📊 statistics

CROCS: A Two-Stage Clustering Framework for Behaviour-Centric Consumer Segmentation with Smart Meter Data

यह शोध पत्र CROCS का प्रस्ताव करता है, जो एक नवीन दो-चरणीय क्लस्टरिंग ढांचा है जो व्यक्तिगत दैनिक लोड प्रोफाइल को प्रतिनिधि सेटों में संक्षेपित करने के लिए स्मार्ट मीटर डेटा का लाभ उठाता है और फिर इन सेटों की भारित समानता के आधार पर उपभोक्ताओं को क्लस्टर करता है, जिससे व्यवहार-केंद्रित उपभोक्ता खंडों का निर्माण होता है, और इस प्रकार बेहतर मांग-पक्ष प्रबंधन (Demand-Side Management) के लिए व्यवहार संबंधी विविधता को प्रभावी ढंग से पकड़ने और डेटा विसंगतियों को संभालने में सक्षम होता है।

मूल लेखक: Luke W. Yerbury, Ricardo J. G. B. Campello, G. C. Livingston Jr, Mark Goldsworthy, Lachlan O'Neil

प्रकाशित 2026-05-26

📖 7 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Luke W. Yerbury, Ricardo J. G. B. Campello, G. C. Livingston Jr, Mark Goldsworthy, Lachlan O'Neil

मूल पेपर CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। ✨ नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें

कल्पना कीजिए कि आप एक शहर के योजनाकार (city planner) हैं जो यह समझने की कोशिश कर रहे हैं कि हजारों अलग-अलग परिवार बिजली का उपयोग कैसे करते हैं। आपके पास डेटा का एक विशाल ढेर है: वर्षों से हर एक दिन, आपको ठीक से पता है कि उन्होंने कब लाइट, ओवन या एयर कंडीशनर चालू किया।

समस्या यह है कि लोग व्यवस्थित नहीं होते। एक परिवार मंगलवार को शाम 6 बजे खाना बना सकता है, लेकिन शुक्रवार को रात 8 बजे। दूसरा परिवार "लेजी संडे" (lazy Sunday) की दिनचर्या रख सकता है जो "बिजी मंडे" (busy Monday) की तुलना में बिल्कुल अलग दिखती है। लोगों को समूह में बांटने के पारंपरिक तरीके अक्सर विफल हो जाते हैं क्योंकि वे सभी को एक ही, कठोर "औसत" (average) शेड्यूल में फिट करने की कोशिश करते हैं। यह किसी व्यक्ति के व्यक्तित्व को केवल मंगलवार दोपहर के एक फोटो से समझाने जैसा है; इसमें आप पूरी तस्वीर खो देते हैं।

यह शोध पत्र एक नया टूल पेश करता है जिसे CROCS (Clustered Representations Optimising Consumer Segmentation) कहा जाता है। CROCS को एक स्मार्ट, दो-चरणीय सॉर्टिंग मशीन के रूप में समझें, जिसे उन लोगों के समूह खोजने के लिए डिज़ाइन किया गया है जो समान व्यवहार करते हैं, भले ही वे बिल्कुल एक ही समय पर ऐसा न करें।

यह इस प्रकार काम करता है, जिसे सरल चरणों में विभाजित किया गया है:

चरण 1: "दैनिक डायरी" छंटनी (पहला चरण)

एक पूरे वर्ष के डेटा को एक उबाऊ औसत में दबाने के बजाय, CROCS प्रत्येक व्यक्ति की दैनिक आदतों को व्यक्तिगत रूप से देखता है।

उपमा (Analogy): कल्पना करें कि हर परिवार से उनके अपने दैनिक फोटो को ढेरों (piles) में छांटने के लिए कहा जा रहा है।
- परिवार A के पास "जल्दी जागने वाले" (Early Riser) दिनों का एक ढेर, "देर रात तक गेम खेलने वाले" (Late Night Gamer) दिनों का एक ढेर, और "छुट्टियों वाले मोड" (Vacation Mode) दिनों का एक ढेर हो सकता है।
- परिवार B के पास "कार्य दिवस" (Work Day) और "वीकेंड पार्टी" (Weekend Party) का ढेर हो सकता है।
CROCS क्या करता है: यह प्रत्येक परिवार के लिए एक रिप्रजेंटेटिव लोड सेट (Representative Load Set - RLS) बनाता है। यह केवल एक फोटो नहीं है; यह उनके सबसे सामान्य "पर्सोना" (personas) का एक छोटा एल्बम है। यह इस तथ्य को पकड़ता है कि एक परिवार केवल एक चीज़ नहीं है; उनके पास जीने के कुछ अलग तरीके हैं।
लाभ: यह चरण बहुत लचीला है। इसे इससे फर्क नहीं पड़ता कि एक परिवार के पास 10 दिनों का डेटा है या 1,000 दिनों का। इसे इससे फर्क नहीं पड़ता कि उनके पास "खराब डेटा" है (जैसे कि वह दिन जब वे छुट्टी पर गए थे और उन्होंने फ्रिज का उपयोग नहीं किया)। यह पहले उनके अपने दिनों को एक साथ समूहित करता है।

चरण 2: "मैचिंग गेम" (दूसरा चरण)

अब जब प्रत्येक परिवार के पास उनकी दैनिक आदतों का अपना छोटा एल्बम है, तो CROCS को परिवारों को एक साथ समूह में बांटना है।

उपमा: कल्पना करें कि आप एल्बमों के आधार पर परिवारों का मिलान करने की कोशिश कर रहे हैं।
- पुराना तरीका: "क्या आप दोनों ठीक शाम 6:00 बजे रात का खाना खाते हैं?" यदि परिवार A शाम 6:00 बजे खाता है और परिवार B शाम 6:15 बजे, तो पुराना तरीका कहता है, "आप अलग हैं!"
- CROCS तरीका: "क्या आप दोनों में 'डिनर टाइम' की आदत है, भले ही एक 6:00 बजे और दूसरा 6:15 बजे खाता हो?"
सीक्रेट सॉस (WSDT): CROCS एक विशेष गणितीय ट्रिक का उपयोग करता है जिसे वेटेड सम ऑफ मिनिमम डिस्टेंस (Weighted Sum of Minimum Distances - WSMD) कहा जाता है। इसे एक स्कोरिंग सिस्टम के रूप में समझें जो कहता है:
1. परिवार A की "डिनर" आदत को देखें। परिवार B के एल्बम में सबसे करीबी मिलान खोजें।
2. महत्वपूर्ण चरण: गिनें कि वह आदत कितनी बार होती है। यदि परिवार A शाम 6:00 बजे 90% बार खाना खाता है, तो वह आदत बहुत महत्वपूर्ण है। यदि वे इसे केवल 1% बार करते हैं, तो यह एक इत्तेफाक है।
3. सिस्टम सामान्य आदतों को अधिक महत्व देता है और अजीब, एक बार होने वाली घटनाओं को अनदेखा कर देता है।
परिणाम: यह पाता है कि परिवार A और परिवार B वास्तव में बहुत समान हैं, भले ही उनके घड़ियाँ थोड़ी अलग समय पर हों। यह उन्हें एक साथ रखता है क्योंकि वे एक ही प्रकार के दिन साझा करते हैं, बस अलग-अलग शेड्यूल पर।

यह क्यों मायने रखता है ("अहा!" क्षण)

शोध पत्र तीन बड़ी बातें बताता है जो इस नए तरीके को पुराने तरीकों से बेहतर बनाती हैं:

यह "असिंक्रोनस" जुड़वाओं (Asynchronous Twins) को संभालता है:
कल्पना करें कि दो परिवार हर तरह से समान हैं, लेकिन एक 9-से-5 की नौकरी करता है और दूसरा 10-से-6 की। उनका दैनिक बिजली उपयोग बिल्कुल एक जैसा दिखता है, बस एक घंटा आगे-पीछे है। पुराने तरीके उन्हें अलग समूहों में डाल देंगे क्योंकि उनकी घड़ियाँ मेल नहीं खातीं। CROCS उन्हें जुड़वा के रूप में देखता है क्योंकि यह कैलेंडर पर सटीक समय के बजाय दिन के आकार (shape) को देखता है।
यह "बुरे दिनों" को अनदेखा करता है:
यदि किसी परिवार के यहाँ बिजली कटौती होती है या कोई अजीब छुट्टी होती है जहाँ वे बिजली का उपयोग नहीं करते हैं, तो पुराने तरीके भ्रमित हो जाते हैं। वे सोच सकते हैं कि पूरा परिवार ही अजीब है। CROCS कहता है, "ओह, वह उनके एल्बम में बस एक अजीब दिन है। आइए उनके अन्य 364 दिनों को देखें।" यह उस पर ध्यान केंद्रित करता है जो ज्यादातर समय होता है।
यह बड़े पैमाने पर काम करता है (Scales Up):
लाखों घरों में स्मार्ट मीटर लगाए जा रहे हैं। पुराने तरीके धीमे हो जाते हैं और बहुत सारा डेटा प्रोसेस करते समय क्रैश हो जाते हैं। CROCS एक ऐसी टीम की तरह है जहाँ हर कोई पहले अपना ढेर खुद छांटता है (चरण 1) और फिर वे आपस में चर्चा करने के लिए आते हैं (चरण 2)। इसका मतलब है कि यह बिना थके विशाल डेटासेट को संभाल सकता है।

अंतिम आउटपुट: "रिफाइंड" समूह

अंत में, CROCS केवल परिवारों को समूहित करने पर ही नहीं रुकता है। यह एक रिफाइंड रिप्रजेंटेटिव लोड सेट (Refined Representative Load Set - RRLS) बनाता है।

उपमा: केवल यह कहने के बजाय कि "समूह A डिनर करता है," यह कहता है, "समूह A के खाने के तीन मुख्य तरीके हैं: 60% समय वे जल्दी खाते हैं, 30% समय वे देर से खाते हैं, और 10% समय वे डिनर छोड़ देते हैं।"
यह ऊर्जा कंपनियों को लोगों के जीवन की एक बहुत अधिक स्पष्ट और ईमानदार तस्वीर देता है, बजाय एक धुंधले, औसत अनुमान के।

सारांश

संक्षेप में, CROCS बिजली उपयोगकर्ताओं को छांटने का एक स्मार्ट तरीका है। यह सभी को एक ही "औसत" शेड्यूल में फिट करने की कोशिश करना बंद करता है। इसके बजाय, यह स्वीकार करता है कि लोगों के जीने के कई "मोड" होते हैं, यह अजीब विसंगतियों (outliers) को अनदेखा करता है, और लोगों को उनके समय के आधार पर नहीं, बल्कि उनके व्यवहार के आधार पर समूह में बांटता है। यह ऊर्जा कंपनियों को बेहतर कार्यक्रम डिजाइन करने में मदद करता है ताकि वे पैसा बचा सकें और ग्रिड को संतुलित कर सकें, क्योंकि वे अंततः बिजली के उपयोग की वास्तविक, जटिल और सुंदर जटिलता को समझ पाते हैं।

तकनीकी सारांश: CROCS – व्यवहार-केंद्रित उपभोक्ता वर्गीकरण के लिए एक द्वि-चरणीय क्लस्टरिंग ढांचा

1. समस्या विवरण

स्मार्ट मीटर बुनियादी ढांचे के प्रसार ने खपत के डेटा की अभूतपूर्व मात्रा उत्पन्न की है, जो डिमांड-साइड मैनेजमेंट (DSM) और डिमांड रिस्पांस (DR) कार्यक्रमों को अनुकूलित करने के लिए व्यवहार-केंद्रित उपभोक्ता वर्गीकरण (सेगमेंटेशन) की क्षमता प्रदान करती है। हालाँकि, मौजूदा क्लस्टरिंग पद्धतियाँ आठ मौलिक सीमाओं से ग्रस्त हैं जो वास्तविक दुनिया के कार्यान्वयन में उनकी प्रभावशीलता को बाधित करती हैं:

उपभोक्ता विविधता का अपर्याप्त प्रतिनिधित्व: पद्धतियाँ अक्सर दैनिक लोड प्रोफाइल (DLPs) को एक एकल प्रतिनिधि लोड प्रोफाइल (RLP) में एकत्रित कर देती हैं, जिससे यह तथ्य छिप जाता है कि व्यक्तिगत उपभोक्ता कई विशिष्ट व्यवहार संबंधी मोड प्रदर्शित करते हैं।
अति-सरलीकृत क्लस्टर लक्षण वर्णन: क्लस्टर आमतौर पर एक एकल प्रोटोटाइपिकल प्रोफाइल द्वारा संक्षेपित किए जाते हैं, जो एक समूह के भीतर साझा बहु-मोडल व्यवहारों को पकड़ने में विफल रहते हैं।
सामयिक रूप से एंकरित (Temporally Anchored) तुलनाओं पर निर्भरता: कई पद्धतियाँ यह मानती हैं कि व्यवहारिक समानता के लिए एक ही कैलेंडर दिनों पर संरेखण आवश्यक है, जिससे उन उपभोक्ताओं की पहचान करने में विफलता होती है जिनके पैटर्न अलग-अलग शेड्यूल पर होते हैं (एसिंक्रोनस समानता)।
विसंगतियों (Anomalies) के प्रति संवेदनशीलता: आउटलियर दिनों (जैसे, छुट्टियाँ, यात्रा) को अक्सर नियमित दिनों के समान भार दिया जाता है, जिससे उपभोक्ता प्रतिनिधित्व विकृत हो जाता है।
समय-तुल्यकालिक (Time-synchronised) डेटा की आवश्यकता: कई दृष्टिकोणों के लिए इनपुट श्रृंखलाओं का एक ही टाइमस्टैम्प पर शुरू और समाप्त होना आवश्यक है, जो अलग-अलग स्थापना तिथियों या भिन्न डेटा लंबाई वाले उपभोक्ताओं को बाहर कर देता है।
नियमित विच्छेदन (Discontinuities) के प्रति संवेदनशीलता: पद्धतियाँ तब संघर्ष करती हैं जब डेटा को खंडित किया जाता है (जैसे, कार्यदिवस बनाम सप्ताहांत), जिससे स्प्यूरियस टेम्पोरल डिपेंडेंसी उत्पन्न होती है।
लुप्त डेटा (Missing Data) के प्रबंधन में खराब प्रदर्शन: लुप्त अंतराल अक्सर पूरे उपभोक्ता रिकॉर्ड को बाहर करने की आवश्यकता पैदा करते हैं, न कि केवल प्रभावित दिनों को।
सीमित स्केलेबिलिटी: ग्लोबल रिप्रेजेंटेशन विधियाँ (जैसे, प्रिंसिपल कंपोनेंट एनालिसिस के लिए सभी डेटा को पूल करना) जनसंख्या के आकार के साथ खराब रूप से स्केल करती हैं और नए उपभोक्ताओं को जोड़े जाने पर पुनर्गणना की आवश्यकता होती है।

कोई भी मौजूदा दृष्टिकोण इन सभी सीमाओं को एक साथ संबोधित नहीं करता है, जो मजबूत, स्केलेबल और व्याख्या योग्य उपभोक्ता वर्गीकरण के लिए साहित्य में एक महत्वपूर्ण अंतर पैदा करता है।

2. कार्यप्रणाली: CROCS ढांचा

लेखक CROCS (Clustered Representations Optimising Consumer Segmentation) का प्रस्ताव करते हैं, जो उपरोक्त सीमाओं को दूर करने के लिए डिज़ाइन किया गया एक अभिनव द्वि-चरणीय ढांचा है।

चरण एक: स्वतंत्र उपभोक्ता क्लस्टरिंग (RLS जनरेशन)

एक उपभोक्ता के संपूर्ण इतिहास को एक एकल औसत प्रोफाइल में एकत्रित करने के बजाय, चरण एक प्रत्येक उपभोक्ता के दैनिक लोड प्रोफाइल (DLPs) को स्वतंत्र रूप से क्लस्टर करता है।

प्रक्रिया: प्रत्येक उपभोक्ता $i$ के लिए, उनके $p_i$ DLPs को $k_i$ समूहों में क्लस्टर किया जाता है।
आउटपुट: एक रिप्रेजेंटेटिव लोड सेट (RLS), जिसे $\hat{S}_i = \{\pi^1_i, \pi^2_i, \dots, \pi^{k_i}_i\}$ द्वारा दर्शाया गया है, जहाँ प्रत्येक $\pi$ एक प्रोटोटाइप (जैसे, एक मेडॉइड) है जो एक विशिष्ट व्यवहारिक मोड का प्रतिनिधित्व करता है।
मुख्य विशेषता: यह चरण उपभोक्ता की आंतरिक परिवर्तनशीलता को कैप्चर करता है। $k_i$ का मान प्रत्येक उपभोक्ता के लिए भिन्न हो सकता है या सभी उपभोक्ताओं के लिए एक समान $k$ मान पर स्थिर किया जा सकता है। प्रदर्शन को कम किए बिना सभी व्यवहारिक मोड को कैप्चर करने के लिए $k$ का अति-अनुमान (overestimation) करने की अनुमति है।
मजबूती: DLPs को स्वतंत्र रूप से क्लस्टर करके, यह विधि लुप्त डेटा (प्रभावित दिनों को बस छोड़ दिया जाता है), अनियमितताओं और गैर-तुल्यकालिक समय श्रृंखलाओं को स्वाभाविक रूप से संभालती है।

चरण दो: WSMD के माध्यम से उपभोक्ता क्लस्टरिंग

चरण दो उपभोक्ताओं को उनके RLSs के आधार पर क्लस्टर करता है।

दूरी माप (Distance Measure): लेखक वेटेड सम ऑफ मिनिमम डिस्टेंस (WSMD) पेश करते हैं। मानक सेट-टू-सेट दूरियों (जैसे, हॉफडॉस) के विपरीत, WSMD प्रत्येक व्यवहारिक मोड की व्यापकता (prevalence) को ध्यान में रखता है।
- सूत्र: $\Delta_{WSMD}(\hat{S}_i, \hat{S}_j) = \frac{1}{2} \left[ \frac{1}{p_i} \sum_{a=1}^{k_i} n^a_i \min_b d(\pi^a_i, \pi^b_j) + \frac{1}{p_j} \sum_{b=1}^{k_j} n^b_j \min_a d(\pi^b_j, \pi^a_i) \right]$
- यहाँ, $n^a_i$ प्रोटोटाइप $\pi^a_i$ द्वारा प्रतिनिधित्व किए गए DLPs की संख्या है, और $d(\cdot, \cdot)$ एक टाइम-सीरीज डिसिमिलरिटी माप (जैसे, DTW) है।
तंत्र: WSMD वर्तमान सेट में प्रत्येक प्रोटोटाइप के लिए दूसरे उपभोक्ता के सेट में निकटतम प्रोटोटाइप को ढूंढता है, और इस दूरी को उस व्यवहार की आवृत्ति के आधार पर वेट (weight) देता है। यह सुनिश्चित करता है कि सामान्य व्यवहार इस समानता मीट्रिक पर हावी हों, जबकि दुर्लभ विसंगतियों का प्रभाव न्यूनतम हो।
एसिंक्रोनस डिटेक्शन: क्योंकि RLS एक समय-क्रमबद्ध अनुक्रम के बजाय पैटर्न का एक सेट है, WSMD उपभोक्ताओं के बीच समानता की पहचान कर सकता है भले ही उनके पैटर्न अलग-अलग दिनों पर हों (एसिंक्रोनस समानता)।

वैकल्पिक चरण: रिफाइंड रिप्रेजेंटेटिव लोड सेट्स (RRLS)

व्याख्यात्मकता बढ़ाने के लिए, ढांचा एक ग्राफ-आधारित कम्युनिटी डिटेक्शन चरण शामिल करता है।

प्रक्रिया: एक ग्राफ बनाया जाता है जहाँ नोड्स एक क्लस्टर के सभी उपभोक्ताओं के प्रोटोटाइप हैं, और किनारे (edges) WSMD-प्रेरित समानताओं का प्रतिनिधित्व करते हैं।
आउटपुट: कम्युनिटी डिटेक्शन एल्गोरिदम (जैसे, लाइडेन) घने रूप से जुड़े उप-ग्राफों की पहचान करते हैं, जिन्हें रिफाइंड रिप्रेजेंटेटिव लोड सेट्स (RRLS) के रूप में संक्षेपित किया जाता है। ये एक क्लस्टर को परिभाषित करने वाले साझा व्यवहारिक मोड के मल्टी-प्रोफाइल सारांश प्रदान करते हैं।

3. मुख्य योगदान

व्यापक समीक्षा और वर्गीकरण: पेपर मौजूदा उपभोक्ता क्लस्टरिंग विधियों की एक संरचित समीक्षा प्रदान करता है, जो उन्हें उनकी सीमाओं के आधार पर वर्गीकृत करता है और द्वि-चरणीय विधियों का एक वर्गीकरण पेश करता है।
अभिनव ढांचा (CROCS): मौजूदा विधियों की सभी आठ पहचानी गई सीमाओं को एक साथ संबोधित करने वाला पहला ढांचा।
रिप्रेजेंटेटिव लोड सेट (RLS): प्रत्येक उपभोक्ता के लिए स्वतंत्र रूप से सीखा गया एक लचीला, सेट-आधारित प्रतिनिधित्व, जो अस्थायी एंकरिंग के बिना आवर्ती व्यवहारों की विविधता को कैप्चर करता है।
वेटेड सम ऑफ मिनिमम डिस्टेंस (WSMD): एक नवीन सेट-टू-सेट डिसिमिलिटी मेजर जो व्यवहारिक पैटर्न को उनकी व्यापकता के आधार पर वेट देता है, जिससे RLSs की मजबूत तुलना संभव होती है।
ग्राफ-आधारित RRLS: साझा व्यवहारिक मोड को स्पष्ट रूप से प्रकट करके व्याख्यात्मकता में सुधार करने वाले मल्टी-प्रोफाइल क्लस्टर सारांश निकालने के लिए एक प्रक्रिया।
प्रायोगिक सत्यापन: सिंथेटिक और वास्तविक दुनिया के ऑस्ट्रेलियाई स्मार्ट मीटर डेटासेट (Ausgrid और SGSC) पर व्यापक प्रयोगों के माध्यम से फ्रेमवर्क के प्रदर्शन, स्केलेबिलिटी और मजबूती को प्रमाणित किया गया है।

4. प्रायोगिक परिणाम

लेखकों ने एडजस्टेड रैंड इंडेक्स (ARI), एडजस्टेड म्यूचुअल इंफॉर्मेशन (AMI), और पेयर सेट्स इंडेक्स (PSI) का उपयोग करके सिंगल-स्टेज और टू-स्टेज बेसलाइन्स (RLP, DCP, GPF और एन्सेम्बल विधियों सहित) के विरुद्ध CROCS का मूल्यांकन किया।

उपभोक्ता आंतरिक परिवर्तनशीलता: CROCS (RLS का उपयोग करके) ने सिंगल-प्रोफाइल विधियों (RLP, DCP) और ग्लोबल मल्टी-प्रोफाइल विधियों (GPF) की तुलना में काफी कम रिकंस्ट्रक्शन एरर प्राप्त किया, विशेष रूप से जैसे-जैसे व्यवहारिक मोड की संख्या बढ़ी।
आउटलियर्स के प्रति मजबूती: बढ़ते आउटलियर दिनों वाले सिंथेटिक प्रयोगों में, WSMD ने लगातार अन्य सेट दूरियों (SMD, MHD, Hausdorff) को पछाड़ दिया। इसने सटीकता बनाए रखने के लिए प्रतिस्पर्धियों की तुलना में क्लस्टर पैरामीटर $k$ के कम ओवर-एस्टीमेशन की आवश्यकता के साथ बेहतर प्रदर्शन किया।
एसिंक्रोनस समानता: प्रयोगों ने प्रदर्शित किया कि वास्तविक डेटा में एसिंक्रस रूप से व्यक्त पैटर्न वाले उपभोक्ता आम हैं (AG डेटासेट में जोड़ों के लगभग 7.7% बनाम सिंक्रनाइज़्ड जोड़ों के लिए 0.6%)। CROCS एकमात्र विधि थी जिसने लगातार इन एसिंक्रोनस क्लस्टर्स को रिकवर किया, जबकि टेम्पोरल एलाइनमेंट पर निर्भर विधियाँ (जैसे, लॉन्ग टाइम सीरीज़, DCE) विफल रहीं।
स्केलेबिलिटी: CROCS ने व्यावहारिक स्केलेबिलिटी प्रदर्शित की, जिसने एक सिंगल HPC नोड पर दो दिनों के भीतर 80,000 उपभोक्ताओं तक के डेटासेट को प्रोसेस किया। फ्रेमवर्क का पहला चरण पूरी तरह से पैरेलल (parallelisable) है, और दूसरा चरण उपभोक्ताओं की संख्या के साथ क्वाड्रेटिक रूप से स्केल करता है लेकिन प्रोटोटाइप की संख्या के साथ रैखिक रूप से स्केल करता है, जिससे यह बड़ी आबादी के लिए व्यवहार्य बनता है।
वास्तविक दुनिया का अनुप्रयोग: ऑस्ट्रेलियाई ग्रीष्मकालीन और शीतकालीन डेटा पर लागू होने पर, CROCS ने व्याख्या योग्य हाइपरप्रोटोटाइप के साथ विशिष्ट उपभोक्ता क्लस्टर की पहचान की। परिणामों ने व्यवहारिक विविधता में मौसमी बदलावों को उजागर किया और DSM कार्यक्रम डिजाइन (जैसे, विशिष्ट लोड प्रोफाइल को लक्षित करना) के लिए कार्रवाई योग्य अंतर्दမျှ (insights) प्रदान किए।

5. महत्व और दावे

पेपर का दावा है कि CROCS व्यवहार-केंद्रित उपभोक्ता वर्गीकरण में पद्धतिगत कठोरता के साथ व्यावहारिक स्केलेबिलिटी को एकीकृत करके एक महत्वपूर्ण प्रगति का प्रतिनिधित्व करता है।

प्रतिमान परिवर्तन (Paradigm Shift): यह ढांचा इस धारणा को चुनौती देता है कि उपभोक्ता समानता को टेम्पोरल रूप से एंकरित होना चाहिए, यह प्रदर्शित करते हुए कि एसिंक्रोनस समानता प्रचलित है और प्रभावी DSM/DR रणनीतियों के लिए महत्वपूर्ण है।
परिचालन उपयोगिता: व्याख्या योग्य, मल्टी-प्रोफाइल सारांश (RRLS) प्रदान करके और वास्तविक दुनिया के डेटा की खामियों (लुप्त डेटा, विसंगतियां, अनियमित शेड्यूल) को मजबूती से संभालकर, CROCS डिमांड-साइड हस्तक्षेपों को डिजाइन करने और मूल्यांकन करने के लिए एक अधिक विश्वसनीय आधार प्रदान करता है।
विस्तार क्षमता (Extensibility): ढांचे की मॉड्यूलर प्रकृति इसे स्मार्ट मीटर के अलावा विभिन्न समय-श्रृंखला डोमेन, जैसे पानी की खपत, EV चार्जिंग, या मशीन ऑपरेशन चक्रों में अनुकूलित करने की अनुमति देती है, जहाँ लंबी श्रृंखलाओं को आवर्ती अवधियों में विभाजित किया जा सकता है।

लेखक निष्कर्ष निकालते हैं कि CROCS जटिल बिजली प्रणालियों में स्मार्ट मीटर निवेश के मूल्य को अधिकतम करने के लिए एक मजबूत उपकरण प्रदान करके DSM और DR रणनीतियों के विश्लेषणात्मक आधार को मजबूत करता है।