Classificação de eventos em monitoramento NILM de cargas elétricas residenciais utilizando rede neural convolucional
Fecha
2019-10-22Metadatos
Mostrar el registro completo del ítemResumen
No contexto dos avanços esperados com a implantação das redes elétricas inteligentes, viabilizando a modernização do sistema de tarifação de energia elétrica e tornando atrativo o gerenciamento dos sistemas de energia elétrica residencial, o conhecimento detalhado do perfil de consumo residencial ganha importância como elemento para subsidiar a tomada de decisão pelos sistemas de gerenciamento de energia elétrica residencial. Uma das técnicas para realizar o detalhamento do perfil de consumo das cargas elétricas residenciais é o monitoramento não intrusivo (Non-Intrusive Load Monitoring - NILM), uma técnica de baixo custo de instalação que apresenta sua complexidade no desenvolvimento do algoritmo de desagregação. Diante deste desafio, nesta dissertação é apresentada metodologia baseada em monitoramento elétrico em baixa frequência de amostragem para realizar a extração de características das cargas elétricas ativadas e desativadas durante a operação da rede elétrica. Através destas características é realizada avaliação do desempenho da classificação dos eventos utilizando a rede neural convolucional (Convolutional Neural Network - CNN), uma técnica de inteligência artificial especialmente utilizada para reconhecimento de padrões visuais. Para avaliar o método desenvolvido é realizado estudo de caso utilizando dados de monitoramento do banco de dados público de consumo de cargas elétricas domésticas do Reino Unido (United Kingdom Domestic Appliance Level Electricity - UK-DALE), uma fonte de dados amplamente utilizada em pesquisas NILM. O desempenho do método desenvolvido é avaliado através das métricas Precision, Recall, F1-Score e Accuracy assim como é utilizada a matriz de confusão para apresentar os erros de classificação observados. Para comparar o desempenho de classificação obtida pelo método desenvolvido é também modelado o método de classificação denominado árvore de decisões. Através da análise desempenho do método desenvolvido é observado que este apresenta certa restrição para lidar com comportamentos não previstos na fase de treinamento, porém apresenta capacidade de aprender novos comportamentos através de novas fases de treinamento. Também, apresentou bom desempenho na classificação de eventos de baixo valor de potência, se comparado ao método de classificação árvore de decisões. Concluindo-se que a utilização da rede neural convolucional apresenta desempenho positivo para ser utilizada na classificação de eventos em aplicações NILM.
Colecciones
El ítem tiene asociados los siguientes ficheros de licencia: