Browsing by Author "Beltramone, Matías"

Filter results by typing the first few letters
Now showing 1 - 1 of 1
  • Thumbnail Image
    Item
    Monitoreo de carga por método no invasivos en el hogar argentino utilizando redes neuronales
    (UTN Facultad Regional San Francisco, 2018-11) Beinotti, Raúl Alberto; Cocconi, Diego Alejandro; Yuan, Rebeca; Mulassano, Micaela; Ferreyra, Diego M.; Bruno, Javier; Beltramone, Matías; Ferrero, Nicolás Gabriel; Biasco, Andrea Celeste; Beltramone, Matías
    En la actualidad, mucha gente podría verse interesada en el monitoreo energético de sus viviendas, con el fin de optimizar sus consumos. De esta manera, se conocerían los artefactos eléctricos que más energía consumen, su incidencia en el tiempo, cuán representativo resulta el consumo del resto de los artefactos y aquellos artefactos que podrían estar fallando. Utilizando Non-Intrusive Load Monitoring (NILM) y redes neuronales (del inglés Artificial Neural Networks, ANN), nuestro proyecto propone ofrecer esta posibilidad. Dos enfoques fueron planteados para realizar tal monitoreo la utilización de medidores independientes para cada artefacto eléctrico; la aplicación de Non-Intrusive Load Monitoring (NILM) o Non-Intrusive (Appliance) Load Monitoring (NIALM o NALM). NILM es una técnica computacional que a partir de una medida total de consumo de energía logra identificar los artefactos eléctricos individuales que se encuentran consumiendo la misma; aunque midiendo cada artefacto puede resultar un método más exacto que NILM, las desventajas prácticas como elevados costos, múltiples configuraciones de sensores y complejidad en la instalación, favorecen el uso de esta técnica. Un enfoque comúnmente utilizado para implementar NILM involucra las siguientes etapas: adquisición de datos; extracción de features; e inferencia o aprendizaje. Durante esta última etapa, las diversas features de los artefactos eléctricos extraídas a partir de los datos de consumo son procesadas según diferentes algoritmos en orden de identificar los artefactos. Se suelen emplear técnicas supervisadas de machine learning en esta etapa, las cuales requieren datos etiquetados; estas técnicas generalmente implican un proceso de aprendizaje lento y son vulnerables a cambios en el inventario de artefactos. Por lo detallado anteriormente, se requieren abordajes que permitan obtener resultados más exactos, sin insumir tiempos prolongados de entrenamiento ni muchos recursos, e independientes de grandes inventarios de features de artefactos eléctricos.