Estimação de consumo de energia elétrica para novos consumidores baseado no consumo da vizinhança

  • Carolina L. S. Cipriano UFMA
  • Weldson A. Corrêa UFMA
  • Arthur G. S. Fernandes UFMA
  • Mayara G. Silva UFMA
  • Stelmo Netto UFMA
  • Eliana Monteiro UFMA
  • Marcia Izabel A. da Silva UFMA
  • Aristófanes C. Silva UFMA

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\%.

Palavras-chave: Predição, Consumo de energia, k-vizinhos mais próximos

Referências

Kim, M., Park, S., Lee, J., Joo, Y., and Choi, J. K. (2017). Learning-based adaptive imputation methodwith knn algorithm for missing power data. Energies, 10(10).

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.
Publicado
25/09/2019
CIPRIANO, Carolina L. S.; CORRÊA, Weldson A.; FERNANDES, Arthur G. S.; SILVA, Mayara G.; NETTO, Stelmo; MONTEIRO , Eliana; DA SILVA, Marcia Izabel A.; SILVA, Aristófanes C.. Estimação de consumo de energia elétrica para novos consumidores baseado no consumo da vizinhança. In: ESCOLA REGIONAL DE COMPUTAÇÃO DO CEARÁ, MARANHÃO E PIAUÍ (ERCEMAPI), 7. , 2019, São Luís/MA. Anais [...]. Porto Alegre: Sociedade Brasileira de Computação, 2019 . p. 206-213.