Los beneficios encontrados para los usuarios de energía eléctrica al reemplazar de medidores electromecánicos o digitales convencionales por los medidores inteligentes que tienen la capacidad para transferir información a sistemas remotos que se encargan del análisis y procesamiento de datos lo presentamos a continuación, estos son los resultados que se obtuvieron durante la revisión orientada a la aplicación del análisis de datos de medidores inteligentes:
Los medidores inteligentes son “clientes de máquinas”, en el sentido de que realizan transacciones recurrentes en nombre de los usuarios. Por ejemplo, informan automáticamente las lecturas de su medidor para generar una factura, en lugar de tener que leer manualmente e informar la lectura del medidor una vez al mes. También reportar problemas, por ejemplo, si se corta el suministro de electricidad, puede alertar al distribuidor de energía eléctrica para que lo repongan cuanto antes.
Los consumidores ilegales manipulan los medidores para consumir energía eléctrica de la red de manera ilegal. Las técnicas utilizadas o adoptadas por estos consumidores ilegales utilizan materiales magnéticos para destruir la memoria del medidor de energía, introducción de armónicos no deseados, intercambiando terminales de contadores y otros.
La introducción de la Infraestructura de Medición Avanzada (AMI) ha reducido la mayoría, sino de todo, el consumo ilegal de electricidad. Los medidores inteligentes notifican al distribuidor de energía eléctrica cada vez que se alteran las lecturas, éste estudia el patrón de consumo del cliente a partir de lecturas anteriores, lo que significa que cada vez que cambia el patrón, hay una investigación. Los atacantes que se enfocan en manipular las lecturas de
los medidores son detectados a partir de un registro asociado que acompaña a cada actividad.
El monitoreo de registros en la AMI facilita la detección del consumo ilegal de energía.
La infraestructura de medición avanzada nos ayuda a comprender mejor nuestra factura de electricidad al mostrarnos cuánta electricidad se está consumiendo en cualquier instante del día. Nos ayuda a revelar que electrodomésticos consumen mucha energía y señalar formas de dejar de desperdiciar energía en el hogar. En otros términos, se logra un mayor control y comprensión sobre nuestro consumo de electricidad.
Es eliminada la facturación estimada, con un medidor inteligente ya no necesita recordar leer su medidor, éste enviará automáticamente lecturas precisas del medidor a su proveedor de energía para que le facturen exactamente lo que usó. La lectura remota de medidores inteligentes significa que no hay más estimaciones.
Una de las características más importantes de los medidores inteligentes es su capacidad para conectarse con otros dispositivos inteligentes de su red doméstica para una mayor comodidad y control. Muchos de estos medidores eléctricos pueden ajustar termostatos o apagar electrodomésticos. Es posible enlazarse con otros dispositivos inteligentes.
Si su proveedor de energía ofrece planes especiales donde la electricidad es más barata en ciertos días o en ciertos momentos, como noches y fines de semana, con un medidor inteligente se hace posible de participar en más planes de tiempo de uso. Ver cómo y dónde se usa la mayor cantidad de energía en su hogar podría inspirarlo a realizar cambios en sus hábitos energéticos para ahorrar energía y dinero.
Es posible realizar un seguimiento y comprar el uso de energía. Un medidor inteligente nos permite realizar un seguimiento de la cantidad de energía que ha utilizado hoy, esta semana, este mes o este año y comparar el uso de energía de otro día, semana, mes o año para ayudarnos a monitorear y administrar su uso y costos de energía, brindándole la
información que necesita para tomar decisiones sobre cómo se usa la energía en casa y advertir dónde podría hacer cambios.
Además de realizar un seguimiento de su uso de energía, también puede usar su pantalla inteligente en el hogar para ver cuánto y en que instantes de monóxido de carbono (CO2) genera por el consumo de energía eléctrica. Al comprender cuáles de sus electrodomésticos y dispositivos contribuyen más a su huella de carbono, tiene el poder de cambiar la forma en que usa la energía para hacer que su hogar sea más sostenible y menos contaminante. Entonces se puede reducir las sus emisiones de carbono al medio ambiente.
Uno de los mayores beneficios de una infraestructura de medición avanzada (AMI) es que se revelan las horas y ubicaciones de mayor demanda. Eso significa que la empresa proveedora de electricidad pueda satisfacer mejor las necesidades de los clientes.
Conclusiones
1. Las empresas eléctricas de servicios públicos enfrentan varios desafíos, como el envejecimiento de los activos, la presión para aumentar la eficiencia operativa, los datos que residen en sistemas de almacenamiento, la implementación de precios dinámicos, la garantía de una mejor respuesta a la demanda, la gestión de recursos distribuidos para la generación de energía y el cumplimiento normativo. Estos desafíos pueden abordarse y mitigarse mediante aplicaciones como el análisis de datos de medidores inteligentes.
2. El análisis de medidores inteligentes proporciona visualización e información unificadas sobre la empresa, la red y los datos ambientales para mejorar la eficiencia operativa y los ingresos. Las soluciones de análisis de datos de medidores han existido por un tiempo con aplicaciones solo en análisis de datos históricos y facturación. Con los medidores inteligentes que traen grandes cantidades de datos a su paso, las soluciones comerciales listas para usar (Cots) y las plataformas de Big Data son soluciones más apropiadas para aprovechar los conocimientos ocultos en estos repositorios de datos.
3. El análisis y procesamiento de datos de medidores inteligentes se ha enfocado por lo general en casos de utilización que benefician las actividades de los proveedores de electricidad y la estabilidad de la red eléctrica. La gama de prestación que se aplican a las necesidades de los clientes finales sigue siendo comparativamente menor.
4. La gama de métodos de análisis de datos centrados en el usuario, como se analiza en este trabajo, puede ejecutarse localmente o con la ayuda de entornos de ejecución remota. En última instancia, un ecosistema correspondiente hará posible que tanto los desarrolladores como los proveedores de métodos de procesamiento de datos de medidores inteligentes ofrezcan fácilmente servicios novedosos y, al mismo tiempo, reduzcan la barrera para que los clientes consuman estos servicios y aprovechen sus beneficios.
Recomendaciones
1. Si el usuario final de electricidad no tiene accesibilidad a su medidor inteligente entonces, no es posible acceder a sus funciones y queda dependiente de su proveedor, quien se queda con sus datos y por ende con su privacidad. En la política de gestión de la demanda, la empresa proveedora de servicios eléctricos debe facilitar al usuario final participar en el mercado eléctrico desde sus instalaciones por medio de la interacción con su medidor.
2. La infraestructura de medición avanzada (AMI) es un componente crítico del sistema de red inteligente. Por lo tanto, requiere un alto nivel de seguridad contra todos los posibles ataques.
3. Los medidores inteligentes y los mecanismos de análisis de datos correspondientes deben ser capaces de reportar información precisa. Deben someterse a mejoras continuas para extraer el contenido de la información en la mayor medida posible.
4. Se deben proporcionar medidas adecuadas para proteger la privacidad del usuario. Los métodos establecidos para proporcionar redes seguras deben combinarse con pasos significativos de preprocesamiento local para eliminar características confidenciales antes de que los datos abandonen las instalaciones de los clientes.
5. No todos los servicios se aplican a todos los usuarios de la misma manera. Un ecosistema dedicado, como una "tienda de aplicaciones" para servicios basados en energía, representa una opción viable para permitir que los consumidores se suscriban individualmente a sus servicios deseados y comprendan las implicaciones de privacidad resultantes.
Referencia Bibliográfica
(EPRI), E. P. (2007). Advanced metering infrastructure (AMI).
Agilent Technologies. (2011). Introducing LTE-Advanced.
Ali, M., & Saher, E. (2015). Randomization-Based Intrusion Detection System for Advanced Metering Infrastructure. Association for Computing Machinery.
Alseiari, F., & Aung, Z. (2015). Real-time anomaly-based distributed intrusion detection systems for advanced Metering Infrastructure utilizing stream data mining. 2015 International Conference on Smart Grid and Clean Energy Technologies (ICSGCE) (págs. 148-153). Offenburg: IEEE.
Alsharif, A., Nabil, M., Mahmound, M., & Abdallah, M. (2019). EPDA: Efficient and Privacy-Preserving Data Collection and Access Control Scheme for Multi-Recipient AMI Networks. Efficient and Privacy-Preserving Data Collection and Access Control Scheme for Multi-Recipient AMI Networks (págs. 27829-27845). IEEE.
Anderson, D., Zhao, C., Hauser, C., Venkatasubramanian, V., Bakken, D., & Bose, A.
(Febrero de 2012). IEEE Power & Energy. Obtenido de https://magazine.ieee- pes.org/january-february-2012/a-virtual-smart-grid/
Ben, S., Taylor, J., & Hyndman, R. (2021). Hierarchical Probabilistic Forecasting of Electricity Demand with Smart Meter Data. Journal of the American Statistical Association, 27-43.
Bhag, G., & Huseyin, H. (2002). Máquinas eléctricas y transformadores. México:
Alfaomega grupo editor.
Canseco Hiram, J. J. (2015). Evaluación del desempeño de un transformador monofásico mediante software. Pistas educativas, 625-640.
Chekired, D., & Khoukhi, L. M. (2019). Fog-Based Distributed Intrusion Detection System Against False Metering Attacks in Smart Grid. ICC 2019 - 2019 IEEE International Conference on Communications (ICC). Shangai: IEEE.
Chin, W.-L., Lin, Y.-H., & Chen, H.-H. (2016). A Framework of Machine-to-Machine Authentication in Smart Grid: A Two-Layer Approach. IEEE Communications Magazine, 102-107.
Choi, B., & Saxena, N. (2018). Integrated Distributed Authentication Protocol for Smart Grid Communications. IEEE Systems Journal, 2545-2556.
Cohen, R. (3 de agosto de 2012). Forbes. Obtenido de https://www.forbes.com/sites/reuvencohen/2012/08/03/is-cloud-computing-really- cheaper/?sh=48b883b27d44
Deb, A., Amsaad, F., Choudhury, M., & Niamat, M. (2017). Hardware-based novel authentication scheme for advanced metering infrastructure. 2016 IEEE National Aerospace and Electronics Conference (NAECON) and Ohio Innovation Summit (OIS) (págs. 25-29). Dayton: IEEE.
Deign, J., & Márquez, C. (2013). Data Management and Analytics for Utilities. FC Business Intelligence Ltd.
Depuru, S., Wang, L., & Devabhaktuni, V. (2011). Smart meters for power grid: challenges, issues, advantages and status. Renewable and sustainable energy, 2736-2742.
Diahovchenko, I., Kolcun, M., Conka, Z., Savkiv, V., & Mykhailyshyn, R. (2020). Progress and Challenges in Smart Grids: Distributed Generation, Smart Metering, Energy Storage and Smart Loads. Iranian Journal of Science and Technology, Transactions of Electrical Engineering, 1319–1333.
Faisal, M., Aung, Z., Williams, J., & Sánchez, A. (2012). Securing Advanced Metering Infrastructure Using Intrusion Detection System with Data Stream Mining.
Intelligence and Security Informatics, 96-111.
Fischione, C. (2013). Toward a Development of LTE for Smart Energy Systems.
George, N., Nithin, S., & Kottayil, S. (2016). Hybrid Key Management Scheme for Secure AMI Communications. Procedia Computer Science, 862-869.
Ghasempour, A., & Gunther, J. (2016). Encontrar la cantidad óptima de agregadores en la arquitectura de infraestructura de medición avanzada de máquina a máquina de la red inteligente en función del costo, la demora y el consumo de energía. 13.ª Conferencia anual de redes y comunicaciones del consumidor (CCNC) de IEEE de 2016 (págs.
960-963). IEEE.
Gopstein, A., Nguyen, C., O’Fallon, C., Hastings, N., & Wollman, D. (2021). NIST Framework and Roadmap for Smart Grid Interoperability Standards, Release 4.0.
National Institute of Standards and Technology.
Hasan, M., & Mouftah, H. (2015). Encryption as a service for smart grid advanced metering infrastructure. 2015 IEEE Symposium on Computers and Communication (ISCC) (págs. 2016-2021). IEEE.
Hong, T., & Fan, S. (2016). Probabilistic electric load forecasting: A tutorial review.
International Journal of Forecasting, 914–938.
Huang, C. (2021). Forest management and resource monitoring based on AMI intrusion detection algorithm and artificial intelligence. Journal of Ambient Intelligence and Humanized Computing.
Ibrahem, M., Badr, M., & Fouda, M. (2020). PMBFE: Efficient and Privacy-Preserving Monitoring and Billing Using Functional Encryption for AMI Networks. 2020
International Symposium on Networks, Computers and Communications (ISNCC) (pág. 1.7). IEEE.
Jakaria, A. R. (2019). Safety Analysis of AMI Networks Through Smart Fraud Detection.
2019 IEEE Conference on Communications and Network Security (CNS).
Jesús, F. (2008). Máquinas eléctricas. Madrid: McGrawHill.
Jimmie, C. (2001). Electric Machines: Analysis and design applying Matlab. Singapore:
McGrawHill.
Jokar, P., & Leung, V. (2018). Intrusion Detection and Prevention for ZigBee-Based Home Area Networks in Smart Grids. IEEE Transactions on Smart Grid, 1800-1811.
Juan, M. (2014). Maquinas elétricas. Madrid: Ediciones Paraninfo.
Kamto, J., Qian, L., Fuller, J., & Attia, J. (2011). Light-weight key distribution and management for Advanced Metering Infrastructure. IEEE GLOBECOM Workshops.
IEEE.
Lee, C., Yang, H., Lee, B., & Won, D. (2012). A Novel Privacy-Enhanced AMI System Using Searchable and Homomorphic Encryption Techniques. International Conference on Hybrid Information Technology (págs. 608-617). Springer.
Lee, Y., Hwang, E., & Choi, J. (2019). A Unified Approach for Compression and Authentication of Smart Meter Reading in AMI. IEEE Access (págs. 34383-34394).
IEEE.
Li, D., Aung, Z., Williams, J., & Sánchez, A. (2015). Efficient and fault-diagnosable authentication architecture for AMI in smart grid. Security Communication Networks, 598–616.
Li, Y., Qiu, R., & Jing, S. (2018). Intrusion detection system using Online Sequence Extreme Learning Machine (OS-ELM) in advanced metering infrastructure of smart grid.
PLoS One.
Marrero, L., Carrizo, D., García, L., & Ullo, F. (2021). Uso de algoritmo K-means para clasificar perfiles de clientes con datos. Ingeniare. Revista chilena de ingeniería, 778, 787.
Millam, M., & Venayagamoorthy, K. (2014). Smart meter deployment: US initiatives. IEEE, 1-5.
Mustapa, M., Niamat, M., Deb, A., & Alam, M. (2018). Hardware-Oriented Authentication for Advanced Metering Infrastructure. IEEE Transactions on Smart Grid, 1261- 1270.
Nabel, M., Kerr, S., Ding, X., & Bertino, E. (2012). Authentication and key management for Advanced Metering Infrastructures utilizing physically unclonable functions. 2012 IEEE Third International Conference on Smart Grid Communications (págs. 324–
329). Taiwan: IEEE.
Naseer, H., Mumtaz, M., & Ali, M. (2020). A Key Transport Protocol for Advance Metering Infrastructure (AMI) Based on Public Key Cryptography. 2020 International Conference on Cyber Warfare and Security (ICCWS). Islamabad: IEEE.
National Energy Technology Laboratory for the U.S. Department of Energy. (2008).
Advanced metering infrastructure, NETL modern grid strategy.
Nicafar, H., Jokar, P., Beznosov, K., & Leung, V. (2014). Efficient Authentication and Key Management Mechanisms for Smart Grid Communications. IEEE Systems Journal, 629-640.
Nicanfar, H., Jokar, P., & Leung, V. (2011). Specification-based Intrusion Detection for home area networks in smart grids. 2011 IEEE International Conference on Smart Grid Communications (SmartGridComm).
Park, S., Li, G., & Hong, J.-C. (2020). A study on smart factory-based ambient intelligence context-aware intrusion detection system using machine learning. Journal of Ambient Intelligence and Humanized Computing, 1405-1412.
Parvez, I., Islam, A., & Kaleem, F. (2014). A key management-based two-level encryption method for AMI. 2014 IEEE PES General Meeting | Conference & Exposition (pág.
1.5). IEEE.
Parvez, I., Sarwat, A., Weiy, L., & Sundararajan, A. (2016). Securing Metering Infrastructure of Smart Grid: A Machine Learning and Localization Based Key Management Approach. Energies.
Pesesky, J. (2016). The vulnerabilities of the advanced metering infrastructure in the Smart Grid. Nueva Jersey: ProQuest LLC.
Petruševski, I., Živanović, M., Rakić, A., & Popović, I. (2014). Novel AMI architecture for real-time Smart Metering. IEEE, 664-667.
Pillitteri, V., & Brewer, T. (2014). Guidelines for Smart Grid Cybersecurity. National institute of standards and technology.
Pourfallah, S., Jafari, A., Shahhoseini, H., & Oleyaeyan, M. (2014). An intrusion detection algorithm for AMI systems based on SVM and PCA. International Journal on Cybernetics & Informatics.
Radoglou, P., & Sarigiannidis, P. (2018). An Anomaly-Based Intrusion Detection System for the Smart Grid Based on CART Decision Tree. 2018 Global Information Infrastructure and Networking Symposium (GIIS).
Reinhardt, A., & Pereira, L. (2021). Energy Data Analytics for Smart Meter Data. Basilea:
MDPI.
Robles, T., Bordel, B., Alcarría, R., & Rivera, D. (2018). Blockchain Technologies for Private Data Management in AmI Environments. Proccedings.
Saxena, N., & Choi, B. (2018). Integrated Distributed Authentication Protocol for Smart Grid Communications. IEEE Systems Journal, 2545-2556.
Saxena, N., Choi, B., & Grijalva, S. (2017). Secure and privacy-preserving concentration of metering data in AMI networks. 2017 IEEE International Conference on Communications (ICC) (págs. 1-7). IEEE.
Science Aplications International Corporation. (2006). San Diego Smart Grid Study Final Report. University of San Diego School of Law.
Seo, S., Ding, X., & Bertino, E. (2013). Encryption key management for secure communication in smart advanced metering infrastructures. 2013 IEEE International Conference on Smart Grid Communications (SmartGridComm) (págs. 498-503).
IEEE.
Silicon Laboratories, I. (2013). Smart Metering Brings Intelligence and Connectivity to Utilities, Green Energy and Natural Resource Management.
Srimanti Roychoudhury, A. D. (2014). Laboratorio virtual para la realización de pruebas en un transformador de potencia monofásico. IETE Journal of education, 10-25.
Stephen, C. (2012). Máquinas eléctricas. México: McGrawHill.
Sun, C.-C. C., & Hahn, A. (2021). Intrusion Detection for Cybersecurity of Smart Meters.
IEEE Transactions on Smart Grid, 612-622.
Tonyali, S., Saputro, N., & Akaya, K. (2015). Assessing the feasibility of fully homomorphic encryption for Smart Grid AMI networks. 2015 Seventh International Conference on Ubiquitous and Future Networks (págs. 591-596). IEEE.
United States Departament of Energy. (2010). Communications requirements of smart grid technologies.
US Department of Energy. (2010). Communications requirements of smart grid.
US Department of Energy. (2010.). Communications requirements of smart grid.