Модель аналитики энергопотребления на основе интеллектуальной оболочки Game Optimization для данных интеллектуального учета

Сараванан Р., Сваминатан А., Баладжи С. Модель аналитики энергопотребления на основе интеллектуальной оболочки Game Optimization для данных интеллектуального учета // Научнотехнический вестник информационных технологий, механики и оптики. 2023. Т. 23, № 2. С. 374–381 (на англ. яз.). doi: 10.17586/2226-1494-2023-23-2-374-381

Интеллектуальные измерения привлекают к себе все большое внимание из-за ненадежности электромеханических измерений, больших затрат труда и времени. Существующие методы прогнозирования сосредоточены на работе с данными и не уделяют должного внимания полученным результатам. Точное прогнозирование потребления электроэнергии позволяет предоставлять услуги по планированию ресурсов, контролю действия по балансированию спроса и предложения. Пользователи получают выгоду при применении интеллектуального учета за счет эффективной интерпретации результатов использования энергии и благодаря экономичному) управлению затратами на электроэнергию. В работе представлена интеллектуальная аналитика энергопотребления с применением модели данных интеллектуального учета ECA-SMD для определения использования энергии. Модель включает предварительную обработку данных, извлечение признаков, классификацию и оптимизацию параметров. Использована классификация на основе машин экстремального обучения (Extreme Learning Machine, ELM) для определения оптимальных меток классов. Применен алгоритм оптимизации Shell Game Optimization для настройки параметров, участвующих в ELM и повышения эффективности классификации. Работоспособность модели ECA-SMD проверена с использованием обширного набора данных интеллектуальных измерений. Предложенная модель показала максимальную точность 65,9 % и среднеквадратичное отклонение 0,096.

1. Mehdipour Pirbazari A., Farmanbar M., Chakravorty A., Rong C. Short-term load forecasting using smart meter data: A generalization analysis // Processes. 2020. V. 8. N 4. P. 484. 

2. Uthayakumar J., Metawa N., Shankar K., Lakshmanaprabu S.K. Intelligent hybrid model for financial crisis prediction using machine learning techniques // Information Systems and e-Business Management. 2020. N 4. P. 617–645. https://doi.org/10.1007/s10257-018-0388-9

3. Wang Y., Chen Q., Hong T., Kang C. Review of smart meter data analytics: applications, methodologies, and challenges // IEEE Transactions on Smart Grid. 2019. V. 10. N 3. P. 3125–3148. https://doi.org/10.1109/tsg.2018.2818167

4. Farmanbar M., Parham K., Arild Ø., Rong C. A widespread review of smart grids towards smart cities // Energies. 2019. V. 12. N 23. P. 4484. https://doi.org/10.3390/en12234484

5. Rajakumar R., Sivanandakumar D., Uthayakumar J., Vengattaraman T., Dinesh K. Optimal parameter tuning for PID controller using accelerated grey wolf optimisation in smart sensor environments // Electronic Government, an International Journal. 2020. V. 16. N 1-2. P. 170–189. https://doi.org/10.1504/eg.2020.105237

6. Ryu S., Noh J., Kim H. Deep neural network based demand side short term load forecasting // Energies. 2016. V. 10. N 1. P. 3. https://doi.org/10.3390/en10010003

7. Mocanu E., Nguyen P.H., Gibescu M., Kling W.L. Comparison of machine learning methods for estimating energy consumption in buildings // Proc. of the 2014 International Conference on Probabilistic Methods Applied to Power Systems (PMAPS). 2014. P. 1–6. https://doi.org/10.1109/pmaps.2014.6960635

8. Pirbazari A.M., Chakravorty A., Rong C. Evaluating feature selection methods for short-term load forecasting // Proc. of the 2019 IEEE International Conference on Big Data and Smart Computing (BigComp). 2019. P. 1–8. https://doi.org/10.1109/bigcomp.2019.8679188

9. Zhao H., Magoulès F. A review on the prediction of building energy consumption // Renewable and Sustainable Energy Reviews. 2012. V. 16. N 6. P. 3586–3592. https://doi.org/10.1016/j.rser.2012.02.049

10. Pérez-Lombard L., Ortiz J., Pout C. A review on buildings energy consumption information // Energy and Buildings. 2008. V. 40. N 3. P. 394–398. https://doi.org/10.1016/j.enbuild.2007.03.007

11. Hyndman R., Koehler A., Ord K., Snyder R. Forecasting with Exponential Smoothing. Berlin/Heidelberg, Germany: Springer, 2008. 362 p. 

12. Ahmad A.S., Hassan M.Y., Abdullah M.P., Rahman H.A., Hussin F., Abdullah H., Saidur R. A review on applications of ANN and SVM for building electrical energy consumption forecasting // Renewable and Sustainable Energy Reviews. 2014. V. 33. P. 102–109. https://doi.org/10.1016/j.rser.2014.01.069

13. Khashei M., Bijari M. An artificial neural network (p,d,q) model for timeseries forecasting // Expert Systems with Applications. 2010. V. 37. N 1. P. 479–489. https://doi.org/10.1016/j.eswa.2009.05.044

14. Murugan B.S., Elhoseny M., Shankar K., Uthayakumar J. Region-based scalable smart system for anomaly detection in pedestrian walkways // Computers & Electrical Engineering. 2019. V. 75. P. 146–160. https://doi.org/10.1016/j.compeleceng.2019.02.017

15. Huang G.B., Zhu Q.Y., Siew C.K. Extreme learning machine: a new learning scheme of feedforward neural networks // Proc. of the 2004 IEEE International Joint Conference on Neural Networks. V. 2. 2004. P. 985–990. https://doi.org/10.1109/ijcnn.2004.1380068

16. Fernández C., Salinas L., Torres C.E. A meta extreme learning machine method for forecasting financial time series // Applied Intelligence. 2019. V. 49. N 2. P. 532–554. https://doi.org/10.1007/s10489-018-1282-3

17. Dehghani M., Montazeri Z., Malik O.P., Givi H., Guerrero J.M. Shell game optimization: A novel game-based algorithm // International Journal of Intelligent Engineering and Systems. 2020. V. 13. N 3. P. 246–255. https://doi.org/10.22266/ijies2020.0630.23

This work is licensed under a Creative Commons Attribution-NonCommercial 4.0 International License