Título
[pt] DESAGREGAÇÃO DE CARGAS EM UM DATASET COLETADO EM UMA INDÚSTRIA BRASILEIRA UTILIZANDO AUTOENCODERS VARIACIONAIS E REDES INVERSÍVEIS
Título
[en] LOAD DISAGGREGATION IN A BRAZILIAN INDUSTRIAL DATASET USING INVERTIBLE NETWORKS AND VARIATIONAL AUTOENCODERS
Autor
[pt] EDUARDO SANTORO MORGAN
Vocabulário
[pt] APRENDIZADO PROFUNDO
Vocabulário
[pt] BASE DE DADOS INDUSTRIAL
Vocabulário
[pt] AUTOENCODERS VARIACIONAIS
Vocabulário
[pt] REDES NEURAIS INVERSIVEIS
Vocabulário
[pt] DESAGREGACAO DE CARGAS
Vocabulário
[en] DEEP LEARNING
Vocabulário
[en] INDUSTRIAL DATASET
Vocabulário
[en] VARIATIONAL AUTOENCODERS
Vocabulário
[en] INVERTIBLE NEURAL NETWORKSINVERTIBLE NEURAL NETWORKS
Vocabulário
[en] LOAD DISAGGREGATION
Resumo
[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.
Resumo
[en] Load Disaggregation is the task of estimating appliance-level consumption
from a single aggregate consumption metering point. This work explores
machine learning techniques applied to an industrial load disaggregation
dataset from a poultry feed factory in Brazil. It proposes a model that combines
variational autoencoders with invertible normalizing flows models. The
results obtained are, in general, better than the current best reported results
for this dataset, outperforming them by up to 86 percent in the Signal Aggregate
Error and by up to 81 percent in the Normalized Disaggregation Error.
Orientador(es)
SERGIO COLCHER
Banca
SERGIO COLCHER
Banca
SERGIO LIFSCHITZ
Banca
EDWARD HERMANN HAEUSLER
Catalogação
2021-08-05
Apresentação
2021-05-07
Tipo
[pt] TEXTO
Formato
application/pdf
Idioma(s)
INGLÊS
Referência [pt]
https://www.maxwell.vrac.puc-rio.br/colecao.php?strSecao=resultado&nrSeq=54082@1
Referência [en]
https://www.maxwell.vrac.puc-rio.br/colecao.php?strSecao=resultado&nrSeq=54082@2
Referência DOI
https://doi.org/10.17771/PUCRio.acad.54082
Arquivos do conteúdo
NA ÍNTEGRA PDF