Для достаточно точной и быстрой оценки величины электроэнергии, потребляемой в многоквартирных жилых домах, требуется применение специального программного обеспечения. Данная статья, наряду с описанием и классификацией известных подходов, представляет новый способ восходящего моделирования электроэнергии, основанный на SVM-регрессии. Для извлечения и обработки информации, а также непосредственно построения модели были использованы языки R (совместно с набором open-source библиотек) и SQL. Тренировка модели производилась на данных о потреблении электроэнергии жильцами многоквартирных домов г. Саранска Республики Мордовия. Кроме того, были использованы климатические данные и дополнительные сведения о квартирах и жильцах. Исходные данные подвергнуты процедурам очистки и восстановления пропущенных значений. Для оценки меры качества регрессии использован коэффициент детерминации, вычисленный для моделей на основе различных сочетаний регрессоров. Наилучший результат среди прочих показала «полная» модель. Представлены также результаты некоторых схожих ранее опубликованных исследований.
For a fast and veracious energy evaluation of apartment houses, one needs simple energy analysis software. The paper begins with short description of known approaches and their classification. Then follows an information on new residential bottom-up energy consumption model technique based on support vector machine regression. SQL, R programming language and some open source packages were used to extract and transform data and build support vector machine. The model was trained on electricity consumption data on apartments located in Saransk, Mordovia. Climatic and additional residential data are also were used for modelling. Data cleaning and missing data imputation were carried out for all data sources. For evaluating regression’s goodness of fit the study provides R-squared values for models built on different combinations of features. The obtained results confirm that full model’s fitting goodness measured by R-squared is the best among trained ones. The results of the models are compared with those of previous studies.
1. Аль Зихери Б.М. Повышение точности краткосрочного прогнозирования электрической нагрузки потребителей региона с учетом метеофакторов на основе метода опорных векторов: дис. ... канд. тех. наук. – Новочеркасск. 2015. – С. 24–25.
2. Воронцов К.В. Лекции по методу опорных векторов [Электронный ресурс] // Вычислительный центр им. А.А. Дородницына Российской академии наук: сайт. – URL: http://www.ccas.ru/voron/download/SVM.pdf (дата обращения 15.09.2015).
3. Машина опорных векторов [Электронный ресурс]. – Режим доступа: http://www.machinelearning.ru/wiki/index.php?title=SVM (дата обращения 15.09.2015).
4. Федосин А.С., Савкина А.В. Проблемы качества данных в автоматизированных системах коммерческого учета потребления энергоресурсов // Прикаспийский журнал: управление и высокие технологии. – 2014. – № 2. – С. 158–164.
5. Bergstra J. Random Search for Hyper-Parameter Optimization / J. Bergsta, Y. Bengio // Journal of Machine Learning Research. – 2012. – № 13, February. – P. 281–305.
6. Chicco G. Comparisons Among Clustering Techniques for Electricity Customer Classification / G. Chicco, R. Napoli, F. Piglione // IEEE Transactions on Power Systems. – 2006. – Vol. 21, № 2, May. – P. 933–940.
7. Douthitt R.A. An economic analysis of the demand for residential space heating fuel in Canada // Energy. – 1989. – Vol. 14, № 4. – P. 187–197.
8. Hsu C.-W. A practical guide to support vector classification [Electronic resource] / C.W. Hsu, C.C. Chang, C.J. Lin. – Режим доступа: http://www.csie.ntu.edu.tw/~cjlin/papers/guide/guide.pdf (дата обращения: 15.09.2015), свободный – Загл. с экрана. – Яз. англ.
9. Kavousian A.A. Method to Analyze Large Data Sets of Residential Electricity Consumption to Inform Data-Driven Energy Efficiency [Electronic resource] / A. Kavousian, R. Rajagopal, M. Fischer. – Режим доступа: http://cife.stanford.edu/sites/default/files/WP130_0.pdf (дата обращения: 15.09.2015), свободный – Загл. с экрана. – Яз. Англ
10. Loureiro A., Torgo. L., Soares C. Outlier Detection Using Clustering Methods: a data cleaning application [Электронный ресурс]. – Режим доступа: http://www.dcc.fc.up.pt/~ltorgo/Papers/ODCM.pdf (дата обращения: 15.09.2015).
11. Risch A., Salmon C. What matters in Residential Energy Consumption? Evidence from France application [Электронный ресурс]. – Режим доступа: http://hal.univ-savoie.fr/hal-01081953/document (дата обращения: 15.09.2015).
12. Smola A.J. A tutorial on support vector regression / A.J. Smola, B. Schölkopf // Statistics and Computing. – 2004. – Vol. 14, № 3, August. – P. 199–222.
13. Swan L.G. Modeling of end-use energy consumption in the residential sector: A review of modeling techniques / L.G. Swan, V.I. Ugursal // Renewable and Sustainable Energy Reviews. – 2009. – № 13. – P. 1819–1835.