Identificación de cargas eléctricas residenciales utilizando características basadas en la transformada fraccionaria de Fourier

Simple item page
dc.contributor.advisorDuarte Gualdrón, César Antonio
dc.contributor.advisorTorres Amarís, Rafael Ángel
dc.contributor.authorCala Castro, Henry Mauricio
dc.date.accessioned2024-03-04T00:05:40Z
dc.date.available2018
dc.date.available2024-03-04T00:05:40Z
dc.date.created2018
dc.date.issued2018
dc.description.abstractCon la informacion del consumo de energ ´ ´ıa individual de los dispositivos se pueden generar estrategias de gestion para optimizar la eficiencia energética en una casa. En estaárea, se presenta ´ la monitorizacion no intrusiva de cargas (NILM) como un método de bajo costo, el cual consisteén realizar una identificacion de los dispositivos activos para posteriormente definir los consumoséndividuales. En el presente trabajo de investigacion, se describe el dise ´ no de sistemas de identi- ˜ ficacion de cargas basados en eventos transitorios y estacionarios de los dispositivos con carac- ´ ter´ısticas extra´ıdas con la transformada fraccionaria de Fourier (FRFT). En el diseno propuesto, ˜ se definen operadores de extraccion de caracter ´ ´ısticas con las propiedades de las senales en los ˜ dominios fraccionarios y se seleccionan conjuntos suboptimos de caracter ´ ´ısticas con un proceso de eliminacion recursivo. Luego, se implementan los sistemas de identificación con estimación´ realizada con Maquinas de Soporte Vectorial (SVMs) y Redes Neuronales Artificiales (ANNs) y ´ los resultados obtenidos en validacion cruzada se comparan con los de sistemas con extracción´ de caracter´ısticas basada en las transformadas Wavelet y S. Como resultados, se tiene que los algoritmos con SVMs logran exactitudes en identificacion más elevadas en comparación de losálgoritmos con ANNs. Ademas, en los sistemas con SVMs, la exactitud en identificación con losénfoques basados en Wavelet y FRFT son muy similares logrando una ventaja sobre el enfoque basado en la transformada S. En procesamiento, el sistema de FRFT obtiene una mayor velocidad de computo seguido del sistema con transformada S. Considerando lo anterior, los sistemas conéxtraccion de caracter ´ ´ısticas basada en la FRFT muestran el mejor balance entre exactitud y velocidad entre las alternativas comparadas.
dc.description.abstractenglishWith the individual energy consumptions of the devices, management plans can be generated in order to optimize energy efficiency in a home. In this area, Nonintrusive Load Monitoring (NILM) is presented as a low cost method, which consists in realizing an identification of the active loads, and then defining the individual power consumptions using prior information. In this research work, the design of load identification systems is presented based on stationary and transient events with features that are extracted using the Fractional Fourier Transform (FRFT). Feature extraction operators are proposed using some properties and patterns in the fractional Fourier domains. Then, a recursive feature elimination method is implemented to identify suboptium feature groups from the complete feature set. With the final features groups, load identification systems are designed and implemented, where the estimation is solved with Support Vector Machines (SVMs) and Artificial Neural Networks (ANNs). Finally, the cross-validation scores of the systems is compared with approaches using feature extraction based on S and Wavelet transforms. As results, the algorithms with SVMs has a higher accuracy than the ANNs approaches. Also, in SVMs systems, accuracies are similar for the proposals based on Wavelet and FRFT, and they both exhibit better accuracy than the system based on S transform. Regarding computation time, the FRFT system is the fastest algorithm followed by the S transform one. As final conclusion, the systems with feature extraction based on the FRFT have the best average performance in speed and accuracy among the systems tested.
dc.description.degreelevelMaestría
dc.description.degreenameMagíster en Ingeniería Electrónica
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/20.500.14071/38695
dc.language.isospa
dc.publisherUniversidad Industrial de Santander
dc.publisher.facultyFacultad de Ingenierías Fisicomecánicas
dc.publisher.programMaestría en Ingeniería Electrónica
dc.publisher.schoolEscuela de Ingenierías Eléctrica, Electrónica y Telecomunicaciones
dc.rightshttp://creativecommons.org/licenses/by/4.0/
dc.rights.accessrightsinfo:eu-repo/semantics/openAccess
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/4.0
dc.subjectMonitorizacion No Intrusiva De Cargas
dc.subjectIdentificación´ De Cargas
dc.subjectTransformada De Fourier Fraccionaria
dc.subjectExtraccion De Ca- ´ Racter´Isticas
dc.subjectMaquinas De Soporte Vectorial
dc.subjectRedes Neuronales Arti- ´ Ficiales.
dc.subject.keywordNonintrusive Load Monitoring
dc.subject.keywordLoad Identification
dc.subject.keywordFractional Fourier Transform
dc.subject.keywordFeature Extraction
dc.subject.keywordSupport Vector Machines
dc.subject.keywordArtificial Neural Networks
dc.titleIdentificación de cargas eléctricas residenciales utilizando características basadas en la transformada fraccionaria de Fourier
dc.title.englishResidential loads identification with feature extraction based on the fractional fourier transform
dc.type.coarhttp://purl.org/coar/version/c_b1a7d7d4d402bcce
dc.type.hasversionhttp://purl.org/coar/resource_type/c_bdcc
dc.type.localTesis/Trabajo de grado - Monografía - Maestria
Files
Original bundle
Now showing 1 - 3 of 3
No Thumbnail Available
Name:
Carta de autorización.pdf
Size:
1.4 MB
Format:
Adobe Portable Document Format
Download
No Thumbnail Available
Name:
Documento.pdf
Size:
6.1 MB
Format:
Adobe Portable Document Format
Download
No Thumbnail Available
Name:
Nota de proyecto.pdf
Size:
2.27 MB
Format:
Adobe Portable Document Format
Download
Collections
Maestría en Ingeniería Electrónica