Recomendación de uso de electrodomésticos basada en la predicción de la demanda y la optimización multiobjetivo
DOI:
https://doi.org/10.33448/rsd-v11i1.24515Palabras clave:
Pronóstico de series de tiempo; Optimización multiobjetivo; Sistemas inteligentes para el hogar; Sistemas de recomendación.Resumen
El crecimiento demográfico acelerado en el siglo XXI y la mayor demanda de fuentes de energía, asociada al cambio climático, derivaron en dos desafíos principales: la búsqueda de fuentes de energía sostenibles y la necesidad de encontrar formas más eficientes de utilizar las fuentes sostenibles existentes. El módulo de pronóstico proporciona una estimación del uso futuro de estos dispositivos y es la fuente de la sugerencia del módulo recomendado. Se probaron técnicas de predicción de series de tiempo como Long-short Term Memory (LSTM), Gated Recurrent Units, Echo State Networks (ESN), e Support Vector Regression para el módulo predictivo. Técnicas de optimización multiobjetivo como NonSorted Genetic Algorithm II (NSGA II), MultiObjective Particle Swarm Optimization (MOPSO), Speed constrained Multi-objective Particle Swarm Optimization (SMOPSO), and Strength Pareto Evolutionary Algorithm two (SPEA2), por ejemplo, se han probado para el módulo de recomendaciones. Los experimentos de los módulos de Predicción y Recomendación se llevaron a cabo de forma independiente. En el Módulo de Predicción, los resultados y las pruebas estadísticas revelaron al LSTM como la técnica más adecuada para predecir las cargas de la mayoría de los dispositivos probados (en este caso, siete) en términos de error cuadrático medio. En los experimentos llevados a cabo para el módulo de recomendación, el NSGA II presentó un desempeño general superior en relación al resto de métricas en términos de hipervolumen del Frente Pareto generado. Este trabajo presenta el potencial de utilizar modelos predictivos y técnicas de optimización multiobjetivo combinadas para reducir el uso de energía en entornos domésticos.
Citas
Bergmeir, C., & Benítez, J. M. (2012, May). On the use of cross validation for time series predictor evaluation. Information Sciences, 191, 192–213. 10.1016/j.ins.2011.12.028
Box, G., Jenkins, G., & Reinsel, G. (1994). Time series analysis: Forecasting and control. Prentice Hall. https://books.google.com.br/books?id=sRzvAAAAMAAJ
Cao, L. (2003, April). Support vector machines experts for time series forecasting. Neurocomputing, 51, 321–339. 10.1016/s09252312(02)005775
Cerqueira, V., Torgo, L., & Mozetic, I. (2019). Evaluating time series forecasting models: An empirical study on performance estimation methods.
Chung, J., Gulcehre, C., Cho, K., & Bengio, Y. (2014). Empirical evaluation of gated recurrent neural networks on sequence modeling.
Coello, C. C., & Lechuga, M. (n.d.). MOPSO: a proposal for multiple objective particle swarm optimization. In Proceedings of the 2002 congress on evolutionary computation. CEC 02 (cat. no.02th8600). IEEE. 10.1109/cec.2002.1004388
Dao, V., Ishii, H., Takenobu, Y., Yoshizawa, S., & Hayashi, Y. (2020, February). Intensive quadratic programming approach for home energy management systems with power utility requirements. International Journal of Electrical Power & Energy Systems, 115, 105473. 10.1016/j.ijepes.2019.105473
Deb, K., Pratap, A., Agarwal, S., & Meyarivan, T. (2002, April). A fast and elitist multiobjective genetic algorithm: NSGA II. IEEE Transactions on Evolutionary Computation, 6(2), 182–197. 10.1109/4235.996017
Din, G. M. U., Mauthe, A. U., & Marnerides, A. K. (2018, March). Appliance Level short term load forecasting using deep neural networks. In 2018 international conference on computing, networking and communications (ICNC). IEEE. 10.1109/iccnc.2018.8390366
Dinh, H. T., Yun, J., Kim, D. M., Lee, K.H., & Kim, D. (2020). A home energy management system with renewable energy and energy storage utilizing main grid and electricity selling. IEEE Access, 8, 49436–49450. 10.1109/access.2020.2979189
Gajowniczek, K., & Zabkowski, T. (2014). Short term electricity forecasting using individual smart meter data. Procedia Computer Science, 35, 589–597. 10.1016/j.procs.2014.08.140
Golmohamadi, H., Keypour, R., BakJensen, B., & Pillai, J. R. (2019, May). Optimization of household energy consumption towards day ahead retail electricity price in home energy management systems. Sustainable Cities and Society, 47, 101468. 10.1016/j.scs.2019.101468
Hochreiter, S., & Schmidhuber, J. (1997). Long short term memory. Neural Computation, 9(8), 17351780. https://doi.org/10.1162/neco.1997.9.8.1735 10.1162/neco.1997.9.8.1735
Hossen, T., Nair, A. S., Noghanian, S., & Ranganathan, P. (2018, September). Optimal operation of smart home appliances using deep learning. In 2018 north american power symposium (NAPS). IEEE. 10.1109/naps.2018.8600674
International Energy Agency, I. (2019). Energy.
Isnen, M., Kurniawan, S., & GarciaPalacios, E. (2020, February). ASEM: An adaptive smart energy management testbed for shiftable loads optimisation in the smart home. Measurement, 152, 107285. 10.1016/j.measurement.2019.107285
Jaeger, H. (2001). The ”echo state”: Approach to analysing and training recurrent neural networks. GMDForschungszentrum Informationstechnik. https://books.google.com.br/books?id=-3NBHQAACAAJ
Khalid, A., Javaid, N., Guizani, M., Alhussein, M., Aurangzeb, K., & Ilahi, M. (2018). Towards dynamic coordination among home appliances using multiobjective energy optimization for demand side management in smart buildings. IEEE Access, 6, 19509–19529. 10.1109/access.2018.2791546
Khalid, M. U., & Javaid, N. (2018, April). An optimal scheduling of smart home appliances using heuristic techniques with real time coordination. In 2018 1st international conference on power, energy and smart grid (ICPESG). IEEE. 10.1109/ icpesg.2018.8384505
Khan, A. R., Mahmood, A., Safdar, A., Khan, Z. A., & Khan, N. A. (2016, February). Load forecasting, dynamic pricing and DSM in smart grid: A review. Renewable and Sustainable Energy Reviews, 54, 1311–1322. 10.1016/j.rser.2015.10.117
Kleiminger, W., Beckel, C., & Santini, S. (2015). Household occupancy monitoring using electricity meters. In Proceedings of the 2015 ACM international joint conference on pervasive and ubiquitous computing UbiComp 15. ACM Press. 10.1145/2750858.2807538
Kong, W., Dong, Z. Y., Hill, D. J., Luo, F., & Xu, Y. (2018, January). Short Term residential load forecasting based on resident behaviour learning. IEEE Transactions on Power Systems, 33(1), 1087–1088. 10.1109/tpwrs.2017.2688178
Kong, W., Dong, Z. Y., Jia, Y., Hill, D. J., Xu, Y., & Zhang, Y. (2019, January). Short Term residential load forecasting based on LSTM recurrent neural network. IEEE Transactions on Smart Grid, 10(1), 841–851. 10.1109/tsg.2017.2753802
Kumar, S., Hussain, L., Banarjee, S., & Reza, M. (2018, January). Energy load forecasting using deep learning approachLSTM and GRU in spark cluster. In 2018 fifth international conference on emerging applications of information technology (EAIT). IEEE. 10.1109/eait.2018.8470406
Leitao, J., Gil, P., Ribeiro, B., & Cardoso, A. (2020). A survey on home energy management. IEEE Access, 8, 5699–5722. 10.1109/access.2019.2963502
Liu, Y., Yuen, C., Yu, R., Zhang, Y., & Xie, S. (2016, May). Queuing Based energy consumption management for heterogeneous residential demands in smart grid. IEEE Transactions on Smart Grid, 7(3), 1650–1659. 10.1109/tsg.2015.2432571
Merdanoğlu, H., Yakıcı, E., Doğan, O. T., Duran, S., & Karatas, M. (2020, May). Finding optimal schedules in a home energy management system. Electric Power Systems Research, 182, 106229. 10.1016/j.epsr.2020.106229
Molla, T., Khan, B., Moges, B., Alhelou, H. H., Zamani, R., & Siano, P. (2019). Integrated optimization of smart home appliances with cost effective energy management system. CSEE Journal of Power and Energy Systems, 5(2), 249–258.
Monyei, C. G., Adewumi, A. O., Akinyele, D., Babatunde, O. M., Obolo, M. O., & Onunwor, J. C. (2018, May). A biased load manager home energy management system for low cost residential building low income occupants. Energy, 150, 822–838. 10.1016/j.energy.2018.03.016
Nebro, A., Durillo, J., GarciaNieto, J., Coello, C. C., Luna, F., & Alba, E. (2009, March). SMPSO: A new PSObased metaheuristic for multiobjective optimization. In 2009 IEEE symposium on computational intelligence in multicriteria decision making. IEEE. 10.1109/mcdm.2009.4938830
Oprea, S.V., Pîrjan, A., Căruțașu, G., Petroșanu, D.M., Bâra, A., Stănică, J.L., & Coculescu, C. (2018, May). Developing a mixed neural network approach to forecast the residential electricity consumption based on sensor recorded data. Sensors, 18(5), 1443. 10.3390/s18051443
ShafieKhah, M., & Siano, P. (2018, February). A stochastic home energy management system considering satisfaction cost and response fatigue. IEEE Transactions on Industrial Informatics, 14(2), 629–638. 10.1109/tii.2017.2728803
Shakeri, M., Shayestegan, M., Reza, S. S., Yahya, I., Bais, B., Akhtaruzzaman, M., … Amin, N. (2018, September). Implementation of a novel home energy management system (HEMS) architecture with solar photovoltaic system as supplementary source. Renewable Energy, 125, 108–120. 10.1016/j.renene.2018.01.114
Shareef, H., Ahmed, M. S., Mohamed, A., & Hassan, E. A. (2018). Review on home energy management system considering demand responses, smart technologies, and intelligent controllers. IEEE Access, 6, 24498–24509. 10.1109/access.2018 .2831917
Shi, G., Liu, D., & Wei, Q. (2016, December). Energy consumption prediction of office buildings based on echo state networks. Neurocomputing, 216, 478–488. 10.1016/j.neucom.2016.08.004
Veras, J., Silva, I., Pinheiro, P., Rabêlo, R., Veloso, A., Borges, F., & Rodrigues, J. (2018, September). A multiobjective demand response optimization model for scheduling loads in a home energy management system. Sensors, 18(10), 3207. 10.3390/s18103207
While, L., Hingston, P., Barone, L., & Huband, S. (2006, February). A faster algorithm for calculating hypervolume. IEEE Transactions on Evolutionary Computation, 10(1), 29–38. https://doi.org/10.1109/tevc.2005.851275 10.1109/tevc.2005.851275
Yuce, B., Rezgui, Y., & Mourshed, M. (2016, January). ANN–GA smart appliance scheduling for optimised energy management in the domestic sector. Energy and Buildings, 111, 311–325. 10.1016/j.enbuild.2015.11.017
Zitzler, E., Laumanns, M., & Thiele, L. (2001). Spea2: Improving the strength pareto evolutionary algorithm. 10.3929/ETHZA004284029
Descargas
Publicado
Cómo citar
Número
Sección
Licencia
Derechos de autor 2022 Allan Rivalles Souza Feitosa; Henrique Figuerôa Lacerda; Wellington Pinheiro dos Santos; Abel Guilhermino da Silva Filho
Esta obra está bajo una licencia internacional Creative Commons Atribución 4.0.
Los autores que publican en esta revista concuerdan con los siguientes términos:
1) Los autores mantienen los derechos de autor y conceden a la revista el derecho de primera publicación, con el trabajo simultáneamente licenciado bajo la Licencia Creative Commons Attribution que permite el compartir el trabajo con reconocimiento de la autoría y publicación inicial en esta revista.
2) Los autores tienen autorización para asumir contratos adicionales por separado, para distribución no exclusiva de la versión del trabajo publicada en esta revista (por ejemplo, publicar en repositorio institucional o como capítulo de libro), con reconocimiento de autoría y publicación inicial en esta revista.
3) Los autores tienen permiso y son estimulados a publicar y distribuir su trabajo en línea (por ejemplo, en repositorios institucionales o en su página personal) a cualquier punto antes o durante el proceso editorial, ya que esto puede generar cambios productivos, así como aumentar el impacto y la cita del trabajo publicado.
