Desagregación de energía no intrusiva a través de la detección de similitudes en los patrones de consumo eléctrico
DOI:
https://doi.org/10.17533/udea.redin.20200370Palabras clave:
monitoreo no intrusivo deenergía, similitud de patrones, eficiencia energéticaResumen
Desglosar el consumo energético agregado en un consumo detallado por electrodoméstico es una herramienta crucial para la eficiencia energética en edificios residenciales. El monitoreo no intrusivo de consumo energético permite implementar esta estrategia usando solo un medidor de energía inteligente, sin instalar hardware adicional. La información obtenida es crítica para caracterizar el consumo de energía con el fin de evitar sobrecargas del sistema eléctrico y para elaborar tarifas que reduzcan los costos de electricidad de los usuarios. Este artículo presenta un enfoque para la desagregación del consumo de energía en hogares, basado en la detección de patrones similares de consumo en conjuntos de datos registrados previamente. La evaluación experimental se realiza en cuatro instancias que modelan escenarios de hogares reales utilizando datos de un repositorio de consumo de energía. Los resultados experimentales se comparan con algoritmos del entorno de trabajo nilmtk (optimización combinatoria y modelo oculto de Markov factorial). El algoritmo propuesto alcanzó resultados precisos, de acuerdo con métricas estándar de predicción. La precisión no fue afectada significativamente por la presencia de ambigüedad entre el consumo de energía de diferentes dispositivos o por la diferencia de consumo entre los dispositivos de entrenamiento y de validación.
Descargas
Citas
International Energy Agency, “World Energy Outlook 2015,” White paper, 2015.
D. Larcher and J. Tarascon, “Towards greener and more sustainable batteries for electrical energy storage,” Nature Chemistry, vol. 7, no. 1, pp. 19–29, 2015.
R. Ford, “Reducing domestic energy consumption through behaviour modification,” Ph.D. dissertation, Oxford University, 2009.
E. Luján, A. Otero, S. Valenzuela, E. Mocskos, L. Steffenel, and S. Nesmachnow, “Cloud Computing for Smart Energy Management (CC-SEM Project),” in Smart Cities, ser. Communications in Computer and Information Science. Springer, 2019, vol. 978.
E. Orsi and S. Nesmachnow, “Smart home energy planning using IoT and the cloud,” in IEEE URUCON, 2017.
R. Massobrio, S. Nesmachnow, A. Tchernykh, A. Avetisyan, and G. Radchenko, “Towards a cloud computing paradigm for big data analysis in smart cities,” Programming and Computer Software, vol. 44, no. 3, pp. 181–189, 2018.
N. Batra, J. Kelly, O. Parson, H. Dutta, W. Knottenbelt, A. Rogers, A. Singh, and M. Srivastava, “NILMTK: an open source toolkit for non-intrusive load monitoring,” in 5th International Conference on Future Energy Systems, 2014, pp. 265–276.
R. Porteiro, S. Nesmachnow, and L. Hernández, “Short term load forecasting of industrial electricity using machine learning,” in Smart Cities, ser. Communications in Computer and Information Science, S. Nesmachnow and L. Hernández, Eds. Springer, 2019, vol. 1152.
B. Neenan, J. Robinson, and R. Boisvert, “Residential electricity use feedback: A research synthesis and economic framework,” Electric Power Research Institute, 2009.
J. Kelly and W. Knottenbelt, “The UK-DALE dataset, domestic appliance-level electricity demand and whole-house demand from five UK homes,” Scientific Data, vol. 2, 2015.
J. Chavat, J. Graneri, and S. Nesmachnow, “Household energy disaggregation based on pattern consumption similarities,” in 2nd Iberoamerican Congress on Smart Cities, 2019.
M. Figueiredo, A. De Almeida, and B. Ribeiro, “Home electrical signal disaggregation for non-intrusive load monitoring (NILM) systems,” Neurocomputing, vol. 96, pp. 66–73, 2012.
G. Hart, “Nonintrusive appliance load monitoring,” Proceedings of the IEEE, vol. 80, no. 12, pp. 1870–1891, 1992.
R. Bonfigli, S. Squartini, M. Fagiani, and F. Piazza, “Unsupervised algorithms for non-intrusive load monitoring: An up-to-date overview,” in 15th International Conference on Environment and Electrical Engineering, 2015.
J. Kelly and W. Knottenbelt, “Neural NILM: Deep Neural Networks Applied to Energy Disaggregation,” in 2nd ACM International Conference on Embedded Systems for Energy-Efficient Built Environments, 2015, pp. 55–64.
J. Kolter and M. Johnson, “Redd: A public data set for energy disaggregation research,” in Workshop on Data Mining Applications in Sustainability, 2011, pp. 59–62.
A. Soares, A. Gomes, and C. Antunes, “Categorization of residential electricity consumption as a basis for the assessment of the impacts of demand response actions,” Renewable and Sustainable Energy Reviews, vol. 30, pp. 490–503, 2014.
J. Kelly and W. Knottenbelt, “Metadata for Energy Disaggregation,” in The 2nd IEEE International Workshop on Consumer Devices and Systems, Västerås, Sweden, Jul. 2014.
J. Gibbons and S. Chakraborti, Nonparametric Statistical Inference. CRC Press, 2003.
S. Nesmachnow and S. Iturriaga, “Cluster-UY: High Performance Scientific Computing in Uruguay,” in International Supercomputing Conference in Mexico, 2019.
Z. Ghahramani and M. Jordan, “Factorial hidden Markov models,” in Advances in Neural Information Processing Systems, 1996, pp. 472–478.
H. Kim, M. Marwah, M. Arlitt, G. Lyon, and J. Han, “Unsupervised disaggregation of low frequency power measurements,” in SIAM international conference on data mining, 2011, pp. 747–758.
G. Colacurcio, S. Nesmachnow, J. Toutouh, F. Luna, and D. Rossit, “Multiobjective household energy planning using evolutionary algorithms,” in Smart Cities, ser. Communications in Computer and Information Science, S. Nesmachnow and L. Hernández, Eds. Springer, 2019, vol. 1152.
Descargas
Publicado
Cómo citar
Número
Sección
Licencia
Derechos de autor 2021 Revista Facultad de Ingeniería Universidad de Antioquia
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial-CompartirIgual 4.0.
Los artículos disponibles en la Revista Facultad de Ingeniería, Universidad de Antioquia están bajo la licencia Creative Commons Attribution BY-NC-SA 4.0.
Eres libre de:
Compartir — copiar y redistribuir el material en cualquier medio o formato
Adaptar : remezclar, transformar y construir sobre el material.
Bajo los siguientes términos:
Reconocimiento : debe otorgar el crédito correspondiente , proporcionar un enlace a la licencia e indicar si se realizaron cambios . Puede hacerlo de cualquier manera razonable, pero no de ninguna manera que sugiera que el licenciante lo respalda a usted o su uso.
No comercial : no puede utilizar el material con fines comerciales .
Compartir igual : si remezcla, transforma o construye a partir del material, debe distribuir sus contribuciones bajo la misma licencia que el original.
El material publicado por la revista puede ser distribuido, copiado y exhibido por terceros si se dan los respectivos créditos a la revista, sin ningún costo. No se puede obtener ningún beneficio comercial y las obras derivadas tienen que estar bajo los mismos términos de licencia que el trabajo original.