Short-Term Prediction of Smart Metering Systems by Multivariable and Multistep Deep Learning Architectures

Abstract

Las Redes Eléctricas Inteligentes de Distribución (REID) han revolucionado la industria eléctrica al permitir un control y monitoreo más eficiente del suministro eléctrico, con un componente clave siendo los medidores inteligentes (SM). Estos recopilan información sobre la demanda, energía, distorsión armónica, entre otros, que deben ser almacenados y gestionados eficientemente en un sistema de gestión de datos de medición (MDMS). El MDMS debe garantizar la obtención de un conjunto completo de datos para su uso en algoritmos que aseguren la confiabilidad y calidad del suministro eléctrico. Para abordar el desafío de gestionar la gran cantidad de datos generados por los SM, se han propuesto diferentes técnicas de predicción de mediciones a corto, mediano y largo plazo, destacando el uso de inteligencia artificial como las Redes Neuronales Artificiales (ANN) y métodos de Aprendizaje Profundo (DL) debido a su capacidad de adaptación a diferentes variables de entrada y salida con diversos horizontes temporales. Además, se destaca la influencia de la diversidad de Tecnologías de la Información y Comunicación (TIC) en el tiempo de actualización y almacenamiento de datos en un MDMS. En este sentido, este trabajo tiene como objetivo identificar qué arquitectura o arquitecturas de ANN o DL podrían ser más adecuadas para aplicaciones en empresas, estudios o investigaciones, demostrando métricas de rendimiento favorables en diferentes escenarios de frecuencia de muestreo y tiempos de actualización de datos típicos en un REID. Esto es relevante debido a la necesidad del MDMS de realizar predicciones multivariables y multipaso a corto plazo para completar la información, hasta que la misma esté disponible o se actualice.