Sistema de monitoramento de cargas residenciais usando informações on-off e modelos de consumo

FACULDADE DE ENGENHARIA ELÉTRICA E DE COMPUTAÇÃO

hader aguiar dias azzini

SISTEMA DE MONITORAMENTO DE CARGAS RESIDENCIAIS

USANDO INFORMAÇÕES ON-OFF E MODELOS DE CONSUMO

Campinas

2017

SISTEMA DE MONITORAMENTO DE CARGAS

RESIDENCIAIS USANDO INFORMAÇÕES ON-OFF E

MODELOS DE CONSUMO

Tese apresentada à Faculdade de Engenha-ria Elétrica e de Computação da Universi-dade Estadual de Campinas como parte dos requisitos exigidos para a obtenção do título de Doutor em Engenharia Elétrica, na Área de Energia Elétrica.

Orientador: Prof. Dr. Luiz Carlos Perreira da Silva

Este exemplar corresponde à versão final da tese defendida pelo aluno Hader Aguiar Dias Azzini, e ori-entada pelo Prof. Dr. Luiz Carlos Perreira da Silva

Campinas

2017

Ficha catalográfica

Universidade Estadual de Campinas Biblioteca da Área de Engenharia e Arquitetura

Luciana Pietrosanto Milla - CRB 8/8129

Azzini, Hader Aguiar Dias,

Az96s AzzSistema de monitoramento de cargas residenciais usando informações on-off e modelos de consumo / Hader Aguiar Dias Azzini. – Campinas, SP : [s.n.], 2017.

AzzOrientador: Luiz Carlos Pereira da Silva.

AzzTese (doutorado) – Universidade Estadual de Campinas, Faculdade de Engenharia Elétrica e de Computação.

Azz1. Energia - Consumo. 2. Energia - Medição. 3. Automação residencial. 4. Mineração de dados. 5. Eficiência energética. I. Silva, Luiz Carlos Pereira da, 1972-. II. Universidade Estadual de Campinas. Faculdade de Engenharia Elétrica e de Computação. III. Título.

Informações para Biblioteca Digital

Título em outro idioma: Residential load monitoring system using on-off information and

comsuption patterns Palavras-chave em inglês: Energy - Consumption Energy - Monitoring Home automation Data mining Energy efficiency

Área de concentração: Energia Elétrica Titulação: Doutor em Engenharia Elétrica Banca examinadora:

Luiz Carlos Pereira da Silva [Orientador] Osvaldo Ronald Saavedra Mendez Marco Antonio Saidel

Leandro Tiago Manera Madson Cortes de Almeida

Data de defesa: 06-12-2017

Programa de Pós-Graduação: Engenharia Elétrica

Candidato: Hader Aguiar Dias Azzini RA: 151570 Data da Defesa: 06 de dezembro de 2017

Título da Tese: “Sistema de Monitoramento de Cargas Residenciais Usando Informações On-Off e Modelos de Consumo”.

Prof. Dr. Luiz Carlos Pereira da Silva (Presidente, FEEC/UNICAMP) Prof. Dr. Osvaldo Ronald Saavedra Mendez (DEE/UFMA)

Prof. Dr. Marco Antonio Saidel (POLI/USP)

Prof. Dr. Leandro Tiago Manêra (FEEC/UNICAMP) Prof. Dr. Madson Cortes de Almeida (FEEC/UNICAMP)

A ata de defesa, com as respectivas assinaturas dos membros da Comissão Julga-dora, encontra-se no processo de vida acadêmica do aluno.

Agradeço ao meu Criador, Salvador e Senhor pela oportunidade e pela força ne-cessária para completar esse grande desafio.

Ao meu orientador Luiz Carlos, por sua direção que me foi fundamental neste período. Por todas as oportunidades que me permitiu alcançar e todos os desafios que me ajudou a transpor.

Aos meus pais, Roberto e Marina, pelo amor, suporte e apoio sempre constantes. Aos meus irmãos, Amanda, Hélder e João Victor, pelo companheirismo e braços abertos sempre que precisei. Aos demais familiares, avós, tios, primos, sempre permeando mi-nha lembrança com boas memórias. Agradeço a Natasha pelo amor, compressão, apoio e carinho.

Agradeço aos amigos e irmãos da fé, raízes fortes que me ajudaram a manter em pé mesmo em meio as tempestades.

Agradeço também aos colegas de laboratório e de repúblicas, pelo apoio acadêmico e intelectual, mas também por serem uma família próxima.

questionamentos. Não estamos brincando de religião aqui. Se o céu não existe sou o primeiro a sair da fila.” (Francis Schaffer)

Este trabalho apresenta o desenvolvimento de um novo sistema para monitoramento e ge-renciamento de cargas elétricas residenciais. O foco ao longo deste desenvolvimento é uma relação de compromisso entre intrusividade e precisão. A ideia básica é unir as melhores características de dois tipos de monitoramento, Intrusivo e Não Intrusivo. O Monitora-mento Intrusivo mede cada equipaMonitora-mento individualmente e apenas organiza as medidas efetuadas, sendo assim é um sistema preciso e consequentemente mais caro, porém, compu-tacionalmente mais simples. O Monitoramento Não Intrusivo tem como objetivo estimar o consumo de cada carga reconhecendo suas características de funcionamento através de medidas efetuadas no ramal principal da instalação elétrica. Como o Monitoramento Não Intrusivo faz uso de apenas um sensor, é um sistema mais barato e menos preciso, porém é computacionalmente mais complexo. O principal resultado deste trabalho é uma nova abordagem para o monitoramento usando informações ON-OFF e modelos de consumo previamente obtidos. Os modelos de consumo obtidos em uma fase de treinamento são combinados com a informação sobre o status do equipamento (ON ou OFF) para gerar curvas de carga individuais. A abordagem proposta tem baixo custo computacional e um erro médio de 6% em comparação com erros de 10% a 15% das metodologias de Monitora-mento Intrusivo mais eficientes. A detecção do status ON-OFF do equipaMonitora-mento pode ser feita usando sensores fáceis de instalar e de custo unitário de menos de US$5, enquanto os sensores disponíveis para monitorar o consumo individual por equipamento atualmente custam em média US$ 45. Como as curvas de carga são individuais, o desempenho não piora se a quantidade de equipamentos aumentar ou se algum equipamento não for moni-torado. Assim, o sistema de monitoramento pode ser facilmente atualizado se uma nova carga for adicionada. A abordagem proposta mantém um bom desempenho considerando taxas de amostragem de 1 a 5 segundos.

Palavras-chaves: Monitoramento Não Intrusivo; Monitoramento de Cargas Residenciais; Medidores Inteligentes; Tomadas Inteligentes.

This works presents the development of a new system for monitoring and managing res-idential electrical loads. The work aims to seek a compromise between accuracy and intrusiveness. The basic idea is to combine the best features of two types of monitoring, Intrusive and Non-Intrusive. The Intrusive Monitoring measures each device individu-ally and only organizes the measured values, thus it is an accurate and more expensive technology, but computationally simpler. The Non-Intrusive Monitoring aims to estimate consumption of each load by recognizing their operating characteristics through mea-surements performed at the primary extension wiring. As the Non-Intrusive Monitoring makes use of only one sensor it is a cheaper system, less accurate but computationally more complex. The principal result of this work is a new approach to load monitoring and disaggregation using ON-OFF information and previously obtained consumption models. The models obtained in a previous he training phase are combined with the information about the equipment status (ON or OFF) to generate individual load curves. The pro-posed approach has a low computational cost and a average error of 6% compared to errors from 10% to 15% of the most efficient disaggregation methodologies. The ON-OFF detection of the equipment can be done using easy-to-deploy sensors and unit costs of less than US$5, while the sensors available for monitoring the individual consumption of the equipment currently cost US$45 on average. As the load curves are individual, the perfor-mance does not worsen if the amount of equipment increases or if there is any equipment unmonitored. Thus, the monitoring system can be easily upgraded if a new load is added. The proposed approach maintains a good performance considering the sample rate from 1 to 5 seconds.

Keywords: Non-Intrusive Load Monitoring; Residential Loads Monitoring; Smart Me-ters; Smart Plugs.

Figura 1 – Estrutura dos sistemas de monitoramento. . . 20

Figura 2 – Taxonomia de Sistemas de Monitoramento. . . 23

Figura 3 – Diagrama de blocos do hardware do sensor de estado ligado / desligado e foto do protótipo do (WU, 2012). . . 26

Figura 4 – Diferença entre o time-of-use do LVNS e a nova contribuição com a informação dos estados. . . 32

Figura 5 – Exemplo de detecção de Eventos na Curva de Potência Ativa. . . 33

Figura 6 – Fronteiras de decisão para as classes de TV LCD, TV de plasma e lâmpada incandescente, usando arvore de decisões (DT) e K-enésimo vizinho mais próximo (KNN) (SOUZA, 2016). . . 34

Figura 7 – Cálculo da energia de sinais trapezoidais (MONZANI, 2016a). . . 35

Figura 8 – Detecção de eventos problemáticos (MONZANI, 2016a). . . 36

Figura 9 – Descrição do método Janelas com Margens (AZZINI et al., 2014b). . . 40

Figura 10 – Descrição do método Amostra Deslocada (AZZINI et al., 2014b). . . . 41

Figura 11 – Descrição conceitual do método de máximos de desvio padrão (AZZINI et al., 2014a). . . . 43

Figura 12 – F1 score para os métodos de detecção quando aplicados a base de dados UFES. . . 48

Figura 13 – F1 score para os métodos de detecção quando aplicados a base de dados UK-DALE. . . 48

Figura 14 – F1 score para os métodos de detecção quando aplicados a base de dados LVNS. . . 49

Figura 15 – F1 score para os métodos de detecção aplicados a diferentes bases de dados e com diferentes métodos de sintonia. . . 50

Figura 16 – O plano formado pelos deltas de potências ativa e reativa dos eventos. Imagem obtida de (HART, 1992). . . 52

Figura 17 – O espaço tridimensional formado pelas variações da Potência Ativa, Potência Reativa e Distorção Harmônica Total da Corrente. Imagem obtida de (AZZINI, 2012a). . . 53

Figura 18 – O desempenho dos classificadores com um dia para treinamento e três para teste. . . 55

Figura 19 – O desempenho dos classificadores com três dias para treinamento e um para teste. . . 56

Figura 20 – Erro na estimação de consumo. . . 58

Figura 21 – Após a função que considera estimação de consumo. . . 59

Figura 24 – Erro total de energia para as abordagens. . . 63

Figura 25 – Erro de energia por fase. . . 63

Figura 26 – Quadro comparativo de tomadas inteligentes disponíveis comercialmente.. 65

Figura 27 – Tomada inteligente com adaptadores para o padrão NBR 14136 . . . . 65

Figura 28 – Descrição conceitual da abordagem ACE para um aparelho. . . 68

Figura 29 – Descrição conceitual da modelagem. . . 71

Figura 30 – Curva de carga medida e estimada de uma máquina de lavar roupa. . . 72

Figura 31 – Exemplos de Modelagem . . . 73

Figura 32 – Proporção de Energia Consumida de 26/08 até 03/09 de 2012 em KIT-ESHL. . . 74

Figura 33 – Proporção de Energia Consumida de 26/08 até 03/09 de 2012 em KIT-ESHL no conjunto ideal. . . 74

Figura 34 – Proporção de Energia Consumida de 25/08 até 30/09 de 2014 em UK-DALE. . . 74

Figura 35 – Proporção de Energia Consumida de 25/08 até 30/09 de 2014 em UK-DALE no conjunto ideal. . . 74

Figura 36 – Erro Normalizado na Potência Estimada em KIT-ESHL ideal. . . 75

Figura 37 – Erro Normalizado na Energia Estimada em KIT-ESHL ideal. . . 76

Figura 38 – Potência Medida e Estimada para as Tomadas em KIT-ESHL ideal. . . 76

Figura 39 – Erro Normalizado na Potência Estimada em UK-DALE ideal. . . 76

Figura 40 – Erro Normalizado na Energia Estimada em UK-DALE ideal. . . 77

Figura 41 – Tempo de Execução dos algoritmos para KIT-ESHL ideal. . . 77

Figura 42 – Tempo de Execução dos algoritmos para UK-DALE ideal. . . 78

Figura 43 – Erro Normalizado na Energia Total Estimada para KIT-ESHL ideal e real. . . 78

Figura 44 – Erro Normalizado na Energia Total Estimada para UK-DALE ideal e real. . . 79

Figura 45 – Diferença no Erro Normalizado na Energia Total Estimada paraa KIT-ESHL entre ideal e real. . . 79

Figura 46 – Diferença no Erro Normalizado na Energia Total Estimada para UK-DALE entre ideal e real. . . 80

Figura 47 – Erro Normalizado na Energia Total Estimada de ACE em KIT-ESHL para diferentes taxas de amostragem. . . 80

Figura 48 – Erro Normalizado na Energia Total Estimada de ACE em UK-DALE para diferentes taxas de amostragem. . . 81

Figura 49 – Média e Desvio Padrão do Erro Normalizado na Energia Total Esti-mada em KIT-ESHL para diferentes taxas de amostragem. . . 81

mada em UK-DALE para diferentes taxas de amostragem. . . 82

Figura 51 – Tempo de execução de ACE em KIT-ESHL para diferentes taxas de amostragem. . . 82

Figura 52 – Tempo de execução de ACE em UK-DALE para diferentes taxas de amostragem. . . 83

Figura 53 – Interface de Análise das Cargas. . . 93

Figura 54 – Página de Configuração do Gerenciamento de Cargas. . . 95

Figura 55 – Página de Configuração do Gerenciamento de Cargas. . . 96

Figura 56 – Exemplo de Execução do Simulador. . . 97

Figura 57 – Curva da Potência Ativa do dia 19 de março e resultados da filtragem usando o gradiente morfológico com várias amplitudes. . . 99

Figura 58 – Curva da Potência Ativa do dia 19 de março e resultados da filtragem usando o gradiente morfológico em duas etapas. . . 99

Figura 59 – Curva da Potência Ativa do dia 19 de março e resultado da subtração de sinais filtrados usando o gradiente morfológico multiresolução com duas amplitudes diferentes para o elemento estruturante. . . 100

Figura 60 – Detalhes referentes as polaridades no sinal resultante devido a) Ligas b) Desligas e c) Picos na curva da Potência Ativa do dia 19 de março. . 100

Figura 61 – Filtragem da Curva de Potência do dia 19 de março usando o Opening-Closing . . . 101

Tabela 1 – Sumário dos Trabalhos Relacionados . . . 28 Tabela 2 – Conjunto de Dados Disponíveis Publicamente (BATRA et al., 2014) . . 30 Tabela 3 – Principais Cargas Elétricas da Residência Monitorada . . . 31 Tabela 4 – Principais Cargas Elétricas da Residência número 1 da base de dados

UK-DALE no dia 04 de novembro de 2011 . . . 46 Tabela 5 – Cargas Elétricas da Residência simulada com LVNS . . . 46 Tabela 6 – Parâmetros encontrados na Sintonia dos Métodos de Detecção de Eventos 47 Tabela 7 – Tempo de execução para a sintonia de parâmetros dos métodos de

detecção. . . 49 Tabela 8 – Resultado da aplicação dos classificadores aos dados de (AZZINI, 2012a) 54 Tabela 9 – Resultado do classificador usados em (AZZINI, 2012a) . . . 54 Tabela 10 – Resultados de uma inspeção mais detalhada em torno dos melhores

valores de C obtidos . . . 55 Tabela 11 – Resultados usando 3 dias para treino e 1 para teste. . . 56 Tabela 12 – Resultados antes da função que leva em conta a estimação de consumo. 58 Tabela 13 – Resultados após da função que leva em conta a estimação de consumo. 59 Tabela 14 – Resultados antes do feedback para as camanda inferiores . . . 61 Tabela 15 – Resultados após o feedback . . . 62 Tabela 16 – Erro Normalizado da Energia Total Estimada para outros exemplos de

modelagem de carga . . . 72 Tabela 17 – Resultados das Quando a Dimensão era DHTI . . . 103 Tabela 18 – Resultados das Quando a Dimensão é DHTIxI . . . 103

ACE Agregação de Estimativas de Consumo

AG Algoritmo Genético

BEMS Building Energy Management Systems - Sistemas de Gestão de Energia para Edifícios

CO Combinatorial Optimization - Otimização Combinatória

FHMM Factorial Hidden Markov Model - Modelo Oculto de Markov Fatorial

FSM Finite State Machine - Maquinas de Estados Finitos

HMM Hidden Markov Model - Modelo Oculto de Markov

ILM Intrusive Load Monitoring - Monitoramento Intrusivo de Cargas

ILM- Intrusive Load Monitoring Without Direct Measurement - Monitoramento Intru-sivo de Cargas Sem Medidas Elétricas Diretas

KIT-ESHL Energy Smart Home Lab - Laboratório de Energia Casa Inteligente do Ins-tituto de Tecnologia de Karlsruhe

LVNS Low Voltage Network Simulator - Simulador de Redes de Baixa Tensão

NILM Non Intrusive Load Monitoring - Monitoramento Não Intrusivo de Cargas

NILM+ Non Intrusive Load Monitoring with Additional Information - Monitoramento Não Intrusivo de Cargas com Informações Adicionais

NILMTK Non-Intrusive Load Monitoring Toolkit - Kit de Ferramentas de Monitora-mento Não Intrusivo de Cargas

PCA Principal Component Analysis - Análise de componentes principais

ARI Adjusted Rand Index - Índice Rand Corrigido

RFID Radio-Frequency IDentification - Identificação por Radiofrequência

RMS Root mean square - Valor Quadrático Médio ou Valor Eficaz

SS Sintonia Simples

UFES Conjunto de dados monitorado em um apartamento de 3 quartos por pesquisa-dores da Universidade Federal do Espírito Santo

eletricidade ao nível das tomadas no Reino Unido WSN Wireless Sensor Network - Rede de Sensores Sem Fio

𝑎 Número de amostras

𝐶𝑔 Valor mínimo para que um descontinuidade do método Amostra Deslocada seja con-siderada como relevante

𝐷𝑠 Valor mínimo do degrau de potência para que este seja reconhecido como um evento 𝐹𝛽 Número de Falsos Negativos

𝐹 𝑁 Número de Falsos Negativos 𝐹 𝑃 Número de Falsos Positivos

𝐿𝑥 A x-ésima transição de estado do dispositivo

𝑛 Número do Dispositivo

𝑁 𝐸𝑇 𝐸 Erro Normalizado da Energia Total Estimada

𝑁 𝐸𝑃 Erro Normalizado da Potência Estimada

𝑃 Número total de amostras positivas

𝑝𝑁 𝑚 Porcentagem do tamanho da margem em relação a janelas primária 𝑝𝑁 𝑚𝑓 Porcentagem do tamanho da margem em relação a janelas secundária 𝑠𝑡𝑑 Desvio padrão

𝑠𝑡𝑑2 Variância 𝑡 Tempo

𝑡𝑜𝑓 𝑓 O instante de tempo em que o dispositivo desliga

𝑡𝑜𝑛 O instante de tempo em que o dispositivo liga

𝑇 𝑃 𝑅 Taxa de verdadeiros positivos 𝑉 𝑃 Número de Verdadeiros Positivos

𝑊 𝑑 Largura da janela primária do método Janela com Margens

𝑊 𝑓 Largura da janela secundária do método Janela com Margens e do Método Amostra Deslocada

𝑦 Potência Estimada ^

1 Introdução . . . 20

1.1 Objetivos . . . 23

1.2 Estrutura do Trabalho e Contribuições . . . 24

1.3 Trabalhos Relacionados . . . 25

1.4 Ferramentas Utilizadas . . . 28

2 Monitoramento Não Intrusivo . . . 33

2.1 Detecção de Eventos . . . 35

2.1.1 Métodos de Detecção Presentes na Literatura . . . 37

2.1.1.1 Transição de Borda de Hart . . . 37

2.1.1.2 Transição de Borda de Dong . . . 37

2.1.1.3 Transição de Borda de Monzani . . . 38

2.1.1.4 Transitórios de Partida de Sultanem . . . 38

2.1.2 Novos Métodos de Detecção de Eventos . . . 39

2.1.2.1 Janela com Margens . . . 39

2.1.2.2 Amostra Deslocada . . . 40

2.1.2.3 Métodos Baseados em Medidas de Dispersão . . . 41

2.1.3 Avaliação dos Métodos de Detecção . . . 42

2.1.3.1 Métricas Para Avaliação do Desempenho dos Métodos de Detecção . . . 44

2.1.3.2 Sintonia de Parâmetros dos Métodos de Detecção de Eventos 45 2.1.3.3 Conclusões sobre os Novos Métodos de Detecção de Eventos 50 2.2 Reconhecimento . . . 51

2.2.1 Classificação . . . 53

2.2.2 O Aumento dos Dados de Treino . . . 55

2.2.3 Indice Rand Corrigido . . . 57

2.3 Estimação do Consumo . . . 57

2.3.1 O Uso da Potência Ativa para validar o par ON/OFF. . . 57

2.3.2 Erro de Estimação da Energia Consumida . . . 60

2.3.2.1 Feedback para as Camadas Inferiores . . . 60

3 Monitoramento Instrusivo . . . 64

3.1 Monitoramento Não Intrusivo com Informações ON-OFF . . . 65

3.2 Monitoramento Instrusivo com Modelos de Consumo e informações ON-OFF 67 3.2.1 Modelagem . . . 69

3.2.2 Comparando ACE com NILM . . . 73

3.2.2.1 Configuração do Experimento . . . 73

3.2.2.4 Análise de Taxa de Amostragem . . . 78

3.2.3 Limitações da Abordagem ACE . . . 80

3.2.4 Conclusões e trabalhos futuros . . . 81

4 Conclusão . . . 84

Referências . . . 88

Anexos

92

A.1 Interface de Resultados . . . 93

A.2 Simulador de Consumo . . . 94

ANEXO B Métodos de Detecção de Eventos Baseados em Morfologias Ma-temáticas . . . 98

1 Introdução

O surgimento dos Building Energy Management Systems - Sistemas de Gestão de Energia para Edifícios - (BEMS) pode ser datado na década de 1970, quando as pesquisas procuraram melhorar a eficiência energética através da introdução de controle de consumo para iluminação e sistemas de aquecimento(KAZMI et al., 2014). O consumo de energia elétrica não deixa vestígios tão visíveis de seu uso como o a queima de combustíveis fósseis, onde um reservatório é esvaziado. Devido à natureza invisível do consumo de energia elétrica nos edifícios residenciais e comerciais, um grande desafio enfrentado pelos primeiros pesquisadores diz respeito à coleta de informações detalhadas e em tempo real sobre o consumo de cada um dos dispositivos elétricos dentro de um edifício (KAZMI et al., 2014). Entender onde a energia está sendo usada é o primeiro passo para a conservação e para eficiência energética. O feedback imediato sobre os padrões de consumo produz economias de até 20% (GIRI et al., 2013). Atualmente existem duas abordagens principais de monitoramento do consumo de energia elétrica, ilustradas na Figura 1.

sensor

sensor

sensor

sensor

sensor

a) Monitoramento Intrusivo _{b) Monitoramento Não Intrusivo}

Figura 1 – Estrutura dos sistemas de monitoramento.

A primeira consiste em instalar um medidor para cada carga e é chamada de Intrusive Load Monitoring - Monitoramento Intrusivo de Cargas - (ILM). Esses medidores integram sistemas de medição tradicionais e interfaces de comunicação a fim de fornecer detalhes sobre o consumo em tempo real. Além disso, podem oferecer funcionalidades adicionais, tal como o desligamento remoto (KAZMI et al., 2014). O ILM é muito preciso, mas necessita de investimento que pode ser superior ao retorno financeiro obtido com o monitoramento e a gestão das cargas.

Intrusivo de Cargas - (NILM). O NILM tem como objetivo determinar o consumo in-dividual de cada carga sem ter acesso físico as mesmas. Isto é feito a partir da análise detalhada da tensão e da corrente na interface com a fonte de energia elétrica que alimenta a edificação. As formas de onda da corrente e da tensão no ramal principal são registra-das e analisaregistra-das. Esta análise consiste em encontrar características elétricas específicas, chamadas de assinaturas, que permitam identificar qual carga ligou ou desligou num de-terminado instante. Isto permite gerar estimativas do consumo individual das cargas e outras estatísticas. É importante destacar que o termo “não intrusivo” está relacionado à ausência de acesso físico ao interior da edificação e, consequentemente, a cada uma das cargas (HART, 1992).

Vários algoritmos NILM foram desenvolvidos a partir do final dos anos 1980 até o presente dia (HART, 1992; WONG et al., 2013; ZEIFMAN; ROTH, 2011), com espe-cial atenção para (HART, 1992), que pode ser considerado o marco principal nesta área. Recentemente, o NILM tem recebido uma atenção significativa no contexto de redes in-teligentes, devido ao desenvolvimento de medidores inteligentes (IPAKCHI; ALBUYEH, 2009; STROMBACK; DROMACQUE, 2010). Apesar do alto potencial do NILM e das várias pesquisas científicas nos últimos anos, até onde se tem conhecimento, não foi alcan-çando o sucesso esperado em aplicações comerciais. Ainda são enfrentados alguns desafios, como bem indicado em (ZEIFMAN; ROTH, 2011). Ainda não foi desenvolvido um algo-ritmo capaz de detectar nas medições agregadas os eventos de ligar/desligar de todos os tipos de cargas encontradas nas residências. Além disso, ainda não foi definida uma assi-natura padrão para todos os aparelhos, capaz de fornecer identificação robusta, precisa e adaptável.

Embora em (COMPANIES. . . , 2016) estejam listados alguns exemplos de NILM na indústria, (BAKER et al., 2016) mostra que a qualidade dos resultados ainda não é a desejada e consequentemente a tecnologia não se espalhou. Em (BAKER et al., 2016) foram obtidas medidas do consumo total de energia, com período de amostragem de um minuto, para 160 residências e também foram instalados sistemas de medição de uso final em seis dessas casas. Em seguida, foram contratados três fornecedores de produtos de desagregação de cargas, comercialmente disponíveis, para estimar os usos finais para todas as 160 residências. Verificou-se que as estimativas de desagregação de todos os fornecedores apresentam erros elevados para quase todos os usos finais, por vezes não conseguindo identificar nem ao menos um destes. Em vários casos o consumo de energia foi sobrestimado. As estimativas de um fornecedor apresentaram baixo erro para o consumo de alguns usos finais importantes, como ar condicionado, fogão elétrico, iluminação e refrigeração, mas apresentaram erro elevado para outros usos finais. Além disso, embora as estimativas dos fornecedores fossem mais precisas para os usos finais quando tratavam de um período de análise de cinco meses, a precisão foi acentuadamente inferior quando se abordava os meses individualmente. Assim, de acordo com (BAKER et al., 2016), ainda

é necessário um maior desenvolvimento nos algoritmos de desagregação, para que sejam suficientemente precisos e consigam fornecer aos clientes uma estimativa adequada.

Uma nova geração de BEMS surgiu com a introdução de tecnologias de Wireless Sensor Network - Rede de Sensores Sem Fio (WSN) nos anos 2000(KAZMI et al., 2014). A aquisição de informações sobre o uso de energia em diferentes níveis, como eletrodomés-ticos, circuitos ou edifício, foi possível graças à ajuda de WSNs. Nos últimos anos, foram desenvolvidos medidores e tomadas inteligentes, ambos sem fios, que podem ser instala-dos dentro do quadro de disjuntores e em tomadas perto instala-dos aparelhos. Esses dispositivos integram sistemas de medição tradicionais com interfaces de comunicação para fornecer informações detalhadas sobre o consumo de recursos em tempo real, bem como oferecer funcionalidades adicionais, como acionamento remoto (KAZMI et al., 2014). Nesse cená-rio, os sistemas ILM se tornaram mais populares, porém as tomadas inteligentes têm uma faixa de preço de U$ 30 a U$ 60 (ALBRIGHT, 2016) (IRIZARRY, 2016), e tornam o in-vestimento neste tipo de sistema de monitoramento alto. Considerando a média da fatura mensal residencial nos Estados Unidos como U$ 114.03 (ADMINISTRATION, 2016) e economia de 15% ao se usar 10 tomadas inteligentes de U$ 45 cada, o tempo necessário para obter o retorno simples é de 27 meses.

Aproveitando-se das WSNs alguns trabalhos, visando melhorar a precisão do NILM, fizeram uso de informações adicionais provenientes do interior da casa (GIRI; BERGÉS, 2015; JUNG; SAVVIDES, 2010; SCHOOFS et al., 2010; TAYSI et al., 2010; WU, 2012). Muitos tipos de informações adicionais são fornecidos usando-se diferentes sensores e até a combinação de vários destes. São exemplos de sensores usados: corrente, campo elétrico, campo magnético, som e contato seco de Radio-Frequency IDentification - Identificação por Radiofrequência ativa (RFID). Alguns trabalhos fazem uma análise elaborada destas informações adicionais para usá-la da melhor maneira possível.

No entanto, uma estimativa adequada, simples e barata pode ser obtida se for conhecido como as cargas costumeiramente consomem energia e quando elas estão ligadas. Propõe-se neste trabalho o uso de informações liga/desliga e de modelos baseados no padrão de consumo para estimar a curva de carga para os equipamentos individualmente e, em seguida, somar todas as estimativas para obter uma estimativa do consumo total da casa. Esta abordagem recebeu o nome de Agregação de Estimativas de Consumo (ACE). Os sistemas de monitoramento podem ser divididos em NILM e ILM. No entanto, trabalhos recentes estão usando informações extras para melhorar o desempenho dos sis-temas NILM. Estes trabalhos perderam a característica principal que difere NILM de ILM, a não intrusividade, assim é importante alocar estes trabalhos em uma categoria específica. Com o surgimento destas novas abordagens, este trabalho propõe uma nova taxonomia de abordagens de monitoramento conforme mostrado na Figura 2. Como es-ses trabalhos são baseados em abordagens NILM e para se referir ao uso de informações

adicionais, essa categoria será chamada como Non Intrusive Load Monitoring with Additi-onal Information - Monitoramento Não Intrusivo de Cargas com Informações Adicionais (NILM+). O NILM+ difere do NILM tradicional porque necessita da entrada no edifício para instalar os sensores extras. Neste trabalho propõe-se a investigação em uma outra categoria que será chamada Intrusive Load Monitoring Without Direct Measurement -Monitoramento Intrusivo de Cargas Sem Medidas Elétricas Diretas (ILM-). O ILM- usa informações pré-gravadas sobre os aparelhos e alguns sensores que podem indicar o estado de funcionamento dos aparelhos, tais como som, luz, temperatura, etc. O ILM- difere do ILM tradicional porque não faz a medição direta de variáveis elétricas no nível do apare-lho. O ILM- também difere do NILM+ porque não usa a medição do ramal principal. No melhor de nosso conhecimento não existe obras em ILM- até este momento.

ACE é uma abordagem inaugural de ILM- que utiliza os modelos de consumo dos aparelhos e sua informação ON-OFF. Esta abordagem poderá ser útil em um contexto da internet das coisas. Ao invés de um aparelho ser monitorado pode-se apenas informar seu estado, ligado ou desligado, e um programa usaria um modelo fornecido pelo fabricante, para fazer uma estimativa de consumo.

A seguir são detalhados os objetivos, as contribuições e a organização deste tra-balho.

1.1

Objetivos

O alvo deste trabalho é desenvolver sistemas de monitoramento de cargas no am-biente residencial que forneçam estimativas de consumo por equipamento com baixo erro e baixo custo computacional.

O objetivo secundário é discutir maneiras de aperfeiçoar a performance dos siste-mas de NILM e de reduzir o custo de sistesiste-mas ILM. As duas abordagens de monitoramento apresentam vantagens e desvantagens, de forma que o contexto em que são aplicadas di-reciona qual deve ser escolhida. O presente trabalho também discute estas características e as melhores maneiras de se usa-las, propondo alterações nos sistemas de monitoramento e até mesmo uma nova abordagem, que busca unir os melhores aspectos de ambas as abordagens.

1.2

Estrutura do Trabalho e Contribuições

O foco que guia a estrutura deste trabalho é a relação de equilíbrio entre intrusivi-dade e precisão, entre sistemas NILM e ILM. Assim sendo, o ponto de partida é discutir os sistemas NILM, em seguida analisa-se os sistemas ILM disponíveis no mercado, depois abordar-se os sistemas NILM+, até se chegar aos sistemas ILM-. O trabalho é dividido em dois capítulos principais. O Capítulo 2 foca-se em técnicas não intrusivas, NILM, en-quanto o Capítulo 3 foca-se nas que tem algum nível de intrusividade, ILM, NILM+ e ILM-. Ao longo desta trajetória são mostrados os principais problemas de cada sistema e enquanto são propostas algumas melhorias. Obviamente este é um escopo grande, logo certas investigações foram priorizadas em relação a outras.

Um dos ponto mais aprofundados aqui foram os sistemas NILM, pois todo o tra-balho partiu deste contexto. Entretanto, a principal contribuição deste tratra-balho é a pro-posição de ACE que é uma abordagem ILM-, e por isso esta abordagem também recebeu atenção especial.

Este trabalho não se limitou apenas a esforços na componente de monitoramento de BEMS. As outras duas componentes, feedback e controle, também receberam certa atenção, mas como as investigações ainda estavam em nível inicial decidiu-se acrescenta-las apenas em anexos. Outras investigações que também não estavam em níveis iniciais foram acrescentadas em anexos.

O Capítulo 2 discute os esforços feitos para melhorar a performance de algorit-mos NILM. No que se refere ao monitoramento não intrusivo foram feitas as seguintes contribuições:

∙ Quatro novos algoritmos de detecção de eventos. Efetuando também o estudo de sin-tonia dos parâmetros de cada algoritmo. Os algoritmos e a sinsin-tonia são apresentados na Seção 2.1.

∙ Um comparativo de diferentes algoritmos de reconhecimento de padrões e aprendi-zado de máquina no contexto de NILM é exibido na Seção 2.2

∙ Um aperfeiçoamento para a etapa de estimação de consumo que verifica se as me-didas do ramal principal corroboram a estimação é analisado na Seção 2.3.

∙ Um aperfeiçoamento na implementação de abordagens de aprendizado de máquina não supervisionado é apresentado na Seção 2.3.2.1

O Capítulo 3 apresenta as contribuições feitas para o monitoramento intrusivo:

∙ Um algoritmo NILM+ que combina a detecção de eventos no ramal principal, senso-res ON-OFF instalados em cada carga e a comparação de modelos. Conforme Seção 3.1;

∙ A abordagem ACE, uma abordagem ILM- usando modelos de cargas previamente obtidos e informação ON-OFF. Conforme Seção 3.2;

O Capítulo 4 apresenta as principais conclusões e discute os trabalhos futuros. Também foram feitos alguns desenvolvimentos nos componentes feedback e controle de BEMS, entretanto, até o momento de finalização deste texto as investigações ainda não estavam no nível desejado, sendo assim, optou se por apenas incluir estas investigações no Anexo A. O Anexo A conta com os seguintes desenvolvimentos:

∙ Uma interface de resultados é exibida na Seção A.1.

∙ Um simulador de consumo, usado para se tomar as melhores decisões visando um consumo racional é apresentado na Seção A.2.

O Anexo B apresenta alguns testes inicias com Morfologias Matemáticas com vistas ao desenvolvimento de novos métodos de detecção de eventos.

O Anexo C apresenta o uso do produto Distorção Harmônica Total da Corrente pela Corrente Eficaz como uma das assinaturas na etapa de reconhecimento de NILM.

A seguir são discutidos os trabalhos relacionados para localizar melhor o contexto deste trabalho.

1.3

Trabalhos Relacionados

Uma vez que a principal contribuição deste trabalho é uma inaugural abordagem ILM-, serão discutidos aqui apenas trabalhos de NILM+. Estes podem ser considerado mais semelhante ao ILM- do que o NILM e o ILM tradicionais.

Em (GIRI; BERGÉS, 2015) propõe-se uma estrutura de estimativa de consumo individual através da aprendizagem automatizada de modelos de aparelhos. A combina-ção de um sensor de campo elétrico com um sensor de campo magnético é usada para identificar as mudanças no consumo de energia de um aparelho. Cada sensor transmite, sem fios, as informações de mudança de estado para um medidor de energia no painel de circuitos. Um algoritmo NILM usa essas informações para rotular as mudanças de con-sumo detectadas nas medições agregadas. A estrutura apresentada em (GIRI; BERGÉS, 2015) foi melhorada e testada em (GIRI; BERGES, 2015a), em um prédio comercial com 6 eletrodomésticos, durante uma semana. Os valores de energia inferidos apresentam erro médio de 10,9%. A estrutura pode estimar o consumo de energia para o refrigerador e o ventilador com bastante precisão (erro <3%). Aparelhos como a máquina de lavar e secar roupas, que têm estados de operação mais complexos, exibem intervalos de erro maiores (erro <15%). O ar condicionado e o aspirador de pó apresentam erro acima de 20%. A estrutura não é capaz de medir cargas variáveis, como uma unidade de velocidade variável, e certos dispositivos eletrônicos que não apresentam eventos distintos, como um roteador. Em (WU, 2012; WU; SRIVASTAVA, 2012) é projetado um sensor de detecção de estado para ser conectado entre a tomada e o aparelho, conforme apresentado na Figura 3. O custo do protótipo é de US$ 4,3 incluindo todos os componentes eletrônicos, montagem e encapsulamento (WU, 2012). Internamente, o hardware detecta o fluxo de corrente para determinar o estado ON-OFF do aparelho e relata para uma estação base sem fio. Com o conhecimento do consumo agregado de energia, o sistema associa os eventos detectados com as mudanças no consumo total e infere o consumo de um determinado aparelho, assumindo que seu consumo é sempre estável. A precisão é de mais de 70% para a maioria dos 20 aparelhos da configuração de teste, mas o erro de estimativa difere muito entre os diversos aparelhos. Uma das causas de imprecisão são aparelhos mantidos ligados ou desligados por um longo período de tempo. Nestes casos, os erros na detecção de transições de potência continuam se acumulando.

Figura 3 – Diagrama de blocos do hardware do sensor de estado ligado / desligado e foto do protótipo do (WU, 2012).

Re-porting System (TinyEARS). O TinyEARS detecta e classifica os dispositivos que estão ligados com base em suas assinaturas acústicas e correlaciona tais resultados com os dados de um medidor de energia. Experimentos demonstram que o TinyEARS pode relatar o consumo individual dentro de uma margem de erro de 10%. No entanto, os resultados apresentados foram baseados em um estudo de caso limitado. Para avaliar o desempenho de TinyEARS foram observados apenas quatro eletrodomésticos e seus diferentes níveis de funcionamento: um refrigerador, uma máquina de lavar louça, um exaustor e misturador. O ViridiScope (KIM et al., 2009) usa sensores de luz, sensores de som e magnetô-metros para informar os estados ON-OFF dos aparelhos. Com o conhecimento dos estados de todos os aparelhos, das leituras de potência agregadas e usando programação linear é possível calibrar a quantidade de energia que cada aparelho usa. O ViridiScope pode estimar o consumo de energia individual com 10% de erro. No entanto, pressupõe que os dispositivos não instrumentados consomem energia numa taxa constante, o que pode ser uma fonte de erro.

Em (JUNG; SAVVIDES, 2010) é apresentada uma metodologia para desagregação do consumo que usa sensores de RFID para determinar o estado dos aparelhos. A estima-tiva da desagregação de consumo dentro de um edifício é obtida a partir do conhecimento do consumo total e o estado binário, ON/OFF, dos aparelhos. Neste caso, a desagregação foi tratada como um Problema de Otimização Linear. O erro relativo médio global do algoritmo é de 10,94%. Os autores também são capazes de identificar automaticamente onde instalar sub-medidores para melhorar a precisão de desagregação.

A Tabela 1 apresenta um resumo das informações dos trabalhos relacionados. Como pode ser visto, na maioria das obras o erro na estimativa de energia é de cerca de 10%, no entanto, em geral, são utilizados um número limitado de dias para testar a abordagem. O comportamento dos aparelhos por alguns dias é uma boa estimativa, mas não representa bem a dinâmica em uma casa. Neste trabalho os testes feitos utilizam conjuntos de dados de casas monitoradas totalizando 45 dias, conforme Seção 3.2.2.

Considerando os trabalhos relacionados, percebe-se que o uso de informações extras em NILM+ aumenta o esforço de instalação e alguns sensores complexos podem trazer mais fontes de erro à estimativa. Além disso, alguns algoritmos NILM+ precisam de maior esforço computacional para correlacionar a informação extra de diferentes sensores com as variáveis elétricas no medidor principal. Em alguns casos, é necessário filtros e estratégias para lidar com a assincronia das amostragens dos sensores espalhados pela casa. Além disso, alguns sensores sofrem de cross-talk e necessitam de mais recursos computacionais para lidar com este problema (GIRI; BERGÉS, 2013). O ponto a se discutir é que muitos trabalhos estão usando informações extras para melhorar NILM, no entanto, antes de adicionar informações extras é importante verificar o que pode ser feito usando exclusivamente essas informações extras, sem o uso do medidor principal. Neste

Tabela 1 – Sumário dos Trabalhos Relacionados

Autores Ano Sensores Extras

Número de cargas testadas Dias de dados Erro na Estimação de Energia S. Giri and M. Berges 2015 Sensores de campo eletromagnético sem contato 6 7 dias média de 10.9% T. Wu and

M. Srivastava 2012 Sensor de corrente 20

7 dias menos de 30% Z.C. Taysi, M.A. Guvensan, and T. Melodia 2010 Sensor acústico 4 3 dias margem de 10% Kim, T. Schmid, Z.M. Charbiwala, and M.B. Srivastava 2009 Sensores de luz, sensores de som e magnetômetros 9 35 min* margem de 10% D. Jung and A. Savvides 2010 RFID ativo e sensores de contato seco 12 3 dias Média de 10.94% *Essa informação foi inferida baseado nas figuras do artigo.

trabalho é demonstrado que as informações extras são suficientes para obter uma boa estimativa de consumo, desde que se tenha disponível bons modelos do consumo de cada aparelho. Para apresentarmos essa conclusão primeiro é importante discutir os algortimos NILM, conforme exposto no capítulo a seguir.

1.4

Ferramentas Utilizadas

Antes de se abordar os detalhes das abordagens desenvolvidas neste trabalho é importante apresentar as ferramentas utilizadas para o desenvolvimento e para os testes dos algoritmos. Apresenta-las nesta etapa do texto facilitará a leitura e o entendimento dos testes realizados.

Neste trabalho foram usados o Non-Intrusive Load Monitoring Toolkit - Kit de Fer-ramentas de Monitoramento Não Intrusivo de Cargas (NILMTK), o Low Voltage Network Simulator - Simulador de Redes de Baixa Tensão (LVNS) e três conjunto de dados de monitoramento não intrusivo. O NILMTK é um conjunto de ferramentas de código aberto projetado especificamente para permitir a comparação de algoritmos de desagregação de carga de forma replicável em vários conjuntos de dados disponíveis publicamente (BATRA et al., 2014). O NILMTK conta com alguns algoritmos de desagregação previamente imple-mentados, como o Factorial Hidden Markov Model - Modelo Oculto de Markov Fatorial (FHMM) e o Combinatorial Optimization - Otimização Combinatória (CO). Conforme mencionado em (BATRA et al., 2014), esses algoritmos não apresentam o estado da arte em resultados de desagregação, mas permitem que novas abordagens sejam comparadas

com algoritmos de benchmark bem estudados sem exigir a reimplementação destes. A partir de um determinado conjunto de aparelhos o algoritmo CO encontra a combinação ótima de estados dos aparelhos, que minimiza a diferença entre a soma das potências previstas para os aparelhos e a potência agregada medida. A complexidade do CO é exponencial no número de aparelhos, e esta abordagem é computacionalmente tratável apenas para um pequeno número de aparelhos.

A potência demandada por cada aparelho pode ser modelada como o valor obser-vado de um Hidden Markov Model - Modelo Oculto de Markov (HMM). O componente oculto destes HMMs são os estados dos aparelhos. A desagregação de cargas envolve a descodificação conjunta do consumo de energia de um determinado número de aparelhos e, portanto, um HMM fatorial é bem adequado a este problema. Um FHMM pode ser representado por um HMM equivalente em que cada estado observado corresponde a uma combinação diferente de estados de cada aparelho. A complexidade da desagregação para FHMMs é maior do que o CO e exige um grande esforço computacional.

O NILMTK possui algumas métricas para se comparar os resultados da desagre-gação de cargas. Neste trabalho foram utilizadas duas métricas, uma métrica presente no NILMTK e outra adaptada do NILMTK. A primeira é o Erro Normalizado na Potência Estimada (𝑁 𝐸𝑃), conforme Equação 1.1. O somatório das diferenças entre a potência

estimada 𝑦 e a potência medida ^𝑦 do 𝑛-ésimo aparelho em cada intervalo de tempo 𝑡, é normalizado pelo consumo de energia total do aparelho.

𝑁 𝐸𝑃(𝑛) = ∑︀ 𝑡 ⃒ ⃒ ⃒𝑦 (𝑛) 𝑡 − ^𝑦 (𝑛) 𝑡 ⃒ ⃒ ⃒ ∑︀ 𝑡𝑦 (𝑛) 𝑡 (1.1) A segunda métrica é o e Erro Normalizado na Energia Total Estimada porque a adaptação foi a normalização da métrica Erro na Energia Total Estimada do NILMTK. O 𝑁 𝐸𝑇 𝐸 para o aparelho 𝑛-ésimo consiste na diferença entre a energia total estimada e a

energia medida, normalizada pelo consumo total de energia do aparelho. Na Equação 2.12

∑︀

𝑡𝑦𝑡 e ∑︀𝑡𝑦^𝑡 são, respectivamente, a energia medida e estimada do dispositivo 𝑛-ésimo

até o tempo 𝑡. 𝑁 𝐸𝑇 𝐸(𝑛) = ⃒ ⃒ ⃒ ∑︀ 𝑡𝑦 (𝑛) 𝑡 − ∑︀ 𝑡𝑦^ (𝑛) 𝑡 ⃒ ⃒ ⃒ ∑︀ 𝑡𝑦 (𝑛) 𝑡 (1.2) Além destas métricas alguns testes específicos, como a detecção de eventos e o reco-nhecimento de eventos, usaram métricas específicas. Para facilitar a leitura, tais métricas são apresentadas junto do respectivo experimento que a usou.

O NILMTK tem uma estrutura de dados estabelecida para permitir que diferen-tes conjuntos de dados sejam usados, mesmo que esdiferen-tes tenham estruturas e números de

medidores diferentes. A única condição necessária é que deve ser escrito um convesor, que transforma os dados do novo conjunto na estrutura estabelecida no NILMTK. Vários conjuntos de dados são disponibilizados publicamente como mostra a Tabela 2.

Tabela 2 – Conjunto de Dados Disponíveis Publicamente (BATRA et al., 2014)

Conjunto

de dados Instituições Localização

Duração por casa Número de casas Frequência de amostragem das cargas Frequência de amostragem do ramal principal

REDD (2011) MIT MA, USA 3-19 dias 6 3 sec 1 sec & 15 kHz

BLUED (2012) CMU PA, USA 8 dias 1 N/A* 12 kHz

Smart* (2012) UMass MA, USA 3 meses 3 1 sec 1 sec Tracebase (2012) Darmstadt Alemanha N/A N/A 1-10 sec N/A Sample (2013) Pecan Street TX, USA 7 dias 10 1 min 1 min HES (2013) DECC, DEFRA UK 1 ou 12 meses 251 2 ou 10 min 2 ou 10 min AMPds (2013) Simon Fraser U. BC, Canadá 1 year 1 1 min 1 min iAWE (2013) IIIT Delhi Delhi, Índia 73 dias 1 1 ou 6 sec 1 sec

UK-DALE (2014) Imperial College Londres, UK 3-17 meses 4 6 sec 1-6 sec & 16 kHz *rótula as transições de estado para cada aparelho.

Dentre os banco de dados disponíveis publicamente decidiu-se usar o UK Domes-tic Appliance-Level Electricity dataset - Conjunto de dados de eletricidade ao nível das tomadas no Reino Unido (UK-DALE) por conter um bom número de cargas monitoradas e a uma boa taxa de amostragem (KELLY; KNOTTENBELT, 2015). O UK-DALE é um conjunto de dados de acesso aberto da indústria britânica que registra variáveis elétricas nas residências a uma taxa de amostragem de 16 kHz para a casa e 1/6 Hz para aparelhos individuais. Este é o primeiro conjunto de dados do Reino Unido de acesso aberto nesta resolução temporal. Foram registradas cinco casas, uma das quais foi registrada por 655 dias. No entanto, este conjunto de dados vai sendo atualizado à medida que mais dados são registados. A versão utilizada neste trabalho foi publicada em agosto de 2015.

Um outro banco de dados usado foi o do Energy Smart Home Lab - Laboratório de Energia Casa Inteligente do Instituto de Tecnologia de Karlsruhe (KIT-ESHL) (KO-CHANNECK et al., 2016) (BAO et al., 2016). O KIT-ESHL é um edifício residencial inteligente que compreende sistemas de automação de edifícios, sistemas de medição, sen-sores, eletrodomésticos inteligentes, sistemas de armazenamento de energia, aquecimento, ventilação e equipamento de ar condicionado. O KIT-ESHL foi adaptado para abordar questões no contexto da estabilidade da rede em futuras redes de baixa tensão, incluindo muitos inversores e geração intermitente, bem como a prestação distribuída de serviços ancilares. No passado, o KIT-ESHL foi utilizado para a avaliação de técnicas de resposta à demanda, incluindo a programação de aparelhos, a integração de veículos elétricos de carga bidirecional, a visualização de fluxos de energia para os habitantes do edifício e finalmente a aceitação das tecnologias avaliadas pelo usuário. Este banco de dados ainda não está publicamente disponível, o acesso só foi possível devido uma colaboração com o grupo do Institut für Angewandte Informatik und Formale Beschreibungsverfahren (AIFB)

-Instituto de Informática Aplicada e Descrição Formal de Métodos do Karlsruher Institut für Technologie (KIT) - Instituto de Tecnlogia de Karlsruhe. Os pesquisadores responsá-veis pretendem torna-lo público em breve.

Um terceiro banco usado aos longo deste trabalho foi o banco de dados gerado em (AZZINI, 2012a), a partir de medições em um apartamento de 3 quartos, alimentado por duas fases. Um analisador de energia foi instalado no ramal principal e um total de 9 cargas foram ligadas e desligadas, gerando eventos para serem detectados. As cargas selecionadas são apresentadas na Tabela 3, são cargas monofásicas e do tipo ON-OFF, ou podem ser consideradas deste tipo com boa aproximação. As medições foram feitas nos dias 19, 20 e 22 de Março de 2012 (AZZINI, 2012b). Cada uma das cargas foi ligada e desligada manualmente três vezes para gerar os eventos, enquanto isso, os horários de cada evento eram anotados. Como (AZZINI, 2012a) foi desenvolvido na Universidade Federal do Espírito Santo, este banco de dados será referenciado ao longo do texto como o banco de dados da UFES. Um conversor também foi escrito para tornar os dados de UFES disponíveis para o NILMTK.

Tabela 3 – Principais Cargas Elétricas da Residência Monitorada Carga

1 Ar Condicionado no Quarto da TV 2 Ar Condicionado na Suíte

3 Ar Condicionado no Escritório 4 Chuveiro do Banheiro Social 5 Chuveiro do Banheiro da Suíte 6 TV

7 Grill

8 Microondas 9 Geladeira

Uma contribuição deste trabalho foi a integração do LVNS com o NILMTK através da escrita de um conversor de dados. Os desenvolvimentos das redes inteligentes resulta-ram em muitas demandas de inovações laterais, tais como técnicas de NILM, micro-redes residenciais e programas de resposta à demanda. Muitas destas técnicas precisam de um modelo de rede residencial detalhado para sua pesquisa, avaliação e validação. Em res-posta a tais necessidades, foi desenvolvido uma plataforma de simulação Monte Carlo Sequencial para modelagem e simulação de redes residenciais de baixa tensão, O LVNS (TORQUATO et al., 2014). Esta plataforma visa a simulação da condição de rede quase estável durante um período prolongado como 24 h. Consiste em dois componentes princi-pais. O primeiro é um modelo de rede polifásica com a capacidade de se estudar o fluxo de potência, a presença de harmônicas e a partida de motores. O segundo é um modelo de comportamento de carga/geração que estabelece as características operacionais de várias

cargas e geradores com base na curvas de probabilidade do tempo de uso. Estes dois com-ponentes são combinados entre si em um esquema de simulação Monte Carlo Sequencial. Como o LVNS se baseia em dados sintéticos usa-lo no NILMTK é uma forma de estabe-lecer um teste controlado, onde se tem certeza do consumo das cargas e do momento de seus eventos. Isso permite que a avaliação dos algoritmos para NILM não seja influenci-ada pelos problemas que geralmente ocorrem em banco de dados de medições reais, como ruído, intervalos sem medições e diferenças de taxa de amostragens do ramal principal para os submedidores.

Além da integração com o NILMTK, outra pequena contribuição feita ao LVNS foi a capacidade de saber exatamente em qual estado do seu funcionamento a carga está, isso permite gerar um gabarito não somente dos momentos em que as cargas ligam/desligam mas também quando ocorre transição entre os seus estados de funcionamento, facilitando assim a avaliação dos métodos de detecção de eventos e de reconhecimento. A Figura 4 apresenta a diferença entre o Time-of-use do Fogão Elétrico quando está ligado/desligado e a nova contribução, estados de funcionamento, que informa em qual estágio o Fogão Elétrico está. Em (b), quando o Fogão Elétrico está no estado 1 ele está ligado mas a resistência não foi ativada, no estado 2 ele esta ligado e com a resistência em funciona-mento.

(a) Momento de Funcionamento do Fogão Elétrico, em 0 está desligado e em 1 ligado.

(b) Estados de Funcionamento do Fogão Elétrico, em 0 está desligado, em 1 está ligado mas com a resitência desativada e em 2 está ligado com a resistência ativa.

Figura 4 – Diferença entre o time-of-use do LVNS e a nova contribuição com a informação dos estados.

A partir deste ferramental foi possível avaliar os algortimos de detecção de eventos presentes na literatura e propor novos métodos, conforme mostra a Seção 2.1. Além disso foi possível avaliar também os métodos de reconhecimento, Seção 2.2. Adicionalmente o desenvolvimento das metodologias NILM+ e ILM- usaram este ferramental.

2 Monitoramento Não Intrusivo

O NILM tem como objetivo básico determinar o consumo individual de cada carga a partir da análise detalhada da tensão e da corrente na interface da instalação elétrica com a fonte de energia. Embora existam diversos algoritmos para desagregação de cargas, usando diferentes metodologias (ZEIFMAN; ROTH, 2011), a desagregação de cargas pode ser resumida em três etapas: detecção de eventos, reconhecimento e estimação do consumo. A detecção de eventos consiste em determinar quando uma carga alterou seu es-tado de regime, em outras palavras, detectar um evento é determinar quando uma carga foi acionada, desligada ou passou para a próxima etapa de funcionamento. A Figura 5 exemplifica a detecção de eventos, onde as setas representam eventos.

Figura 5 – Exemplo de detecção de Eventos na Curva de Potência Ativa.

O reconhecimento de eventos tem por finalidade a identificação da carga a qual o evento detectado pertence. Após a detecção de um evento, são usadas características específicas das cargas, comumente chamadas de assinaturas, para se efetuar a identifi-cação. Existem dois tipos de assinaturas: as elétricas e as não elétricas. Os autores do trabalho (ZEIFMAN; ROTH, 2011) propõem que as assinaturas elétricas sejam subdivi-das em dois tipos: microscópicas e macroscópicas. O termo “microscópico” refere-se aqui a características relacionadas a forma de onda do sinal, como por exemplo harmônicos, enquanto “macroscópico” refere-se a variações de valores integralizados, como os valores da potência ativa integralizados a cada um segundo. As assinaturas não elétricas referem-se as características do funcionamento das cargas que não são medidas diretamente com instrumentos clássicos de medição. Geralmente estão relacionadas as decisões e aos hábi-tos dos fabricantes e dos consumidores e não com a tensão e com a corrente a que estão submetidos os eletrodomésticos.

O reconhecimento de eventos pode ser feito com a aprendizagem de máquina su-pervisionada, não supervisionada ou computação suave (MAIMON, 2010). Para o

apren-dizado supervisionado, usa-se o termo Classificação. Com base em eventos já rotulados anteriormente, um classificador prediz o rótulo de qual carga o novo evento deve receber. A abordagem supervisionada precisa do conjunto de eventos já rotulados, que é chamado de conjunto de dados de treinamento. São exemplos de algoritmos de aprendizagem su-pervisionada de máquinas: Máquina de Vetores de Suporte, Árvore de Decisões e Redes Bayesianas. O aprendizado não supervisionado é chamado Agrupamento. Através da com-paração das assinaturas de cada evento, estes são agrupados por semelhança, sendo que cada grupo representaria uma carga. A abordagem não supervisionada não usa um con-junto de dados de treinamento, uma vez que faz apenas o agrupamento de eventos com características semelhantes. São exemplos de aprendizado não supervisionado: Algoritmos Hierárquicos de Agrupamento e Agrupamento por Vizinho mais Próximo. 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. A Figura 6 apresenta um exemplo dos resultados da aplicação de algoritmos de aprendizagem de máquina.

Figura 6 – Fronteiras de decisão para as classes de TV LCD, TV de plasma e lâmpada incandescente, usando arvore de decisões (DT) e K-enésimo vizinho mais pró-ximo (KNN) (SOUZA, 2016).

A estimação do consumo de energia, executada a partir dos eventos detectados e re-conhecidos, fornece estimativas das curvas de carga de cada equipamento individualmente. A estimação do consumo de energia é dependente dos procedimentos de classificação e também do tipo de carga que está sendo estimada (liga/desliga, constante, múltiplos es-tágios e continuamente variáveis). A Figura 7 exibe um exemplo de modelo simplificado para a estimação do consumo de energia usando a forma trapezoidal, onde as variações de potência ativa dos eventos de acionamento e desligamento são consideradas como bases de um trapézio. O método trapezoidal é comumente empregado para se estimar o consumo de cargas do tipo liga/desliga.

Figura 7 – Cálculo da energia de sinais trapezoidais (MONZANI, 2016a).

cargas, respectivamente, detecção de eventos, reconhecimento e estimação do consumo. Cada seção detalha melhor cada etapa e em seguida apresenta as contribuições feitas em cada uma.

2.1

Detecção de Eventos

De acordo com (MATTHEWS et al., 2008), a caraterização da forma de um sinal elétrico no domínio do tempo requer amostragem mínima de cinco vezes a frequência de interesse, caracterizando uma ‘regra de ouro’ para reproduzir com precisão qualquer forma de onda. Alternativamente, se o interesse é representar o sinal no domínio da frequência, então uma taxa superior a duas vezes à frequência de interesse é o suficiente de acordo com o teorema de amostragem de Nyquist-Shannon. Este teorema afirma que para capturar adequadamente um sinal, esse deve ser amostrado a uma taxa maior que o dobro da frequência de interesse. Com esta taxa de amostragem, a maioria das métricas da teoria de potência convencional, como a tensão quadrática média (RMS), a corrente RMS, a potência ativa, potência reativa, entre outras, podem ser calculadas, sendo o período de integração adotado de acordo a aplicação desejada. A escolha do hardware de amostragem está vinculada a assinatura de interesse, a qual será usada na etapa de reconhecimento. Se a assinatura de interesse é microscópica (e.g. forma de onde, harmônicos), a taxa de amostragem do hardware deverá ser alta, se é macroscópica (e.g. variação da potência ativa), a taxa de amostragem poderá ser baixa, contudo, deve ser suficiente para o cálculo das métricas.

Maiores taxas de amostragem podem trazer mais informações e consequentemente levar a uma desagregação de cargas mais precisa. No entanto, altas taxas podem resultar em problemas de transmissão e armazenamento de dados. Uma solução é calcular as características localmente, usando um microprocessador dentro do sistema de aquisição de dados, armazenando apenas uma quantidade limitada de dados. Além disso, o sistema

de aquisição de dados pode ser programado para gravar e processar apenas alterações significativas no sinal (ZEIFMAN; ROTH, 2011).

Após a amostragem do sinal, a etapa de detecção de eventos é executada, podendo empregar diferentes metodologias. A escolha do método de detecção indiretamente tam-bém se baseia na assinatura de interesse, pois está intimamente relacionada à taxa de amostragem do sinal usado na detecção. Desse modo, os métodos de detecção também podem ser subdivididos de acordo com a classificação das assinaturas, macroscópicas e microscópicas. Neste trabalho foram propostos somente métodos de detecção macroscó-picos porque, entre os bancos de dados utilizados, o menor período de integração era de 500 milissegundos para o UFES.

Um dos desafios referente aos métodos de detecção é o fato de que alguns eventos possuem características distintas (MONZANI, 2016b), entre os quais se destacam: pico de corrente no acionamento (e.g. geladeiras, freezers), eventos lentos (e.g. microondas), ruído, eventos bifásicos (e.g. chuveiro, fogão elétrico), eventos adjacentes (eventos com poucas amostra de diferença) e eventos sobrepostos (múltiplos eventos na mesma amostra). A Figura 8 resume os eventos problemáticos descritos neste parágrafo. Embora, sejam apre-sentados apenas eventos no nível macroscópicos, esses também têm implicações no nível microscópico.

A próxima seção apresenta os métodos de detecção de eventos desenvolvidos neste trabalho.

(a) pico de partida (b) evento lento (c) ruído

(d) evento adjacente (e) evento bifásico (f) evento sobreposto

2.1.1

Métodos de Detecção Presentes na Literatura

Esta seção são apresentados os métodos de detecção presentes na literatura que servirão de base para se avaliar os novos métodos propostos.

2.1.1.1 Transição de Borda de Hart

O método de detecção por transição de borda, conhecido também como método da derivada, é o mais antigo e também o mais básico (HART, 1992). O método considera que uma carga é acionada quando a potência ativa sofre uma transição de borda de subida e a carga é desligada quando a potência ativa sofre uma transição de borda de descida. Ainda em (HART, 1992), recomenda-se utilizar a transição de estado observando a potência normalizada em relação à tensão de referência nominal da rede, pois se considera que tal tensão pode variar em até ±5%. A variação pode ocorrer também com a corrente por perdas Joule e, consequentemente, para a potência consumida. A Equação 2.1 demonstra o emprego da potência normalizada, em que 𝑉𝑁 é o valor de tensão nominal e 𝑉 é o valor

de tensão medida. 𝑃𝑁 𝑂𝑅𝑀 = (𝑉𝑁)2× 𝑌 (𝑡) = (︂_𝑉 𝑁 𝑉 )︂2 × 𝑃 (𝑡) (2.1)

O método consiste em avaliar a diferença entre duas amostras adjacentes de todo o conjunto de dados e quando essa diferença for maior do que a tolerância especificada, a variação é armazenada. De acordo com a Equação 2.2, observa-se que apenas a variação de potência ativa importa, quando Δ𝑡 = 1s.

𝑑𝑃 𝑑𝑇 = Δ𝑃 (𝑛) Δ𝑡 = 𝑃 (𝑛 + 1) − 𝑃 (𝑛) 𝑡2− 𝑡1 = 𝑃 (𝑛 + 1) − 𝑃 (𝑛) (2.2) Este método é simples mas tende a detectar pequenas variações de potência como eventos, gerando muitos falsos positivos. A sua principal vantagem é o baixo carregamento computacional. Em relação às limitações, esse método não é adequado para a detecção de cargas quando os eventos se sobrepõem e também, quando cargas ficam acionadas por longo período de tempo ou não sofrem transição de borda (NAJMEDDINE et al., 2008). 2.1.1.2 Transição de Borda de Dong

Em (DONG, 2013), usa-se o método da derivada e unem-se as amostras cuja deri-vada foi inferior ao limiar em segmentos maiores desprezando pequenos períodos ruidosos, quando a diferença entre a média das amostras após o ruído de curto período e as anteri-ores apresentam valor inferior ao limiar pré-estabelecido. Após a detecção de um evento, um novo processo é iniciado para unir o próximo segmento. O valor médio é calculado

para cada segmento obtido. Este método tem a vantagem de desprezar pequenos períodos ruidosos mas tem dificuldade de separar eventos muito próximos.

2.1.1.3 Transição de Borda de Monzani

O algoritmo de transição de borda de (MONZANI, 2016b) trata da identificação em sinais contendo ruídos e da correta detecção do valor associado à transição de potência ativa, que são limitações presentes nos métodos anteriores. Este método se baseia na identificação de segmentos contínuos em períodos ruidosos, comparando as diferenças entre os valores médios de segmentos adjacentes e tratando a detecção de borda a partir do valor médio das amostras anteriores ao evento. Destaca-se que a duração do evento deve ser tratada. Considera-se também a identificação de transição de borda de acordo com a correta variação de potência ativa, observando eventos que não foram computados devido à variação da transição ser inferior à tolerância especificada. O propósito principal desse algoritmo é evitar erros associados a eventos ruidosos e também eventos não identificados. Esse método pode ser caracterizado pelo conceito de média móvel usando a transição de borda com avaliação em duas etapas.

Este método testa a variação de potência ativa entre amostras adjacentes continu-amente. Quando esta diferença é maior do que uma tolerância de ruído (e.g. Ru = 20 W), um marcador é ativado e a amostra corrente é armazenada (EV). Nesse caso, a próxima amostra é computada em relação à tolerância de limiar (e.g. Ds = 50 W), caso o valor seja maior do que a primeira amostra, um evento é identificado, e as amostras anteriores são mescladas em um segmento contínuo. Caso contrário, esse evento é caracterizado como ruído e desprezado. A variação de potência ativa para o evento identificado é calculada considerando o tamanho do segmento, quando maior do que certo número de amostras (e.g. 5 amostras), o valor médio das últimas três amostras é calculado, e quando for infe-rior, a variação é calculada em relação à média do segmento inteiro. Assim, são evitados os erros na detecção da variação de potência devido a eventos que não foram identificados. Este método tem o benefício de tratar a detecção em sinais contendo ruídos e da correta detecção do valor associado à transição de potência ativa de eventos muito próximos. Entretanto é dependente dos valores de tolerância escolhidos.

2.1.1.4 Transitórios de Partida de Sultanem

Em (LEEB et al., 1993) e (LEEB et al., 1995) um algoritmo de detecção de eventos transitórios foi proposto para aplicações em ambientes comerciais e industriais. O algo-ritmo procura por variação significativa no transitório de partida ao invés de procurar por todo o sinal analisado. Isso permite reduzir a complexidade do algoritmo e analisar um número maior de eventos. Mesmo com transitórios sobrepostos, pelo fato de monitorar apenas um pequeno trecho do sinal, com significativa variação, dificilmente uma carga

irá interferir na detecção de um evento associado a outra carga. Outra vantagem é que essa característica existe mesmo quando empregada a correção do fator de potência. Além disso, cargas com variação de velocidade são facilmente identificadas.

Em relação às limitações, esse método exige alta taxa de amostragem, demandando espaço significativo no banco de dados tanto para armazenamento quanto para consulta (NAJMEDDINE et al., 2008). Algoritmos com detecção de transitórios ponderam apenas o transitório no acionamento da carga, não sendo adequados quando a carga é desligada, pois o transitório é desprezível.

2.1.2

Novos Métodos de Detecção de Eventos

Esta seção apresenta quatro métodos de detecção de eventos que foram desenvolvi-dos: Janela com Margens, Amostra Deslocada, Máximos de Desvio Padrão e Máximos de Variância. Também foram feitos testes usando-se morfologias matemáticas (GAUTAM; BRAHMA, 2009), mas como até o momento da produção deste texto as ideias ainda não haviam sido implementadas como algoritmos decidiu-se apenas incluir os testes no Anexo B.

2.1.2.1 Janela com Margens

O método Janelas com Margens (AZZINI et al., 2014b; AZZINI et al., 2017) uti-liza as margens esquerda e direita de uma janela que percorre a curva de potência ativa da residência. O objetivo é localizar degraus referentes a eventos de liga e de desliga dos eletrodomésticos, conforme Figura 9. Quando a diferença entre as médias da margem es-querda e direita ultrapassa um determinado valor é detectada a possibilidade de evento. Em seguida é aplicada uma segunda janela com margens, com largura diferente da pri-meira janela, e se a diferença entre as margens também ultrapassa o valor é registrado o evento. As duas janelas são necessárias pois cada uma filtra um tipo de transiente que pode ser erroneamente reconhecido como evento. A janela mais larga evita os picos e a mais estreita evita as transições suaves de potência.

Na Figura 9 é possível perceber que o método tem parâmetros que devem ser ajustados: 𝐷𝑠, 𝑊 𝑑, 𝑝𝑁 𝑚, 𝑊 𝑓 e 𝑝𝑁 𝑚𝑓 . 𝐷𝑠 é o valor mínimo que a diferença entre as médias da margem esquerda e direita deve ter para que seja considerado um evento. 𝑊 𝑑 é a largura da janela primária enquanto 𝑊 𝑓 é a largura da janela secundária. 𝑝𝑁 𝑚 e 𝑝𝑁 𝑚𝑓 são as porcentagens do tamanho da margem em relação as respectivas janelas, primária e secundária. A Seção discute como é feito a sintonia destes parâmetros.

Figura 9 – Descrição do método Janelas com Margens (AZZINI et al., 2014b).

2.1.2.2 Amostra Deslocada

O método de transição de borda de Azzini (AZZINI et al., 2014b), também conhe-cido como Amostra Deslocada, baseia-se na derivada da curva de potência para identificar os eventos. Este método apresenta baixa complexidade e requer pouco esforço computaci-onal. Uma grande diferença entre valores de duas amostras consecutivas indica a possibi-lidade de ter ocorrido um evento. A confirmação é realizada com uma janela secundária, igual a do método da Janelas com Margens, aplicada em torno do possível evento. Se a di-ferença entre as margens for maior que um limite especificado, o evento será armazenado. A janela secundária 𝑊 𝑓 é necessária pois o método é extremamente sensível a flutuações e picos na curva de potência. Para situações em que a potência continua a aumentar ou diminuir em mais de duas amostras, é feito um ajuste fino da posição da janela. Para implementar este método, o vetor contendo as amostras de potência ativa é deslocado de uma amostra. Em seguida, o vetor original é subtraído do vector deslocado. A fim de obter o mesmo tamanho de vetor, é adicionada uma amostra nula ao final do vetor original e uma amostra nula no início do vetor deslocado, conforme Figura 10. Após a subtração dos dois vetores, todos os elementos do vetor resultante que tem valor inferior a um degraru