Smart Meter Data Analytics

TECNOLÓGICO NACIONAL DE MÉXICO
Instituto Tecnológico de Morelia

Maestría en Ciencias en Ingeniería Electrónica
Procesamiento de Señales
Analítica de Datos
Sistemas de Medición Inteligente
M.C. Juan Carlos Olivares Rojas

Dr. Enrique Reyes Archundia
Introducción
Los sistemas de medición inteligente monitorean
el resultado de alguna(s) variable(s).
En el caso de la red eléctrica, los medidores

miden el consumo de energía expresado en
potencia por unidad de tiempo (kWh) pero
pueden medir otras variables como voltaje,
frecuencia, potencia reactiva, factor de potencia,
etc.
Señal Eléctrica
Es una magnitud cuyo valor o intensidad
depende del tiempo (por lo que la Teoría de
Series de Tiempo es de las más aplicables).
Los dos tipos de señales más comunes son:
V(t) es una tensión cuya amplitud depende del

tiempo t
i(t) es una corriente cuya intensidad depende del
tiempo
Señal Eléctrica
Señal Eléctrica
Señal Eléctrica
Muestreo de Señal Eléctrica


Consumo de Energía Eléctrica

Equipo Potencia Tiempo Tiempo de Consumo
Promedio de uso al uso al mes mensual
(W) día (hrs) (kWh)
Licuadora 350 10 min 5 1.75
Horno de Microndas 1,200 15 min 10 12
Videocasetera o DVD (2 50 3 hr 4 48 2.4
equipos) veces x
semana
TV Color (19-21”) 2 equipos 140 6 hrs 180 25.2
Campana extractora de cocina* 381 2 hrs 60 22.86
Lavadora Automática 700 4 hr 2 32 22.4
veces x
semana
Secadora de ropa* 5600 4 hrs 16 89.6
semana
Costo de Energía Eléctrica

Tipo de consumo Costo Observación
Básico $0.81 Primeros 75 kWh
Intermedio $0.98 Los siguientes 65 kWh
Excedente $2.86 Por cada kWh adicional a los anteriores

Consumo Energía
14 Smart Meter Consumption per Day
12
10
0
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30
SM1 SM2 SM3 SM4

Series de Tiempo
Secuencia de datos experimentales ordenados
en el tiempo
Son ubicuas ya que casi todos los sitemas

naturales y artificiales están asociadas a señales
que cambian con el tiempo.
Por ejemplo: Tasa de cambio USD/MXN en los

últimos diez años: http://www.xe.com
Series de Tiempo
Las Series de Tiempo se diferencian de otros
conjuntos de datos a que puedan existir
correlaciones entre valores sucesivos: el valor
presente puede depende de valores anteriores.
Por estos motivos pueden utilizarse para predecir

datos.
permite entender mecanismos
causales de un fenómeno. Procesamiento de Señales
Series de Tiempo
También permite determinar
relaciones causales entre dos o más
fenómenos.
La
Análisis Exploratorio
importancia
de graficar:
Cuarteto de
Anscombe
(misma
media,
varianza,
correlación y
ajuste lineal)
Componentes de Series de Tiempo

Xt = Tt + St + Ct + Rt
Xt: Serie de Tiempo
Tt: Tendencia
St: Estacionalidad
Ct: Ciclicidad
Rt: Residuo
Tendencia
Incremento o decremento a largo plazo en los
datos.
No tiene que ser lineal, y puede cambiar de

dirección (aunque lo hace lentamente).
Estacionalidad
Patrones repetitivos con un periodo definido.
Usualmente podemos asociar esta repetibilidad a

un fenómeno (e.g. las estaciones del año)
Ciclicidad
Cambios cíclicos sin un periodo definido.
No podemos identificar un periodo claro para

esta variabilidad. Usualmente es de más largo
plazo que las variaciones estacionales.
Residuo
Fluctuaciones irregulares e impredicibles.
Lo que queda después de quitar los anteriores

componentes.
Ejemplo 1
Ejemplo 1
Ejemplo 2
Ejemplo 2
Ejemplo 3
Ejemplo 3
Ejemplo 4
Ejemplo 4
Ajustando la Tendencia
La tendencia como cambia lentamente puede
modelarse de mejor forma a través de un ajuste
de curva.
Generalmente se utiliza el ajuste por mínimos

cuadrados (no necesariamente lineal) de
funciones a datos.
Suavizado de series de tiempo

Permite separar la tendencia de la ciclicidad de
los demás componentes
Promedio Móvil Simple

La manera más sencilla de suavizar es
promediando.
𝑋𝑡 + 𝑋𝑡 − 1 + … + 𝑋𝑡 − 𝑁 + 1
𝑀𝑡 =
𝑁
Promedio Móvil Pesado

El promedio móvil simple da el mismo peso a los
N-1 valores anteriores. Un mejor esquema
consiste en darle pesos decrecientes a los
valores entre más lejanos estén del pasado
𝑁−1
1
𝑀𝑡 = + ෍ 𝜔𝑖𝑋𝑡 − 1
σ 𝜔𝑖
𝑖=0

El promedio móvil simple da el mismo peso a los
N-1 valores anteriores. Un mejor esquema
consiste en darle pesos decrecientes a los
valores entre más lejanos estén del pasado
𝑁−1
1
𝑀𝑡 = + ෍ 𝜔𝑖𝑋𝑡 − 1
σ 𝜔𝑖
𝑖=0

Esto permite responder más rápido a los cambios
súbitos en la serie.
Promedio Móvil Exponencial

Los promedios móviles simples y pesados tienen
un alcance finito (“olvidan” en el tiempo) ya que
está definido su alcance. Una mejor forma es
asignar un peso que decrezca exponencialmente,
pero que nunca sea 0. Esta función es recursiva
S1= X1
St = 𝛼Xt + (1- 𝛼)St-1
Factor de decaimiento: 0 < 𝛼 < 1

Estacionariedad
Las series de tiempos pueden entenderse como
procesos estocásticos (aleatorios).
Un proceso es estacionario cuando sus

propiedades estadísticas no cambian con el
tiempo.
Esto es útil para hacer predicciones estadísticas

sobre su comportamiento.
Estacionariedad
Un proceso es estacionario si:
1. Su media es constante en el tiempo (no tiene

tendencia).
2. Su varianza es constante en el tiempo.
3. Su estructura de autocorrelación es constante
en el tiempo
En la práctica, !Las series de tiempo casi nunca

son estacionarias!
Autocorrelación
¿Cómo determinar si una serie es estacionaria?
La media y desviación estándar constantes son

fáciles de medir (calcular media y desviación
estándar móvil, y ver si permanecen constante)
La autocorrelación es difícil de medir e indica si la

serie de tiempo se parece a sí misma, en
términos estadísticos, cuando se retrasa en el
tiempo.
Autocorrelación
Se entiende como una medida de “memoria” y
por este motivo es una buena herramienta para
juzgar aleatoriedad y estacionariedad.
Autocorrelación
La función de autocorrelación (ACF) de la
serie Xt para el retraso 𝜏 se define como:
1 𝑛−𝑟
𝐴𝐶𝐹 𝜏 = 2+ σ𝑡=1 (𝑋𝑡 − 𝜇)(𝑋𝑡 + 𝜏 − 𝜇)
(𝑛−𝑟)𝜎
Donde:
n = longitud de la serie
𝜎2 = varianza
𝜇 = media
Autocorrelación
La función de autocorrelación (ACF) de una serie
aleatoria:
Autocorrelación Parcial
La función de autocorrelación parcial (PACF) de
“descuenta” el efecto de los valores intermedios
que hay entre el valor actual y el valor retrasado.
Calcularla no es tan sencilla pero muchas

herramientas como la librería statsmodel tiene
pacf().
Modelos de Procesos Estocásticos

Existen varios modelos estocásticos para las
series de tiempo:
1. Modelos Autoregresivos (AR)

2. Modelos de Media Móvil (MA)
3. Modelos generalizados: ARMA y ARIMA
Modelo AR
El modelo autoregresivo establece que el valor
actual de la serie de tiempo es una regresión
lineal que depende de los valores anteriores y
de un término de ruido estocástico.
𝑝
Xt = c + σ𝑖=1 𝜑𝑖𝑋𝑡 𝑖 + 𝜀𝑡
−
Donde
p = orden, 𝜑𝑖 = parámetros a ajustar; 𝜀𝑡 = ruido o
error aleatorio
Modelo AR
El modelo autoregresivo de orden cero, AR(0), es
simplemente ruido. El de orden 1, AR(1) es
estacionario si |𝜑| < 1.
Modelo MA
Un modelo de media móvil de orden q, MA(q) se
define como:
𝑞
𝑋𝑡 = 𝑐 + 𝜀𝑡 + ෍ 𝜃𝑖𝜀𝑡 − 𝑖
𝑖=1
El valor actual de la serie de tiempo depende

solamente de un promedio pesado de los
términos de ruido recientes.
La prueba de Dickey-Fuller
Es una prueba de hipótesis de estacionariedad.
Se fundamenta al comparar la serie con el

modelo AR(1):
𝑋𝑡 = 𝑐 + 𝜑𝑋𝑡 − 𝑖 + 𝜀𝑡
La cual es estacionaria si 𝜑 <1

La prueba de Dickey-Fuller
Por lo tanto la Hipótesis nula es:
𝜑=1, es decir, la serie no es estacionaria.
Para ello, se genera la estadística de prueba t,

después el valor crítico c de acuerdo al nivel de
confianza deseado. Si t<c, rechazamos la
hipótesis nula -> sugiere que la serie es
estacionaria.
Modelo ARIMA
Los modelos AR y MA pueden ser unificados y
generalizados en el modelo ARIMA:
AutoRegresive Integrated Moving Average.
El modelo ARIMA(p,d,q) mas conocido es el de

Box & Jenkins:
1) Diferenciar la serie d veces hasta que la serie

sea aproximadamente estacionaria. (Dickey-
Fuller)
Modelo ARIMA
2) Determinar los órdenes p y q de las
componentes AR(p) y MA(q) usando las
funciones de autocorrelación y autocorrelación
parcial.
3) Finalmente, ajustar los parámetros de los

modelos AR y MA hasta satisfacer un criterio de
calidad de ajuste (AIC).
Complejidad de Algoritmos
A continuación se presentan algunas notas sobre
evaluación de la complejidad de algoritmos.


Tipos de Algoritmos
diversas técnicas de aprendizaje máquina.

Aprendizaje de Máquina

Librerias para manejo de datos

diversas herramientas en Python para el
tratamiento de información.









Datos de Contacto
jcolivares@itmorelia.edu.mx
ereyes@itmorelia.edu.mx
http://sagitario.itmorelia.edu.mx/pelectron/
http://sagitario.itmorelia.edu.mx/dci/
http://dsc.itmorelia.edu.mx/~jcolivares/
http://edudistancia.itmorelia.edu.mx/moodle/
Referencias
Toledo, Juan C. (2016). “Análisis de Series de
Tiempo”. II Escuela de Verano de Modelación
para la Sostenibilidd.

Smart Meter Data Analytics

Transféré par

Informations du document

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

Smart Meter Data Analytics

Transféré par

Droits d'auteur :

Formats disponibles

TECNOLÓGICO NACIONAL DE MÉXICO

Instituto Tecnológico de Morelia

Sistemas de Medición Inteligente

M.C. Juan Carlos Olivares Rojas

En el caso de la red eléctrica, los medidores

Los dos tipos de señales más comunes son:

V(t) es una tensión cuya amplitud depende del

Muestreo de Señal Eléctrica

Muestreo de Señal Eléctrica

Consumo de Energía Eléctrica

Costo de Energía Eléctrica

Básico $0.81 Primeros 75 kWh

Intermedio $0.98 Los siguientes 65 kWh

Excedente $2.86 Por cada kWh adicional a los anteriores

SM1 SM2 SM3 SM4

Son ubicuas ya que casi todos los sitemas

Por ejemplo: Tasa de cambio USD/MXN en los

Por estos motivos pueden utilizarse para predecir

Componentes de Series de Tiempo

No tiene que ser lineal, y puede cambiar de

Usualmente podemos asociar esta repetibilidad a

No podemos identificar un periodo claro para

Lo que queda después de quitar los anteriores

Generalmente se utiliza el ajuste por mínimos

Suavizado de series de tiempo

Promedio Móvil Simple

Promedio Móvil Pesado

Promedio Móvil Pesado

Promedio Móvil Pesado

Promedio Móvil Exponencial

Factor de decaimiento: 0 < 𝛼 < 1

Un proceso es estacionario cuando sus

Esto es útil para hacer predicciones estadísticas

1. Su media es constante en el tiempo (no tiene

En la práctica, !Las series de tiempo casi nunca

La media y desviación estándar constantes son

La autocorrelación es difícil de medir e indica si la

Calcularla no es tan sencilla pero muchas

Modelos de Procesos Estocásticos

1. Modelos Autoregresivos (AR)

El valor actual de la serie de tiempo depende

Se fundamenta al comparar la serie con el

La cual es estacionaria si 𝜑 <1

𝜑=1, es decir, la serie no es estacionaria.

Para ello, se genera la estadística de prueba t,

El modelo ARIMA(p,d,q) mas conocido es el de

1) Diferenciar la serie d veces hasta que la serie

3) Finalmente, ajustar los parámetros de los

Muestreo de Señal Eléctrica

Muestreo de Señal Eléctrica

Muestreo de Señal Eléctrica

Muestreo de Señal Eléctrica

Librerias para manejo de datos

Muestreo de Señal Eléctrica

Muestreo de Señal Eléctrica

Muestreo de Señal Eléctrica

Muestreo de Señal Eléctrica

Muestreo de Señal Eléctrica

Muestreo de Señal Eléctrica

Muestreo de Señal Eléctrica

Muestreo de Señal Eléctrica

Muestreo de Señal Eléctrica

Vous aimerez peut-être aussi