Browsing by Author "Lottero, Giancarlo"

Filter results by typing the first few letters
Now showing 1 - 2 of 2
  • Thumbnail Image
    Item
    Clasificación de electrodomésticos a partir del monitoreo de consumos domiciliarios utilizando máquinas de soporte vectorial
    (2023-10-01) Barberia, Juan L.; Fernández Biancardi, Juan F.; Lottero, Giancarlo; Baldiviezo, Marco G.; Esangui Garagoli, Sebastián L.; Licata Caruso, Lorenzo; Legnani, Walter E.
    El monitoreo de carga no intrusivo es un conjunto de técnicas cuyo objetivo es la identificación de los electrodomésticos utilizados en una vivienda partiendo de la señal de consumo energético agregada que producen al utilizarse. La base de datos empleada es la denominada Reference Energy Disaggregation Data Set (REDD) la cual es de acceso gratuito y contiene información detallada del consumo eléctrico de artefactos de varios hogares. El presente trabajo tuvo como objetivo utilizar herramientas de la teoría de la información y del análisis de señales para generar un espacio de características como conjunto de entrenamiento para un modelo de Machine Learning supervisado (SVM); para formular así una clasificación satisfactoria de electrodomésticos. Los resultados obtenidos muestran una precisión lo suficientemente elevada como para alentar la continuación de esta línea de investigación.
  • Thumbnail Image
    Item
    Modelo basado en aprendizaje automático de consumo de electrodomésticos a partir de monitoreo no intrusivo
    (2023-05) Barberia, Juan Luis; Fernandez Biancardi, Juan Facundo; Lottero, Giancarlo; Esangui, Sebastian; Licata Caruso, Lorenzo; Legnani, Walter
    El monitoreo de carga no intrusivo es un conjunto de técnicas cuyo objetivo es la identificación de los electrodomésticos utilizados en una vivienda partiendo de la señal de consumo energético agregada que producen al utilizarse. La base de datos empleada es la denominada Reference Energy Disaggregation Data Set (REDD) la cual es de acceso gratuito y contiene información detallada del consumo eléctrico de artefactos de varios hogares. El presente trabajo tiene como objetivo utilizar herramientas de Machine Learning supervisado para lograr una clasificación satisfactoria de electrodomésticos del mismo tipo presentes en diferentes viviendas, partiendo de señales de consumo eléctrico, medidas en circuitos individuales. Los resultados obtenidos muestran una precisión lo suficientemente elevada como para alentar la continuación de esta línea de estudio.