Motor selector de técnicas de machine learning para la detección de anomalías de consumo eléctrico en clientes residenciales
Fecha
2021-12-23
Profesor Guía
Formato del documento
Tesis
ORCID Autor
Título de la revista
ISSN de la revista
Título del volumen
Editor
Universidad de Valparaíso
Ubicación
ISBN
ISSN
item.page.issne
item.page.doiurl
Facultad
Facultad de Ciencias
Departamento o Escuela
Instituto de Estadistica
Determinador
Recolector
Especie
Nota general
Ingeniero en Estadística. Licenciado en Estadística
Resumen
Las empresas distribuidoras de electricidad, se recogen una enorme cantidad de datos sobre sus
clientes en particular, producidas mensualmente por medidores ubicados en cada propiedad. Cada cliente tiene un comportamiento diferente, lo que se verá reflejado en cada una de las categorías que se le atribuye a los clientes respectivos. Esta información es analizada para aportar a las empresas distribuidoras de electricidad, mediante la detección de consumos de energía anómalos. Estos consumos se conocen como órdenes de crítica. De esa forma, poder entender su origen y tomar decisiones al respecto. Entonces, una orden de crítica se refiere a aquella solicitud para analizar un cliente, el cual posee un consumo superior a los anteriores, bajo ciertas condiciones determinadas por la empresa. En ese sentido, este proyecto está basado en la selección de un modelo de machine learning, a través de un motor selector que distingue la mejor metodología que se ajuste al conjunto de datos.
Dado ese contexto, son tres metodologías de predicción seleccionadas: suavización exponencial, boosting y redes neuronales. El primero trata del modelo predictivo Holt-Winters. El segundo, conocido como Extreme Gradient Boosting (XGBOOST), reacondiciona y es más efectivo que otros modelos gracias a la optimización de sistemas y mejoras algorítmicas. Mientras que el modelo de redes neuronales está basado en redes Long-Short Term Memory (LSTM), tiene la cualidad de detectar variaciones de comportamiento en el núcleo familiar.
Descripción
Lugar de Publicación
Auspiciador
Palabras clave
CONSUMO DE ENERGIA ELECTRICA, MODELO PREDICTIVO, MODELO DE CORRECION DE ERRORES