Método para descubrir patrones espacio-temporales de comportamiento de usuarios eléctricos utilizando herramientas de aprendizaje automático

Abstract

This research presents a novel approach to define geographic areas with typical electricity consumption profiles from smart meter records, using machine learning and spatial analysis methods. Distribution system operators must guarantee the quality and reliability of the electric service. To achieve this objective, electricity distribution utilities need to know in detail and with an adequate periodicity the consumption profiles of their customers. Modern telemetering devices, such as smart meters, open the door to an immense amount of data and new analysis, due to a higher frequency and precision of consumer electrical consumption. However, conventional methods cannot deal with the voluminous and fast gathered data by smart meters. The objective of this research is to apply machine learning techniques combined with spatial analysis to generate more efficient and accurate load profiles in the areas of study. The study analyzes a voluminous database of measurements gathered during 4 years by 1000 georeferenced smart meters located in the city of Guayaquil in Ecuador. In the study an unsupervised learning methodology to group and classify the time series of energy measurements, using the dynamic time warping technique to discover typical load profiles according to their characteristic weekly consumption, is applied. Next, we perform a restricted space-time analysis to define geographic areas with constant and predictable behavior

Aquesta investigació presenta un enfocament nou per definir zones geogràfiques amb perfils típics de consum elèctric a partir dels registres de mesuradors intel·ligents, utilitzant mètodes d'aprenentatge automàtic i anàlisi espacial. Les empreses d'electricitat han de garantir la qualitat i fiabilitat del servei elèctric. Per aconseguir aquest objectiu, les empreses de distribució d'electricitat requereixen conèixer en detall i amb una periodicitat adequada els perfils de consum dels seus clients. Els moderns dispositius de telemesura, com els mesuradors intel·ligents, obren la porta a una immensa quantitat de dades i nous anàlisis, a causa de la major freqüència i precisió de la informació del consumidor, però els mètodes convencionals no poden abordar els voluminosos i ràpids conjunts de dades que generen aquests dispositius. L'objectiu d'aquesta investigació és utilitzar tècniques d'aprenentatge automàtic combinades amb l'anàlisi espacial per generar perfils de càrrega més eficients i precisos a les zones d'estudi. L'estudi analitza una voluminosa base de dades amb mesuraments de 4 anys recollits per 1000 mesuradors intel·ligents georeferenciats a la ciutat de Guayaquil a l’Equador. A l'estudi s'implementa una metodologia d'aprenentatge no supervisat per agrupar i classificar les sèries temporals de mesures d'energia, utilitzant la tècnica de deformació dinàmica de temps per descobrir perfils de càrrega típics d'acord amb el seu consum característic setmanal. A continuació, es va realitzar una anàlisi espai temporal restringit per definir zones geogràfiques amb comportament constant i predictible