기술 요약: 분산형 태양광 시스템을 위한 개인정보 보호형 발전 사기 탐지

1. 문제 제기

분산형 주거용 태양광 (PV) 시스템의 급속한 확장은 새로운 형태의 전기 사기를 초래했습니다: PV 발전 사기 (PVG-FD). 기존 전력 도난이 소비량 과소 보고를 수반하는 것과 달리, PVG-FD 는 악의적인 프로슈머가 유틸리티 회사로부터 과도한 수익을 청구하기 위해 발전량을 과대 보고하는 것을 포함합니다. 태양광 발전의 본질적인 간헐성과 불확실성으로 인해 이러한 행위를 탐지하는 것은 특히 어렵습니다.

기존 탐지 방법은 세 가지 주요 한계에 직면해 있습니다:

1. 데이터 양식 간극: 기존 접근 방식은 종종 PV 발전 데이터와 기상 조건 (특히 일사량) 간의 복잡하고 비선형적이며 역동적인 관계를 효과적으로 모델링하지 못합니다. 이러한 데이터 소스는 물리적 의미, 세분화 수준, 그리고 잡음 특성에서 차이가 있습니다.
2. 개인정보 보호 및 확장성: 중앙 집중식 학습 패러다임은 여러 가구의 민감한 미터 데이터를 집계해야 하므로, 심각한 개인정보 위험과 통신 병목 현상을 초래합니다.
3. 클래스 불균형: 사기 사례는 정상 발전에 비해 드뭅니다. 커뮤니티 간에 데이터가 분할되는 분산 환경에서는 커뮤니티당 사기 샘플의 부족이 심화되어, 변별력 있는 특징의 학습을 방해합니다.

2. 방법론

본 논문은 연방 학습 (FL) 기반의 개인정보 보호형 분산 PVG-FD 프레임워크를 제안합니다. 이 프레임워크는 유틸리티 회사가 원시 로컬 데이터에 접근하지 않고도 여러 가구 커뮤니티를 조정할 수 있게 합니다. 이 솔루션은 두 가지 주요 구성 요소로 이루어집니다:

A. 주거 단위 탐지 모델 (로컬)

각 커뮤니티는 다중 소스 데이터를 융합하도록 설계된 로컬 탐지 모델을 학습합니다. 아키텍처는 다음과 같습니다:

• 데이터 전처리: PV 발전 및 기상 시계열 데이터 (확산 수평 일사량 [DHI], 전역 수평 일사량 [GHI], 직접 수직 일사량 [DNI]) 의 슬라이딩 윈도우 분할.
• 특징 추출:
  • PV 발전: 단변량 발전 데이터의 시간적 의존성을 포착하기 위해 장단기 메모리 (LSTM) 네트워크를 통해 처리됩니다.
  • 일사량 데이터: CNN-LSTM 아키텍처를 통해 처리됩니다. 2D 컨볼루션이 세 가지 일사량 지표 간의 공간적 상관관계를 추출한 후, LSTM 레이어가 시간적 모델링을 수행합니다.
• 공유 주시 (Co-Attention) 메커니즘: 자기 주시 (self-attention) 와 교차 주시 (cross-attention) 를 결합한 새로운 융합 모듈.
  • 자기 주시는 각 양식 내의 특징을 정제합니다.
  • 교차 주시는 양방향 상호작용을 가능하게 하여, PV 발전 특징이 일사량 특징에 주시하고 그 반대의 경우도 가능하게 합니다. 이는 사기를 나타내는 불일치를 포착합니다.
• 예측: 다층 퍼셉트론 (MLP) 이 사기 확률을 출력합니다.

B. 연방 학습 프레임워크 (글로벌)

개인정보 보호와 클래스 불균형을 해결하기 위해, 이 프레임워크는 다음을 활용합니다:

• 모델 분할: 로컬 모델을 베이스 모델 (얕은 레이어: LSTM, CNN-LSTM, 공유 주시) 과 헤드 모델 (깊은 레이어: MLP) 로 분할합니다. 베이스 모델 파라미터만 서버에 업로드되어 집계되며, 헤드 모델은 로컬에 남아 작업별 결정 경계를 보호합니다.
• 프로토타입 기반 정규화: 클래스 불균형을 완화하기 위해, 프레임워크는 클래스 프로토타입 (정상 및 사기 클래스를 대표하는 임베딩) 을 활용합니다.
  • 로컬 프로토타입은 베이스 모델의 임베딩에서 계산됩니다.
  • 글로벌 프로토타입은 서버에서 집계됩니다.
  • 로컬 손실 함수에 정규화 항을 추가하여 코사인 유사도를 이용해 로컬 프로토타입을 글로벌 프로토타입과 정렬합니다. 이는 원시 데이터를 공유하지 않고도 소수 클래스 (사기) 의 표현력을 향상시킵니다.

3. 주요 기여

저자들은 세 가지 구체적인 기여를 식별합니다:

1. 개인정보 보호형 FL 프레임워크: 커뮤니티 간 협력 학습을 가능하게 하면서 데이터 개인정보 보호를 유지하고 클래스 불균형을 명시적으로 해결하는 PVG-FD 를 위한 분산형 방법.
2. 다중 소스 데이터 융합 모델: 공유 주시 메커니즘을 활용하여 PV 발전 데이터와 다변량 일사량 데이터를 공동으로 모델링하고 복잡한 교차 양식 의존성을 포착하는 주거 단위 탐지 모델.
3. 프로토타입 기반 정규화: FL 프레임워크에 통합된 메커니즘으로, 사기 관련 표현 학습을 개선하고 사기 샘플의 부족을 특히 겨냥하여 커뮤니티 간 지식 공유를 촉진합니다.

4. 실험 결과

이 방법은 3 년 동안 300 가구를 대상으로 한 실제 데이터셋 (Ausgrid 의 Solar Home Electricity Data) 에서 평가되었으며, 세 가지 공격 유형 (균일 인플레이션, 피크 윈도우 인플레이션, 요금 기반 시간 이동) 을 시뮬레이션하기 위해 합성 사기가 주입되었습니다.

• 로컬 모델 성능: 제안된 모델은 모든 지표 (정확도, AUC, F1 점수, MCC) 에서 최신 베이스라인 (LSTM, CNN-LSTM, Transformer, Reformer, DLinear) 을 능가했습니다. FedAvg 프레임워크 하에서 95.57% 정확도와 84.17% F1 점수를 달성했습니다.
• 강건성: 이 모델은 계절 간 교차 테스트 및 잡음이 있는 일사량 조건 (세분화된 기상 데이터가 커뮤니티 평균으로 대체된 경우) 에서 우수한 성능을 보였습니다.
• FL 프레임워크 효과성: 로컬 전용, 표준 FedAvg, BalanceFL, FedNH 와 비교하여 제안된 프레임워크는 가장 높은 성능 (96.90% 정확도, 89.27% F1 점수) 을 달성했습니다.
• 확장성 및 불균형: 커뮤니티 수가 증가함에 따라 (로컬 데이터 크기 감소) 그리고 극단적인 클래스 불균형 (0.5% 사기율) 하에서도 프레임워크는 견고한 성능을 유지했으며, 이때 가장 높은 Precision@5/1000(65.51%) 과 가장 낮은 오검출률을 달성했습니다.
• 통신 효율성: 제안된 방법은 전체 모델 가중치 대신 베이스 파라미터와 프로토타입만 교환함으로써 FedAvg 및 BalanceFL 대비 라운드당 통신 오버헤드를 감소시켰습니다.

5. 중요성 및 주장

본 논문은 제안된 프레임워크가 분산형 PV 사기 탐지에서 개인정보 보호, 데이터 양식 간극, 그리고 클래스 불균형이라는 중대한 과제를 성공적으로 해결한다고 주장합니다.

• 개인정보 보호: FL 및 모델 분할을 활용함으로써, 프레임워크는 유틸리티 회사가 개별 가구 데이터의 개인정보를 훼손하지 않고 글로벌 지식을 활용할 수 있게 합니다.
• 정확도: 공유 주시 메커니즘을 통한 기상 데이터 통합은 미터 데이터에만 의존하거나 단순 융합을 사용하는 방법보다 탐지 정확도를 크게 향상시킵니다.
• 불균형 처리: 프로토타입 정렬 전략은 분산 환경에서 드문 사기 사건과 관련된 성능 저하를 효과적으로 완화합니다.

저자들은 이 방법이 높은 정확도와 강건성을 보이지만, 향후 연구는 라벨이 지정된 사기 데이터에 대한 의존도를 줄이기 위해 준지도/비지도 학습을 탐구하고, 오버헤드를 더욱 줄이기 위해 적응형 통신 전략을 개발해야 한다고 결론지었습니다. 현재 설계는 매 라운드에서 완전한 통신이 필요한 표준 동기식 FL 프로토콜에 의존합니다.