Monitoramento de Carga Não Intrusivo de Baixa Complexidade Usando Aprendizado Não Supervisionado e Modelos de Eletrodomésticos Generalizados

A conscientização sobre o uso de energia elétrica traz benefícios tanto sociais quanto econômicos, que incluem contas de energia reduzidas e menor pressão sobre fontes de energia não renováveis. Nos últimos anos, houve um aumento no interesse pelo campo do monitoramento de carga, também conhecido como desagregação de energia, que envolve métodos e técnicas para monitorar o uso de energia elétrica e fornecer feedback apropriado sobre os padrões de uso para os proprietários de residências. O uso de aprendizado não supervisionado no monitoramento de carga não intrusivo (NILM) é uma área-chave de estudo, com soluções práticas tendo amplas implicações para o monitoramento de energia. Neste artigo, um algoritmo NILM não supervisionado de baixa complexidade é apresentado, projetado para implementação prática. O algoritmo é inspirado em um algoritmo de clustering difuso chamado restrições de índice de entropia de aglomeração competitiva, mas facilitado e aprimorado em um ambiente prático de monitoramento de carga para produzir um conjunto de modelos de eletrodomésticos generalizados para a detecção do uso de eletrodomésticos dentro de uma residência. A avaliação experimental realizada usando dados de energia do conjunto de dados de desagregação de dados de energia de referência indica que o algoritmo teve desempenho superior na detecção de eventos em comparação com trabalhos recentes de referência para NILM não supervisionado ao considerar métricas comuns de NILM, como precisão, exatidão, recall, F-medida e total de energia corretamente atribuída.