전력 도난 탐지: 머신 vs 딥러닝
본 연구는 월별 요금 데이터와 현장 검사로 확인된 라벨만으로 전력 도난을 탐지할 때, 어떤 지도 학습 모델이 불규칙한 소비 패턴을 효과적으로 식별하는지 탐구합니다. 이는 AMI(지능형 원격 검침 인프라)의 고해상도 시계열 데이터 없이도 적용 가능한 방법론을 모색합니다. 4,000명의 고객과 864건의 도난 사례를 포함하는 2021년 1월부터 2025년 5월까지의 53개월치 kWh 데이터를 활용했습니다. 도난 사례를 모두 유지하면서 다수 클래스 언더샘플링을 통해 1:1 균형 학습 세트를 구축한 후, K-최근접 이웃, 결정 트리, 서포트 벡터 머신, 랜덤 포레스트, 두 개의 다층 퍼셉트론, LSTM, 1D CNN 등 8가지 분류기를 80/20 계층 분할 방식으로 비교했습니다. 성능은 임계값 최적화 정확도, 정밀도, 재현율, F1-점수, ROC 곡선 아래 면적(AUC) 및 혼동 행렬을 통해 평가되었습니다. 테스트 세트에서 랜덤 포레스트와 소형 밀집 네트워크는 0.685의 정확도를 보였으며, 랜덤 포레스트는 가장 높은 AUC(0.748)와 F1-점수(0.677)를 달성했습니다. 그러나 이 모델들은 테스트 세트 내 도난 계정의 약 1/3을 놓쳤습니다. 본 연구 결과는 월별 전력 도난 스크리닝에 앙상블 및 소형 밀집 네트워크 모델이 유용함을 시사합니다. 또한, AMI 기반 시계열 모델의 성능 이점이 53개 지점의 월별 요금 데이터에는 자동으로 전이되지 않음을 보여줍니다.