Rotulação multilabel para classificação de eventos em NILM
Autor(a) principal: | |
---|---|
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 |