Mostrar el registro sencillo del ítem
Electric energy consumer characterization classification and forecasting using tiled convolutional neural networks
dc.contributor.author | Aguirre Panadero, Ignacio | es-ES |
dc.contributor.other | Universidad Pontificia Comillas, | es_ES |
dc.date.accessioned | 2018-02-12T09:03:28Z | |
dc.date.available | es_ES | |
dc.date.issued | 2018 | es_ES |
dc.identifier.uri | http://hdl.handle.net/11531/25721 | |
dc.description | Este proyecto tiene como objetivo la caracterización y clasificación de los diferentes tipos de consumidores eléctricos en base a sus perfiles de demanda. Una vez hayan sido caracterizados, se pretende predecir el consumo de nuevos clientes que entren a nuestro sistema. Para la clasificación, los perfiles de demanda (Time Series) serán codificados como imágenes (Markov Transition Fields y Gramian Angular Fields) que serán procesadas por Redes Neuronales Convolucionales (Deep Learning) | es_ES |
dc.description.abstract | Este trabajo presenta un procedimiento para apoyar a las comercializadoras en la extracción de información a partir de los datos de consumo eléctrico. El objetivo final es poder predecir curvas de demanda individuales para cada consumidor para cada una de las cuatro estaciones del año utilizando la información histórica de los meses previos. El algoritmo presentado en este trabajo consigue clasificar a los consumidores en una de los 7 clústeres propuestos, con una precisión del 70 en el mejor de los casos, proponiendo a las comercializadoras un excelente punto de partida en la personalización de tarifas eléctricas. Los datos en forma de serie temporal son transformados en imágenes llamadas GAFs y MTFs que son procesadas por un modelo de redes neuronales convolucionales para realizar tareas de clasificación. La estación del año y el día de la semana (laborable o festivo) tiene un gran impacto en los patrones de consumo. Por esta razón se usan estas dos características para separar la base de datos inicial en otros datasets reducidos. Dos datasets representan cada estación del año, uno para los días laborables y otra para los festivos. Los datos de consumo de los clientes durante una estación (3 meses) son reducidos a un único perfil diario conocido como el perfil diario representativo. Los perfiles diarios representativos se obtienen promediando los perfiles de todos los días de una estación (laborables o festivos) hasta reducirlos a un único día. Por lo tanto, cada consumidor es descrito por dos perfiles diarios representativos para cada dataset (invierno, verano, ...), uno para los días laborables y otro para los festivos. | es-ES |
dc.description.abstract | This work presents a procedure to support the retail and distribution companies on the extraction of knowledge from electricity consumption data. Our final objective is to forecast individual load profiles of consumers for a particular season of the year using the historical information gathered during the months of the previous season. The algorithm classifies consumers in one of the 7 clusters, with 70% accuracy in the best case, which gives retail companies an excellent point to start in tariff customization. We encode the power use (time series) in GAFs and MTFs to represent the images that are processed by the CNNs to perform classification tasks. The season of the year and the type of day (working days or weekends) affect electricity consumption patterns. We use these characteristics to separate the data into smaller datasets. Two datasets represent each season of the year, one for working days and another for weekends. The consumer data of each season of the year is reduced to one daily load profile which is known as the representative load profile. Representative load profiles are obtained by averaging the load profiles of the whole season to one day. The data is averaged along its temporal dimensions which are the 24 hours of a day (96 points, data collected every 15 minutes). Each consumer is then described by one single representative load profile in each dataset, for the different loading conditions. For example, Consumer X will have a representative daily load diagram for winter weekdays and a different one for summer weekday | en-GB |
dc.format.mimetype | application/pdf | es_ES |
dc.language.iso | es-ES | es_ES |
dc.subject.other | MII-E (H62-electrotecnica) | es_ES |
dc.title | Electric energy consumer characterization classification and forecasting using tiled convolutional neural networks | es_ES |
dc.type | info:eu-repo/semantics/masterThesis | es_ES |
dc.rights.accessRights | info:eu-repo/semantics/openAccess | es_ES |
dc.keywords | Predicción, Clasificación, RedesNeuronales, Convolución, K-means, Demanda, MachineLearning | es-ES |
dc.keywords | Forecasting, Classification, NeuralNetworks, Convolution, K-means, Demand, MachineLearning | en-GB |