II Jornadas internacionales de investigación científica s 487

Monitoreo no intrusivo de
cargas basado en regresión con
núcleos de ondículas
P. García
X. Domínguez
D. Chiza
Universidad Técnica del Norte, FICA
pgarcia@utn.edu.ec.

RESUMEN

El consumo de energía eléctrica, tanto en el sector residencial como industrial, se incrementa continu-
amente, por lo que es necesario desarrollar estrategias que permitan optimizar dicho consumo. Una al-
ternativa interesante para la solución de este problema, consiste en estimar los consumos de cada una de
las cargas, o grupos de cargas, que conforman el sistema eléctrico bajo estudio, para luego suministrar la
información a usuarios y proveedores, de forma que se tomen decisiones tendientes a mejorar la eficiencia
del sistema. En este trabajo, para estimar el consumo individual de un grupo de cargas, se presenta un es-
quema de monitoreo no intrusivo usando una metodología de regresión basada en núcleos reproductivos
de espacios de Hilbert, construidos usando ondículas. Se muestran resultados que pueden ser de utilidad
en el diseño de estrategias de desagregación de cargas o de medición inteligente.

Palabras clave: MONITOREO NO INTRUSIVO DE CARGAS, REGRESIÓN, ONDÍCULAS, BASE DE

HAAR.

ABSTRACT

Non-intrusive charge monitoring based on regression with wavelet

nuclei
The consumption of electrical energy, both in the residential and industrial sectors, is continuously in-
creasing, so it is necessary to develop strategies to optimize such consumption. An interesting alternative to
solve this problem is to estimate the consumption of each of the loads or groups of loads that make up the
electrical system under study, and then supply the information to users and suppliers, so that decisions to
improve the efficiency of the system are chosen. In this work, to estimate the individual consumption of a
group of loads, a non-intrusive monitoring scheme is presented using a regression methodology based on
reproductive kernels of Hilbert spaces, constructed using wavelets. The results suggest that the developed
methodology can be useful in the design of load disaggregation or intelligent measurement strategies.

Keywords: NON-INTRUSIVE LOAD MONITORING, REGRESSION, WAVELETS, HAAR BASIS.

488 s I FORO DE INVESTIGACIÓN “DESAFIOS ACTUALES DE LA SOCIEDAD DEL CONOCIMIENTO” utn

Introducción

Por monitoreo de cargas se entiende la acción de adquirir datos del consumo de

energía de cada uno de los elementos de una red eléctrica. Obviamente, este es un pro-
blema con solución trivial en el caso de disponerse de recurso ilimitados, no obstante
en el caso real deben minimizarse el número de sensores empleados para determinar el
consumo de energía de los dispositivos, sobre todo en la actualidad donde el número de
dispositivos electrónicos, tanto en edificaciones residenciales como industriales es consi-
derable y aumenta día a día.
Todo esto motiva el interés en el desarrollo de estrategias de monitoreo que no re-
quieran de una acción intrusiva en la red (Hart, 1992; Abubakar et. al., 2017) y que a su
vez permitan la determinación de presencia de cargas en la misma, basándose únicamen-
te en el análisis de la forma de onda de la corriente y voltaje en la entrada del suministro
de energía del sitio 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:
i. Ahorro de energía.
ii. Información acerca de la actividad diaria de usuarios de dispositivos.
iii. Detección de uso de dispositivos u ocupación de espacios en residencias o em-
presas.
Dentro del conjunto de estrategias usadas hasta ahora para realizar monitoreo no
intrusivo de cargas, resaltan varios métodos del campo de inteligencia computacional, ta-
les como: los basados en redes neuronales artificiales (Racines & Candelo, 2014), sistema
inmune artificial (Tsai & Lin, 2012), programación genética (Chang, 2010) o clasificación
(Semwal et al., 2014), además de métodos basados en transformaciones de ondículas
(Duarte et. al., 2012).
La estrategia propuesta para atacar este problema en el presente trabajo, se enmarca
dentro del área de teoría de aproximación de funciones, pero dado que este tópico de la
matemática puede solaparse con el área de inteligencia artificial, actualmente se la consi-
dera como parte de ella y se la nombra genéricamente como learning machine. Es así que
se propone una estrategia de desagregación no intrusiva de cargas, usando un esquema
de regresión no lineal que usa el truco del kernel (Cristianini & Shawe-Taylor, 2001) para
2017 II Jornadas internacionales de investigación científica s 489

llevarla a cabo con un algoritmo para solución de problemas lineales. El desempeño de

la estrategia es validado usando un modelo simple de red de circuitos RLC con switching
caótico, que simula el comportamiento complejo de las redes reales.

Figura 1: Modelo para la red eléctrica.

Monitoreo no intrusivo de cargas y regresión no lineal basado en ondículas.

El problema de Desagregación No Intrusiva de Cargas, es un problema inverso in-
adecuadamente planteado en el sentido que no tiene solución única. En la práctica, esta
condición permite explorar las posibles soluciones con el fin de encontrar una solución
óptima o sub-óptima, en algún sentido, que represente una opción aceptable al problema
en cuestión. En nuestro caso, se plantea la búsqueda de una de esas soluciones preten-
diendo transformar el problema en uno que cuente con una solución aproximada.
Este es justamente el caso del problema de regresión no lineal (Farmer & Sidorowich,
1987, García et. al., 1996), esto es, la determinación de una función tal, que dada la co-
rriente total consumida por la red en el tiempo t, aproxime los estados de los interrupto-
res en el futuro. Con esto en mente intentaremos reformular el problema del monitoreo
no intrusivo de cargas usando la teoría de sistemas dinámicos. En este enfoque, la obser-
vación de los sistemas se realiza monitoreando la evolución de algunas de las variables
de estado, concretamente tomadas a intervalos de tiempo regulares δt.
Ahora bien, tal y como se presenta en la Figura 1, este es un sistema no autónomo ya que
el comportamiento de las corrientes está modulado por la evolución de los interruptores
y estos a su vez son el producto de una decisión ajena al sistema dinámico.
Sin embargo, considerando causalidad, el estado de la corriente en el estado presente
y futuro es una función del estado de los interruptores en el tiempo presente, esto es:

donde es la corriente total.

Desde este punto de vista, el problema de la desagregación no intrusiva de cargas es
equivalente a la determinación de una aproximación para la regla dinámica f=g-1, tal que:

Donde se supone que la corriente en el futuro es afectada por el estado de los inte-
rruptores en el presente y donde hemos codificado el estado del conjunto de interrupto-
res como un número real:

donde imax es el valor máximo de la corriente total.

La Figura 2 muestra los resultados de la evolución de la red anterior. Se muestran los
15,000 datos obtenidos para la corriente total y el estado los interruptores.
490 s I FORO DE INVESTIGACIÓN “DESAFIOS ACTUALES DE LA SOCIEDAD DEL CONOCIMIENTO” utn

Figura 2. Corriente total y el estado los interruptores.

Los alcances obtenidos, en función de los resultados expuestos, pueden ser de utili-
dad en el diseño de estrategias eficientes de monitoreo no intrusivo de cargas y aportan
igualmente ideas para el diseño de redes de distribución de energía eficientes y/o inteli-
gentes.
La función f proporciona la relación entre el estado de los interruptores en el presen-
te y el estado futuro de la corriente total. Naturalmente, una estimación de esta función
permite predecir la actividad de cargas individuales dado el valor de la corriente total.
Esta estrategia difiere de la habitual usada en la teoría de los sistemas dinámicos, en la
construcción de los vectores. En este caso, en lugar de construir vectores con el estado
actual y sus predecesores, los vectores, que hemos llamado vectores avanzados, se cons-
truyen con el estado actual y los valores futuros de la variable.
Una alternativa eficaz para aproximar f, es el método de regresión basado en núcleos
reproductivos de los espacios de Hilbert (kernels). En esta estrategia, los datos se trans-
forman mediante el conjunto hi (.) y f se ajusta mediante una combinación lineal de hi (.)
(García & Merlitti, 2007). Mediante el uso de kernels, K (·,·), es posible realizar el mapeo
y su inversa, implícitamente. De manera que:

En nuestro caso, se propone una aproximación basada en un núcleo reproductivo de

L2, esto es, el espacio de las funciones de cuadrado integrable. En este caso se construye el
núcleo K, usando la base de Haar:

Donde es la función característica del inter-

valo [a,b].
Como ya se mencionó, a partir de esta base es posible construir el núcleo (García &
Merlitti, 2007), necesario para aproximar f.

Donde los βi, son constantes de normalización. La estrategia para calcular los coefi-
cientes son puede presentarse de manera algorítmica como sigue:
Dados N pares de datos
Se reescribe (1) usando productos escalares y se evalúa, para obtener N-1 ecuaciones
2017 II Jornadas internacionales de investigación científica s 491

lineales, es posible escribir como:

Donde K es una matriz N×N, ATes la matriz traspuesta de A y las letras minúsculas
en negrilla representan vectores.
Se usa la pseudo-inversa de Moore-Penrose (Penrose, 1955), para estimar .

Los resultados de la implementación de la metodología anteriormente descrita, se

muestran en la próxima sección.

Resultados.

Con el fin de mostrar el desempeño de la metodología presentada, el gráfico siguien-

te muestra el resultado de las predicciones para el estado de los interruptores, en caso de
una red de cuatro cargas. En la gráfica siguiente se ilustra el desempeño de la estrategia,
para 1.400 datos generados a partir de la red de la Figura 1.

Figura 3: Resultados del modelado realizado, usando la estrategia propuesta. La grafi-

ca muestra las series de observaciones ( ) y predicciones ( ).

Conclusiones.

Las estrategias de monitoreo no intrusivo de cargas representan una alternativa in-

teresante para obtener información, de un modo no invasivo, del consumo eléctrico de
las cargas en un sistema eléctrico con fines de eficiencia energética.
Se ha planteado el problema de desagregación no intrusiva de cargas en una red,
como un problema de regresión no lineal y mediante un esquema de regresión basado en
núcleos de ondículas, se ha dado una solución al mismo.
Los resultados de las predicciones usando el modelo expuesto, muestran que la es-
trategia propuesta puede ser de utilidad en el diseño de métodos de desagregación no
intrusiva de cargas en redes eléctricas o en el diseño de esquemas de medición inteligen-
te. s
492 s I FORO DE INVESTIGACIÓN “DESAFIOS ACTUALES DE LA SOCIEDAD DEL CONOCIMIENTO”
Referencias Bibliográficas
Abubakar, I. et al. (2017). Application of
load monitoring in appliances ener-
gy management. A review. Renewable
and Sustainable Energy Reviews, 67,
235
Chang, H. (2010). Load identification of
non-intrusive load-monitoring sys-
tem in smart home. WSEAS Transac-
tion on Systems, 9
Cristianini, N. & Shawe-Taylor, J. (2001).
An Introduction to Support Vector
Machines and other kernel-based
learning methods. Cambridge Univer-
sity Press
Duarte, C. et al. (2012). Non-intrusive load
monitoring based on switching volta-
ge transients and wavelet transforms.
Future of Instrumentation Internatio-
nal Workshop (FIIW)
Farmer, J. & Sidorowich, J. (1987). Predic-
ting chaotic time series. Physical Re-
view Letters, 59, 845-848
García, P. et al. (1996). Local optimal me-
trics and nonlinear modeling of
chaotic time series. Physical Review
Letters, 76, 1499-1502
utn
García, P. & Merlitti, H. (2007). Basis and
nonlinear modeling of complex sys-
tems. The European Physical Journal
Special Topics.
Hart, G. (1992). Nonintrusive Appliance
Load Monitoring. Proceedings of the
IEEE, 80, 1870-1891
Penrose, R. (1955). A generalized inverse
for matrices. Proceedings of the Cam-
bridge Philosophical Society, 51, 406-
413
Racines, J. & Candelo, E. (2014). Nonin-
trusive load identification with power
and impedance obtained from smart
meters. International Journal of Engi-
neering Technology, 6, 1867-1876
Semwal, S. et al. (2014). Identification resi-
dential appliance using NIALM. IEEE
International Conference on Power
Electronics, Drives and Energy Systems
(PEDES)
Tsai, M. & Lin, Y. (2012). Modern develo-
pment of an adaptive nonintrusive
appliance load monitoring system
in electricity energy conservation.
Applied Energy, 96, 5573