Identificación y desagregación de consumo eléctrico por medio de inteligencia artificial.

Abstract

La gestión eficiente del consumo de energía eléctrica ha cobrado más importancia en las últimas décadas por su impacto en el medio ambiente y la economía. Con el aumento de la adopción de fuentes de energía renovables y la creciente preocupación por el cambio climático, las empresas distribuidoras de energía eléctrica buscan constantemente nuevas metodologías para influir en la demanda de energía eléctrica sin afectar el comfort del usuario. Una técnica comúnmente utilizada para influir en los patrones de consumo es la generación de incentivos a través de tarifas bonificadas para aquellos usuarios que siguen patrones de consumo eficientes. Para aplicar esta técnica es esencial contar con mecanismos de monitoreo de consumo. El presente trabajo aborda el problema de monitoreo de consumo eléctrico mediante técnicas de aprendizaje supervisado con redes neuronales profundas, enfocándose en: i) la identificación del tipo de electrodoméstico a partir de una curva de consumo desagregada y ii) la desagregación del consumo de electrodomésticos a partir de una curva de consumo agregada. Ambos enfoques de monitoreo se realizan sobre datos a muy bajas frecuencias, desde una muestra por minuto hasta una muestra cada 15 minutos. Complementariamente, se pone foco en electrodomésticos poco estudiados en la literatura, como los termotanques que son ampliamente utilizados en Uruguay y los vehículos eléctricos, cuyo uso está en fase expansiva y presentan un consumo elevado. En Uruguay, durante los últimos años, la Administración Nacional de Usinas y Transmisiones Eléctricas del Estado (UTE) ha comenzado a utilizar medidores inteligentes capaces de recolectar datos de consumo eléctrico de los clientes en intervalos de 15 minutos, así como ha proporcionado medidores intrusivos a grupos de usuarios para monitorear el consumo de termotanques cada 1 minuto. En este trabajo se investigan técnicas de aprendizaje profundo, las cuales son entrenadas y evaluadas sobre una amplia cantidad de datos del sistema eléctrico uruguayo. Por otro lado, en el presente estudio se generan y preparan bases de datos, para ser compartidas de forma libre y en un formato estándar, facilitando así su acceso por parte de la comunidad científica. Finalmente, la implementación de los modelos dio lugar a transferencias tecnológicas entre la Facultad de Ingeniería (FING) y UTE, lo que posibilita que UTE utilice los algoritmos de aprendizaje automático desarrollados en aplicaciones específicas de su interés, evidenciando el impacto de este trabajo en el ámbito productivo.

Efficient management of electrical energy consumption has gained increasingimportance in recent decades due to its impact on the environment and the eco-nomy. With the growing adoption of renewable energy sources and heightenedconcern for climate change, electric power distribution companies constantly seeknew methodologies to influence electricity demand without affecting user comfort.A common technique used to influence consumption patterns is the generationof incentives through discounted rates for users who follow efficient consumptionpatterns. Therefore, it is essential to have consumption monitoring mechanisms inplace to apply this technique.This study addresses the problem of electricity consumption monitoring usingsupervised learning techniques with deep neural networks, focusing on: i) the iden-tification of appliances from a disaggregated consumption curve and ii) the disag-gregation of appliances from an aggregated consumption curve. Both monitoringapproaches are performed on very low-frequency data, ranging from one sampleper minute to one sample every 15 minutes. Additionally, emphasis is placed onunder-studied appliances in the literature, such as water heaters widely used inUruguay and electric vehicles, whose usage is expanding and present high consum-ption levels.In Uruguay, over recent years, the Administraci ́on Nacional de Usinas y Trans-misiones El ́ectricas del Estado (UTE) has begun using intelligent meters capableof collecting customer electricity consumption data at 15-minute intervals and pro-viding intrusive meters to user groups for monitoring water heater consumptionevery 1 minute. This work investigates deep learning techniques, which are trainedand evaluated on a large amount of data from the Uruguayan electrical system.Furthermore, this study generates and prepares databases to be freely sharedin a standard format, thus facilitating their access by the scientific community.Finally, implementing the models led to technology transfers between the Fa-cultad de Ingenier ́ıa (FING) and UTE, enabling UTE to use the developed machinelearning algorithms in specific applications of their interest, thus demonstratingthe impact of this work on the productive sector.