A Controlled Benchmark of Raw Sequential Image Based Hybrid and Statistical Models for Representation Aware Anomaly Detection in Household Electricity Consumption Time Series 

기술 요약: 가구 전력 소비 시계열의 표현 인식 이상 탐지를 위한 원시 순차적 이미지 기반 하이브리드 및 통계 모델의 통제된 벤치마크

문제 정의

다변량 전력 소비 시계열에서의 희귀 이벤트 이상 탐지는 모델 아키텍처뿐만 아니라 학습 전 사용되는 데이터 표현(representation)에 의해서도 크게 영향을 받습니다. 딥러닝이 이상 탐지 분야를 발전시켜 왔음에도 불구하고, 원시 순차적 모델링(raw sequential modeling), 이미지 기반 시간적 변환(특히 Gramian Angular Field 또는 GAF), 하이브리드 융합 전략, 그리고 통계적 정형 데이터(tabular) 베이스라인 간의 충분히 강력한 통제된 비교 연구는 부족한 실정입니다.

기존 문헌들은 이미지 기반 표현을 평가하면서도 원시 순차적 베이스라인과의 충분히 강력한 비교를 수행하지 못하거나, 성능 향상이 표현 자체에서 기인하는지, 모델 용량에서 기인하는지, 혹은 특정 이상 생성 프로토콜에서 기인하는지를 명확히 밝히지 못하는 경우가 많습니다. 또한, 많은 연구가 시계열 데이터를 이미지(예: GAF)로 변환하는 것이 미세한 국소적 시간적 편차가 중요한 불균형 및 희귀 이벤트 조건에서 특징 추출을 보편적으로 개선한다고 가정하지만, 이는 엄격한 검증이 필요한 주장입니다.

방법론

본 연구는 UCI 개별 가구 전력 소비 데이터셋을 사용하여 통제되고 누수 방지(leakage-aware)가 적용된 벤치마크를 구축합니다. 실험 설계는 데이터 누수를 방지하기 위해 재현성을 우선시하며 엄격한 데이터 분리를 준수합니다.

1. 데이터 및 전처리:

• 데이터셋: 단일 가구의 7개 수치형 특징(전체 유효/무효 전력, 전압, 전류, 3개의 서브 미터링 부하)을 포함하는 300,000개의 연대순 샘플(210일)의 하위 집합.
• 분할: 시간적 무결성을 보장하기 위해 이상치 주입 전 단계에서 연대순 훈련-검증-테스트 분할을 수행함.
• 정규화: Min-max 정규화 파라미터는 오직 훈련 세트에만 적합(fit)시킨 후 검증 및 테스트 세트에 적용함.

2. 합성 이상치 생성:
데이터셋에 자연적인 결함 라벨이 없으므로, 분할 후에 통제된 합성 섭동(perturbation)을 주입했습니다:

• 점 이상치(Point Anomalies): 단일 특징에 대한 무작위 스파이크/드롭 (비율: 0.008).
• 문맥 이상치(Contextual Anomalies): 짧은 구간 내의 국소적 가산적 변화 (비율: 0.008).
• 집단 이상치(Collective Anomalies): 스파이크 블록, 플랫라인(flatline), 또는 역전 왜곡을 포함하는 지속적인 하위 시퀀스 (비율: 0.015).

3. 윈도우 생성 및 라벨링:

• 슬라이딩 윈도우: 길이 60, 스트라이드 20의 윈도우를 생성함.
• 밀도 기반 라벨링: 이상 클래스의 과잉 팽창을 피하기 위해, 이상치 밀도(윈도우 내 이상치 포인트의 비율)가 임계값 $\tau = 0.15$를 초과하는 경우에만 해당 윈도우를 이상치로 라벨링함. 이로 인해 완만한 불균형 데이터셋(이상치 비율 약 11%)이 생성됨.

4. 표현 전략:
동일한 윈도우 데이터로부터 네 가지 별도의 입력 표현을 도출했습니다:

• 원시 순차적(Raw Sequential): 원래의 시간적 순서를 보존하는 $60 \times 7$ 행렬.
• GAF 이미지: 각 특징을 $60 \times 60$ Gramian Angular Field 이미지로 변환한 후 $60 \times 60 \times 7$ 텐서로 스택함.
• 통계적 기술자(Statistical Descriptors): 평균, 표준편차, 백분위수, 차이, 특징 간 상관관계를 포함하는 윈도우당 98차원 벡터.

5. 모델 파이프라인:
동일한 프로토콜(동일한 분할, 임계값 및 지표) 하에 네 가지 파이프라인을 평가했습니다:

• Raw 1D-CNN: 원시 순차적 윈도우에 직접 컨볼루션 적용.
• GAF-CNN: GAF 이미지에 잔차 블록(residual blocks)과 어텐션(attention)을 적용한 2D 컨볼루션 네트워크.
• 하이브리드 융합(Hybrid Fusion): GAF-CNN 특징과 통계적 기술자 브랜치를 결합.
• XGBoost: 통계적 기술자에 대한 그래디언트 부스팅 적용.

6. 평가 프로토콜:

• 불균형 처리: 딥러닝 모델의 경우 훈련 세트에 대해서만 소수 클래스 오버샘플링을 적용했으며, XGBoost는 클래스 가중치 체크를 사용함.
• 임계값 튜닝: F1-score를 최대화하기 위해 검증 세트에서 모델별 임계값을 튜닝함.
• 지표: 정확도(Accuracy)와 ROC-AUC 외에도 F1-score, PR-AUC, 정밀도(Precision), 재현율(Recall)을 강조함.
• 강건성 검사: 데이터 커버리지, 윈도우 라벨링 경계 효과( $\tau=0.15$에서 길이-10 집단 이상치에 대한 구조적 거짓 음성 여부 확인), XGBoost 불균형 가중치, 부트스트랩 신뢰 구간에 대한 감사를 포함함.

주요 기여

1. 통제된 벤치마크: 가구 전력 소비 시계열에 대해 원시 순차적, GAF 기반, 하이브리드, 통계적 학습의 효과를 공유된 합성 이상 프로토콜 하에서 격리하여 비교하는 재현 가능한 표현 비교 벤치마크를 개발함.
2. 누수 방지 설계: 연대순 분할이 이상치 생성 및 윈도우 생성보다 선행되도록 하여 데이터 누수를 엄격히 방지하는 실험 워크플로우를 구축함.
3. 표현에 대한 경험적 증거: 특정 합성 섭동 및 윈도우 라벨링 설계 하에서 GAF 기반 시계열 이미징이 반드시 직접적인 시간적 모델링보다 우수한 성능을 보이는 것은 아님을 입증함.
4. 해석의 제한: 결과를 실제 그리드 규모의 결함 탐지에 대한 우월성 주장으로 확장하지 않고, 통제된 합성 벤치마크 상의 표현-모델 파이프라인 비교로 의도적으로 프레임을 제한함.

결과

F1 최적화 검증 임계값 하에서, Raw 1D-CNN이 가장 강력한 전반적 성능을 달성했습니다:

• 정확도(Accuracy): 0.9528
• 정밀도(Precision): 0.9116
• 재현율(Recall): 0.6471
• F1-score: 0.7569
• PR-AUC: 0.7500

모델 순위:

1. Raw 1D-CNN: 민감도와 오경보 제어 사이의 최적의 균형을 보여줌.
2. Hybrid Fusion: 두 번째로 높은 순위 (F1: 0.6908). 이미지와 통계적 특징을 융합하는 것이 이미지 전용 학습의 한계를 완화함을 시사함.
3. XGBoost: 경쟁력 있는 성능 (F1: 0.6445). 통계적 기술자가 여전히 강력한 베이스라인임을 확인시켜 줌.
4. GAF-CNN: 가장 낮은 성능 (F1: 0.5410). 단독 이미지 기반 변환이 본 벤치마크의 특정 희소하고 국소적인 섭동에는 덜 효과적임을 나타냄.

주요 관찰 사항:

• Raw 1D-CNN은 GAF 변환보다 국소적 변동과 단거리 의존성을 더 효과적으로 보존했으며, 이는 GAF가 미세한 시간적 단서를 평활화(smoothing)하거나 재분배했을 가능성을 시사함.
• 모든 모델은 중간 정도의 재현율(~60-65%)을 보였으며, 이는 약 35%의 이상 윈도우가 탐지되지 못했음을 의미하며, 운영 환경 배포 시 중요한 한계점이 됨.
• 하이브리드 융합 모델은 GAF-CNN보다는 개선되었으나 Raw 1D-CNN을 능가하지는 못했으며, 이는 표현의 복잡성을 더하는 것이 반드시 더 나은 성능을 보장하지 않음을 시사함.

의의 및 주장

본 논문은 표현의 선택이 이상 탐지 성능에 있어 결정적이며, 종종 간과되는 요소라고 주장합니다. 이 연구는 시계열-이미지 변환(예: GAF)이 보편적으로 판별 능력을 향상시킨다는 가설에 이의를 제기합니다. 대신, 가구 전력 데이터의 희귀하고 국소적으로 분포된 이상치의 경우, **직접적인 시간적 모델링(Raw 1D-CNN)**이 이미지 기반 학습보다 더 효과적일 수 있음을 입증합니다.

주장의 겸허함:
저자들은 이러한 결과가 실제 그리드 규모의 이상 탐지에 대한 우월성을 입증하는 것이 아님을 명시적으로 밝힙니다. 본 연구는 다음과 같은 한계를 가집니다:

• 자연적으로 발생하는 결함이 아닌 합성된 이상치 라벨을 사용함.
• 단일 가구의 데이터를 사용하였으므로 그리드 규모의 토폴로지나 다가구 역학을 반영하지 못함.
• 특정 윈도우 라벨링 및 섭동 기하학에 국한됨.

따라서 본 연구의 의의는 표현 전략에 대한 신중한 경험적 비교를 제공하는 데 있습니다. 연구는 아키텍처의 우월성을 주장하기 전에, 연구자들이 명시적이고 재현 가능한 불균형 인식 조건 하에서 표현-모델 파이프라인을 체계적으로 평가해야 한다고 주장합니다. 결과는 표현의 복잡성을 높이는 것이 자동으로 더 나은 이상 탐지로 이어지지는 않으며, 가장 적합한 전략은 특정 운영 맥락에 따라 경험적으로 결정되어야 함을 시사합니다.