Monitoramento não invasivo de cargas baseado em gráficos de recorrência e deep learning no contexto de smart homes

Resumo

Atualmente, há grande preocupação com o gerenciamento da energia elétrica, principalmente, em grandes centros consumidores. Neste sentido, muitas pesquisas têm sido destinadas ao gerenciamento de energia residencial, pois estas visam a obtenção de soluções que permitam o monitoramento e identificação não invasivo de cargas, bem como a melhor eficiência no consumo de energia elétrica. Em conformidade com esse contexto, este projeto de pesquisa busca aprimorar o monitoramento não invasivo de cargas residenciais, considerando que as alterações de estado das cargas ocorrem ao longo do tempo. Portanto, pode-se destacar um dos grandes desafios encontrados na literatura, que é a identificação de padrões não lineares na classificação de séries temporais, comumente presentes em sistemas dinâmicos ou processos estocásticos. Frequentemente, estes fenômenos são recorrentes, de modo que certas regiões de seu espaço de estados são corriqueiramente visitadas. Ademais, a visualização desses comportamentos geralmente é muito difícil no domínio do tempo. Seguindo esta premissa, o presente projeto visa conduzir um amplo estudo sobre a utilização conjunta de gráficos de recorrência e técnicas de Deep Learning para a classificação de séries temporais. Para tanto, serão propostas algumas modificações no algoritmo de geração dos gráficos de recorrência para que este se torne adequado ao propósito do monitoramento não invasivo de cargas. Essa etapa de pré-processamento realizada por meio dos gráficos de recorrência será analisada para dados obtidos em distintas taxas de amostragem. Assim, será considerado um conjunto de dados obtido por meio de experimentos do Laboratório de Inteligência Artificial Aplicada (LIAA) da Universidade Federal de São Carlos. Após o tratamento destes dados, serão consideradas técnicas de Deep Learning para a detecção de eventos (alterações de estado) e classificação das cargas. (AU)