DeepDFML-NILM: um modelo baseado em aprendizado profundo para detecção, extração de características e classificação de sinais de NILM

Registro completo de metadados
MetadadosDescriçãoIdioma
Autor(es): dc.contributorLazzaretti, André Eugênio-
Autor(es): dc.contributorhttps://orcid.org/0000-0003-1861-3369-
Autor(es): dc.contributorhttp://lattes.cnpq.br/7649611874688878-
Autor(es): dc.contributorLopes, Heitor Silvério-
Autor(es): dc.contributorhttps://orcid.org/0000-0003-3984-1432-
Autor(es): dc.contributorhttp://lattes.cnpq.br/4045818083957064-
Autor(es): dc.contributorMendes Júnior, José Jair Alves-
Autor(es): dc.contributorhttps://orcid.org/0000-0001-5578-7734-
Autor(es): dc.contributorhttp://lattes.cnpq.br/1920188611669631-
Autor(es): dc.contributorLazzaretti, André Eugênio-
Autor(es): dc.contributorhttps://orcid.org/0000-0003-1861-3369-
Autor(es): dc.contributorhttp://lattes.cnpq.br/7649611874688878-
Autor(es): dc.contributorLopes, Heitor Silvério-
Autor(es): dc.contributorhttps://orcid.org/0000-0003-3984-1432-
Autor(es): dc.contributorhttp://lattes.cnpq.br/4045818083957064-
Autor(es): dc.contributorPereira, Amâncio Lucas de Sousa-
Autor(es): dc.contributorhttps://orcid.org/0000-0002-9110-8775-
Autor(es): dc.creatorNolasco, Lucas da Silva-
Data de aceite: dc.date.accessioned2025-08-29T12:22:16Z-
Data de disponibilização: dc.date.available2025-08-29T12:22:16Z-
Data de envio: dc.date.issued2023-08-10-
Data de envio: dc.date.issued2023-08-10-
Data de envio: dc.date.issued2023-06-23-
Fonte completa do material: dc.identifierhttp://repositorio.utfpr.edu.br/jspui/handle/1/32047-
Fonte: dc.identifier.urihttp://educapes.capes.gov.br/handle/capes/1094089-
Descrição: dc.descriptionIn the coming decades, the growth in energy consumption will require renewable resources and intelligent solutions to manage consumption. In this sense, Non-Intrusive Load Monitoring (NILM) techniques emerge as a way to provide detailed consumption information to users, enabling better power management and avoiding energy losses. These load monitoring techniques typically require four steps: event detection, signal disaggregation, feature extraction, and load identification. However, for high-frequency NILM methods, state-of-the-art approaches, mainly based on deep learning solutions, do not provide a complete NILM architecture that includes all the required steps. To fill this gap, this work presents an integrated method for the detection, feature extraction, and classification of high-frequency NILM signals for the publicly available LIT-Dataset. For detection, the results were above 90% in most cases, while the state-of-the-art methods were below 70% for eight simultaneous loads. For classification, the performance of the proposed model on the evaluated metrics was comparable to other recent works, reaching over 97% for F-score and accuracy. The proposed architecture also includes a multi-label classification strategy to avoid the disaggregation stage, indicating the loads connected at a given time and allowing the identification of multiple loads simultaneously. This work also evaluates the robustness of the proposed method to noise insertion. Finally, this work presents results in an embedded system, a topic also underexplored in the recent literature, demonstrating the feasibility of the proposal for real-time signal analysis and practical applications involving NILM.-
Descrição: dc.descriptionNas décadas futuras, o aumento contínuo do consumo de energia elétrica demandará o uso de recursos renováveis e soluções inteligentes para o gerenciamento do consumo. Neste sentido, técnicas de Monitoramento Não-Intrusivo de Cargas (NILM) detalham informações de consumo para usuários, permitindo um gerenciamento melhor da energia elétrica e evitando desperdícios. Para realizar esse monitoramento, esta técnica é geralmente composta por quatro etapas: detecção de eventos, desagregação de sinal, extração de características, e identificação da carga. No entanto, as abordagens do estado-da-arte para o monitoramento de cargas em sinais de alta frequência, geralmente baseadas em redes neurais, não apresentam uma arquitetura completa de solução. Para resolver essa questão, este trabalho apresenta um método integrado para a detecção, extração de características e classificação em sinais de alta-frequência, testado no conjunto de dados público LIT-Dataset. Para a detecção, os resultados encontrados estiveram acima de 90% para a maioria dos casos, enquanto os métodos do estado-da-arte apresentam desempenho inferior a 70% para cenários com oito cargas conectadas à rede elétrica. Para a classificação, o desempenho final nas métricas avaliadas foi equiparável a outros trabalhos recentes, apresentando F-score e acurácia superiores a 97%. A arquitetura proposta ainda conta com uma estratégia multi-label para evitar a necessidade de um estágio de desagregação, indicando todas as cargas conectadas em um dado momento, aumentando o reconhecimento de múltiplas cargas. Esse trabalho ainda avalia o desempenho do método proposto em cenários com inserção de ruído no sinal de entrada. Finalmente, também é avaliado o desempenho da arquitetura proposta em um sistema embarcado, um assunto ainda sub-explorado na literatura recente, demonstrando a exequibilidade para a análise de sinais em tempo real e aplicações práticas envolvendo monitoramento de cargas.-
Formato: dc.formatapplication/pdf-
Idioma: dc.languageen-
Publicador: dc.publisherUniversidade Tecnológica Federal do Paraná-
Publicador: dc.publisherCuritiba-
Publicador: dc.publisherBrasil-
Publicador: dc.publisherPrograma de Pós-Graduação em Engenharia Elétrica e Informática Industrial-
Publicador: dc.publisherUTFPR-
Direitos: dc.rightsopenAccess-
Direitos: dc.rightshttp://creativecommons.org/licenses/by/4.0/-
Palavras-chave: dc.subjectEnergia elétrica - Consumo-
Palavras-chave: dc.subjectRedes neurais (Computação)-
Palavras-chave: dc.subjectSistemas embarcados (Computadores)-
Palavras-chave: dc.subjectProcessamento de sinais - Técnicas digitais-
Palavras-chave: dc.subjectAprendizado profundo (Aprendizado de máquina)-
Palavras-chave: dc.subjectElectric power consumption-
Palavras-chave: dc.subjectNeural networks (Computer science)-
Palavras-chave: dc.subjectEmbedded computer systems-
Palavras-chave: dc.subjectSignal processing - Digital technique-
Palavras-chave: dc.subjectDeep learning (Machine learning)-
Palavras-chave: dc.subjectCNPQ::ENGENHARIAS::ENGENHARIA ELETRICA-
Palavras-chave: dc.subjectEngenharia Elétrica-
Título: dc.titleDeepDFML-NILM: um modelo baseado em aprendizado profundo para detecção, extração de características e classificação de sinais de NILM-
Título: dc.titleDeepDFML-NILM: a deep learning-based model for detection, feature extraction and classification in NILM signals-
Tipo de arquivo: dc.typelivro digital-
Aparece nas coleções:Repositorio Institucional da UTFPR - RIUT

Não existem arquivos associados a este item.