UFS › SIGAA - Sistema Integrado de Gestão de Atividades Acadêmicas São Cristóvão, 29 de Março de 2024

A UFS preocupa-se com a sua privacidade

A UFS poderá coletar informações básicas sobre a(s) visita(s) realizada(s) para aprimorar a experiência de navegação dos visitantes deste site, segundo o que estabelece a Política de Privacidade de Dados Pessoais. Ao utilizar este site, você concorda com a coleta e tratamento de seus dados pessoais por meio de formulários e cookies.

Ciente


Notícias

Banca de DEFESA: HUGO MENEZES TAVARES
06/11/2020 15:59


Uma banca de DEFESA de MESTRADO foi cadastrada pelo programa.
DISCENTE: HUGO MENEZES TAVARES
DATA: 25/11/2020
HORA: 10:00
LOCAL: https://meet.google.com/you-rfrd-pxe
TÍTULO: Classificação para o Monitoramento Não-Intrusivo de Cargas em Sistema Embarcado com Rede Neural Convolucional
PALAVRAS-CHAVES: Monitoramento Não-Intrusivo de Cargas, Non-Intrusive Load Monitoring (NILM), Classificação de Cargas, Trajetória VI, Rede Neural Convolucional (RNC), Sistemas Embarcados, ESP32
PÁGINAS: 145
GRANDE ÁREA: Ciências Exatas e da Terra
ÁREA: Ciência da Computação
SUBÁREA: Sistemas de Computação
ESPECIALIDADE: Arquitetura de Sistemas de Computação
RESUMO:

A energia elétrica é de grande importância para o desenvolvimento econômico dos países e o seu consumo vem crescendo em um ritmo vertiginoso, mais rápido que os demais modais energéticos. Concomitantemente com o aumento do consumo, surge também a preocupação com o meio ambiente e a sustentabilidade, sendo que assegurar o acesso à energia elétrica de forma confiável, sustentável, moderna e a preço acessível para todos é um dos objetivos da Agenda 2030 proposta pela ONU. Além do incentivo ao uso de energias renováveis e de menor impacto ambiental, há também duas preocupações: criar dispositivos cada vez mais eficientes e reduzir o desperdício de energia elétrica, buscando alternativas para um uso mais eficiente desta. O envolvimento ativo dos consumidores resulta, na maioria das vezes, em um uso mais eficiente da energia elétrica, aumentando o interesse no desenvolvimento de tecnologias que os conscientizem quanto aos seus hábitos. Estudos mostram que quanto maior o detalhamento de informações acerca do consumo elétrico, maior a quantidade de energia elétrica economizada pelos consumidores. Uma das técnicas mais utilizadas para esse detalhamento é o Monitoramento Não-Intrusivo de Cargas, que através da desagregação de cargas, faz a distinção entre as cargas elétricas e explora o consumo elétrico de cada uma delas individualmente. A fim de contribuir para essa técnica, e diante do crescente avanço nas áreas de eletrônica e aprendizado de máquina, este estudo propõe realizar a classificação de cargas em sistema embarcado utilizando um método de aprendizado profundo e, dessa forma, contribuir para um consumo mais eficiente de energia elétrica. Como característica de distinção, foi utilizada a imagem binária da trajetória tensão-corrente. Para realizar a classificação dos aparelhos, utilizamos essas imagens como entrada para um método de aprendizado profundo, que foi a Rede Neural Convolucional (RNC). A contribuição deste trabalho é a quantização do modelo da RNC usando o TensorFlow Lite e a sua aplicação em um dispositivo embarcado, que foi o ESP32. Usando o método de validação cruzada leave-one-out, nosso modelo da RNC foi avaliado usando o dataset PLAID e obteve uma média macro F-Score de 74,76% para PLAID1, 56,48% para PLAID2 e 73,97% para PLAID1+2. Em testes realizados com todos os dados do PLAID1+2, a acurácia foi de 98,55%.


MEMBROS DA BANCA:
Presidente - 1907885 - BRUNO OTAVIO PIEDADE PRADO
Interno - 1692341 - EDWARD DAVID MORENO ORDONEZ
Interno - 1194034 - LEONARDO NOGUEIRA MATOS
Externo à Instituição - PAULO SALGADO GOMES DE MATTOS NETO

SIGAA | Superintendência de Tecnologia da Informação/UFS | Telefonista/UFS (79)3194-6600 | Copyright © 2009-2024 - UFRN v3.5.16 -r19032-7126ccb4cf