Cloud Computing and Extreme Learning Machine for a Distributed Energy Consumption Forecasting in Equipment-Manufacturing Enterprises

Abstract

Energy consumption forecasting is a kind of fundamental work of the energy management in equipment-

HSIC Bottleneck Based Distributed Deep Learning Model for Load Forecasting in Smart Grid With a Comprehensive Survey

“…Here, researchers also ignored an additional BP process for reducing computational time. ELM-based DDL process has been used in a model that ignores additional data re-train and reduced the training time [115]. In this work, researchers used the BP process.…”

“…Such work would be extremely beneficial as there are not many works on mitigation of data centralization and computation load on central servers, problems which decentralization and distribution can help resolve. Some works have tried to demonstrate a reduction in training and computation time using limited database load forecasting [51], [115], [121], but the use of DML and DDL is still open for study. The current challenges and possible research scopes have shown in Table VIII.…”

Revisión sistemática de literatura sobre modelos de pronósticos de consumo de energía eléctrica

“…Ante la situación planteada por Wang et al [16] en 2016, donde los pronósticos en la industria de facturación de equipos requieren un constante entrenamiento debido a que nueva información se genera en forma continua, propusieron una solución utilizando Hadoop. Contrastaron tres modelos: el MR-OSELM-WA, el Functional Networks y SVM.…”

“…Las investigaciones en pronóstico de CEE abarcan un conjunto variado de diferentes aristas del problema, por esta razón se encuentran, tanto trabajos referidos a pronósticos de consumo a largo plazo [1][2][3][4][5], que parten de considerar la correspondencia entre factores socioeconómicos y valores de consumo, como de mediano [4][5][6][7][8] y corto plazo [15][16] donde se consideran otras variables como la temperatura y el día de la semana. Resulta recurrente en la mayoría de los estudios revisados, la dificultad que reviste la selección de variables de entrada [10][11][12][13][14][15][16][17], ya sea por determinar cuáles considerar/no considerar o por la cantidad de datos históricos que habría que incluir, haciendo más compleja aún la definición del modelo de pronóstico.…”

“…De forma general, en los estudios sobre pronóstico de CEE y de acuerdo con las restricciones identificadas, se seleccionan los modelos más adecuados o se considera la definición de un nuevo modelo. El objetivo en la mayoría de los casos es encontrar aquel modelo del que se obtengan los pronósticos más precisos, al tiempo que pueda atender la variabilidad de las condiciones en las que tiene lugar el consumo [11][12][13][14][15][16][17], por ejemplo, adaptarse a los cambios en los patrones de comportamiento de los consumidores, temperatura ambiental, luminosidad, etc. Para ello, en varios estudios se realizan análisis comparativos entre modelos preexistentes y el modelo propuesto a través de técnicas de medición de error, determinándose el porcentaje de mejora que aportan y en qué aspectos de su desempeño resultan particularmente superiores (por ejemplo, costos computacionales y tiempos de entrenamiento) [16].…”