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...
- 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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 |