Sistema de Monitorización no Intrusiva de Potencia en una Red Eléctrica Doméstica empleando una Raspberry Pi y una Aplicación Web
Un sistema de monitorización no intrusivo de carga mide la tensión y la corriente directamente de la red y utiliza técnicas de desagregación para identificar los electrodomésticos conectados. En este trabajo de grado se implementan algoritmos de máquinas de soporte vectorial (SVM) y de redes neurona...
- Autores:
-
Mendoza Díaz, Laura Sofía
Espitia Mantilla, Viviana Lisbeth
- Tipo de recurso:
- Trabajo de grado de pregrado
- Fecha de publicación:
- 2022
- Institución:
- Universidad Industrial de Santander
- Repositorio:
- Repositorio UIS
- Idioma:
- spa
- OAI Identifier:
- oai:noesis.uis.edu.co:20.500.14071/11426
- Palabra clave:
- Desagregación de carga
Raspberry Pi
identificación de carga
monitor no intrusivo
aplicación web
inteligencia artificial
máquinas de soporte vectorial
Load disaggregation
Raspberry Pi
load identification
non intrusive monitor
web application
artificial intelligence
support vector machine
- Rights
- openAccess
- License
- Attribution-NonCommercial 4.0 International (CC BY-NC 4.0)
| Summary: | Un sistema de monitorización no intrusivo de carga mide la tensión y la corriente directamente de la red y utiliza técnicas de desagregación para identificar los electrodomésticos conectados. En este trabajo de grado se implementan algoritmos de máquinas de soporte vectorial (SVM) y de redes neuronales profundas (DNN) para la desagregación de carga, y se compara su desempeño. Para ello, se crea una base de datos con las señales de varios electrodomésticos en MySQL, las cuales son caracterizadas y enviadas al modelo de clasificación para predecir cuál es el dispositivo encendido. Además, la página web es actualizada con la información del dispositivo detectado, cuya visualización incluye el estado de cada elemento, la potencia instantánea y la potencia total consumida. La creación de la base de datos permite un mejor control y óptima accesibilidad de la información. Por otra parte, la comparación de algoritmos presenta un resultado destacado del modelo SVM con un 15% de exactitud mayor en contraste al DNN. Así mismo, su implementación en la tarjeta Raspberry Pi brinda una aproximación más real, abarcando la clasificación de 14 diferentes dispositivos incluidos en la base de datos, enlazando estos aparatos detectados directamente al aplicativo web en donde se presenta la información adquirida aportando un valor agregado al usuario final. |
|---|