Clasificación de electrodomésticos a partir del monitoreo de consumos domiciliarios utilizando máquinas de soporte vectorial

Autores
Barberia, Juan L.; Fernández Biancardi, Juan F.; Lottero, Giancarlo; Baldiviezo, Marco G.; Esangui Garagoli, Sebastián L.; Licata Caruso, Lorenzo; Legnani, Walter E.
Año de publicación
2023
Idioma
español castellano
Tipo de recurso
artículo
Estado
versión publicada
Descripción
El monitoreo de carga no intrusivo es un conjunto de técnicas cuyo objetivo es la identificación de los electrodomésticos utilizados en una vivienda partiendo de la señal de consumo energético agregada que producen al utilizarse. La base de datos empleada es la denominada Reference Energy Disaggregation Data Set (REDD) la cual es de acceso gratuito y contiene información detallada del consumo eléctrico de artefactos de varios hogares. El presente trabajo tuvo como objetivo utilizar herramientas de la teoría de la información y del análisis de señales para generar un espacio de características como conjunto de entrenamiento para un modelo de Machine Learning supervisado (SVM); para formular así una clasificación satisfactoria de electrodomésticos. Los resultados obtenidos muestran una precisión lo suficientemente elevada como para alentar la continuación de esta línea de investigación.
Non-intrusive load monitoring is a set of techniques aimed at identifying household appliances based on the aggregated energy consumption signal they produce when used. The employed database is called the Reference Energy Disaggregation Data Set (REDD), which is freely accessible and contains detailed infor- mation on the electrical consumption of appliances in various households. The objective of this work is to use information theory and signal analysis tools to generate a feature space as a training set for a supervised Machine Learning model (SVM), thus achieving satisfactory appliance classification. The obtained results show sufficiently high accuracy to encourage further continuation of this line of research.
Fil: Barberia, Juan L. Universidad Tecnológica Nacional. Facultad Regional Buenos Aires. Centro de Procesamiento de Señales e Imágenes (CPSI); Argentina.
Fil: Fernández Biancardi, Juan F. Universidad Tecnológica Nacional. Facultad Regional Buenos Aires. Centro de Procesamiento de Señales e Imágenes (CPSI); Argentina.
Fil: Lottero, Giancarlo. Universidad Tecnológica Nacional. Facultad Regional Buenos Aires. Centro de Procesamiento de Señales e Imágenes (CPSI); Argentina.
Fil: Baldiviezo, Marco G. Universidad Tecnológica Nacional. Facultad Regional Buenos Aires. Centro de Procesamiento de Señales e Imágenes (CPSI); Argentina.
Fil: Esangui Garagoli, Sebastián L. Universidad Tecnológica Nacional. Facultad Regional Buenos Aires. Centro de Procesamiento de Señales e Imágenes (CPSI); Argentina.
Fil: Licata Caruso, Lorenzo. Universidad Tecnológica Nacional. Facultad Regional Buenos Aires. Centro de Procesamiento de Señales e Imágenes (CPSI); Argentina.
Fil: Legnani, Walter E. Universidad Tecnológica Nacional. Facultad Regional Buenos Aires. Centro de Procesamiento de Señales e Imágenes (CPSI); Argentina.
Peer Reviewed
Fuente
Proyecciones, Vol.21 No.2, 01-18. (2023)
Materia
monitoreo no intrusivo de carga
máquina de soporte vectorial
consumo domiciliario
entropía
probabilidad de transiciones entre patrones ordinales
non-intrusive load monitoring
support vector machines
household consumption
entropy
ordinal patterns transition probability
Nivel de accesibilidad
acceso abierto
Condiciones de uso
2023-09-13T17:51:21Z
Repositorio
Repositorio Institucional Abierto (UTN)
Institución
Universidad Tecnológica Nacional
OAI Identificador
oai:ria.utn.edu.ar:20.500.12272/8500
Acceder
id RIAUTN_abb0aad6b5b43d9d3ff4f3b88b65f5f1
oai_identifier_str oai:ria.utn.edu.ar:20.500.12272/8500
network_acronym_str RIAUTN
repository_id_str a
network_name_str Repositorio Institucional Abierto (UTN)
spelling Clasificación de electrodomésticos a partir del monitoreo de consumos domiciliarios utilizando máquinas de soporte vectorialBarberia, Juan L.Fernández Biancardi, Juan F.Lottero, GiancarloBaldiviezo, Marco G.Esangui Garagoli, Sebastián L.Licata Caruso, LorenzoLegnani, Walter E.monitoreo no intrusivo de cargamáquina de soporte vectorialconsumo domiciliarioentropíaprobabilidad de transiciones entre patrones ordinalesnon-intrusive load monitoringsupport vector machineshousehold consumptionentropyordinal patterns transition probabilityEl monitoreo de carga no intrusivo es un conjunto de técnicas cuyo objetivo es la identificación de los electrodomésticos utilizados en una vivienda partiendo de la señal de consumo energético agregada que producen al utilizarse. La base de datos empleada es la denominada Reference Energy Disaggregation Data Set (REDD) la cual es de acceso gratuito y contiene información detallada del consumo eléctrico de artefactos de varios hogares. El presente trabajo tuvo como objetivo utilizar herramientas de la teoría de la información y del análisis de señales para generar un espacio de características como conjunto de entrenamiento para un modelo de Machine Learning supervisado (SVM); para formular así una clasificación satisfactoria de electrodomésticos. Los resultados obtenidos muestran una precisión lo suficientemente elevada como para alentar la continuación de esta línea de investigación.Non-intrusive load monitoring is a set of techniques aimed at identifying household appliances based on the aggregated energy consumption signal they produce when used. The employed database is called the Reference Energy Disaggregation Data Set (REDD), which is freely accessible and contains detailed infor- mation on the electrical consumption of appliances in various households. The objective of this work is to use information theory and signal analysis tools to generate a feature space as a training set for a supervised Machine Learning model (SVM), thus achieving satisfactory appliance classification. The obtained results show sufficiently high accuracy to encourage further continuation of this line of research.Fil: Barberia, Juan L. Universidad Tecnológica Nacional. Facultad Regional Buenos Aires. Centro de Procesamiento de Señales e Imágenes (CPSI); Argentina.Fil: Fernández Biancardi, Juan F. Universidad Tecnológica Nacional. Facultad Regional Buenos Aires. Centro de Procesamiento de Señales e Imágenes (CPSI); Argentina.Fil: Lottero, Giancarlo. Universidad Tecnológica Nacional. Facultad Regional Buenos Aires. Centro de Procesamiento de Señales e Imágenes (CPSI); Argentina.Fil: Baldiviezo, Marco G. Universidad Tecnológica Nacional. Facultad Regional Buenos Aires. Centro de Procesamiento de Señales e Imágenes (CPSI); Argentina.Fil: Esangui Garagoli, Sebastián L. Universidad Tecnológica Nacional. Facultad Regional Buenos Aires. Centro de Procesamiento de Señales e Imágenes (CPSI); Argentina.Fil: Licata Caruso, Lorenzo. Universidad Tecnológica Nacional. Facultad Regional Buenos Aires. Centro de Procesamiento de Señales e Imágenes (CPSI); Argentina.Fil: Legnani, Walter E. Universidad Tecnológica Nacional. Facultad Regional Buenos Aires. Centro de Procesamiento de Señales e Imágenes (CPSI); Argentina.Peer Reviewed2023-09-13T17:51:21Z2023-09-13T17:51:21Z2023-10-01info:eu-repo/semantics/articleinfo:eu-repo/semantics/publishedVersionhttp://purl.org/coar/resource_type/c_6501info:ar-repo/semantics/articulopdfapplication/pdfProyecciones Vol. 21 (2)1853-6352http://hdl.handle.net/20.500.12272/8500Proyecciones, Vol.21 No.2, 01-18. (2023)reponame:Repositorio Institucional Abierto (UTN)instname:Universidad Tecnológica Nacionalspainfo:eu-repo/semantics/openAccess2023-09-13T17:51:21Zhttp://creativecommons.org/licenses/by-nc/4.0/Atribución-NoComercial 4.0 InternacionalJuan L. Barberia, Juan F. Fernández Biancardi, Giancarlo Lottero, Marco G. Baldiviezo, Sebastián L. Esangui Garagoli, Lorenzo Licata Caruso y Walter E. LegnaniLicencia Creative Commons Atribución- No Comercial2026-09-24T12:48:11Zoai:ria.utn.edu.ar:20.500.12272/8500instacron: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 12:48:12.123Repositorio Institucional Abierto (UTN) - Universidad Tecnológica Nacionalfalse
dc.title.none.fl_str_mv Clasificación de electrodomésticos a partir del monitoreo de consumos domiciliarios utilizando máquinas de soporte vectorial
title Clasificación de electrodomésticos a partir del monitoreo de consumos domiciliarios utilizando máquinas de soporte vectorial
spellingShingle Clasificación de electrodomésticos a partir del monitoreo de consumos domiciliarios utilizando máquinas de soporte vectorial
Barberia, Juan L.
monitoreo no intrusivo de carga
máquina de soporte vectorial
consumo domiciliario
entropía
probabilidad de transiciones entre patrones ordinales
non-intrusive load monitoring
support vector machines
household consumption
entropy
ordinal patterns transition probability
title_short Clasificación de electrodomésticos a partir del monitoreo de consumos domiciliarios utilizando máquinas de soporte vectorial
title_full Clasificación de electrodomésticos a partir del monitoreo de consumos domiciliarios utilizando máquinas de soporte vectorial
title_fullStr Clasificación de electrodomésticos a partir del monitoreo de consumos domiciliarios utilizando máquinas de soporte vectorial
title_full_unstemmed Clasificación de electrodomésticos a partir del monitoreo de consumos domiciliarios utilizando máquinas de soporte vectorial
title_sort Clasificación de electrodomésticos a partir del monitoreo de consumos domiciliarios utilizando máquinas de soporte vectorial
dc.creator.none.fl_str_mv Barberia, Juan L.
Fernández Biancardi, Juan F.
Lottero, Giancarlo
Baldiviezo, Marco G.
Esangui Garagoli, Sebastián L.
Licata Caruso, Lorenzo
Legnani, Walter E.
author Barberia, Juan L.
author_facet Barberia, Juan L.
Fernández Biancardi, Juan F.
Lottero, Giancarlo
Baldiviezo, Marco G.
Esangui Garagoli, Sebastián L.
Licata Caruso, Lorenzo
Legnani, Walter E.
author_role author
author2 Fernández Biancardi, Juan F.
Lottero, Giancarlo
Baldiviezo, Marco G.
Esangui Garagoli, Sebastián L.
Licata Caruso, Lorenzo
Legnani, Walter E.
author2_role author
author
author
author
author
author
dc.subject.none.fl_str_mv monitoreo no intrusivo de carga
máquina de soporte vectorial
consumo domiciliario
entropía
probabilidad de transiciones entre patrones ordinales
non-intrusive load monitoring
support vector machines
household consumption
entropy
ordinal patterns transition probability
topic monitoreo no intrusivo de carga
máquina de soporte vectorial
consumo domiciliario
entropía
probabilidad de transiciones entre patrones ordinales
non-intrusive load monitoring
support vector machines
household consumption
entropy
ordinal patterns transition probability
dc.description.none.fl_txt_mv El monitoreo de carga no intrusivo es un conjunto de técnicas cuyo objetivo es la identificación de los electrodomésticos utilizados en una vivienda partiendo de la señal de consumo energético agregada que producen al utilizarse. La base de datos empleada es la denominada Reference Energy Disaggregation Data Set (REDD) la cual es de acceso gratuito y contiene información detallada del consumo eléctrico de artefactos de varios hogares. El presente trabajo tuvo como objetivo utilizar herramientas de la teoría de la información y del análisis de señales para generar un espacio de características como conjunto de entrenamiento para un modelo de Machine Learning supervisado (SVM); para formular así una clasificación satisfactoria de electrodomésticos. Los resultados obtenidos muestran una precisión lo suficientemente elevada como para alentar la continuación de esta línea de investigación.
Non-intrusive load monitoring is a set of techniques aimed at identifying household appliances based on the aggregated energy consumption signal they produce when used. The employed database is called the Reference Energy Disaggregation Data Set (REDD), which is freely accessible and contains detailed infor- mation on the electrical consumption of appliances in various households. The objective of this work is to use information theory and signal analysis tools to generate a feature space as a training set for a supervised Machine Learning model (SVM), thus achieving satisfactory appliance classification. The obtained results show sufficiently high accuracy to encourage further continuation of this line of research.
Fil: Barberia, Juan L. Universidad Tecnológica Nacional. Facultad Regional Buenos Aires. Centro de Procesamiento de Señales e Imágenes (CPSI); Argentina.
Fil: Fernández Biancardi, Juan F. Universidad Tecnológica Nacional. Facultad Regional Buenos Aires. Centro de Procesamiento de Señales e Imágenes (CPSI); Argentina.
Fil: Lottero, Giancarlo. Universidad Tecnológica Nacional. Facultad Regional Buenos Aires. Centro de Procesamiento de Señales e Imágenes (CPSI); Argentina.
Fil: Baldiviezo, Marco G. Universidad Tecnológica Nacional. Facultad Regional Buenos Aires. Centro de Procesamiento de Señales e Imágenes (CPSI); Argentina.
Fil: Esangui Garagoli, Sebastián L. Universidad Tecnológica Nacional. Facultad Regional Buenos Aires. Centro de Procesamiento de Señales e Imágenes (CPSI); Argentina.
Fil: Licata Caruso, Lorenzo. Universidad Tecnológica Nacional. Facultad Regional Buenos Aires. Centro de Procesamiento de Señales e Imágenes (CPSI); Argentina.
Fil: Legnani, Walter E. Universidad Tecnológica Nacional. Facultad Regional Buenos Aires. Centro de Procesamiento de Señales e Imágenes (CPSI); Argentina.
Peer Reviewed
description El monitoreo de carga no intrusivo es un conjunto de técnicas cuyo objetivo es la identificación de los electrodomésticos utilizados en una vivienda partiendo de la señal de consumo energético agregada que producen al utilizarse. La base de datos empleada es la denominada Reference Energy Disaggregation Data Set (REDD) la cual es de acceso gratuito y contiene información detallada del consumo eléctrico de artefactos de varios hogares. El presente trabajo tuvo como objetivo utilizar herramientas de la teoría de la información y del análisis de señales para generar un espacio de características como conjunto de entrenamiento para un modelo de Machine Learning supervisado (SVM); para formular así una clasificación satisfactoria de electrodomésticos. Los resultados obtenidos muestran una precisión lo suficientemente elevada como para alentar la continuación de esta línea de investigación.
publishDate 2023
dc.date.none.fl_str_mv 2023-09-13T17:51:21Z
2023-09-13T17:51:21Z
2023-10-01
dc.type.none.fl_str_mv info:eu-repo/semantics/article
info:eu-repo/semantics/publishedVersion
http://purl.org/coar/resource_type/c_6501
info:ar-repo/semantics/articulo
format article
status_str publishedVersion
dc.identifier.none.fl_str_mv Proyecciones Vol. 21 (2)
1853-6352
http://hdl.handle.net/20.500.12272/8500
identifier_str_mv Proyecciones Vol. 21 (2)
1853-6352
url http://hdl.handle.net/20.500.12272/8500
dc.language.none.fl_str_mv spa
language spa
dc.rights.none.fl_str_mv info:eu-repo/semantics/openAccess
2023-09-13T17:51:21Z
http://creativecommons.org/licenses/by-nc/4.0/
Atribución-NoComercial 4.0 Internacional
Juan L. Barberia, Juan F. Fernández Biancardi, Giancarlo Lottero, Marco G. Baldiviezo, Sebastián L. Esangui Garagoli, Lorenzo Licata Caruso y Walter E. Legnani
Licencia Creative Commons Atribución- No Comercial
eu_rights_str_mv openAccess
rights_invalid_str_mv 2023-09-13T17:51:21Z
http://creativecommons.org/licenses/by-nc/4.0/
Atribución-NoComercial 4.0 Internacional
Juan L. Barberia, Juan F. Fernández Biancardi, Giancarlo Lottero, Marco G. Baldiviezo, Sebastián L. Esangui Garagoli, Lorenzo Licata Caruso y Walter E. Legnani
Licencia Creative Commons Atribución- No Comercial
dc.format.none.fl_str_mv pdf
application/pdf
dc.source.none.fl_str_mv Proyecciones, Vol.21 No.2, 01-18. (2023)
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_ 1877230954137780224
score 13.24418

Publicaciones similares