[pt] Desagregação de cargas é a tarefa de estimar o consumo individual de aparelhos elétricos a partir de medições de consumo de energia coletadas em um único ponto, em geral no quadro de distribuição do circuito. Este trabalho explora o uso de técnicas de aprendizado de máquina para esta tarefa, em uma base de dados coletada em uma fábrica de ração de aves no Brasil. É proposto um modelo combinando arquiteturas de autoencoders variacionais com as de fluxos normalizantes inversíveis. Os resultados obtidos são, de maneira geral, superiores aos melhores resultados reportados para esta base de dados até então, os superando em até 86 por cento no Erro do Sinal Agregado e em até 81 por cento no Erro de Desagregação Normalizado dependendo do equipamento desagregado. / [en] Load Disaggregation is the task of estimating appliance-level consumption from a single aggregate consumption metering point. This work explores machine learning techniques applied to an industrial load disaggregation dataset from a poultry feed factory in Brazil. It proposes a model that combines variational autoencoders with invertible normalizing flows models. The results obtained are, in general, better than the current best reported results for this dataset, outperforming them by up to 86 percent in the Signal Aggregate Error and by up to 81 percent in the Normalized Disaggregation Error.

[pt] Inferência ecológica reúne o conjunto de procedimentos estatísticos para se prever dados desagregados quando só estão disponíveis dados agregados. Duas novas metodologias propostas recentemente vêm motivando novos desenvolvimentos na área: o modelo baseado na normal bivariada truncada (MNBT) e o modelo hierárquico binomial-beta (MHBB). A tese reavalia estas metodologias e explora implementações computacionais mais eficientes através do Algoritmo EM e uma de suas extensões, o Algoritmo ECM. Comparando-se com métodos de quase-Newton, uma versão estável, porém mais lenta, é obtida para implementação do MNBT e uma versão estável e mais rápida é obtida para o MHBB. Adicionalmente, as metodologias são comparadas em termos de suas capacidades preditivas através de um extenso experimento de Monte Carlo e da aplicação sobre bases de dados reais selecionadas. A superioridade do MNBT se evidencia na maioria dos casos. Problemas de modelagem do MHBB são corrigidos e é apontada uma limitação assintótica das previsões produzidas por este último. / [en] Ecological inference comprises the set of statistical procedures for the prediction of disaggegate data when data are available only in aggregate form. Two recently proposed approaches have motivated new developments in the field: the model based on a truncated bivariate normal (MNBT) and the hierchical binomial-beta model (MHBB). The thesis reevaluates these approaches and explores more efficient computational implementations via the EM Algorithm and one of its extensions, the ECM Algorithm. As compared to quasi-Newton algorithms, a stable yet slower version is obtained for the implementation of the MNBT, and a stable and faster version is obtained for the MHBB. The methodologies are compared in predictive terms by means of an extensive Monte Carlo experiment and of the application to real datasets. The superiority of the MNBT is evident in the majority of cases. Modeling mistakes of the MHBB are corrected and an asymptotic restriction of the predictions made with this model is pointed. / [es] La inferencia ecológica reúne un conjunto de procedimentos estatísticos para prever datos desagregados cuando solo están disponibles datos agregados. Dos nuevas metodologías propuestas recientemente han motivando nuevos desarrollos en el área: el modelo que tiene como base la normal bivariada truncada (MNBT) y el modelo jerárquico binomial- beta (MHBB). La tesis reevalúa estas metodologías y explora implementaciones computacionales más eficientes a través del Algoritmo EM y una de sus extensiones, el Algoritmo ECM. Estos métodos se comparan con métodos de quase- Newton. Se obtiene una versión estable aunque más lenta, para la implementación de MNBT y una versión estable y más rápida para el MHBB. Adicionalmente, se comparan las metodologías en función de sus capacidades predictivas a través de un extenso experimento de Monte Carlo. Em la mayor parte de los casos se observa superioridad del MHNBT. Se corrigen problemas de modelaje del MHBB apuntadando uma limitación asintótica de las previsiones producidas por este último.

No description available.

[pt] Este trabalho apresenta um método de Monitoramento Não Intrusivo de Carga de Aparelhos elétricos (do inglês Non-Intrusive Appliance Load Monitoring – NIALM) supervisionado, usando técnicas de análise de estados estacionários, para desagregação do consumo elétrico residencial a partir de uma única medição, sem a necessidade de instalação de medidores individuais nos dispositivos. A metodologia proposta divide o problema em duas etapas. Inicialmente, há um pré-processamento para identificação e desagregação dos aparelhos que apresentam comportamento periódico, modelados a partir da estimação dos parâmetros da série de Fourier. Na etapa seguinte, os resultados obtidos são combinados a um modelo de otimização linear-inteiro misto para desagregação dos equipamentos não-periódicos, buscando minimizar a diferença entre a curva de carga total lida e a soma das curvas de carga desagregadas por dispositivo. Uma aplicação didática é realizada para validação do método proposto com dados reais e, por fim, é apresentada uma análise de viabilidade econômica da migração para a tarifa branca aplicada no Brasil. Os resultados mostram que, ao utilizar dessa metodologia, é possível que o usuário avalie se há ou não vantagem em deslocar parte do seu consumo de energia para fora do horário de ponta para obter benefício na sua fatura de energia elétrica. / [en] This work presents a supervised Non-Intrusive Appliance Load Monitoring (NILM) method, or energy disaggregation, for residential consumption, which aims to decompose the aggregate energy consumption data collected from a single measurement point into device-level consumption estimation using steady state analysis techniques with no need to install individual meters on appliances. The proposed methodology considers two steps to face the problem. Firstly, periodical appliances are modeled from the estimation of Fourier series parameters and extracted from the total power measured. Secondly, the results obtained are combined with a Mixed Integer Linear Programming proposed to disaggregate the remaining appliances, which minimize the difference between the total aggregated load and the sum of the estimated load curves per appliance. A study case is performed with a real case to validate the proposed method and indicates that the model can be useful for practical applications, such as helping evaluate the possibility of the consumers changing the modality of their tariff contract from the conventional tariff to the new Brazilian modality called white tariff.

No description available.

Le domaine lié à ce travail est appelé « désagrégation d’énergie », où la principale préoccupation est de décomposer, ou désagréger, la consommation globale d’énergie électrique (par exemple, la consommation de tout un ménage) en une consommation détaillée donnée comme information de consommation par usage (par exemple, par appareil). Cette dernière permet d’avoir un retour sur la consommation pour les consommateurs ainsi que pour les fournisseurs et est utile pour permettre des économies d’énergie. Dans ce domaine de désagrégation d’énergie, il existe trois grandes questions auxquelles il faut répondre : qui consomme ? quand ? et combien ? Les recherches menées dans cette thèse se concentrent sur l’identification des appareils électriques, c’est-à-dire la réponse à la première question, en considérant particulièrement des appareils ménagers. À cet effet, nous utilisons le courant transitoire de mise en marche que nous modélisons en utilisant un nouveau modèle que nous avons proposé. De plus, nous utilisons les paramètres estimés de ce dernier pour la tâche d’identification. / The related field to this work is called “energy disaggregation" where the main concern is to break down, or disaggregate, the global electrical energy consumption (e.g. wholehouse consumption) into a detailed consumption given as end-use (e.g. appliance-level) consumption information. This latter gives consumption feedback to consumers and electricity providers and is helpful for energy savings. Three main questions have to be answered in the energy disaggregation field : who is consuming ? when ? and how much ? The research conducted in this thesis focuses on electrical appliances identification, i.e. the who question, considering particularly home appliances. For this purpose, we use the turn-on transient current signal which we model using a new model we proposed and use its estimated model parameters for the identification task.