Aplicación de SHAP y enfoque multiagente para pronóstico a corto plazo del consumo de energía de las empresas de la industria del gas
Autores: Stepanova, Alina I.; Khalyasmaa, Alexandra I.; Matrenin, Pavel V.; Eroshenko, Stanislav A.
Idioma: Inglés
Editor: MDPI
Año: 2024
Acceso abierto
Artículo científico
2024
Aplicación de SHAP y enfoque multiagente para pronóstico a corto plazo del consumo de energía de las empresas de la industria del gas
Categoría
Ingeniería y Tecnología
Subcategoría
Ingeniería de Software
Palabras clave
Métodos de aprendizaje automático
Pronóstico de consumo de energía
Interpretabilidad
Método de Explicaciones Aditivas de SHapley
Enfoque multiagente
Conjuntos de árboles de decisión
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 39
Citaciones: Sin citaciones
Actualmente, los métodos de aprendizaje automático se aplican ampliamente en la industria energética para resolver diversas tareas, incluido el pronóstico del consumo de energía a corto plazo. Sin embargo, la falta de interpretabilidad de los métodos de aprendizaje automático puede llevar a su uso incorrecto, lo que potencialmente resultaría en inestabilidad del sistema eléctrico o fallas en el equipo. Este artículo aborda la tarea de pronóstico del consumo de energía a corto plazo, una de las tareas para mejorar la eficiencia energética de las empresas de la industria del gas. Con el fin de reducir los riesgos de tomar decisiones incorrectas basadas en los resultados de los pronósticos de consumo de energía a corto plazo realizados por métodos de aprendizaje automático, se propuso el método de Explicaciones Aditivas de SHapley. Además, se demostró la aplicación de un enfoque multiagente para la descomposición de procesos de producción utilizando agentes de autogeneración, agentes de almacenamiento de energía y agentes de consumo. Esto puede permitir la operación segura de infraestructuras críticas, por ejemplo, ajustando los modos de operación de las unidades de autogeneración y los sistemas de almacenamiento de energía, optimizando el programa de consumo de energía y reduciendo los costos de electricidad y potencia. Se realizó un análisis comparativo de varios algoritmos para construir conjuntos de árboles de decisión para pronosticar el consumo de energía por parte de empresas de la industria del gas con diferentes números de características categóricas. Los experimentos demostraron que el uso del método desarrollado y los factores del proceso de producción redujeron el MAE de 105,00 kWh (MAPE del 16,81%), obtenido a través de pronósticos de expertos, a 15,52 kWh (3,44%). Se proporcionaron ejemplos de cómo el uso de la Explicación Aditiva de SHapley puede aumentar la seguridad en la gestión del sistema eléctrico de las empresas de la industria del gas al mejorar la confianza de los expertos en los resultados del sistema de información.
Descripción
Actualmente, los métodos de aprendizaje automático se aplican ampliamente en la industria energética para resolver diversas tareas, incluido el pronóstico del consumo de energía a corto plazo. Sin embargo, la falta de interpretabilidad de los métodos de aprendizaje automático puede llevar a su uso incorrecto, lo que potencialmente resultaría en inestabilidad del sistema eléctrico o fallas en el equipo. Este artículo aborda la tarea de pronóstico del consumo de energía a corto plazo, una de las tareas para mejorar la eficiencia energética de las empresas de la industria del gas. Con el fin de reducir los riesgos de tomar decisiones incorrectas basadas en los resultados de los pronósticos de consumo de energía a corto plazo realizados por métodos de aprendizaje automático, se propuso el método de Explicaciones Aditivas de SHapley. Además, se demostró la aplicación de un enfoque multiagente para la descomposición de procesos de producción utilizando agentes de autogeneración, agentes de almacenamiento de energía y agentes de consumo. Esto puede permitir la operación segura de infraestructuras críticas, por ejemplo, ajustando los modos de operación de las unidades de autogeneración y los sistemas de almacenamiento de energía, optimizando el programa de consumo de energía y reduciendo los costos de electricidad y potencia. Se realizó un análisis comparativo de varios algoritmos para construir conjuntos de árboles de decisión para pronosticar el consumo de energía por parte de empresas de la industria del gas con diferentes números de características categóricas. Los experimentos demostraron que el uso del método desarrollado y los factores del proceso de producción redujeron el MAE de 105,00 kWh (MAPE del 16,81%), obtenido a través de pronósticos de expertos, a 15,52 kWh (3,44%). Se proporcionaron ejemplos de cómo el uso de la Explicación Aditiva de SHapley puede aumentar la seguridad en la gestión del sistema eléctrico de las empresas de la industria del gas al mejorar la confianza de los expertos en los resultados del sistema de información.