TÉCNICAS DE MINERÍA DE DATOS COMO SOPORTE PARA LA GESTIÓN DE UN SISTEMA DE COMERCIALIZACIÓN DE ENERGÍA ELÉCTRICA
Resumen
Tener un suministro de energía eléctrica suficiente es vital para la comunidad, lo que demanda mantenimiento y mejora continua del servicio por parte de las compañías prestatarias del servicio. Entre otros aspectos, estas compañías mantienen bases de datos que capturan el consumo de la energía y en tal sentido en la presente investigación se propone el uso de técnicas de Redes Neuronales Artificiales y Reglas de Asociación como soporte a la gestión del sistema de comercialización de la energía eléctrica en una empresa pública de la ciudad de Manta, a partir de una muestra de datos extraídos de las facturas de consumo residencial correspondientes al año 2015. Los algoritmos usados específicamente fueron el perceptrón multicapa a nivel de redes neuronales y PART como regla de asociación. En esta aplicación empírica de minería de datos, se demostró que las redes neuronales y reglas de asociación son alternativas viables para predecir los niveles de consumo y comprender los patrones de consumo de energía.PALABRAS CLAVE: Redes neuronales; Reglas de Asociación; Datamining; minería de dato; WEKA; Consumo de energía eléctrica.TECHNIQUES OF DATA MINING AS SUPPORT FOR THE MANAGEMENT OF A SYSTEM OF ELECTRIC ENERGY COMMERCIALIZATIONABSTRACTHaving a sufficient electrical power supply is vital for the community, which demands maintenance and continuous improvement of the service by the service companies. Among other aspects, these companies maintain data bases that capture energy consumption and in this sense the present research proposes the use of Artificial Neural Network techniques and Association Rules as support for the management of the marketing system of the electric power in a public company of Manta city, based on a sample of data extracted from residential consumption bills for the year 2015. The algorithms used specifically were the multilayer perceptron at the level of neural networks and PART as a rule of association. In this empirical application of data mining, it was shown that neural networks and association rules are viable alternatives to predict consumption levels and to understand energy consumption patterns.KEYWORDS: Neural Networks; Association Rules; Datamining; Data Mining; WEKA; Electric Power Consumption.Descargas
Citas
Amasyali, K., & El-Gohary, N. M. (2018a). A review of data-driven building energy consumption prediction studies. Renewable and Sustainable Energy Reviews, 81, 1192–1205. https://doi.org/10.1016/j.rser.2017.04.095
Amasyali, K., & El-Gohary, N. M. (2018b). A review of data-driven building energy consumption prediction studies. Renewable and Sustainable Energy Reviews, 81, 1192–1205. https://doi.org/10.1016/j.rser.2017.04.095
Ariza Ramírez, A. M. (2013). Métodos utilizados para el pronóstico de demanda de energía eléctrica en sistemas de distribución. Universidad Tecnológica de Pereira, Pereira - Colombia. Retrieved from https://tinyurl.com/y7akrz7z
Gönen, T. (1986). Electric power distribution system engineering. New York, New York, USA: McGraw-Hill.
Li, X., & Wen, J. (2014). Review of building energy modeling for control and operation. Renewable and Sustainable Energy Reviews, 37, 517–537. https://doi.org/10.1016/j.rser.2014.05.056
Microsoft. (2018). Data Mining Concepts. Retrieved August 1, 2018, from https://tinyurl.com/yay5hjqt
Rosenblatt, F. (1961). Principles of neurodynamics. Perceptrons and the theory of brain mechanisms. Buffalo, NY: Cornell Aeronautical Lab Inc. Retrieved from https://tinyurl.com/yb8qk6zz
Rumelhart, D. E., Hinton, G. E., & Williams, R. J. (1985). Learning internal representations by error propagation. California Univ San Diego La Jolla Inst for Cognitive Science.
Van Heddeghem, W., Lambert, S., Lannoo, B., Colle, D., Pickavet, M., & Demeester, P. (2014). Trends in worldwide ICT electricity consumption from 2007 to 2012. Computer Communications, 50, 64–76. https://doi.org/10.1016/j.comcom.2014.02.008
Wang, Z., & Srinivasan, R. S. (2015). A review of artificial intelligence based building energy prediction with a focus on ensemble prediction models. In Winter Simulation Conference (WSC), 2015 (pp. 3438–3448). IEEE. https://doi.org/10.1109/WSC.2015.7408504
Witten, I. H., Frank, E., Hall, M. A., & Pal, C. J. (2016). Data Mining: Practical Machine Learning Tools and Techniques (4th ed.). Burlington, MA: Morgan Kaufmann. Retrieved from http://www.cs.waikato.ac.nz/~ml/weka/book.html
Wu, X., Kumar, V., Quinlan, J. R., Ghosh, J., Yang, Q., Motoda, H., … Philip, S. Y. (2008). Top 10 algorithms in data mining. Knowledge and Information Systems, 14(1), 1–37. https://doi.org/DOI 10.1007/s10115-007-0114-2
Xiao, F., & Fan, C. (2014a). Data mining in building automation system for improving building operational performance. Energy and Buildings, 75, 109–118. https://doi.org/10.1016/j.enbuild.2014.02.005
Xiao, F., & Fan, C. (2014b). Data mining in building automation system for improving building operational performance. Energy and Buildings, 75(3), 109–118. https://doi.org/10.1016/j.enbuild.2014.02.005
Publicado
Cómo citar
Número
Sección
Licencia
CC BY-NC-SA : Esta licencia permite a los reutilizadores distribuir, remezclar, adaptar y construir sobre el material en cualquier medio o formato solo con fines no comerciales, y solo siempre y cuando se dé la atribución al creador. Si remezcla, adapta o construye sobre el material, debe licenciar el material modificado bajo términos idénticos.
OAI-PMH URL: https://revista.uniandes.edu.ec/ojs/index.php/mikarimin/oai
