2.1 Detecção de Eventos
2.1.3 Avaliação dos Métodos de Detecção
2.1.3.2 Sintonia de Parâmetros dos Métodos de Detecção de Eventos
Os métodos de detecção de eventos presentes na literatura (Transição de Borda de Hart, Transição de Borda de Dong, Transição de Borda de Monzani, Transitórios de Partida de Sultanem) e os novos métodos propostos (Janela com Margens, Amostra Deslocada, Máximos de Desvio Padrão, Máximos de Variância) foram aplicados a três bases de dados, UFES, UK-DALE e LVNS. Para a base UFES todos os eventos foram anotados e foram usados os 4 dias de medição para avaliar a detecção, totalizando 252 eventos. Para a base de dados UK-DALE o dia 04 de novembro de 2011 da residência número 1 foi usado. Para as cargas da Tabela 4 as medições individuais de potência ativa foram visualmente inspecionadas para se decidir quando ocorreram os eventos de forma a gerar um gabarito para se avaliar a detecção. As demais cargas foram ignoradas por terem consumo inferior a 4% do total ou por não terem mudado de estado durante o dia em análise. Foram registrados 184 eventos no gabarito. Para a base de dados LVNS foi simulada uma casa com poucas cargas, mostradas na Tabela 5. Foram registrados 428
eventos no gabarito. Esse número elevado acontece devido a forma de funcionamento da Fogão Elétrico que continuamente liga e desliga para controlar a temperatura.
Tabela 4 – Principais Cargas Elétricas da Residência número 1 da base de dados UK- DALE no dia 04 de novembro de 2011
Carga 1 Lavadora Secadora 2 Lava-louças 3 Televisão 4 HTPC 5 Chaleira 6 Freezer 7 Microondas
Tabela 5 – Cargas Elétricas da Residência simulada com LVNS Carga 1 Lâmpada Incandescente 1 2 Lâmpada Incandescente 2 3 Computador de mesa 4 Monitor de computador 5 Fogão Elétrico
Como pode ser visto nas Figuras 12, 13 e 14, antes da sintonia os resultados para todos os métodos era inferior. Isso mostra que a sintonia de parâmetros é importante para a melhoria dos resultados das metodologias NILM. A Tabela 6 mostra que os parâmetros obtidos para um método são drasticamente diferentes de uma base de dados para outra.
Tabela 6 – Parâmetros encontrados na Sintonia dos Métodos de Detecção de Eventos Dataset
UFES UKDALE LVNS
Método de Detecção Parâmetro
SS AG SS AG SS AG
Ds 97 98 493 349 10 11
Transição de Borda de Monzani
Ru 12 13 4 1 18 19
Ds 27 51 190 200 4 6
Máximos de Desvio Padrão
Wd 66 28 38 39 10 11
Transição de Borda de Dong Ds 356 360 392 395 18 19
Transitórios de Partida de Sultanem Ds 100 101 417 417 18 19
Ds 3680 3239 608 975 200 198 Máximos de Variância Wd 28 22 4 5 6 11 Ds 85 72 86 89 100 17 Wd 35 17 45 42 51 17 pNm 29 32 29 38 30 50 Wf 31 17 15 19 15 14
Janela com Margens
pNmf 42 43 20 10 34 41
Transição de Borda de Hart Ds 256 261 406 406 18 21
Ds 85 76 198 82 13 12
Wf 10 20 50 42 20 29
pNmf 40 45 22 46 45 39
Amostra Deslocada
Cg 6 6 1 4 1 5
Outro aspecto que fica claro é que a sintonia por AG geralmente retorna resultados melhores do que a SS. As duas únicas exceções foram para o método de Monzani em UFES e para o método de Sultanem em LVNS, onde os desempenhos são ligeiramente inferiores para a sintonia com AG. Contudo, como pode ser visto na Tabela 7 a sintonia por AG requer muito mais tempo que a SS desta forma aquela abordagem não é indicada para situações que se deseja agilidade na sintonia.
Transição de Borda de Dong Transição de Borda de Hart
Máximos de Variância
Transição de Borda de Sultanem Transição de Borda de Monzani
Máximos de Desvio Padrão
Janela com Margens Amostra Deslocada
0.0 0.2 0.4 0.6 0.8
F1 score
Antes da Sintonia Sintonia Simples Sintonia com AGFigura 12 – F1 score para os métodos de detecção quando aplicados a base de dados UFES.
Máximos de Variância
Transição de Borda de Dong Transição de Borda de Hart
Transição de Borda de Monzani
Máximos de Desvio Padrão
Transição de Borda de Sultanem
Amostra Deslocada Janela com Margens
0.00 0.05 0.10 0.15 0.20 0.25 0.30 0.35 0.40 F1 score Antes da Sintonia Sintonia Simples Sintonia com AG
Figura 13 – F1 score para os métodos de detecção quando aplicados a base de dados UK-DALE.
Máximos de Desvio Padrão
Máximos de Variância Amostra Deslocada Janela com Margens
Transição de Borda de Sultanem
Transição de Borda de Dong Transição de Borda de Hart
Transição de Borda de Monzani
0.0 0.2 0.4 0.6 0.8 1.0
F1 score
Antes da Sintonia Sintonia Simples Sintonia com AGFigura 14 – F1 score para os métodos de detecção quando aplicados a base de dados LVNS.
Tabela 7 – Tempo de execução para a sintonia de parâmetros dos métodos de detecção. Dataset
UFES UKDALE LVNS
Método de Detecção SS AG SS AG SS AG
Transição de Borda de Monzani 0:10:51 1:04:54 0:01:51 0:09:23 0:05:04 0:30:57 Máximos de Desvio Padrão 0:17:31 3:20:07 0:10:23 1:56:17 0:23:07 4:34:25 Transição de Borda de Dong 0:07:18 1:04:07 0:01:08 0:09:33 0:03:16 0:31:03 Transitórios de Partida de Sultanem 0:07:12 1:05:13 0:01:07 0:09:26 0:03:10 0:30:10 Máximos de Variância 1:00:56 3:03:53 0:32:51 1:42:25 1:16:44 4:09:53 Janela com Margens 0:32:38 2:53:44 0:18:13 1:35:31 0:50:59 4:44:17 Transição de Borda de Hart 0:06:46 1:03:38 0:01:06 0:09:22 0:03:08 0:30:11 Amostra Deslocada 0:10:04 1:04:30 0:01:32 0:10:33 0:01:50 0:12:38
A Figura 15 foi organizada de forma que os métodos são organizados da maior para a menor média de 𝐹1. Sendo assim o método Janela com Margens consegue obter
uma melhor relação de compromisso entre as diferentes base de dados, evitando resultados inferiores.
Transição de Borda de Dong
Máximos de Variância
Transição de Borda de Sultanem
Transição de Borda de Hart Máximos de Desvio Padrão
Transição de Borda de Monzani
Amostra Deslocada Janela com Margens
0.0 0.2 0.4 0.6 0.8 1.0
F1 score
UK-DALE Sintonia Simples UK-DALE Sintonia com AG UFES Sintonia Simples UFES Sintonia com AG LVNS Sintonia Simples LVNS Sintonia com AG
Figura 15 – F1 score para os métodos de detecção aplicados a diferentes bases de dados e com diferentes métodos de sintonia.
2.1.3.3 Conclusões sobre os Novos Métodos de Detecção de Eventos
O método Janela com Margens pode alcançar maiores taxas de sucesso na detec- ção de eventos, enquanto o Amostra Deslocada apresenta baixa complexidade e requer um menor esforço computacional. O método Janelas com Margens levou em torno de 6 segundos para analisar as curvas de cargas, enquanto o Amostra Deslocada levou cerca de 3 segundos.
Os dois métodos baseados em medidas de dispersão, quando comparados com os métodos Janela com Margens e Amostra Deslocada, se mostram em certa desvantagem. Quando se analisa o quesito taxa de acerto, a taxa do Janela com Margens é superior que as dos dois métodos baseados em medidas de dispersão. Quando se analisa o tempo computacional o método de Amostra Deslocada é muito mais rápido, sua execução levou em torno de 3s, o que é muito inferior aos 22,17 s que a execução mais rápidas dos dois métodos baseados em medidas de dispersão obtiveram. Dos quatro métodos o Janela com Margens é o que apresenta a melhor relação entre taxa de acerto e custo computacional. Para mais detalhes sobre os métodos baseados em medidas de dispersão deve se consultar (AZZINI et al., 2014b) e (AZZINI et al., 2014a).
2.2
Reconhecimento
Após os eventos terem sido detectados os eventos, as suas assinaturas são extraí- das para serem usadas na abordagem de reconhecimento escolhida. As assinaturas são características específicas usadas para afirmar se um evento é diferente ou semelhante aos eventos de uma determinada carga. Como afirmado no início deste capítulo, as assinaturas podem ser subdivididas em microscópicas, macroscópicas e não elétricas. As assinaturas microscópicas estão relacionadas a forma de onda do sinal e por isso podem ser referentes a amplitude, a fase ou a distorção harmônica. As assinaturas macroscópicas são valores integralizados das tradicionais grandezas elétricas, sendo o período de integração escolhido de acordo com a aplicação desejada. As assinaturas macroscópicas incluem a maioria das métricas de potência tradicionais, transitórios de partidas, sequência de funcionamento e tendências de comportamento.As assinaturas não elétricas referem-se as características do funcionamento das cargas que não são medidas diretamente com instrumentos clássicos de medição.
O reconhecimento pode se valer de apenas uma assinatura ou de combinações de assinaturas. As combinações geralmente produzem um melhor desempenho dos algoritmos de reconhecimento, contudo um conjunto de assinaturas aumenta a dimensionalidade do problema e consequentemente o custo computacional. Assim, deve-se ter o cuidado de não se usar métricas que são linearmente dependentes umas das outras, como corrente eficaz e potência aparente, pois o custo computacional seria aumentado sem grandes incrementos na diferenciação das cargas.
O primeiro método de NIALM foi desenvolvido em MIT em 1980s (HART, 1992). Neste trabalho as cargas foram reconhecidas usando as mudanças de potência real / reativa como características. A Figura 16 apresenta o plano formado pelas variações de potência ativa e reativa que ocorrem no momento do evento. Neste plano formado, vários algoritmos de reconhecimento podem ser aplicados para ser detectar a qual carga pertence cada evento.
O reconhecimento de eventos pode ser feito com a aprendizagem de máquina super- visionada, não supervisionada e computação suave (MAIMON, 2010). Para o aprendizado supervisionado, usa-se o termo Classificação: baseado em eventos já rotulados anterior- mente, um classificador prediz o rótulo de qual carga o novo evento deve receber. A abordagem supervisionada precisa do conjunto de eventos previamente rotulados, que é chamado de conjunto de dados de treinamento. Ou seja, é necessário um conjunto de dados onde são registrados os valores padrões das assinaturas das cargas de interesse, durante a classificação do evento, as assinaturas do novo evento são comparadas com as do conjunto de dado do treinamento, o evento então recebe o rótulo da carga que tiver assinaturas mais semelhantes a dele. O aprendizado não supervisionado é chamado Agru- pamento: eventos semelhantes são agrupados, onde cada grupo representa uma carga. A
Figura 16 – O plano formado pelos deltas de potências ativa e reativa dos eventos. Imagem obtida de (HART, 1992).
abordagem não supervisionada não usa um conjunto de dados de treinamento, uma vez que faz apenas o agrupamento de semelhantes. Todos os eventos tem suas assinaturas comparadas de forma que as assinaturas mais semelhantes formem grupos. A computação suave consiste de uma coleção de metodologias que visam explorar a tolerância com a imprecisão e a incerteza para obter soluções tratáveis, robusta e com baixo custo (ZA- DEH, 1994), os seus principais constituintes são a lógica fuzzy, a neurocomputação e o raciocínio probabilístico.
O reconhecimento de eventos apresenta alguns desafios. Como bem é afirmado em (ZEIFMAN; ROTH, 2011), ainda não foi encontrada uma solução que se adapte adequadamente a todos os tipos de cargas presentes numa residência. Também ainda não se definiu uma assinatura, ou uma combinação de várias, que seja amplamente aceita. Isso porque ainda não se encontrou uma assinatura que permita, ao mesmo tempo, um reconhecimento de eventos robusto, preciso e adaptável. Além destes problemas gerais pode se citar ainda alguns problemas específicos:
a) Algumas assinaturas exigem alta taxa de amostragem, o que implica em grande espaço para armazenamento e maior esforço computacional;
b) Alguns algoritmos são complexos, pois muitas cargas possuem assinaturas seme- lhantes;
c) O modo de espera de certos equipamentos acarreta em ruído, o que dificulta o reconhecimento;
e) Distorção da tensão em cargas não lineares, a qual influencia na assinatura de cor- rente, ocasionando problemas com a qualidade de energia (EGUILUZ et al., 2000). Assim sendo o reconhecimento de eventos é uma tarefa importante, com grandes desafios e que pode trazer bons resultados se bem executada. Desta forma decidiu-se testar diferentes algoritmos de reconhecimento além do K-means e ISODATA usados em (AZZINI, 2012a).