Extracto los estudios Recientes han destacado esto una parte
significativa del consumo de la energa elctrica en edificios
residenciales es causada por un uso inadecuado de aplicaciones de casa. El desarrollo de sistemas econmicos para describir el consumo de appli-elctrico ances puede desempear un papel fundamental en la estimulacin de los usuarios para adoptar polticas adecuadas para el ahorro de energa. En este peridico, describimos una metodologa nueva para extraer el consumo de energa de cada appli-ance desplegado en un ambiente domstico de las medidas agregadas coleccionadas por un metro elegante solo. A fin de describir groseramente cmo cada tipo de trabajos de la aplicacin, usamos mquinas estatales finitas (FSMs) basado en transiciones rizadas. Ad hoc disaggre-gation algoritmo explota una base de datos de estos FSMs para, en cada variacin significativa en poderes agregados verdaderos y reactivos, configuraciones posibles que suponen de aplicaciones activas. Este juego de configuraciones es manejado simultneamente por el algoritmo que, siempre que solicitado, salidas la configuracin con la confianza ms alta con respecto a la secuencia de acontecimientos descubiertos. Pusimos en prctica un prototipo de un sistema de vigilancia basado en la metodologa propuesta y lo instalamos en un verdadero guin domstico. Hablamos de un experimento en el cual 11 aplicaciones estaban relacionadas con el mismo recorrido y el consumo de energa agregado era mea-sured por un metro elegante para aproximadamente 12 h. Al final de experimento, slo dos configuraciones posibles eran salidas del sistema, incluso el correcto. Trminos del ndice las Mquinas estatales finitas (FSMs), modelos rizados, transiciones rizadas, cargan la desagregacin, carga no intrusa que supervisa (NILM), medicin elegante. T AUMENTANDO poltico, social, y econmico inter - ests en ahorro de la energa y control de la basura tiene el editor stimulat-varias actividades para la conciencia que se levanta del gran pblico en cambios ambientales y gastos de la energa altos, sobre todo en el contexto de la electricidad. En efecto, en la Unin Europea, los edificios residenciales y comerciales absorben aproximadamente el 40% (el 30% slo en caso de casas privadas) de la energa total y son responsables del 36% del total emisiones [1]. En los EE. UU, la electricidad representa el 37% de la energa total consumida en edificios residenciales [2]. Mejorando la eficiencia energtica en edificios, los ahorros potenciales pueden ser significativos. Un estudio de una Comunidad Europea (IEE, ICT4EE) estima ahorros posibles hasta el 50% de gastos de la energa para edificios de la oficina. Adems, varios estudios recientes [3] han destacado esto es posible reducir la basura y el uso inadecuado de la energa proporcionando a los usuarios privados reacciones directas y de tiempo real en los consumos de la aplicacin. En este contexto, la
informacin y la Tecnologa de Comunicacin (ICT) pueden desempear
un papel decisivo [4], [5]. Varios proyectos de investigacin han sido financiados por la Comisin Europea segn el Sptimo Programa [6] del Marco para desarrollar Rejillas Elegantes [7], [8], es decir, modernizaron rejillas elctricas que usan ICT para juntarse y afectar a la informacin sobre, por ejemplo, los comportamientos de proveedores y consumidores, con el objetivo principal de eficacia que mejora, sostenibilidad, reli-capacidad y ahorro de energa. En este contexto, varios desafos de investigacin se han levantado, incluso medicin avanzada infrastruc-ture y tecnologas de comunicacin [7], [9], [10], direccin de la energa inteligente [11], [12], integracin de fuentes de la energa renovable [13], y escucha del aparato elctrico e identification [14]. En particular, los sistemas de vigilancia del aparato elctrico han recibido una atencin grande en aos recientes, como mostrado por iniciativas como Google Power Meter [15] y Microsoft Hohm [16]. Sin embargo, estos sistemas generalmente proporcionan slo un anlisis del consumo elctrico en un edificio basado en la medida agregada coleccionada por un metro elegante, sin mostrar al usuario cmo son usadas las aplicaciones solas. Aunque tanto Google como Microsoft afirmen que dieron una contribucin importante al campo de la medicin de la energa inteligente, sus servicios han sido retirados. Por otra parte, la electricidad que el mercado del metro elegante todava cultiva y varios modelos econmicos est disponible para supervisar consumos del dispositivo domsticos. Por ejemplo, all exista algunas soluciones comerciales que proponen de usar la energa del punto solo muy simple y barata que mide [17] o instalar varios metros del nivel de la aplicacin, que comunican la radio con un coleccionista de consumo de datos central [18], [19]. Adelante, tambin las utilidades elctricas nacionales han aumentado sus esfuerzos en el despliegue de metros elegantes en sus redes de suministro. Por ejemplo, ENEL, la compaa elctrica italiana ms grande, despleg casi 30 millones de metros elegantes a sus clientes en Italia [20]. La escucha de la carga intrusa (ILM) y la carga no intrusa moni-toring (NILM) representan las dos categoras principales de enfoques propuestos para reconocer y describir el uso de aplicaciones en edificios. ILM est basado en la utilizacin de redes del sensor para extraer medidas directamente en las aplicaciones o en alguna posicin especfica de la carga rbol [21] [23]. Aunque los enfoques basados en ILM a menudo sean caracterizados por una exactitud buena en la medicin de la aplicacin - consumo de energa especfico, su uso prctico es limitado por varias desventajas, como altos costos, configuracin del sensor mltiple y esfuerzos de instalacin enormes, sobre todo cuando el guin de escucha implica un gran nmero de aplicaciones. En un sistema NILM, el consumo de energa de la aplicacin individual es sacado de desintegrar medidas del punto solo
pro - vided, por ejemplo, por un sensor o un metro elegante. El trabajo
pionero en este contexto fue propuesto en 1992 por Hart [24]. Recientemente, algunas revisiones y las revisiones han coleccionado y han analizado el nmero enorme de enfoques de NILM que han sido pro planteados en las dos dcadas pasadas (ver, p.ej., [25] [27]). El marco general de un sistema NILM incluye tres mdulos funcionales principales: adquisicin de datos, extraccin de caractersticas de la aplicacin y aprendizaje/clasificacin del modelo de la aplicacin [26]. En cuanto al mdulo de adquisicin de datos, los enfoques de NILM pueden ser clasificados en medicin basada en la baja frecuencia y medicin basada en la alta frecuencia. La frecuencia de medicin determina el tipo de rasgos elctricos que pueden ser extrados y usados para el reconocimiento de la aplicacin. La medicin basada en la baja frecuencia slo permite extraer como rasgos elctricos poderes verdaderos y reactivos y voltaje medio cuadrado y corriente. Estos rasgos permiten realizar un anlisis estable. Las cargas individuales el prototipo supervisado de un sistema NILM, en el cual las redes neuronales artificiales son usadas para realizar el reconocimiento de la aplicacin, fue desarrollado por el centro de CLARIDAD del Colegio universitario de Dubln [28]. Adelante, han hablado de dos modelos NILM del nivel del recorrido, basados en, respectivamente, un heurstico y un enfoque de Bayesian, en [29]. El algoritmo de AppliSense [30] es una de las contribuciones ms recientes en el campo de NILM. Las variaciones descubiertas en poderes verdaderos y reactivos son usadas como rasgos de la entrada del algoritmo. Estas variaciones son comparado con un juego de variaciones conocidas, que representan la base de datos de firmas de la aplicacin, para identificar la aplicacin correspondiente por su firma. Finalmente, en [31], las mquinas del vector de apoyo y los mtodos de vecinos ms cercanos son usados para la clasificacin del electrodomstico. La clasificacin est basada en rasgos extrados de poder real, poder reactivo y factor de potencia. En particular, una vez identific el trabajo estable - ing estados de cada aplicacin, las diferencias entre estados de equilibrio secuenciales son usadas para definir las firmas de la aplicacin. Mientras los mtodos supervisados anteriores estn basados en la medicin de baja frecuencia y en el anlisis estable, la contribucin recientemente propuesta en [34] habla de un mtodo que explota la medicin de alta frecuencia y usa la vuelta - en la energa pasajera signa-ture, juntos con firmas de poder estables tradicionales, para mejorar la exactitud de la clasificacin de la aplicacin; la clasificacin es realizada usando redes neuronales artificiales. En cuanto a unsu-pervised mtodos, en [14], los autores proponen un algoritmo de la desagregacin donde los rasgos no convencionales son extrados, a saber las formas de los tringulos y rectngulos. Analizando la estafa de poder - sumption, los tringulos son determinados considerando el instante del principio, alcanzan su punto mximo el instante, el valor mximo, y termina instante y
rectngulos considerando tambin el tiempo estable y el poder
estable. Los tringulos y los rectngulos son descubiertos al nivel del metro y luego un cambio medio el mtodo que se agrupa es usado para cuantificar tringulos y rectngulos que definen el estilo trabajador de catego-diferente ries de aplicaciones. En este peridico, proponemos una desagregacin de la carga nueva algo-rithm para identificar el juego de aplicaciones que realmente engaan - tributo al consumo de energa de poder agregado. La entrada al algoritmo es la seal de poder agregada, coleccionada usando un metro elegante desplegado en la raz de un recorrido de poder, con el cual el juego de aplicaciones estn relacionados. La salida es la estimacin del consumo de energa individual de cada aplicacin. Mostramos cmo el enfoque propuesto puede ser integrado en una infraestructura de medicin elegante avanzada con el objetivo de reducir el nmero de metros y, por lo tanto, los gastos para la infraestructura del hardware y despliegue. Mostrando a los usuarios la informacin en cuanto al consumo de cada aplicacin, pretendemos mejorar su conciencia de su uso de la energa y proporcionar suposiciones en cmo podran ser reducidas las ineficiencias y la basura. En el enfoque propuesto, que se puede considerar una contribucin nueva en el marco NILM, proponemos de modelar aplicaciones solas a travs de mquinas estatales finitas (FSMs) basado en transiciones rizadas (FSMFTs). Siempre que las variaciones significativas en poderes verdaderos y reactivos medidos por el metro elegante sean descubiertas, los controles del algoritmo si estas variaciones son compatibles con una transicin estatal posible de uno o varios FSMFTs. Para cada transicin posible, el algoritmo crea y maneja una configuracin del candidato correspondiente de aplicaciones activas. As, en cada instante, varias configuraciones diferentespueden ser determinadas identificando los instantes del tiempo cuando, p.ej., los poderes verdaderos y reactivos cambian de un estado de equilibrio a otro [28] [31]. Por otra parte, la medicin basada en la alta frecuencia permite ex - tracting armnico corrientes y, por consiguiente, realizando un anlisis estatal pasajero donde las cargas son identificadas por su anlisis espectral o anlisis de la olita [32], estudiando los ruidos elctricos o interferencias generadas en la lnea de energa [33] o estudiando sus respuestas de alta frecuencia [34]. Aunque alta frecuencia - la medicin basada permita un anlisis ms exacto y preciso, los metros convenientes para este objetivo son generalmente caros. Adelante, una cantidad enorme de datos debe ser coleccionada para extraer los rasgos especficos. Por otra parte, la medicin basada en la baja frecuencia no permite identificar aplicaciones con un comportamiento no lineal. En cuanto al modelo de la aplicacin aprendizaje y clasificacin, los sistemas NILM pueden ser clasificados en el supervisado y unsuper-vised. En general, las aplicaciones diferentes son reconocidas extrayendo sus firmas de la medida agregada. Estas firmas son obtenidas modelando cmo las aplicaciones trabajan. En
sistemas supervisados, las firmas y los clasificadores de la aplicacin son
generados usando varios datos desintegrados y marcados [28] [31], [34]. Estos datos pueden ser extrados usando el enchufe - metros del nivel durante el funcionamiento normal de cada aplicacin. El aspecto negativo de enfoques supervisados es que los datos deben ser coleccionados antes del despliegue y a menudo un juego de formacin de datos especfico es necesario para cada clase de la aplicacin. Los mtodos no supervisados no requieren datos de formacin pero tienen que templar a mano los parmetros caractersticos que describen los modelos de la aplicacin y el clasificador. Generalmente, la proeza de enfoques no supervisada se escondi - guarida cadenas de Markov [35], [36] y agrupndose - clasificadores basados [14], [37]. Cuando un gran nmero de aplicaciones tiene que ser modelado, la identificacin de los parmetros caractersticos puede ser un proceso completamente difcil tambin en caso de enfoques no supervisados. Recientemente, han hablado de varias contribuciones en el campo de NILM en la literatura especializada. Un interesante el prototipo supervisado de un sistema NILM, en el cual las redes neuronales artificiales son usadas para realizar el reconocimiento de la aplicacin, fue desarrollado por el centro de CLARIDAD del Colegio universitario de Dubln [28]. Adelante, han hablado de dos modelos NILM del nivel del recorrido, basados en, respectivamente, un heurstico y un enfoque de Bayesian, en [29]. El algoritmo de AppliSense [30] es una de las contribuciones ms recientes en el campo de NILM. Las variaciones descubiertas en poderes verdaderos y reactivos son usadas como rasgos de la entrada del algoritmo. Estas variaciones son comparado con un juego de variaciones conocidas, que representan la base de datos de firmas de la aplicacin, para identificar la aplicacin correspondiente por su firma. Finalmente, en [31], las mquinas del vector de apoyo y los mtodos de vecinos ms cercanos son usados para la clasificacin del electrodomstico. La clasificacin est basada en rasgos extrados de poder real, poder reactivo y factor de potencia. En particular, una vez identific el trabajo estable - ing estados de cada aplicacin, las diferencias entre estados de equilibrio secuenciales son usadas para definir las firmas de la aplicacin. Mientras los mtodos supervisados anteriores estn basados en la medicin de baja frecuencia y en el anlisis estable, la contribucin recientemente propuesta en [34] habla de un mtodo que explota la medicin de alta frecuencia y usa la vuelta - en la energa pasajera signa-ture, juntos con firmas de poder estables tradicionales, para mejorar la exactitud de la clasificacin de la aplicacin; la clasificacin es realizada usando redes neuronales artificiales. En cuanto a unsu-pervised mtodos, en [14], los autores proponen un algoritmo de la desagregacin donde los rasgos no convencionales son extrados, a saber las formas de los tringulos y rectngulos. Analizando la estafa de poder - sumption, los tringulos son
determinados considerando el instante del principio, alcanzan su
punto mximo el instante, el valor mximo, y termina instante y rectngulos considerando tambin el tiempo estable y el poder estable. Los tringulos y los rectngulos son descubiertos al nivel del metro y luego un cambio medio el mtodo que se agrupa es usado para cuantificar tringulos y rectngulos que definen el estilo trabajador de catego-diferente ries de aplicaciones. En este peridico, proponemos una desagregacin de la carga nueva algo-rithm para identificar el juego de aplicaciones que realmente engaan - tributo al consumo de energa de poder agregado. La entrada al algoritmo es la seal de poder agregada, coleccionada usando un metro elegante desplegado en la raz de un recorrido de poder, con el cual el juego de aplicaciones estn relacionados. La salida es la estimacin del consumo de energa individual de cada aplicacin. Mostramos cmo el enfoque propuesto puede ser integrado en una infraestructura de medicin elegante avanzada con el objetivo de reducir el nmero de metros y, por lo tanto, los gastos para la infraestructura del hardware y despliegue. Mostrando a los usuarios la informacin en cuanto al consumo de cada aplicacin, pretendemos mejorar su conciencia de su uso de la energa y proporcionar suposiciones en cmo podran ser reducidas las ineficiencias y la basura. En el enfoque propuesto, que se puede considerar una contribucin nueva en el marco NILM, proponemos de modelar aplicaciones solas a travs de mquinas estatales finitas (FSMs) basado en transiciones rizadas (FSMFTs). Siempre que las variaciones significativas en poderes verdaderos y reactivos medidos por el metro elegante sean descubiertas, los controles del algoritmo si estas variaciones son compatibles con una transicin estatal posible de uno o varios FSMFTs. Para cada transicin posible, el algoritmo crea y maneja una configuracin del candidato correspondiente de aplicaciones activas. As, en cada instante, varias configuraciones diferentes. II. ALGUNAS DEFINICIONES A PRELIMINARES. Conjuntos difusos y Variables Lingsticas Un conjunto difuso de un universo de discurso es caracterizado por una funcin de ingreso que se asocia con cada elemento de , un nmero en el intervalo [0,1]: representa el grado de ingreso de en [39]. Los conjuntos difusos permiten modelar el vaguedad del mundo real. El apoyo y el corazn de son los subconjuntos crujientes de con, respectivamente, grados de ingreso distintos a cero y grados de ingreso iguales a uno. En esta contribucin, usamos conjuntos difusos triangulares, que son identificados por el tuples , donde y equivalen al extremos derechos e izquierdos del apoyo del conjunto difuso y al corazn. Formalmente, la funcin de ingreso de un conjunto difuso triangular puede ser definida as:
Basado en la nocin de conjunto difuso, Zadeh introdujo el concepto de
la variable lingstica [39]. Una variable lingstica es una variable cuyos valores son trminos lingsticos. El es caracterizado por del juego del trmino de , es decir, el juego de valores lingsticos de con cada valor que es un conjunto difuso definido en el universo . El juego de conjuntos difusos usados en la definicin del trmino el juego forma una particin rizada del universo. B. Poderes verdaderos y Reactivos a Fin de caracterizar el comportamiento de cada aplicacin, consideramos el verdadero () y el reactivo () los componentes del poder como rasgos generales. Recordamos que en el recorrido de la corriente alterna si una carga es puramente resistiva, entonces corriente y voltaje estn en la fase, el poder es completamente transferido a la carga y el componente reactivo es nulo. En caso de aplicaciones con componentes reactivos, como inductancias o capacidades, un cambio de la fase se levanta entre corriente y voltaje. Una parte del poder es transferida a la carga y una parte del poder es temporalmente almacenada en los componentes reactivos. Destacamos esto en hace - mestic ambientes, los usuarios pagan slo el consumo de poder real. Por otra parte, la informacin en cuanto a los valores mesurados del poder reactivo es til para caracterizar la naturaleza (resistivo, inductivo o capacitivo) de las aplicaciones. III. EL ENFOQUE PROPUESTO El sistema NILM propuesto es principalmente formado por dos mdulos: la base de datos, que contiene el FSMFTs de las aplicaciones y el algoritmo de la desagregacin de la carga nuevo. En el siguiente, primero introducimos los conceptos principales relacionados con FSMFTs y, entonces, presentamos nuestra nueva estrategia para disaggregat-ing las seales agregadas proporcionadas por un metro elegante. A. FSMs Basado en Transiciones Rizadas para Modelar Aplicaciones de Casa Con el trabajo el pionero NILM [24], modelos Hart cmo cada aplicacin trabaja usando FSMs. En caso de FSMs estndar, el acontecimiento que describe una transicin estatal es expresado en trminos de variacin crujiente en los rasgos elctricos especficos considerados en el modelo. Tambin, cada estado trabajador tiene que ver con un valor de poder crujiente que representa el consumo de la aplicacin en el estado trabajador. Realmente, varios problemas se pueden levantar usando FSMs estndar para el modelado de la aplicacin. En primer lugar, la definicin de un FSM para una aplicacin especfica requiere para especificar el consumo exacto en cada estado y los valores
exactos de las variaciones para cada transicin estatal. Sin embargo,
es conocido que el consumo de energa actual, mesurado, p.ej., usando un metro elegante, puede ser completamente diferente del consumo nominal y que este valor puede