Recomendação de utilização de aparelhos domésticos com base em predição de demanda e otimização multi-objetivo

Autores

DOI:

https://doi.org/10.33448/rsd-v11i1.24515

Palavras-chave:

Previsão de séries temporais; Otimização multiobjetivo; Sistemas domésticos inteligentes; Sistemas de recomendação.

Resumo

O crescimento populacional acelerado no século 21 e o aumento da demanda por fontes de energia, associados às mudanças climáticas, resultaram em dois desafios principais: a busca por fontes de energia sustentáveis ​​e a necessidade de encontrar formas mais eficientes de usar as fontes sustentáveis ​​existentes. O módulo de previsão fornece uma estimativa do uso futuro desses aparelhos e é a fonte da sugestão do módulo recomendado. Técnicas de previsão de série temporal, como Long­-short Term Memory (LSTM), Gated Recurrent Units, Echo State Networks (ESN), e Support Vector Regression, foram testadas para o módulo preditivo. Técnicas de otimização multiobjetivo, como Non-­Sorted Genetic Algorithm II (NSGA II), Multi­Objective Particle Swarm Optimization (MOPSO), Speed constrained Multi-­objective Particle Swarm Optimization (SMOPSO), e Strength Pareto Evolutionary Algorithm two (SPEA2), por exemplo, foram testados para o Módulo de Recomendação. Os experimentos dos módulos de Previsão e Recomendação foram realizados de forma independente. No Módulo de previsão, os resultados e os testes estatísticos revelaram o LSTM como a técnica mais adequada para prever as cargas da maioria dos aparelhos testados (neste caso, sete) em termos de erro quadrático médio. Nos experimentos realizados para o módulo de recomendação, o NSGA II apresentou um desempenho geral superior em relação às outras métricas em termos de hipervolume da Frente de Pareto gerada. Este trabalho apresenta o potencial do uso de Modelos Preditivos e Técnicas de Otimização MultiObjetivo combinadas para reduzir o uso de energia em ambientes domésticos.

Biografia do Autor

Allan Rivalles Souza Feitosa, Universidade Federal de Pernambuco

Pesquisador em técnicas de inteligência computacional Bio-inspiradas e desenvolvedor de inteligência artificial em projetos de Pesquisa e Desenvolvimento. Doutorando em Ciência da Computação pela Universidade Federal de Pernambuco, Mestre em Engenharia Biomédica pela UFPE e Biomédico. Trabalhou no Mestrado com inteligência computacional e algoritmos bio-inspirados aplicados para reconstrução de imagens de Tomografia por Impedância Elétrica, gerando diversas publicações com altos níveis de citações. Atualmente trabalhando com algoritmos de Inteligência computacional, como algoritmos de otimização (programação linear, algoritmos genéticos, evolução diferencial, otimização por enxame de partículas e o método dialético de otimização) bem como algoritmos de aprendizado de máquina (Redes Neurais Artificiais, SVM, ELM, Deep Learning), aplicados a problemas de economia de energia, smart cities, otimização de processos industriais, automóveis inteligentes, smart grids e processamento de linguagem natural voltado para problemas jurídicos.

Henrique Figuerôa Lacerda, Universidade Federal de Pernambuco

Henrique Figuerôa Lacerda é Engenheiro de Computação com Mestrado em Ciência da Computação pelo Centro de Informática da Universidade Federal de Pernambuco (2017). Ele é especialista em redes de computadores, inteligência artificial e projeto de arquiteturas computacionais para redução do consumo de energia elétrica.

Abel Guilhermino da Silva Filho, Universidade Federal de Pernambuco

Abel Guilhermino da Silva Filho é atualmente Bolsista de Produtividade em Desenvolvimento Tecnológico e Extensão Inovadora do CNPq, Nível 2 (DT 2), Doutor em Ciência da Computação pela Universidade Federal de Pernambuco (UFPE) desde 2006, e Professor Associado da UFPE, lotado no Centro de Informática (CIn), desde 2008. Ele é autor e co-autor de artigos científicos publicados cobrindo alguns tópicos de pesquisa na área de sistemas embarcados no domínio de mecanismos de otimização para redução de consumo de energia, arquitetura de computadores, arquiteturas reconfiguráveis, aplicações de alto desempenho, algoritmos evolucionários para redução de consumo de energia, memória cache e hierarquias de memória e problemas de saúde aplicados à sistemas embarcados tais como segmentação de câncer e sequenciamento de DNA, além de pesquisas de inovação com conectividade e aplicações automotivas. Na UFPE, ele faz parte do Grupo de Engenharia da Computação (GRECO), Grupo de Rádio Frequência e do Grupo de Computação de Alto Desempenho (HPCIn). Desde 2007, coordenou 5 projetos de pesquisa (FACEPE PPP 2007, CNPq Universal 2008, CAPES Pro-Equipamentos 2009 e FACEPE APQ 2010, UFPE/PROACAD - Melhoria de Laboratório 2012, CNPq Universal 2013 e atualmente coordeno 1 projeto de pesquisa (FACEPE PRONEM 2014) e participa como colaborador de alguns projetos de pesquisa (FINEP CT-Infra 2013 e CT-Infra 2018). Também é foi consultor de Projetos P&D (CENPES/PETROBRAS Sísmica desde 2008, CTEEP/Informa Middleware 2012, SAMSUNG SMART_POWER 2012 e P&D MOTOROLA Mobile, 2015). Recentemente coordenou um projeto de extensão com a FUCAPI/AM em 2016 em melhoria no uso eficiente de energia em telefonia móvel e participa como colaborador do projeto de extensão NETBio (Núcleo de Tecnologias Sociais e Bioengenharia). Atualmente é coordenador de um projeto estratégico para o Estado de Pernambuco e relevante para o país com a Fiat Chrysler Automobiles (FCA) na área de Engenharia Elétrica, em especial Inovação em conectividade e IoT, projeto que teve início em 2015 e continua vigente. Em adição, também coordena um outro projeto com a FCA, na área de Powertrain ? Motores Veiculares, desenvolvendo soluções de inovação e computação inteligente em problemas relacionados ao motor veicular. Atualmente, possui 14 orientações de mestrado concluídas, 4 orientações de doutorado concluída e orienta de 3 alunos de mestrado e 6 alunos de doutorado. É líder de pesquisa do Laboratório de Inovação Veicular (LIVE), na qual desenvolve soluções de inovação no contexto de cidades inteligentes e conta com uma equipe de 15 pessoas no laboratório.

Referências

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

Downloads

Publicado

03/01/2022

Como Citar

FEITOSA, A. R. S.; LACERDA, H. F.; SANTOS, W. P. dos .; SILVA FILHO, A. G. da. Recomendação de utilização de aparelhos domésticos com base em predição de demanda e otimização multi-objetivo. Research, Society and Development, [S. l.], v. 11, n. 1, p. e13411124515, 2022. DOI: 10.33448/rsd-v11i1.24515. Disponível em: https://rsdjournal.org/index.php/rsd/article/view/24515. Acesso em: 18 dez. 2024.

Edição

v. 11 n. 1

Seção

Engenharias

Licença

Copyright (c) 2022 Allan Rivalles Souza Feitosa; Henrique Figuerôa Lacerda; Wellington Pinheiro dos Santos; Abel Guilhermino da Silva Filho

Creative Commons License
Este trabalho está licenciado sob uma licença Creative Commons Attribution 4.0 International License.

Autores que publicam nesta revista concordam com os seguintes termos:

1) Autores mantém os direitos autorais e concedem à revista o direito de primeira publicação, com o trabalho simultaneamente licenciado sob a Licença Creative Commons Attribution que permite o compartilhamento do trabalho com reconhecimento da autoria e publicação inicial nesta revista.

2) Autores têm autorização para assumir contratos adicionais separadamente, para distribuição não-exclusiva da versão do trabalho publicada nesta revista (ex.: publicar em repositório institucional ou como capítulo de livro), com reconhecimento de autoria e publicação inicial nesta revista.

3) Autores têm permissão e são estimulados a publicar e distribuir seu trabalho online (ex.: em repositórios institucionais ou na sua página pessoal) a qualquer ponto antes ou durante o processo editorial, já que isso pode gerar alterações produtivas, bem como aumentar o impacto e a citação do trabalho publicado.