Un estudio comparativo de pronóstico de consumo de electricidad utilizando modelos de aprendizaje automático
Autores: Lee, Madeline Hui Li; Ser, Yee Chee; Selvachandran, Ganeshsree; Thong, Pham Huy; Cuong, Le; Son, Le Hoang; Tuan, Nguyen Trung; Gerogiannis, Vassilis C.
Idioma: Inglés
Editor: MDPI
Año: 2022
Acceso abierto
Artículo científico
2022
Un estudio comparativo de pronóstico de consumo de electricidad utilizando modelos de aprendizaje automático
Categoría
Matemáticas
Subcategoría
Matemáticas generales
Palabras clave
Producción
Electricidad
Pronóstico
Consumo
Gases de efecto invernadero
Modelos
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 23
Citaciones: Sin citaciones
La producción de electricidad a partir de la quema de combustibles fósiles ha provocado un aumento en la emisión de gases de efecto invernadero. A largo plazo, los gases de efecto invernadero causan daño al medio ambiente. Para reducir estos gases, es importante pronosticar con precisión la producción, suministro y consumo de electricidad. El pronóstico del consumo de electricidad es especialmente útil para minimizar problemas de sobreproducción y exceso de suministro de electricidad. Este estudio de investigación se centra en pronosticar el consumo de electricidad basado en datos de series temporales utilizando diferentes métodos de inteligencia artificial y metaheurística. El objetivo del estudio es determinar qué modelo entre la red neuronal artificial (ANN), el sistema de inferencia neurodifuso adaptativo (ANFIS), las máquinas de vectores de soporte de mínimos cuadrados (LSSVMs) y la serie temporal difusa (FTS) produce el mayor nivel de precisión en el pronóstico del consumo de electricidad. Las variables consideradas en esta investigación incluyen el consumo mensual de electricidad a lo largo de los años para diferentes países. Los datos mensuales de consumo de electricidad para siete países, a saber, Noruega, Suiza, Malasia, Egipto, Argelia, Bulgaria y Kenia, durante 10 años se utilizaron en esta investigación. El rendimiento de todos los modelos se evaluó y comparó utilizando métricas de error como el error cuadrático medio raíz (RMSE), el error promedio de pronóstico (AFE) y el parámetro de rendimiento (PP). Las diferencias en los resultados obtenidos a través de los diferentes métodos son analizadas y discutidas, y se muestra que los diferentes modelos funcionaron mejor para diferentes países en diferentes períodos de pronóstico. En general, se encontró que el modelo FTS tuvo el mejor rendimiento para la mayoría de los países estudiados en comparación con los otros tres modelos. Los resultados de la investigación pueden permitir a las empresas de gestión de electricidad tener una mejor planificación estratégica al decidir sobre los niveles óptimos de producción y suministro de electricidad, con el objetivo general de prevenir excesos o escasez en el suministro de electricidad.
Descripción
La producción de electricidad a partir de la quema de combustibles fósiles ha provocado un aumento en la emisión de gases de efecto invernadero. A largo plazo, los gases de efecto invernadero causan daño al medio ambiente. Para reducir estos gases, es importante pronosticar con precisión la producción, suministro y consumo de electricidad. El pronóstico del consumo de electricidad es especialmente útil para minimizar problemas de sobreproducción y exceso de suministro de electricidad. Este estudio de investigación se centra en pronosticar el consumo de electricidad basado en datos de series temporales utilizando diferentes métodos de inteligencia artificial y metaheurística. El objetivo del estudio es determinar qué modelo entre la red neuronal artificial (ANN), el sistema de inferencia neurodifuso adaptativo (ANFIS), las máquinas de vectores de soporte de mínimos cuadrados (LSSVMs) y la serie temporal difusa (FTS) produce el mayor nivel de precisión en el pronóstico del consumo de electricidad. Las variables consideradas en esta investigación incluyen el consumo mensual de electricidad a lo largo de los años para diferentes países. Los datos mensuales de consumo de electricidad para siete países, a saber, Noruega, Suiza, Malasia, Egipto, Argelia, Bulgaria y Kenia, durante 10 años se utilizaron en esta investigación. El rendimiento de todos los modelos se evaluó y comparó utilizando métricas de error como el error cuadrático medio raíz (RMSE), el error promedio de pronóstico (AFE) y el parámetro de rendimiento (PP). Las diferencias en los resultados obtenidos a través de los diferentes métodos son analizadas y discutidas, y se muestra que los diferentes modelos funcionaron mejor para diferentes países en diferentes períodos de pronóstico. En general, se encontró que el modelo FTS tuvo el mejor rendimiento para la mayoría de los países estudiados en comparación con los otros tres modelos. Los resultados de la investigación pueden permitir a las empresas de gestión de electricidad tener una mejor planificación estratégica al decidir sobre los niveles óptimos de producción y suministro de electricidad, con el objetivo general de prevenir excesos o escasez en el suministro de electricidad.