Deep Learning Aplicado à Identificação de Cargas Elétricas Similares em Smart Grid

Autores

  • Wallyson Carvalho Soares Bacharelado em Ciência da Computação, Universidade Federal do Espı́rito Santo (UFES)
  • Luis Otavio Rigo Jr. Departamento de Computação e Eletrônica, Universidade Federal do Espírito Santo (UFES) http://orcid.org/0000-0002-7119-3095
  • Leonardo Jose Silvestre Departamento de Computação e Eletrônica, Universidade Federal do Espírito Santo (UFES)
  • Oberlan Christo Romão Departamento de Computação e Eletrônica, Universidade Federal do Espírito Santo (UFES)
  • Wanderley Cardoso Celeste Departamento de Computação e Eletrônica, Universidade Federal do Espírito Santo (UFES)
  • Daniel Jose Custodio Coura Departamento de Computação e Eletrônica, Universidade Federal do Espírito Santo (UFES)
  • Helder Roberto de Oliveira Rocha Departamento de Engenharia Elétrica, Universidade Federal do Espírito Santo (UFES)

DOI:

https://doi.org/10.21712/lajer.2019.v6.n1.p1-11

Resumo

A demanda crescente por energia trouxe em foco a necessidade de mudança do modelo energético tradicional, introduzindo novas maneiras de produzir, distribuir, gerenciar e consumir a energia. O presente estudo descreve a aplicação de métodos para identificação não intrusiva de dispositivos elétricos/eletrônicos conectados em instalações elétricas, como uma forma de gerar mais informações sobre o perfil do consumidor. O seu primeiro diferencial é a abordagem sobre dispositivos que possuem alto grau de similaridade, problema pouco explorado e que apresenta elevado grau de dificuldade no processo de identificação. O segundo diferencial é a aplicação do método de Rede Neural Convolucional diretamente sobre os dados brutos de corrente, sem a necessidade de um pré-processamento para extração de características do sinal elétrico. A melhor arquitetura de rede neural criada neste trabalho é capaz de identificar os dispositivos com 100% de acurácia, representando um avanço no estado da arte e comprovando a robustez e eficiência dos métodos de Deep Learning.

Downloads

Não há dados estatísticos.

Biografia do Autor

Wallyson Carvalho Soares, Bacharelado em Ciência da Computação, Universidade Federal do Espı́rito Santo (UFES)

Bacharel em Ciência da Computação pela Universidade Federal do Espı́rito Santo (UFES).

Luis Otavio Rigo Jr., Departamento de Computação e Eletrônica, Universidade Federal do Espírito Santo (UFES)

Possui doutorado em Engenharia de Sistemas e Computação pela Universidade Federal do Rio de Janeiro (2011). Atualmente é professor adjunto do Departamento de Computação e Eletrônica (DCEL), UFES. Atua na área de Aprendizado de Máquina, desenvolvendo soluções para problemas em energia e saúde.

Leonardo Jose Silvestre, Departamento de Computação e Eletrônica, Universidade Federal do Espírito Santo (UFES)

Possui graduação em Ciência da Computação pela Universidade Federal de Viçosa (2003), mestrado em Informática pela Universidade Federal do Espírito Santo (2005) e doutorado em Engenharia Elétrica (Inteligência Computacional) pela Universidade Federal de Minas Gerais (2015). Atualmente é Professor Adjunto no Departamento de Computação e Eletrônica (DCEL) do Centro Universitário Norte do Espírito Santo (CEUNES) da Universidade Federal do Espírito Santo (UFES).

Oberlan Christo Romão, Departamento de Computação e Eletrônica, Universidade Federal do Espírito Santo (UFES)

Possui graduação e mestrado em Ciência da Computação pela Universidade Federal de Viçosa e doutorado em Ciência da Computação pelo Instituto de Matemática e Estatística da Universidade de São Paulo (IME-USP), obtido em 2017. Atualmente é professor adjunto da Universidade Federal do Espírito Santo (UFES) no Departamento de Computação e Eletrônica. Tem experiência na área de Ciência da Computação, com ênfase em otimização, atuando principalmente em otimização combinatória, programação linear, algoritmos heurísticos e metaheurísticas.

Wanderley Cardoso Celeste, Departamento de Computação e Eletrônica, Universidade Federal do Espírito Santo (UFES)

É doutor, mestre e graduado em Engenharia Elétrica pela UFES desde 2009, 2005 e 2002, respectivamente. É professor Nível 4 da Classe C do Magistério Superior, lotado no Departamento de Computação e Eletrônica (DCEL) do Centro Norte do Espírito Santo (CEUNES) da Universidade Federal do Espírito Santo (UFES) desde 2009. Atua nos cursos de graduação de Engenharia de Computação e de Ciência da Computação do CEUNES/UFES desde 2009 e 2015, respectivamente. Participa como membro permanente do Programa de Pós-Graduação em Energia (PPGEN), atuando no Mestrado em Energia do PPGEN/CEUNES/UFES desde 2011. Citações no google acadêmico: 643 Fator H = 9; e Fator Google i10 = 9.

Daniel Jose Custodio Coura, Departamento de Computação e Eletrônica, Universidade Federal do Espírito Santo (UFES)

Atualmente é professor Adjunto da Universidade Federal do Espírito Santo no Departamento de Computação e Eletrônica (DCEL) do Centro Norte do Espírito Santo (CEUNES). Desde de 2011 atua nos cursos de graduação de Engenharia da Computação e Ciência da Computação. É membro colaborador do Programa de Pós-Graduação em Energia (PPGEN) desde de 2017. E participa de pesquisas nas áreas de telecomunicações e eficiência energética, principalmente nos seguintes temas: redes ópticas passivas, redes de acesso ópticas, smartgrids.

Helder Roberto de Oliveira Rocha, Departamento de Engenharia Elétrica, Universidade Federal do Espírito Santo (UFES)

Possui Doutorado e Mestrado em Computação Cientifica e Sistemas de Potência - UFF, Especialização em Administração e Negócios - UCAM, Bacharelado em Administração - UFRRJ e Graduação em Engenharia Elétrica - UFF. Tem experiência na área de Engenharia Elétrica, atuando principalmente nos seguintes temas: Estimação de Estado, Metaheurísticas, Sistema de Potência e Telecomunicações. Foi Tutor Presencial no curso de Tecnologia de Sistemas de Computação oferecido pelo CEDERJ, professor no Instituto Federal do Espirito Santo e do Departamento de Computação e Eletrônica do CEUNES/UFES. Realizou pesquisa no âmbito do programa Pós-Doutorado da CAPES na UFES. Ocupa atualmente o cargo de Professor Classe C - Adjunto II do Departamento de Engenharia Elétrica da UFES. É bolsista de Produtividade PQ2.

Referências

International Energy Agency. World Energy Outlook 2017. White Paper. International Energy Agency, 2017.
Hamed Ahmadi and Jose R. Marti. Load decomposition at smart meters level using eigenloads approach. IEEE Transactions on Power Systems, 30(6):3425-3436, 2015.
S. M. Amin and B. F. Wollenberg. Toward a smart grid. IEEE Power and Energy Magazine, 3(5):34-38, 2005.
R. K. S. Barcelos. Identificação inteligente de cargas elétricas similares em smart grid. Master’s thesis, Programa de Pós-Graduação em Energia da UFES, 2018.
C. Belley, S. Gaboury, B. Bouchard, and A. Bouzouane. An efficient and inexpensive method for activity recognition within a smart home based on load signatures of appliances. Pervasive and Mobile Computing, 12:58-78, 2014.
F. Benzi, N. Anglani, E. Bassi, and L. Frosini. Electricity smart meters interfacing the households. IEEE Transactions on Industrial Electronics, 58(10):4487-4494, 2011.
Djalma M. Falcao. Integração de tecnologias para viabilização da smart grid. In III Simpósio Brasileiro de Sistemas Elétricos, pages 1-5, 2010.
X. Fang, S. Misra, G. Xue, and D. Yang. Smart grid - the new and improved power grid: A survey. IEEE Communications Surveys & Tutorials, 14(4):944-980, 2012.
C. W. Gellings. The concept of demand-side management for electric utilities. Proceedings of the IEEE, 73(10):1468-1470, 1985.
Ian Goodfellow, Yoshua Bengio, and Aaron Courville.
Deep Learning. MIT Press, 2016. http://www.deeplearningbook.org.
G. W. Hart. Nonintrusive appliance load monitoring. In
Proceedings of the IEEE, volume 80 of 12, pages 1870-1891, 1992.
Jihyun Kim, Thi-Thu-Huong Le, and Howon Kim. Nonintrusive load monitoring based on advanced deep learning and novel signature. Computational Intelligence and Neuroscience, 2017:1-22, 2017.
Z. Lan, B. Yin, T. Wang, and G. Zuo. A non-intrusive load identification method based on convolution neural network. In IEEE Conference on Energy Internet and Energy System Integration, pages 1-5, 2017.
A. Paixao, W. C. Celeste, L. O. Rigo Jr, D. Coura, H. Rocha, and S. Rissino. Classificação inteligente aplicada ao problema de identificação de cargas elétricas 'idênticas'. In Simpósio Brasileiro de Pesquisa Operacional, Anais do XLVIII SBPO, 2016.
Josh Patterson and Adam Gibson. Deep Learning A Practitioner’s Approach. O’Reilly Media, 1 edition, 2017.
Deyvison Penha and Adriana Castro. Convolutional neural network applied to the identification of residential equipment in nonintrusive load monitoring systems. In 3rd International Conference on Artificial Intelligence and Applications, 2017.
Ricardo Rivera, Alexandre Siciliano Esposito, and Ingrid Teixeira. Redes elétricas inteligentes (smart grid): Oportunidade para adensamento produtivo e tecnológico local. Revista do BNDES, 40:43–83, 2013.
H. R. O. Rocha, L. J. Silvestre, W. C. Celestre, D. J. C. Coura, and L. O. Rigo Jr. Forecast of distributed electrical generation system capacity based on seasonal micro generators using elm and pso. IEEE Latin America Transactions, 16:1136-1141, 2018.
N. Sadeghianpourhamami, J. Ruyssinck, D. Deschrijver, T. Dhaene, and C. Develder. Comprehensive feature selection for appliance classification in nilm. Energy and Buildings, 151:98-106, 2017.
Luai Saeed M. Saif, Yewguan Soo, Kim-Chuan Lim, Zulkalnain Mohd Yussof, Nurulfajar Abd Manap, Yih-Hwa Ho, Ranjit Singh Sarban Singh, Sani Irwan Md Salim, and Feng Duan. Real-time appliances
recognition for non-intrusive load monitoring using cnn. Journal of Telecommunication, Electronic and Computer Engineering, 10:2-5, 2017.
Fernando A. C. M. Santos and Fernando M. S. M. Santos. Geração Distribuída versus Centralizada. Millenium - Journal of Education, Technologies, and Health, 35(13), 2008.
L. N. Santos, L. O. Rigo Jr., W. C. Celeste, H. R. O. Rocha, D. J. C. Coura, S. Rissino, and R. P. Silva. Uso de multi-layer perceptron na identificação de dispositivos similares em smart grid. In Simpósio Brasileiro de Pesquisa Operacional, Anais do L SBPO, 2018.
L. C. Siebert, A. R. Aoki, E. K. Yamakawa, and F. O. Toledo. Gerenciamento pelo lado da demanda em redes inteligentes utilizando algoritmos genéticos. In IV Simpósio Brasileiro de Sistemas Elétricos, 2012.
Giancarlo Zaccone, Md. Rezaul Karim, and Ahmed Menshawy. Deep Learning with TensorFlow. Packt Publishing, 1 edition, 2017.

Downloads

Publicado

05-02-2021

Como Citar

Soares, W. C., Rigo Jr., L. O., Silvestre, L. J., Romão, O. C., Celeste, W. C., Coura, D. J. C., & Rocha, H. R. de O. (2021). Deep Learning Aplicado à Identificação de Cargas Elétricas Similares em Smart Grid. Latin American Journal of Energy Research, 6(1), 1–11. https://doi.org/10.21712/lajer.2019.v6.n1.p1-11

Edição

v. 6 n. 1 (2019)

Seção

Artigos

Licença

Copyright (c) 2019 Latin American Journal of Energy Research

Creative Commons License

Este trabalho está licenciado sob uma licença Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.

O autor, no ato da submissão do artigo, transfere o direito autoral ao periódico.