5. Το Πρόβλημα
Οικιακοί
Καταναλωτές Εμπορικοί
Βιομηχανικοί
• Ύπαρξη καταναλωτών του ιδίου τύπου με εντελώς
διαφορετικές ενεργειακές συμπεριφορές.
Η Λύση: Δημιουργία Προφίλ Κατανάλωσης
Προ-επεξεργασία
Δεδομένων
Κατάτμηση
Καμπύλων
φορτίου
Αξιολόγηση
Ομαδοποίησης
Ταξινόμηση
Νέων
Καταναλωτών
Εφαρμογή
Αποτελεσμά-
των
5
6. Καταναλωτές Χαμηλής
Τάσης
Οικιακοί Εμπορικοί
6
• Δε μελετώνται ως ανεξάρτητες οντότητες
• Η ομαδοποίησή τους έχει πολλά οφέλη για τις
εταιρείες ενέργειας
• Γίνεται αναγνώριση κατάλληλων καταναλωτών για
την εφαρμογή λύσεων εξοικονόμησης ενέργειας
7. Έξυπνοι Μετρητές
• Μπορούν να
προγραμματιστούν για να
ελέγχουν τις οικιακές
συσκευές
• Εντοπίζουν μη
εξουσιοδοτημένη χρήση
της ενέργειας
7
8. Στόχος
• Διερεύνηση τεχνικών ομαδοποίησης καταναλωτών
χαμηλής τάσης
• Ανάδειξη κυρίων προτύπων κατανάλωσης σε τρία
σετ δεδομένων
Με απώτερο σκοπό
Την ενίσχυση του σχεδιασμού τιμολογίων
ενέργειας που θα οδηγήσουν σε
Μείωση κατανάλωσης αιχμής
Μείωση συνολικού κόστους
8
10. Η Διαδικασία
Συγκέντρωση Δεδομένων Κατανάλωσης
Προ-Επεξεργασία Δεδομένων
Επιλογή Διανυσμάτων Εισόδου
Πειράματα Βελτιστοποίησης Παραμέτρων
Αλγορίθμων
Αξιολόγηση Αποτελεσμάτων Ομαδοποίησης
Δημιουργία Ομάδων με Χρήση του Βέλτιστου
Αλγορίθμου
Πειράματα Εφαρμογής Τιμολογιακών Πολιτικών
στις Προκύπτουσες Ομάδες
10
11. Προ-Επεξεργασία
Δεδομένων
• Διόρθωση ή απαλοιφή λανθασμένων και
ελλιπών μετρήσεων
Αντιστροφή πόλωσης
Σταθερές συνεχείς τιμές μέτρησης για μεγάλο
διάστημα
Ξαφνικές τιμές peak
Περιπτώσεις Βλάβης Μετρητικού
Στοιχείου
11
12. K-means
Χαρακτηριστικά:
• Κλασσική μέθοδος ομαδοποίησης διαχωρισμού
• Ορίζει ένα πρότυπο σε σχέση με μια τιμή κέντρου βάρους
• Ελαχιστοποιεί το συνολικό μέσο τετραγωνικό σφάλμα
Πλεονεκτήματα:
• Απλή, αποτελεσματική και επεκτάσιμη μέθοδος
Μειονεκτήματα:
• Δύσκολη η εύρεση των αρχικών κέντρων και του αριθμού
των ομάδων
• Ευαίσθητη σε θόρυβο και εξωκείμενες τιμές
• Δε μπορεί να εφαρμοστεί σε περίεργα γεωμετρικά
σχήματα 12
Παραλλαγές:
Χρήση του αλγορίθμου K-
means++
Επιλογή των αρχικών κέντρων
με χρήση πιθανοτήτων
Χρήση του Διχοτομικού
αλγορίθμου
Διαχωρίζει τα δεδομένα σε δύο
ομάδες χρησιμοποιώντας τον
απλό Κ-means, επιλέγει για
διαχωρισμό μία από αυτές και
ούτω καθεξής, έως ότου να
παραχθούν Κ ομάδες
13. Fuzzy C-means
Χαρακτηριστικά:
• Γνωστή μέθοδος τοπικής αναζήτησης ασαφούς διαχωρισμού
• Κάθε αντικείμενο των δεδομένων εισόδου ανήκει σε περισσότερες από μια
ομάδες με κάποιο βαθμό συμμετοχής
Πλεονεκτήματα:
• Εισάγεται βαθμός ασάφειας μεταξύ των διαχωριζόμενων μελών
Μειονεκτήματα:
• Δύσκολη η εύρεση αρχικών κέντρων και του αριθμού των ομάδων
• Εύκολο να πέσει σε τοπικό βέλτιστο
13
14. Ιεραρχικοί Αλγόριθμοι
14
Συσσωρευτικοί Διαχωρισμού
Η συγχώνευση ή η διαίρεση των ομάδων πραγματοποιείται σύμφωνα με
κάποια μετρική ομοιότητας, ανάλογα με τον τρόπο υπολογισμού της οποίας
έχουμε την εξής κατηγοριοποίηση:
Εύκολη εφαρμογή
Δύσκολη επιλογή των σημείων συνένωσης και διαχωρισμού
Ομαδοποίηση Ελάχιστης απόστασης
Ομαδοποίηση Μέγιστης απόστασης
Ομαδοποίηση Μέσης απόστασης
Ομαδοποίησης με τη μέθοδο Ward
15. Αυτό-Οργανωμένοι Χάρτες
• Μετατρέπει πολύπλοκες σχέσεις
πολυδιάστατων δεδομένων σε μια
αναπαράσταση μικρών διαστάσεων
• Απεικόνιση ως μια συστοιχία
νευρωνικών δικτύων
• Δημιουργεί διατεταγμένη
χαρτογράφηση
15
• Η αποτελεσματικότητα εκμάθησης εξαρτάται από τα
δείγματα αντικειμένων όταν ο αριθμός των αντικειμένων
είναι μικρός.
•Επηρεάζεται από παράγοντες όπως τα βάρη σύνδεσης
του δικτύου, την προσαρμογή της ικανότητας εκμάθησης,
την επιλογή της συνάρτησης γειτονιάς, κ.τ.λ.
• Μπορεί να αναγνωρίσει τα
πιο σημαντικά
χαρακτηριστικά με
σταθερότητα, έχει μεγάλη
ικανότητα κατά του θορύβου.
18. Διανύσματα Εισόδου
• Μέση καμπύλη κατανάλωσης
Τα δεδομένα της μέσης καμπύλης μπορεί να είναι σε διάφορα
χρονικά βήματα: ανά ώρα, ανά μισή ώρα, ανά τέταρτο, ανά λεπτό
και ούτω καθ’ εξής
• Διανύσματα χαρακτηριστικών
o Χαρακτηριστικό 1 έως 4: Σχετική μέση κατανάλωση σε κάθε
μία από τις 4 περιόδους της ημέρας
o Χαρακτηριστικό 5: Μέση σχετική τυπική απόκλιση
o Χαρακτηριστικό 6: Σαββατοκύριακο vs καθημερινή
18
19. Μετρικές Αξιολόγησης
Ομαδοποίησης
• Μέσο τετραγωνικό σφάλμα
• Mean Index Adequacy
• Clustering Dispersion Indicator
• Similarity Matrix Indicator
• Davies Bouldin Index
• Ratio of within cluster sum of squares to between cluster variations
19
20. Πρώτο Πείραμα
Το πρώτο σετ δεδομένων:
• Περιλαμβάνει μετρήσεις από 42 οικιακούς καταναλωτές της
Σουηδίας
• Οι μετρήσεις έγιναν ανά 1 λεπτό, ξεκίνησαν την Πέμπτη
10/01/2013 και σταμάτησαν στις 1/06/2013
• Τα πειράματα έγιναν για αριθμό ομάδων από 2 έως 10
• Η βελτιστοποίηση παραμέτρων έγινε στους αλγορίθμους K-
means, Fuzzy C-means, Self-Organized Maps και
Hierarchical
20
23. Δεύτερο Πείραμα
23
Το δεύτερο σετ δεδομένων:
• Περιλαμβάνει δεδομένα κατανάλωσης από προσομοιωμένα
μοντέλα καταναλωτών της πλατφόρμας του διαγωνισμού
PowerTAC: 99 οικιακοί καταναλωτές και 49 εμπορικοί
καταναλωτές (γραφεία)
• Οι μετρήσεις έγιναν ανά 1 ώρα, ξεκίνησαν το Σάββατο
10/10/2009 και σταμάτησαν στις 22/12/2009.
• Τα πειράματα έγιναν για αριθμό ομάδων από 6 έως 14
• Η βελτιστοποίηση παραμέτρων έγινε στους αλγορίθμους K-
means, Fuzzy C-means, Self-Organized Maps και
Hierarchical
26. Τρίτο Πείραμα
26
Το τρίτο σετ δεδομένων:
• Περιλαμβάνει μετρήσεις από 40000 οικιακούς καταναλωτές
της Ιρλανδίας.
• Οι μετρήσεις έγιναν ανά μισή ώρα.
• Στα πειράματα χρησιμοποιήθηκε μόνο ένα αντιπροσωπευτικό
δείγμα 988 καταναλωτών
• Τα πειράματα έγιναν για αριθμό ομάδων από 4 έως 12
• Η βελτιστοποίηση παραμέτρων έγινε στους αλγορίθμους K-
means, Fuzzy C-means, Self-Organized Maps και
Hierarchical
30. Διαδικασία Εφαρμογής
Τιμολογιακών Πολιτικών
1
• Δημιουργία της αθροιστικής καμπύλης κατανάλωσης κάθε ομάδας που
έχει προκύψει από το τρίτο πείραμα
2
• Ανίχνευση των αιχμών και των κοιλάδων που υπάρχουν στην
αθροιστική καμπύλη κατανάλωσης
3
• Υπόθεση ότι τα αρχικά τιμολόγια όλων των καταναλωτών είχαν βασική
σταθερή χρέωση ίση με 0.5 ευρώ/KWh
30
4
• Νέα χρέωση στις περιόδους αιχμής: [2*βασική χρέωση, 10*βασική χρέωση]
• Νέα χρέωση στις περιόδους κοιλάδων: το 85% της νέας βασικής χρέωσης.
5
• Εφαρμογή του τιμολογίου που προκύπτει στους καταναλωτές. Ο κάθε
καταναλωτής αντιδρά σύμφωνα με κάποια από τις τρεις συμπεριφορές
6
• Υπολογισμός της μείωσης κατανάλωσης στις περιόδους αιχμής και της συνολικής
μείωσης του κόστους, λόγω της εφαρμογής των νέων τιμολογιακών πολιτικών.
32. Μετρικές Αξιολόγησης
• Ποσοστό μείωσης της συνολικής κατανάλωσης
αιχμής
• Ποσοστό μείωσης του συνολικού κόστους
• Λόγος της μείωσης του συνολικού κόστους προς τη
μείωση της κατανάλωσης αιχμής
32
Φόρμουλα Υπολογισμού της Νέας
Τιμής Αιχμής
34. Πείραμα 2
Σύμφωνα με ένα πιλοτικό που έγινε στην Ολλανδία:
• Το 10% των καταναλωτών μετακίνησαν ένα μεγάλο μέρος του φορτίου που
κατανάλωναν στις ώρες αιχμής ομοιόμορφα καθ' όλη τη διάρκεια της
υπόλοιπης ημέρας
• Το 55% των καταναλωτών προτίμησαν να μετακινήσουν ένα μεγάλο μέρος
του φορτίου που κατανάλωναν στις ώρες αιχμής στις περιοχές δεξιά και
αριστερά από τις περιοχές αιχμής.
• Το 35% των καταναλωτών προτίμησαν να μετακινήσουν ένα μεγάλο μέρος
του φορτίου που κατανάλωναν στις ώρες αιχμής στις περιοχές εκείνες
όπου παρατηρείται η χαμηλότερη τιμή χρέωσης
34
35. Πείραμα 3
Σύμφωνα με ένα πιλοτικό που έγινε στον Καναδά:
• Το 3% των καταναλωτών μετακίνησαν ένα μεγάλο μέρος του φορτίου που
κατανάλωναν στις ώρες αιχμής ομοιόμορφα καθ' όλη τη διάρκεια της
υπόλοιπης ημέρας
• Το 72% των καταναλωτών προτίμησαν να μετακινήσουν ένα μεγάλο μέρος
του φορτίου που κατανάλωναν στις ώρες αιχμής στις περιοχές δεξιά και
αριστερά από τις περιοχές αιχμής.
• Το 25% των καταναλωτών προτίμησαν να μετακινήσουν ένα μεγάλο μέρος
του φορτίου που κατανάλωναν στις ώρες αιχμής στις περιοχές εκείνες
όπου παρατηρείται η χαμηλότερη τιμή χρέωσης
35
37. Συμπεράσματα
• Τα πειράματα παραμετροποίησης των αλγορίθμων είναι σημαντικά, καθώς
υπάρχουν παράμετροι οι οποίες πετυχαίνουν πολύ μεγάλα σφάλματα για τις
συγκεκριμένες εισόδους
• Ο αλγόριθμος K-means είναι αυτός που με συνέπεια παρουσίασε τα μικρότερα
σφάλματα για τις εισόδους που δοκιμάστηκαν
• Η κάθε ομάδα καταναλωτών έχει διαφορετικό πρότυπο κατανάλωσης και
δική της ενεργειακή συμπεριφορά κατά τη διάρκεια της ημέρας
• Χρησιμοποιώντας τις μέσες καμπύλες κατανάλωσης δημιουργούνται
μικρότερα σφάλματα από ότι εκείνα που δημιουργούνται με τα διανύσματα
χαρακτηριστικών. Πλεονέκτημα χρήσης των διανυσμάτων χαρακτηριστικών
είναι η μεγαλύτερη ταχύτητα εκτέλεσης των πειραμάτων
• Η αύξηση της τιμής στις περιόδους αιχμής ακολουθείται από μείωση της
κατανάλωσης στις περιόδους αιχμής και μείωση του συνολικού κόστους.
37
38. Μελλοντικές Επεκτάσεις
• Δοκιμή νέων αλγορίθμων ομαδοποίησης των δεδομένων και η
σύγκριση με αυτούς που εφαρμόστηκαν στην παρούσα διπλωματική
• Χρήση συνδυασμού αλγορίθμων
• Δημιουργία αλγορίθμων για την εύρεση του βέλτιστου αριθμού
ομάδων
• Χρήση της μεθόδου Ταξινόμησης
• Χρήση των αποτελεσμάτων ομαδοποίησης ως είσοδο σε άλλες
πρακτικές εφαρμογές
38
39. Ευχαριστώ για την προσοχή σας
39
Κωτούζα Θ. Μαρία
mkotouza@ece.auth.gr