Estimação de consumo de energia elétrica para novos consumidores baseado no consumo da vizinhança
Resumo
A tarefa de predição do consumo de energia elétrica dos consumidores é atualmente uma tendencia nas companhias de fornecimento de energia elétrica. Essa predição torna-se difícil ou impraticável em consumidores sem nenhum ou com pequeno histórico de consumo. Dessa forma, esse trabalho trata de uma alternativa à predição do consumo de energia, para consumidores sem histórico de consumo, baseado no consumo dos k-vizinhos mais próximos. A abordagem proposta utiliza o agrupador X-Means na definição dos grupos de consumidores e o regressor gradiente descendente estocástico para estimar o consumo. O método proposto alcançou resultados promissores, obtendo erro médio absoluto percentual de 38,76\% e Coeficiente de Desigualdade de Theil de 29,56\%.
Referências
Leuthold, R. M. (1975). On the use of theil’s inequality coefficients. American Journal of Agricultural Economics, 57(2):344–346.
Lora, A. T., Santos, J. R., Santos, J. R., Ramos, J. L. M., and Exposito, A. G. (2002). Electricity market price forecasting: Neural networks versus weighted-distance k nearest neighbours. In Hameurlain, A., Cicchetti, R., and Traunm¨uller, R., editors, Database and Expert Systems Applications, pages 321–330, Berlin, Heidelberg. Springer Berlin Heidelberg.
McLoughlin, F., Duffy, A., and Conlon, M. (2015). A clustering approach to domestic electricity load profile characterisation using smart metering data. Applied energy, 141:190–199.
Pelleg, D., Moore, A. W., et al. (2000). X-means: extending k-means with efficient estimation of the number of clusters. In Icml, volume 1, pages 727–734.
Poloczek, J., Treiber, N. A., and Kramer, O. (2014). Knn regression as geo-imputation method for spatio-temporal wind data. In de la Puerta, J. G., Ferreira, I. G., Bringas,
P. G., Klett, F., Abraham, A., de Carvalho, A. C., Herrero, A´ ., Baruque, B., Quinti´an, H., and Corchado, E., editors, International Joint Conference SOCO’14- CISIS’14-ICEUTE’14, pages 185–193, Cham. Springer International Publishing.
Ruder, S. (2016). An overview of gradient descent optimization algorithms. arXiv preprint arXiv:1609.04747.
Wahid, F. and Kim, D. (2016). A prediction approach for demand analysis of energy consumption using k-nearest neighbor in residential buildings. International Journal of Smart Home, 10:97–108.
Williamson, D. F., Parker, R. A., and Kendrick, J. S. (1989). The box plot: a simple visual method to interpret data. Annals of internal medicine, 110(11):916–921.
Yorucu, V. (2003). The analysis of forecasting performance by using time series data for two mediterranean islands. Review of Social, Economic & Business Studies, 2:175– 196.