 구분성, 해석 가능성에 중점을 두고 결과를 시각적·정량적으로 비교하였다.
• 클러스터 수(K=20)를 다양하게 설정한 실험을 수행하여 도출된 그룹의 안정성과 의미 있는지 평가하였다.

실험 결과

연구 질문

• RQ1 RLP 기반 클러스터링이 원시 소비 데이터에서 별장, 영구 주거 가구, 가로등 소비자와 같은 구체적인 소비 유형을 효과적으로 식별할 수 있는가?
• RQ2 노르웨이 허발레르의 실생활 데이터셋에서 다양한 클러스터링 알고리즘(SOM, k-means, 계층적 클러스터링 등)이 유사한 부하 패턴을 보이는 소비자를 그룹화하는 데 얼마나 효과적인가?
• RQ3 표준 내부 타당성 지표(CDI, MDI, BDI, MIA)가 전력 소비자 분류의 클러스터링 결과 품질을 얼마나 정확하게 반영하는가?
• RQ4 SOM과 k-means의 조합이 단독 방법이나 다른 클러스터링 변형보다 더 해석 가능하고 의미 있는 클러스터를 생성하는가?
• RQ5 자동 클러스터링 방법은 전통적인 인구통계 기반 소비자 분류에 비해 오분류 오류를 줄일 수 있는가?

주요 결과

• SOM-k-means 조합이 가장 통찰력 있는 클러스터링 결과를 도출하였으며, 별장(예: 클래스 4, 5, 7)과 조명 소비자(클래스 7)와 같은 외곽값을 독립적이고 해석 가능한 클러스터로 효과적으로 분리하였다.
• HC-Sx 방법은 외곽값을 단일 또는 매우 작은 클러스터로 분리하는 경향이 있었지만, KM, SKM, HC-W2 방법은 유사한 패턴을 구분이 어려운 클러스터에 혼합하여 해석 가능성은 떨어졌다.
• 내부 타당성 지표(CDI, MDI, BDI, MIA)는 외곽값을 분리하는 솔루션에 대해 강하게 편향되어 있었으며, 크거나 노이즈가 많거나 겹치는 클러스터에 대해 충분히 보상하지 못했다.
• SKM 방법은 응집성이 떨어지고 구분성이 떨어지는 클러스터를 생성하여 유사한 행동을 보이는 RLP들을 여러 개의 구분이 어려운 클래스로 혼합하였다.
• 이 지표들을 사용한 최적의 클러스터 수나 방법의 자동 선택은 신뢰할 수 없으며, 맥락 기반 수동 검증이 필수적이다.
• 본 연구는 RLP 기반 클러스터링이 계절적, 행동적, 사용 패턴 기반의 소비자 그룹을 효과적으로 식별할 수 있음을 입증하였으며, 별장 사용 비율이 높은 허발레르와 같은 지역에서는 尤히 유용하다.