Tese apresentada ao Programa de Pós-Graduação em Engenharia Elétrica da Universidade Federal do Pará para obtenção do título de Doutor em Engenharia Elétrica. Tese (Doutorado) - Universidade Federal do Pará, Instituto de Tecnologia, Programa de Pós-Graduação em Engenharia Elétrica, Belém, 2020.
DESCRIÇÃO GERAL DO PROBLEMA
Os sistemas NILM caracterizam-se por utilizar o sinal de consumo agregado, recebido por um medidor central, para obter o consumo individual do equipamento. Muitas dessas técnicas têm a desvantagem de utilizar diferentes parâmetros de consumo obtidos a partir de dados coletados em alta frequência, o que exige medidores caros e inviáveis para uso doméstico.
OBJETIVO GERAL
Essa abordagem não interfere na rotina dos moradores e custa menos que o monitoramento intrusivo de carga (ILM), pois não requer sensores para todos os dispositivos. As técnicas NILM baseiam-se em 4 passos fundamentais: i) detecção de eventos, que consiste em identificar os momentos, na carga agregada, em que o dispositivo altera o seu estado de funcionamento; ii) extração de características, que é o processo de obtenção de informações/modelos capazes de diferenciar o comportamento de um dispositivo de outro com base nos dados coletados; iii) identificação dos equipamentos, que consiste em utilizar as características extraídas para identificar os equipamentos em operação em determinado período e iv) compartilhamento de carga, quando é dividido o consumo dos equipamentos previamente identificados (RUANO et al., 2019). Levando em consideração a identificação dos equipamentos e o compartilhamento de carga, diferentes técnicas têm sido propostas na literatura, tais como: Transformada Discreta de Fourier (DORDEVIĆ; DIMITRIJEVIĆ; LITOVSKI, 2017);.
OBJETIVOS ESPECÍFICOS
Desenvolvimento de um sistema para realizar a decomposição da carga dos principais equipamentos domésticos através de integração numérica com base no sinal de consumo agregado fornecido pelo contador central. As importantes contribuições deste estudo são o desenvolvimento de um sistema capaz de utilizar um único parâmetro (potência consumida) para realizar as tarefas de extração de características, identificação de equipamentos e análise de carga em equipamentos com comportamentos operacionais diferentes e complexos, e o aproveitamento do consumo de energia. sinais. são coletados em baixa frequência, o que permite a utilização de hardware de baixo custo para medição do sinal de consumo e armazenamento dos dados processados.
ORGANIZAÇÃO DO TRABALHO
Desenvolvimento de um sistema baseado em rede neural perceptron multicamadas para identificação de equipamentos com base em características extraídas por um perceptron autoassociativo. Além disso, o estudo analisa a eficácia do uso de RNAA para extrair características ocultas dos dados de consumo de equipamentos para melhorar os resultados das tarefas de identificação e análise.
INTRODUÇÃO
A necessidade de reduzir e racionalizar o consumo de energia é uma preocupação global, por isso vários investigadores em todo o mundo têm procurado soluções tecnológicas para o problema, e entre as propostas de soluções destaca-se a monitorização de carga não intrusiva (NILM). ), que é uma metodologia que procura obter informação aprofundada (como o consumo individual dos equipamentos) sobre o consumo de energia eléctrica das habitações, ou de outros tipos de instalações, através da análise da carga total obtida por um contador central (geralmente com capacidade alargada, também conhecida como Smart Meter), sem entrar nas instalações, com o objetivo de permitir uma utilização mais consciente dos equipamentos residenciais e industriais e a consequente melhoria da eficiência energética global. Na Figura 2.1, parte superior, são apresentados exemplos de carga total obtida de um medidor central, e na parte inferior, cargas isoladas do equipamento.
AQUISIÇÃO DO SINAL
Medidores de energia de baixa frequência
(ZOHA et al., 2012) afirmam que para obter harmônicos de sinais elétricos de alta ordem, a taxa de amostragem do medidor deve atender ao critério de amostragem de Nyquist Shannon, ou seja, com uma frequência um pouco mais alta, como por exemplo 600 Hz, múltiplo de a frequência fundamental 60Hz. Os medidores de baixa frequência são de baixo custo, mas oferecem funcionalidade limitada, pois são equipados com conversores A/D de baixa resolução e chips de memória com pouca capacidade de armazenar resultados após diversas operações (ARMEL et al., 2013; HOSSEINI et al. , 2017).
Medidores de energia de alta frequência
Para (PARSON, 2014), medidores de baixa frequência são aqueles que trabalham com frequência de amostragem inferior a 1 Hz, e os medidores inteligentes desta categoria geralmente reportam dados coletados em casa em intervalos de 10 segundos. Medições tradicionais, como potência real, potência reativa, tensão e corrente, podem ser feitas em frequências mais baixas, como 120 Hz, e devem ser enviadas ao servidor por meio de placas de interface de rede ou processadas dentro do medidor, embora muitos medidores residenciais possam coletar dados de alta frequência. dados, para que possam receber e enviar dados acima de 5 KHz é necessário realizar alterações no hardware do medidor (ARMEL et al., 2013).
Os medidores de energia do Brasil
As ações previstas para o projeto centram-se nas áreas de telecomunicações e controlo; geração de energia inteligente; gestão inteligente de energia; armazenamento inteligente de energia; iluminação pública inteligente; de veículos inteligentes; dos edifícios inteligentes e da sensibilização e informação dos consumidores. As ações previstas para o projeto estão divididas em cinco temas: Plataforma Smart Grid, Gestão Otimizada da Rede Subterrânea, Gestão Otimizada da Rede Aérea, Gestão de Energia do Lado da Demanda e Gestão de Recursos Renováveis, Armazenamento Distribuído e Veículos Elétricos Recarregáveis.
DETECÇÃO DE EVENTOS
Abordagens Tradicionais Baseadas em Eventos
Após uma extensa revisão da literatura sobre NILM, (ANDERSON et al., 2012) classificou as abordagens baseadas em eventos em 3 categorias: heurísticas especializadas, modelos probabilísticos e filtros casados. LUO et al., 2002) utilizaram em seu estudo a Taxa de Vizinhança Generalizada (GLR), que calcula uma decisão estatística do logaritmo natural da taxa de distribuições de probabilidade antes e depois da mudança na média, o que requer que os parâmetros sejam calibrados offline (tamanho da janela deslizante, variância e limite para estatísticas de detecção).
Limitações das Abordagens Tradicionais Baseadas em Eventos
Heurística especializada: Esta abordagem inclui o trabalho de (HART, 1992), que primeiro usou mudanças de estilo de passo no sinal de potência para identificar equipamentos. Um evento associado ao equipamento geralmente está relacionado a um salto de potência/borda, que é identificado por métodos de detecção de eventos, conforme mostrado na Figura 2.8.
EXTRAÇÃO DE CARACTERÍSTICAS E ASSINATURAS DE EQUI-
Assinaturas Baseadas em Eventos de Estado Estacionário
Para (WONG; SEKERCIOGLU et al., 2013; ZOHA et al., 2012) a abordagem de Hart não é eficiente no caso de cargas variáveis e estados múltiplos. Esta abordagem requer hardware adicional, nem todos os dispositivos possuem SMPS e o desempenho pode ser afetado pela arquitetura de fiação do ambiente (ZOHA et al., 2012).
Assinaturas Baseadas em Eventos Transitórios
Para Figueiredo (FIGUEIREDO, 2013), a principal vantagem desta abordagem é que o comportamento transitório está relacionado ao funcionamento interno do dispositivo, sendo capaz de distinguir entre diferentes dispositivos com comportamento em estado estacionário semelhante. PATEL et al., 2007; GUPTA; REYNOLDS; PATEL, 2010) utilizou amostragem de alta frequência de ruído de tensão proveniente de transientes, que são enviados de volta para a linha principal por dispositivos, como aqueles equipados com SMPS, que geram interferência eletromagnética. AGYEMAN; HAN; HAN, 2015) utilizou harmônicos de corrente, características de estado transitório, juntamente com potência real e reativa, características de estado estacionário, para identificar dispositivos e grupos individuais para um sistema de monitoramento residencial NILM em tempo real.
Assinaturas alternativas
SUZUKI et al., 2008) propuseram o uso de formas de onda brutas como características do dispositivo, uma abordagem que não é muito clara, uma vez que as características geralmente apresentam melhor robustez que os sinais brutos. Para (ZOHA et al., 2012) a grande vantagem desta abordagem é que não requer treinamento ou supervisão.
TÉCNICAS PARA IDENTIFICAÇÃO DE EQUIPAMENTOS E DE-
Técnicas Supervisionadas para Identificação de equipamentos
- Métodos de Otimização
- Métodos de reconhecimento de Padrões
Em (ROTTONDI et al., 2019) os autores aplicaram programação quadrática; em (DASH; SODHI; SODHI, 2021) os autores aplicaram toda a programação. Porém, 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).
Técnicas Semi supervisionadas e Não-Supervisionadas para Identifica-
O Capítulo 3 dará mais ênfase ao uso de redes neurais para identificar equipamentos e desagregar cargas no NILM. DAIA; LEE, 2016) aplicou um HSMM Fatorial (FHMM) para a desagregação de cargas, levando em consideração as interações mútuas dos equipamentos e incorporando informações sobre as interações nas representações FHMM dos dados agregados.
BANCOS DE DADOS PÚBLICOS PARA NILM
As bases de dados acima são descritas abaixo e as bases de dados REDD e UK-DALE são descritas com mais detalhes. As categorias de equipamentos que fazem parte da base de dados REDD por local de residência estão listadas na tabela.
INTRODUÇÃO
- O NEURÔNIO ARTIFICIAL
- REDES NEURAIS MULTICAMADAS
- O APRENDIZADO DA REDE NEURAL
- O Algoritmo Backpropagation
- GENERALIZAÇÃO
Na aprendizagem competitiva, os neurônios de saída da rede competem entre si para se tornarem ativos. Average ErrorEmed é uma função de custo a ser minimizada e depende dos pesos e parâmetros de polarização da rede.
REDES NEURAIS AUTO-ASSOCIATIVAS
REDES NEURAIS AUTO-ASSOCIATIVAS APLICADAS AO PRO-
Redes neurais auto-associativas (RNA) para extração de características têm sido aplicadas em diversas áreas do conhecimento. LIN; TSAI, 2010) propôs um método para extração de características e identificação de equipamentos que utiliza uma rede neural com algoritmo de retropropagação.
INTRODUÇÃO
Módulo para detecção de eventos
O processo de detecção de eventos consiste em analisar o sinal de consumo de energia do dispositivo e detectar os momentos em que o dispositivo altera seu estado funcional. Este módulo é baseado na abordagem de detecção de eventos apresentada em (HART, 1992; LIN; TSAI, 2015) e analisa mudanças nos níveis de intensidade do sinal.
Módulo para identificação de equipamentos baseado em redes neurais
- Modelo 1 (MD1) - Baseado em RNAA e MLP
- Modelo 2 (MD2) - Sem RNAA
As saídas da camada oculta do RNAA,y, são as características esparsas que podem melhor representar o comportamento do equipamento e são descritas por (3.13). 2 é a função de ativação, Wok é a matriz de pesos e bo é o vetor de polarização da camada de saída.
Desagregação de cargas e integração numérica
Após o treinamento, os nós das camadas ocultas conterão características de dimensão superior àquelas fornecidas como entrada para a rede. Cada nó na camada oculta k e na camada de saída o do MLP possui saídas calculadas a partir das equações (4.3) e (4.4).
CONFIGURAÇÃO EXPERIMENTAL
- Bancos de dados
- Categorias de equipamentos
- Arquiteturas de redes neurais artificiais
- MD1
- MD2
- Métricas de avaliação
RNA e MLP foram treinados alterando o número de neurônios na camada oculta (de 3 para 300) e o tipo de função de ativação (logística sigmóide, tangente hiperbólica, linear). Este MLP possui uma camada oculta com 101 nós, e a camada de saída possui 7 neurônios, igual ao número de dispositivos a serem identificados.
RESULTADOS EXPERIMENTAIS
Cenário 1 - Teste da classificação
A matriz de confusão na Figura 4.12 apresenta o desempenho do MD1 usando dados de teste do UK-DALE. A matriz de confusão na Figura 4.13 mostra o desempenho do MD2 com base nos dados de teste do UK-DALE.
Cenário 2 - Teste da desagregação
Para confirmar que os valores estimados pelo sistema proposto possuem uma alta aproximação do valor real do consumo, foi calculada e comparada a métrica Energia Corretamente Atribuída (CAE), que representa a energia corretamente decomposta. Os resultados apresentados mostram que o sistema proposto possui alto desempenho na tarefa de separação, alcançando CAE de 0,965 e 0,842 para MD1 e MD2 respectivamente, utilizando dados de 7 dispositivos REDD, valores superiores ao CAE obtido por (KONG et al. . ., 2016; ZHAO; STANKOVIC; STANKOVIC, 2016; AIAD; . LEE, 2016; JOHNSON; WILLSKY, 2013) e CAE de 0,961 e 0,921 para MD1 e MD2, respectivamente, usando dados dos valores de UKDALE compactável em 7 CAEs obtidos de (KELLY, 2017) que utiliza apenas cinco equipamentos para realizar a separação.
CONCLUSÕES
Abordagens de redes neurais artificiais, como a proposta neste estudo, diferentemente dos HMMs, tratam as variáveis como background, recuperando as características específicas do equipamento a partir do sinal de potência agregado enquanto extrai o alvo. O sistema proposto neste estudo, diferentemente de outras abordagens, utiliza apenas uma RNA com uma única camada oculta para extrair as características de todos os dispositivos, e um MLP com uma única camada oculta para identificá-los, o que o torna computacionalmente menos complexo.
SUGESTÕES DE TRABALHOS FUTUROS
In: PROCEEDINGS of the 5th International Conference on Advances in Power System Control, Operation and Management, APSCOM 2000.
TESTES NÃO PARAMÉTRICOS
O teste de Ansari-Bradley é utilizado para testar a hipótese nula de que as funções de distribuição de duas populações correspondentes a duas amostras de dados são idênticas contra a hipótese alternativa de que diferem de acordo com a distribuição (escala) (CONOVER, 1980; . SACHS, 1984). O teste de mediana de Mood é um teste não paramétrico utilizado para testar a igualdade das medianas de duas ou mais populações (CONOVER, 1980; SACHS, 1984).
ESTATÍSTICAS DESCRITIVAS
AUTOMATED NON-INTRUSIVE LOAD MONITORING SYSTEM
