Resumen

Las infraestructuras de medición avanzada como la medición inteligente han comenzado a atraer una atención creciente; actualmente, un considerable cuerpo de investigación se centra en el perfilado de carga y la predicción en diferentes escalas en la red. El clustering de series temporales de electricidad es una herramienta efectiva para identificar información útil en diversas aplicaciones prácticas, incluida la predicción del consumo de electricidad, que es importante para proporcionar más datos a los medidores inteligentes. Este artículo presenta un estudio exhaustivo de los métodos de clustering para perfiles de demanda de electricidad residencial y aplicaciones adicionales centradas en la creación de pronósticos de electricidad más precisos para clientes residenciales. Las contribuciones de este artículo son triples: se analizan las medidas de similitud de diferentes series temporales a partir de datos de 46 hogares en Austin, Texas; se determina el número óptimo de clusters para representar perfiles de uso de electricidad residencial; y se lleva a cabo un extenso estudio de pronóstico de carga utilizando diferentes algoritmos de pronóstico mejorados mediante segmentación

• Materias:Big Data Restricciones distribuidas Algoritmo de inferencia Gestión administrativa
• Subjects:Big Data Distributed constraints Inference algorithm Administrative management
• Palabras claves:Infraestructuras de medición avanzada; Medición inteligente; Perfil de carga; Pronóstico; Agrupamiento de series temporales de electricidad; Perfiles de demanda de electricidad residencial
• Keywords:Advanced metering infrastructures; Smart metering; Load profiling; Forecasting; Electricity time series clustering; Residential electricity demand profiles