FRSFCO - Producción de Investigación
Permanent URI for this communityhttp://48.217.138.120/handle/20.500.12272/1607
Browse
3 results
Search Results
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, MatíasEn 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.Item Assessment of the Learning Efficacy in Engineering Classrooms(2013-02-01) Gallo, Omar Dionisio; Ferreyra, Diego M.; Beinotti, Raúl AlbertoThis work describes the experiences shared by professors in Electric Machinery, and Electric Machinery and Installations, included in Electromechanical Engineering and Electronics Engineering respectively, at the San Francisco Regional Faculty of the National Technological University. Said experiences were gained while attempting to improve the efficiency and efficacy of the teaching-learning process in the classroom by means of a continuous learning assessment system which was aimed at fostering participation and proactivity among the students, both in the classroom and in the final exams. After almost one decade of testing and discussion, these professors finally developed a method applying proven pedagogical techniques in which students combine commitment, interchange, written production and shorter delays to pass the subject examination.Item Valoración de la eficacia del aprendizaje en aulas de ingeniería (Parte II)(2014-06-13) Gallo, Omar Dionisio; Ferreyra, Diego M.; Beinotti, Raúl AlbertoEste trabajo relata las experiencias realizadas en el aula por un grupo de profesores de la cátedra Máquinas Eléctricas de la carrera ingeniería que, luego de aplicar varios métodos de enseñanza y evaluación de los aprendizajes, llegaron a desarrollar un sistema que les resulta razonablemente efectivo para evaluar el desempeño de sus estudiantes a lo largo del año.