Item
Herraiz Jaramillo, Sergio
Contreras, Ivan |
|
Universitat de Girona. Departament d’Enginyeria Elèctrica, Electrònica i Automà tica | |
Flor Ambrosi, Mario Alberto | |
2021 October 27 | |
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 questa investigació presenta un enfocament nou per definir zones geogrà fiques amb perfils tÃpics de consum elèctric a partir dels registres de mesuradors intel·ligents, utilitzant mètodes d’aprenentatge automà tic i anà lisi 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 anà lisis, a causa de la major freqüència i precisió de la informació del consumidor, però els mètodes convencionals no poden abordar els voluminosos i rà pids conjunts de dades que generen aquests dispositius. L’objectiu d’aquesta investigació és utilitzar tècniques d’aprenentatge automà tic combinades amb l’anà lisi espacial per generar perfils de cà rrega 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 dinà mica de temps per descobrir perfils de cà rrega tÃpics d’acord amb el seu consum caracterÃstic setmanal. A continuació, es va realitzar una anà lisi espai temporal restringit per definir zones geogrà fiques amb comportament constant i predictible |
|
application/pdf | |
http://hdl.handle.net/10803/673421 | |
http://hdl.handle.net/10256/20542 | |
spa | |
Universitat de Girona | |
L’accés als continguts d’aquesta tesi queda condicionat a l’acceptació de les condicions d’ús establertes per la següent llicència Creative Commons: http://creativecommons.org/licenses/by/4.0/ | |
Agrupació del consum energètic
Agrupación del consumo energético Energy consumption clustering Anà lisi espacial Análisis espacial Spatial analysis Aprenentatge automà tic Aprendizaje automático Machine learning Xarxa neuronal recurrent Red neuronal recurrente Recurrent neuronal network Comptador intel·ligent Contador inteligente Smart meter Previsió de perfils de cà rrega Previsión de perfiles de carga Load profiles forecasting Sèries temporals Series temporales Time series 621.3 - Enginyeria elèctrica. Electrotècnia. Telecomunicacions 004 - Informà tica |
|
Método para descubrir patrones espacio-temporales de comportamiento de usuarios eléctricos utilizando herramientas de aprendizaje automático | |
info:eu-repo/semantics/doctoralThesis | |
DUGiDocs |