Sistema de monitoração de carga elétrica residencial com implementação para diferentes cenários de aplicação

Abstract

Um sistema de monitoração de carga elétrica residencial,considerando diferentes cenários de aplicação é desnvolvido nesta tese . Este sistema é projetado usando-se redes neurais e PCD (Análise de Componentes Principais de Discriminação) para a compactaçãodossinais.A PCD é uma tecnica que procura representar os dados em componentes principais que permitem uma melhor identificação de classes diferentes. Esta análise pode permitir uma alta compactação dos dados, sendo utilizadas para projetos de classificadores compactos e efecientes. Essa técnica é comparada com a PCA ( Análise de Componentes Principais) e os resultados são apresentados. O sistema é projetado usan-se apenas sinais transitórios colhidos da rede de alimentação AC para diferentes eletrodomésticos. Realizamos a implemntação desse sistema em diferentes cenários de aplicação, considerando-se o custo e a complexidade do processamento. Para tal, utilizamos microcontroladores, DSPs (Processadores Digitais de Sinais) e plataformas de processamento paralelo. Mais de 98% de efeciência de classificação foi obtida para o sistema proposto.

ABSTRACT - The implementation of different scenarios of an electrical load monitoring system is presented in this thesis. The system is based on neural processing and principal discriminating analysis (PCD). The PCD method directly searches for the principal components that are capable to perform class identification. Thus, the discriminating analysis can be allows very high levels of data compression, which can be translated into efficient and compact classifier designs. This technique is compared to PCA (principal component analysis) and both results are presentd. The system is based on acquiring samples of the transient response from AC power line for different household appliances. System implementations using both microcontoller and digital signal processor technologies and multiprocessing are evaluated according to cost and processing restrictions arising from different system operation scenario. More than 98% of classification efficiency is achieved by the proposed system.