Please use this identifier to cite or link to this item: http://repositorio.ufla.br/jspui/handle/1/31740
metadata.teses.dc.title: Classificador não invasivo de cargas elétricas residenciais com acionamento simultâneo
metadata.teses.dc.title.alternative: Non-invasive classifier for residential electrical loads switched at the same time
metadata.teses.dc.creator: Lima, Rodrigo Botelho de
metadata.teses.dc.creator.Lattes: http://lattes.cnpq.br/1313723075765428
metadata.teses.dc.contributor.advisor1: Lacerda, Wilian Soares
metadata.teses.dc.contributor.advisor-co1: Ferreira, Danton Diego
metadata.teses.dc.contributor.referee1: Ferreira, Danton Diego
metadata.teses.dc.contributor.referee2: Baccarini, Lane Maria Rabelo
metadata.teses.dc.contributor.referee3: Ferreira, Sílvia Costa
metadata.teses.dc.subject: Monitoramento não invasivo
Identificação de cargas elétricas
Estatística de ordem superior
Florestas aleatórias
Redes neurais artificiais
Non-invasive monitoring
Electrical loads identification
Upper order statistics
Random forests
Artificial neural networks
metadata.teses.dc.date.issued: 12-Nov-2018
metadata.teses.dc.description.sponsorship: Coordenação de Aperfeiçoamento de Pessoal de Nível Superior (CAPES)
metadata.teses.dc.identifier.citation: LIMA, R. B. de. Classificador não invasivo de cargas elétricas residenciais com acionamento simultâneo. 2018. 74 p. Dissertação (Mestrado em Engenharia de Sistemas de Automação)-Universidade Federal de Lavras, Lavras, 2018.
metadata.teses.dc.description.resumo: A preocupação com o futuro dos recursos energéticos mundiais leva os pesquisadores a buscarem alternativas que possam permitir o gerenciamento desses recursos. Essa preocupação se torna maior com o aumento do consumo de energia elétrica pela população. A necessidade de conhecer o perfil dos consumidores é ainda mais proeminente com a entrada da Tarifa Branca, autorizada pela ANEEL, em janeiro de 2018. Essa tarifa se aplica aos consumidores residenciais que, para optar por essa tarifa, precisam conhecer o seu perfil de consumo. Este trabalho de mestrado traz uma proposta para classificar cargas acionadas individualmente ou mesmo quando outra já está em funcionamento. Para isso, é montado um banco de dados com cinco tipos de cargas que compõem cinco classes diferentes. Também são montadas cinco classes que utilizam o acionamento de uma carga enquanto outra está em funcionamento. Como classificador foram implementados algoritmos de aprendizagem de máquina, são eles: Redes Neurais Artificiais, Máquina de Vetor Suporte e Floresta Aleatória. Após o desenvolvimento do modelo, pela análise das métricas utilizadas, pôde ser observado que a acurácia média para o classificador baseado em Máquina de Vetor Suporte foi de 99,8%, a precisão média foi de 99,31%, e a sensibilidade média foi de 99,8%. O classificador baseado em Redes Neurais Artificiais alcançou acurácia média de 98,85%, precisão média de 98,82% e sensibilidade média de 98,5%. Quanto ao classificador baseado em Florestas Aleatórias, foram alcançados os valores médios para acurácia de 98,95%, para precisão de 98,81% e para sensibilidade de 98,8%. Para todos os classificadores, o valor médio para a métrica de F1 score foi de 0,99, resultado que mostra um bom desempenho para todos os modelos. Dessa forma, como observado, o SVM mostrou ser melhor em todas as métricas. Mostrou ainda melhor desempenho relativo a tempo de treinamento sugerindo um menor esforço computacional, e consequentemente, menor custo para colocar em produção. Outra avaliação a ser realizada é que a Estatística de Ordem Superior mostrou ser uma excelente ferramenta para a extração dos parâmetros de treinamento para fins de classificação de cargas elétricas.
metadata.teses.dc.description.abstract: Thinking about the future of the world's, especially about energy resources, scientists are seeking alternatives that allow management of these resources. This concern increases with the high consumption of electric energy by the people. Beside of this, in January 2018, electrical energy consumers were able to choose between staying in the normal tariff or switching to a white tariff, but to do this choice the needs to know their profile consume. This study presents a proposal to classify individually driven loads or even when another one is already in operation. For this a dataset was set up with five different types of loads that make up five different classes. Five classes are also assembled which use the triggering of one load while another is in operation. As a classifier, machine learning algorithms were implemented using: Artificial Neural Networks, Vector Support Machine and Random Forests. After developed the model, the results of the collected metrics, showed that the average accuracy for the Classifier based on Vector Support Machine was 99.8%, the average accuracy was 99.31%, and the sensitivity was 99.8%. The Classifier based on Artificial Neural Networks reached the average accuracy of 98.85%, the average precision of 98.82% and the average sensitivity of 98.5%. As for the classifier based on Random Forests, the classifier reached the average values for accuracy of 98.95%, 98.81% for precision and sensitivity of 98.8%. For all classifiers the mean value reached for the F1 score metric was 0.99, this result analysis showed that the models performed very well. Thus, as observed, the SVM proved to be better in all metrics. The SVM still presented better performance in training time, suggesting a lower computational effort and hence a lower cost to produce. Another evaluation to be carried out is that the Higher Order Statistics also showed to be efficient in the extraction of parameters in this work.
metadata.teses.dc.identifier.uri: http://repositorio.ufla.br/jspui/handle/1/31740
metadata.teses.dc.publisher: Universidade Federal de Lavras
metadata.teses.dc.language: por
Appears in Collections:DEG - Engenharia de Sistemas e Automação - Mestrado (Dissertações)



Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.