Este documento descreve um projeto de deteção de eventos e agrupamento de dados para sistemas de desagregação de carga não intrusivos. O objetivo era desenvolver um detector de eventos capaz de identificar com precisão mudanças no estado da potência dos eletrodomésticos e agrupar esses eventos por equipamento. Os resultados obtidos demonstraram que o detector foi capaz de identificar corretamente os eventos nos diferentes equipamentos testados.
1. Detector de eventos e clustering em sistemas não-intrusivos de
desagregação de carga
PROJECTO NIALM
Realizado por:
José Lourenço e Tiago Saraiva
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. • 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. 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. 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. 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. 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. 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. 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. 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. 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. 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. 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. 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. 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. 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