Introduction

Des transformations mondiales s'opèrent pour tirer le meilleur parti des données en raison du déploiement généralisé des compteurs intelligents, qui en présentent plus de 16 millions au Royaume-Uni.

Les objectifs des chercheurs et des services publics sont une facturation rapide et précise, une meilleure compréhension de l'utilisation de l'énergie domestique, la facilitation de la transition vers les énergies renouvelables et les véhicules électriques, et une meilleure gestion de la production et de la distribution d'électricité. En réduisant la consommation d'énergie inutile, les ménages et les services publics peuvent réduire les coûts et atteindre les objectifs liés à l'efficacité énergétique et au changement climatique. Mais comment ? L'intelligence artificielle est la solution.

Les technologies émergentes comme Intelligence artificielle jouer un rôle dans les industries. L'intelligence artificielle, l'apprentissage automatique, l'apprentissage en profondeur, l'apprentissage par renforcement et d'autres domaines connexes ont récemment retenu l'attention des entreprises.

Aujourd'hui, nous pouvons utiliser la puissance de l'intelligence artificielle pour analyser les données des compteurs intelligents à l'aide de l'apprentissage automatique afin de réduire notre consommation d'énergie. Les algorithmes d'apprentissage automatique de séries chronologiques permettent à un algorithme d'« apprendre » la quantité d'énergie consommée à partir de données historiques et de prédire l'avenir. Cela peut aider le moteur d'intelligence artificielle à décider de la réponse à la demande et à garantir la sécurité.

Objectifs d'apprentissage

1. Nous discuterons du besoin de compteurs intelligents et pourquoi ils sont nécessaires.

2. Nous prendrons le fichier csv Smart energy et effectuerons l'analyse de la série chronologique du nombre de compteurs intelligents appliqués par les grands et petits fournisseurs au niveau national. Nous prendrons l'analyse de la période par fbprophet et ARIMA.

En Inde, les travaux sont en cours. En Angleterre, toutes les maisons et autres lieux de travail seront disponibles d'ici la fin de 2025.

Cet article a été publié dans le cadre du Blogathon sur la science des données.

Table des matières

1. Pourquoi avons-nous besoin de compteurs intelligents ?
2. Pourquoi les compteurs intelligents sont-ils utiles aux clients et aux fournisseurs ?
3. Comment acquérir un compteur intelligent ?
4. Que sont les panneaux solaires?
5. Panneaux solaires et compteurs intelligents
6. Analyse des séries chronologiques
7. Modèles et techniques d'analyse de séries chronologiques
8. Analyse des séries chronologiques des compteurs de gaz des grands fournisseurs par Fbprophet

Pourquoi avons-nous besoin de compteurs intelligents ?

La plupart des gens ont été confrontés à une plainte concernant la facture d'électricité, les frais imposés ou, en été, l'utilisation du courant alternatif et une grosse facture d'énergie entraînent des pertes financières.

Souvent, ils ont des questions en tête.

1. Comment réduire les factures d'électricité ?

2. Comment empêcher l'arrivée de factures inexactes ?

Les compteurs intelligents sont les réponses à toutes les questions.

Les compteurs électroniques ou intelligents sont des machines de lecture automatiques qui lisent le relevé du compteur et nous montrent les données stockées en roupies, livres, dollars ou pence.

Les compteurs intelligents couvrent le gaz, l'eau et l'électricité. Il aide à prendre des relevés de gaz et d'électricité, à les envoyer aux fournisseurs et à montrer la quantité de gaz et d'électricité utilisée par l'appareil installé dans votre maison ou votre bureau et comment vous pouvez réduire votre facture d'énergie.

L'utilisation de compteurs intelligents permet de réduire vos factures. Réduction des émissions de CO2 et lectures précises.

Maintenant, aucune plainte concernant des factures inexactes ou manquantes.

Pourquoi les compteurs intelligents sont-ils utiles aux clients et aux fournisseurs ?

1. Fini les factures inexactes : une conception de compteur intelligent permet de savoir combien vous avez consommé d'électricité et de gaz et combien il vous en reste. Il affichera les jours restants en fonction de l'utilisation quotidienne de l'électricité et du gaz. En d'autres termes, si vous avez un compteur non intelligent, alors en fonction de l'utilisation de l'électricité et du gaz dans le passé, les fournisseurs émettent des factures qui peuvent être inexactes. Avec l'aide d'un compteur intelligent, les fausses factures sont stoppées et vous savez comment limiter votre consommation d'électricité et de gaz.

2. Grâce aux compteurs intelligents, davantage de données seront publiées qui pourront aider les fournisseurs à connaître les approvisionnements des clients en énergie à construire et à réaliser des bénéfices. Par exemple, si la facture d'énergie dépasse soudainement la nuit, cela signifie qu'un défaut ou que des applications fonctionnaient la nuit.

3. L'analyse comparative est une autre façon de connaître vos concurrents dans le même domaine.

Dans l'ensemble, les compteurs intelligents sont des options nécessaires à prendre pour réduire les émissions de CO2 dans l'atmosphère.

Avec l'aide du projet SMILE au Royaume-Uni, la consommation d'énergie par un compteur intelligent dans les maisons de soins ou les patients nous permettra de savoir quand la personne utilise le plus d'électricité quel jour, conduisant à l'observation de la santé des personnes handicapées et âgées .

Les compteurs intelligents nous permettront de savoir quand la personne utilise le plus d'électricité par jour, ce qui détectera les problèmes de santé chez les personnes handicapées et les personnes âgées.

Comment acquérir un compteur intelligent ?

L'infrastructure de comptage avancée est un système avec contrôleur, Fournisseurs qui contrôle votre consommation d'énergie en communiquant de deux manières. Ce n'est pas comme un système de compteurs automatisés. Il véhicule de deux manières en renvoyant à la maison l'énergie utilisée à un moment donné. Il s'agit d'un hôte pour collecter la lecture par large bande sur une ligne électrique ou une ligne fixe, puis l'envoyer au système de gestion des données du compteur.

Une société de distribution ou Discom est une entreprise qui fournit de l'électricité aux clients. Ces entreprises ne fabriquent pas d'électricité mais achètent de l'électricité aux personnes qui la fabriquent et la revendent aux gens. Les Discoms sont les propriétaires des grilles que vous voyez partout dans votre ville. Ceux-ci font partie de la chaîne électrique avec deux sociétés nommées GENCO qui génèrent et TRANSCO qui transportent l'électricité.

Les Discoms sont de deux types appartenant à l'État et au privé. Par l'État, comme Kerala Electricity Board et Karnataka Power Corporation Limited, et des discoms privés, comme Tata Power, BSES Rajdhani et Reliance.

Environ 1.7 million de compteurs intelligents ont été installés par Energy Efficiency Service Limited, IntelliSmart et d'autres agences.

IntelliSmart Infrastructure Private Limited est un partenariat entre le Fonds national d'investissement et d'infrastructure (NIIF) pour
faciliter la mise en œuvre de compteurs intelligents grâce à un modèle BOOT (Build, Own, Operate, Transfer). Energy Efficiency Services Ltd (EESL) est une société de services énergétiques du gouvernement indien.

Le gouvernement a exigé que les fournisseurs d'énergie fournissent à leurs clients des compteurs intelligents.

Contactez votre fournisseur d'énergie pour l'installation d'un compteur intelligent à l'heure et à la date qui vous conviennent le mieux. Cela ne vous coûtera rien.

Selon notre analyse la plus récente, le pays tire plus de bénéfices du déploiement qu'il n'en a mis en œuvre.

Que sont les panneaux solaires?

Les panneaux solaires comprennent des cellules solaires en silicium, phosphore (charge négative) et bore (positif) en couches.

L'effet photovoltaïque est l'endroit où les photons des panneaux solaires déclenchent un courant électrique qui frappe la surface du panneau solaire et libère des électrons des orbites dans le champ électrique des cellules solaires, qui attire ces électrons libres dans un courant directionnel.

Un espace sur le toit d'une maison a souvent assez de place pour le nombre de panneaux solaires nécessaires pour générer suffisamment d'électricité pour répondre à tous ses besoins. Tout indésirable va au réseau électrique, ce qui permet d'économiser de l'argent sur les factures d'électricité la nuit.

La lumière du soleil collectée par les panneaux solaires se transforme en électricité propre et renouvelable qui alimente les charges électriques, comme les réfrigérateurs, les ampoules, les machines à laver, etc.

Panneaux solaires et compteurs intelligents

Les fournisseurs d'énergie qui installent des compteurs intelligents à énergie solaire ont déjà installé des compteurs intelligents à énergie solaire pour leurs clients. British Gas, First Utility, Ovo Energy et Utilita ont des panneaux solaires qui peuvent également installer des compteurs intelligents. SSE prétend qu'il peut installer mais conseille aux clients d'attendre que les problèmes techniques soient résolus.

Fournisseurs d'énergie

Il y a deux compteurs, un pour l'électricité et un pour le gaz ; Les compteurs intelligents prendront leur place. Un In-Home Display (IHD) est un appareil portable attaché à la maison et simple à utiliser.

Nous avons pris les données des compteurs de gaz et d'électricité domestiques et non domestiques en Angleterre par petits et tous les fournisseurs pour septembre 2022.

Les ingénieurs disposeront de meilleures informations sur les causes des pannes de courant et pourront les détecter beaucoup plus rapidement. Ils pourront effectuer les réparations plus rapidement et à moindre coût.

De plus, les compteurs intelligents contribuent à réduire notre dépendance aux combustibles fossiles importés. Nous pouvons économiser de l'argent en utilisant l'énergie pendant les heures creuses ou lorsqu'il y a plus d'électricité propre. Certains clients ont même reçu une récompense pour avoir utilisé l'électricité les jours de grand vent.

Les voitures électriques, les systèmes de chauffage et d'autres appareils peuvent se connecter au système de comptage intelligent pour accéder aux données de tarification, y compris les machines à laver et les lave-vaisselle. Il peut être programmé pour profiter de tarifs plus bas, réduire l'impact sur notre réseau énergétique et faire économiser de l'argent aux clients.

La somme des petits fournisseurs de compteurs de gaz était la plus élevée pour 2015 à 137450, suivie de 2018 et 2021. Le montant maximum d'application de compteurs de gaz est en 2018 par les grands fournisseurs.

Les fournisseurs de gros compteurs de gaz étaient plus nombreux en 2017, 2018 et 2019. Les fournisseurs de petits compteurs électriques sont plus nombreux en 2015 et 2021.

Les données de séries chronologiques sont les données qui modifient ou déplacent une période, et pour connaître les valeurs de données futures, nous avons besoin de prévisions de séries chronologiques.

Analyse des séries chronologiques

Une procédure d'analyse d'une séquence de valeurs de données collectées sur un temps spécifique est appelée Analyse des séries chronologiques.

L'analyse des données de séries chronologiques donne un aperçu des modèles saisonniers, des tendances et de l'avenir qui peuvent aider les fournisseurs d'électricité et de gaz à réaliser des bénéfices.

Modèles et techniques d'analyse de séries chronologiques

ARIMA (Modèle autorégressif, moyenne mobile) : il faut des valeurs passées pour prédire l'avenir.

Autorégressif - Un modèle d'autorégression suppose que les observations de pas de temps précédentes peuvent prédire la valeur au pas de temps suivant.

Intégré - La différence entre les nouvelles valeurs de données et les valeurs précédentes prend leur place pour rendre les données stationnaires.

Moyenne mobile - Une moyenne mobile prend la moyenne arithmétique d'un ensemble particulier de valeurs sur une période spécifique.

Modèle ARIMA-Jenkins univarié : Ony Variable dépendante unique comme la température.

Les données à variable unique du modèle ARIMA univarié sont des prévisions. Par exemple

            Temp Date 2023-02-01    60 2023-02-02    70 2023-02-03    55

Modèles multivariés ARIMA – Jenkins : Plusieurs dépendants comme la température et l'humidité.

Les données à deux variables ou plus du modèle ARIMA multivarié sont des prévisions. Par exemple

            Temp Humidity Date 2023-02-01    60 75.2 2023-02-02    70 60.1 2023-02-03    55 52.3

L'analyse des données de séries chronologiques comprend les étapes suivantes.

1. Stationnaire – Pour vérifier les tendances saisonnières des données. Une série dont les propriétés ne changent pas dans le temps est appelée une série temporelle stationnaire. La variance, la moyenne et la covariance sont ces caractéristiques. Les tendances et la saisonnalité sont absentes des séries chronologiques stationnaires.

2. Autocorrélation - Les valeurs futures sont corrélées ou non aux valeurs passées.

La relation entre deux variables est appelée corrélation signifie que les variables sont liées les unes aux autres.

Une corrélation positive se produit lorsque les deux variables changent dans le même sens (par exemple, augmentent ou diminuent simultanément). Une corrélation négative se produit lorsque deux variables changent de valeur dans des directions opposées (par exemple, l'une augmente et l'autre diminue).

L'autocorrélation est le terme utilisé pour décrire la corrélation entre la variable et elle-même à des pas de temps antérieurs.

Fait intéressant, le problème des séries chronologiques peut ne pas être prévisible si toutes les variables de retard ont une corrélation faible ou nulle avec la variable de sortie.

Pour les données stationnaires, nous utiliserons le test de Dickey-Fuller.

Cela donnera des valeurs p. Si nous acceptons la théorie nulle, les données sont stationnaires, et si nous la rejetons, ce ne sont pas des données stationnaires.

Nous calculons la moyenne mobile et le montant de la variance (STD) pendant sept mois.

rolling_mean = meter['Large SE meter in SM'].rolling(7).mean()
rolling_std = meter['Large SE meter in SM'].rolling(7).std()#import csv

Nous avons importé l'adfuller du modèle de statistiques et transmis le compteur de données et le paramètre AIC.

from statsmodels.tsa.stattools import adfuller
af = adfuller(meter['Large SE meter in SM'],autolag="AIC")
data_out = pd.DataFrame({"Values":[af[0],af[1],af[2],af[3], af[4]['1%'], af[4]['5%'], af[4]['10%']] , "Metric":["Test Statistics","p-value","No. of lags used","Number of observations used","cvalue(1%)", "cvalue (5%)", "cvalue (10%)"]})
print(data_out)

La valeur p est supérieure à 0.05 et la valeur critique est inférieure aux résultats des statistiques de test. Les données ne sont pas stationnaires et présentent des tendances à la hausse.

Auto-corrélation

autoc_lag1 = meter['Large SE meter in SM'].autocorr(lag=1)
print("One Month Lag: ", autoc_lag1)
autoc_lag3 = meter['Large SE meter in SM'].autocorr(lag=3)
print("Three Months Lag: ", autoc_lag3)
autoc_lag6 = meter['Large SE meter in SM'].autocorr(lag=6)
print("Six Months Lag: ", autoc_lag6)
autoc_lag9 = meter['Large SE meter in SM'].autocorr(lag=9)
print("Nine Months Lag: ", autoc_lag9)
One Month Lag: 0.9916188803959796Three Months Lag: 0.9549079337204182 Six Months Lag: 0.9261679644654887 Nine Months Lag: 1.0

Les résultats montrent que les données sont fortement corrélées.

Décomposition

from statsmodels.tsa.seasonal import seasonal_decompose
dec = seasonal_decompose(meter['Large SE meter in SM'],model='additive', period=5)
dec.plot()plt.show()

meter['Year'] = meter.indexdf = pd.DataFrame()
df['ds'] = meter['Year']df['y'] = meter['Large SG meters in SM']
df.head()split_date = 2016df_train = df.loc[df.ds <= split_date].copy()
df_test = df.loc[df.ds > split_date].copy()plt.plot(df_train, color = "blue")
plt.plot(df_test, color = "red")plt.title("Train/Test split for Suppliers")
plt.ylabel("Suppliers")
plt.xlabel('Year-Month')sns.set()plt.show()#import csv

from pmdarima.arima import auto_arima
df['Year'] = df.index
split_date = 2016
df_train = df.loc[df.ds <= split_date].copy()
df_test = df.loc[df.ds > split_date].copy()
model = auto_arima(df_train['y'], trace=True, error_action='ignore', suppress_warnings=True)
model.fit(df_train['y'])
forecast = model.predict(n_periods=len(df_test['y']))
forecast = pd.DataFrame(forecast,index = df_test['y'].index,columns=['Prediction'])
ARIMA(1,0,1)(0,0,0)[0] intercept : AIC=inf, Time=0.22 sec ARIMA(0,0,0)(0,0,0)[0] intercept : AIC=153.606, Time=0.26 sec ARIMA(1,0,0)(0,0,0)[0] intercept : AIC=155.409, Time=0.09 sec ARIMA(0,0,1)(0,0,0)[0] intercept : AIC=inf, Time=0.14 sec ARIMA(0,0,0)(0,0,0)[0] : AIC=154.292, Time=0.00 sec Best model: ARIMA(0,0,0)(0,0,0)[0] intercept
Total fit time: 0.700 seconds
plt.plot(forecast)

from math import sqrtfrom sklearn.metrics import mean_squared_error
rms = sqrt(mean_squared_error(df_test['y'],forecast))
print("RMSE: ", rms)RMSE: 6731165.9583494775
def mape(ac, pre): ac, pre = np.array(actual), np.array(pre) return np.mean(np.abs((ac - pre) / actual)) * 100
mape(df['y'], forecast)4098.346771463499

Analyse des séries chronologiques des compteurs de gaz des grands fournisseurs par Fbprophet

Fbprophet, une bibliothèque open source développée ou construite par Facebook, est utilisée pour l'analyse des séries chronologiques. Il nécessite deux colonnes où ds fait référence à l'année et la colonne y à la variable de données.

Pourquoi Fbprophète ?

Il distribue plusieurs valeurs aberrantes et nulles et affiche les résultats en quelques secondes.

L'utilisateur peut ajouter manuellement des valeurs de saisonnalité et de vacances.

Code

from sklearn.metrics import mean_squared_error, mean_absolute_errorfrom prophet.plot import add_changepoints_to_plot
meter=pd.read_csv("Meter_energy_domestics.csv")
meter=meter.fillna(0)meter.head()
sns.boxplot(x =meter['Large SG meters in SM'])
meter=meter.set_index("Year")
meter.plot()#import csv

Nous avons ensuite converti la colonne Année en colonne ds et pris la colonne y.

meter=meter.reset_index()df = pd.DataFrame()df['ds'] = meter['Year']
df['y'] = meter['Large SG meters in SM']df.head()split_date = 2016
df_train = df.loc[df.ds <= split_date].copy()df_test = df.loc[df.ds > split_date].copy()
m = Prophet()m.fit(df_train)future = m.make_future_dataframe(periods=365)
forecast = m.predict(df_test)
forecast[['ds', 'yhat', 'yhat_lower', 'yhat_upper', 'trend', 'trend_lower', 'trend_upper']].tail()
fig1 = m.plot(forecast)#import csv

m.plot_components(forecast)

print("MSE:", mean_squared_error(y_true = df_test["y"], y_pred = forecast['yhat']))
print("MAE:", mean_absolute_error(y_true = df_test["y"], y_pred = forecast['yhat']))
MSE: 788768128821.7513MAE: 790450.4288312361
print("MAPE: ", mean_abs_perc_err(y_true = (df_test["y"]), y_pred = (forecast['yhat'])))
MAPE: 57.08464486655384#import csv

Analyse des séries chronologiques du compteur de gaz d'un grand fournisseur en mode traditionnel par fbprophet.

df = pd.DataFrame()
df['ds'] = meter['Year']
df['y'] = meter['Large SG meters in TM']
df.head()
split_date = 2016
df_train = df.loc[df.ds <= split_date].copy()
df_test = df.loc[df.ds > split_date].copy()
m = Prophet()m.fit(df_train)
future = m.make_future_dataframe(periods=365)
forecast = m.predict(df_test)
forecast[['ds', 'yhat', 'yhat_lower', 'yhat_upper', 'trend', 'trend_lower', 'trend_upper']].tail()
fig1 = m.plot(forecast)#import csv

Compteur de gaz des grands fournisseurs non intelligent

df = pd.DataFrame()df['ds'] = meter['Year']
df['y'] = meter['Large SG meters non-smart']
df.head()split_date = 2016
df_train = df.loc[df.ds <= split_date].copy()df_test = df.loc[df.ds > split_date].copy()
m = Prophet()m.fit(df_train)future = m.make_future_dataframe(periods=365)
forecast = m.predict(df_test)
forecast[['ds', 'yhat', 'yhat_lower', 'yhat_upper', 'trend', 'trend_lower', 'trend_upper']].tail()
fig1 = m.plot(forecast)#import csv

Compteurs d'électricité des grands fournisseurs en mode intelligent

df = pd.DataFrame()df['ds'] = meter['Year']df['y'] = meter['Large SE meter in SM']df.head()split_date = 2016
df_train = df.loc[df.ds <= split_date].copy()df_test = df.loc[df.ds > split_date].copy()
m = Prophet()m.fit(df_train)future = m.make_future_dataframe(periods=365)
forecast = m.predict(df_test)
forecast[['ds', 'yhat', 'yhat_lower', 'yhat_upper', 'trend', 'trend_lower', 'trend_upper']].tail()
fig1 = m.plot(forecast)#import csv

Conclusion

Nous discutons des quelques avantages des compteurs intelligents, de leurs utilisations et de la manière dont ils peuvent être le fondement de l'avenir dans les problèmes liés à la santé. Nous avons ensuite discuté du panneau solaire et avons procédé à une analyse des données et de ses prévisions futures.

Points clés

Avant les compteurs intelligents, on se plaignait souvent de factures inexactes ou manquantes.

1. Le compteur intelligent aide à réduire les factures d'électricité et la désinformation sur les factures d'électricité.

2. Facebook a créé Prophet, une bibliothèque open source pour prévoir automatiquement les données de séries chronologiques univariées.

3. Une analyse des données et de ses prévisions futures par fbprophet et ARIMA.

4. Les résultats de fbprophet montrent une valeur MAPE inférieure.

5. Les résultats de l'analyse montrent que l'avenir des compteurs de gaz des grands fournisseurs en mode Smart augmente. Les compteurs de gaz des grands fournisseurs non intelligents diminueront, traditionnellement, avec des valeurs similaires.

Services Connexes

• Contenu propulsé par le référencement et distribution de relations publiques. Soyez amplifié aujourd'hui.
• Platoblockchain. Intelligence métaverse Web3. Connaissance Amplifiée. Accéder ici.
• La source: https://www.analyticsvidhya.com/blog/2023/02/role-of-artificial-intelligence-in-smart-meters/