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