Szczegóły publikacji
Opis bibliograficzny
Klasyfikacja odbiorców energii na podstawie rocznych profilów z wykorzystaniem uczenia maszynowego — Energy buyer classification based on yearly profiles using machine learning / Andrzej BIEŃ, Szymon BARCZENTEWICZ, Andrzej WETULA // Przegląd Elektrotechniczny / Stowarzyszenie Elektryków Polskich ; ISSN 0033-2097 . — 2025 — R. 101 nr 12, s. 311–315. — Bibliogr. s. 315, Abstr. — Publikacja dostępna online od: 2025-12-18
Autorzy (3)
Słowa kluczowe
Dane bibliometryczne
| ID BaDAP | 165344 |
|---|---|
| Data dodania do BaDAP | 2026-01-13 |
| Tekst źródłowy | URL |
| DOI | 10.15199/48.2025.12.43 |
| Rok publikacji | 2025 |
| Typ publikacji | artykuł w czasopiśmie |
| Otwarty dostęp |  |
| Creative Commons | |
| Czasopismo/seria | Przegląd Elektrotechniczny |
Abstract
A major characterizing quantity of an energy buyer is an active power. From the point of view of energy supplier especially interesting is, however, not its momentary value but rather its variability. To assess variability and analyze load behavior, load profiles are calculated. These profiles are tables containing average values of active power, calculated over 15 minute or (less frequently) 1 hour intervals. In this paper, a use of machine learning is proposed for classification of load profiles. A classical approach using criterial values is proposed. Loads are categorized into three categories depending on type of their variability in time. Five solutions are proposed overall, yielding classification precision between 75% and 87.5%, depending on class and algorithm used. Obtained results are satisfactory for a small number of profiles used for learning.
Streszczenie
Wielkością charakteryzującą odbiorcę energii elektrycznej jest pobierana przez niego moc czynna. Szczególnie interesująca z punktu widzenia dostawców energii jest jednak nie sama wartość chwilowa mocy, a jej zmienność. W celu określenia zmienności i badania zachowania odbiorców wyznacza się tzw. profile mocy, czyli tabele zawierające wartości średnie mocy pobieranej przez odbiorcę w wybranych interwałach (zwykle 15-minutowych, rzadziej godzinowych). W artykule zaproponowano wykorzystanie algorytmów uczenia maszynowego w klasycznym podejściu (z wykorzystaniem wartości kryterialnych) do przydziału odbiorców w ramach trzech klas, określających regularność poboru energii w czasie, na podstawie wartości rocznego profilu z interwałem godzinowym. Po przebadaniu szeregu algorytmów, zaproponowano łącznie pięć rozwiązań, cechujących się dokładnością klasyfikacji na poziomie od 75% do 87,5%, w zależności od klasy i algorytmu. Uzyskane wyniki są satysfakcjonujące w świetle bardzo niewielkiej liczby profilów wykorzystanych do uczenia algorytmów.
