Un conjunto de herramientas de ciencia de datos de código abierto para ingenieros de energía y datos

A partir de 2020, se han instalado en los Estados Unidos 102,9 millones de medidores inteligentes, dispositivos que registran y comunican el consumo eléctrico, el voltaje y la corriente a los consumidores y operadores de la red.

Dado que se espera que la cantidad de medidores inteligentes y la demanda de energía aumenten en un 50 % para 2050, también lo hará la cantidad de datos que produzcan esos medidores inteligentes.

Si bien los estándares energéticos han permitido la recopilación y el almacenamiento de datos a gran escala, maximizar estos datos para mitigar los costos y la demanda de los consumidores ha sido un enfoque continuo de la investigación energética.

Para ayudar a aprovechar al máximo todos estos datos, un equipo del Laboratorio Nacional Lawrence Livermore (LLNL) ha desarrollado GridDS, un conjunto de herramientas de ciencia de datos de código abierto para ingenieros de energía y datos que proporcionará una infraestructura integrada de aumento y almacenamiento de datos de energía, como así como un conjunto flexible y completo de modelos de aprendizaje automático de última generación.

«Hasta ahora, ninguna plataforma de código abierto ha proporcionado integración de datos o modelos de aprendizaje automático. Las pocas plataformas existentes han sido propietarias y no están disponibles para la comunidad de investigación en general», dijo la investigadora principal y científica de datos Indra Chakraborty en el Centro de Ciencias Aplicadas del Laboratorio. Informática (CASC). «Como conjunto de herramientas de código abierto, GridDS abre la puerta a los científicos de datos y energía de todo el mundo que están trabajando en estos desafíos y quieren aprovechar al máximo estos datos».

Al proporcionar una plataforma de software integradora para entrenar y validar modelos de aprendizaje automático, GridDS ayudará a mejorar la eficiencia de los recursos de energía distribuida, como medidores inteligentes, baterías y unidades solares fotovoltaicas.

GridDS también está diseñado para aprovechar la infraestructura de medición avanzada, los datos de los sistemas de gestión de interrupciones, la adquisición de datos de control de supervisión y los sistemas de información geográfica para pronosticar la demanda de energía y detectar fallas incipientes en la red.

GridDS presenta una biblioteca de software de Python generalizable y modular para estos múltiples flujos de datos. Al adaptarse a conjuntos de datos dispares registrados por varios dispositivos, GridDS proporciona una gama de funcionalidades únicas que actualmente no están implementadas en los sistemas de gestión de distribución avanzados actuales, que tienden a tener una infraestructura de software altamente específica por diseño.

«Experimentos anteriores han demostrado que cuando se trata de aplicar el mejor modelo de aprendizaje automático para un problema energético dado, un zapato no sirve para todos. Cada escenario es diferente y el contexto es clave», dijo Vaibhav Donde, líder asociado del programa de Infraestructura Energética. Modernización.

«Descubrimos que es mejor que los investigadores prueben varios enfoques para ver cuál funciona mejor. Con GridDS, puede realizar pequeños ajustes en los diseños de tareas, como el horizonte o el historial en una autorregresión, o transferir modelos de aprendizaje automático entre conjuntos de datos, lo que permite Transferencia de aprendizaje y validación de modelos más amplios. GridDS puede tomar enfoques generales, aplicarlos a tareas energéticas altamente específicas y evaluar y validar su desempeño «, agregó Donde.

GridDS también puede probar rápida y eficientemente varios enfoques para problemas de series de tiempo de sensores y energía y entrenar hiperparámetros de modelos.

GridDS ya está disponible a través de Github.