Rotulação de cargas residenciais por meio de campo angular gramiano e gráficos de recorrência: uma análise comparativa usando o conjunto de dados UK-DALE

• Processo: 22/00750-9
• Modalidade de apoio: Bolsas no Brasil - Iniciação Científica
• Data de Início da vigência: 01 de abril de 2022
• Data de Término da vigência: 31 de março de 2023
• Área de conhecimento: Engenharias - Engenharia Elétrica - Medidas Elétricas, Magnéticas e Eletrônicas, Instrumentação
• Pesquisador responsável: Ricardo Augusto Souza Fernandes
• Beneficiário: Juan Salin Corrêa
• Instituição Sede: Centro de Ciências Exatas e de Tecnologia (CCET). Universidade Federal de São Carlos (UFSCAR). São Carlos , SP, Brasil
• Assunto(s): Redes neurais convolucionais Aprendizagem profunda Medidas elétricas Análise de séries temporais
• Palavra(s)-Chave do Pesquisador: Aprendizado profundo | Campo Angular Gramiano | Gráficos de Recorrência | Monitoramento Não Invasivo de Cargas | Redes Neurais convolucionais | Medidas Elétricas

Resumo

Nos últimos anos, a demanda por energia elétrica vem aumentando rapidamente e, junto dela, a necessidade de usá-la de forma eficiente. Nesse sentido, a identificação de cargas residenciais possibilita tal uso por parte dos consumidores e, além disso, é crucial para programas de resposta à demanda. Sendo assim, o desenvolvimento de algoritmos de rotulação é de grande interesse à comunidade científica e ao setor produtivo. Devido à variedade de cargas elétricas/eletrônicas nas residências e de seus comportamentos dinâmicos, a busca por padrões que melhor expliquem e permitam a correta rotulação das janelas temporais torna-se uma tarefa desafiadora, visto que uma janela poderá conter mais de uma carga. Assim, a presente pesquisa propõe a transformação das séries temporais em imagens bidimensionais, mais especificamente usando Campo Angular Gramiano e Gráficos de Recorrência. As imagens resultantes desse processo poderão efetivamente ser rotuladas por meio de técnicas consideradas avançadas no âmbito de aprendizado de máquina, como é o caso das Redes Neurais Convolucionais. Para tanto, serão considerados os dados da UK-DALE (United Kingdom - Domestic Appliance - Level Electricity) por se tratar de uma base pública. Os resultados permitirão definir a eficácia dos algoritmos de transformação das séries temporais em imagens bidimensionais, além de demonstrar ainda a robustez e capacidade de generalização da técnica de aprendizado profundo.(AU)