Rede neural convolucional para classificação de cargas elétricas e transformada s com filtro de kalman para detecção de eventos

Abstract

RESUMO: Neste trabalho, foi realizada a análise de sinais de corrente e tensão (fornecidos pelo dataset PLAID-III) de eletrodomésticos em funcionamento com o objetivo de elaborar a desagregação de energia, por equipamento, de redes elétricas residenciais. Através de medições individuais de diferentes tipos de cargas, foram construídos gráficos de tensão e corrente, também chamados trajetórias V-I, que serviram como entrada para um modelo proposto de rede neural convolucional (RNC) . Utilizando técnicas de processamento digital de imagem, a RNC possibilitou a classificação destas trajetórias em categorias de equipamentos. Por meio de medições agregadas de corrente e tensão, resultante de múltiplos aparelhos em funcionamento, foi investigado também os efeitos de pertubações na rede elétrica causados por ligamentos e desligamentos das cargas envolvidas, caracterizadas por sinais transientes. Como estes sinais geralmente são de curta duração, sua análise requisitou a localização temporal de suas componentes harmônicas. A Transformada de Stockwell (TS) permite realizar a estimação temporalespectral de sinais senoidais não-estacionários. Os sinais de corrente e tensão foram combinados para gerar a potência instantânea e a TS foi aplicada para decompôr-la em suas componentes harmônicas e componente DC. Estas componentes foram então introduzidas em um modelo de Filtro de Kalman (FK) para detecção de mudanças abruptas decorrentes de eventos. O FK é um algoritmo recursivo capaz de estimar o sinal ao qual foi modelado e eficiente no rastreio do erro propagado, também chamado de resíduo, entre o sinal real e o estimado. Através deste sinal residual, foi possível identificar os instantes dos eventos em amostras agregadas que não apresentavam elevada interferência de ruído.

ABSTRACT: In this work, was perfomed an analysis of current and voltage signals (provided by PLAID-III dataset) of home appliances in operation with the aim of elaborating energy disaggregation, by equipment, of electrical residential networks. Through individual measures of different load types, were constructed voltage and current graphs, also called V-I trajectories, that served as input for a proposed model of convolutional neural network (CNN). Using image processing techniques, the CNN enabled the classification of these trajectories in equipments categories. Through aggregated measurements of current and voltage, resultant of multiple appliances in operation, were also investigated the effects of disturbances in electrical network caused by turning on and off the appliances involved, characterized by transient signals. Since these signals usually have short duration, its analysis required temporal localization of its harmonic components. The Stockwell Transform (ST) allows temporal-spectral estimation of sinusoidal non-stationary signals. Current and voltage signals were combined to generate the instantaneous power and the ST was applied to decompose it in its harmonic components and DC component. These components were then introduced in a Kalman Filter (KF) model for abrupt changes detection due to events. The KF is a recursive algorithm capable of estimating the signal in which was modeled and efficient in tracking propagated error, also called residue, between real and estimated signal. Through this residual signal, it was possible to identify the events instants of aggregated samples that did not present high interference of noise.