Multi-criteria methodology based on data science for the selection of the optimal forecast model for residential electricity consumption
DOI:
https://doi.org/10.22517/23447214.25335Palabras clave:
AHP, aprendizaje automático, ciencia de datos, comparaciones pareadas, regresión, TOPSISResumen
Existe una gran variedad de técnicas y modelos para el pronóstico del consumo de energía eléctrica, dependiendo tanto del tipo de usuario, como del horizonte de pronóstico y de la resolución de los datos disponibles. Asimismo, existen distintas métricas para evaluar el desempeño de estos modelos. Entonces, en esta investigación se propone una metodología integrada multicriterio para seleccionar el mejor modelo de pronóstico del consumo de energía eléctrica residencial, utilizando el proceso jerárquico analítico (AHP) para establecer los pesos de importancia relativa de los criterios de decisión, y la técnica para el orden de preferencia por similitud con la solución ideal (TOPSIS) para hacer la selección del modelo óptimo. La metodología se enmarca a su vez dentro de un proceso de ciencia de datos, a través del cual se extraen, procesan y analizan los datos, previo a la aplicación de los algoritmos de aprendizaje automático para obtener los modelos de pronósticos, que se corresponderán con las alternativas de decisión. Las métricas de desempeño en la fase de evaluación de los modelos, y las métricas de desempeño obtenidas de la fase de pronóstico, son consideradas como los criterios de decisión. De la técnica de comparaciones pareadas se obtuvo que el error porcentual absoluto medio (MAPE) de la fase de pronóstico fue el criterio con mayor peso de importancia, seguido del coeficiente de determinación R2 y del MAPE de la fase de evaluación. A partir del método TOPSIS, se seleccionó el modelo de Regresión Lineal Múltiple como el modelo óptimo de pronóstico.
Descargas
Citas
L. L. Grigsby, Power Systems, Boca Raton, FL: CRC Press, 2007.
V. Gupta y S. Pal, «An Overview of Different Types of Load Forecasting Methods and the Factors Affecting the Load Forecasting,» International Journal for Research in Applied Science & Engineering Technology, pp. 729-733. http://doi.org/10.22214/ijraset.2017.4132, 2017.
Y. Badulescu, A.-P. Hameri y N. Cheikhrouhou, «Evaluating demand forecasting models using multi-criteria decision-making approach,» Journal of Advances in Management Research, pp. DOI 10.1108/JAMR-05-2020-0080., 2021.
C. Deina, J. L. Ferreira dos Santos, L. H. Biuk, M. Lizot, A. Converti, H. Valadares Siqueira y F. Trojan, «Forecasting Electricity Demand by Neural Networks and Definition of Inputs by Multi-Criteria Analysis,» Energies, p. https://doi.org/10.3390/en16041712, 2023.
J. V. Jales Melo, G. R. Soares Lira, E. G. Costa, A. F. Leite Neto y I. B. Oliveira, «Short-Term Load Forecasting on Individual Consumers,» Energies, p. https://doi.org/10.3390/en15165856, 2022.
S. Filipova-Petrakieva y V. Dochev, «Short-Term Forecasting of Hourly Electricity Power Demand,» Engineering, Technology & Applied Science Research - Reggresion and Cluster Methods for Short-Term Prognosis, vol. 12, nº 2, pp. 8374-8381, 2022.
G. P. Papaioannou, C. Dikaiakos, A. Dramountanis y P. G. Papaioannou, «Analysis and Modeling for Short- to Medium-Term Load Forecasting Using a Hybrid Manifold Learning Principal Component Model and Comparison with Classical Statistical Models (SARIMAX, Exponential Smoothing) and Artificial Intelligence Models (ANN, SVM): Th,» MDPI energies, vol. 9, nº 8, 2016.
S. R. Khan, I. A. Hayder, S. u. Rehman Khan, M. A. Habib, M. Ahmad, S. M. Mohsin, F. A. Khan y K. Mustafa, «Enhanced Machine-Learning Techniques for Medium-Term and Short-Term Electric-Load Forecasting in Smart Grids,» Energies, p. https://doi.org/10.3390/en16010276, 2022.
P. Pełka, «Analysis and Forecasting of Monthly Electricity Demand Time Series Using Pattern-Based Statistical Methods,» Energies, p. https://doi.org/10.3390/en16020827, 2023.
M. A. Hammad, B. Jereb, B. Rosi y D. Dragan, «Methods and Models for Electric Load Forecasting: A Comprehensive Review,» Logistics, Supply Chain, Sustainability and Global Challenges, vol. 11, nº 1, pp. 51-76. doi: 10.2478/jlst-2020-0004., 2020.
F. Eltarabishi, O. H. Omar, I. Alsyouf y M. Bettayeb, «Multi-Criteria Decision Making Methods And Their Applications– A Literature Review,» de Proceedings of the International Conference on Industrial Engineering and Operations Management, Dubai, UAE, 2020.
J. VanderPlas, Python Data Science Handbook - Essential Tools for Working with Data, Sebastopol, CA: O’Reilly Media, Inc., 2017.
D. Cielen, A. D. B. Meysman y M. Ali, Introducing Data Science, Shelter Island, NY: Manning Publications Co., 2016.
Comisión Nacional de Energía de Chile, «Energía Abierta,» 01 Abril 2023. [En línea]. Available: http://energiaabierta.cl/categorias-estadistica/electricidad/?sf_paged=2. [Último acceso: 16 July 2022].
C. Yajure Ramírez, «Uso de algoritmos de aprendizaje automático para analizar datos de energía eléctrica facturada. Caso: Chile 2015 – 2021,» Revista I+D Tecnológico, pp. 17-31. https://doi.org/10.33412/idt.v18.2.3678, 2022.
Dirección General de Aeronáutica Civil de Chile, «DGAC CHILE,» 01 04 2023. [En línea]. Available: https://climatologia.meteochile.gob.cl/application/informacion/fichaDeEstacion/330020. [Último acceso: 01 12 2022].
Instituto Nacional de Estadísticas de Chile, «INE,» 01 04 2023. [En línea]. Available: https://www.ine.gob.cl/estadisticas/economia/indices-de-precio-e-inflacion/indice-de-precios-al-consumidor. [Último acceso: 01 12 2022].
A. Navlani, A. Fandango y I. Idris, Python Data Analysis, Birmingham, UK: Packt Publishing Ltd., 2021.
B. Ratner, Statistical and Machine-Learning Data Mining - Techniques for Better Predictive Modeling and Analysis of Big Data, Boca Raton, FL: CRC Press Taylor & Francis Group, 2017.
D. N. Gujarati y D. C. Porter, Econometría, México, D. F.: McGraw-Hill/Interamericana Editores, S.A. DE C.V., 2010.
S. Makridakis, S. Wheelwright y R. Hyndman, Manual of Forecasting: Methods and Applications, 1997.
A. Kapoor, A. Gulli y S. Pal, Deep Learning with TensorFlow and Keras, Birmingham: Packt Publishing Ltd., 2022.
J. Moolayil, Learn Keras for Deep Neural Networks - A Fast-Track Approach to Modern Deep Learning with Python, Vancouver, BC, Canada: Apress, 2019.
F. Chollet, Deep Learning with Python, Shelter Island, NY: Manning Publications Co., 2018.
J. Brownlee, Deep Learning With Python - Develop Deep Learning Models On Theano And TensorFlow Using Keras, Melbourne, Australia: Machine Learning Mastery, 2016.
J. Arnastauskaite, T. Ruzgas y M. Braženas, «An Exhaustive Power Comparison of Normality Tests,» Mathematics, p. https://doi.org/10.3390/math9070788, 2021.
M. E. Fenner, Machine Learning with Python for Everyone, Boston: Pearson Education, Inc., 2020.
B. K. Gacar y İ. D. Kocakoç, «Regression Analyses or Decision Trees?,» Manisa Celal Bayar University Journal of Social Sciences, pp. 251-260. Doi: 10.18026/cbayarsos.796172., 2020.
R. Muthukrishnan y M. Jamila. S, «Predictive Modeling Using Support Vector Regression,» International Journal of Scientific & Technology Research, pp. 4863-4865., 2020.
A. Ishizaka y P. Nemery, Multi-Criteria Decision Analysis - Methods and Software, West Sussex, United Kingdom: John Wiley & Sons, Ltd, 2013.
M. Velasquez y P. T. Hester, «An Analysis of Multi-Criteria Decision Making Methods,» International Journal of Operations Research, pp. 56-66. http://www.orstw.org.tw/ijor/vol10no2/ijor_vol10_no2_p56_p66.pdf, 2013.
E. Triantaphyllou, B. Shu, S. Nieto Sanchez y T. Ray, «Multi-Criteria Decision Making: An Operations Research Approach,» Encyclopedia of Electrical and Electronics Engineering, pp. 175-186., 1998.
T. L. Saaty, «Decision making with the analytic hierarchy process,» International Journal of Services Sciences, pp. 83-98. https://dx.doi.org/10.1504/IJSSCI.2008.017590, 2008.
J. M. Moreno Jiménez, «El proceso analítico jerárquico (AHP). Fundamentos, metodología, y aplicaciones.,» Revista Electrónica de Comunicaciones y Trabajos de ASEPUMA, pp. 28-77, 2002.
B. Sahoo, R. N. Behera y P. K. Pattnaik, «A Comparative Analysis of Multi-Criteria Decision Making Techniques for Ranking of Attributes for e-Governance in India,» International Journal of Advanced Computer Science and Applications, pp. 65-70. https://dx.doi.org/10.14569/IJACSA.2022.0130311, 2022.
J. Papathanasiou y N. Ploskas, Multiple Criteria Decision Aid - Methods, Examples and Python Implementations, Cham, Switzerland: Springer Nature Switzerland AG, 2018.
Descargas
-
Vistas(Views): 105
- PDF (English) Descargas(Downloads): 128
- HTML Descargas(Downloads): 0
Publicado
Cómo citar
Número
Sección
Licencia
Derechos de autor 2023 Scientia et Technica
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial-CompartirIgual 4.0.
Derechos de autor y licencias
La revista es de acceso abierto gratuito y sus artículos se publican bajo la licencia Creative Commons Atribución/Reconocimiento-No Comercial-Compartir bajo los mismos términos 4.0 Internacional — CC BY-NC-SA 4.0.
Los autores de un artículo aceptado para publicación cederán la totalidad de los derechos patrimoniales a la Universidad Tecnológica de Pereira de manera gratuita, teniendo en cuenta lo siguiente: En caso de que el trabajo presentado sea aprobado para su publicación, los autores deben autorizar de manera ilimitada en el tiempo, a la revista para que pueda reproducirlo, editarlo, distribuirlo, exhibirlo y comunicarlo en cualquier lugar, ya sea por medios impresos, electrónicos, bases de datos, repositorios, discos ópticos, Internet o cualquier otro medio requerido.
Los cedentes mediante contrato CESIÓN DE DERECHOS PATRIMONIALES declaran que todo el material que forma parte del artículo está totalmente libre de derechos de autor de terceros y, por lo tanto, se hacen responsables de cualquier litigio o reclamación relacionada o reclamación relacionada con derechos de propiedad intelectual, exonerando de toda responsabilidad a la Universidad Tecnológica de Pereira (entidad editora) y a su revista Scientia et Technica. De igual forma, los autores aceptan que el trabajo que se presenta sea distribuido en acceso abierto gratuito, resguardando los derechos de autor bajo la licencia Creative Commons Atribución/Reconocimiento-No Comercial- Compartir bajo los mismos términos 4.0 Internacional — CC BY-NC-SA 4.0.
https://creativecommons.org/licenses/by-nc-sa/4.0/
A los autores, la revista Scientia et Technica tiene la obligación de respetarle los derechos morales (artículo 30 de la Ley 23 de 1982 del Gobierno Colombiano) que se les debe reconocen a estos la paternidad de la obra, el derecho a la integridad y el derecho de divulgación. Estos no se pueden ceder ni renunciar.