Monitoreo de carga por método no invasivos en el hogar argentino utilizando redes neuronales
- Autores
- Beinotti, Raúl Alberto; Cocconi, Diego Alejandro; Yuan, Rebeca; Mulassano, Micaela; Ferreyra, Diego M.; Bruno, Javier; Beltramone, Matías; Ferrero, Nicolás Gabriel; Biasco, Andrea Celeste; Beltramone, Matías
- Año de publicación
- 2018
- Idioma
- español castellano
- Tipo de recurso
- documento de conferencia
- Estado
- versión publicada
- Descripción
- En la actualidad, mucha gente podría verse interesada en el monitoreo energético de sus viviendas, con el fin de optimizar sus consumos. De esta manera, se conocerían los artefactos eléctricos que más energía consumen, su incidencia en el tiempo, cuán representativo resulta el consumo del resto de los artefactos y aquellos artefactos que podrían estar fallando. Utilizando Non-Intrusive Load Monitoring (NILM) y redes neuronales (del inglés Artificial Neural Networks, ANN), nuestro proyecto propone ofrecer esta posibilidad. Dos enfoques fueron planteados para realizar tal monitoreo la utilización de medidores independientes para cada artefacto eléctrico; la aplicación de Non-Intrusive Load Monitoring (NILM) o Non-Intrusive (Appliance) Load Monitoring (NIALM o NALM). NILM es una técnica computacional que a partir de una medida total de consumo de energía logra identificar los artefactos eléctricos individuales que se encuentran consumiendo la misma; aunque midiendo cada artefacto puede resultar un método más exacto que NILM, las desventajas prácticas como elevados costos, múltiples configuraciones de sensores y complejidad en la instalación, favorecen el uso de esta técnica. Un enfoque comúnmente utilizado para implementar NILM involucra las siguientes etapas: adquisición de datos; extracción de features; e inferencia o aprendizaje. Durante esta última etapa, las diversas features de los artefactos eléctricos extraídas a partir de los datos de consumo son procesadas según diferentes algoritmos en orden de identificar los artefactos. Se suelen emplear técnicas supervisadas de machine learning en esta etapa, las cuales requieren datos etiquetados; estas técnicas generalmente implican un proceso de aprendizaje lento y son vulnerables a cambios en el inventario de artefactos. Por lo detallado anteriormente, se requieren abordajes que permitan obtener resultados más exactos, sin insumir tiempos prolongados de entrenamiento ni muchos recursos, e independientes de grandes inventarios de features de artefactos eléctricos.
Fil: Beinotti, Raúl A. Universidad Tecnológica Nacional. Facultad Regional San Francisco. Departamento de Ingeniería en Sistemas de Información; Argentina.
Fil: Cocconi, Diego Alejandro. Universidad Tecnológica Nacional. Facultad Regional San Francisco. Departamento de Ingeniería en Sistemas de Información; Argentina.
Fil: Yuan, Rebeca. Universidad Tecnológica Nacional. Facultad Regional San Francisco. Departamento de Ingeniería en Sistemas de Información; Argentina.
Fil: Mulassano, Micaela. Universidad Tecnológica Nacional. Facultad Regional San Francisco. Departamento de Ingeniería en Sistemas de Información; Argentina.
Fil: Ferreyra, Diego M. Universidad Tecnológica Nacional. Facultad Regional San Francisco. Departamento de Ingeniería en Sistemas de Información; Argentina.
Fil: Bruno, Javier. Universidad Tecnológica Nacional. Facultad Regional San Francisco. Departamento de Ingeniería en Sistemas de Información; Argentina.
Fil: Beltramone, Matías. Universidad Tecnológica Nacional. Facultad Regional San Francisco. Departamento de Ingeniería en Sistemas de Información; Argentina.
Fil: Ferrero, Nicolás. Universidad Tecnológica Nacional. Facultad Regional San Francisco. Departamento de Ingeniería en Sistemas de Información; Argentina.
Fil: Biasco, Andrea. Universidad Tecnológica Nacional. Facultad Regional San Francisco. Departamento de Ingeniería en Sistemas de Información; Argentina. - Fuente
- Jornadas de Ciencia y Tecnología 2018: 49. (2018)
- Materia
-
Identificación de carga
Monitoreo de energía
NILM
Redes neuronales - Nivel de accesibilidad
- acceso abierto
- Condiciones de uso
- .
- Repositorio
.jpg)
- Institución
- Universidad Tecnológica Nacional
- OAI Identificador
- oai:ria.utn.edu.ar:20.500.12272/12036
Ver los metadatos del registro completo
| id |
RIAUTN_4e8e47170d85b16f0304e5a9aa354eb4 |
|---|---|
| oai_identifier_str |
oai:ria.utn.edu.ar:20.500.12272/12036 |
| network_acronym_str |
RIAUTN |
| repository_id_str |
a |
| network_name_str |
Repositorio Institucional Abierto (UTN) |
| spelling |
Monitoreo de carga por método no invasivos en el hogar argentino utilizando redes neuronalesBeinotti, Raúl AlbertoCocconi, Diego AlejandroYuan, RebecaMulassano, MicaelaFerreyra, Diego M.Bruno, JavierBeltramone, MatíasFerrero, Nicolás GabrielBiasco, Andrea CelesteBeltramone, MatíasIdentificación de cargaMonitoreo de energíaNILMRedes neuronalesEn la actualidad, mucha gente podría verse interesada en el monitoreo energético de sus viviendas, con el fin de optimizar sus consumos. De esta manera, se conocerían los artefactos eléctricos que más energía consumen, su incidencia en el tiempo, cuán representativo resulta el consumo del resto de los artefactos y aquellos artefactos que podrían estar fallando. Utilizando Non-Intrusive Load Monitoring (NILM) y redes neuronales (del inglés Artificial Neural Networks, ANN), nuestro proyecto propone ofrecer esta posibilidad. Dos enfoques fueron planteados para realizar tal monitoreo la utilización de medidores independientes para cada artefacto eléctrico; la aplicación de Non-Intrusive Load Monitoring (NILM) o Non-Intrusive (Appliance) Load Monitoring (NIALM o NALM). NILM es una técnica computacional que a partir de una medida total de consumo de energía logra identificar los artefactos eléctricos individuales que se encuentran consumiendo la misma; aunque midiendo cada artefacto puede resultar un método más exacto que NILM, las desventajas prácticas como elevados costos, múltiples configuraciones de sensores y complejidad en la instalación, favorecen el uso de esta técnica. Un enfoque comúnmente utilizado para implementar NILM involucra las siguientes etapas: adquisición de datos; extracción de features; e inferencia o aprendizaje. Durante esta última etapa, las diversas features de los artefactos eléctricos extraídas a partir de los datos de consumo son procesadas según diferentes algoritmos en orden de identificar los artefactos. Se suelen emplear técnicas supervisadas de machine learning en esta etapa, las cuales requieren datos etiquetados; estas técnicas generalmente implican un proceso de aprendizaje lento y son vulnerables a cambios en el inventario de artefactos. Por lo detallado anteriormente, se requieren abordajes que permitan obtener resultados más exactos, sin insumir tiempos prolongados de entrenamiento ni muchos recursos, e independientes de grandes inventarios de features de artefactos eléctricos.Fil: Beinotti, Raúl A. Universidad Tecnológica Nacional. Facultad Regional San Francisco. Departamento de Ingeniería en Sistemas de Información; Argentina.Fil: Cocconi, Diego Alejandro. Universidad Tecnológica Nacional. Facultad Regional San Francisco. Departamento de Ingeniería en Sistemas de Información; Argentina.Fil: Yuan, Rebeca. Universidad Tecnológica Nacional. Facultad Regional San Francisco. Departamento de Ingeniería en Sistemas de Información; Argentina.Fil: Mulassano, Micaela. Universidad Tecnológica Nacional. Facultad Regional San Francisco. Departamento de Ingeniería en Sistemas de Información; Argentina.Fil: Ferreyra, Diego M. Universidad Tecnológica Nacional. Facultad Regional San Francisco. Departamento de Ingeniería en Sistemas de Información; Argentina.Fil: Bruno, Javier. Universidad Tecnológica Nacional. Facultad Regional San Francisco. Departamento de Ingeniería en Sistemas de Información; Argentina.Fil: Beltramone, Matías. Universidad Tecnológica Nacional. Facultad Regional San Francisco. Departamento de Ingeniería en Sistemas de Información; Argentina.Fil: Ferrero, Nicolás. Universidad Tecnológica Nacional. Facultad Regional San Francisco. Departamento de Ingeniería en Sistemas de Información; Argentina.Fil: Biasco, Andrea. Universidad Tecnológica Nacional. Facultad Regional San Francisco. Departamento de Ingeniería en Sistemas de Información; Argentina.UTN Facultad Regional San Francisco2024-12-26T19:13:52Z2018-11info:eu-repo/semantics/conferenceObjectinfo:eu-repo/semantics/publishedVersionhttp://purl.org/coar/resource_type/c_5794info:ar-repo/semantics/documentoDeConferenciapdfapplication/pdfJornadas de Ciencia y Tecnología 2018978-950-42-0186-1http://hdl.handle.net/20.500.12272/12036Jornadas de Ciencia y Tecnología 2018: 49. (2018)reponame:Repositorio Institucional Abierto (UTN)instname:Universidad Tecnológica NacionalspaNacionalinfo:eu-repo/semantics/openAccess.2026-09-24T12:44:48Zoai:ria.utn.edu.ar:20.500.12272/12036instacron:UTNInstitucionalhttp://ria.utn.edu.ar/Universidad públicaNo correspondehttp://ria.utn.edu.ar/oaigestionria@rec.utn.edu.ar; fsuarez@rec.utn.edu.arArgentinaNo correspondeNo correspondeNo correspondeopendoar:a2026-09-24 12:44:48.985Repositorio Institucional Abierto (UTN) - Universidad Tecnológica Nacionalfalse |
| dc.title.none.fl_str_mv |
Monitoreo de carga por método no invasivos en el hogar argentino utilizando redes neuronales |
| title |
Monitoreo de carga por método no invasivos en el hogar argentino utilizando redes neuronales |
| spellingShingle |
Monitoreo de carga por método no invasivos en el hogar argentino utilizando redes neuronales Beinotti, Raúl Alberto Identificación de carga Monitoreo de energía NILM Redes neuronales |
| title_short |
Monitoreo de carga por método no invasivos en el hogar argentino utilizando redes neuronales |
| title_full |
Monitoreo de carga por método no invasivos en el hogar argentino utilizando redes neuronales |
| title_fullStr |
Monitoreo de carga por método no invasivos en el hogar argentino utilizando redes neuronales |
| title_full_unstemmed |
Monitoreo de carga por método no invasivos en el hogar argentino utilizando redes neuronales |
| title_sort |
Monitoreo de carga por método no invasivos en el hogar argentino utilizando redes neuronales |
| dc.creator.none.fl_str_mv |
Beinotti, Raúl Alberto Cocconi, Diego Alejandro Yuan, Rebeca Mulassano, Micaela Ferreyra, Diego M. Bruno, Javier Beltramone, Matías Ferrero, Nicolás Gabriel Biasco, Andrea Celeste Beltramone, Matías |
| author |
Beinotti, Raúl Alberto |
| author_facet |
Beinotti, Raúl Alberto Cocconi, Diego Alejandro Yuan, Rebeca Mulassano, Micaela Ferreyra, Diego M. Bruno, Javier Beltramone, Matías Ferrero, Nicolás Gabriel Biasco, Andrea Celeste |
| author_role |
author |
| author2 |
Cocconi, Diego Alejandro Yuan, Rebeca Mulassano, Micaela Ferreyra, Diego M. Bruno, Javier Beltramone, Matías Ferrero, Nicolás Gabriel Biasco, Andrea Celeste |
| author2_role |
author author author author author author author author |
| dc.subject.none.fl_str_mv |
Identificación de carga Monitoreo de energía NILM Redes neuronales |
| topic |
Identificación de carga Monitoreo de energía NILM Redes neuronales |
| dc.description.none.fl_txt_mv |
En la actualidad, mucha gente podría verse interesada en el monitoreo energético de sus viviendas, con el fin de optimizar sus consumos. De esta manera, se conocerían los artefactos eléctricos que más energía consumen, su incidencia en el tiempo, cuán representativo resulta el consumo del resto de los artefactos y aquellos artefactos que podrían estar fallando. Utilizando Non-Intrusive Load Monitoring (NILM) y redes neuronales (del inglés Artificial Neural Networks, ANN), nuestro proyecto propone ofrecer esta posibilidad. Dos enfoques fueron planteados para realizar tal monitoreo la utilización de medidores independientes para cada artefacto eléctrico; la aplicación de Non-Intrusive Load Monitoring (NILM) o Non-Intrusive (Appliance) Load Monitoring (NIALM o NALM). NILM es una técnica computacional que a partir de una medida total de consumo de energía logra identificar los artefactos eléctricos individuales que se encuentran consumiendo la misma; aunque midiendo cada artefacto puede resultar un método más exacto que NILM, las desventajas prácticas como elevados costos, múltiples configuraciones de sensores y complejidad en la instalación, favorecen el uso de esta técnica. Un enfoque comúnmente utilizado para implementar NILM involucra las siguientes etapas: adquisición de datos; extracción de features; e inferencia o aprendizaje. Durante esta última etapa, las diversas features de los artefactos eléctricos extraídas a partir de los datos de consumo son procesadas según diferentes algoritmos en orden de identificar los artefactos. Se suelen emplear técnicas supervisadas de machine learning en esta etapa, las cuales requieren datos etiquetados; estas técnicas generalmente implican un proceso de aprendizaje lento y son vulnerables a cambios en el inventario de artefactos. Por lo detallado anteriormente, se requieren abordajes que permitan obtener resultados más exactos, sin insumir tiempos prolongados de entrenamiento ni muchos recursos, e independientes de grandes inventarios de features de artefactos eléctricos. Fil: Beinotti, Raúl A. Universidad Tecnológica Nacional. Facultad Regional San Francisco. Departamento de Ingeniería en Sistemas de Información; Argentina. Fil: Cocconi, Diego Alejandro. Universidad Tecnológica Nacional. Facultad Regional San Francisco. Departamento de Ingeniería en Sistemas de Información; Argentina. Fil: Yuan, Rebeca. Universidad Tecnológica Nacional. Facultad Regional San Francisco. Departamento de Ingeniería en Sistemas de Información; Argentina. Fil: Mulassano, Micaela. Universidad Tecnológica Nacional. Facultad Regional San Francisco. Departamento de Ingeniería en Sistemas de Información; Argentina. Fil: Ferreyra, Diego M. Universidad Tecnológica Nacional. Facultad Regional San Francisco. Departamento de Ingeniería en Sistemas de Información; Argentina. Fil: Bruno, Javier. Universidad Tecnológica Nacional. Facultad Regional San Francisco. Departamento de Ingeniería en Sistemas de Información; Argentina. Fil: Beltramone, Matías. Universidad Tecnológica Nacional. Facultad Regional San Francisco. Departamento de Ingeniería en Sistemas de Información; Argentina. Fil: Ferrero, Nicolás. Universidad Tecnológica Nacional. Facultad Regional San Francisco. Departamento de Ingeniería en Sistemas de Información; Argentina. Fil: Biasco, Andrea. Universidad Tecnológica Nacional. Facultad Regional San Francisco. Departamento de Ingeniería en Sistemas de Información; Argentina. |
| description |
En la actualidad, mucha gente podría verse interesada en el monitoreo energético de sus viviendas, con el fin de optimizar sus consumos. De esta manera, se conocerían los artefactos eléctricos que más energía consumen, su incidencia en el tiempo, cuán representativo resulta el consumo del resto de los artefactos y aquellos artefactos que podrían estar fallando. Utilizando Non-Intrusive Load Monitoring (NILM) y redes neuronales (del inglés Artificial Neural Networks, ANN), nuestro proyecto propone ofrecer esta posibilidad. Dos enfoques fueron planteados para realizar tal monitoreo la utilización de medidores independientes para cada artefacto eléctrico; la aplicación de Non-Intrusive Load Monitoring (NILM) o Non-Intrusive (Appliance) Load Monitoring (NIALM o NALM). NILM es una técnica computacional que a partir de una medida total de consumo de energía logra identificar los artefactos eléctricos individuales que se encuentran consumiendo la misma; aunque midiendo cada artefacto puede resultar un método más exacto que NILM, las desventajas prácticas como elevados costos, múltiples configuraciones de sensores y complejidad en la instalación, favorecen el uso de esta técnica. Un enfoque comúnmente utilizado para implementar NILM involucra las siguientes etapas: adquisición de datos; extracción de features; e inferencia o aprendizaje. Durante esta última etapa, las diversas features de los artefactos eléctricos extraídas a partir de los datos de consumo son procesadas según diferentes algoritmos en orden de identificar los artefactos. Se suelen emplear técnicas supervisadas de machine learning en esta etapa, las cuales requieren datos etiquetados; estas técnicas generalmente implican un proceso de aprendizaje lento y son vulnerables a cambios en el inventario de artefactos. Por lo detallado anteriormente, se requieren abordajes que permitan obtener resultados más exactos, sin insumir tiempos prolongados de entrenamiento ni muchos recursos, e independientes de grandes inventarios de features de artefactos eléctricos. |
| publishDate |
2018 |
| dc.date.none.fl_str_mv |
2018-11 2024-12-26T19:13:52Z |
| dc.type.none.fl_str_mv |
info:eu-repo/semantics/conferenceObject info:eu-repo/semantics/publishedVersion http://purl.org/coar/resource_type/c_5794 info:ar-repo/semantics/documentoDeConferencia |
| format |
conferenceObject |
| status_str |
publishedVersion |
| dc.identifier.none.fl_str_mv |
Jornadas de Ciencia y Tecnología 2018 978-950-42-0186-1 http://hdl.handle.net/20.500.12272/12036 |
| identifier_str_mv |
Jornadas de Ciencia y Tecnología 2018 978-950-42-0186-1 |
| url |
http://hdl.handle.net/20.500.12272/12036 |
| dc.language.none.fl_str_mv |
spa |
| language |
spa |
| dc.rights.none.fl_str_mv |
info:eu-repo/semantics/openAccess . |
| eu_rights_str_mv |
openAccess |
| rights_invalid_str_mv |
. |
| dc.format.none.fl_str_mv |
pdf application/pdf |
| dc.coverage.none.fl_str_mv |
Nacional |
| dc.publisher.none.fl_str_mv |
UTN Facultad Regional San Francisco |
| publisher.none.fl_str_mv |
UTN Facultad Regional San Francisco |
| dc.source.none.fl_str_mv |
Jornadas de Ciencia y Tecnología 2018: 49. (2018) reponame:Repositorio Institucional Abierto (UTN) instname:Universidad Tecnológica Nacional |
| reponame_str |
Repositorio Institucional Abierto (UTN) |
| collection |
Repositorio Institucional Abierto (UTN) |
| instname_str |
Universidad Tecnológica Nacional |
| repository.name.fl_str_mv |
Repositorio Institucional Abierto (UTN) - Universidad Tecnológica Nacional |
| repository.mail.fl_str_mv |
gestionria@rec.utn.edu.ar; fsuarez@rec.utn.edu.ar |
| _version_ |
1877230887740899328 |
| score |
13.265058 |