Monitoreo de carga no intrusivo
*Escuela de ingeniería eléctrica, electrónica y telecomunicaciones
Universidad Industrial de Santander, Bucaramanga, Colombia
I. INTRODUCCIÓN
La utilización de la tecnología en cualquier aspecto de la
vida cotidiana implica un consumo energético para su
funcionamiento, siendo la producción, generación y
administración de la energía, relevante de tal manera, que se
ha llegado a establecer una relación directa entre el nivel de
vida y el consumo energético [1]. Este consumo está
justificado por las necesidades que permiten al hombre una
supervivencia cómoda, con el funcionamiento de sistemas
como: el transporte, el sector doméstico, el sector industrial, el
sector comercial, entre otros.
El objetivo del control de la carga no intrusiva es obtener
un desglose del consumo neto de energía de una edificación
(residencial o industrial) en términos de consumo de
artefactos individuales, es decir, adquirir datos del consumo
de energía de cada uno de los elementos conectados a una red
eléctrica.[2] En caso de disponerse de recursos ilimitados el
monitoreo de cargas tendría una solución trivial, conectar un
sensor a cada uno de los elementos de la red. Pero en el caso
real deben minimizarse el número de sensores empleados para
determinar el consumo de energía, sobre todo en la actualidad
donde el número de dispositivos electrónicos es considerable
y aumenta día a día. Todo esto motiva el interés en el
desarrollo de estrategias de monitoreo que no requieran de una
acción intrusiva en la red [3] y que a su vez permitan la
determinación de presencia de cargas en la misma, basándose
únicamente en el análisis de la forma de onda de la corriente y
voltaje en la entrada del suministro de energía del lugar en
estudio. Ahora bien, cabe mencionar que las aplicaciones de
estrategias eficientes para la desagregación no intrusiva de
cargas también ofrecen una aproximación a la solución de
problemas asociados con: ahorro de energía, información
acerca de la actividad diaria de usuarios de dispositivos,
detección de uso de dispositivos u ocupación de espacios en
residencias o empresas.
II. METODOLOGIA
En la realización e implementación del proyecto de
investigación fue preciso usar el método de análisis árbol de
decisión el cual es una forma de representar el conocimiento
obtenido en el proceso de aprendizaje inductivo. Se crea una
partición del espacio a partir de un conjunto de prototipos y la
estructura resultante es el árbol [4].
En el presente desarrollo de un árbol decisión fue necesario
caracterizar las señales de corriente y tensión, además de una
potencia aparente, y las respectivas transformadas discretas de
Fourier de cada una de estas, además se realizó en análisis de
las frecuencias características de cada una de las señales de
todos los objetos en estudio (licuadora, cargador de celular,
ventilador, bombilla halógena, plancha, televisor y
refrigerador)
El uso eficiente de la energía significa hacer más con
menos. Esto se logra a través de la implementación de
estrategias inteligentes de administración, medición y mejor
aprovechamiento de los insumos energéticos. El contar con un
sistema de medición permanente lleva a los usuarios a lograr
mejoras en el sistema eléctrico y a la obtención de ahorros de
energía sustentados en una base real de comparación, así
como en una verdadera administración del flujo energético.
Un sistema de monitoreo y control de energía es aquel capaz
de registrar todas aquellas variables eléctricas de interés que
en determinado momento proporcionen información para
establecer el comportamiento de un sistema de potencia.
Por lo que se ha llegado a pensar en el monitorio de carga
no intrusivo como un algoritmo capaz de establecer la tensión
y la corriente mediante el procesamiento digital de estas.
Los estudios han demostrado que proporcionar a los
ocupantes del hogar un desglose personalizado del consumo
de energía del electrodoméstico les permite tomar medidas
para reducir su consumo total de energía. NILM (No Intrusive
Load Monitor) puede ser formulado como un problema de
aprendizaje de máquina. Las contribuciones recientes a este
problema se dividen en tres categorías. Los primeros usan
métodos supervisados que asumen que se cuenta los datos de
entrenamiento de aparatos medidos están disponibles en el
hogar en el que se va a realizar la desagregación. Un método
para recolectar estos datos es instalar medidores de
electrodomésticos individuales.
Sin embargo, esta suposición disminuye dramáticamente la
escalabilidad de tales sistemas debido a los costes inherentes y
el tiempo de instalación de los medidores individuales La
segunda categoría de enfoques existente utiliza métodos de
desagregación sin supervisión en los que no se asume ningún
conocimiento previo de los aparatos. Estos enfoques han
demostrado cómo los parámetros de los aparatos medidos
pueden ser aprendidos después de recopilar datos agregados
durante un período conveniente, que van desde horas, días o
incluso meses. Sin embargo, dado que estos métodos sólo
aprenden parámetros para un conjunto de clases
(correspondientes a diferentes dispositivos), no pueden
asignar etiquetas (nombres de dispositivo) de forma
consistente dada la variedad de dispositivos que conforma
cada clase. Una tercera categoría por mencionar considera la
recopilación de una base de datos exhaustiva de firmas de
múltiples dispositivos que definen su comportamiento según
su consumo eléctrico. Sin embargo, el gran número de
instancias por tipo de dispositivo hace este enfoque costoso y
lento.
 La idea general es utilizar el conocimiento previo del
consumo de energía promedio detallado; Y encontrar
correlaciones entre el uso de energía.
A continuación, se muestran dos patentes relacionadas con
el monitoreo no intrusivo de carga.
Sistema y método de monitorización de la carga no
intrusiva. Número de patente: US20110213739A1 Inventores:
Diego Benítez, Rui Huang. Esta patente se refiere en general
al monitoreo del consumo de energía de dispositivos en
edificios. Consiste en un dispositivo de detección conectado
operativamente a una fuente de energía común para detectar
dispositivos eléctricos, y un módulo estimador conectado a un
dispositivo de salida, el estimador está configurado para
obtener datos asociados a los estados detectado de la fuente de
energía que permita determinar al menos un modelo que
represente cada uno de los dispositivos eléctricos conectados,
esto se logra gracias a la resolución de un problema de
programación de números enteros mixtos asociados a modelos
en un horizonte de tiempo fijo asociado a etapas operativas y
sus datos históricos para obtener inferencias. [3]
Utilidad de monitorización no intrusiva Número de patente:
GB2471536A Inventores: James Donaldson, Sarah Surrall.
Alex Matthews, Semen Trygubenko, Malcolm Mcculloch
Esta patente provee un método que comprende: recibir valores
de utilidad representativos del uso total de al menos un
conjunto de aparatos eléctricos; 10 analizar los valores
recibidos usando varios módulos de análisis, donde cada
módulo de análisis corresponde a un tipo predeterminado de
aparato eléctrico, cada módulo realiza un análisis de lógica
difusa de los valores de confianza calculados para identificar
el funcionamiento de un aparato. [4]
El monitoreo no intrusivo de cargas es al final de la
abstracción un problema de clasificación por lo tanto se puede
llevar a cabo con redes neuronales. Una red neuronal artificial
es un modelo computacional que se asemeja al
funcionamiento del cerebro humano trabajando con capas de
neuronas que se interconectan (como en el cerebro humano) a
un nodo en común [5] [Fig.1]. Este nodo es la unión de 2
capas, y una red neuronal puede tener tantas capas como sea
necesario para tener el menos error posible a la solución del
problema requerido como mínimo debe tener una capa de
entrada y una de salida y la cantidad de neuronas de cada capa
depende de la cantidad de datos de entrada que se necesite
para solucionar el problema.
Fig. 1 Ejemplo de red neuronal con dos capas (Entrada y salida)
Así se evita el planteamiento humano de matemáticas
compleja, dejando esto a equipos de computo con los
programas adecuados, ya que al entrenar la red neuronal tengo
la posibilidad de que el calcule los pesos sinápticos de cada
entrada para dar la solución apropiada a la salida. [Fig. 2]
Fig. 2 Descripción de una red neuronal
Los pesos sinápticos que en la figura dos podemos visualizar
como w son con los cuales la red neuronal asigna un valor de
importancia a cada dato de entrada, con esto el asignara una
salida dependiendo de las entradas. Tendrán mayor peso
aquellos datos que corresponden a características especificas y
esenciales de cada elemento. Estos pesos los calcula en el
proceso de entrenamiento que en nuestro caso será
supervisado.
III. OBJETIVOS
El objetivo general de este proyecto es lograr reconocer
correctamente los diferentes aparatos electrodomésticos que
se usan en el día a día a nivel hogar. Esto con el fin de realizar
un seguimiento al consumo de electricidad.
Como primer objetivo específico se busca extraer las
características que tiene cada carga ya sea en análisis de
tensión, corriente o potencia, y así lograr su correcto
reconocimiento.
En segundo lugar, se busca establecer las características de
la DTFT (Transformada de Fourier en tiempo discreto) en
cada dispositivo que se va a monitorear, y verificar si es mas
efectivo analizar las cargas por el modelo de la DTFT, o por
su respectivo consumo en potencia.
III. METODOLOGIA
Para el desarrollo a cabalidad del proyecto se establecerán
la siguiente metodología:
Paso 1. Investigación Previa.
Se lleva a cabo aquí una lectura profunda del problema y
las soluciones ya planteadas con anterioridad a este y se
piensa en una posible solución que se profundizará en los
pasos futuros. Para cuando este plan este siendo escrito, este
paso ya se habrá realizado a cabalidad.
Paso 2. Selección del método de solución.
Al ser un problema de clasificación, se piensa la solución
con redes neuronales.
Al trabajar con redes neuronales se debe seleccionar un
programa de computo con el cual se desarrollarán estas, en
este caso el elegido será Matlab, puesto que por su gran
cantidad de librerías facilitan el uso de estas a los usuarios.
Además, como se necesitan seleccionar las variables con las
cuales se clasificarán Matlab puede contribuir también con el
tratamiento de estas variables. Las dos opciones son trabajar
con las potencias de cada objeto, o con la DTFT. Se trabajará
con ambas variables para verificar cual nos permite
caracterizar de manera mas efectiva las cargas, para ello se
realizarán diferentes pruebas al entrenar la red neuronal y al
hacerle pruebas a la misma.
Es importante tener en cuenta el numero de capas que se
necesitan para la solución del programa en nuestro caso se
tendrán 3 (1 capa de entrada para cada valor, 1 capa para el
cálculo de los pesos sinápticos de cada entrada y una capa de
salida que es la cual nos dará el resultado del elemento
monitoreado).

Paso 3. Pruebas de confiabilidad.

Al tener la red neuronal ya programada y lista para
implementar en Matlab, se realizarán pruebas con las dos
entradas planteadas en el paso anterior, y se elegirá como
solución al problema aquel entrenamiento que nos brinde
mejores resultados es decir un menor índice de error al
caracterizar las cargas de un sistema eléctrico.

REFERENCIAS
[1]. Jimenez, Y.; Duarte, C.; Petit, J.; Carrillo, G,” Feature
extraction for nonintrusive load monitoring based on S-
Transform” Power Systems Conference (PSC), (2014).
https://ieeexplore.ieee.org/document/6808109/
[2] Diego Benítez, Rui Huang. Sistema y método de
monitorización de la carga no intrusiva. (2016)
https://www.eldial.com/nuevo/boletin/2016/BO160401.pdf
[3] Kipreos, Nicolás A. Nonintrusive load identification &
monitoring: techniques and applications for smart meters
(2011). https://repositorio.uc.cl/handle/11534/2953
[4] K. Suzuki, S. Inagaki, T. Suzuki, H. Nakamura, y K.
Ito, “no intrusivo monitorización de la carga aparato basado
en programación entera,” Ingeniería Eléctrica en Japón, vol.
174, no. 2, pp. 2742-2747, 2008
[4] James Donaldson, Sarah Surrall. Alex Matthews, Semen
Trygubenko, Malcolm Mcculloch. Utilidad de monitorización
no intrusiva (2014)
https://www.ehu.eus/documents/3444171/4484746/135.pdf
[5] Que es una red neuronal. Tres cosas que necesito saber.
https://es.mathworks.com/discovery/neural-network.html