Identificação não-intrusiva de cargas similares em Smart Grid usando rede neural convolucional
Nome: VICTOR PEREIRA FIRMES
Tipo: Dissertação de mestrado acadêmico
Data de publicação: 11/03/2020
Orientador:
Nome |
Papel |
|---|---|
| WANDERLEY CARDOSO CELESTE | Orientador |
Banca:
| Nome |
Papel |
|---|---|
| DANIEL JOSÉ CUSTODIO COURA | Examinador Interno |
| FELIPE NASCIMENTO MARTINS | Examinador Externo |
| LEONARDO JOSE SILVESTRE | Coorientador |
| LUIS OTAVIO RIGO JUNIOR | Examinador Externo |
| WANDERLEY CARDOSO CELESTE | Orientador |
Resumo: Este trabalho trata do problema de identificação de equipamentos monitorados a partir
de um ponto comum de acoplamento, sendo tais equipamentos tecnicamente idênticos
sob o ponto de vista elétrico, definidos aqui como altamente similares. Assim, de forma
experimental, são usadas quatro lâmpadas fluorescentes e quatro computadores, sendo
que nenhum ou até todos podem estar em funcionamento simultâneo, resultando em dois
bancos de amostras denominados Banco A, com cerca de 8 milhões de amostras de tensão
e de corrente demandadas por cada uma das 16 configurações possíveis das lâmpadas
e Banco B, com 999600 amostras de tensão e de corrente demandadas por cada uma
das 16 configurações possíveis dos computadores. Tais amostras são adquiridas a 99960
amostras por segundo, quantizadas em 16 bits. O objetivo é usar parte destas amostras
aleatoriamente selecionadas e, por meio de redes neurais convolucionais manualmente e
empiricamente configuradas, extrair características que permitam treinar, validar e testar
tais redes para obter acurácias compatíveis com as observadas na literatura para cargas
não similares. Portanto, seleciona-se 999600 amostras do Banco A, dando origem ao Banco
A1_0, o qual é usado para configurar 4 redes neurais distintas. Assim, é proposto um
índice para avaliar o desempenho das redes que considera o número de parâmetros da rede
e o tempo de treinamento para que a rede neural possa alcançar 93% de acurácia. O índice
justifica a escolha da Rede 2 para as etapas de treinamento, validação e teste a partir do
Banco B e de 14 novos bancos gerados a partir do Banco A, onde se varia o tipo de carga
(Banco B) o número de amostras (Bancos A1_i, com i = 0, 1, 2 e 3), a taxa de amostragem
(Bancos A1_i, com i = 0, 4, 5 e 6) e a resolução das amostras (Bancos A1_i, com i =
0, 7, 8, 9, 10, 11, 12, 13 e 14). O objetivo é verificar a robustez da metodologia frente a
variações na natureza do comportamento dos equipamentos elétricos sob identificação, à
diminuição do número de amostras e as limitações no hardware de aquisição no sentido
de amostrar os dados em frequências e resoluções menores. Os resultados mostram que a
rede manteve o desempenho mesmo com cargas de natureza variável no tempo. Mostram
também que a redução do número de amostras impacta negativamente na acurácia. No
entanto, torna-se significativo a partir de uma redução de 40% do número total usado
no processo de configuração da rede. Com relação à redução da taxa de amostragem, é
possível verificar o não comprometimento do sistema. Por fim, a diminuição da resolução
das amostras provoca uma degradação significativa quando a resolução é inferior a 10
bits. Portanto, este trabalho prova que o método não-intrusivo também é eficiente para
identificar cargas altamente similares e mostra que a metodologia apresentada é uma
alternativa viável quando se pode lidar com o alto custo de identificação envolvido, isto é,
capacidade de obter, armazenar e processar grandes massas de dados em um tempo não
proibitivo.
