Modelo para el agrupamiento de series de consumo de energía eléctrica basado en el aprendizaje no supervisado de distancias
Fecha
2016-05-25
Autores
Pérez Verona, Isabel Cristina
Título de la revista
ISSN de la revista
Título del volumen
Editor
Universidad Central “Marta Abreu” de Las Villas
Resumen
Un conocimiento profundo sobre el comportamiento del consumo eléctrico de una región es de gran importancia para la generación de energía eléctrica. Los enfoques existentes para el agrupamiento de series de consumo de energía eléctrica aún no explotan todas las posibilidades que existen para el procesamiento de estos datos, de ahí que se limita el descubrimiento de los perfiles de consumo de energía eléctrica particularmente cuando los métodos de agrupamiento utilizan métricas que no logran captar la similitud real entre las series. Por tanto, el objetivo de esta investigación consiste en obtener perfiles de consumo de energía eléctrica que logren caracterizar el comportamiento diario y mensual de los clientes de una red eléctrica. Los principales resultados obtenidos son: un esquema general para el agrupamiento de series de consumo de energía eléctrica que permite la detección de perfiles de consumo, a través de una serie de ocho etapas y que se distingue de otras propuestas al incluir el aprendizaje no supervisado de distancias, la detección de perfiles de consumo de energía eléctrica a partir de los datos de 216 consumidores de una subestación belga, la determinación de las distancias, métodos de agrupamiento y métodos de aprendizaje de métricas que mejores resultados reportaron para el caso de estudio analizado. Los experimentos ilustran que existen diferencias significativas en los perfiles obtenidos utilizando el esquema propuesto en su totalidad, y los perfiles obtenidos utilizando el esquema obviando la Etapa 6 que lo distingue, obteniéndose los mejores resultados al aplicar todas las etapas del esquema.
A thorough knowledge of the behavior of a region electric consumption is vital for rational power generation. Existing approaches for grouping power consumption series not exploit all the possibilities they could for processing such data, hence the discovery of consumption profiles is limited particularly when clustering methods use metrics that fail to capture the similarity between series. Therefore, our objective is to obtain consumption profiles that characterize daily and monthly customer behavior in an electrical network. Our main results are: a general scheme for grouping power consumption series that allows the detection of consumption profiles, through a series of eight stages, where our scheme differs from other proposals, since we include a stage of unsupervised metric learning; detection of consumption profiles from the consumption data of 216 consumers provided by a Belgian substation; determining distances, clustering methods and unsupervised metric learning methods report the best results for the case study analyzed. The experiments illustrate that there are significant differences in the profiles obtained using the proposed scheme, and profiles obtained using the scheme obviating Stage 6 that distinguishes it, obtaining the best results when applying all stages of the scheme.
A thorough knowledge of the behavior of a region electric consumption is vital for rational power generation. Existing approaches for grouping power consumption series not exploit all the possibilities they could for processing such data, hence the discovery of consumption profiles is limited particularly when clustering methods use metrics that fail to capture the similarity between series. Therefore, our objective is to obtain consumption profiles that characterize daily and monthly customer behavior in an electrical network. Our main results are: a general scheme for grouping power consumption series that allows the detection of consumption profiles, through a series of eight stages, where our scheme differs from other proposals, since we include a stage of unsupervised metric learning; detection of consumption profiles from the consumption data of 216 consumers provided by a Belgian substation; determining distances, clustering methods and unsupervised metric learning methods report the best results for the case study analyzed. The experiments illustrate that there are significant differences in the profiles obtained using the proposed scheme, and profiles obtained using the scheme obviating Stage 6 that distinguishes it, obtaining the best results when applying all stages of the scheme.
Descripción
Palabras clave
Modelo de Agrupamiento, Series de Consumo, Energía Eléctrica, Aprendizaje No Supervisado, Distancias, Inteligencia Artificial