PROGRAMA DE PÓS-GRADUAÇÃO EM ENGENHARIA ELÉTRICA (PPGEE)
UNIVERSIDADE FEDERAL DA PARAÍBA
- Telefone/Ramal
-
Não informado
Notícias
Banca de QUALIFICAÇÃO: CARLOS ALEJANDRO URZAGASTI
Uma banca de QUALIFICAÇÃO de MESTRADO foi cadastrada pelo programa.
DISCENTE: CARLOS ALEJANDRO URZAGASTI
DATA: 29/08/2024
HORA: 14:30
LOCAL: https://meet.google.com/wvr-pjfj-ait
TÍTULO: Estudo Comparativo de Técnicas de Desagregação de Energia em Eletrodomésticos Residenciais com Múltiplos Estados
PALAVRAS-CHAVES: NILM, Eletrodomésticos de Múltiplos Estados, Desagregação de energia, Aprendizado de máquina
PÁGINAS: 71
RESUMO: Este trabalho investiga técnicas de desagregação de energia (NILM- Non-Intrusive Load
Monitoring) aplicadas a eletrodomésticos residenciais com múltiplos estados operacionais,
visando resolver o problema da identificação precisa do consumo de energia individual de
cada eletrodoméstico. Utilizando diversas técnicas de Machine Learning, Deep Learning
e métodos tradicionais, a pesquisa compara a eficácia dessas técnicas na desagregação
de consumo de geladeiras, máquinas de lavar e ar condicionados. Uma revisão sistemá
tica da literatura foi realizada para identificar lacunas na pesquisa, revelando desafios
significativos na desagregação de eletrodomésticos de múltiplos estados, especialmente
devido à complexidade dos padrões de uso e ao desbalanceamento dos dados. A revisão
também permitiu detectar bases de dados com pouca exploração em testes, levando à
utilização da base de dados Pecan Street, que contém dados de medição de 25 casas em
Austin, Texas, com taxas de amostragem de 1Hz. Os resultados das técnicas apontam que
modelos de Deep Learning apresentam um bom desempenho para eletrodomésticos com
múltiplos estados, mas perdem eficácia quando aplicados a dispositivos diferentes com
características similares. Em contrapartida, modelos estatísticos tradicionais, apesar de
terem um desempenho geral mais baixo, mantêm uma performance mais estável e não
perdem tanto desempenho ao tentar generalizar para diferentes eletrodomésticos. Esta
dissertação contribui para o avanço das técnicas de NILM, oferecendo insights valiosos para
futuras pesquisas e aplicações na gestão eficiente de energia em ambientes residenciais.
MEMBROS DA BANCA:
Presidente - 1636976 - FABIANO SALVADORI
Interno - 1972280 - JUAN MOISES MAURICIO VILLANUEVA
Externo à Instituição - PAULO SERGIO SAUSEN