Novedades

El presente trabajo aborda el problema de monitoreo de consumo eléctrico mediante técnicas de aprendizaje supervisado con redes neuronales profundas, enfocándose en: i) la identificación del tipo de electrodoméstico a partir de una curva de consumo desagregada y ii) la desagregación del consumo de electrodomésticos a partir de una curva de consumo agregada. Ambos enfoques de monitoreo se realizan sobre datos a muy bajas frecuencias, desde una muestra por minuto hasta una muestra cada 15 minutos. Complementariamente, se pone foco en electrodomésticos poco estudiados en la literatura, como los termotanques que son ampliamente utilizados en Uruguay y los vehículos eléctricos, cuyo uso está en fase expansiva y presentan un consumo elevado.

En Uruguay, durante los últimos años, la Administración Nacional de Usinas y Transmisiones Eléctricas del Estado (UTE) ha comenzado a utilizar medidores inteligentes capaces de recolectar datos de consumo eléctrico de los clientes en intervalos de 15 minutos, así como ha proporcionado medidores intrusivos a grupos de usuarios para monitorear el consumo de termotanques cada 1 minuto. En este trabajo se investigan técnicas de aprendizaje profundo, las cuales son entrenadas y evaluadas sobre una amplia cantidad de datos del sistema eléctrico uruguayo.

Por otro lado, en el presente estudio se generan y preparan bases de datos, para ser compartidas de forma libre y en un formato estándar, facilitando así el acceso a la comunidad científica.

Finalmente, la implementación de los modelos dio lugar a transferencias entre la Facultad de Ingeniería (FING) y UTE, lo que posibilita que UTE utilice los algoritmos de aprendizaje automático desarrollados en aplicaciones específicas de su interés, evidenciando así el impacto en el ámbito productivo.