
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 | Pipa, Daniel Rodrigues | - |
| Autor(es): dc.contributor | https://orcid.org/0000-0002-9398-332X | - |
| Autor(es): dc.contributor | http://lattes.cnpq.br/5604517186200940 | - |
| Autor(es): dc.contributor | Souza, Wesley Angelino de | - |
| Autor(es): dc.contributor | https://orcid.org/0000-0002-3431-6359 | - |
| Autor(es): dc.contributor | http://lattes.cnpq.br/8594457321079718 | - |
| Autor(es): dc.contributor | Pipa, Daniel Rodrigues | - |
| Autor(es): dc.contributor | https://orcid.org/0000-0002-9398-332X | - |
| Autor(es): dc.contributor | http://lattes.cnpq.br/5604517186200940 | - |
| Autor(es): dc.contributor | Marafão, Fernando Pinhabel | - |
| Autor(es): dc.contributor | https://orcid.org/0000-0003-3525-3297 | - |
| Autor(es): dc.contributor | http://lattes.cnpq.br/4445980482980663 | - |
| Autor(es): dc.contributor | Arruda, Lucia Valeria Ramos de | - |
| Autor(es): dc.contributor | https://orcid.org/0000-0002-5704-8131 | - |
| Autor(es): dc.contributor | http://lattes.cnpq.br/8616017152145795 | - |
| Autor(es): dc.contributor | Ferreira, Vitor Hugo | - |
| Autor(es): dc.contributor | https://orcid.org/0000-0002-8709-7022 | - |
| Autor(es): dc.contributor | http://lattes.cnpq.br/3961773765127529 | - |
| Autor(es): dc.creator | Aguiar, Everton Luiz de | - |
| Data de aceite: dc.date.accessioned | 2025-08-29T12:49:52Z | - |
| Data de disponibilização: dc.date.available | 2025-08-29T12:49:52Z | - |
| Data de envio: dc.date.issued | 2023-09-27 | - |
| Data de envio: dc.date.issued | 2023-09-27 | - |
| Data de envio: dc.date.issued | 2023-09-13 | - |
| Fonte completa do material: dc.identifier | http://repositorio.utfpr.edu.br/jspui/handle/1/32529 | - |
| Fonte: dc.identifier.uri | http://educapes.capes.gov.br/handle/capes/1102639 | - |
| Descrição: dc.description | Non-intrusive monitoring of electrical loads (NILM) determines the profile of electrical energy consumption of each load of a consumer unit without the need to use independent sensors for each of these loads. NILM applications help the consumer save energy and assist in planning the distribution network. Since 2015, several feature extraction methods for NILM based on Deep Learning have been proposed, which have achieved state-of-the-art results for classification and disaggregation. Despite this, the results obtained by methods based on deep learning depend on the amount of training data, and the architectures of deep networks are empirically determined. With that in mind, this document proposes frameworks to extract and select features using the Scattering Transform to classify NILM signals, both individual loads and aggregated loads. We also introduce a new multi-label and multi-task convolutional network architecture for NILM, whose filters are not learned but analytically determined through wavelets. The classification results of the proposed method surpass the state-of-the-art techniques for several test scenarios, highlighting the scenarios with a reduced dataset. We also propose an expanded approach to NILM, including distributed generation (DG) photovoltaic (PV) data aggregated with electrical loads. We create a new public dataset containing DG-PV and NILM data, and perform an ablation study to evaluate both the influence of the presence of PV microinverters on the classification of aggregated loads and the influence of the existence of aggregated loads on the identification of PV microinverters in the distribution power grid. | - |
| Descrição: dc.description | O monitoramento não intrusivo de cargas elétricas (NILM) consiste em determinar o perfil de consumo de energia elétrica de cada carga de uma unidade consumidora sem a necessidade de utilizar sensores independentes para cada uma dessas cargas. As aplicações de NILM ajudam o consumidor a economizar energia e auxiliam no planejamento da rede de distribuição. Desde 2015 foram propostos diversos métodos de extração de características para NILM baseados em Aprendizado Profundo, os quais alcançaram resultados do estado-da-arte para classificação e desagregação de cargas. Apesar disso, os resultados obtidos pelos métodos baseados em Deep Learning são dependentes da quantidade de dados de treinamento, e as arquiteturas das redes profundas são determinadas empiricamente. Tendo isso em vista, esse documento propõe frameworks para extrair e selecionar features utilizando a Transformada Scatering para classificar sinais NILM, tanto cargas individuais quanto cargas agregadas. Nós também introduzimos uma nova arquitetura multi-label e multi-tarefas de rede convolucional para NILM, cujos filtros não são aprendidos e sim determinados analiticamente por meio de wavelets. Os resultados de classificação do método proposto superam os métodos do estado-da-arte para vários cenários de teste, destacando-se os cenários com dataset reduzido. Nós também propomos uma abordagem expandida para NILM, na qual incluímos dados de geração distribuída (DG) fotovoltaica (PV) agregados com as cargas elétricas. Criamos um novo dataset público contendo DG-PV e dados NILM, e realizamos um estudo de ablação para avaliar tanto a influência da presença de microinversores PV na classificação das cargas agregadas quanto a influência da presença de cargas agregadas na identificação de microinversores PV na rede de distribuição. | - |
| 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 | Geração de energia fotovoltaica | - |
| Palavras-chave: dc.subject | Espalhamento (Matemática) | - |
| Palavras-chave: dc.subject | Redes neurais (Computação) | - |
| Palavras-chave: dc.subject | Aprendizado profundo (Aprendizado do computador) | - |
| Palavras-chave: dc.subject | Medidores elétricos | - |
| Palavras-chave: dc.subject | Wavelets (Matemática) | - |
| Palavras-chave: dc.subject | Electric power consumption | - |
| Palavras-chave: dc.subject | Photovoltaic power generation | - |
| Palavras-chave: dc.subject | Scattering (Mathematics) | - |
| Palavras-chave: dc.subject | Neural networks (Computer science) | - |
| Palavras-chave: dc.subject | Deep learning (Machine learning) | - |
| Palavras-chave: dc.subject | Electric meters | - |
| Palavras-chave: dc.subject | Wavelets (Mathematics) | - |
| Palavras-chave: dc.subject | CNPQ::ENGENHARIAS::ENGENHARIA ELETRICA | - |
| Palavras-chave: dc.subject | Engenharia Elétrica | - |
| Título: dc.title | Contribuições para NILM baseadas em redes convolucionais profundas | - |
| Título: dc.title | Contributions to NILM based on deep convolutional networks | - |
| 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: