Arquitetura unificada para detecção, extração de características e classificação em sinais de NILM

Registro completo de metadados
MetadadosDescriçãoIdioma
Autor(es): dc.contributorLazzaretti, André Eugênio-
Autor(es): dc.contributorLazzaretti, André Eugênio-
Autor(es): dc.contributorLopes, Heitor Silvério-
Autor(es): dc.contributorDorini, Leyza Elmeri Baldo-
Autor(es): dc.creatorNolasco, Lucas da Silva-
Data de aceite: dc.date.accessioned2022-08-04T20:17:52Z-
Data de disponibilização: dc.date.available2022-08-04T20:17:52Z-
Data de envio: dc.date.issued2022-07-04-
Data de envio: dc.date.issued2022-07-04-
Data de envio: dc.date.issued2021-12-02-
Fonte completa do material: dc.identifierhttp://repositorio.utfpr.edu.br/jspui/handle/1/28991-
Fonte: dc.identifier.urihttp://educapes.capes.gov.br/handle/capes/706269-
Descrição: dc.descriptionIn the subsequent decades, the increasing energy will demand renewable resources and intelligent solutions for managing consumption. In this sense, Non-Intrusive Load Monitoring (NILM) techniques detail consumption information for users, allowing better electric power management and avoiding energy losses. This load monitoring technique usually requires four steps: event detection, signal disaggregation, feature extraction, and load identification. However, in high-frequency NILM methods, state-of-the-art approaches, mainly based on deep learning solutions, do not provide a complete NILM architecture, including all the required steps. To overcome this gap, this work presents an integrated method for detection, feature extraction, and classification of high-frequency NILM signals for the publicly available LIT-Dataset. In terms of detection, the results were above 90% for most cases, whilst the state-of-the-art methods were below 70% for eight loads. For classification, the proposed model performance on the evaluated metrics was comparable with other recent works, reaching above 97% for F-score and accuracy. The proposed architecture also includes a multi-label procedure to avoid the disaggregation stage, indicating the loads connected at a given time, increasing the recognition of multiple loads. This work also evaluates the proposed method's robustness to noise insertion. Finally, this work presents results in an embedded system, a subject also underexplored in the recent literature, demonstrating the proposal’s feasibility for real-time signal analysis and practical applications involving NILM.-
Descrição: dc.descriptionComissão Nacional de Energia Nuclear (CNEN)-
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.languagept_BR-
Publicador: dc.publisherUniversidade Tecnológica Federal do Paraná-
Publicador: dc.publisherCuritiba-
Publicador: dc.publisherBrasil-
Publicador: dc.publisherBacharelado em Engenharia de Computação-
Publicador: dc.publisherUTFPR-
Direitos: dc.rightsopenAccess-
Direitos: dc.rightshttp://creativecommons.org/licenses/by/4.0/-
Palavras-chave: dc.subjectCarga e distribuição elétrica-
Palavras-chave: dc.subjectRedes neurais (Computação)-
Palavras-chave: dc.subjectSistemas embarcados (Computadores)-
Palavras-chave: dc.subjectEnergia elétrica - Consumo-
Palavras-chave: dc.subjectElectric charge and distribution-
Palavras-chave: dc.subjectNeural networks (Computer science)-
Palavras-chave: dc.subjectEmbedded computer systems-
Palavras-chave: dc.subjectElectric power consumption-
Palavras-chave: dc.subjectCNPQ::CIENCIAS EXATAS E DA TERRA::CIENCIA DA COMPUTACAO-
Título: dc.titleArquitetura unificada para detecção, extração de características e classificação em sinais de NILM-
Título: dc.titleUnified architecture 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.