Extração de características por transferência de aprendizado profundo no âmbito do monitoramento não Invasivo de cargas residenciais
Autor(a) principal: | |
---|---|
Data de Publicação: | 2024 |
Tipo de documento: | Tese |
Idioma: | por |
Título da fonte: | Repositório Institucional da UFSCAR |
Texto Completo: | https://repositorio.ufscar.br/handle/ufscar/19115 |
Resumo: | The development of techniques that allow the efficient identification of loads, ideally in a nonintrusive way, is a key factor for the practical implementation of home energy management systems. Recently, the use of techniques based on deep learning has gained attention in different domains, such as signal and image processing, highlighting the models based on convolutional neural networks. However, the efficient training of these models is strongly dependent on the amount and balance of data, i.e., characteristics that are not normally found in nonintrusive load monitoring datasets. To deal with these challenges, this thesis proposes an approach based on three stages, which are: (i) transformation of time series into 2D images; (ii) feature extraction using deep transfer learning; and (iii) classification/labeling of loads. In this sense, it was considered five loads present in the Reference Energy Disaggregation Dataset. The results indicate that the proposed approach was able to obtain an average f1-score of 84.2%. Moreover, from the analysis of the results, it was also possible to observe a greater capacity of the proposed approach to infer and generalize its responses compared to other evaluated approaches, presenting a consistent result even in the face of unbalanced data. |
id |
SCAR_d45f6aa9a64403d123539f1af99b45fa |
---|---|
oai_identifier_str |
oai:repositorio.ufscar.br:ufscar/19115 |
network_acronym_str |
SCAR |
network_name_str |
Repositório Institucional da UFSCAR |
repository_id_str |
4322 |
spelling |
Cavalca, Diego LuizFernandes, Ricardo Augusto Souzahttp://lattes.cnpq.br/0880243208789454https://lattes.cnpq.br/3677080775789758https://orcid.org/0000-0002-7793-94252024-01-17T13:59:33Z2024-01-17T13:59:33Z2024-01-08CAVALCA, Diego Luiz. Extração de características por transferência de aprendizado profundo no âmbito do monitoramento não Invasivo de cargas residenciais. 2024. Tese (Doutorado em Ciência da Computação) – Universidade Federal de São Carlos, São Carlos, 2024. Disponível em: https://repositorio.ufscar.br/handle/ufscar/19115.https://repositorio.ufscar.br/handle/ufscar/19115The development of techniques that allow the efficient identification of loads, ideally in a nonintrusive way, is a key factor for the practical implementation of home energy management systems. Recently, the use of techniques based on deep learning has gained attention in different domains, such as signal and image processing, highlighting the models based on convolutional neural networks. However, the efficient training of these models is strongly dependent on the amount and balance of data, i.e., characteristics that are not normally found in nonintrusive load monitoring datasets. To deal with these challenges, this thesis proposes an approach based on three stages, which are: (i) transformation of time series into 2D images; (ii) feature extraction using deep transfer learning; and (iii) classification/labeling of loads. In this sense, it was considered five loads present in the Reference Energy Disaggregation Dataset. The results indicate that the proposed approach was able to obtain an average f1-score of 84.2%. Moreover, from the analysis of the results, it was also possible to observe a greater capacity of the proposed approach to infer and generalize its responses compared to other evaluated approaches, presenting a consistent result even in the face of unbalanced data.O desenvolvimento de técnicas que permitem a eficiente identificação de cargas, idealmente de forma não invasiva, é um fator chave para a implementação prática de sistemas de monitoramento de energia residencial. Recentemente, o uso de técnicas baseadas em aprendizado profundo têm ganhado atenção em diferentes domínios, como processamento de sinais e imagens, com destaque aos modelos baseados em redes neurais convolucionais. No entanto, o treinamento eficiente desses modelos é fortemente dependente da quantidade e do balanceamento dos dados, ou seja, características que normalmente não são encontradas em conjuntos de dados de monitoramento não invasivo de cargas. Para lidar com esses desafios, esta tese propõe uma abordagem baseada em três etapas, a saber: (i) transformação de séries temporais em imagens 2D; (ii) extração de características usando transferência de aprendizado profundo; e (iii) classificação/rotulação de cargas residenciais. Nesse sentido, foram consideradas cinco cargas presentes no conjunto de dados Reference Energy Disaggregation Dataset. Os resultados apontam que a abordagem proposta foi capaz de obter um f1-score médio de 84,2%. Além disso, ainda foi possível observar uma maior capacidade da abordagem proposta em inferir e generalizar suas respostas em comparação a outras abordagens avaliadas, apresentando resultados consistentes mesmo diante do desbalanceamento dos dados.Coordenação de Aperfeiçoamento de Pessoal de Nível Superior (CAPES)88882.426803/2019-01porUniversidade Federal de São CarlosCâmpus São CarlosPrograma de Pós-Graduação em Ciência da Computação - PPGCCUFSCarAttribution-NonCommercial-NoDerivs 3.0 Brazilhttp://creativecommons.org/licenses/by-nc-nd/3.0/br/info:eu-repo/semantics/openAccessAprendizado profundoGráfico de recorrênciaIdentificação de cargas residenciaisMonitoramento não invasivo de cargasCIENCIAS EXATAS E DA TERRA::CIENCIA DA COMPUTACAO::METODOLOGIA E TECNICAS DA COMPUTACAOExtração de características por transferência de aprendizado profundo no âmbito do monitoramento não Invasivo de cargas residenciaisFeature extraction through deep transfer learning in the context of non-invasive monitoring of residential Loadsinfo:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/doctoralThesisreponame:Repositório Institucional da UFSCARinstname:Universidade Federal de São Carlos (UFSCAR)instacron:UFSCARORIGINALTese-DiegoCavalca.pdfTese-DiegoCavalca.pdfapplication/pdf4478802https://repositorio.ufscar.br/bitstream/ufscar/19115/1/Tese-DiegoCavalca.pdfef55606092f582436e9d145b17a4d954MD51CC-LICENSElicense_rdflicense_rdfapplication/rdf+xml; charset=utf-8810https://repositorio.ufscar.br/bitstream/ufscar/19115/2/license_rdff337d95da1fce0a22c77480e5e9a7aecMD52TEXTTese-DiegoCavalca.pdf.txtTese-DiegoCavalca.pdf.txtExtracted texttext/plain195896https://repositorio.ufscar.br/bitstream/ufscar/19115/3/Tese-DiegoCavalca.pdf.txtecd37f97667a74796ad4d99e60a39e37MD53ufscar/191152024-05-14 17:27:59.999oai:repositorio.ufscar.br:ufscar/19115Repositório InstitucionalPUBhttps://repositorio.ufscar.br/oai/requestopendoar:43222024-05-14T17:27:59Repositório Institucional da UFSCAR - Universidade Federal de São Carlos (UFSCAR)false |
dc.title.por.fl_str_mv |
Extração de características por transferência de aprendizado profundo no âmbito do monitoramento não Invasivo de cargas residenciais |
dc.title.alternative.eng.fl_str_mv |
Feature extraction through deep transfer learning in the context of non-invasive monitoring of residential Loads |
title |
Extração de características por transferência de aprendizado profundo no âmbito do monitoramento não Invasivo de cargas residenciais |
spellingShingle |
Extração de características por transferência de aprendizado profundo no âmbito do monitoramento não Invasivo de cargas residenciais Cavalca, Diego Luiz Aprendizado profundo Gráfico de recorrência Identificação de cargas residenciais Monitoramento não invasivo de cargas CIENCIAS EXATAS E DA TERRA::CIENCIA DA COMPUTACAO::METODOLOGIA E TECNICAS DA COMPUTACAO |
title_short |
Extração de características por transferência de aprendizado profundo no âmbito do monitoramento não Invasivo de cargas residenciais |
title_full |
Extração de características por transferência de aprendizado profundo no âmbito do monitoramento não Invasivo de cargas residenciais |
title_fullStr |
Extração de características por transferência de aprendizado profundo no âmbito do monitoramento não Invasivo de cargas residenciais |
title_full_unstemmed |
Extração de características por transferência de aprendizado profundo no âmbito do monitoramento não Invasivo de cargas residenciais |
title_sort |
Extração de características por transferência de aprendizado profundo no âmbito do monitoramento não Invasivo de cargas residenciais |
author |
Cavalca, Diego Luiz |
author_facet |
Cavalca, Diego Luiz |
author_role |
author |
dc.contributor.authorlattes.por.fl_str_mv |
https://lattes.cnpq.br/3677080775789758 |
dc.contributor.authororcid.por.fl_str_mv |
https://orcid.org/0000-0002-7793-9425 |
dc.contributor.author.fl_str_mv |
Cavalca, Diego Luiz |
dc.contributor.advisor1.fl_str_mv |
Fernandes, Ricardo Augusto Souza |
dc.contributor.advisor1Lattes.fl_str_mv |
http://lattes.cnpq.br/0880243208789454 |
contributor_str_mv |
Fernandes, Ricardo Augusto Souza |
dc.subject.por.fl_str_mv |
Aprendizado profundo Gráfico de recorrência Identificação de cargas residenciais Monitoramento não invasivo de cargas |
topic |
Aprendizado profundo Gráfico de recorrência Identificação de cargas residenciais Monitoramento não invasivo de cargas CIENCIAS EXATAS E DA TERRA::CIENCIA DA COMPUTACAO::METODOLOGIA E TECNICAS DA COMPUTACAO |
dc.subject.cnpq.fl_str_mv |
CIENCIAS EXATAS E DA TERRA::CIENCIA DA COMPUTACAO::METODOLOGIA E TECNICAS DA COMPUTACAO |
description |
The development of techniques that allow the efficient identification of loads, ideally in a nonintrusive way, is a key factor for the practical implementation of home energy management systems. Recently, the use of techniques based on deep learning has gained attention in different domains, such as signal and image processing, highlighting the models based on convolutional neural networks. However, the efficient training of these models is strongly dependent on the amount and balance of data, i.e., characteristics that are not normally found in nonintrusive load monitoring datasets. To deal with these challenges, this thesis proposes an approach based on three stages, which are: (i) transformation of time series into 2D images; (ii) feature extraction using deep transfer learning; and (iii) classification/labeling of loads. In this sense, it was considered five loads present in the Reference Energy Disaggregation Dataset. The results indicate that the proposed approach was able to obtain an average f1-score of 84.2%. Moreover, from the analysis of the results, it was also possible to observe a greater capacity of the proposed approach to infer and generalize its responses compared to other evaluated approaches, presenting a consistent result even in the face of unbalanced data. |
publishDate |
2024 |
dc.date.accessioned.fl_str_mv |
2024-01-17T13:59:33Z |
dc.date.available.fl_str_mv |
2024-01-17T13:59:33Z |
dc.date.issued.fl_str_mv |
2024-01-08 |
dc.type.status.fl_str_mv |
info:eu-repo/semantics/publishedVersion |
dc.type.driver.fl_str_mv |
info:eu-repo/semantics/doctoralThesis |
format |
doctoralThesis |
status_str |
publishedVersion |
dc.identifier.citation.fl_str_mv |
CAVALCA, Diego Luiz. Extração de características por transferência de aprendizado profundo no âmbito do monitoramento não Invasivo de cargas residenciais. 2024. Tese (Doutorado em Ciência da Computação) – Universidade Federal de São Carlos, São Carlos, 2024. Disponível em: https://repositorio.ufscar.br/handle/ufscar/19115. |
dc.identifier.uri.fl_str_mv |
https://repositorio.ufscar.br/handle/ufscar/19115 |
identifier_str_mv |
CAVALCA, Diego Luiz. Extração de características por transferência de aprendizado profundo no âmbito do monitoramento não Invasivo de cargas residenciais. 2024. Tese (Doutorado em Ciência da Computação) – Universidade Federal de São Carlos, São Carlos, 2024. Disponível em: https://repositorio.ufscar.br/handle/ufscar/19115. |
url |
https://repositorio.ufscar.br/handle/ufscar/19115 |
dc.language.iso.fl_str_mv |
por |
language |
por |
dc.rights.driver.fl_str_mv |
Attribution-NonCommercial-NoDerivs 3.0 Brazil http://creativecommons.org/licenses/by-nc-nd/3.0/br/ info:eu-repo/semantics/openAccess |
rights_invalid_str_mv |
Attribution-NonCommercial-NoDerivs 3.0 Brazil http://creativecommons.org/licenses/by-nc-nd/3.0/br/ |
eu_rights_str_mv |
openAccess |
dc.publisher.none.fl_str_mv |
Universidade Federal de São Carlos Câmpus São Carlos |
dc.publisher.program.fl_str_mv |
Programa de Pós-Graduação em Ciência da Computação - PPGCC |
dc.publisher.initials.fl_str_mv |
UFSCar |
publisher.none.fl_str_mv |
Universidade Federal de São Carlos Câmpus São Carlos |
dc.source.none.fl_str_mv |
reponame:Repositório Institucional da UFSCAR instname:Universidade Federal de São Carlos (UFSCAR) instacron:UFSCAR |
instname_str |
Universidade Federal de São Carlos (UFSCAR) |
instacron_str |
UFSCAR |
institution |
UFSCAR |
reponame_str |
Repositório Institucional da UFSCAR |
collection |
Repositório Institucional da UFSCAR |
bitstream.url.fl_str_mv |
https://repositorio.ufscar.br/bitstream/ufscar/19115/1/Tese-DiegoCavalca.pdf https://repositorio.ufscar.br/bitstream/ufscar/19115/2/license_rdf https://repositorio.ufscar.br/bitstream/ufscar/19115/3/Tese-DiegoCavalca.pdf.txt |
bitstream.checksum.fl_str_mv |
ef55606092f582436e9d145b17a4d954 f337d95da1fce0a22c77480e5e9a7aec ecd37f97667a74796ad4d99e60a39e37 |
bitstream.checksumAlgorithm.fl_str_mv |
MD5 MD5 MD5 |
repository.name.fl_str_mv |
Repositório Institucional da UFSCAR - Universidade Federal de São Carlos (UFSCAR) |
repository.mail.fl_str_mv |
|
_version_ |
1802136430734999552 |