강건하고 설명 가능한 스마트 미터 데이터 결측치 대체 기법 (A Robust and Explainable Missing Value Imputation Method for Smart Meter Data)

서지정보

· 발행기관 : 한국전자거래학회
· 수록지 정보 : 한국전자거래학회지 / 27권 / 3호 / 21 ~ 43페이지
· 저자명 : 한유나, 문지훈, 노승민, 장항배

초록

최근 기후변화와 에너지 위기에 대응하기 위해, 신재생에너지 및 에너지저장장치를 활용하는 스마트 그리드와 마이크로 그리드 기술이 주목받고 있다. 특히, 스마트 그리드의 주요 요소인 에너지관리시스템에서 정확한 단기 전력수요 예측은 에너지 전략 수립에 있어 매우 중요하며, 통상적으로 시간과 기상 정보와 같은 외부 요인 및 과거 전력 사용량이 단기 전력수요 예측 모델의 입력변수로 활용된다. 하지만, 다양한 내부 및 외부 요인으로 인해 스마트 미터 데이터의 결측치가 발생할 수 있으며, 이는 학습 데이터 부족으로 인해 예측 모델의 성능을 저하하는 요인이 된다. 이러한 문제를 다루기 위해, 본 연구는 스마트 미터 데이터의 결측치 대체 기법을 제안한다. 먼저, 국내의 일반용과 산업용 건물의 전력 사용량을 수집하고, 전력 사용량과 연관성을 갖는 다양한 외부 요인을 입력변수로 구성한다. 다음으로, LightGBM 기반의 결측치 대체 모델을 구성하여 결측치가 20%, 10%가 존재한다는 가정에 따라, 5겹과 10겹 교차검증을 통해 결측치를 대체한다. 마지막으로, 건물별, 교차검증별로 LightGBM에 SHAP을 적용하여 모델의 해석 가능성을 제시한다. 다양한 실험을 통해, LightGBM은 여러 기계학습 모델보다 더 나은 결측치 대체 성능을 보였으며 시간과 공휴일 여부와 관련된 입력변수들이 결측치 추정 모델 구성에 주요 변수임을 확인할 수 있었다.

영어초록

To handle the issues related to climate change and the energy crisis, smart grid and microgrid technologies based on renewable energy and energy storage systems are receiving lots of attention. In particular, accurate short-term load forecasting (STLF) is essential in establishing energy strategies in the energy management system, a significant element of the smart grid; herein, external factors, such as time-stamps and weather information, and historical electric load are utilized as input variables for the construction of STLF models. However, various internal and external aspects may cause missing values in smart meter data, which deteriorate the performance of the forecasting model due to a lack of training data. To address this issue, this study proposes a missing value imputation method for smart meter data. We first collect building electrical energy consumption data from commercial and industrial buildings in South Korea and configure various input variables related to the building electrical energy consumption. We then construct a missing value imputation model based on LightGBM (short for Light Gradient Boosting Machine) to replace missing values via 5-fold and 10-fold cross-validations, assuming that 20% and 10% of the missing values exist. We finally apply SHAP (short for SHapley Additive exPlanations) to the LightGBM model for different buildings and cross-validations to represent the interpretability of these models. Through various experiments, the LightGBM model derived better performance than other famous machine learning models in missing value imputation, and the input variables related to the days of the week were the significant variables in constructing the missing value imputation model.

참고자료

· 없음