REDE NEURAL CONVOLUCIONAL AUTOCONFIGURADA PARA
IDENTIFICAÇÃO DE CARGAS ELÉTRICAS SIMILARES EM SMART
GRID
Nome: VINICIUS WITTIG VIANNA
Tipo: Dissertação de mestrado acadêmico
Data de publicação: 29/03/2021
Orientador:
Nome |
Papel |
|---|---|
| WANDERLEY CARDOSO CELESTE | Orientador |
Banca:
| Nome |
Papel |
|---|---|
| DANIEL JOSÉ CUSTODIO COURA | Orientador |
| HELDER ROBERTO DE OLIVEIRA ROCHA | Orientador |
| LEONARDO JOSE SILVESTRE | Orientador |
| WANDERLEY CARDOSO CELESTE | Orientador |
Resumo: Redes Neurais Convolucionais (CNN) têm se mostrado ferramentas muito eficientes na tarefa
de identificação de cargas elétricas similares em smart grid. Contudo, tais redes atualmente
dependem de mão-de-obra altamente especializada para serem adequadamente arquitetadas,
tendo em vista a grande quantidade de hiperparâmetros e variedade de ajustes, o que torna este
empreendimento altamente trabalhoso e custoso. Além disso, os ajustes tradicionalmente
manuais e completamente empíricos não garantem a obtenção de uma arquitetura ótima, devido
à impossibilidade, em geral, de se testar todas as combinações de ajuste para um conjunto de
hiperparâmetros, dentro de um espaço de valores previamente definido. Logo, este trabalho tem
como objetivo principal agregar um mecanismo de ajuste automatizado dos hiperparâmetros de
uma CNN dedicada à identificação autônoma de cargas elétricas altamente similares em smart
grid. Para isso, é inicialmente utilizado um sistema de classificação baseado em uma arquitetura
CNN manualmente obtida em trabalho prévio, a fim de se encontrar a quantidade mínima de
casos necessários e suficientes para permitir, estrategicamente, uma acurácia de classificação
de pelo menos 95%. Em seguida, a quantidade ótima de casos é usada para otimizar o número
de camadas convolucionais e densas da CNN, além do número de neurônios em tais camadas,
sem comprometer o desempenho da arquitetura de referência (a manualmente ajustada). O
sistema foi testado usando dois conjuntos de dados, um baseado em arranjos de até quatro
lâmpadas fluorescentes tecnicamente idênticas e outro baseado em arranjos de até quatro
microcomputadores também tecnicamente idênticos. Com o primeiro conjunto, a redução do
número de casos necessários para o treinamento da CNN de referência foi de 90%, enquanto
que no segundo caso, foi de 33,4%. Em seguida, as respectivas quantidades mínimas de casos
foram usadas para ajuste de hiperparâmetros a partir da CNN de referência, resultando em uma
redução de 56,02% e 90,41% sobre o número de parâmetros treináveis de tais redes, a partir
dos respectivos conjuntos de dados.
Palavras-chave: NILM. Aprendizado de Máquina Automatizado. Otimização Heurística.
Custo Computacional.
