Detalhes bibliográficos
| Ano de defesa: |
2022 |
| Autor(a) principal: |
Bosco, Thais Berrettini [UNESP] |
| Orientador(a): |
Não Informado pela instituição |
| Banca de defesa: |
Não Informado pela instituição |
| Tipo de documento: |
Dissertação
|
| Tipo de acesso: |
Acesso aberto |
| Idioma: |
por |
| Instituição de defesa: |
Universidade Estadual Paulista (Unesp)
|
| Programa de Pós-Graduação: |
Não Informado pela instituição
|
| Departamento: |
Não Informado pela instituição
|
| País: |
Não Informado pela instituição
|
| Palavras-chave em Português: |
|
| Link de acesso: |
http://hdl.handle.net/11449/242299
|
Resumo: |
Devido à crescente necessidade de utilização otimizada de energia e caracterização detalhada dos perfis de consumo de eletricidade, o conceito de desagregação de cargas está ganhando atenção dentro da perspectiva de rede inteligente de energia (REI). Buscando melhorias relacionadas à conscientização do consumo de energia elétrica, este trabalho tem o intuito de contribuir com o estado do conhecimento do consumo individualizado por eletrodoméstico, apresentando estudos de aplicações e uma análise crítica sobre o uso de atributos de desagregação de cargas baseados em teorias de potência. A avaliação das estratégias propostas é efetuada considerando conjuntos de bancos de dados de referências da literatura (PLAID), que descreve comportamentos de cargas elétricas reais em funcionamento, e utilizando-se do software PSim, os mesmos são simulados, e a partir de índices de potência e de corrente calculados com base em teorias de potência, compõe-se o banco de dados teórico. As teorias de potência aplicadas são CPC, CPT e IEEE 1459-2010, que com seus conceitos modernos apresentados no decorrer do trabalho, auxiliam no estabelecimento dos atributos relevantes que são utilizados no processo de desagregação de cargas. Diferentes algoritmos de aprendizado de máquinas (k-enésimo vizinho mais próximo, Máquina de vetor de suporte e Floresta Aleatória) são aplicados nos processos de classificação e suas performances analisadas, tendo resultados com precisões maiores que 99 %. Uma otimização no banco de dados é proposta por meio dos estudos de correlação existente entre os atributos que constituem o banco de dados, possibilitando reduzir de 55 para 7 atributos mantendo a precisão de classificação de cargas em valores maiores que 99 %. Desta forma, além da contribuição relacionada à validação da criação de um banco de dados teórico a ser utilizado no conceito de desagregação de cargas elétricas, destaca-se que a otimização do mesmo traz o benefício de redução na demanda de processamento, tanto na questão dos cálculos de índices de potência e corrente, quanto na etapa de classificação das cargas. |
