FenixEdu™

Dissertação

Event detection and classification for disaggregation of energy consumption metering data EVALUATED

Detalhes: O aumento da eficiência energética é uma das principais soluções para mitigar o impacto das alterações climáticas. O uso de ferramentas de monitorização não intrusivas (NILM em Inglês) permite adquirir um conhecimento detalhado sobre o funcionamento dos equipamentos elétricos evitando a utilização massiva de equipamentos de medição. Esta dissertação de mestrado tem como foco explorar e avaliar diversas abordagens para deteção e classificação de eventos usando diversos algoritmos de NILM. O trabalho desenvolvido começou por testar uma biblioteca existente, nomeadamente o NILMTK, que oferece um conjunto abrangente de algoritmos e ferramentas para desagregação de consumos. A partir dessa investigação inicial, foi testada uma abordagem mais recente baseada em redes neuronais profundas. Além destes métodos, foi desenvolvida e testada uma nova metodologia centrada na utilização de algoritmos existentes na libraria scikit-learn. Nesta dissertação são destacadas as principais características de cada abordagem, assim como os pontos fortes e limitações de cada uma. Com o intuito de permitir uma compreensão abrangente dos desafios enfrentados no desenvolvimento de soluções NILM, são também apresentados os principais obstáculos encontrados ao longo do desenvolvimento deste trabalho. Além disso, são propostas algumas recomendações que podem ser adotadas para melhorar a performance dos métodos utilizados. Entre os algoritmos utilizados, é de destacar Random Forest, Gradient Boosting e Support Vector Regression que demonstraram um grande potencial de aplicação no âmbito do NILM.
Keywords: Monitorização não intrusiva de consumo, (NILM), desagregação de consumo, detecção de eventos, monitorização de consumo de, energia elétrica

Discussão: julho 7, 2023, 14:0