Análisis, descripción, comparación, predicción y desagregado inteligente de series temporales mediante el uso de redes neuronales aritificales (Deep-Learning) con aplicación a energía

Abstract

[ES] Esta tesis presenta tres contribuciones principales enfocadas en la mejora de la calidad de los datos de series temporales de energía mediante la creación de técnicas basadas en inteligencia artificial y aprendizaje profundo. La primera contribución aborda el problema de las variaciones de granularidad en el análisis de series temporales de energía. Se propone un método llamado Synthesis, que permite procesar series temporales de energía con variaciones de granularidad no contempladas durante el entrenamiento de modelos de inteligencia artificial basados en aprendizaje profundo. Los experimentos realizados demuestran que el método propuesto puede hacer que el modelo generalice a granularidades no vistas durante el entrenamiento y, además, permite trabajar con variaciones de granularidades dentro de la propia serie temporal. También se destaca que el método tiene la capacidad de generar un perfilado de energía, lo que habilita una comparativa con otros perfiles y permite el uso de algoritmos de agrupación tradicionales tras su aplicación. La segunda contribución se centra en la imputación de las ausencias de medici ón en series temporales de energía. El método propuesto utiliza inteligencia artificial basada en aprendizaje profundo, especialmente diseñado para series temporales con muy poca información y sin series temporales alternativas y correlacionadas que puedan ser utilizadas para inferir sus ausencias. La imputación de las ausencias permite que las series temporales puedan ser utilizadas posteriormente en otros estudios. Los experimentos llevados a cabo demuestran que el método propuesto puede ser utilizado para reconstruir las ausencias de una serie temporal parcial y supera a métodos generativos no paramétricos y paramétricos, como redes generativas adversariales (GAN), en casos para los que no existen datos correlacionados y el nivel de ausencias alcanza o supera el 50% de los datos. La tercera contribución consiste en el desarrollo de un método de desagregación temporal para convertir series temporales de granularidad mensual a horaria. Esta técnica utiliza aprendizaje profundo y se enmarca dentro del campo de estudio conocido como Super Resolution Perception (SRP). El método propuesto es superior a los métodos de interpolación comúnmente utilizados y permite una desagregación temporal de las series temporales de energía, lo que habilita estudios más exhaustivos en datos muy agregados. Además, en la experimentación llevada a cabo se demostró que permite la generación de una serie temporal que puede utilizarse para comparar con los datos reales y, en consecuencia, permitir la detección de anomalías. Los resultados obtenidos se consideran similares o superiores a los obtenidos con un autoencoder entrenado específicamente para la detección de anomalías en el consumo de energía.