Made available in DSpace on 2018-08-01T23:29:10Z (GMT). No. of bitstreams: 1 tese_11700_Divulgação de Defesa_Janária Candeias.pdf: 217970 bytes, checksum: 8a06ffb11986993888667abc5520410d (MD5) Previous issue date: 2018-03-28 / Os sistemas não intrusivos de monitoramento de cargas elétricas (NILM) possuem aplicações variadas e apresentam benefícios tanto para as concessionárias de energia elétrica quanto para os consumidores, possibilitando um melhor e mais eficiente gerenciamento de carga pelo lado da demanda. Este trabalho visa à identificação de cargas utilizando a abordagem NILM, definindo e inserindo um novo tipo de identificação, a identificação ativa. Na identificação ativa de cargas, um sinal não natural é injetado no sistema, de forma que a análise da resposta do sistema possibilite a identificação das cargas elétricas da unidade consumidora. Este trabalho é fundamentado no estudo da reflectometria para a identificação ativa de cargas. A reflectometria e é baseado na análise comparativa realizada em relação a um sinal não natural inserido na linha de transmissão e o seu reflexo, possibilitando, entre outras coisas, a obtenção de um novo conjunto de características que podem, possivelmente, contribuir com a rotulação e a identificação de cargas em uma instalação elétrica. Dos métodos possíveis presentes na teoria de reflectometria, usa-se neste trabalho o método TDR, baseando-se em uma abordagem de um modelo genérico para estruturas complexas com n ramificações, as quais são subdivididas em grupos formados por duas cargas e um ponto de excitação, dando origem a um formato em Y. É feito o uso de modelos presentes na literatura e, a partir de simulações empregando alguns cenários, é feita a proposição de possíveis características a serem submetidas a sistemas dedicados à identificação de carga. Dentre as características propostas estão o coeficiente de reflexão da carga, o coeficiente de reflexão equivalente exatamente no ponto de ramificação, e a localização física da carga e do local onde ocorrem as ramificações. O trabalho contribui com o emprego de um processo ativo em um sistema NILM a fim de agregar mais parâmetros ao cojunto de características que determinam a assinatura elétrica de uma carga, viabilizando uma melhor taxa de sucesso dos sistemas de identificação quando, por exemplo, as cargas com alto grau de similaridade.

Submitted by Kelren Mota (kelrenlima@ufpa.br) on 2018-06-25T18:48:12Z No. of bitstreams: 2 license_rdf: 0 bytes, checksum: d41d8cd98f00b204e9800998ecf8427e (MD5) Dissertacao_RedeNeuralConvolucional.pdf: 2088560 bytes, checksum: 6328f6f59bc552055a366b1e4a32793d (MD5) / Approved for entry into archive by Kelren Mota (kelrenlima@ufpa.br) on 2018-06-25T18:48:32Z (GMT) No. of bitstreams: 2 license_rdf: 0 bytes, checksum: d41d8cd98f00b204e9800998ecf8427e (MD5) Dissertacao_RedeNeuralConvolucional.pdf: 2088560 bytes, checksum: 6328f6f59bc552055a366b1e4a32793d (MD5) / Made available in DSpace on 2018-06-25T18:48:32Z (GMT). No. of bitstreams: 2 license_rdf: 0 bytes, checksum: d41d8cd98f00b204e9800998ecf8427e (MD5) Dissertacao_RedeNeuralConvolucional.pdf: 2088560 bytes, checksum: 6328f6f59bc552055a366b1e4a32793d (MD5) Previous issue date: 2018-04-03 / Este trabalho apresenta a proposta de uma nova metodologia para identificação de equipamentos residenciais em sistemas de Monitoramento Não-Intrusivo de cargas. O sistema é baseado em uma Rede Neural Convolucional para classificação dos equipamentos, que utilizam, diretamente como entradas para o sistema, os dados do sinal transitório de potência de 7 equipamentos obtidos no momento em que estes são ligados em uma residência. A metodologia foi desenvolvida usando dados de um banco de dados público (REED) que apresenta dados coletados a uma baixa frequência (1 Hz). Os resultados obtidos na base de dados de testes apresentam acurácia superior a 90%, indicando que o sistema proposto é capaz de realizar a tarefa de identificação, além disso os resultados apresentados são considerados satisfatórios quando comparados com os resultados já apresentados na literatura para o problema em questão. / This research presents the proposal of a new methodology for the identification of residential equipment in non-intrusive load monitoring systems. The system is based on a Convolutional Neural Network to classify residential equipment, which uses directly as inputs to the system, the transient power signal data of 7 equipment obtained at the moment they are connected in a residence. The methodology was developed using data from a public database (REED) that presents data collected at a low frequency (1 Hz). The results obtained in the test database show an accuracy of more than 90%, indicating that the proposed system is capable of performing the task of identification. In addition, the results presented are considered satisfactory when compared with the results already presented in the literature for the problem in question.