Busca avançada
Ano de início
Entree

Rotulação de cargas residenciais por meio de campo angular gramiano e gráficos de recorrência: uma análise comparativa usando o conjunto de dados UK-DALE

Processo: 22/00750-9
Modalidade de apoio:Bolsas no Brasil - Iniciação Científica
Vigência (Início): 01 de abril de 2022
Vigência (Término): 31 de março de 2023
Área do conhecimento:Engenharias - Engenharia Elétrica - Medidas Elétricas, Magnéticas e Eletrônicas, Instrumentação
Pesquisador responsável:Ricardo Augusto Souza Fernandes
Beneficiário:Juan Salin Corrêa
Instituição Sede: Centro de Ciências Exatas e de Tecnologia (CCET). Universidade Federal de São Carlos (UFSCAR). São Carlos , SP, Brasil
Assunto(s):Redes neurais convolucionais   Aprendizagem profunda   Medidas elétricas   Análise de séries temporais
Palavra(s)-Chave do Pesquisador:Aprendizado profundo | Campo Angular Gramiano | Gráficos de Recorrência | Monitoramento Não Invasivo de Cargas | Redes Neurais convolucionais | Medidas Elétricas

Resumo

Nos últimos anos, a demanda por energia elétrica vem aumentando rapidamente e, junto dela, a necessidade de usá-la de forma eficiente. Nesse sentido, a identificação de cargas residenciais possibilita tal uso por parte dos consumidores e, além disso, é crucial para programas de resposta à demanda. Sendo assim, o desenvolvimento de algoritmos de rotulação é de grande interesse à comunidade científica e ao setor produtivo. Devido à variedade de cargas elétricas/eletrônicas nas residências e de seus comportamentos dinâmicos, a busca por padrões que melhor expliquem e permitam a correta rotulação das janelas temporais torna-se uma tarefa desafiadora, visto que uma janela poderá conter mais de uma carga. Assim, a presente pesquisa propõe a transformação das séries temporais em imagens bidimensionais, mais especificamente usando Campo Angular Gramiano e Gráficos de Recorrência. As imagens resultantes desse processo poderão efetivamente ser rotuladas por meio de técnicas consideradas avançadas no âmbito de aprendizado de máquina, como é o caso das Redes Neurais Convolucionais. Para tanto, serão considerados os dados da UK-DALE (United Kingdom - Domestic Appliance - Level Electricity) por se tratar de uma base pública. Os resultados permitirão definir a eficácia dos algoritmos de transformação das séries temporais em imagens bidimensionais, além de demonstrar ainda a robustez e capacidade de generalização da técnica de aprendizado profundo.(AU)

Matéria(s) publicada(s) na Agência FAPESP sobre a bolsa:
Matéria(s) publicada(s) em Outras Mídias (0 total):
Mais itensMenos itens
VEICULO: TITULO (DATA)
VEICULO: TITULO (DATA)