Mineração de Big Data de Séries Temporais de Energia para Análise Comportamental e Previsão de Consumo de Energia

Um comportamento de consumo de energia responsável, eficiente e ambientalmente consciente está se tornando uma necessidade para a confiabilidade da moderna rede elétrica. Neste artigo, apresentamos um modelo inteligente de mineração de dados para analisar, prever e visualizar séries temporais de energia, a fim de descobrir vários padrões temporais de consumo de energia. Esses padrões definem o uso de eletrodomésticos em termos de associação com o tempo, como hora do dia, período do dia, dia da semana, semana, mês e estação do ano, assim como associações entre eletrodomésticos em uma residência, que são fatores-chave para inferir e analisar o impacto do comportamento de consumo de energia dos consumidores e a tendência da previsão de energia. Isso é desafiador, uma vez que não é trivial determinar os múltiplos relacionamentos entre o uso de diferentes eletrodomésticos a partir de fluxos de dados concorrentes. Além disso, é difícil derivar relações precisas entre eventos baseados em intervalos onde múltiplos usos de eletrodomésticos persistem por algum tempo. Para superar esses desafios, propomos uma análise de agrupamento de dados não supervisionada e mineração de padrões frequentes em séries temporais de energia, além de previsão utilizando rede bayesiana para a previsão do uso de energia. Realizamos experimentos extensivos utilizando conjuntos de dados de medidores inteligentes ricos em contexto do mundo real. Os resultados de precisão na identificação de padrões de uso de eletrodomésticos com o modelo proposto superaram o de Máquinas de Vetores de Suporte (SVM) e Perceptrons de Múltiplas Camadas (MLP) em cada etapa, alcançando uma precisão combinada de 81,82%, 85,90% e 89,58% para 25%, 50% e 75% do tamanho dos dados de treinamento, respectivamente. Além disso, alcançamos precisões de previsão de consumo de energia de 81,89% para curto prazo (horário) e 75,88%, 79,23%, 74,74% e 72,81% para longo prazo; ou seja, dia, semana, mês e estação, respectivamente.