Técnicas de Machine Learning para el tratamiento de series temporales de Big Data en el ámbito energético

Abstract

En la actualidad, uno de los mayores desafíos en el sector energético es el desarrollo de sistemas de producción y distribución que permitan el uso de energía limpia, eficiente y sostenible. Los avances en sensores y sistemas de almacenamiento han proporcionado una gran cantidad de datos que facilitan el modelado del consumo energético. Los modelos de Machine Learning, especialmente las Redes Neuronales Artificiales, se han convertido en la herramienta principal para modelar el consumo energético, gracias a su alto nivel de precisión. Sin embargo, el entrenamiento y la optimización de los hiperparámetros de este tipo de modelos suelen ser computacionalmente costoso. Esta alta complejidad puede dar lugar a grandes costes económicos y medioambientales en escenarios en los que sea necesario desplegar nuevos modelos o reentrenarlos, situaciones que se pueden dar con frecuencia debido a la naturaleza dinámica del consumo energético. Con el objetivo de abordar estos desafíos, esta tesis se centra en el estudio de técnicas de reducción de dimensionalidad e implementaciones paralelizadas mediante el uso de GPU. De esta manera, se pretende estudiar distintos métodos que nos permitan entrenar y optimizar modelos de Machine Learning de forma rápida y eficiente, avanzando hacia metodologías que habiliten un futuro energético más limpio, eficiente y sostenible.

Currently, one of the greatest challenges in the energy sector is the development of production and distribution systems that enable the use of clean, efficient, and sustainable energy. Advances in sensors and storage systems have provided a wealth of data that facilitates modeling energy consumption. Machine Learning models, particularly Artificial Neural Networks, have become the primary tool for accurately modeling energy consumption due to their high precision. However, training and optimizing the hyperparameters of these models can be computationally expensive. This high complexity can result in significant economic and environmental costs when deploying new models or retraining them, situations that frequently arise due to the dynamic nature of energy consumption. To address these challenges, this thesis focuses on studying dimensionality reduction techniques and parallel implementations using GPUs. By doing so, we aim to explore various methods that allow us to efficiently train and optimize Machine Learning models, advancing toward methodologies that enable a cleaner, more efficient, and sustainable energy future.