ProjectoNIALM

85 visualizações

Publicada em

0 comentários
0 gostaram
Estatísticas
Notas
  • Seja o primeiro a comentar

  • Seja a primeira pessoa a gostar disto

Sem downloads
Visualizações
Visualizações totais
85
No SlideShare
0
A partir de incorporações
0
Número de incorporações
20
Ações
Compartilhamentos
0
Downloads
0
Comentários
0
Gostaram
0
Incorporações 0
Nenhuma incorporação

Nenhuma nota no slide

ProjectoNIALM

  1. 1. Detector de eventos e clustering em sistemas não-intrusivos de desagregação de carga PROJECTO NIALM Realizado por: José Lourenço e Tiago Saraiva
  2. 2. OBJECTIVOS DO PROJECTO • Implementação de um detector de eventos que: • Identifica com precisão os instantes onde ocorrem o ligar/desligar de um electrodoméstico, ou a alteração do seu estado de potência, • Identifica a duração da transição e o instante aproximado de estabilização, • Estima o valor da variação de potência da transição detectada (delta_p), • Identifica e mede o valor dos picos (sobre-elevação) durante a resposta de transiente, • Identifica e remove picos de potência de curta duração, • Tem implementada uma janela de observação variável, sensível a acontecimentos quase simultâneos, bem como a transições lentas,
  3. 3. • Implementação de uma função de aferição de resultados com base em ficheiros de teste e com base nos dados sintetizados, • Estudo do efeito da filtragem (IIR, FIR, etc..) dos dados sobre o comportamento do detector, • Visualização de resultados para clustering básico de eventos (delta_p x delta_t).
  4. 4. O QUE É O DETECTOR DE EVENTOS ? O objectivo do detector é identificar com exactidão todos os eventos ocorridos ao longo do tempo e distinguir eventos provocados por ruído causado pelo sistema. Um evento é definido pela relação entre a potência estabilizada e a duração do mesmo. O detector também tem a função extra de detectar os valores de pico de potência e registar o instante em que ocorrem.
  5. 5. PRINCIPAIS ETAPAS(BARREIRAS SUPERADAS) • Cálculo com precisão da potência de estabilização – uso de cálculo diferencial dos dados em análise, • Potência estável – cálculo da derivada no ponto (declive inferior a 3 em 3 pontos consecutivos) • Cálculo do ponto estável – ponto em que a potência é inferior a 3% da potência estável a somar com um valor fixo (valor = 3) • Implementação de uma janela dinâmica de modo aos dados seguintes ao instante final do último evento detectado (dados entre a posição 1 e 20 seguintes ao timestamp final do último evento), não serem desprezados, • Implementação de uma função que estuda os possíveis níveis de potência de um electrodoméstico – clustering.
  6. 6. RESULTADOS OBTIDOS Os gráficos apresentados em seguida, são retirados do visualizador NIALMviewer (visualizador implementado pelo Professor João Oliveira). Com um círculo representa- se o início do evento, e com uma cruz, o instante em que identificamos o final do evento (posição onde detectamos o ponto de estabilização). Correcta detecção dos eventos no equipamento aquecedor (1º equipamento de estudo)
  7. 7. FICHEIRO .EVENT OBTIDO ATRAVÉS DO DETECTOR • A primeira coluna representa o tempo inicial marcado com um ‘O’ no visualizador e a segunda coluna o tempo final marcado com um ‘X’. • Terceira coluna o valor de delta_p. • Quarta e quinta coluna, são os dados sobre o pico de potência, em que a quarta é o tempo onde ocorre o pico, e por sua vez, a quinta o seu valor. Podem ou não existir.
  8. 8. Gráfico à esquerda – correcta detecção, eventos não considerados nas descidas abruptas, uma vez que estas não estabilizam. Gráfico à direita – correcto cálculo da posição estável. 1º Evento: Delta_P = 1602W 2º Evento: Delta_P = 1595 W Delta_P = 122.089891 W
  9. 9. ESTUDO DO EFEITO DA FILTRAGEM DOS DADOS SOBRE O COMPORTAMENTO DO DETECTOR FILTRAGEM POSITIVA: Frigorífico sem filtro Frigorífico com filtro Geométrico Através da filtragem, consegue-se evitar a detecção de evento no pico de potência.
  10. 10. ESTUDO DO EFEITO DA FILTRAGEM DOS DADOS SOBRE O COMPORTAMENTO DO DETECTOR FILTRAGEM NEGATIVA: Frigorífico sem filtro Frigorífico com filtro Butterworth FIR Com filtragem, não conseguimos qualquer tipo de detecção.
  11. 11. ESTUDO DO EFEITO DA FILTRAGEM DOS DADOS SOBRE O COMPORTAMENTO DO DETECTOR ANÁLISE DOS 5 FILTROS A UM EQUIPAMENTO: Filtro Butterworth FIRFiltro Butterworth IIRSem filtro
  12. 12. Filtro Geométrico Filtro Média Filtro Exponencial ESTUDO DO EFEITO DA FILTRAGEM DOS DADOS SOBRE O COMPORTAMENTO DO DETECTOR ANÁLISE DOS 5 FILTROS A UM EQUIPAMENTO:
  13. 13. AFERIÇÃO DA QUALIDADE A aferição da qualidade é calculada pela seguinte fórmula: ((1-(EventosErrados/EventosTotaisRef))x100), através do script criado para comparar eventos detectados pelo nosso detector em comparação a uma base de dados disponibilizada.
  14. 14. CLUSTERING LINEAR • Clustering - técnica usada para agrupar dados segundo um grau de semelhança. No projecto, implementou-se de modo a agrupar os vários deltas_p de maneira a se obter assinaturas electrónicas dos diferentes electrodomésticos. • Clustering unidimensional No início colocou-se a possibilidade de estudo de clustering bidimensional, utilizando como 2ª feature, o delta_t; mais tarde ao se verificar que esta feature não era viável, uma vez que se obtinha resultados dispersos, optou-se pelo unidimensional.
  15. 15. Clustering bidimensional Clustering unidimensional CLUSTERING EXPLICAÇÃO Análise das distâncias Para um bom clustering é fundamental acertar no número certo de classes ou clusters, para agrupar os diferentes níveis de potência.
  16. 16. CLUSTERING EM DBW (10LOG10[𝑃 𝑊 ]) • A ideia do clustering em dBW é fazer um escalamento mais útil do espaço, que comprime os valores das altas potências e expande um pouco as baixas potências, tornando o erro relativo em vez de absoluto. Clustering com delta_p em dBm Clustering com delta_p em lineares
  17. 17. CLUSTERING ANÁLISE DE DADOS Clustering Equipamento Valores de Potencia [W] Aquecedor 1141 -1116 1926 -1860 1918 -1876 Ferro 1801 1191 -1141 -1840 1949 1120 -716 -1440 1898 1192 -704 -1166 Frigorífico 79 -54 66 -54 Loiça 2080 -1917 2099 -2049 2130 -2053 Micro-Ondas 1646 -1631 1649 -1569 1612 -1596 1539 -1570 Roupa 1904 -1887 2011 -2012 1918 -1904 Torradeira 1127 -1073 1051 -1030 Aglomerado Aquecedor Aglomerado Ferro Aglomerado Frigorifico Aglomerado Loiça Aglomerado Micro-Ondas Aglomerado Roupa Aglomerado Torradeira

×