Banca de DEFESA: CARLOS ALEJANDRO URZAGASTI

Uma banca de DEFESA de MESTRADO foi cadastrada pelo programa.
DISCENTE: CARLOS ALEJANDRO URZAGASTI
DATA: 26/02/2025
HORA: 14:30
LOCAL: https://meet.google.com/kpx-uoxm-dxn
TÍTULO: Estudo Comparativo de Técnicas de Desagregação de Cargas em Eletrodomésticos Residenciais com Múltiplos Estados
PALAVRAS-CHAVES: NILM, Eletrodomésticos de Múltiplos Estados, Desagregação de energia, Aprendizado de máquina
PÁGINAS: 76
GRANDE ÁREA: Engenharias
ÁREA: Engenharia Elétrica
RESUMO: Este trabalho investiga o monitoramento não intrusivo de cargas (NILM - Non-Intrusive Load Monitoring), uma técnica que visa identificar o consumo de energia de eletrodomésticos em ambientes residenciais sem a necessidade de sensores dedicados para cada dispositivo. A desagregação de aparelhos com múltiplos estados operacionais, como geladeiras, máquinas de lavar e ar condicionados, é um problema complexo devido à variabilidade dos padrões de consumo. Foi realizada uma revisão sistemática da literatura, que revelou que as técnicas de aprendizado profundo (Deep Learning) apresentam elevada precisão, mas enfrentam desafios de generalização quando aplicadas a dispositivos diferentes, mesmo que similares em função. Também foram identificadas lacunas no uso de bases de dados em testes de NILM, especialmente no que diz respeito à diversidade de amostras. A metodologia proposta inclui o uso de técnicas de Machine Learning e Deep Learning, aplicadas à base de dados Pecan Street, que contém medições detalhadas de consumo energético de 25 residências em Austin, Texas, com taxa de amostragem de 1Hz. Entre as técnicas utilizadas estão Denoising Autoencoders (DAE), Recurrent Neural Networks with Attention (RNN-Attention) e Seq2Point. Os resultados parciais indicam que as técnicas de aprendizado profundo apresentam bom desempenho na desagregação de aparelhos com múltiplos estados operacionais, mas perdem eficácia ao tentar generalizar para diferentes modelos de aparelhos com características semelhantes. Este trabalho contribui para o avanço das técnicas de NILM, propondo melhorias que podem aumentar a precisão e a generalização dos modelos em cenários reais.
MEMBROS DA BANCA:
Presidente - 1606978 - ISAAC SOARES DE FREITAS
Interno - 1972280 - JUAN MOISES MAURICIO VILLANUEVA
Externo à Instituição - PAULO SERGIO SAUSEN