Sistema de Monitorización no Intrusiva de Potencia en una Red Eléctrica Doméstica empleando una Raspberry Pi y una Aplicación Web

Simple item page
dc.contributor.advisorJiménez Manjarres, Yulieth
dc.contributor.advisorAngulo Julio, Carlos Andrés
dc.contributor.advisorDuarte Gualdrón, César Antonio
dc.contributor.authorMendoza Díaz, Laura Sofía
dc.contributor.authorEspitia Mantilla, Viviana Lisbeth
dc.contributor.evaluatorCortés Torres, Jose David
dc.contributor.evaluatorOrdoñez Plata, Gabriel
dc.date.accessioned2022-09-15T15:28:48Z
dc.date.available2022-09-15T15:28:48Z
dc.date.created2022-09-09
dc.date.issued2022-09-09
dc.description.abstractUn sistema de monitorización no intrusivo de carga mide la tensión y la corriente directamente de la red y utiliza técnicas de desagregación para identificar los electrodomésticos conectados. En este trabajo de grado se implementan algoritmos de máquinas de soporte vectorial (SVM) y de redes neuronales profundas (DNN) para la desagregación de carga, y se compara su desempeño. Para ello, se crea una base de datos con las señales de varios electrodomésticos en MySQL, las cuales son caracterizadas y enviadas al modelo de clasificación para predecir cuál es el dispositivo encendido. Además, la página web es actualizada con la información del dispositivo detectado, cuya visualización incluye el estado de cada elemento, la potencia instantánea y la potencia total consumida. La creación de la base de datos permite un mejor control y óptima accesibilidad de la información. Por otra parte, la comparación de algoritmos presenta un resultado destacado del modelo SVM con un 15% de exactitud mayor en contraste al DNN. Así mismo, su implementación en la tarjeta Raspberry Pi brinda una aproximación más real, abarcando la clasificación de 14 diferentes dispositivos incluidos en la base de datos, enlazando estos aparatos detectados directamente al aplicativo web en donde se presenta la información adquirida aportando un valor agregado al usuario final.
dc.description.abstractenglishLoad disaggregation, Raspberry Pi, load identification, non intrusive monitor, web application, artificial intelligence, support vector machine. \item[Description:] A non-intrusive load monitoring system measures voltage and current directly from the grid and uses dis-aggregation techniques to identify connected appliances. In this undergrad work, support vector machines (SVM) and deep neural network (DNN) algorithms are implemented for load disaggregation, and their performance is compared. For this purpose, a database is created with signals from various home appliances in MySQL, which are characterized and sent to the classification model to predict which device is turned on. In addition, the web page is updated with the information of the detected device, whose visualization includes the status of each element, the instantaneous power and the total power consumed. The creation of the database allows better control and optimal accessibility of the information. On the other hand, the comparison of algorithms shows an outstanding result of the SVM model with a 15% higher accuracy in contrast to the DNN. Likewise, its implementation in the Raspberry Pi board provides a more realistic approach, covering the classification of 14 different devices included in the database, linking these detected devices directly to the web application where the acquired information is presented, providing an added value to the end user.
dc.description.degreelevelPregrado
dc.description.degreenameIngeniero Electrónico
dc.format.mimetypeapplication/pdf
dc.identifier.instnameUniversidad Industrial de Santander
dc.identifier.reponameUniversidad Industrial de Santander
dc.identifier.repourlhttps://noesis.uis.edu.co
dc.identifier.urihttps://noesis.uis.edu.co/handle/20.500.14071/11426
dc.language.isospa
dc.publisherUniversidad Industrial de Santander
dc.publisher.facultyFacultad de Ingeníerias Fisicomecánicas
dc.publisher.programIngeniería Electrónica
dc.publisher.schoolEscuela de Ingenierías Eléctrica, Electrónica y Telecomunicaciones
dc.rightsinfo:eu-repo/semantics/openAccess
dc.rights.accessrightsinfo:eu-repo/semantics/openAccess
dc.rights.coarhttp://purl.org/coar/access_right/c_abf2
dc.rights.creativecommonsAtribución-NoComercial-SinDerivadas 4.0 Internacional (CC BY-NC-ND 4.0)
dc.rights.licenseAttribution-NonCommercial 4.0 International (CC BY-NC 4.0)
dc.rights.urihttp://creativecommons.org/licenses/by-nc-nd/4.0/
dc.subjectDesagregación de carga
dc.subjectRaspberry Pi
dc.subjectidentificación de carga
dc.subjectmonitor no intrusivo
dc.subjectaplicación web
dc.subjectinteligencia artificial
dc.subjectmáquinas de soporte vectorial
dc.subject.keywordLoad disaggregation
dc.subject.keywordRaspberry Pi
dc.subject.keywordload identification
dc.subject.keywordnon intrusive monitor
dc.subject.keywordweb application
dc.subject.keywordartificial intelligence
dc.subject.keywordsupport vector machine
dc.titleSistema de Monitorización no Intrusiva de Potencia en una Red Eléctrica Doméstica empleando una Raspberry Pi y una Aplicación Web
dc.title.englishNon Intrusive Power Monitoring System for a Home Power Grid using a Raspberry Pi and a Web Application
dc.type.coarhttp://purl.org/coar/resource_type/c_7a1f
dc.type.hasversionhttp://purl.org/coar/version/c_b1a7d7d4d402bcce
dc.type.localTesis/Trabajo de grado - Monografía - Pregrado
dspace.entity.type
Files
Original bundle
Now showing 1 - 3 of 3
Thumbnail Image
Name:
Documento.pdf
Size:
1.85 MB
Format:
Adobe Portable Document Format
Download
No Thumbnail Available
Name:
Carta de autorización.pdf
Size:
169.7 KB
Format:
Adobe Portable Document Format
Download
No Thumbnail Available
Name:
Nota de proyecto.pdf
Size:
218.47 KB
Format:
Adobe Portable Document Format
Download
License bundle
Now showing 1 - 1 of 1
No Thumbnail Available
Name:
license.txt
Size:
2.18 KB
Format:
Item-specific license agreed to upon submission
Description:
Download
Collections
Ingeniería Electrónica