Sistema de classificação inteligente de cargas elétricas similares e não similares
Autor(a) principal: | |
---|---|
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 |