Multi-view clustering of smart meter data

Intelligente Zählerinfrastrukturen generieren groß angelegte, hochdimensionale Zeitreihendaten, die eine detaillierte Analyse des Stromverbrauchs von Haushalten ermöglichen. Die isolierte Clusterung solcher Daten führt jedoch aufgrund von Rauschen, hoher zeitlicher Variabilität und fehlenden Kontextinformationen oft zu instabilen oder weniger interpretierbaren Ergebnissen. Gleichzeitig spielen externe Faktoren wie Temperatur und Sonneneinstrahlung eine wichtige Rolle für den Energiebedarf, sodass ihre Einbeziehung für eine umfassendere Analyse des Verbrauchsverhaltens unerlässlich ist. Obwohl Multi-View-Clustering einen Rahmen für die Integration mehrerer heterogener Datenquellen bietet, sind die meisten bestehenden Methoden nicht explizit für große Multi-View-Zeitreihendatensätze konzipiert oder evaluiert und stehen oft vor Herausforderungen hinsichtlich Skalierbarkeit oder Darstellung. In dieser Arbeit befassen wir uns mit dem Problem des skalierbaren Multi-View-Clusterings für hochdimensionale Zeitreihendaten von intelligenten Stromzählern. Um diese Herausforderung zu bewältigen, wird das FastMICE-Framework, eine skalierbare ensemblebasierte Multi-View-Clustering-Methode, als Kernmethodik verwendet. Um die Anwendbarkeit auf Multi-View-Zeitreihendaten zu verbessern, werden mehrere Erweiterungen eingeführt, darunter zeitbewusste Merkmals-Sampling-Strategien, Merkmalsnormalisierungsverfahren und symbolische Zeitreihendarstellungen unter Verwendung von Symbolic Aggregate Approximation (SAX). Das Framework wird anhand eines realen Smart-Meter-Datensatzes evaluiert, der etwa 195.000 Haushalte mit ihrem täglichen Stromverbrauch über ein Jahr hinweg enthält und durch Temperatur- und Sonneneinstrahlungsdaten ergänzt wird. Da für diesen Datensatz keine Ground-Truth-Labels verfügbar sind, werden zusätzliche beschriftete Benchmark-Datensätze (CMAPSS, HAR, SCRM und ALOI) für die quantitative Bewertung herangezogen. Die Methode wird anhand von Standard-Bewertungsmetriken mit repräsentativen Multi-View-Clustering-Baseline-Ansätzen verglichen.