dc.contributorFernández, Alicia
dc.contributorMassaferro Saquieres, Pablo
dc.contributorMarchesoni Franco, Universidad de la República (Uruguay). Facultad de Ingeniería.
dc.contributorMariño Camilo, Universidad de la República (Uruguay). Facultad de Ingeniería.
dc.contributorMasquil Elías, Universidad de la República (Uruguay). Facultad de Ingeniería.
dc.creatorMarchesoni, Franco
dc.creatorMariño, Camilo
dc.creatorMasquil, Elías
dc.date.accessioned2020-06-03T21:38:15Z
dc.date.accessioned2022-10-28T20:01:08Z
dc.date.available2020-06-03T21:38:15Z
dc.date.available2022-10-28T20:01:08Z
dc.date.created2020-06-03T21:38:15Z
dc.date.issued2020
dc.identifierMarchesoni, F., Mariño, C. y Masquil, E. Monitoreo no intrusivo de cargas eléctricas (NILM) [en línea]. Tesis de grado. Montevideo : Udelar. FI. IIE, 2020.
dc.identifierhttps://hdl.handle.net/20.500.12008/24187
dc.identifier.urihttps://repositorioslatinoamericanos.uchile.cl/handle/2250/4978264
dc.description.abstractEn un contexto donde la sostenibilidad del planeta es una preocupación global, la eficiencia energética toma vital importancia y abarca diversas aristas, dependiendo varias de ellas del uso y generación de información de utilidad. Non Intrusive Load Monitoring (NILM), o "monitoreo no intrusivo de cargas eléctricas", es el nombre de una aplicación especifica del procesamiento de señales. A partir de la medida de corriente y voltaje consumidas por un conjunto de cargas, se usan técnicas para asignar a cada carga individual una potencia consumida. En este sentido se presenta, en el marco de este proyecto, una revisión del estado del arte sobre los algoritmos y dispositivos para NILM, un prototipo del aparato medidor que toma muestras a alta frecuencia, la implementación de algoritmos de clasificación de electrodomésticos y también de algoritmos de desagregación, entrenados sobre bases de datos públicas. En la clasificación de electrodomésticos, se logran resultados comparables a los del estado del arte y se realiza un estudio minucioso de las distintas características que pueden extraerse de su señal de potencia eléctrica. En desagregación, se valida la hipótesis de que incorporar datos de alta frecuencia (medidas a más de 7 kHz) permite un mejor ajuste a los datos y se presentan adaptaciones de los algoritmos de referencia en esta línea, que logran en algunos casos mejores resultados que las implementaciones de referencia. Este enfoque de aprendizaje supervisado se desempeña bien al entrenar los modelos sobre los electrodomésticos a monitorear. Además, se releva una base de datos de validación con medidas en Uruguay recolectada con el prototipo propuesto. Esta base de datos cuenta con medidas individuales de distintos electrodomésticos y medidas de alta frecuencia de la potencia agregada de la casa.
dc.languagees
dc.publisherUdelar.FI.
dc.rightsLicencia Creative Commons Atribución - No Comercial - Sin Derivadas (CC - By-NC-ND 4.0)
dc.rightsLas obras depositadas en el Repositorio se rigen por la Ordenanza de los Derechos de la Propiedad Intelectual de la Universidad de la República.(Res. Nº 91 de C.D.C. de 8/III/1994 – D.O. 7/IV/1994) y por la Ordenanza del Repositorio Abierto de la Universidad de la República (Res. Nº 16 de C.D.C. de 07/10/2014)
dc.titleMonitoreo no intrusivo de cargas eléctricas (NILM).
dc.typeTesis de grado


Este ítem pertenece a la siguiente institución