[논문 리뷰] Machine Learning Approach to Uncovering Residential Energy Consumption Patterns Based on Socioeconomic and Smart Meter Data

Wenjun Tang, Hao Wang외 2명|arXiv (Cornell University)|2021. 04. 12.

Energy Load and Power Forecasting참고 문헌 34인용 수 11

한 줄 요약

이 연구는 스마트 미터 데이터와 사회경제적 특성 정보를 융합하여 주거용 에너지 소비 패턴을 밝혀내는 기계학습 프레임워크를 제안한다. 강력한 클러스터링과 특성 선택 기법을 활용해 12개의 고유한 부하 패턴(평일 6개, 주말 6개)을 식별하였으며, 연령과 교육 수준이 이러한 패턴에 상당한 영향을 미친다는 것을 입증하였다. 이는 XGBoost와 신경망 모델보다 이러한 관계를 더 잘 모델링하는 데 성공하였다.

ABSTRACT

The smart meter data analysis contributes to better planning and operations for the power system. This study aims to identify the drivers of residential energy consumption patterns from the socioeconomic perspective based on the consumption and demographic data using machine learning. We model consumption patterns by representative loads and reveal the relationship between load patterns and socioeconomic characteristics. Specifically, we analyze the real-world smart meter data and extract load patterns by clustering in a robust way. We further identify the influencing socioeconomic attributes on load patterns to improve our method's interpretability. The relationship between consumers' load patterns and selected socioeconomic features is characterized via machine learning models. The findings are as follows. (1) Twelve load clusters, consisting of six for weekdays and six for weekends, exhibit a diverse pattern of lifestyle and a difference between weekdays and weekends. (2) Among various socioeconomic features, age and education level are suggested to influence the load patterns. (3) Our proposed analytical model using feature selection and machine learning is proved to be more effective than XGBoost and conventional neural network model in mapping the relationship between load patterns and socioeconomic features.

연구 동기 및 목표

• 실제 데이터를 기반으로 사회경제적 시각에서 주거용 에너지 소비 패턴의 주요 원인을 규명하는 것.
• 강력한 클러스터링 기법을 통해 스마트 미터 데이터에서 대표적인 부하 패턴을 모델링하고 추출하는 것.
• 특정 사회경제적 특성(예: 연령, 교육 수준)과 부하 패턴을 연결함으로써 모델의 해석 가능성 향상.
• XGBoost와 기존 신경망 모델보다 부하 패턴과 사회경제적 영향 요소 간의 관계를 더 잘 매핑하는 기계학습 모델 개발.

제안 방법

• 실제 스마트 미터 데이터에 비지도 클러스터링을 적용하여 평일 6개, 주말 6개 총 12개의 고유한 부하 패턴을 추출하였다.
• 에너지 소비 패턴과 통합하여 사회경제적 데이터(예: 연령, 교육 수준)를 분석에 통합하였다.
• 부하 패턴에 가장 영향을 미치는 사회경제적 특성 요소를 식별하기 위해 특성 선택 기법을 활용하였다.
• XGBoost와 신경망 모델을 포함한 기계학습 모델을 훈련하고 비교하여 사회경제적 특성과 부하 패턴 간의 관계를 매핑하였다.
• 클러스터링과 해석 가능한 기계학습을 융합한 하이브리드 접근 방식을 통해 모델의 투명성과 성능을 향상시켰다.
• 기본 모델과의 비교 평가를 통해 모델의 유효성을 검증하였으며, 특히 해석 가능성과 정확성에 중점을 두었다.

실험 결과

연구 질문

• RQ1 평일과 주말으로 분류된 스마트 미터 데이터에서 어떤 고유한 주거용 에너지 소비 패턴이 도출되는가?
• RQ2 연령과 교육 수준 등 사회경제적 특성 중에서 이러한 부하 패턴을 형성하는 데 가장 영향을 미치는 요소는 무엇인가?
• RQ3 특성 선택 기법을 통합한 제안된 기계학습 모델이 XGBoost와 기존 신경망 모델보다 부하-사회경제적 관계를 모델링하는 데 어떻게 뛰어난가?
• RQ4 기반 클러스터링의 부하 패턴 표현 방식은 에너지 소비 원인의 해석 가능성에 어느 정도 향상시키는가?
• RQ5 다양한 요일에 걸쳐 민감도 변수가 주거용 에너지 사용에 미치는 상대적 영향은 어떠한가?

주요 결과

• 평일 6개, 주말 6개 총 12개의 고유한 부하 클러스터가 식별되었으며, 이는 다양한 라이프스타일 패턴을 반영하고 평일과 주말 간의 뚜렷한 차이를 보였다.
• 연령과 교육 수준이 주거용 에너지 소비 패턴에 가장 중요한 사회경제적 요소로 확인되었다.
• 특성 선택 기법을 통합한 제안된 기계학습 모델은 XGBoost와 표준 신경망 모델보다 부하-사회경제적 관계를 더 잘 매핑하는 데 뛰어난 성능을 보였다.
• 클러스터링과 해석 가능한 기계학습의 융합은 모델의 투명성을 향상시키며 에너지 사용 원인에 대한 실질적인 통찰을 제공하였다.
• 연구는 사회경제적 특성이 특히 고해상도 스마트 미터 데이터와 함께 분석될 경우 에너지 소비 행동을 결정하는 데 핵심적인 역할을 한다고 확인하였다.
• 강력한 클러스터링 접근 방식은 에너지 소비의 시간적 변화를 성공적으로 포착하였으며, 주중과 주말 간의 명확한 행동 패턴 차이를 드러내었다.