Sistema de classificação inteligente de cargas elétricas similares e não similares

Detalhes bibliográficos
Autor(a) principal: Paixão, Aloisio Ramos da
Data de Publicação: 2016
Tipo de documento: Dissertação
Idioma: por
Título da fonte: Repositório Institucional da Universidade Federal do Espírito Santo (riUfes)
Texto Completo: http://repositorio.ufes.br/handle/10/8428
Resumo: This research aims to development a system of intelligent classification of similar and non similar electrical loads, using non-intrusive measurement for the acquisition of voltage and current electric signals. Initially an experimental platform containing an arrangement with 4 similar electrical loads, that is, of the same manufacturer and with identical technical specifications, is implemented. Subsequently, an arrangement with 4 non-similar electric loads is used, in order to allow a comparison with the works observed in the recent literature. Six intelligent classifiers are used in the identification process, namely: k-means, Case-Based Reasoning (CBR), CBR+k-means and three Multi-Layer Perceptron (MLP) Artificial Neural Networks (ANN), being one ANN with 4 neurons in the hidden layer (MLP-4) and two ANNs with 8 neurons in the hidden layer (MLP-8 and MLP-8-C30000) that differ only in the number of cycles used as criterion of Learning. The experiments are performed using electrical signals sampled in the frequencies of 6.25kHz, 12.5kHz and 25kHz, in order to verify the influence of the sampling rate on the identification process. The influence of the number of samples used for the tests is also verified. For this, 50, 100 and 150 samples are used for each load configuration. The tests are performed per device (4 electric loads) and per class (24=16 experimental platform operating configurations). It is verified that both sampling rate and number of samples are influenced the performance of the classifiers, opening up possibilities for the development of new works that aim to find optimal configurations involving such parameters. The results obtained for similar electrical loads reached 85.94% of success when identifying a connected device and 73.75% when identifying an arrangement configuration. On the other hand, results with non-similar electrical loads show the compatibility with the results found in the literature, that is, varying between 92.69% and 100% accuracy.
id UFES_1a961ef92ccab8bce25aa6d3144e9fb5
oai_identifier_str oai:repositorio.ufes.br:10/8428
network_acronym_str UFES
network_name_str Repositório Institucional da Universidade Federal do Espírito Santo (riUfes)
repository_id_str 2108
spelling Rigo Júnior, Luís OtávioCeleste, Wanderley CardosoPaixão, Aloisio Ramos daAtencio, Anibal CotrinaRocha, Helder Roberto de Oliveira2018-08-01T23:29:05Z2018-08-012018-08-01T23:29:05Z2016-12-01This research aims to development a system of intelligent classification of similar and non similar electrical loads, using non-intrusive measurement for the acquisition of voltage and current electric signals. Initially an experimental platform containing an arrangement with 4 similar electrical loads, that is, of the same manufacturer and with identical technical specifications, is implemented. Subsequently, an arrangement with 4 non-similar electric loads is used, in order to allow a comparison with the works observed in the recent literature. Six intelligent classifiers are used in the identification process, namely: k-means, Case-Based Reasoning (CBR), CBR+k-means and three Multi-Layer Perceptron (MLP) Artificial Neural Networks (ANN), being one ANN with 4 neurons in the hidden layer (MLP-4) and two ANNs with 8 neurons in the hidden layer (MLP-8 and MLP-8-C30000) that differ only in the number of cycles used as criterion of Learning. The experiments are performed using electrical signals sampled in the frequencies of 6.25kHz, 12.5kHz and 25kHz, in order to verify the influence of the sampling rate on the identification process. The influence of the number of samples used for the tests is also verified. For this, 50, 100 and 150 samples are used for each load configuration. The tests are performed per device (4 electric loads) and per class (24=16 experimental platform operating configurations). It is verified that both sampling rate and number of samples are influenced the performance of the classifiers, opening up possibilities for the development of new works that aim to find optimal configurations involving such parameters. The results obtained for similar electrical loads reached 85.94% of success when identifying a connected device and 73.75% when identifying an arrangement configuration. On the other hand, results with non-similar electrical loads show the compatibility with the results found in the literature, that is, varying between 92.69% and 100% accuracy.O presente trabalho tem como objetivo desenvolver um sistema de classificação inteligente de cargas elétricas similares e não similares, utilizando medição não intrusiva para a aquisição dos sinais elétricos de tensão e de corrente. Inicialmente implementa-se uma plataforma experimental contendo um arranjo com 4 cargas elétricas similares, isto é, de um mesmo fabricante e com especificações técnicas idênticas. Posteriormente utiliza-se um arranjo com 4 cargas elétricas não similares, a fim de possibilitar uma comparação com os trabalhos observados na literatura recente. Utilizam-se seis classificadores inteligentes no processo de identificação, a saber: k-means (k-médias), Raciocínio Baseado em Casos (RBC), RBC+k-means e três Redes Neurais Artificiais (RNA) do tipo Multi-Layer Perceptron (MLP), sendo uma RNA com 4 neurônios na camada escondida (MLP-4) e duas RNAs com 8 neurônios na camada escondida (MLP-8 e MLP-8-C30000), as quais se diferem apenas na quantidade de ciclos (épocas) utilizados como critério de parada durante o aprendizado. Os experimentos para as cargas elétricas similares são realizados com os dados obtidos através das frequências de amostragem de 6,25kHz, 12,5kHz e 25kHz, a fim de verificar a influência da taxa de amostragem no processo de identificação. Verifica-se também a influência da quantidade de amostras utilizadas nos experimentos. Utilizam-se 50, 100 e 150 amostras para cada configuração de funcionamento das cargas, isto é, por dispositivo (4 cargas elétricas) e por classe (24=16 configurações de funcionamento da plataforma experimental). Verifica-se que a taxa de amostragem na aquisição dos sinais elétricos e a quantidade de amostras utilizadas nos testes, influenciam no desempenho dos classificadores, abrindo-se possibilidades para o desenvolvimento de novos trabalhos que visem encontrar configurações ótimas envolvendo tais parâmetros. Para as cargas elétricas similares, obteve-se resultados de até 85,94% de acerto para os dispositivos e de até 73,75% para as classes. Para as cargas elétricas não similares, realizaram-se testes com 150 amostras e frequência de amostragem de 25kHz. Os resultados obtidos nestes testes mostram-se compatíveis com os resultados observados na literatura, isto é, os resultados variaram entre 92,69% e 100% de acerto.TextPAIXÃO, Aloisio Ramos da. Sistema de classificação inteligente de cargas elétricas similares e não similares. 2016. 80 f. Dissertação (Mestrado em Energia) - Programa de Pós-Graduação em Energia, Universidade Federal do Espírito Santo, São Mateus, 2016.http://repositorio.ufes.br/handle/10/8428porUniversidade Federal do Espírito SantoMestrado em EnergiaPrograma de Pós-Graduação em EnergiaUFESBRElectrical signalsSimilar electrical loadsElectrical characteristicsIntelligent classifiersCargas elétricas similaresCaracterísticas elétricasClassificadores inteligentesSistema de Classificação InteligenteEnergia elétricaCargas elétricasSinais elétricosEngenharia/Tecnologia/Gestão620.9Sistema de classificação inteligente de cargas elétricas similares e não similaresinfo:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesisinfo:eu-repo/semantics/openAccessreponame:Repositório Institucional da Universidade Federal do Espírito Santo (riUfes)instname:Universidade Federal do Espírito Santo (UFES)instacron:UFESORIGINALtese_10471_Aloisio Ramos da Paixão.pdfapplication/pdf5157481http://repositorio.ufes.br/bitstreams/27ee634d-5db0-4f59-bfda-c74a1af6e9eb/downloadf6e931650197adbd8f58162a299dbd56MD5110/84282024-07-17 16:01:30.152oai:repositorio.ufes.br:10/8428http://repositorio.ufes.brRepositório InstitucionalPUBhttp://repositorio.ufes.br/oai/requestopendoar:21082024-10-15T17:51:40.285327Repositório Institucional da Universidade Federal do Espírito Santo (riUfes) - Universidade Federal do Espírito Santo (UFES)false
dc.title.none.fl_str_mv Sistema de classificação inteligente de cargas elétricas similares e não similares
title Sistema de classificação inteligente de cargas elétricas similares e não similares
spellingShingle Sistema de classificação inteligente de cargas elétricas similares e não similares
Paixão, Aloisio Ramos da
Electrical signals
Similar electrical loads
Electrical characteristics
Intelligent classifiers
Cargas elétricas similares
Características elétricas
Classificadores inteligentes
Sistema de Classificação Inteligente
Engenharia/Tecnologia/Gestão
Energia elétrica
Cargas elétricas
Sinais elétricos
620.9
title_short Sistema de classificação inteligente de cargas elétricas similares e não similares
title_full Sistema de classificação inteligente de cargas elétricas similares e não similares
title_fullStr Sistema de classificação inteligente de cargas elétricas similares e não similares
title_full_unstemmed Sistema de classificação inteligente de cargas elétricas similares e não similares
title_sort Sistema de classificação inteligente de cargas elétricas similares e não similares
author Paixão, Aloisio Ramos da
author_facet Paixão, Aloisio Ramos da
author_role author
dc.contributor.advisor-co1.fl_str_mv Rigo Júnior, Luís Otávio
dc.contributor.advisor1.fl_str_mv Celeste, Wanderley Cardoso
dc.contributor.author.fl_str_mv Paixão, Aloisio Ramos da
dc.contributor.referee1.fl_str_mv Atencio, Anibal Cotrina
dc.contributor.referee2.fl_str_mv Rocha, Helder Roberto de Oliveira
contributor_str_mv Rigo Júnior, Luís Otávio
Celeste, Wanderley Cardoso
Atencio, Anibal Cotrina
Rocha, Helder Roberto de Oliveira
dc.subject.eng.fl_str_mv Electrical signals
Similar electrical loads
Electrical characteristics
Intelligent classifiers
topic Electrical signals
Similar electrical loads
Electrical characteristics
Intelligent classifiers
Cargas elétricas similares
Características elétricas
Classificadores inteligentes
Sistema de Classificação Inteligente
Engenharia/Tecnologia/Gestão
Energia elétrica
Cargas elétricas
Sinais elétricos
620.9
dc.subject.por.fl_str_mv Cargas elétricas similares
Características elétricas
Classificadores inteligentes
Sistema de Classificação Inteligente
dc.subject.cnpq.fl_str_mv Engenharia/Tecnologia/Gestão
dc.subject.br-rjbn.none.fl_str_mv Energia elétrica
Cargas elétricas
Sinais elétricos
dc.subject.udc.none.fl_str_mv 620.9
description This research aims to development a system of intelligent classification of similar and non similar electrical loads, using non-intrusive measurement for the acquisition of voltage and current electric signals. Initially an experimental platform containing an arrangement with 4 similar electrical loads, that is, of the same manufacturer and with identical technical specifications, is implemented. Subsequently, an arrangement with 4 non-similar electric loads is used, in order to allow a comparison with the works observed in the recent literature. Six intelligent classifiers are used in the identification process, namely: k-means, Case-Based Reasoning (CBR), CBR+k-means and three Multi-Layer Perceptron (MLP) Artificial Neural Networks (ANN), being one ANN with 4 neurons in the hidden layer (MLP-4) and two ANNs with 8 neurons in the hidden layer (MLP-8 and MLP-8-C30000) that differ only in the number of cycles used as criterion of Learning. The experiments are performed using electrical signals sampled in the frequencies of 6.25kHz, 12.5kHz and 25kHz, in order to verify the influence of the sampling rate on the identification process. The influence of the number of samples used for the tests is also verified. For this, 50, 100 and 150 samples are used for each load configuration. The tests are performed per device (4 electric loads) and per class (24=16 experimental platform operating configurations). It is verified that both sampling rate and number of samples are influenced the performance of the classifiers, opening up possibilities for the development of new works that aim to find optimal configurations involving such parameters. The results obtained for similar electrical loads reached 85.94% of success when identifying a connected device and 73.75% when identifying an arrangement configuration. On the other hand, results with non-similar electrical loads show the compatibility with the results found in the literature, that is, varying between 92.69% and 100% accuracy.
publishDate 2016
dc.date.issued.fl_str_mv 2016-12-01
dc.date.accessioned.fl_str_mv 2018-08-01T23:29:05Z
dc.date.available.fl_str_mv 2018-08-01
2018-08-01T23:29:05Z
dc.type.status.fl_str_mv info:eu-repo/semantics/publishedVersion
dc.type.driver.fl_str_mv info:eu-repo/semantics/masterThesis
format masterThesis
status_str publishedVersion
dc.identifier.citation.fl_str_mv PAIXÃO, Aloisio Ramos da. Sistema de classificação inteligente de cargas elétricas similares e não similares. 2016. 80 f. Dissertação (Mestrado em Energia) - Programa de Pós-Graduação em Energia, Universidade Federal do Espírito Santo, São Mateus, 2016.
dc.identifier.uri.fl_str_mv http://repositorio.ufes.br/handle/10/8428
identifier_str_mv PAIXÃO, Aloisio Ramos da. Sistema de classificação inteligente de cargas elétricas similares e não similares. 2016. 80 f. Dissertação (Mestrado em Energia) - Programa de Pós-Graduação em Energia, Universidade Federal do Espírito Santo, São Mateus, 2016.
url http://repositorio.ufes.br/handle/10/8428
dc.language.iso.fl_str_mv por
language por
dc.rights.driver.fl_str_mv info:eu-repo/semantics/openAccess
eu_rights_str_mv openAccess
dc.format.none.fl_str_mv Text
dc.publisher.none.fl_str_mv Universidade Federal do Espírito Santo
Mestrado em Energia
dc.publisher.program.fl_str_mv Programa de Pós-Graduação em Energia
dc.publisher.initials.fl_str_mv UFES
dc.publisher.country.fl_str_mv BR
publisher.none.fl_str_mv Universidade Federal do Espírito Santo
Mestrado em Energia
dc.source.none.fl_str_mv reponame:Repositório Institucional da Universidade Federal do Espírito Santo (riUfes)
instname:Universidade Federal do Espírito Santo (UFES)
instacron:UFES
instname_str Universidade Federal do Espírito Santo (UFES)
instacron_str UFES
institution UFES
reponame_str Repositório Institucional da Universidade Federal do Espírito Santo (riUfes)
collection Repositório Institucional da Universidade Federal do Espírito Santo (riUfes)
bitstream.url.fl_str_mv http://repositorio.ufes.br/bitstreams/27ee634d-5db0-4f59-bfda-c74a1af6e9eb/download
bitstream.checksum.fl_str_mv f6e931650197adbd8f58162a299dbd56
bitstream.checksumAlgorithm.fl_str_mv MD5
repository.name.fl_str_mv Repositório Institucional da Universidade Federal do Espírito Santo (riUfes) - Universidade Federal do Espírito Santo (UFES)
repository.mail.fl_str_mv
_version_ 1813022502356516864