Herramienta para identificación no intrusiva de cargas eléctricas residenciales
Non-intrusive identification tool for residential electric charges
| dc.contributor | Racines Hidalgo, Diana Lucía | |
| dc.creator | Esmeral Lascano, Daniel De Jesús | |
| dc.creator | Osorio Goenaga, Iván David | |
| dc.date | 2017-02-16T22:50:53Z | |
| dc.date | 2017-02-16T22:50:53Z | |
| dc.date | 2016-11-24 | |
| dc.date.accessioned | 2023-08-25T15:59:43Z | |
| dc.date.available | 2023-08-25T15:59:43Z | |
| dc.identifier | http://hdl.handle.net/10584/5903 | |
| dc.identifier.uri | https://repositorioslatinoamericanos.uchile.cl/handle/2250/8432553 | |
| dc.description | En Colombia, los usuarios finales del servicio de energía eléctrica no cuentan con información que les permita identificar formas de hacer un uso más eficiente de la energía basado en el conocimiento de la forma en la cual usa sus dispositivos eléctricos. Al solucionar el presente problema se incentiva al usuario a tener una cultura del ahorro y se le brinda información para que pueda implementar estrategias para reducir los costos por facturación de la energía. La propuesta central del proyecto es realizar una herramienta que permita identificar en que momento una determinada carga es encendida o apagada, sin necesidad de medir constantemente dicha carga, esta permitirá al usuario tener mayor conocimiento sobre su consumo de energía de una forma económica y no invasiva en su instalación. Se desarrolló un sistema de adquisición, el cual consta de tres protecciones ante sobrecorrientes. El medidor se protegió con fusibles de 0.1A y 3A. Los cables del sistema de adquisición, los cuales son de 14AWG, se protegen con un fusible de 10A. El medidor Shark 200S logra la comunicación con el computador a través de una cable serie conectado a los convertidores RS485 a RS232 y RS232 a USB. La herramienta software desarrollada, utiliza un sistema de redes neuronales elaborado en la herramienta Nftool de Matlab®. La red neuronal es tipo feedforward neural network, está compuesta por 25 neuronas y se entrenó ingresando 105 muestras. Para un tamaño óptimo calculado de 126 muestras, se obtuvo un porcentaje de aciertos de 82.73%, a partir de este resultado, se calculó el intervalo de confianza para la proporción teniendo en cuenta una precisión de 0.05 y una confiabilidad del 95%, el resultado obtenido fue de 76.12% a 89.33%. Además, se obtuvo los porcentajes de acierto más altos en las cargas que poseen un consumo de energía mayor con respecto demás cargas y en las pruebas en donde hubo más cargas activas al tiempo. | |
| dc.description | In Colombia, the final users of the electrical energy service don´t have information that allows them to identify ways of making an efficient used of the energy based on the knowledge of the way they used their electrical devices. With the solution of the problem, the users will be motivated to have a save culture and give information that the user can use to implement strategies to reduce the cost of electrical billing. The main purpose of the project is developing a tool that can allow identify in which moment a particular load is on or off, without measuring constantly the load, it will allow the user have a higher knowledge about his energy consume as a cheaper and non-intruding way in his residence. It was developed a measuring acquire system, is compounded of three overcurrent protections. The meter is protected with two fuse of 0.1 A and 3 A. The cables of the measurement electrical system, which are 14 AWG, are protected by a fuse of 10 A. The meter Shark 200S, allows the communication with the computer through a series cable connected with the converters RS485 to RS232 and RS232 to USB. The software tool developemt, uses a neuronal network system made in the matlab´s® Nftool. The neuronal network is feedforward neuronal network type, it is compound of 25 neurons, and it was training with 105 samples. For an optimal calculated size of 126 samples, the tool shows a percentage of right answer of 82.73%, with that result, it was calculated an interval for the proportion having an accuracy of 0.05 and a confidence of 95%. The results obtained were an interval of 76.12% and 89.33%. In addition, the highest percentages of right answer were obtained by the loads whit the highest energy consume and in the test where there are more active loads at the same time. | |
| dc.format | application/pdf | |
| dc.format | image/png | |
| dc.language | spa | |
| dc.publisher | Barranquilla, Universidad del Norte, 2016. | |
| dc.rights | Universidad del Norte | |
| dc.rights | openAccess | |
| dc.subject | Redes inteligentes, medidores inteligentes, casas inteligentes, gestión de la información, redes neuronales, monitoreo no intrusivos de cargas eléctricas. | |
| dc.subject | Smart grids, smart meters, Smart home, information management, neural networks, non-intrusive load monitoring. | |
| dc.title | Herramienta para identificación no intrusiva de cargas eléctricas residenciales | |
| dc.title | Non-intrusive identification tool for residential electric charges | |
| dc.type | article |