O prop ´osito da infer ˆencia probabil´ıstica ´e calcular a distribuic¸ ˜ao de probabilidade posterior para um conjunto de vari ´aveis, dado um evento. Esta infer ˆencia pode ser exata ou aproximada. Infer ˆencia exata pode ser por enumerac¸ ˜ao que ´e uma maneira r ´apida de avaliar a equac¸ ˜ao (9) sem precisar montar a tabela de probabilidade conjunta total, ou por eliminac¸ ˜ao vari ´avel que ´e a eliminac¸ ˜ao dos c ´alculos repetidos, ou seja, realizar o c ´alculo uma vez e guardar o resultado para uso posterior. A infer ˆencia apro- ximada por simulac¸ ˜ao estoc ´astica ´e um procedimento, cujo resultado ´e a gerac¸ ˜ao de n ´umeros aleat ´orios com o objetivo de explorar a incerteza. Os m ´etodos de simulac¸ ˜ao utilizam algoritmos de Monte Carlo, devido a intratabilidade da infer ˆencia exata em redes bayesianas extensas. A aplicac¸ ˜ao destes, por sua vez, resulta em respostas aproximadas com exatid ˜ao dependente da quantidade de amostras geradas.
Os algoritmos de Monte Carlo s ˜ao muito utilizados em ci ˆencia da computac¸ ˜ao para estimar quantidades que s ˜ao dif´ıceis de calcular com exatid ˜ao. Essa aborda- gem apresenta como benef´ıcio o fato de que calcular a m ´edia de uma grande amos- tra de n ´umeros pode ser mais f ´acil do que calcular diretamente pelas equac¸ ˜oes da distribuic¸ ˜ao normal. Esse benef´ıcio fica evidente principalmente quando as equac¸ ˜oes da distribuic¸ ˜ao normal s ˜ao trabalhosas.
3.7.1 INFER ˆENCIA POR SIMULAC¸ ˜AO DE CADEIAS DE MARKOV
O algoritmo conhecido como Cadeia de Markov Monte Carlo, ´e um m ´etodo de amostragem orientado que permite caracterizar uma distribuic¸ ˜ao de probabilidade sem o conhecimento pr ´evio das propriedades matem ´aticas da distribuic¸ ˜ao, ou seja, gera cada evento atrav ´es de uma mudanc¸a aleat ´oria no evento precedente. A junc¸ ˜ao da cadeia de Markov com o m ´etodo de Monte Carlo resulta na aplicac¸ ˜ao das proprieda- des de cada um dos m ´etodos, onde Monte Carlo ´e a pr ´atica de estimar as proprieda- des de uma distribuic¸ ˜ao a partir de amostras aleat ´orias da mesma. Uma cadeia de Markov, por sua vez, apresenta a ideia de que as amostras aleat ´orias s ˜ao geradas em um processo sequencial especial, onde cada amostra aleat ´oria ´e utilizada para obter a pr ´oxima amostra. Mesmo que cada nova amostra dependa da amostra anterior, amostras novas s ˜ao independentes de amostras anteriores `a anterior.
O m ´etodo Monte Carlo de cadeia de Markov - MCMC - ´e uma alternativa aos m ´etodos n ˜ao iterativos em problemas complexos, devido `a obtenc¸ ˜ao de uma amostra da distribuic¸ ˜ao a posteriori e ao c ´alculo de estimativas amostrais desta distribuic¸ ˜ao. A aplicac¸ ˜ao do MCMC ´e particularmente ´util na infer ˆencia bayesiana. A infer ˆencia bayesiana utiliza a informac¸ ˜ao fornecida pela observac¸ ˜ao dos dados de um conjunto de par ˆametros para atualizar um estado anterior de crenc¸as, obtendo um estado pos- terior de crenc¸a (probabilidade). Na pr ´oxima sec¸ ˜ao ser ´a apresentada a metodologia
4
METODOLOGIA
Para (HART, 1992), o desenvolvimento tecnol ´ogico de sistemas de detecc¸ ˜ao n ˜ao intrusiva do acionamento de cargas el ´etricas ´e uma pesquisa interdisciplinar que com- bina a teoria de sistemas de energia e a teoria da informac¸ ˜ao.
Os aspectos relacionados aos sistemas de energia tratam, fundamentalmente, da extrac¸ ˜ao das caracter´ısticas (“assinaturas”) observ ´aveis nos sistemas de medic¸ ˜ao. (HART, 1992), relaciona algumas assinaturas poss´ıveis:
Equipamento operando em estado estacion ´ario: • Frequ ˆencia fundamental
• Frequ ˆencia harm ˆonica • Corrente e tens ˜ao alternada • Corrente cont´ınua
Equipamento ligado ou desligado (transiente): • Transiente de corrente e tens ˜ao
• Ru´ıdo eletromagn ´etico
Outras assinaturas: • Repetibilidade • Sub-transientes
• Curva de operac¸ ˜ao caracter´ıstica
Agora, os sistemas de informac¸ ˜ao s ˜ao aplicados nos dois outros componentes do NILM, aquisic¸ ˜ao de dados e reconhecimento de carga (YU et al., 2016).
Normalmente os sistemas de aquisic¸ ˜ao s ˜ao instalados na entrada de energia e co- letam tens ˜ao, corrente e pot ˆencia. Para YU et al. (2016), a informac¸ ˜ao da corrente
instant ˆanea em func¸ ˜ao do tempo fornece a melhor informac¸ ˜ao a respeito do funcio- namento da carga, principalmente no instante de acionamento da mesma. A taxa de amostragem ir ´a variar de acordo com o conte ´udo harm ˆonico que se deseja captar. Normalmente n ˜ao ´e maior que 2 kHz (YU et al., 2016).
Existe um extenso n ´umero de algoritmos classificadores aplicados no reconheci- mento de cargas. A maior parte, sen ˜ao a totalidade, ´e referida no trabalho de (TA- BATABAEI; DICK; XU, 2017). A qualidade dos algoritmos ´e avaliada com o uso de datasets de refer ˆencia. Tais datasets s ˜ao bases de dados adquiridos usando moni- toramento intrusivo, como, por exemplo, a de MONACCHI et al. (2014), chamada GREEND. O mesmo autor apresenta outras bases (tabela 1 da p ´agina 512 do artigo). Cada uma dessas bases, entretanto, ´e adquirida em cen ´arios diferentes. Os dis- positivos considerados s ˜ao diferentes, os per´ıodos variam desde 24h at ´e per´ıodos anuais e as resid ˆencias s ˜ao habitadas pelas mais diversas configurac¸ ˜oes familiares. A diversidade dessas bases de dados e tamb ´em a baixa taxa de aquisic¸ ˜ao das mesmas resulta que a maioria dos pesquisadores da ´area faz uso de algoritmos classificadores autom ´aticos.
A excec¸ ˜ao ´e o trabalho de (MOSTAFAVI; COX, 2017) que apresenta uma rede bayesiana de crenc¸as muito simplificada. Eles, entretanto, n ˜ao usam nenhum dataset padr ˜ao e sim alguns dados experimentais de um ar condicionado e iluminac¸ ˜ao externa e interna.