L0 제약 비음수 행렬 분해를 이용한 고정 가변 부하 동시 분리 알고리즘

초록

본 논문은 가정용 전력 사용 데이터를 고정 부하와 가변(시프트가능) 부하로 구분하고, 고정 부하는 실수값 기반, 가변 부하는 이진 신호 기반으로 표현하는 L0‑노름 제약 비음수 행렬 분해(NMF) 알고리즘을 제안한다. 가변 부하에 직접 L0 제약을 적용하기 위해 힐‑클라이밍 휴리스틱을 도입했으며, 고정 부하는 전통적인 곱셈 업데이트로 학습한다. 1분 간격의 실제 가정용 데이터에 적용해 4개의 가변 부하와 하나의 고정 부하를 성공적으로 분리함으로써 제안 방법의 효율성을 입증한다.

상세 분석

이 연구는 에너지 디스어그리게이션 문제를 두 종류의 부하, 즉 하루 전체에 걸쳐 지속적으로 작동하는 고정 부하와 온·오프 주기가 뚜렷한 가변 부하로 명확히 구분한다는 점에서 기존 NMF 기반 접근법과 차별화된다. 고정 부하는 전통적인 비음수 행렬 W_f와 H_f를 사용해 연속적인 전력 프로파일을 근사하고, 곱셈 업데이트 규칙을 적용해 최소 제곱 오차를 감소시킨다. 반면 가변 부하는 각 ON 사이클이 일정 전력 p_j를 소비한다는 가정 하에, 각 사이클을 이진 가중치 h_js(n) 으로 표현한다. 여기서 핵심은 각 가변 부하별로 L0‑노름 ‖h_js(n)‖_0 ≤ L_j (최대 사이클 수) 제약을 직접 적용하는 것이다. 기존 연구에서는 L0 제약을 L1 혹은 정규화 항으로 근사했으나, 본 논문은 힐‑클라이밍 서브루틴을 설계해 현재 잔차 r 와 이진 기저 W_js 의 조합을 탐색한다. 매 반복마다 아직 선택되지 않은 기저 중 잔차 감소량이 가장 큰 인덱스를 선택하고, L_j에 도달하거나 추가 선택이 오히려 오차를 증가시키면 종료한다. 이 과정은 O(L · log|D|) 시간 복잡도를 가지며, L은 기저 수보다 절대적으로 작아 실제 실행 속도가 빠르다.

또한 논문은 전체 목표 함수를 Frobenius 노름 기반 최대우도 추정으로 정당화한다. 각 샘플 x(n) 이 기대값 x̃(n) 주위의 가우시안 분포를 따른다고 가정함으로써, 부정 로그우도는 ‖X‑X̃‖_F²와 동일해 기존 NMF에서 흔히 쓰이는 손실 함수와 일치한다. 따라서 제안 알고리즘은 확률론적 근거를 갖춘 최적화 문제로 해석될 수 있다.

실험에서는 Pecan Street 데이터베이스에서 1분 간격으로 15일(주말 제외) 데이터를 사용했으며, 고정 부하는 하나, 가변 부하는 난방 펌프, 세탁·건조기, 오븐, 주방 기기 네 종류로 설정했다. 각 가변 부하에 대해 피크 전력 p_j 와 최대 사이클 L_j 를 시각적으로 추정하고, 기저 수 |S_j| = 1440(분당 한 개)으로 설정했다. 결과는 전체 부하 재구성 그래프와 개별 부하의 ON·OFF 시점이 실제 측정값과 높은 일치도를 보였으며, 특히 펌프와 세탁·건조기의 사이클 검출 정확도가 뛰어났다. 주방 기기의 경우 피크 전력이 낮아 약간의 오차가 발생했지만, 전체적인 트렌드와 에너지 사용량은 잘 재현되었다.

제안 방법의 장점은 (1) L0 제약을 직접 적용해 사이클 수를 명시적으로 제한함으로써 물리적 의미를 보존, (2) 기존의 복잡한 평균장 어닐링이나 SVD 기반 방법에 비해 계산량이 크게 감소, (3) 고정·가변 부하를 별도 모델링함으로써 각 부하 특성에 맞는 파라미터를 효율적으로 학습한다는 점이다. 한계점으로는 기저 수와 L_j 설정이 사전 지식에 의존하고, 힐‑클라이밍이 지역 최적에 머물 가능성이 있다는 점이 있다. 향후 연구에서는 자동 파라미터 추정, 다중 가변 부하 간 상호작용 모델링, 그리고 실시간 적용을 위한 온라인 업데이트 메커니즘을 탐색할 필요가 있다.