Beruflich Dokumente
Kultur Dokumente
Smart Meter
Rogelio S. Jardim1
1
Unidade Academica de Pesquisa e Pos-Graduacao Universidade do
Vale do Rio dos Sinos (UNISINOS)
Caixa Postal 275 93.022-750 Sao Leopoldo RS Brazil
Resumo. Avancos tecnologicos tem permitido ao setor energetico a insercao de
um novo conceito denominado Smart Grid no seu ambiente, que trata dos sis-
temas de distribuicao e de transmissao de energia eletrica dotados de recursos
de Tecnologia da Informacao e de elevado grau de automacao, de forma a am-
pliar substancialmente a sua eficiencia operacional. Dentro deste conceito se
tem um recurso tecnologico denominado Smart Meter, ou medidor inteligente
de energia com a funcao de realizar as leituras de consumo em tempo real e
em baixa granularidade de tempo. Assim, o volume de dados oriundo deste
ambiente e altamente massivo e impossvel de se extrair informacoes uteis com
tecnicas convencionais. Neste sentido, este artigo visa elaborar um estudoso-
bre dois artigos que utilizam uma massa de dados proveniente de um projeto
Irlandes de Smart Grid, com o objetivo de avaliar o emprego de modelos de
rede neural de clusterizacao e algoritmos de aprendizado de maquina voltados
a classificacao, com vistas a obtencao de conhecimento implcito no volume de
dados.
1. Introducao
Imprescindvel ao estilo de vida moderno a energia eletrica e um recurso fundamental
para o desenvolvimento socioeconomico de diversos pases e regioes e, nesse sentido o
consumo de energia e extensamente estudado pelas mais variadas areas, seja nos setores
empresarial, domestico, industrial, publico, entre outros.
A rapida difusao de tecnologias permite ao setor energetico a insercao de um
novo ambiente denominado Smart Grid (rede inteligente) e uma tendencia em pases
mais desenvolvidos e traz com isso inumeras contribuicoes para que se efetue o cont-
role de energia de forma mais eficiente, pois possibilita o acompanhamento sistematico
de todo o processo eletrico, de suas contingencias e das caractersticas de consumo de
energia, proporcionado grandes avancos na area [Katic et al. 2010]. Este novo ambi-
ente fornece um grande volume de dados em tempo real, gerados a partir dos Smart
Meterings (medidores digitais de energia) que efetuam a leitura de consumo de energia
eletrica [Depuru et al. 2011]. Contudo, o grande desafio a ser superado vai de encontro a
transformacao deste grande volume de dados em informacao util para o Sistema Eletrico.
Em mercados de eletricidade competitivos, e de grande importancia o conhecimento mais
profundo sobre como e consumida a energia eletrica e o perfil de consumidores. Nesse
sentido, se observa uma movimentacao voltada a estudos sobre novas metodologias para
enquadramento de consumidores de energia eletrica com base no perfil de carga individ-
ual, possibilitando agregar dentro de uma mesma categoria os consumidores que estab-
elecem custos similares ao sistema, em decorrencia da semelhanca dos comportamentos
de carga.
Assim, este artigo apresenta um estudo sobre dois artigos que tratam um mesmo
conjunto de dados, fazendo uso de algoritmos geneticos com objetivo de extrair al-
gum tipo de conhecimento implicto nessa massa de dados. Ha nestes artigos tambem
um processo que utiliza mais de uma tecnica na busca por se atingir seus objetivos,
caracterizando-se assim um processo hibrido para descoberta do conhecimento.
2. Classificacao
Tem como base a modelagem preditiva, a qual possui similaridade com a experiencia
humana, que usa observacoes para dar forma a um modelo, baseando-se nas carac-
tersticas essenciais subjacentes de um fenomeno. Desta forma, para o entendimento e a
comunicacao com o mundo, o ser humano esta em constante classificacao, categorizacao
e graduando diversos elementos ao seu redor. Por exemplo, a partir das caractersticas que
nos fazem determinar o que e um cachorro, podemos identificar outros cachorros perten-
centes as mais variadas racas; a partir de caractersticas dos povos, podemos determinar
suas racas [Berson and Smith 1997].
Na tarefa de classificacao, cada padrao contem um conjunto de atributos e um
dos atributos e denominado classe. O objetivo da classificacao e encontrar um modelo
para predicao, isto consiste em construir um modelo de algum tipo que possa ser apli-
cado a dados nao classificados visando categoriza-los em classes. O modelo deve refle-
tir uma resposta correta, referente a alguns exemplos ja conhecidos, para que, partindo
desse modelo, seja possvel realizar pareceres sobre novos exemplos. De acordo com
[Han and Kamber 2006] a classificacao e o processo de descoberta de um modelo (ou
funcao) que descreve e distingue classes de dados ou conceitos.
4. Artigos
A seguir e apresentado os resumos sobre os artigos que fazem o uso de tecnicas de
clusterizacao sobre dados de medicao de consumo de energia eletrica.
6. Conclusao
Avaliando os trabalhos apresentados, vislumbra-se a possibilidade de uma implementacao
hibrda para caracterizacao do perfil de consumo de energia e perfil socioeconomico das
famlias que participaram do projeto na Irlanda. Ambas as tecnicas adotadas nos trabal-
hos podem ser complementares umas as outras, pois uma trata de segmentar os dados
com base na semelhancas encontradas nas caractersticas selecionadas para os datasets
apresentados a rede neural, ja a outra trata da classificacao com base nas caractersticas
previamente conhecidas e informadas de certa forma como heurstica na aplicacao da
tecnica.
References
Beckel, C., Sadamori, L., and Santini, S. (2013). Automatic socio-economic classifica-
tion of households using electricity consumption data. In Proceedings of the Fourth
International Conference on Future Energy Systems, e-Energy 13, pages 7586, New
York, NY, USA. ACM.
Berson, A. and Smith, S. J. (1997). Data Warehousing, Data Mining, and Olap. McGraw-
Hill, Inc., New York, NY, USA, 1st edition.
Depuru, S. S. S. R., Wang, L., and Devabhaktuni, V. (2011). Smart meters for power
grid: Challenges, issues, advantages and status. Renewable and Sustainable Energy
Reviews, 15(6):2736 2742.
Fayyad, U. M., Piatetsky-Shapiro, G., Smyth, P., and Uthurusamy, R., editors (1996). Ad-
vances in Knowledge Discovery and Data Mining. American Association for Artificial
Intelligence, Menlo Park, CA, USA.
Han, J. and Kamber, M. (2006). Data mining: concepts and techniques. Morgan Kauf-
mann.
Katic, N., Marijanovic, V., and Stefani, I. (2010). Smart grid solutions in distribution
networks cost/benefit analysis. In CICED 2010 Proceedings, pages 16.
McLoughlin, F., Duffy, A., and Conlon, M. (2015). A clustering approach to domestic
electricity load profile characterisation using smart metering data. Applied Energy,
141(Supplement C):190 199.
Osorio, F. S. and Amy, B. (1999). Inss: A hybrid system for constructive machine learn-
ing. Neurocomputing, 28(1-3):191205.