Archive | 2019
Data Characterization for Electrical Load Disaggregation using Supervised Learning
Abstract
Electricity is an essential resource and its optimized consumption becomes a growing demand in modern power grids. The recent evolution of microcontrollers allowed the immersion of artificial intelligence into a new metering generation called cognitive meters. Their main feature is the capability to perform energy disaggregation of loads. Consequently, good data representation is required to identify the appliance accurately, so that electrical measurement readings may be used to identify the appliances. In this context, this paper presents a data characterization approach for load disaggregation through 140 features. To validate our proposal, a real data set from 28 appliances were created and used for training three traditional classification algorithms. The results indicate that it is possible to perform an adequate load disaggregation in real-time scenarios, creating a significant number of possibilities to explore additional functionalities, as well as computational intelligence techniques for the cognitive meters. Resumo. A energia elétrica é um serviço essencial e o seu uso otimizado é uma demanda cada vez maior nas redes elétricas modernas. A recente evolução dos microcontroladores permitiu a imersão de inteligência artificial em uma nova geração de medidores, chamados de medidores cognitivos. A principal caracterı́stica do medidor cognitivo é a possibilidade de realizar a desagregação do consumo de energia elétrica por cargas. Para que isso seja possı́vel, é necessário utilizar uma boa representação para os dados, de tal forma que leituras provenientes de medições elétricas possam ser usadas para identificar cada equipamento elétrico. Neste contexto, este artigo apresenta uma proposta de caracterização de dados para a desagregação do consumo por meio de 140 atributos. Para validar essa proposta, foi construı́do um conjunto de dados reais coletados a partir de 28 equipamentos elétricos, os quais foram usados para treinar três métodos tradicionais de classificação. Com base nos resultados obtidos, conclui-se que é possı́vel realizar a efetiva desagregação de cargas em cenários reais e em tempo quase real, abrindo um grande conjunto de possibilidades para explorações de novos recursos e empregos de técnicas de inteligência computacional em medidores cognitivos.