Resumo: A utilização de medidores inteligentes de energia com funcionalidades além da simples medição de consumo está se tornando cada dia mais comum pelo mundo todo. Como resultado, medições de consumo no lado da carga estão disponíveis em diferentes frequências de amostragem. Diver-sos métodos foram propostos para inferir características de uso de equipamentos eletroeletrônicos domésticos a partir de medições de potência. Entretanto, muitas técnicas são baseadas em méto-dos que requerem alto custo computacional. Ainda, frequentemente necessitam de informações fornecidas por parte dos habitantes da residência. Neste trabalho é proposta uma técnica para de-tecção de padrões de utilização de equipamentos utilizando algoritmos de baixo custo computaci-onal e que não requerem nenhuma informação dos moradores. Os padrões de utilização são iden-tificados a partir do comportamento do status do sistema, representados por um grande conjunto de vetores binários contendo o status de cada um dos dispositivos monitorados, através de algo-ritmos de redução de dimensionalidade e clusterização. Os algoritmos de Análise de Componen-tes Principais, k-means e a determinação do número ótimo de clusters pelo método "elbow" são utilizados para definição dos clusters, e o conceito de árvore geradora mínima é utilizado para visualização dos resultados. Em paralelo, Mapas Auto-organizáveis são utilizados para criar um classificador de status. A metodologia foi aplicada em dois bancos de dados públicos com medi-ções reais de residências de dois países diferentes: Reino Unido (UK-DALE) e Estados Unidos (REDD), mostrando diferentes padrões de utilização. As técnicas de clusterização possibilitam a gestão pelo lado da demanda, enquanto o classificador pode ser utilizado como detector de mal funcionamento de equipamentos apenas pela análise do status do Sistema Ver menos

Abstract: Smart meters with automatic meter reading functionalities are becoming popular across the world. As a result, load measurements at various sampling frequencies are now available. Several meth-ods have been proposed to infer device usage characteristics from household load measurements. However, many techniques are based on highly intensive computations that incur heavy computa-tional costs; moreover, they often rely on private household information. In this work, we propose a technique for the detection of appliance utilization patterns using low-computational cost algo-rithms that do not require any information about households. Appliance utilization patterns are identified only from the system status behavior, represented by large system status datasets, by using dimensionality reduction and clustering algorithms. Principal component analysis, k-means, and the elbow method are used to define the clusters, and the minimum spanning tree is used to visualize the results that show the appearance of utilization patterns. Self-organizing maps are used to create a system status classifier. We applied our techniques to two public datasets from two different countries, the United Kingdom (UK-DALE) and the US (REDD), with different usage patterns. The proposed clustering techniques enable effective demand-side management, while the system status classifier can detect appliance malfunctions only through system status analyses Ver menos