[pt] DESAGREGAÇÃO DE CARGAS EM UM DATASET COLETADO EM UMA INDÚSTRIA BRASILEIRA UTILIZANDO AUTOENCODERS VARIACIONAIS E REDES INVERSÍVEIS

• Ano de defesa: 2021
• Autor(a) principal: EDUARDO SANTORO MORGAN
• Tipo de documento: Tese
• Tipo de acesso: Acesso aberto
• Idioma: eng
• Instituição de defesa: MAXWELL
• Palavras-chave em Português: [pt] APRENDIZADO PROFUNDO; [pt] BASE DE DADOS INDUSTRIAL; [pt] AUTOENCODERS VARIACIONAIS; [pt] REDES NEURAIS INVERSIVEIS; [pt] DESAGREGACAO DE CARGAS; [en] DEEP LEARNING; [en] INDUSTRIAL DATASET; [en] VARIATIONAL AUTOENCODERS; [en] INVERTIBLE NEURAL NETWORKSINVERTIBLE NEURAL NETWORKS; [en] LOAD DISAGGREGATION
• Link de acesso: https://www.maxwell.vrac.puc-rio.br/colecao.php?strSecao=resultado&nrSeq=54082&idi=1; https://www.maxwell.vrac.puc-rio.br/colecao.php?strSecao=resultado&nrSeq=54082&idi=2; http://doi.org/10.17771/PUCRio.acad.54082

[pt] Desagregação de cargas é a tarefa de estimar o consumo individual de aparelhos elétricos a partir de medições de consumo de energia coletadas em um único ponto, em geral no quadro de distribuição do circuito. Este trabalho explora o uso de técnicas de aprendizado de máquina para esta tarefa, em uma base de dados coletada em uma fábrica de ração de aves no Brasil. É proposto um modelo combinando arquiteturas de autoencoders variacionais com as de fluxos normalizantes inversíveis. Os resultados obtidos são, de maneira geral, superiores aos melhores resultados reportados para esta base de dados até então, os superando em até 86 por cento no Erro do Sinal Agregado e em até 81 por cento no Erro de Desagregação Normalizado dependendo do equipamento desagregado.