Rotulação multilabel para classificação de eventos em NILM

Detalhes bibliográficos
Autor(a) principal: Silva, Luan Maciel Matos
Data de Publicação: 2023
Tipo de documento: Trabalho de conclusão de curso
Idioma: por
Título da fonte: Repositório Institucional da Universidade Federal Fluminense (RIUFF)
Texto Completo: http://app.uff.br/riuff/handle/1/31637
Resumo: A eficiência energética de instalações é um tópico crucial no contexto do desenvolvimento sustentável, visando a redução dos gastos elevados de energia e da poluição do meio ambiente. O monitoramento de cargas individuais é um processo importante para dar início ao planejamento energético, porém muito complexo e custoso. Desenvolvido por George Hart, a metodologia NILM(Non Intrusive Load Monitoring) consiste na utilização de um único medidor inteligente, que é capaz de medir o consumo de n elementos ligados a um mesmo circuito, a partir de apenas uma medição. Através de uma análise sofisticada é possível estimar cada medição individual e porventura, identificar as cargas conectadas. A desagregação é a reconstituição dos sinais individuais de cada carga, e esta tarefa será feita por uma inteligência artificial, que tem como finalidade classificar o sinal recebido em classes relacionadas às cargas do sistema. A classificação é um processo complexo que pode ser feito por diversos algoritmos e metodologias. É um desafio encontrar o melhor classificador e metodologia para lidar com o problema de desagregação de carga. Neste trabalho busca-se realizar uma aplicação de técnicas de \textit{multilabel} tanto na rotulação da base de dados, como na indução de classificadores. Busca-se também a indução de um algoritmo capaz de classificar diversos eventos de liga e desliga de uma base de dados, que possa ser utilizado em um dispositivo embarcado, visando ser uma solução eficiente e de baixo custo para medições inteligentes
id UFF-2_b90c2de2dbf21e90702a728da8f80fdb
oai_identifier_str oai:app.uff.br:1/31637
network_acronym_str UFF-2
network_name_str Repositório Institucional da Universidade Federal Fluminense (RIUFF)
repository_id_str 2120
spelling Rotulação multilabel para classificação de eventos em NILMNILMAprendizado de máquinasClassificaçãoRede neuralEficiência energéticaInteligência artificialClassificação de dadosMachine learningClassificationNeural networkA eficiência energética de instalações é um tópico crucial no contexto do desenvolvimento sustentável, visando a redução dos gastos elevados de energia e da poluição do meio ambiente. O monitoramento de cargas individuais é um processo importante para dar início ao planejamento energético, porém muito complexo e custoso. Desenvolvido por George Hart, a metodologia NILM(Non Intrusive Load Monitoring) consiste na utilização de um único medidor inteligente, que é capaz de medir o consumo de n elementos ligados a um mesmo circuito, a partir de apenas uma medição. Através de uma análise sofisticada é possível estimar cada medição individual e porventura, identificar as cargas conectadas. A desagregação é a reconstituição dos sinais individuais de cada carga, e esta tarefa será feita por uma inteligência artificial, que tem como finalidade classificar o sinal recebido em classes relacionadas às cargas do sistema. A classificação é um processo complexo que pode ser feito por diversos algoritmos e metodologias. É um desafio encontrar o melhor classificador e metodologia para lidar com o problema de desagregação de carga. Neste trabalho busca-se realizar uma aplicação de técnicas de \textit{multilabel} tanto na rotulação da base de dados, como na indução de classificadores. Busca-se também a indução de um algoritmo capaz de classificar diversos eventos de liga e desliga de uma base de dados, que possa ser utilizado em um dispositivo embarcado, visando ser uma solução eficiente e de baixo custo para medições inteligentesEnergy efficiency in facilities is a crucial topic in the context of sustainable development, aiming to reduce high energy costs and environmental pollution. Monitoring individual loads is a critical process to initiate energy planning, but it is often complex and costly. Developed by George Hart (HART, 1992), NILM (Non-Intrusive Load Monitoring) involves the use of a single smart meter capable of reading n elements connected to the grid. Through sophisticated analysis, Hart’s meter can estimate measurements and, consequently, identify the loads connected to it. Using NILM practice, this work aims to perform intelligent measurements, but the analysis will be based on the complete signal of a facility, which will be computationally disaggregated. Disaggregation is the reconstruction of individual signals from each load, which will be done by artificial intelligence with the purpose of classifying the received signal into classes related to the system’s loads. Classification is a complex process that can be performed by various different classifiers and methodologies. Finding the best classifier and methodology to deal with the load disaggregation problem is a challenge. This work seeks to study multi-label techniques for labeling the database and classifiers for the development of an algorithm capable of classifying various switch-on and switch-off events in a database, so that it can be used in a device, aiming to be an efficient and cost-effective solution for intelligent measurements66 p.Zanghi, RainerPinho, Andre da CostaAugusto, Andre AbelSilva, Luan Maciel Matos2023-12-22T12:41:24Z2023-12-22T12:41:24Zinfo:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/bachelorThesisapplication/pdfSILVA, Luan Maciel Matos. Rotulação multilabel para classificação de eventos em NILM. 2023. 66 f. Trabalho de Conclusão de Curso (Graduação em Engenharia Elétrica) - Escola de Engenharia, Universidade Federal Fluminense, Niterói, 2023.http://app.uff.br/riuff/handle/1/31637CC-BY-SAinfo:eu-repo/semantics/openAccessporreponame:Repositório Institucional da Universidade Federal Fluminense (RIUFF)instname:Universidade Federal Fluminense (UFF)instacron:UFF2023-12-22T12:41:28Zoai:app.uff.br:1/31637Repositório InstitucionalPUBhttps://app.uff.br/oai/requestriuff@id.uff.bropendoar:21202024-08-19T11:17:32.218928Repositório Institucional da Universidade Federal Fluminense (RIUFF) - Universidade Federal Fluminense (UFF)false
dc.title.none.fl_str_mv Rotulação multilabel para classificação de eventos em NILM
title Rotulação multilabel para classificação de eventos em NILM
spellingShingle Rotulação multilabel para classificação de eventos em NILM
Silva, Luan Maciel Matos
NILM
Aprendizado de máquinas
Classificação
Rede neural
Eficiência energética
Inteligência artificial
Classificação de dados
Machine learning
Classification
Neural network
title_short Rotulação multilabel para classificação de eventos em NILM
title_full Rotulação multilabel para classificação de eventos em NILM
title_fullStr Rotulação multilabel para classificação de eventos em NILM
title_full_unstemmed Rotulação multilabel para classificação de eventos em NILM
title_sort Rotulação multilabel para classificação de eventos em NILM
author Silva, Luan Maciel Matos
author_facet Silva, Luan Maciel Matos
author_role author
dc.contributor.none.fl_str_mv Zanghi, Rainer
Pinho, Andre da Costa
Augusto, Andre Abel
dc.contributor.author.fl_str_mv Silva, Luan Maciel Matos
dc.subject.por.fl_str_mv NILM
Aprendizado de máquinas
Classificação
Rede neural
Eficiência energética
Inteligência artificial
Classificação de dados
Machine learning
Classification
Neural network
topic NILM
Aprendizado de máquinas
Classificação
Rede neural
Eficiência energética
Inteligência artificial
Classificação de dados
Machine learning
Classification
Neural network
description A eficiência energética de instalações é um tópico crucial no contexto do desenvolvimento sustentável, visando a redução dos gastos elevados de energia e da poluição do meio ambiente. O monitoramento de cargas individuais é um processo importante para dar início ao planejamento energético, porém muito complexo e custoso. Desenvolvido por George Hart, a metodologia NILM(Non Intrusive Load Monitoring) consiste na utilização de um único medidor inteligente, que é capaz de medir o consumo de n elementos ligados a um mesmo circuito, a partir de apenas uma medição. Através de uma análise sofisticada é possível estimar cada medição individual e porventura, identificar as cargas conectadas. A desagregação é a reconstituição dos sinais individuais de cada carga, e esta tarefa será feita por uma inteligência artificial, que tem como finalidade classificar o sinal recebido em classes relacionadas às cargas do sistema. A classificação é um processo complexo que pode ser feito por diversos algoritmos e metodologias. É um desafio encontrar o melhor classificador e metodologia para lidar com o problema de desagregação de carga. Neste trabalho busca-se realizar uma aplicação de técnicas de \textit{multilabel} tanto na rotulação da base de dados, como na indução de classificadores. Busca-se também a indução de um algoritmo capaz de classificar diversos eventos de liga e desliga de uma base de dados, que possa ser utilizado em um dispositivo embarcado, visando ser uma solução eficiente e de baixo custo para medições inteligentes
publishDate 2023
dc.date.none.fl_str_mv 2023-12-22T12:41:24Z
2023-12-22T12:41:24Z
dc.type.status.fl_str_mv info:eu-repo/semantics/publishedVersion
dc.type.driver.fl_str_mv info:eu-repo/semantics/bachelorThesis
format bachelorThesis
status_str publishedVersion
dc.identifier.uri.fl_str_mv SILVA, Luan Maciel Matos. Rotulação multilabel para classificação de eventos em NILM. 2023. 66 f. Trabalho de Conclusão de Curso (Graduação em Engenharia Elétrica) - Escola de Engenharia, Universidade Federal Fluminense, Niterói, 2023.
http://app.uff.br/riuff/handle/1/31637
identifier_str_mv SILVA, Luan Maciel Matos. Rotulação multilabel para classificação de eventos em NILM. 2023. 66 f. Trabalho de Conclusão de Curso (Graduação em Engenharia Elétrica) - Escola de Engenharia, Universidade Federal Fluminense, Niterói, 2023.
url http://app.uff.br/riuff/handle/1/31637
dc.language.iso.fl_str_mv por
language por
dc.rights.driver.fl_str_mv CC-BY-SA
info:eu-repo/semantics/openAccess
rights_invalid_str_mv CC-BY-SA
eu_rights_str_mv openAccess
dc.format.none.fl_str_mv application/pdf
dc.source.none.fl_str_mv reponame:Repositório Institucional da Universidade Federal Fluminense (RIUFF)
instname:Universidade Federal Fluminense (UFF)
instacron:UFF
instname_str Universidade Federal Fluminense (UFF)
instacron_str UFF
institution UFF
reponame_str Repositório Institucional da Universidade Federal Fluminense (RIUFF)
collection Repositório Institucional da Universidade Federal Fluminense (RIUFF)
repository.name.fl_str_mv Repositório Institucional da Universidade Federal Fluminense (RIUFF) - Universidade Federal Fluminense (UFF)
repository.mail.fl_str_mv riuff@id.uff.br
_version_ 1811823713807499264