Use este identificador para citar ou linkar para este item:
http://www.repositorio.ufal.br/jspui/handle/riufal/6995
Tipo: | Trabalho de Conclusão de Curso |
Título: | Desagregação de energia utilizando GSP (Graph Signal Processing) |
Título(s) alternativo(s): | Energy Disaggregation Using GSP (Graph Signal Processing) |
Autor(es): | Barbosa, Bruno Marques |
Primeiro Orientador: | Aquino, André Luiz Lins de |
metadata.dc.contributor.referee1: | Pereira, Leonardo Viana |
metadata.dc.contributor.referee2: | João, Randy Ambrósio Quindai |
Resumo: | O uso de dispositivos computacionais acabou gerando, com o passar do tempo, um grande acúmulo de dados. Esses dados vão desde recibos de compras a processos judiciais. Sendo assim, há um grande interesse comercial e acadêmico em saber o que fazer com tais dados, de forma a extrair informação importante deles. Trabalhos relacionados ao problema da desagregação de energia e do monitoramento não-intrusivo de cargas envolvem criação de conjuntos de dados para o estudo do problema, criação de dispositivos para a coleta de dados, entre outros. O problema da desagregação de energia consiste em coletar dados dos quadros gerais das casas, que é onde a energia elétrica vinda dos postes é distribuída para a casa, e dos eletrodomésticos individualmente e, utilizando algoritmos, obter dados que se aproximam muito dos dados coletados dos eletrodomésticos, ou seja, dados os dados de energia de uma casa, verificar quais eletrodomésticos estão utilizando aquelas cargas em determinada hora do dia. Este problema faz parte do NILM (Non-intrusive Load Monitoring), que é um conjunto de técnicas, que envolvem hardware e software, para monitoramento de energia elétrica, a fim de que a energia possa ser melhor utilizada pelos moradores. A solução utilizada envolve um algoritmo chamado GSP (Graph Signal Monitoring), que utiliza processamento de sinais para a construção de grafos com dados de sinais (no caso da desagregação de energia, os sinais são a energia elétrica) e, a partir desses grafos, verificar quais dados são mais similares e, assim, agrupá-los para formar os eletrodomésticos que consumiram a energia elétrica da casa. Este método é uma forma de se desagregar energia sem utilizar treinamento, como os métodos que usam Deep Learning, por exemplo. A aplicação do algoritmo utilizou bases de dados públizas, como o REDD (Reference Energy Disaggregation Dataset) e o REFIT, a fim de implementar as soluções apresentadas pelo artigo que publicou o algoritmo baseado em GSP. A desagregação foi realizada, os dados desagregados obtidos se aproximam dos resultados coletados individualmente, porém, é necessário melhorar a acurácia. |
Abstract: | The use of computational devices eventually generated a large accumulation of data. This data ranges from purchase receipts to lawsuits. Therefore, there is a strong business and academic interest in what to do with such data in order to extract important information from them. Work related to the problem of energy disaggregation and non-intrusive load monitoring involves creating data sets to study the problem, creating devices for data collection, among others. The problem of power disaggregation is to collect data from the house overviews, which is where the electric power coming from the poles is distributed to the house, and from the individual appliances and, using algorithms, to get data that comes very close to the data collected from the appliances, ie given the energy data of a home, check which appliances are using those loads at a particular time of day. This problem is part of Non-intrusive Load Monitoring (NILM), which is a set of techniques that involve hardware and software for monitoring power so that energy can be better utilized by residents. The solution used involves an algorithm called GSP (Graph Signal Monitoring), which uses signal processing to construct graphs with signal data (in the case of energy breakdown, the signals are electrical energy) and from these graphs, check which data are most similar and thus group them together to form the appliances that have consumed the electricity of the house. This method is a way of disaggregating energy without training, such as Deep Learning methods, for example. The application of the algorithm used public databases, such as REDD (Reference Energy Disaggregation Dataset) and REFIT, in order to implement the solutions presented by the article that published the GSP-based algorithm. The disaggregation was performed, the disaggregated data obtained approximate the results collected individually, but it is necessary to improve the accuracy. |
Palavras-chave: | Desagregação de energia Processamento de sinal gráfico Energy Disaggregation GSP Python |
CNPq: | CNPQ::CIENCIAS EXATAS E DA TERRA::CIENCIA DA COMPUTACAO |
Idioma: | por |
País: | Brasil |
Editor: | Universidade Federal de Alagoas |
Sigla da Instituição: | UFAL |
metadata.dc.publisher.department: | Curso de Ciências da Computação |
Citação: | BARBOSA, Bruno Marques. Desagregação de energia utilizando GSP (Graph Signal Processing). 2020. 54 f. Trabalho de Conclusão de Curso (Bacharelado em Ciências da Computação) – Instituto de Computação, Universidade Federal de Alagoas, Maceió, 2020. |
Tipo de Acesso: | Acesso Aberto |
URI: | http://www.repositorio.ufal.br/handle/riufal/6995 |
Data do documento: | 27-mar-2020 |
Aparece nas coleções: | Trabalhos de Conclusão de Curso (TCC) - Bacharelado - CIÊNCIA DA COMPUTAÇÃO- IC |
Arquivos associados a este item:
Arquivo | Descrição | Tamanho | Formato | |
---|---|---|---|---|
Desagregação de energia utilizando GSP (Graph Signal Processing).pdf | 2.66 MB | Adobe PDF | Visualizar/Abrir |
Os itens no repositório estão protegidos por copyright, com todos os direitos reservados, salvo quando é indicado o contrário.