
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 | Lacerda, Wilian Soares | - |
| Autor(es): dc.contributor | Ferreira, Danton Diego | - |
| Autor(es): dc.contributor | Baccarini, Lane Maria Rabelo | - |
| Autor(es): dc.creator | Damasceno, Douglas Roberto Fernandes | - |
| Data de aceite: dc.date.accessioned | 2026-02-09T11:54:58Z | - |
| Data de disponibilização: dc.date.available | 2026-02-09T11:54:58Z | - |
| Data de envio: dc.date.issued | 2023-05-10 | - |
| Data de envio: dc.date.issued | 2023-05-10 | - |
| Data de envio: dc.date.issued | 2023-05-10 | - |
| Data de envio: dc.date.issued | 2023-04-04 | - |
| Fonte completa do material: dc.identifier | https://repositorio.ufla.br/handle/1/56777 | - |
| Fonte: dc.identifier.uri | http://educapes.capes.gov.br/handle/capes/1150266 | - |
| Descrição: dc.description | Improving energy management has required performing fundamental tasks such as monitoring electrical loads, due to the current economic situation and growing ecological trends. This work presents a method of identification and classification of five industrial loads of a automotive shock absorber production line, namely: a valve press, an oil doser, a traction test, a dynamometer and a roller. In order to collect the training data of the proposed classifiers, the loads were triggered individually and the electrical current signal data were obtained through the Non-Intrusive Load Monitoring technique. As classification methods, the following machine learning algorithms were implemented: Artificial Neural Networks (ANN) of the Multilayer Perceptron (MLP), Support Vector Machines (SVM) and also the fuzzy clustering methods K-Means (KM), Fuzzy C-Means (FCM) and Gustafson-Kessel (GK). In order to obtain the main parameters of the MLP and SVMs, three optimization techniques were applied, namely Particle Swarm Optimization (PSO), Differential Evolution (DE) and the Gray Wolf Optimizer (GWO). As for the clustering methods, to determine the efficient number of clusters, the validation indices Xie-Beni Criterion (XB), Classification Entropy (CE), Partition Index (SC) and Dunn Index (DI) for each proposed method. The best classifier obtained, comparing the MLP classifiers and the SVMs, was the MLPPSO, which presented among the main performance metrics a precision of 0.9556, F1-score of 0.9478, accuracy of 0.9474 and the Kappa coefficient of 0.9345 demonstrating the effectiveness of the classifier. Regarding the clustering methods, the GK stood out, which presented precision of 0.8472, accuracy 0.8378, F1-score 0.8398 and Kappa coefficient 0.7991, these values being lower than expected, and therefore not being applicable for classification of loads. | - |
| Descrição: dc.description | O aprimoramento da gestão de energia tem exigido a realização de tarefas fundamentais como o monitoramento de cargas elétricas, em virtude da atual conjuntura econômica e das crescentes tendências ecológicas. Este trabalho apresenta um método de identificação e classificação de cinco cargas industriais de uma linha de produção de amortecedores automobilísticos, sendo: uma prensa válvula, uma dosadora de óleo, um teste de tração, um dinamômetro e uma roladora. Para coleta dos dados de treinamento dos classificadores propostos, as cargas foram acionadas individualmente e os dados do sinal da corrente elétrica foram obtidos por meio da técnica de Monitoramento de Cargas Não Intrusivo. Como métodos de classificação, foram implementados os seguintes algoritmos de aprendizagem de máquina: Redes Neurais Artificiais (RNA) do tipo Perceptron de Multicamadas (Multilayer Perceptron, MLP), as Máquinas de Vetores de Suporte (Support Vector Machines, SVM) e também os métodos de clusterização fuzzy K-Means (KM), Fuzzy C-Means (FCM) e Gustafson-Kessel (GK). Com a finalidade de se obter os principais parâmetros do MLP e das SVMs, aplicou-se três técnicas de otimização, sendo a Otimização por Enxame de Partículas (Particle Swarm Optimization, PSO), a Evolução Diferencial (Differencial Evolution, DE) e o Otimizador Lobo Cizento (Grey Wolf Optimizer, GWO). Já nos métodos de clusterização, para determinar o número eficiente de clusters, utilizou-se os índices de validação Critério de Xie-Beni (Xie-Beni criterion, XB), Entropia de Classificação (Classification Entropy, CE), Índice de Partição (Partition Index, SC) e Índice de Dunn (Dunn’s Index, DI) para cada método proposto. O melhor classificador obtido, comparando-se os classificadores MLP e as SVMs, foi o MLP-PSO o qual apresentou entre as principais métricas de desempenho a precisão de 0,9242, acurácia de 0,9139, F1-score de 0,9140 e o coeficiente Kappa de 0,8926 demonstrando a eficácia do classificador para a identificação e classificação das cargas da linha de produção. Em relação aos métodos de clusterização, destacou-se o GK, o qual apresentou precisão de 0,8025, acurácia 0,7816, F1-score 0,7745 e coeficiente Kappa 0,7216, sendo estes valores abaixo do esperado. Palavras-chave: | - |
| Formato: dc.format | application/pdf | - |
| Idioma: dc.language | pt_BR | - |
| Publicador: dc.publisher | Universidade Federal de Lavras | - |
| Publicador: dc.publisher | Programa de Pós-graduação em Engenharia de Sistemas e Automação | - |
| Publicador: dc.publisher | UFLA | - |
| Publicador: dc.publisher | brasil | - |
| Publicador: dc.publisher | Departamento de Engenharia | - |
| Direitos: dc.rights | Attribution 4.0 International | - |
| Direitos: dc.rights | Attribution 4.0 International | - |
| Direitos: dc.rights | acesso aberto | - |
| Direitos: dc.rights | http://creativecommons.org/licenses/by/4.0/ | - |
| Direitos: dc.rights | http://creativecommons.org/licenses/by/4.0/ | - |
| Palavras-chave: dc.subject | Monitoramento de carga não intrusivo | - |
| Palavras-chave: dc.subject | Perceptron de multicamadas | - |
| Palavras-chave: dc.subject | Máquinas de vetores de suporte | - |
| Palavras-chave: dc.subject | Algoritmos de otimização | - |
| Palavras-chave: dc.subject | Métodos de clusterização Fuzzy | - |
| Palavras-chave: dc.subject | Non-intrusive load monitoring | - |
| Palavras-chave: dc.subject | Multilayer perceptron | - |
| Palavras-chave: dc.subject | Support vector machines | - |
| Palavras-chave: dc.subject | Optimization algorithms | - |
| Palavras-chave: dc.subject | Fuzzy clustering methods | - |
| Palavras-chave: dc.subject | Sistemas Elétricos de Potência | - |
| Título: dc.title | Classificadores não intrusivos de cargas elétricas industriais utilizando técnicas de inteligência computacional | - |
| Título: dc.title | Non-intrusive classifiers of industrial electric loads using computational intelligence techniques | - |
| Tipo de arquivo: dc.type | dissertação | - |
| Aparece nas coleções: | Repositório Institucional da Universidade Federal de Lavras (RIUFLA) | |
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: