스마트 미터 데이터로 분석한 주거용 PV-EV 공동 사용 패턴 연구
Uncovering Residential PV-EV Co-Adoption from Smart-Meter Data: Load Archetypes and Detection for Demand-Side Planning
arXiv스마트 미터 데이터를 활용하여 가정의 태양광(PV) 발전과 전기차(EV) 사용이 결합된 복합적인 에너지 패턴을 분석했습니다. 연구진은 생활 양식별 행동 아키타입 발견 및 AI 예측 모델을 통합한 워크플로우를 개발했습니다.
- 분석 결과, PV와 EV 모두 사용하는 가구는 주로 평일 낮 시간에 전력을 많이 생산하여 외부로 내보내는 특징적인 패턴이 확인되었습니다. 또한, 개발된 BiLSTM 같은 AI 모델은 높은 정확도로 활동 여부를 구분해냈습니다.
- 이는 개별 장치 사용을 넘어선 가구의 복합적 에너지 소비 행태를 이해하게 돕습니다. 전력망 운영사들이 수요 관리(DSM) 계획이나 요금 설계를 할 때 중요한 기초 자료가 됩니다.
- 다만, 전기차 활동은 충전기 측정 데이터 없이 '충전과 유사한 부하 패턴'을 통해 간접적으로 추론했으므로, 실제 현장 적용 시 이 전제조건을 반드시 고려해야 합니다.
태양광(PV) 시스템과 전기차(EV)의 채택 증가가 주거 전력 수요를 변화시키면서, 수요 관리 및 저전압 네트워크 계획에 새로운 과제를 제시하고 있습니다. 본 연구는 이러한 문제를 분석하기 위해 고급 계량 인프라(AMI) 데이터를 활용하는 통합된 2단계 워크플로우를 개발했습니다. 이 중 발견 단계에서는 동적 시간 왜곡(DTW) k-평균을 적용하여 일별 수입 또는 수출 프로파일을 해석 가능한 행동 아키타입으로 군집화했습니다.
호주 빅토리아 지역의 반시간 단위 주거 데이터를 사용한 분석 결과, PV 전용, EV 전용, 공동 사용자, 미사용 그룹 등 뚜렷하게 구분되는 패턴이 발견되었습니다. 특히 공동 사용자(co-adopters)의 경우, 평일 낮 시간대에 외부로 전력을 많이 내보내는 특징적인 아키타입이 확인되었으며, 이는 전체 일수의 약 50%를 차지하는 것으로 나타났습니다.
활동 감지 예측 모델링 측면에서는 BiLSTM과 XGBoost가 높은 식별 능력을 보였습니다. 구체적으로 BiLSTM은 AUROC 0.991, macro-F1 0.906을 달성했으며, 가장 구분하기 어려운 EV 전용 클래스에서 0.836의 리콜률을 기록했습니다. 이러한 성능은 다양한 레이블링 규칙과 엄격한 순방향 시간 분할에서도 안정적으로 유지되었습니다.