데이터 마이닝으로 보는 영국 가정 전력 사용 프로파일링

본 논문은 영국 가정 전력 사용 프로파일을 정의하고, 이를 몇 개의 대표 아키타입으로 요약하는 방법을 탐구한다. 서론에서는 영국 전력 시장이 스마트 미터 도입으로 세분화된 요금제와 수요 관리 전략을 필요로 함을 언급하고, 전력 사용 패턴을 파악하는 것이 정책·사업 설계의 전제 조건임을 강조한다. 전통적인 전력 프로파일링 방법으로는 ‘bottom‑up’과 ‘top‑down’ 두 가지 접근이 존재한다. ‘bottom‑up’은 가전별 부하 모델링을 통해 전체 부하를 합산하는 방식으로, 상세한 원인 분석이 가능하지만 데이터 수집 비용이 높다. 반면 ‘top‑down’은 가구 전체의 계량값만을 이용해 일일 부하 곡선을 분석하는 방식으로, 대규모 표본 확보가 용이해 현재 스마트 미터 환경에 적합하다. 연구팀은 후자의 ‘top‑down’ 접근을 채택하고, Figueiredo et al.(2005)에서 제시한 5단계 프레임워크(데이터 정제, 정규화, 일 유형 분할, 대표 프로파일 생성, 군집화)를 기반으로 영국 밀턴키즈 지역의 1990년대 전력 사용 데이터를 적용하였다. 데이터는 93가구의 시간별 전력 사용량과 기상 변수(강수량, 풍속 등)로 구성되며, 원본 플로피 디스크에서 복구된 뒤 UKERC 데이터 저장소에 CSV 형태로 제공된다. 복구 과정에서 일부 결측치와 오류가 발생했으며, 초기 분석에서는 결측일을 완전 제외하는 방식을 사용하였다. 향후 연구에서는 평균 기반 비율 보정, 일 유형별 평균 활용 등 결측치 보정 방법을 도입할 계획이다. 정규화 단계에서는 각 가구의 일일 프로파일을 0‑1 구간으로 스케일링해 비교 가능하도록 하였으며, 일 유형 분할에서는 기존의 주말/주중·계절 구분 외에 온도·풍속 기반의 세분화를 검토한다. 이는 영국처럼 기후 변동성이 큰 지역에서 동일 계절이라도 난방·냉방 부하가 크게 달라지는 현상을 반영한다. 군집화는 k‑means 알고리즘을 사용했으며, 초기 랜덤 시드에 따른 변동성을 최소화하기 위해 1,000번 반복 실행 후 최적 해를 선택하였다. 군집 수는 2~10까지 탐색했으며, ‘엘보우’ 방법을 적용해 4개의 군집이 가장 적절하다고 판단했다. 각 군집의 중심 프로파일은 대표적인 부하 형태를 나타내며, 실제 가구들의 프로파일은 중심과의 거리(제곱합) 기준으로 할당되었다. 분석 결과, 군집 4는 Economy 7(야간 저가 전력) 사용이 없는 가구가 다수이며, 나머지 3개 군집은 Economy 7 사용량과 고부하 가전(예: 전기 온수기) 사용 패턴에 따라 구분된다. 군집 내에서는 프로파일 형태는 유사하지만 총 사용량(kWh)에서는 차이가 크게 나타났다. 이는 ‘형태(shape)’와 ‘규모(amplitude)’를 구분해 군집화해야 함을 시사한다. 또한, 기존 영국 전력 산업 표준 프로파일과 비교했을 때, 1990년대 데이터는 전체 사용량이 더 높고 피크가 뚜렷한 특징을 보인다. 이는 당시 저장식 난방기와 Economy 7 요금제의 보급률 차이, 가전 효율성 향상 등을 반영한다. 결론에서는 ‘bottom‑up’ 접근이 설명력은 높지만 데이터 수집 비용이 크므로, 대규모 표본 확보가 가능한 ‘top‑down’ 접근이 실용적이라고 판단한다. 현재 프레임워크는 초기 결과만을 제시하고 있으며, 향후 작업으로는 (1) 결측치 보정 알고리즘 고도화, (2) 온도·풍속 기반 일 유형 세분화, (3) DTW, SOM, DBSCAN 등 다양한 군집 기법 비교, (4) 최신 스마트 미터 데이터를 활용한 시계열 군집 및 변동성 분석을 진행한다. 이를 통해 보다 정교한 ‘아키타입’ 가구 모델을 구축하고, 요금제 설계·수요 응답 프로그램에 적용함으로써 전력 시스템 효율성을 높이는 것이 목표이다.