Ідентифікація репрезентативних патернів споживання енергії: розробка та порівняльний аналіз методологій
Анотація
У статті представлено розробку та емпіричну оцінку методології ідентифікації найбільш репрезентативного добового патерну споживання електроенергії, що є ключовим завданням для оптимізації інтелектуальних енергетичних систем (Smart Grid), прогнозування навантаження та управління попитом. Запропонований підхід фокусується на оптимізації попередньої обробки даних та використанні багатофакторної метрики подібності. Він включає двоетапну адаптивну фільтрацію добових профілів на основі пікової та середньої потужності, що дозволяє ефективно відсіювати аномальні та неактивні дні завдяки динамічним порогам, які розраховуються на основі статистичних індикаторів (медіана, перцентилі), адаптуючись до індивідуальних особливостей споживання. Для вибору репрезентативного патерну розроблено композитну метрику, яка комплексно інтегрує схожість за формою, рівнем потужності та часовими характеристиками активних періодів. Наукова новизна полягає у гібридній фільтрації та прямому виборі медоїда без повноцінної кластеризації, що спрощує обчислення та усуває необхідність попереднього визначення кількості кластерів. Методологія забезпечує швидке та обґрунтоване визначення найбільш характерного профілю споживання, який може слугувати надійною базовою моделлю (baseline) для виявлення аномалій, сегментації споживачів або генерації синтетичних даних навантаження. Результати тестування на реальних даних з датасету "ECO data set" підтверджують ефективність підходу для різних електроприладів. Дане дослідження робить значний внесок у розвиток методів управління енергоспоживанням. Перспективи включають інтеграцію "еластичних" метрик, формалізовану кластеризацію та розробку складних систем виявлення аномалій
Посилання
2. Bezdek, J. C. (1981). Pattern Recognition with Fuzzy Objective Function Algorithms. Plenum Press.
3. Reynolds, D., & Roberts, D. (2005). Gaussian Mixture Models. У: Encyclopedia of Speech and Language Technology. Springer, Boston, MA.
4. Daubechies, I. (1992). Ten Lectures on Wavelets. Society for Industrial and Applied Mathematics.
5. Huang, N. E., Shen, Z., Long, S. R., Wu, M. C., Shih, H. H., Zheng, Q., Yen, N.-C., Tung, C. C., Liu, H. H. (1998). The empirical mode decomposition and the Hilbert spectrum for nonlinear and non-stationary time series analysis. Proceedings of the Royal Society of London. Series A: Mathematical, Physical and Engineering Sciences, 454(1971), 903–995.
