Structure of self-associative neural networks applied to the electrical equipment identification process in non-intrusive load monitoring systems.

The pursuit of reducing and rationalizing electricity consumption is increasingly becoming a priority for all consumers worldwide. Residential environments are responsible for a large part of electricity consumption. Non-intrusive load monitoring systems were created with the aim of helping consumers, providing the possibility of obtaining information about the individual consumption of equipment and thus allowing a monitored consumption and the consequent increase in energy efficiency. In a Non-Intrusive Load Monitoring System, four steps are critical: acquiring aggregate data through a single sensor, detecting equipment on / off events from the aggregate load, extracting disaggregated signal characteristics and the identification of equipment based on the characteristics extracted from the disaggregated signal. In this context, this work proposes a new methodology for identification of electrical equipment in a residential environment employing a competitive structure of Auto-Associative Neural Networks. The proposed system is based on power signal measurements obtained from equipment on / off events. To test the proposed methodology 3 scenarios were developed using 3 different public databases. Due to the good results achieved, analyzed using statistical metrics, it is evaluated that the proposed methodology is able to efficiently perform the task of identifying electrical equipment, thus contributing to the development of future non-intrusive monitoring systems. meet market demands.A busca pela redução e racionalização do consumo de energia elétrica vem cada vez mais se tornando uma prioridade para todos consumidores em nível mundial. Ambientes residenciais são responsáveis por uma grande parte do consumo de energia elétrica. Os sistemas de monitoramento não intrusivo de cargas surgiram exatamente com o objetivo de auxílio aos consumidores, trazendo a possibilidade de se obter informações a respeito do consumo individual dos equipamentos e permitindo assim um consumo monitorado e o consequente aumento da eficiência energética. Em um sistema de Monitoramento não intrusivo de cargas - NILM quatro etapas são fundamentais: a aquisição de dados agregados através de um sensor único, a detecção de eventos de liga/desliga dos equipamentos a partir da carga agregada, a extração de características dos sinais desagregados e a identificação de equipamentos a partir das características extraídas do sinal desagregado. Neste contexto, este trabalho propõe uma nova metodologia para identificação de equipamentos elétricos em ambiente residencial empregando uma estrutura competitiva de Redes Neurais Auto-Associativas. O sistema proposto é baseado nas medidas do sinal de potência obtido a partir de eventos de liga/desliga dos equipamentos. Para testar a metodologia proposta foram desenvolvidos 3 cenários utilizando 3 diferentes bancos de dados públicos. Devido aos bons resultados alcançados, analisados com uso de métricas estatísticas, avalia-se que a metodologia proposta é capaz de executar de forma eficiente a tarefa de identificação de equipamento elétricos, podendo desta forma contribuir para o desenvolvimento de futuros sistemas de monitoramento não intrusivo que atendam as demandas do mercado.SERPRO - Serviço Federal de processamento de dado