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

• Processo: 19/15192-9
• Modalidade de apoio: Auxílio à Pesquisa - Regular
• Data de Início da vigência: 01 de novembro de 2019
• Data de Término da vigência: 31 de janeiro de 2022
• Área do conhecimento: Engenharias - Engenharia Elétrica - Medidas Elétricas, Magnéticas e Eletrônicas, Instrumentação
• Pesquisador responsável: Ricardo Augusto Souza Fernandes
• Beneficiário: Ricardo Augusto Souza Fernandes
• Instituição Sede: Centro de Ciências Exatas e de Tecnologia (CCET). Universidade Federal de São Carlos (UFSCAR). São Carlos , SP, Brasil
• Município da Instituição Sede: São Carlos
• Pesquisadores associados: Denis Vinicius Coury ; Tatiane Cristina da Costa Fernandes
• Assunto(s): Casas conectadas Medidas elétricas Gestão inteligente de energia Consumo de energia elétrica Aprendizagem profunda Inteligência artificial Análise de séries temporais
• Palavra(s)-Chave do Pesquisador: Deep Learning | Gráficos de Recorrência | Identificação de Cargas Residenciais | Monitoramento não invasivo | Medidas Elétricas

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)

Publicações científicas

(4)

(Referências obtidas automaticamente do Web of Science e do SciELO, por meio da informação sobre o financiamento pela FAPESP e o número do processo correspondente, incluída na publicação pelos autores)

CAVALCA, DIEGO L.; FERNANDES, RICARDO A. S.; IEEE. Recurrence Plots and Convolutional Neural Networks Applied to Nonintrusive Load Monitoring. 2020 IEEE POWER & ENERGY SOCIETY GENERAL MEETING (PESGM), v. N/A, p. 5-pg., 2020-01-01. (19/15192-9)

MORAES, ANDERSON L.; FERNANDES, RICARDO A. S.; IEEE. Recurrence Plots: A Novel Feature Engineering Technique to Analyze Power Quality Disturbances. 2020 IEEE POWER & ENERGY SOCIETY GENERAL MEETING (PESGM), v. N/A, p. 5-pg., 2020-01-01. (19/15192-9)

DE MORAES, ANDERSON LUIS; COURY, DENIS VINICIUS; FERNANDES, RICARDO AUGUSTO SOUZA. Power Quality Disturbances Segmentation: An Approach Based on Gramian Angular Field. ELECTRIC POWER COMPONENTS AND SYSTEMS, v. N/A, p. 16-pg., 2023-09-12. (21/04872-9, 23/00182-3, 19/15192-9)

CAVALCA, DIEGO L.; FERNANDES, RICARDO A. S.. Deep Transfer Learning-Based Feature Extraction: An Approach to Improve Nonintrusive Load Monitoring. IEEE ACCESS, v. 9, p. 139328-139335, 2021. (19/15192-9)