Desagregação de cargas residenciais: detecção de eventos e classificação em ambiente real

Abstract

A gestão prudente do consumo de eletricidade em residências está se tornando cada vez mais importante. Adotar comportamentos que reduzem o consumo da energia utilizada contribuem na redução de desperdício e favorecem a eficiência energética. O monitoramento de carga não intrusivo (Non-Intrusive Load Monitoring - NILM) residencial é uma forma de contribuir na supervisão dos equipamentos elétricos e uma ferramenta de informação para aplicações que envolvem feedback aos consumidores, no ajuste de hábitos e uso mais conservador dos equipamentos em suas edificações. Portanto, este trabalho tem como objetivo apresentar um método para desagregação de cargas elétricas em um ambiente real, utilizando sistema de monitoramento não intrusivo com detector probabilístico de eventos e três classificadores distintos com conceitos de aprendizado de máquina, que possuem características desejáveis para aplicações práticas. O método proposto foi avaliado através de um cenário prático, verificando se o monitoramento é eficiente quando a etapa de treinamento é realizada com uma coleção pública de sinais elétricos de outra realidade (país ou região) e, posteriormente, aplicado em ambiente residencial com características distintas. As validações do sistema são realizadas através de métricas definidas na literatura para sistema de monitoramento. Ao aplicar a metodologia verificou-se que um conjunto público de dados, mesmo não correspondente ao conjunto local dos equipamentos monitorados, é suficiente para a base de implementação de sistemas NILM. Os resultados mostram através do índice Kappa, que o desempenho do classificador por rede neural artificial obteve o maior grau de concordância, entre os dados esperados e apresentados, para a desagregação de cargas em ambiente residencial. Além disso, o trabalho contribui com a disponibilidade de um conjunto de sinais elétricos de acesso público que podem ser utilizados em trabalhos similares. Tal estratégia favorece a comunidade científica nacional, no que diz respeito, à disponibilidade de uma metodologia para o desenvolvimento e avaliação de sistemas NILM, visto que, conjuntos de dados são escassos para a realidade brasileira.

Abstract: The prudent management of electricity consumption in households is becoming increasingly important. The adoption of behaviors that reduce the consumption of energy used contributes to reduce waste and favoring energy efficiency. Non-intrusive load monitoring (NILM) is a way to contribute to the supervision of electrical equipment and an information tool for applications that envolve consumer feedback in the adjustment of habits and more conservative use of equipment in their buildings. Therefore, this paper aims to present a method for electrical load disaggregation in a real environment, using non-intrusive monitoring system with probabilistic event detector and three distinct classifiers with machine learning concepts, which have desirable characteristics for practical applications. The proposed method was evaluated through a functional scenario, verifying if the monitoring is efficient when the training stage is performed with a public collection of electrical signals from another reality (country or region) and, later, applied in a residential environment with distinct characteristics. The system validations are performed through metrics defined in the literature for monitoring systems. By using the methodology it was verified that a public data set, even if it does not correspond to the local set of monitored equipment, is sufficient for NILM system implementation. The results show, through the Kappa index, that the performance of the artificial neural network classifier obtained the highest degree of agreement, between the expected and presented data, for load disaggregation in a residential environment. In addition, the work contributes with the availability of a set of publicly accessible electrical signals that can be used in similar work. This strategy favors the national scientific community, regarding the availability of a methodology for developing and evaluating NILM systems, since data sets are scarce for the Brazilian reality.