Atenção:
O eduCAPES é um repositório de objetos educacionais, não sendo responsável por materiais de terceiros submetidos na plataforma. O usuário assume ampla e total responsabilidade quanto à originalidade, à titularidade e ao conteúdo, citações de obras consultadas, referências e outros elementos que fazem parte do material que deseja submeter. Recomendamos que se reporte diretamente ao(s) autor(es), indicando qual parte do material foi considerada imprópria (cite página e parágrafo) e justificando sua denúncia.
Caso seja o autor original de algum material publicado indevidamente ou sem autorização, será necessário que se identifique informando nome completo, CPF e data de nascimento. Caso possua uma decisão judicial para retirada do material, solicitamos que informe o link de acesso ao documento, bem como quaisquer dados necessários ao acesso, no campo abaixo.
Todas as denúncias são sigilosas e sua identidade será preservada. Os campos nome e e-mail são de preenchimento opcional. Porém, ao deixar de informar seu e-mail, um possível retorno será inviabilizado e/ou sua denúncia poderá ser desconsiderada no caso de necessitar de informações complementares.
Metadados | Descrição | Idioma |
---|---|---|
Autor(es): dc.contributor | Lazzaretti, André Eugênio | - |
Autor(es): dc.contributor | https://orcid.org/0000-0003-1861-3369 | - |
Autor(es): dc.contributor | http://lattes.cnpq.br/7649611874688878 | - |
Autor(es): dc.contributor | Lopes, Heitor Silvério | - |
Autor(es): dc.contributor | https://orcid.org/0000-0003-3984-1432 | - |
Autor(es): dc.contributor | http://lattes.cnpq.br/4045818083957064 | - |
Autor(es): dc.contributor | Mendes Júnior, José Jair Alves | - |
Autor(es): dc.contributor | https://orcid.org/0000-0001-5578-7734 | - |
Autor(es): dc.contributor | http://lattes.cnpq.br/1920188611669631 | - |
Autor(es): dc.contributor | Lazzaretti, André Eugênio | - |
Autor(es): dc.contributor | https://orcid.org/0000-0003-1861-3369 | - |
Autor(es): dc.contributor | http://lattes.cnpq.br/7649611874688878 | - |
Autor(es): dc.contributor | Lopes, Heitor Silvério | - |
Autor(es): dc.contributor | https://orcid.org/0000-0003-3984-1432 | - |
Autor(es): dc.contributor | http://lattes.cnpq.br/4045818083957064 | - |
Autor(es): dc.contributor | Pereira, Amâncio Lucas de Sousa | - |
Autor(es): dc.contributor | https://orcid.org/0000-0002-9110-8775 | - |
Autor(es): dc.creator | Nolasco, Lucas da Silva | - |
Data de aceite: dc.date.accessioned | 2025-08-29T12:22:16Z | - |
Data de disponibilização: dc.date.available | 2025-08-29T12:22:16Z | - |
Data de envio: dc.date.issued | 2023-08-10 | - |
Data de envio: dc.date.issued | 2023-08-10 | - |
Data de envio: dc.date.issued | 2023-06-23 | - |
Fonte completa do material: dc.identifier | http://repositorio.utfpr.edu.br/jspui/handle/1/32047 | - |
Fonte: dc.identifier.uri | http://educapes.capes.gov.br/handle/capes/1094089 | - |
Descrição: dc.description | In 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.description | Nas 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.format | application/pdf | - |
Idioma: dc.language | en | - |
Publicador: dc.publisher | Universidade Tecnológica Federal do Paraná | - |
Publicador: dc.publisher | Curitiba | - |
Publicador: dc.publisher | Brasil | - |
Publicador: dc.publisher | Programa de Pós-Graduação em Engenharia Elétrica e Informática Industrial | - |
Publicador: dc.publisher | UTFPR | - |
Direitos: dc.rights | openAccess | - |
Direitos: dc.rights | http://creativecommons.org/licenses/by/4.0/ | - |
Palavras-chave: dc.subject | Energia elétrica - Consumo | - |
Palavras-chave: dc.subject | Redes neurais (Computação) | - |
Palavras-chave: dc.subject | Sistemas embarcados (Computadores) | - |
Palavras-chave: dc.subject | Processamento de sinais - Técnicas digitais | - |
Palavras-chave: dc.subject | Aprendizado profundo (Aprendizado de máquina) | - |
Palavras-chave: dc.subject | Electric power consumption | - |
Palavras-chave: dc.subject | Neural networks (Computer science) | - |
Palavras-chave: dc.subject | Embedded computer systems | - |
Palavras-chave: dc.subject | Signal processing - Digital technique | - |
Palavras-chave: dc.subject | Deep learning (Machine learning) | - |
Palavras-chave: dc.subject | CNPQ::ENGENHARIAS::ENGENHARIA ELETRICA | - |
Palavras-chave: dc.subject | Engenharia Elétrica | - |
Título: dc.title | DeepDFML-NILM: um modelo baseado em aprendizado profundo para detecção, extração de características e classificação de sinais de NILM | - |
Título: dc.title | DeepDFML-NILM: a deep learning-based model for detection, feature extraction and classification in NILM signals | - |
Tipo de arquivo: dc.type | livro digital | - |
Aparece nas coleções: | Repositorio Institucional da UTFPR - RIUT |
O Portal eduCAPES é oferecido ao usuário, condicionado à aceitação dos termos, condições e avisos contidos aqui e sem modificações. A CAPES poderá modificar o conteúdo ou formato deste site ou acabar com a sua operação ou suas ferramentas a seu critério único e sem aviso prévio. Ao acessar este portal, você, usuário pessoa física ou jurídica, se declara compreender e aceitar as condições aqui estabelecidas, da seguinte forma: