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

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. https://doi.org/10.3390/pr8040484

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 ( B i g C o m p ) . 2 0 1 9 . 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. https://doi.org/10.1007/978-3-540-71918-2

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