Deep learning aplicado à identificação de cargas elétricas similares em smart grid

• Soares, Wallyson Carvalho ^[1] ; Rigo Jr., Luis Otavio ^[1] ; Silvestre, Leonardo Jose ^[1] ; Romão, Oberlan Christo ^[1] ; Celeste, Wanderley Cardoso ^[1] ; Coura, Daniel Jose Custodio ^[1] ; Rocha, Helder Roberto de Oliveira ^[1]
  1. [1] Universidade Federal do Espírito Santo

     Universidade Federal do Espírito Santo

     Brasil

     
• Localización: Latin American Journal of Energy Research - LAJER, ISSN-e 2358-2286, Vol. 6, Nº. 1, 2019, págs. 1-11
• Idioma: portugués
• Títulos paralelos:
  • Deep learning applied to identifying similar electric charges in smart grid
• Enlaces
  • Texto completo
• Resumen
  • português

    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.

  • English

    The increasing demand for energy has brought to the core the need to change the traditional energy model, introducing new ways of producing, distributing and managing energy. The present study describes the application of methods for non-intrusive identification of electrical / electronic devices in electrical installations as a way of generating more information about the consumer profile. Their first differential is the approach on devices with a high degree of similarity, a challenge in the process ofload identification. The second is the application of the Convolutional Neural Network method applied directly on the raw current data, without the extraction of characteristics by pre-processing the electric signal. The best neural network architecture created in this work is able to identify devices with 100% ofaccuracy. This represents a breakthrough in the state of the art and proving the robustness and efficiencyof the deep learning methods.