Herramienta para identificación no intrusiva de cargas eléctricas residenciales

Los usuarios finales residenciales del servicio de energía eléctrica no cuentan con información significativa que les permita conocer sus características de consumo de energía. Por esta razón consumen energía de forma innecesaria y sin saber que dispositivos lo hacen. Se desea que los usuarios pueda...

Full description

Autores:
Martínez Insignares, Julio Mario
Baquero, Luis Fernando
Tipo de recurso:
Fecha de publicación:
2016
Institución:
Universidad del Norte
Repositorio:
Repositorio Uninorte
Idioma:
spa
OAI Identifier:
oai:manglar.uninorte.edu.co:10584/5867
Acceso en línea:
http://hdl.handle.net/10584/5867
Palabra clave:
Red Neuronal Artificial, No intrusivo, Identificación, Cargas Residenciales.
Artificial Neural Network, Non-intrusive, Identification, Residential Loads.
Rights
License
Universidad del Norte
id REPOUNORT2_ff30a58aeab01e6b361afba37855aa4c
oai_identifier_str oai:manglar.uninorte.edu.co:10584/5867
network_acronym_str REPOUNORT2
network_name_str Repositorio Uninorte
repository_id_str
dc.title.es_ES.fl_str_mv Herramienta para identificación no intrusiva de cargas eléctricas residenciales
dc.title.en_US.fl_str_mv Tool for non-intrusive identification of residential electrical loads
title Herramienta para identificación no intrusiva de cargas eléctricas residenciales
spellingShingle Herramienta para identificación no intrusiva de cargas eléctricas residenciales
Red Neuronal Artificial, No intrusivo, Identificación, Cargas Residenciales.
Artificial Neural Network, Non-intrusive, Identification, Residential Loads.
title_short Herramienta para identificación no intrusiva de cargas eléctricas residenciales
title_full Herramienta para identificación no intrusiva de cargas eléctricas residenciales
title_fullStr Herramienta para identificación no intrusiva de cargas eléctricas residenciales
title_full_unstemmed Herramienta para identificación no intrusiva de cargas eléctricas residenciales
title_sort Herramienta para identificación no intrusiva de cargas eléctricas residenciales
dc.creator.fl_str_mv Martínez Insignares, Julio Mario
Baquero, Luis Fernando
dc.contributor.advisor.none.fl_str_mv Racines Hidalgo, Diana Lucía
Navarro Ariza, Wendy Paola
dc.contributor.author.none.fl_str_mv Martínez Insignares, Julio Mario
Baquero, Luis Fernando
dc.subject.es_ES.fl_str_mv Red Neuronal Artificial, No intrusivo, Identificación, Cargas Residenciales.
topic Red Neuronal Artificial, No intrusivo, Identificación, Cargas Residenciales.
Artificial Neural Network, Non-intrusive, Identification, Residential Loads.
dc.subject.en_US.fl_str_mv Artificial Neural Network, Non-intrusive, Identification, Residential Loads.
description Los usuarios finales residenciales del servicio de energía eléctrica no cuentan con información significativa que les permita conocer sus características de consumo de energía. Por esta razón consumen energía de forma innecesaria y sin saber que dispositivos lo hacen. Se desea que los usuarios puedan saber qué cargas son las que consumen en un tiempo determinado. El objetivo general del proyecto fue desarrollar una herramienta para identificación no intrusiva de cargas eléctricas residenciales, logrando que el usuario adquiera la información necesaria para toma de decisiones estructuradas ante su consumo. El proyecto está dividido por dos etapas, una de medición conformada por un sencillo sistema para adquisición de datos y un Smart-meter Shark 200. Con este se obtiene toda la información pertinente para la segunda etapa. La segunda etapa contiene una interfaz gráfica la cual procesa los datos de la etapa anterior para así por medio de una Red neuronal artificial, entrenada previamente, logre identificar el estado de operación de las cargas residenciales, tanto como la energía que consumieron en el periodo de tiempo que se realizó la adquisición de datos. En los resultados del proyecto, se cumplieron los alcances propuestos, como brindar el estado de operación de las cargas, tanto como el consumo de las mismas en el periodo de tiempo establecido por el usuario al usar el sistema de medición. Adicional a esto almacena las gráficas de las variables eléctricas (Potencia, Factor de potencia y Corriente). Para una segunda etapa se recomienda en el entrenamiento de la red, utilizar valores estandarizados para minimizar el error mínimo cuadrado de la red. Otra sugerencia es considerar una variable eléctrica más para así lograr identificar mejor las cargas estudiadas. Gracias a esta interfaz gráfica el usuario tiene la posibilidad de mejorar el consumo irracional de energía, evitando así esos malos hábitos que hace poco nos llevan casi a un apagón nacional.
publishDate 2016
dc.date.accessioned.none.fl_str_mv 2016-11-26T20:32:14Z
dc.date.available.none.fl_str_mv 2016-11-26T20:32:14Z
dc.date.issued.none.fl_str_mv 2016-11-23
dc.type.es_ES.fl_str_mv article
dc.type.coar.fl_str_mv http://purl.org/coar/resource_type/c_6501
dc.identifier.uri.none.fl_str_mv http://hdl.handle.net/10584/5867
url http://hdl.handle.net/10584/5867
dc.language.iso.es_ES.fl_str_mv spa
language spa
dc.rights.es_ES.fl_str_mv Universidad del Norte
dc.rights.coar.fl_str_mv http://purl.org/coar/access_right/c_abf2
rights_invalid_str_mv Universidad del Norte
http://purl.org/coar/access_right/c_abf2
dc.publisher.es_ES.fl_str_mv Barranquilla, Universidad del Norte, 2016
institution Universidad del Norte
bitstream.url.fl_str_mv https://manglar.uninorte.edu.co/bitstream/10584/5867/1/IMG-20161110-WA0007.jpg
https://manglar.uninorte.edu.co/bitstream/10584/5867/2/ilovepdf_jpg_to_pdf.pdf
https://manglar.uninorte.edu.co/bitstream/10584/5867/3/license.txt
bitstream.checksum.fl_str_mv 1d978ce678b4c495b83e2528f5219772
318d37ba066c481880c12f5549132cc2
8a4605be74aa9ea9d79846c1fba20a33
bitstream.checksumAlgorithm.fl_str_mv MD5
MD5
MD5
repository.name.fl_str_mv Repositorio Digital de la Universidad del Norte
repository.mail.fl_str_mv mauribe@uninorte.edu.co
_version_ 1812183095352229888
spelling Racines Hidalgo, Diana LucíaNavarro Ariza, Wendy PaolaMartínez Insignares, Julio MarioBaquero, Luis Fernando2016-11-26T20:32:14Z2016-11-26T20:32:14Z2016-11-23http://hdl.handle.net/10584/5867Los usuarios finales residenciales del servicio de energía eléctrica no cuentan con información significativa que les permita conocer sus características de consumo de energía. Por esta razón consumen energía de forma innecesaria y sin saber que dispositivos lo hacen. Se desea que los usuarios puedan saber qué cargas son las que consumen en un tiempo determinado. El objetivo general del proyecto fue desarrollar una herramienta para identificación no intrusiva de cargas eléctricas residenciales, logrando que el usuario adquiera la información necesaria para toma de decisiones estructuradas ante su consumo. El proyecto está dividido por dos etapas, una de medición conformada por un sencillo sistema para adquisición de datos y un Smart-meter Shark 200. Con este se obtiene toda la información pertinente para la segunda etapa. La segunda etapa contiene una interfaz gráfica la cual procesa los datos de la etapa anterior para así por medio de una Red neuronal artificial, entrenada previamente, logre identificar el estado de operación de las cargas residenciales, tanto como la energía que consumieron en el periodo de tiempo que se realizó la adquisición de datos. En los resultados del proyecto, se cumplieron los alcances propuestos, como brindar el estado de operación de las cargas, tanto como el consumo de las mismas en el periodo de tiempo establecido por el usuario al usar el sistema de medición. Adicional a esto almacena las gráficas de las variables eléctricas (Potencia, Factor de potencia y Corriente). Para una segunda etapa se recomienda en el entrenamiento de la red, utilizar valores estandarizados para minimizar el error mínimo cuadrado de la red. Otra sugerencia es considerar una variable eléctrica más para así lograr identificar mejor las cargas estudiadas. Gracias a esta interfaz gráfica el usuario tiene la posibilidad de mejorar el consumo irracional de energía, evitando así esos malos hábitos que hace poco nos llevan casi a un apagón nacional.The residential end users of the electric power service do not have significant information that allows them to know their characteristics of energy consumption. For this reason, they consume energy unnecessarily and without knowing what devices they do. It is desired that the users can know what loads are the ones that consume in a certain time. The overall objective of the project was to develop a tool for non-intrusive identification of residential electrical loads, enabling the user to acquire the necessary information for structured decision making before consumption. The project is divided into two stages, a measurement consisting of a simple data acquisition system and a Smart-meter Shark 200. This provides all relevant information for the second stage. The second stage contains a graphical interface which processes the data of the previous stage so as to be able to identify the operating state of the residential loads, as well as the energy consumed in the period Time the data acquisition was performed. In the results of the project, the proposed scope was met, such as providing the state of operation of the loads, as well as the consumption of the loads in the period of time established by the user when using the measurement system. In addition to this it stores the graphs of the electrical variables (Power, Power Factor and Current). For a second stage it is recommended in the training of the network, to use standardized values ​​to minimize the minimum square error of the network. Another suggestion is to consider a more electric variable in order to better identify the loads studied. Thanks to this graphical interface the user has the possibility of improving the irrational consumption of energy, thus avoiding those bad habits that recently lead us almost to a national blackout.spaBarranquilla, Universidad del Norte, 2016Universidad del Nortehttp://purl.org/coar/access_right/c_abf2Red Neuronal Artificial, No intrusivo, Identificación, Cargas Residenciales.Artificial Neural Network, Non-intrusive, Identification, Residential Loads.Herramienta para identificación no intrusiva de cargas eléctricas residencialesTool for non-intrusive identification of residential electrical loadsarticlehttp://purl.org/coar/resource_type/c_6501ORIGINALIMG-20161110-WA0007.jpgIMG-20161110-WA0007.jpgimage/jpeg91319https://manglar.uninorte.edu.co/bitstream/10584/5867/1/IMG-20161110-WA0007.jpg1d978ce678b4c495b83e2528f5219772MD51ilovepdf_jpg_to_pdf.pdfilovepdf_jpg_to_pdf.pdfapplication/pdf130186https://manglar.uninorte.edu.co/bitstream/10584/5867/2/ilovepdf_jpg_to_pdf.pdf318d37ba066c481880c12f5549132cc2MD52LICENSElicense.txtlicense.txttext/plain; charset=utf-81748https://manglar.uninorte.edu.co/bitstream/10584/5867/3/license.txt8a4605be74aa9ea9d79846c1fba20a33MD5310584/5867oai:manglar.uninorte.edu.co:10584/58672022-03-31 13:33:23.264Repositorio Digital de la Universidad del Nortemauribe@uninorte.edu.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