Aplicación de una arquitectura de red neuronal para el monitoreo de carga por métodos no invasivos (NILM) utilizando ciclos de activación de artefactos eléctricos en el entrenamien...

Autores
Cocconi, Diego Alejandro; Yuan, Rebeca; Mulassano, Micaela; Ferreyra, Diego M.
Año de publicación
2019
Idioma
español castellano
Tipo de recurso
documento de conferencia
Estado
versión publicada
Descripción
Con el objetivo de lograr identificar artefactos eléctricos utilizando redes neuronales a partir de una medida total de consumo de energía (técnica conocida como NILM, del inglés Non-Intrusive Load Monitoring), en el presente trabajo se plantea la evaluación de dos tipos de redes neuronales capaces de realizar tal tarea, contando como ejemplos de entrenamiento válidos para el aprendizaje con ciclos de activación de diferentes artefactos que ya fueron identificados por un algoritmo de detención desarrollado en trabajos anteriores.
PID UTN CCUTNSF0004881
Fil: Cocconi, Diego Alejandro. Universidad Tecnológica Nacional. Facultad Regional San Francisco. Departamento de Ingeniería en Sistemas de Información / Electromecánica; Argentina.
Fil: Yuan, Rebeca. Universidad Tecnológica Nacional. Facultad Regional San Francisco. Departamento de Ingeniería en Sistemas de Información / Electromecánica; Argentina.
Fil: Mulassano, Micaela. Universidad Tecnológica Nacional. Facultad Regional San Francisco. Departamento de Ingeniería en Sistemas de Información / Electromecánica; Argentina.
Fil: Ferreyra, Diego M. Universidad Tecnológica Nacional. Facultad Regional San Francisco. Departamento de Ingeniería en Sistemas de Información / Electromecánica; Argentina.
Fuente
XXI Workshop de Investigadores en Ciencias de la Computación: 20-24. (2019)
Materia
NILM
Consumo de energía
Ciclos de activación
Aprendizaje automático
Redes neuronales
Nivel de accesibilidad
acceso abierto
Condiciones de uso
2022-10-18T20:30:32Z
Repositorio
Repositorio Institucional Abierto (UTN)
Institución
Universidad Tecnológica Nacional
OAI Identificador
oai:ria.utn.edu.ar:20.500.12272/7179
Acceder
id RIAUTN_d788fbc47e99283ec466093cb4bead00
oai_identifier_str oai:ria.utn.edu.ar:20.500.12272/7179
network_acronym_str RIAUTN
repository_id_str a
network_name_str Repositorio Institucional Abierto (UTN)
spelling Aplicación de una arquitectura de red neuronal para el monitoreo de carga por métodos no invasivos (NILM) utilizando ciclos de activación de artefactos eléctricos en el entrenamientoCocconi, Diego AlejandroYuan, RebecaMulassano, MicaelaFerreyra, Diego M.NILMConsumo de energíaCiclos de activaciónAprendizaje automáticoRedes neuronalesCon el objetivo de lograr identificar artefactos eléctricos utilizando redes neuronales a partir de una medida total de consumo de energía (técnica conocida como NILM, del inglés Non-Intrusive Load Monitoring), en el presente trabajo se plantea la evaluación de dos tipos de redes neuronales capaces de realizar tal tarea, contando como ejemplos de entrenamiento válidos para el aprendizaje con ciclos de activación de diferentes artefactos que ya fueron identificados por un algoritmo de detención desarrollado en trabajos anteriores.PID UTN CCUTNSF0004881Fil: Cocconi, Diego Alejandro. Universidad Tecnológica Nacional. Facultad Regional San Francisco. Departamento de Ingeniería en Sistemas de Información / Electromecánica; Argentina.Fil: Yuan, Rebeca. Universidad Tecnológica Nacional. Facultad Regional San Francisco. Departamento de Ingeniería en Sistemas de Información / Electromecánica; Argentina.Fil: Mulassano, Micaela. Universidad Tecnológica Nacional. Facultad Regional San Francisco. Departamento de Ingeniería en Sistemas de Información / Electromecánica; Argentina.Fil: Ferreyra, Diego M. Universidad Tecnológica Nacional. Facultad Regional San Francisco. Departamento de Ingeniería en Sistemas de Información / Electromecánica; Argentina.Editorial UNSJ, 20192022-10-18T20:30:32Z2022-10-18T20:30:32Z2019-04info:eu-repo/semantics/conferenceObjectinfo:eu-repo/semantics/publishedVersionhttp://purl.org/coar/resource_type/c_5794info:ar-repo/semantics/documentoDeConferenciapdfapplication/pdfXXI Workshop de Investigadores en Ciencias de la Computación978-987-3984-85-3http://hdl.handle.net/20.500.12272/7179XXI Workshop de Investigadores en Ciencias de la Computación: 20-24. (2019)reponame:Repositorio Institucional Abierto (UTN)instname:Universidad Tecnológica NacionalspaCCUTNSF0004881Nacionalinfo:eu-repo/semantics/openAccess2022-10-18T20:30:32Zhttp://creativecommons.org/licenses/by-nc-nd/4.0/Attribution-NonCommercial-NoDerivatives 4.0 Internacional.2026-09-24T12:47:23Zoai:ria.utn.edu.ar:20.500.12272/7179instacron: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 12:47:24.211Repositorio Institucional Abierto (UTN) - Universidad Tecnológica Nacionalfalse
dc.title.none.fl_str_mv Aplicación de una arquitectura de red neuronal para el monitoreo de carga por métodos no invasivos (NILM) utilizando ciclos de activación de artefactos eléctricos en el entrenamiento
title Aplicación de una arquitectura de red neuronal para el monitoreo de carga por métodos no invasivos (NILM) utilizando ciclos de activación de artefactos eléctricos en el entrenamiento
spellingShingle Aplicación de una arquitectura de red neuronal para el monitoreo de carga por métodos no invasivos (NILM) utilizando ciclos de activación de artefactos eléctricos en el entrenamiento
Cocconi, Diego Alejandro
NILM
Consumo de energía
Ciclos de activación
Aprendizaje automático
Redes neuronales
title_short Aplicación de una arquitectura de red neuronal para el monitoreo de carga por métodos no invasivos (NILM) utilizando ciclos de activación de artefactos eléctricos en el entrenamiento
title_full Aplicación de una arquitectura de red neuronal para el monitoreo de carga por métodos no invasivos (NILM) utilizando ciclos de activación de artefactos eléctricos en el entrenamiento
title_fullStr Aplicación de una arquitectura de red neuronal para el monitoreo de carga por métodos no invasivos (NILM) utilizando ciclos de activación de artefactos eléctricos en el entrenamiento
title_full_unstemmed Aplicación de una arquitectura de red neuronal para el monitoreo de carga por métodos no invasivos (NILM) utilizando ciclos de activación de artefactos eléctricos en el entrenamiento
title_sort Aplicación de una arquitectura de red neuronal para el monitoreo de carga por métodos no invasivos (NILM) utilizando ciclos de activación de artefactos eléctricos en el entrenamiento
dc.creator.none.fl_str_mv Cocconi, Diego Alejandro
Yuan, Rebeca
Mulassano, Micaela
Ferreyra, Diego M.
author Cocconi, Diego Alejandro
author_facet Cocconi, Diego Alejandro
Yuan, Rebeca
Mulassano, Micaela
Ferreyra, Diego M.
author_role author
author2 Yuan, Rebeca
Mulassano, Micaela
Ferreyra, Diego M.
author2_role author
author
author
dc.subject.none.fl_str_mv NILM
Consumo de energía
Ciclos de activación
Aprendizaje automático
Redes neuronales
topic NILM
Consumo de energía
Ciclos de activación
Aprendizaje automático
Redes neuronales
dc.description.none.fl_txt_mv Con el objetivo de lograr identificar artefactos eléctricos utilizando redes neuronales a partir de una medida total de consumo de energía (técnica conocida como NILM, del inglés Non-Intrusive Load Monitoring), en el presente trabajo se plantea la evaluación de dos tipos de redes neuronales capaces de realizar tal tarea, contando como ejemplos de entrenamiento válidos para el aprendizaje con ciclos de activación de diferentes artefactos que ya fueron identificados por un algoritmo de detención desarrollado en trabajos anteriores.
PID UTN CCUTNSF0004881
Fil: Cocconi, Diego Alejandro. Universidad Tecnológica Nacional. Facultad Regional San Francisco. Departamento de Ingeniería en Sistemas de Información / Electromecánica; Argentina.
Fil: Yuan, Rebeca. Universidad Tecnológica Nacional. Facultad Regional San Francisco. Departamento de Ingeniería en Sistemas de Información / Electromecánica; Argentina.
Fil: Mulassano, Micaela. Universidad Tecnológica Nacional. Facultad Regional San Francisco. Departamento de Ingeniería en Sistemas de Información / Electromecánica; Argentina.
Fil: Ferreyra, Diego M. Universidad Tecnológica Nacional. Facultad Regional San Francisco. Departamento de Ingeniería en Sistemas de Información / Electromecánica; Argentina.
description Con el objetivo de lograr identificar artefactos eléctricos utilizando redes neuronales a partir de una medida total de consumo de energía (técnica conocida como NILM, del inglés Non-Intrusive Load Monitoring), en el presente trabajo se plantea la evaluación de dos tipos de redes neuronales capaces de realizar tal tarea, contando como ejemplos de entrenamiento válidos para el aprendizaje con ciclos de activación de diferentes artefactos que ya fueron identificados por un algoritmo de detención desarrollado en trabajos anteriores.
publishDate 2019
dc.date.none.fl_str_mv 2019-04
2022-10-18T20:30:32Z
2022-10-18T20:30:32Z
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 XXI Workshop de Investigadores en Ciencias de la Computación
978-987-3984-85-3
http://hdl.handle.net/20.500.12272/7179
identifier_str_mv XXI Workshop de Investigadores en Ciencias de la Computación
978-987-3984-85-3
url http://hdl.handle.net/20.500.12272/7179
dc.language.none.fl_str_mv spa
language spa
dc.relation.none.fl_str_mv CCUTNSF0004881
dc.rights.none.fl_str_mv info:eu-repo/semantics/openAccess
2022-10-18T20:30:32Z
http://creativecommons.org/licenses/by-nc-nd/4.0/
Attribution-NonCommercial-NoDerivatives 4.0 Internacional
.
eu_rights_str_mv openAccess
rights_invalid_str_mv 2022-10-18T20:30:32Z
http://creativecommons.org/licenses/by-nc-nd/4.0/
Attribution-NonCommercial-NoDerivatives 4.0 Internacional
.
dc.format.none.fl_str_mv pdf
application/pdf
dc.coverage.none.fl_str_mv Nacional
dc.publisher.none.fl_str_mv Editorial UNSJ, 2019
publisher.none.fl_str_mv Editorial UNSJ, 2019
dc.source.none.fl_str_mv XXI Workshop de Investigadores en Ciencias de la Computación: 20-24. (2019)
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_ 1877230936712544256
score 13.265058

Publicaciones similares