Ensemble-Based Anomaly Detection for Urban Power Efficiency Towards Sustainable Energy Management

도시는 전기를 호흡하는 살아있는 유기체입니다. 가정의 조명부터 병원에 흐르는 전력에 이르기까지, 에너지의 흐름은 현대의 삶을 움직이게 합니다. 하지만 모든 복잡한 시스템과 마찬가지로, 이 흐름이 항상 완벽한 것은 아닙니다. 때때로 전력은 숨겨진 비효율성, 장비 고장, 또는 눈에 띄지 않는 불규칙한 사용 패턴을 통해 낭비되기도 합니다. 이러한 숨겨진 문제를 찾는 것은 어려운데, 스마트 미터기와 센서가 생성하는 데이터가 방대하고, 무질서하며, 끊임없이 변화하기 때문입니다. 단순히 한계치를 설정하고 숫자가 이를 넘어서기를 기다리는 것과 같은 전통적인 오류 탐색 방식은 미세한 이상 징후를 놓치거나 허위 경보를 울리는 경우가 많습니다. 이를 해결하기 위해 연구자들은 컴퓨터가 무엇을 찾으라고 명시적으로 지시받지 않아도 스스로 패턴을 인식할 수 있도록 학습하는 컴퓨터 과학의 한 분야인 머신러닝으로 눈을 돌리고 있습니다. 이러한 시스템에 '정상적인' 에너지 사용이 무엇인지 가르침으로써, 그들은 낭비나 위험을 알리는 기이한 행동을 포착하여 더 깨끗하고 지속 가능한 도시를 향한 길을 제시할 수 있습니다.

인도, 이라크, 말레이시아, 바레인의 대학 연구진은 도시 전력망을 위해 정확히 이와 같은 일을 수행할 수 있는 시스템을 구축하고자 했습니다. 그들의 목표는 원시 에너지 소비 데이터를 훑어보고 이상 징고(anomalies)—즉, 무언가 잘못되었음을 시사하는 불규칙한 급증이나 급락—를 식별할 수 있는 디지털 파수꾼을 만드는 것이었습니다. 그들은 이러한 오류를 찾기 위해 단 하나의 방법만을 의존하지 않았습니다. 대신, 각기 다른 방식으로 데이터를 바라보는 네 가지 서로 다른 컴퓨터 모델 팀을 구축했습니다. '아이솔레이션 포레스트(Isolation Forest)'라고 알려진 한 모델은 데이터를 무작위로 분할하여 어떤 지점들이 홀로 떨어져 있는지 확인하는 방식으로 작동합니다. 또 다른 모델인 '로컬 아웃라이어 팩터(Local Outlier Factor)'는 특정 데이터 영역이 얼마나 밀집되어 있는지를 살펴보고, 이웃으로부터 너무 멀리 떨어진 지점들을 찾아냅니다. 세 번째 모델은 '원 클래스 서포트 벡터 머신(One-Class Support Vector Machine)' 기술을 사용하여 정상적인 행동 주위에 경계를 그려 그 선 밖에 있는 것을 의심스러운 것으로 표시합니다. 가장 복잡한 네 번째 모델인 '오토인코더(Autoencoder)'는 자신이 보는 데이터를 재구성하려고 시도하는 인공 신경망의 일종으로, 만약 데이터의 일부를 재구성하는 데 어려움을 겪는다면 그 부분이 특이하다고 판단합니다.

연구진은 누락된 숫자를 채우고, 왜곡된 데이터를 조정하며, 컴퓨터가 공정하게 처리할 수 있도록 값을 스케일링하는 과정을 거쳐 시 단위 전력 기록 데이터셋을 정제하는 것으로 시작했습니다. 그런 다음 이 정제된 데이터로 네 가지 모델을 학습시켰습니다. 모델이 얼마나 잘 작동하는지 테스트하기 위해, 그들은 데이터의 10%가 알려진 이상치라는 시나리오를 시뮬레이션했는데, 이는 이러한 시스템을 테스트할 때 흔히 쓰이는 비율입니다. 결과에 따르면 모든 모델이 각자의 강점을 가지고 있었지만, 오토인코더가 두드러졌습니다. 오토인코더는 실제 문제를 찾는 것과 허위 경보를 피하는 것 사이의 균형을 맞추는 지표에서 0.9740의 점수를 기록하며 나머지 세 개의 개별 모델보다 뛰어난 성능을 보였습니다. 아이솔레이션 포레스트와 로컬 아웃라이어 팩터 또한 좋은 성능을 보였으나, 오토인코더가 정상적인 변동과 실제 비효율성을 구분하는 데 있어 가장 정밀했습니다.

하지만 연구진은 단 하나의 모델에만 의존하는 것이 위험할 수 있다는 점을 알고 있었습니다. 만약 단일 모델이 실수를 한다면 전체 시스템이 실패하게 됩니다. 더욱 견고한 솔루션을 만들기 위해, 그들은 네 가지 모델을 앙상블 시스템으로 결합했습니다. 이것은 위원회처럼 작동합니다. 즉, 네 가지 모델 중 최소 두 개가 해당 데이터가 이상하다고 동의할 때만 이상치로 표시합니다. 이 접근 방식은 허위 경보의 수를 극적으로 줄였습니다. 테스트에서 이 결합된 시스템은 완벽한 정밀도(precision)를 달в혔는데, 이는 시스템이 경보를 울릴 때마다 그 내용이 정확했음을 의미합니다. 전체적인 정확도는 가장 뛰어난 단일 모델보다 약간 낮았지만, 허위 경보가 시간과 자원을 낭비할 수 있는 실제 환경에서는 충분히 가치 있는 절충안이었습니다. 연구진은 또한 모델이 왜 그러한 결정을 내렸는지 설명하기 위해 'SHAP'이라는 도구를 사용했습니다. 이 분석을 통해 특정 데이터 특징, 특히 피크 사용 시간 및 높은 소비 패턴과 관련된 특징들이 경보를 일으키는 주요 동인임을 밝혀냈습니다.

본 연구는 오토인코더와 같은 딥러닝 모델이 에너지 낭비를 포착하는 강력한 도구이지만, 이를 다른 방법들과 결합함으로써 도시 인프라를 위한 더 안전하고 신뢰할 수 있는 안전망을 구축할 수 있다고 결론짓습니다. 이 시스템은 모든 가능한 고장에 대한 사전 라벨링된 사례 없이도 불규칙한 소비 패턴을 성공적으로 식별해 냈는데, 이는 실제 도시의 경우 과거의 모든 문제에 대한 완벽한 기록을 갖추고 있는 경우가 드물다는 점에서 매우 중요한 이점입니다. 연구진은 본 연구가 시뮬레이션된 정답(ground truth) 데이터를 기반으로 했다는 점을 언급하며, 향ما의 노력은 역동적인 라이브 전력망을 다루기 위해 실시간 시계열 데이터를 통합해야 할 것이라고 밝혔습니다. 이러한 시스템은 보이지 않는 비효율성을 가시화함으로써, 도시 관리자들이 자원을 보호하고 거리의 전력이 현명하게 사용되도록 보장하여 유엔의 지속가능발전목표인 '저렴하고 깨끗한 에너지'를 향한 실질적인 발걸음을 제공합니다.