Técnicas Supervisionadas para Identificação de equipamentos

As técnicas supervisionadas para classificação de equipamentos podem ser dividi-das entre métodos de otimização e métodos de reconhecimento de padrões. Esse tipo de abordagem exige dados rotulados para que o treinamento possa ser realizado e o classi-ficador seja capaz de reconhecer as operações dos equipamentos do sinal agregado, além

do que há a necessidade de configuração de parâmetros iniciais que geram custo e exigem grande esforço humano (ZOHA et al., 2012). Entre as diversas técnicas supervisionadas utilizadas para resolver problemas de NILM incluem-se: Redes Neurais Artificial (RNA), Máquinas de Vetores de suporte (SVM), Classificador Naive Bayes e K-Nearest Neighbour (KNN), entre outros (WONG; SEKERCIOGLU et al.,2013).

2.5.1.1 Métodos de Otimização

Os métodos baseados em otimização como os utilizados nos trabalhos de (HART, 1992; BARANSKI; VOSS, 2003, 2004a, 2004b; SUZUKI et al., 2008; LIANG; NG; KEN-DALL G. E CHENG, 2010; ROTTONDI et al., 2019; DASH; SODHI; SODHI, 2021) buscam uma combinação ótima de equipamentos que minimize a diferença entre a soma das potências dos equipamentos previstos e o sinal oriundo do medidor, ou seja, os diver-sos equipamentos são comparados simultaneamente com as características detectadas em um período de tempo (ZEIFMAN; ROTH, 2011; BATRA et al., 2014). Essa abordagem é adequada para um número pequeno de equipamentos, pois a complexidade aumenta exponencialmente com o número de equipamentos.

(ZOHA et al., 2012) aponta que apesar de serem computacionalmente custosas e também sensíveis a equipamentos com cargas similares ou com assinaturas sobrepostas, diversas abordagens de otimização têm sido alvo de pesquisas, como programação inteira e algoritmos genéticos que podem ser vistas nos trabalhos de (BARANSKI; VOSS, 2003, 2004b;LIANG; NG; KENDALL G. E CHENG, 2010;SUZUKI et al., 2008;ROTTONDI et al., 2019; DASH; SODHI; SODHI, 2021).

(ROTTONDI et al.,2019; DASH; SODHI; SODHI,2021) propuseram abordagens baseadas em otimização para a desagregação de carga dos principais equipamentos elé-tricos das residências. Em (ROTTONDI et al., 2019) os autores aplicaram programação quadrática; em (DASH; SODHI; SODHI, 2021) os autores aplicaram programação intei-ra. Ambos usaram dados de frequência ultrabaixa (resolução de 10 a 15 minutos) e seus resultados foram pobres em comparação com estudos que usam dados de baixa e alta frequência.

2.5.1.2 Métodos de reconhecimento de Padrões

As abordagens que envolvem reconhecimento de padrões são as mais utilizadas nos estudos sobre desagregação de carga e utilizam bancos de dados de equipamentos que contém assinaturas específicas que são usadas para definir a estrutura e os parâmetros do algoritmo de reconhecimento (ZOHA et al.,2012). Segundo (WONG; SEKERCIOGLU et al.,2013) entre os métodos de reconhecimento de padrões utilizados em NILM encontram-se as máquinas de vetores de suporte (SVM) tratadas nos trabalhos de (FIGUEIREDO;

ALMEIDA; RIBEIRO,2011;LI; WEST; PLATT,2012); os classificadores naive tratados nos estudos de (MARCHIORI; HAN, 2009), K-nearest neighbour (KNN) abordados em (FIGUEIREDO; ALMEIDA; RIBEIRO,2011;RAHIMI; CHAN; GOUBRAN,2012;

GUP-TA; REYNOLDS; PATEL, 2010; BERGES; GOLDMAN; MATTHEWS; SOIBELMAN;

ANDERSON, 2011); além das redes neurais artificiais (RNA) que podem ser vistas nos trabalhos de (ROOS et al.,1994; YOSHIMOTO et al., 2000; SRINIVASAN; NG; LIEW, 2006; CHANG; YANG; LIN, 2008; CHANG; LIN; LEE,2010).

(HART, 1992) propôs uma abordagem baseada em cluster que utilizava o plano

2D formado por P eQ, onde se encontrariam os clusters dos equipamentos. As mudanças de estado estacionário do sinal elétrico seriam então mapeadas para o espaço das caracte-rísticas, e o pertencimento de determinado equipamento a um determinado cluster seria analisado com base na distância do vetor de características. No entanto, a simplicidade do algoritmo não permite o reconhecimento de cargas com características P-Q sobrepostas e sensibilidade a variações lentas de potência (ZOHA et al., 2012). Para solucionar essas questões, estudos posteriores como os de (FARINACCIO; ZMEUREANU, 1999; COLE;

ALBICKI, 1998; BERGES; GOLDMAN; MATTHEWS H. S.AND SOIBELMAN, 2009;

BERGES et al.,2010) estenderam o método de Hart.

(FARINACCIO; ZMEUREANU,1999) usaram mecanismos de filtro e suavização para tratar as variações de potência e valores de potência real como característica para detectar o equipamento ao invés das mudanças no consumo de potência; no entanto, a abordagem exige treinamento excessivo e considera apenas cargas de potência elevada. Já (LAUGHMAN et al.,2003) acrescentaram as mudanças do terceiro harmônico, formando

um espaço de características tridimensional (3D) ao invés do plano P-Q.

(MARCHIORI et al., 2011) usou a abordagem probabilística de Bayes para de-tectar os estados mais prováveis dos equipamentos, utilizou informações de mudança de estado e potência ativa. Um classificador Nayve Bayes é treinado para cada equipamento e usado para reconhecer estados de equipamentos específicos contidos no sinal agregado.

Uma limitação da abordagem é que ela considera que os estados dos equipamentos são independentes, o que nem sempre é verdadeiro, como é o caso do uso de TV e DVD player.

(BERGES; GOLDMAN; MATTHEWS H. S.AND SOIBELMAN, 2009;BERGES et al., 2010; GUPTA; REYNOLDS; PATEL, 2010) propuseram o uso do algoritmo de clusterização não paramétrico K-nearest neighbour, utilizando como medida de vizinhança a distância euclidiana entre os vetores de características para associar os equipamentos aos clusters, e obtiveram acurácia de classificação de cerca de 90%.

Para (FIGUEIREDO, 2013) a SVM, modelo baseado em Kernel, é um método bem sucedido para desagregação de carga. De forma geral, a SVM é uma máquina de decisão, desenvolvida inicialmente para solucionar problemas de classificação, que prevê rótulos de exemplos de entrada baseando-se na projeção desses exemplos em um hiperpla-no de decisão. Os trabalhos de (SRINIVASAN; NG; LIEW, 2006; LIN; LEE et al.,2010) obtiveram bom desempenho utilizando SVM com assinaturas harmônicas e características de baixa frequência. Já (LAI et al., 2013) propuseram um modelo híbrido de SVM e Mo-delo de Misturas Gaussianas (GMM) onde o GMM é usado para descrever a distribuição das formas de onda de corrente e encontrar similaridade de potência, e a SVM realiza a classificação das características extraídas.

Para (LIN; LEE et al., 2010; ZEIFMAN; ROTH, 2011) os algoritmos de desagre-gação podem obter melhor desempenho quando informações temporais são combinadas com os valores de potência real. Assim, técnicas capazes de incorporar informações tem-porais em seu treinamento, como as redes RNA’s e os modelos Hidden Markov (HMM) têm apresentado bom desempenho.

Os HMM são ferramentas estatísticas baseadas em cadeias de Markov que criam modelos probabilísticos para sequências de observações de variáveis discretas que emitem variáveis contínuas, e consistem basicamente em uma sequência de variáveis aleatórias, onde cada variável é dependente somente da variável imediatamente anterior

(FIGUEI-REDO, 2013; PARSON, 2014). No NILM a sequência discreta de observações (leituras de potência agregada) são usadas para determinar a sequência de estados de operação de cada equipamento (PARSON, 2014). O trabalho de (ZIA; BRUCKNER; ZAIDI,2011) u-tilizou HMM para realizar a classificação de equipamentos em NILM. (ZOHA et al.,2012) apontam que a complexidade dos HMM aumenta exponencialmente com o aumento do número de equipamentos alvo, limitando sua aplicabilidade, além de que a inclusão de um novo equipamento exige que o modelo seja treinado novamente.

Diversos pesquisadores utilizaram as RNA’s para classificação de carga, entre eles destacam-se os trabalhos de (ROOS et al.,1994;YOSHIMOTO et al.,2000;SRINIVASAN;

NG; LIEW,2006; CHANG; YANG; LIN,2008; CHANG; LIN; LEE,2010;RUZZELLI et al.,2010). Entre as motivações para o uso das RNA’s para NILM são citadas a capacidade das RNA’s de manipular qualquer tipo de carga, a facilidade de aumentar o número de entradas, a capacidade de melhorar o desempenho através de feedback do usuário e a capacidade de lidar com múltiplos estados de equipamentos simultâneos (RUZZELLI et al.,2010). No capítulo 3 será dado mais destaque ao uso de redes neurais para identificação de equipamentos e desagregação de cargas em NILM.

Diversos algoritmos supervisionados utilizados para a tarefa de classificação do NILM têm sido pesquisados nas últimas décadas, enquanto alguns alcançam elevado de-sempenho mesmo em condições adversas, como no caso da presença de assinaturas de cargas desconhecidas, outros falham mesmo em condições favoráveis (ZOHA et al.,2012).

Os trabalhos de (LIANG; NG; KENDALL G. E CHENG, 2010; LIANG et al., 2010b;

DONG; WANG; LU,2013) propuseram a combinação de diversos algoritmos e caracterís-ticas de equipamentos através do uso de mecanismos de decisão de comitê (CDM), para que o desempenho seja melhorado. Nessa abordagem, a decisão final do método de iden-tificação de carga é computada pelo CDM, de forma que a decisão do comitê é baseada na combinação das opiniões de vários especialistas, ou métodos de classificação, através da aplicação de uma função criada para este fim (FIGUEIREDO, 2013).

2.5.2 Técnicas Semi supervisionadas e Não-Supervisionadas para Identificação de