ES2932399T3

ES2932399T3 - Un método y sistema para optimizar una desagregación de carga compuesta

Info

Publication number: ES2932399T3
Application number: ES13157511T
Authority: ES
Inventors: Goutam Y G; Swanand Kadhe; Mariswamy Girish Chandra; Balamuralidhar Purushothaman
Original assignee: Tata Consultancy Services Ltd
Current assignee: Tata Consultancy Services Ltd
Priority date: 2012-03-02
Filing date: 2013-03-01
Publication date: 2023-01-18
Anticipated expiration: 2033-03-01
Also published as: EP2653835A3; US9310865B2; EP2653835B1; EP2653835A2; US20130231795A1

Abstract

Se divulga un método y un sistema para optimizar una desagregación de carga compuesta. El sistema comprende un módulo de entrada, un módulo de gráfico de factores, una base de datos de información contextual, un motor de reglas, una base de datos a priori y una base de datos de reglas. El módulo de gráficos de factores está configurado para realizar análisis de gráficos de factores en una o más variables de entrada recibidas del módulo de entrada para generar medidas de confianza en las que las medidas de confianza indican la desagregación de la carga compuesta. El método y el sistema están habilitados para recuperar información contextual de la base de datos de información contextual. El método y el sistema se habilitan además para optimizar la desagregación de la carga compuesta por medio del motor de reglas. (Traducción automática con Google Translate, sin valor legal)

Description

DESCRIPCIÓN

Un método y sistema para optimizar una desagregación de carga compuesta

Campo técnico

El presente tema descrito en la presente descripción, en general, se refiere a la carga eléctrica compuesta y, más particularmente, se refiere a la desagregación de la carga compuesta.

Antecedentes

La electricidad es uno de los productos básicos más comunes e importantes que consumen la mayoría de los hogares, industrias, complejos comerciales y complejos deportivos, etc. La demanda de electricidad está creciendo más rápido que cualquier otra forma de energía en todas partes del mundo. Esta creciente necesidad está convirtiendo a la generación de electricidad en el mayor y más rápido contribuyente a las emisiones de dióxido de carbono. Estas tendencias indican claramente la necesidad de soluciones tecnológicas de construcción que reduzcan la carga eléctrica consumida por la cantidad de electrodomésticos eléctricos. Además, dado que el consumo de electricidad aumenta gradualmente, es esencial monitorear y tomar medidas de precaución para conservar la energía eléctrica para mejorar el futuro. Por lo tanto, se requiere la medición de la energía consumida por diferentes cargas en cualquier entorno eléctrico.

En el escenario actual, existen numerosas técnicas disponibles en la técnica que permiten medir el consumo de energía en un local dado. Una de las técnicas conocidas en la técnica es medir la carga compuesta utilizando un dispositivo como un medidor inteligente. El medidor inteligente generalmente se refiere a un tipo de medidor eléctrico avanzado que identifica el consumo de energía por las múltiples cargas eléctricas en el entorno en conjunto. El medidor inteligente, cuando se implementa en la ubicación del consumidor, se configura para detectar la carga consumida por uno o más electrodomésticos utilizados por el consumidor para generar un perfil de carga del consumidor en tiempo real. El perfil de carga del consumidor es una agregación de la carga extraída por los diversos electrodomésticos en la ubicación del consumidor. Sin embargo, el medidor inteligente generalmente genera un informe que representa la información de la energía consumida por nodos completos o electrodomésticos en conjunto. Por lo tanto, el Medidor Inteligente no es factible para monitorear e identificar la energía consumida por un electrodoméstico individual específico. En general, la técnica de identificar el electrodoméstico individual y los patrones de uso del electrodoméstico identificado a partir de una carga eléctrica compuesta se denomina desagregación de carga eléctrica o desagregación de carga compuesta.

En la técnica anterior, se han propuesto varias técnicas que implementan la desagregación de carga compuesta. En una de las técnicas conocidas en la técnica, el usuario o moderador tiene que encender/apagar manualmente cada electrodoméstico individual para obtener la firma de ese electrodoméstico para la desagregación. En otra técnica, se inserta un dispositivo de monitoreo intermedio entre el enchufe y el electrodoméstico para registrar su funcionamiento. Esta técnica generalmente se denomina monitoreo "intrusivo". En esta técnica, uno tiene que adquirir dispositivos de registro o sensores equivalentes a la cantidad de electrodomésticos instalados en las instalaciones del cliente. Este método se considera inconveniente y costoso para el despliegue a gran escala, ya que requiere el uso de dispositivos de medición separados, tales como dispositivos de registro o transmisores o sensores para medir el consumo de electricidad. Sin embargo, el uso de múltiples dispositivos de medición distribuidos por todo el edificio conduce a un aumento general en el costo de instalación que invariablemente aumenta la complejidad y también es engorroso de manejar. ALAN MARCHIORI Y OTROS: "Circuit-Level Carga Monitoring for Household Energy Management", IEEE PERVASIVE COMPUTING, IEEE SERVICE CENTER, LOS ALAMITOS, CA, US, vol. 10, núm. 1, 2011, páginas 40 48, XP011341417, ISSN: 1536-1268. Marchiori anticipa un método para optimizar una desagregación de carga compuesta en un entorno eléctrico.

Por lo tanto, en vista de lo anterior y de varios otros inconvenientes de la técnica, existe la necesidad de un método y un sistema que permita la optimización de la desagregación de la carga eléctrica mediante la identificación de los electrodomésticos eléctricos individuales y sus patrones de uso de una manera no intrusiva y que alivia también varios otros inconvenientes de la técnica.

Resumen

Antes de que se describan los presentes sistemas y métodos, debe entenderse que esta solicitud no se limita a los sistemas y metodologías particulares descritos, ya que puede haber múltiples modalidades posibles que no se ilustran expresamente en las presentes descripciones. Asimismo, debe entenderse que la terminología utilizada en la descripción tiene por objeto describir las versiones o modalidades particulares únicamente, y no pretende limitar el alcance de la presente solicitud. Este resumen se proporciona para introducir conceptos relacionados con sistemas y métodos para optimizar una desagregación de carga compuesta en un entorno eléctrico y los conceptos se describen más adelante en la descripción detallada. Este resumen no pretende identificar características esenciales de la materia reivindicada, ni pretende usarse para determinar o limitar el alcance de la materia reivindicada.

En una implementación, se describe un sistema para optimizar la desagregación de carga compuesta en el entorno eléctrico. El sistema comprende al menos un procesador y una memoria acoplada a al menos un procesador para ejecutar una pluralidad de módulos presentes en la memoria. La pluralidad de módulos comprende un módulo de entrada, un módulo de gráficos de factores, una base de datos de información contextual y un motor de reglas. El módulo de entrada está configurado para recibir una o más variables de entrada. La una o más variables de entrada comprende además una o más características y un conjunto de datos a priori correspondientes a uno o más electrodomésticos. La una o más características se seleccionan de un grupo de niveles de potencia activa/reactiva, factores de potencia, distorsiones armónicas, firmas transitorias o sus combinaciones. El conjunto de datos a priori, por otra parte, indica una probabilidad de que al menos un electrodoméstico individual del uno o más electrodomésticos se encienda/apague. En esta implementación, la probabilidad de que al menos un electrodoméstico se encienda/apague se determina analizando una pluralidad de factores seleccionados de un grupo que comprende la hora del día, el día de la semana, las interdependencias operativas entre una pluralidad de electrodomésticos, una pluralidad de electrodomésticos del mismo tipo, tamaño de la familia, tamaño de la casa, tipo de vivienda, geografía, temporada, condiciones climáticas, clasificación de electrodomésticos individuales o sus combinaciones. El módulo de gráficos de factores está configurado para realizar un análisis de gráficos de factores en una o más variables de entrada. El módulo de gráficos de factores se configura además para generar medidas de confianza para uno o más electrodomésticos en el entorno eléctrico que indica la desagregación de carga compuesta. En esta implementación, las medidas de confianza se generan mediante el procesamiento de una o más variables de entrada utilizando al menos un algoritmo de paso de mensajes seleccionado de un grupo que comprende un algoritmo de suma del producto, un algoritmo de suma máxima o sus combinaciones mediante el uso del módulo gráfico de factores. El sistema comprende además la base de datos de información contextual para almacenar la información contextual que impacta en el uso de uno o más electrodomésticos. En esta implementación, la base de datos de información contextual está configurada para almacenar la hora del día, las condiciones meteorológicas, la geografía y las interdependencias operativas entre una pluralidad de electrodomésticos o sus combinaciones. El sistema comprende además el motor de reglas para optimizar la desagregación de carga compuesta aplicando una o más reglas a las medidas de confianza y a la información contextual para identificar al menos un electrodoméstico del uno o más electrodomésticos.

En una implementación, se describe un método para optimizar una desagregación de carga compuesta en un entorno eléctrico. El método está habilitado para realizar un análisis gráfico de factores en una o más variables de entrada para generar medidas de confianza para uno o más electrodomésticos en el entorno eléctrico. Las medidas de confianza indican la desagregación de la carga compuesta. El método también está habilitado para recuperar información contextual que afecta el uso de uno o más electrodomésticos desde una base de datos de información contextual. El método también permite optimizar la desagregación de la carga compuesta aplicando una o más reglas a las medidas de confianza ya la información contextual para identificar al menos un electrodoméstico del uno o más electrodomésticos. La implementación, la ejecución, la recuperación y la optimización son realizadas por al menos un procesador.

En una implementación, se describe un producto de programa de ordenador que tiene un programa de ordenador para optimizar una desagregación de carga compuesta en un entorno eléctrico. El producto de programa de ordenador comprende un código de programa para realizar un análisis de gráfico de factores. El análisis de gráficos de factores se realiza en una o más variables de entrada para generar medidas de confianza. Las medidas de confianza indican la desagregación de la carga compuesta. El producto de programa de ordenador comprende además un código de programa para recuperar información contextual que impacta en el uso de uno o más electrodomésticos. El producto de programa de ordenador comprende un código de programa para optimizar la desagregación de carga compuesta aplicando una o más reglas a las medidas de confianza y a la información contextual para identificar al menos un electrodoméstico del uno o más electrodomésticos. La invención es como se define en las reivindicaciones adjuntas.

Breve descripción de las figuras

El resumen anterior, así como también la siguiente descripción detallada de las modalidades, se entenderán mejor cuando se lean junto con los dibujos adjuntos. Con el fin de ilustrar la invención, en la presente descripción se muestran construcciones de ejemplo de la invención; sin embargo, la invención no se limita a los métodos y aparatos específicos descritos en el documento y los dibujos:

La descripción detallada se describe con referencia a las figuras acompañantes. En las figuras, el(los) dígito(s) más a la izquierda de un número de referencia identifica(n) la figura en la que aparece primero el número de referencia. Se usan los mismos números en todos los dibujos para hacer referencia a características y componentes similares.

La Figura 1 ilustra una implementación de red de un sistema para optimizar una desagregación de carga compuesta en un entorno eléctrico, de acuerdo con una modalidad del presente tema.

La Figura 2 ilustra el sistema, de acuerdo con una modalidad del presente tema.

La Figura 3 ilustra un método para optimizar una desagregación de carga compuesta en un entorno eléctrico, de acuerdo con una modalidad del presente tema.

La Figura 4 ilustra un método para generar medidas de confianza para realizar un análisis de gráficos de factores, de acuerdo con una modalidad del presente tema.

La Figura 5 es un ejemplo de análisis de gráficos de factores realizado en una o más variables de entrada, de acuerdo con una modalidad del presente tema.

La Figura 6 y la Figura 7 ilustran, respectivamente, un ejemplo de desagregación de carga compuesta usando variables características de potencia real y potencia reactiva, de acuerdo con una modalidad del presente tema. La Figura 8, la Figura 9, la Figura 10 y la Figura 11 ilustran respectivamente la comparación del programa de funcionamiento real y estimado para el monitor, la lámpara, el ventilador y el decodificador, de acuerdo con una modalidad del presente tema.

La Figura 12 y la Figura 13 ilustran respectivamente la salida de comparación ideal y real para las diferentes combinaciones de carga, de acuerdo con una modalidad del presente tema.

La Figura 14 es un diagrama de bloques que ilustra la formulación de un gráfico de factores basado en un diagrama de carga de características individuales de acuerdo con una modalidad del presente tema.

La Figura 15 es un diagrama de bloques que ilustra la Característica compuesta formada como resultado de características individuales de acuerdo con una modalidad del presente tema.

Las figuras representan diversas modalidades de la presente invención únicamente con fines ilustrativos. Un experto en la técnica reconocerá fácilmente a partir de la siguiente descripción que pueden emplearse modalidades alternativas de las estructuras y métodos ilustrados en la presente descripción sin apartarse de los principios descritos en la presente descripción.

Descripción detallada

Algunas modalidades de esta invención, que ilustran todas sus características, se discutirán ahora en detalle. Las palabras "que comprende", "que tiene", "que contiene" y "que incluye", y otras formas similares de las mismas pretenden ser equivalentes en significado y ser de final abierto en el que un artículo o artículos que siguen a cualquiera de estas palabras no pretende ser una lista exhaustiva de dicho artículo o artículos, o pretende limitarse sólo al artículo o artículos listados. Debe notarse además que como se usa en la presente descripción y en las reivindicaciones adjuntas, las formas singulares "un", "uno", y "el/la" incluyen referencias plurales a menos que el contexto dicte claramente lo contrario. Aunque cualquier sistema y método similar o equivalente a los descritos en la presente descripción puede utilizarse en la práctica o en la prueba de las modalidades de la presente invención, ahora se describen los sistemas y métodos ilustrativos. Las modalidades descritas son simplemente ejemplos de la invención, que se puede realizar de varias formas.

Diversas modificaciones a la modalidad resultarán fácilmente evidentes para los expertos en la técnica y los principios genéricos expuestos en la presente descripción pueden aplicarse a otras modalidades. Por ejemplo, aunque la presente invención se describirá en el contexto de un sistema y un método para optimizar una desagregación de carga compuesta en un entorno eléctrico, un experto en la técnica reconocerá fácilmente que el método y el sistema se pueden utilizar en cualquier situación cuando sea necesario optimizar la desagregación de la carga compuesta mediante la identificación de al menos un electrodoméstico del uno o más electrodomésticos en el entorno eléctrico. Por lo tanto, no se pretende que la presente invención se limite a las modalidades ilustradas, sino que esté acorde al alcance más amplio consistente con los principios y características que se describen en la presente descripción.

Se describen sistemas y métodos para optimizar la desagregación de carga compuesta en el entorno eléctrico. El presente tema describe un mecanismo para optimizar la desagregación de la carga compuesta mediante la identificación del al menos un electrodoméstico del uno o más electrodomésticos en el entorno eléctrico. La desagregación de la carga compuesta se lleva a cabo realizando un análisis de gráficos de factores en una o más variables de entrada. La una o más variables de entrada son una o más características y un conjunto de datos a priori correspondientes a uno o más electrodomésticos. En una modalidad de la invención, una o más características comprenden niveles de potencia activa/reactiva, factores de potencia, distorsiones armónicas, firmas transitorias o sus combinaciones, mientras que el conjunto de datos a priori indica una probabilidad de que al menos un electrodoméstico del uno o más electrodomésticos se encienden y apagan. El conjunto de datos a priori se puede seleccionar de un grupo que comprende la hora del día, el día de la semana, las interdependencias operativas entre una pluralidad de electrodomésticos, una pluralidad de electrodomésticos del mismo tipo (misma marca y modelo), tamaño de la familia, tamaño de la casa, tipo de vivienda (apartamento o vivienda unifamiliar), geografía, estación del año, condiciones climáticas, clasificación de electrodomésticos individuales o sus combinaciones.

Basándose en el análisis de gráficos de factores sobre una o más variables de entrada, el sistema de la presente invención está habilitado para generar medidas de confianza para uno o más electrodomésticos. Las medidas de confianza se generan para indicar la desagregación de la carga compuesta mediante la identificación del al menos un electrodoméstico del uno o más electrodomésticos que se encienden en un caso particular. Al identificar el al menos un electrodoméstico encendido, el sistema se habilita además para recuperar información contextual almacenada en una base de datos de información contextual. La información contextual se recupera para analizar el impacto en el patrón de uso de uno o más electrodomésticos. En una modalidad, la información contextual asociada con uno o más electrodomésticos puede ser la hora del día, las condiciones climáticas, la geografía y las interdependencias operativas entre uno o más electrodomésticos o sus combinaciones.

A medida que se recupera la información contextual, el sistema se habilita aún más para optimizar la desagregación de la carga compuesta. La optimización se realiza aplicando una o más reglas sobre las medidas de confianza generadas a través del análisis de gráficos de factores y la información contextual recuperada de la base de datos de información contextual. La una o más reglas se aplican para mejorar el resultado de la desagregación de carga compuesta para identificar al menos un electrodoméstico del uno o más electrodomésticos que llevan a cabo la desagregación de carga compuesta. La una o más reglas se aplican para resolver los conflictos mientras se identifica el al menos un electrodoméstico del uno o más electrodomésticos en el entorno eléctrico.

Aunque los aspectos del sistema y método descritos que optimizan una desagregación de carga compuesta en un entorno eléctrico pueden implementarse en cualquier número de diferentes sistemas informáticos, entornos y/o configuraciones, las modalidades se describen en el contexto del siguiente sistema ilustrativo. Por lo tanto, la siguiente descripción más detallada de las modalidades de la invención, tal como se representan en las figuras y diagramas de flujo, no pretende limitar el alcance de la invención, como se reivindica, sino que es meramente representativa de ciertos ejemplos de modalidades actualmente contempladas de acuerdo con la invención.

Las modalidades descritas en la actualidad se entenderán mejor por referencia a los dibujos, en donde las partes similares se designan con números similares en todo el documento. Además, los diagramas de flujo y los diagramas de bloques en las Figuras ilustran la arquitectura, la funcionalidad y la operación de posibles implementaciones de sistemas y métodos de acuerdo con diversas modalidades de la presente invención. Con respecto a esto, cada bloque en los diagramas de flujo y diagramas de bloques puede representar un módulo, segmento o porción de código, los cuales comprenden una o más instrucciones ejecutables para implementar la(s) función(es) lógica(s) específica(s).

Con referencia ahora a la Figura 1, se ilustra una implementación de red 100 de un sistema 102 para optimizar una desagregación de carga compuesta en un entorno eléctrico, de acuerdo con una modalidad del presente tema. En una modalidad, el sistema 102 genera medidas de confianza para uno o más electrodomésticos que indican la desagregación de la carga compuesta. Después de determinar las medidas de confianza, el sistema 102 recupera además información contextual que impacta en el uso de uno o más electrodomésticos. Basándose en las medidas de confianza y la información contextual, el sistema 102 optimiza la desagregación de carga compuesta para identificar al menos un electrodoméstico del uno o más electrodomésticos.

Aunque el presente tema se explica considerando que el sistema 102 se implementa como un servidor, se puede entender que el sistema 102 también se puede implementar en una variedad de sistemas informáticos, como un ordenador portátil, un ordenador de escritorio, una notebook, una estación de trabajo, un ordenador central, un servidor de red y similares. Se entenderá que múltiples usuarios pueden acceder al sistema 102 a través de uno o más dispositivos de usuario 104-1, 104-2, 104-3... 104-N, denominados en conjunto usuario 104 en lo sucesivo, o aplicaciones que residen en los dispositivos de usuario 104. Se entenderá además que el sistema 102 puede instalarse en los dispositivos de usuario que no están conectados al servidor a través de una red 106. En tal escenario, los dispositivos de usuario 104 actuarán como un sistema independiente capaz de optimizar la desagregación de carga compuesta en el entorno eléctrico. Los ejemplos de los dispositivos de usuario 104 pueden incluir, pero sin limitarse a, un ordenador portátil, un asistente digital personal, un dispositivo portátil y una estación de trabajo. Los dispositivos de usuario 104 están acoplados comunicativamente al sistema 102 a través de la red 106.

En una implementación, la red 106 puede ser una red inalámbrica, una red por cable o una de sus combinaciones. La red 106 puede implementarse como uno de los diferentes tipos de redes, como intranet, red de área local (LAN), red de área amplia (WAN), Internet y similares. La red 106 puede ser una red dedicada o una red compartida. La red compartida representa una asociación de los diferentes tipos de redes que utilizan una variedad de protocolos, por ejemplo, Protocolo de transferencia de hipertexto (HTTP), Protocolo de control de transmisión/Protocolo de Internet (TCP/IP), Protocolo de aplicación inalámbrica (WAP) y similares, para comunicarse unos con otros. Además, la red 106 puede incluir una variedad de dispositivos de red, incluidos enrutadores, puentes, servidores, dispositivos informáticos, dispositivos de almacenamiento y similares.

Con referencia ahora a la Figura 2, el sistema 102 se ilustra de acuerdo con una modalidad del presente tema. En una modalidad, el sistema 102 puede incluir al menos un procesador 202, una interfaz de entrada/salida (E/S) 204 y una memoria 206. El al menos un procesador 202 puede implementarse como uno o más microprocesadores, microordenadores, microcontroladores, procesadores de señales digitales, unidades de procesamiento central, máquinas de estado, circuitos lógicos, y/o cualquier dispositivo que manipule señales basadas en instrucciones operativas. Entre otras capacidades, el al menos un procesador 202 está configurado para obtener y ejecutar instrucciones legibles por ordenador almacenadas en la memoria 206.

La interfaz de E/S 204 puede incluir una variedad de interfaces de software y hardware, por ejemplo, una interfaz web, una interfaz gráfica de usuario y similares. La interfaz de E/S 204 puede permitir que el sistema 102 interactúe con un usuario directamente o a través de los dispositivos del cliente 104. Además, la interfaz de E/S 204 puede permitir que el sistema 102 se comunique con otros dispositivos informáticos, como servidores web y servidores de datos externos (no mostrados). La interfaz de E/S 204 puede facilitar comunicaciones múltiples dentro de una amplia variedad de tipos de redes y protocolos, incluidas redes cableadas, por ejemplo, LAN, cable, etc., y redes inalámbricas, como WLAN, celular o satélite. La interfaz de E/S 204 puede incluir uno o más puertos para conectar varios dispositivos entre sí o con otro servidor.

La memoria 206 puede incluir cualquier medio legible por ordenador o cualquier producto de programa de ordenador conocido en la técnica, incluyendo, por ejemplo, la memoria volátil, como la memoria estática de acceso aleatorio (SRAM) y la memoria dinámica de acceso aleatorio (DRAM), y/o la memoria no volátil, como la memoria de sólo lectura (ROM), la ROM programable y borrable, las memorias flash, los discos duros, los discos ópticos y las cintas magnéticas. La memoria 206 puede incluir módulos 208 y datos 210.

Los módulos 208 incluyen rutinas, programas, objetos, componentes, estructuras de datos, etc., que realizan tareas particulares o implementan tipos de datos abstractos particulares. En una implementación, los módulos 208 pueden incluir un módulo de entrada 212, un módulo de gráficos de factores 214, un motor de reglas 216 y otros módulos 218. Los otros módulos 218 pueden incluir programas o instrucciones codificadas que complementen aplicaciones y funciones del sistema 102.

Los datos 210, entre otras cosas, sirven como depósito para almacenar datos procesados, recibidos y generados por uno o más de los módulos 208. Los datos 210 también pueden incluir una base de datos de información contextual 220, una base de datos a priori 222, una base de datos de reglas 224 y otros datos 226. Los otros datos 226 pueden incluir datos generados como resultado de la ejecución de uno o más módulos en el otro módulo 218.

En una implementación, en primer lugar, un usuario puede usar el dispositivo del cliente 104 para acceder al sistema 102 a través de la interfaz de E/S 204. Los usuarios pueden registrarse usando la interfaz de E/S 204 para usar el sistema 102. El sistema 102 puede usarse para optimizar una desagregación de carga compuesta en un entorno eléctrico. Para optimizar la desagregación de la carga compuesta, el sistema 102, en primer lugar, recibe una o más variables de entrada. Específicamente, en la presente implementación, el módulo de entrada 212 recibe una o más variables de entrada.

La una o más variables de entrada comprenden una o más características correspondientes a uno o más electrodomésticos. La una o más características en el uno o más electrodomésticos recibidos por el módulo de entrada 212 adquieren datos de corriente eléctrica de las líneas de alimentación de la red. Hay numerosas técnicas disponibles en la técnica para analizar los datos de corriente eléctrica adquiridos por uno o más electrodomésticos. Sin embargo, para optimizar una desagregación de carga compuesta en el entorno eléctrico, el presente sistema y método implementa varias técnicas conocidas para derivar una o más características. En una modalidad de la invención, la una o más características pueden extraerse de uno o más electrodomésticos usando las técnicas o módulos existentes que pueden implementarse con el presente sistema y método. Las técnicas o módulos existentes son un módulo de adquisición de datos, un módulo de detección de eventos y un módulo de extracción de características (no mostrado en la figura). El módulo de adquisición de datos está configurado para adquirir los datos de corriente eléctrica consumida por uno o más electrodomésticos de las líneas de alimentación de la red. En respuesta al módulo de adquisición de datos, el módulo de detección de eventos facilita la segmentación de los datos de corriente eléctrica. El módulo de detección de eventos también está habilitado para observar un cambio variable en los datos de corriente eléctrica que corresponde al encendido/apagado de uno o más electrodomésticos en múltiples escalas de tiempo. En función de la observación, el módulo de extracción de características compara los datos de corriente eléctrica adquiridos a través del módulo de adquisición de datos y el cambio variable observado por el módulo de detección de eventos para extraer una o más características de cada segmento de los datos de corriente eléctrica creados por el módulo de detección de eventos. En una modalidad, una o más características extraídas comprenden niveles de potencia activa/reactiva, factores de potencia, distorsiones armónicas, firmas transitorias o sus combinaciones asociadas con uno o más electrodomésticos. A continuación, el módulo de entrada 212 recibe una o más características como una de las variables de entrada.

La una o más variables de entrada comprenden además un conjunto de datos a priori como otra variable de entrada que corresponde a uno o más electrodomésticos. El conjunto de datos a priori indica una probabilidad de que al menos un electrodoméstico del uno o más electrodomésticos se encienda/apague en un caso particular. En una modalidad, la probabilidad de que al menos un electrodoméstico se encienda/apague se determina analizando una pluralidad de factores almacenados en la base de datos a priori 222. La pluralidad de factores se puede seleccionar de un grupo que comprende la hora del día, el día de la semana, las interdependencias operativas entre la pluralidad de electrodomésticos, el tamaño de la familia, el tamaño de la casa, el tipo de vivienda (apartamento o casa unifamiliar), la geografía, la estación, las condiciones climáticas, la clasificación individual de los electrodomésticos. El grupo comprende además una pluralidad de electrodomésticos del mismo tipo (misma marca y modelo), por ejemplo, si un apartamento tiene 3 televisores, 2 aires acondicionados, 5 lámparas CFL y 4 ventiladores de la misma marca y mismo modelo. En tal escenario, los datos a priori almacenados en la base de datos a priori 222 para ese apartamento en particular que tiene uno o más electrodomésticos son (3, 2, 5 y 4) para televisión, aire acondicionado, aire acondicionado y ventilador, respectivamente. Los datos a priori en dicho escenario ayudan en la desagregación de la carga compuesta. El conjunto de datos a priori es luego recibido por el módulo de entrada 212 como una de las variables de entrada. En otra modalidad de la invención, las variables de entrada que incluyen una o más características y el conjunto de datos a priori se reciben del usuario a través del módulo de entrada 212.

En una modalidad, las variables de entrada recibidas pueden ser de un solo electrodoméstico, de dos o más electrodomésticos en conjunto. En otra modalidad, el sistema está adaptado para clasificar los electrodomésticos en una jerarquía de cargas; cada jerarquía representa electrodomésticos que pertenecen a una categoría específica, como electrodomésticos en una habitación en particular, electrodomésticos en un piso, electrodomésticos en un edificio o electrodomésticos en un local, etc. En tal caso, los múltiples electrodomésticos individuales categorizados en una categoría particular se pueden representar como una carga virtual. En tal escenario, las variables de entrada que comprenden características y datos a priori corresponden a múltiples electrodomésticos en la carga virtual.

En una modalidad, la una o más variables de entrada se obtienen a partir de un método de monitoreo de carga intrusivo, un método de monitoreo de carga no intrusivo o un método híbrido que incluye una combinación de métodos intrusivos y no intrusivos. Los métodos intrusivos incluyen el monitoreo mediante sensores, medidores inteligentes y otros dispositivos o sus combinaciones. Los métodos no intrusivos incluyen la detección de las variables de entrada mediante técnicas de aprendizaje automático, inteligencia artificial o sus combinaciones.

En función de las variables de entrada, el módulo de gráficos de factores 214 está configurado para realizar un análisis de gráficos de factores en una o más variables de entrada recibidas desde el módulo de entrada 212. El objetivo de implementar el módulo de gráficos de factores 214 en el sistema 102 es realizar un análisis de gráficos de factores para observar el cambio variable en los datos de corriente eléctrica, en donde el cambio variable en los datos corresponde al encendido/apagado de uno o más electrodomésticos. El análisis de gráficos de factores se realiza además para generar medidas de confianza para uno o más electrodomésticos en el entorno eléctrico. Las medidas de confianza son indicativas de que al menos un electrodoméstico del uno o más electrodomésticos está encendido en el caso particular. Para obtener las medidas de confianza, el módulo de gráficos de factores 214 realiza el análisis de gráficos de factores en las variables de entrada de la siguiente manera:

En una modalidad, considere el uno o más electrodomésticos que tienen vectores de características fi, /2,---, fN. Considere que los vectores de características fi, Í2, -, fN da como resultado la característica compuesta Y. En esta modalidad, el resultado de la desagregación corresponde a la estimación del vector de señal fuente X = [X1 X2 ■■■ X ⁿ]. En un caso simplista, X toma el valor '1' o '0' en donde '1' corresponde al electrodoméstico con el vector de características f ENCENDIDO y '0' corresponde al electrodoméstico con el vector de características f APAGADO. En esta modalidad, la estimación de desagregación se considera un problema de desagregación y se correlaciona con el problema de probabilidad máxima a posteriori (MAP) de la siguiente manera:

x, =argmáx/>(*,| F)

Xj

En una modalidad, la estimación de desagregación se puede obtener marginando la distribución que describe el problema de desagregación y, por lo tanto, involucrando todas las variables de entrada. Las variables de entrada representan los vectores de características fi, f2,---, fN y los datos a priori asociados a los mismos. Esta marginación se puede obtener pasando los mensajes "locales" usando el algoritmo de suma del producto. En otra modalidad, se puede obtener la marginación pasando los mensajes "locales" usando el algoritmo de suma máxima. Los mensajes se pasan iterativamente para llegar a la solución requerida. Además, el algoritmo de paso de mensajes se implementa iterativamente en el gráfico de factores especificando un criterio de parada. Los pasos implementados para este algoritmo son los siguientes:

1. Inicializar mensajes

2. Ejecutar el algoritmo de paso de mensajes de acuerdo con el cronograma hasta que se alcance un número predefinido de iteraciones o hasta que se alcance algún otro criterio de parada.

Después de detener el paso de mensajes, el marginal de una variable se puede obtener usando el producto de los mensajes (en cualquier dirección) en el borde correspondiente según la ecuación siguiente:

^{x ,}arg ^{m á x ^ P ( “todas las variables” )}

x, ' v *

. ' , Gráfico de factores

'- ^s-^u-^m--^a----- ^(e-^s-^c-^r-^it-^o-v ^c-^o-^m--^o- ^p-^r-^o-^d--^u-^c-^to-⁾--*

Algoritmo de suma del producto

donde, ~ Xi representa todas las variables excepto x¡.

El análisis de gráfico de factores es una representación gráfica de un modelo matemático en donde los bordes de dicho gráfico corresponden a las variables y los nodos representan la relación entre las variables. Basándose en el análisis de gráficos de factores anterior, en las variables de entrada, el módulo de gráficos de factores 214 está configurado para derivar las medidas de confianza, en donde las medidas de confianza indican la desagregación de la carga compuesta.

Después de derivar las medidas de confianza que indican la desagregación de la carga compuesta, el sistema 102 también puede recuperar información contextual de la base de datos de información contextual 220. La base de datos de información contextual 220 es un conjunto predefinido de información que impacta en el patrón de uso de uno o más electrodomésticos. En una modalidad, la información contextual comprende la hora del día, las condiciones meteorológicas, la geografía y las interdependencias operativas entre una pluralidad de electrodomésticos o sus combinaciones.

Sobre la base de las medidas de confianza y la información contextual, el sistema 102 se habilita además para optimizar la desagregación de la carga compuesta para identificar al menos un electrodoméstico del uno o más electrodomésticos en el entorno eléctrico que consumen los datos de corriente eléctrica de las líneas de alimentación de la red. El proceso de optimización se realiza utilizando el motor de reglas 216. El motor de reglas 216 está adaptado para extraer una o más reglas de la base de datos de reglas 224. A medida que se extraen una o más reglas, el motor de reglas 216 se adapta además para aplicar una o más reglas sobre las medidas de confianza y la información contextual para identificar al menos un electrodoméstico del uno o más electrodomésticos. Por lo tanto, el motor de reglas 216 optimiza la desagregación de la carga compuesta y, por lo tanto, resuelve los conflictos en la decisión actuando sobre la salida de resultados a través del análisis de gráficos de factores. En una modalidad ilustrativa, cuando demasiados electrodomésticos obtienen medidas de confianza altas y su potencia combinada supera la potencia observada en un gran valor; en tal caso, el sistema 102 analiza la combinación de carga que es más cercana a la potencia observada y declara esas cargas como las actualmente operativas mediante la aplicación de reglas usando el motor de reglas 216. En una modalidad, el motor de reglas 216 verifica que se cumplan ciertas condiciones por uno o más electrodomésticos que se identifican en el estado ENCENDIDO. Por ejemplo, las condiciones específicas pueden ser el consumo de energía de la combinación de carga identificada, el tiempo de operación, el tiempo de duración de la operación, etc. Debido a la naturaleza inherente del algoritmo (es decir, el uso de la marginación), las cargas que en realidad no están ENCENDIDAS pueden obtener buenas medidas de confianza. Para evitar tales casos, el sistema 102 está configurado para calcular la diferencia entre la potencia real y la potencia consumida por una combinación de uno o más electrodomésticos que tienen medidas de confianza altas. La regla para este escenario es elegir la combinación que proporcione la diferencia mínima y menor que un umbral predeterminado. Las combinaciones restantes se descartan. En una modalidad ilustrativa, considerando P^l como la potencia de la combinación de carga L = [L ⁱL².... L^k] donde k es el número de cargas con medidas de confianza altas y P^o como la potencia observada del medidor inteligente, la regla típica para esta modalidad ilustrativa se puede escribir como: para / = 1:2k

fin encontrar mínimo de D = D^mínSi D^mín < © (donde © es un umbral predefinido y D^mín corresponde a la combinación de carga L^m) entonces L^m es la combinación de carga.

Otra inferencia basada en reglas es correlacionar uno o más electrodomésticos con medidas de confianza moderadas (por ejemplo, 60 %) con el tiempo de operación (tiempo de desagregación). Si uno o más electrodomésticos están encendidos en un momento en el que su funcionamiento es casi imposible de encontrar o si la duración de encendido es considerablemente pequeña o grande en comparación con el tiempo de encendido estándar, el sistema 102 descarta esos electrodomésticos. De manera similar, el motor de reglas 216 puede configurar otra regla para aprovechar la interdependencia en el funcionamiento de los electrodomésticos. Por ejemplo, si se detecta una lavadora con una medida de confianza alta (casi seguro) y si se infiere una secadora a partir del gráfico de factores con una medida de confianza moderada en un instante de desagregación posterior, entonces la decisión se puede tomar a favor de la secadora. Una regla específica que se puede escribir para este escenario será:

si la secadora está ENCENDIDA en t1

y si las medidas de confianza de la secadora en t1 8 son moderadas (donde 8 es muy pequeña),

entonces la secadora está ENCENDIDA en t1 8

Después de optimizar la desagregación de la carga compuesta, la interfaz de E/S 204 puede adaptarse para mostrar la desagregación de la carga compuesta al usuario. La interfaz de E/S 204 también puede presentar una opción para actualizar, exportar el resultado de la desagregación de la carga compuesta a entidades externas, como un ordenador portátil, un asistente digital personal o un dispositivo portátil para monitorear la desagregación de la carga compuesta de uno o más electrodomésticos en el entorno eléctrico.

En una modalidad, el sistema 102 está ubicado dentro del entorno eléctrico. En esta implementación, el sistema 102 puede accederse por un servidor en el que el sistema 102 está instalado o por los dispositivos de usuario 104 para optimizar la desagregación de carga compuesta. En otra modalidad de la invención, el sistema 102 está ubicado fuera del entorno eléctrico al que pueden acceder los dispositivos de usuario 104-1, 104-2, 104-3, 104-n. En esta implementación, los dispositivos de usuario 104 pueden identificar el al menos un electrodoméstico del uno o más electrodomésticos en su entorno eléctrico respectivo. Los dispositivos de usuario 104 acceden al sistema 102 ubicado en la ubicación remota a través de la red (106) para optimizar la desagregación de carga compuesta.

Ventajas del sistema

La presente invención aborda el problema de la desagregación de la carga de una manera no intrusiva mediante la identificación de los electrodomésticos individuales y sus patrones de uso a partir de una carga compuesta.

La presente invención reconoce además los electrodomésticos individuales de la carga compuesta medida en unos pocos metros o puntos convenientes que mejoran el valor de la electricidad al saber más sobre cómo se usa.

La presente invención proporciona además una medida de punto único de desagregación de la carga compuesta.

La presente invención proporciona además una manera económica de desagregar la carga compuesta sin integrar ningún hardware adicional en el sistema.

Con referencia ahora a la Figura 3, se muestra un método 300 para optimizar una desagregación de carga compuesta en un entorno eléctrico, de acuerdo con una modalidad del presente tema. El método 300 se puede describir en el contexto general de las instrucciones ejecutables por ordenador. Generalmente, las instrucciones ejecutables por ordenador pueden incluir rutinas, programas, objetos, componentes, estructuras de datos, procedimientos, módulos, funciones, etc. que realizan funciones particulares o implementan tipos de datos abstractos particulares. El método 300 también se pueden llevar a la práctica en entornos informáticos distribuidos donde las funciones se llevan a cabo mediante dispositivos de procesamiento remoto que se unen a través de una red de comunicaciones. En un entorno informático distribuido, las instrucciones ejecutables por ordenador pueden estar ubicadas en medios de almacenamiento informático tanto locales como remotos, incluyendo dispositivos de almacenamiento de memoria.

El orden en que se describe el método 300 no pretende interpretarse como una limitación, y cualquier número de los bloques del método descrito puede combinarse en cualquier orden para implementar el método 300 o métodos alternativos. Además, los bloques individuales pueden eliminarse del método 300 sin apartarse del alcance del tema descrito en la presente descripción. Además, el método puede implementarse en cualquier hardware, software, microprograma o sus combinaciones adecuado. Sin embargo, para facilitar la explicación, en las modalidades que se describen a continuación, se puede considerar que el método 300 se implementa en el sistema descrito anteriormente 102.

En el bloque 302, se realiza un análisis de gráficos de factores en una o más variables de entrada (es decir, una o más características y un conjunto de datos a priori) para generar medidas de confianza para uno o más electrodomésticos en donde las medidas de confianza indican la desagregación de carga compuesta. Además, el bloque 302 puede explicarse con mayor detalle en la Figura 4.

En el bloque 304, se recupera información contextual que afecta el patrón de uso de uno o más electrodomésticos. En una implementación, la información contextual se recupera de la base de datos de información contextual 220.

En el bloque 306, la desagregación de carga compuesta se optimiza aplicando una o más reglas a las medidas de confianza y la información contextual para identificar al menos un electrodoméstico del uno o más electrodomésticos, en donde el motor de reglas 216 aplica una o más reglas. En una implementación, la una o más reglas se recuperan de la base de datos de reglas 224.

Con referencia ahora a la Figura 4, se muestra un método 302 para generar las medidas de confianza, de acuerdo con una modalidad del presente tema.

En el bloque 402, se extraen una o más características de uno o más electrodomésticos. La una o más características se extraen utilizando técnicas existentes, como el módulo de adquisición de datos, el módulo de detección de eventos y el módulo de extracción de características.

En el bloque 404, el conjunto de datos a priori se recupera de la base de datos a priori 222. En una implementación, el conjunto de datos a priori indica una probabilidad de que al menos un electrodoméstico del uno o más electrodomésticos se encienda/apague.

En el bloque 406, el módulo de entrada 212 recibe una o más características y el conjunto de datos a priori como una o más variables de entrada.

En el bloque 408, el análisis del gráfico de factores se realiza en una o más variables de entrada para derivar las medidas de confianza que indican la desagregación de la carga compuesta. En una implementación, el análisis de gráficos de factores se realiza mediante el módulo de gráficos de factores 214.

Con referencia ahora a la Figura 5, hay un ejemplo de análisis de gráfico de factores realizado en una o más variables de entrada, de acuerdo con una modalidad del presente tema. De acuerdo con el método de la presente invención, son posibles varias modalidades que permiten la desagregación de la carga eléctrica usando análisis basado en gráficos de factores. En una de las modalidades, el método implica determinar una función de distribución de probabilidad conjunta (PDF) de los vectores de características con todas las combinaciones posibles de las cargas. Esta función se utiliza para maximizar la distribución a posteriori. En esta modalidad, se implementa un modelo que determina una función de probabilidad para cada vector de características dadas todas las combinaciones de carga posibles, y utiliza estas funciones para caracterizar la PDF conjunta a posteriori.

En esta modalidad, se considera una aplicación eléctrica con tres cargas diferentes Lámpara, Televisión y Refrigerador respectivamente. La potencia consumida por cada carga se puede observar muy fácilmente utilizando un medidor de potencia, como característica. En otras palabras, en este caso, el vector de características es un vector unidimensional.

Los siguientes son los consumos de energía típicos de las cargas bajo consideración.

Potencia nominal de la lámpara (L1) - alrededor de 32 W

Potencia nominal de la televisión (L2) - alrededor de 72 W

Potencia nominal del refrigerador (L3) - alrededor de 108 W

Ahora, el problema de desagregación de carga se puede convertir en un problema de máximo a posteriori (MAP). Se puede observar que es suficiente obtener la PDF conjunta de la característica y las cargas para resolver el problema de máximo a posteriori (MAP). En esta modalidad, la función de distribución de probabilidad conjunta se factoriza en la función de probabilidad y las probabilidades a priori de la siguiente manera:

donde 'K denota el valor de la característica. Se supone que las cargas son independientes entre sí. Por lo tanto,

p(K,L3,L2,Ll) = Jp(A'|Z3,Zí ,Z1)Jp(Z3)Jp(Z2)Jp(Z1) ........................................... (1) El paso inicial es obtener el gráfico de factores requerido. El gráfico de factores normal correspondiente a la ecuación anterior (1) se ilustra en la Figura 5. El siguiente paso es especificar la variable y los tipos de mensajes.

Variables:

L¡: representa la señal fuente de carga i. La señal se modela para que sea binaria; donde el valor '0' indica que la i-ésima carga está APAGADA y '1' indica que la i-ésima carga está ENCENDIDA.

K: representa el índice del vector de características. En esta modalidad, se considera un vector de características dimensional con su valor como la potencia observada.

Además, el valor de la característica (potencia en este caso) se considera una variable discreta y se asigna a un índice apropiado.

Mensajes:

P^l ¡^ g: representa el mensaje pasado desde la variable de borde L a la función g. Este mensaje es una función de la variable L¡; por lo tanto, se puede representar como un vector bidimensional. Este mensaje se calcula como el producto de todos los mensajes entrantes excluyendo el mensaje del factor g al nodo L¡.

Pg^ ^l¡: representa el mensaje pasado de g a la variable de borde L¡. Este mensaje también es una función de la variable L¡; por lo tanto, se puede representar como un vector bidimensional. Este mensaje se calcula utilizando la regla de la suma del producto que se describe en la ecuación de referencia (2)

En el nivel de medición de potencia, idealmente la salida 'K = P puede variar entre Pmín, es decir, 0 vatios (cuando todas las cargas están apagadas) a la suma de las potencias nominales de las tres cargas, Pmáx (cuando todas las cargas están encendidas). La salida P sólo puede tomar un conjunto de valores entre Pmín a Pmáx, es decir, diferentes combinaciones de las tres cargas. Se define un conjunto de intervalos para las lecturas de salida.

Además, de acuerdo con esta modalidad, las funciones de probabilidad p(K|L3,L2,L1) están modeladas. La siguiente tabla enumera los diferentes valores combinacionales de los índices de características 'K y la probabilidad de que diferentes combinaciones de carga caigan en diferentes intervalos de P.

Considere las probabilidades a priori de operación de las cargas de la siguiente manera:

p(Lámpara = ENCENDIDA) = p(Li = 1) = 0,5

p(Televisión = ENCENDIDA) = p(L2 = 1) = 0,25

p(Refrigerador = ENCENDIDO) = p(Ls = 1) = 0,75

En una modalidad, si se encuentra que la salida medida "P" es de 108 W, la potencia observada cae por debajo del índice 3, es decir, k = 3. Tenga en cuenta que k denota el índice del intervalo de características correspondiente al valor observado de la variable aleatoria K, que en este caso particular es 3. Además, el valor de la característica es fijo y, por lo tanto, no entra en el gráfico de factores.

El objetivo es determinar la probabilidad de que una carga se encienda para contribuir a la potencia de salida P, es decir, p(L1,jk), p(L2|k) y p(Lsjk). Como se describió anteriormente,

p(k, L1, L2, L3) representa la distribución de probabilidad conjunta de diferentes cargas presentes con el índice de característica observado k = 3. La función p(k, L1, L2, L3) se puede factorizar como,

/AA A> L2,L3) — p(k | Li,L2,L2)p(Li)p(L2)p(L2)

La representación gráfica de la expresión anterior se representa en la Figura 5. Los nodos de función calculan los mensajes usando la regla de suma del producto. En particular, el mensaje pg ^ ^l, se calcula mediante la siguiente ecuación:

es decir,

Ps -> ¿3(4)= pty I A>4>4)/A gPL\ g

~ih)

Finalmente, p(Li j k) = pg^ u(L¡),pui^ g se calcula para cada carga y se identifican los niveles de confianza.

Para Carga-1, es decir, Lámpara

Ps - ¿,(A) = £ PÍk I A>4>4)/A - gP

~{¿,i L3 - s

Al sustituir los valores,

Í0,8011 I, =0

X A ¡ 4 =

[0,1989 A = i

Para Carga-2, es decir, Televisión

^p% -> ¿2(4)_ I A>4>4)/4 -»-»g

~{¿2Í

Al sustituir los valores,

J 0,895 ¿2 = 0

X 4 I * ) = [0,105 4 = 1

Para Carga-3, es decir, Refrigerador

Al sustituir los valores,

jO ,105 13 = 0

p{L3\k) =

[0,895 13 = 1

Observando las probabilidades, se puede inferir que el refrigerador está ENCENDIDO mientras que la Lámpara y el televisor están APAGADOS. Los valores de probabilidad dan la medida de confianza para hacer la inferencia. Es posible absorber otra información como la hora del día y su efecto sobre las probabilidades a priori de forma jerárquica mediante una técnica de gráficos de factores denominada apertura del nodo fuente. Es posible acomodar las dependencias entre las diversas cargas modelando las funciones de probabilidad condicional apropiadas. Por ejemplo, cuando la TV está ENCENDIDA, la probabilidad de que la lámpara esté ENCENDIDA aumenta. Tenga en cuenta que dicho modelado daría como resultado mejores estimaciones; sin embargo, introduce ciclos en el gráfico de factores.

En una modalidad ilustrativa, la desagregación de carga compuesta se implementa y prueba a través de una parte de la solución de gestión de energía doméstica (HEMS) experimental configurada en nuestro laboratorio. La configuración puede proporcionar (i) potencia real en vatios (ii) kWh consumidos (iii) frecuencia (iv) voltaje RMS (v) corriente RMS (vi) potencia reactiva (vii) VARh consumidos y el (viii) ángulo de fase en una velocidad de muestreo de una muestra de cada medida y cada 5 min. En esta modalidad, el experimento se lleva a cabo conectando 4 electrodomésticos (monitor, lámpara, ventilador de mesa y el decodificador) a la configuración como se indica en la Tabla 1. En el análisis de desagregación de carga compuesta, se consideran dos mediciones en forma de variables características que comprenden potencia activa y potencia reactiva. Los valores medidos en un escenario típico se muestran en la Figura 6 y la Figura 7.

Tabla 1

Las medidas de confianza para el programa de funcionamiento de los electrodomésticos que se mencionan en la Tabla 1, es decir, el monitor, la lámpara, el ventilador de mesa y el decodificador obtenidos mediante la ejecución del algoritmo de suma del producto se representan en la Figura 8, Figura 9, Figura 10 y Figura 11. El algoritmo de suma del producto se ejecuta considerando las dos variables características, específicamente, potencia real y potencia reactiva. Además, en esta modalidad, las probabilidades a priori de que el interruptor se establezca en ENCENDIDO de cada electrodoméstico se consideran iguales. La probabilidad de cada combinación de carga se puede obtener calculando primero la norma única entre la medición y el vector de características correspondiente a la combinación de carga. Este último se puede calcular fácilmente suponiendo que se conocen las potencias nominales (por ejemplo, en términos de potencia real y reactiva). Luego se calcula el recíproco de esta norma única y los valores se normalizan aún más para llegar a las probabilidades requeridas. Las curvas de rendimiento resaltan la eficacia del esquema para desagregar las cargas con buenos puntajes de confianza y precisión, cuando se dan las potencias nominales de los electrodomésticos y se separan claramente en el espacio de características.

En esta modalidad, se implementa el paso de mensajes de suma máxima basado en gráficos de factores, en donde las probabilidades a posteriori de las diferentes combinaciones de carga (como se representa en la Tabla 2) se obtienen como resultados reales, como se ilustra en la Figura 13. La Figura 12 ilustra la salida ideal para la comparación.

Tabla 2

continuación

Además de los datos experimentales anteriores, también se llevan a cabo técnicas de simulación rigurosas con más cantidad de electrodomésticos y probabilidades a priori desiguales para las operaciones de los electrodomésticos. Se observa que, al considerar las probabilidades reales a priori, se mejora la precisión de los resultados. En una modalidad, también se puede considerar un escenario de medición híbrido, en donde, además de la medición en el punto del medidor inteligente, también hay disponibles datos de nivel de enchufe adicionales para algunos electrodomésticos que conducen a mejores resultados en comparación con la medición en un solo punto. Existen diferentes formas de manejar esta información adicional, como restar el consumo de los electrodomésticos (cuyos datos de enchufe están disponibles) de la medida del medidor para el instante de desagregación considerado o modificar las probabilidades a priori en función de la información adicional, etc.

En una modalidad, se implementa una formulación de gráfico de factores basada en el diagrama de bloques de carga. La implementación del gráfico de factores para la desagregación de carga basada en el diagrama de bloques que representa cómo se genera el vector de características compuesto (conjunto de características) a partir de la superposición del vector de características de firma individual de electrodomésticos. Cada uno de los vectores de características de la firma del electrodoméstico se puede tratar como una respuesta de impulso compleja del filtro de respuesta de impulso finito (FIR). Como se observa en la Figura 5, dicho filtro es excitado por una fuente X que puede tomar los valores '1' o '0' dependiendo de si el electrodoméstico está encendido o apagado. Las salidas de estos filtros se superponen para dar como resultado el vector de características compuesto, como se ilustra en la Figura 14 y la Figura 15. En esta modalidad, los vectores de características de los electrodomésticos individuales se suman de forma aditiva para producir el vector de características compuesto.

A partir del diagrama de bloques, se puede deducir el gráfico de factores relacionados que consta de varios nodos, como nodos de origen, nodos de características y nodos de restricción de suma. Estos nodos necesitan ser definidos en detalle en términos de sus funcionalidades. Las funcionalidades de los nodos pueden involucrar modelos probabilísticos o deterministas. Los bordes corresponden a variables y estas variables determinan el formato de los mensajes que deben pasarse iterativamente en los bordes para obtener los marginales requeridos.

Los pasos esenciales en la solución del gráfico de factores son los siguientes:

1. Dibujar el diagrama de bloques requerido

2. Derivar el gráfico de factores basado en el diagrama de bloques

3. Especificar tipos de variables/mensajes

4. Definir funciones de nodo en detalle

5. Derivar reglas de actualización de mensajes

6. Definir un programa de actualización de mensajes.

En otra modalidad, se implementa una técnica basada en gráficos de factores basada en la formulación de matrices. En esta modalidad, se implementa la formulación de matrices de separación ciega de fuentes para llegar a gráficos de factores según sea necesario. Específicamente, en esta modalidad, el sistema permite formular el problema como un problema de separación ciega de fuente (BSS). El objetivo de la BSS es estimar las cargas en función de los vectores de características observados y cierta información a priori sobre las cargas. Por ejemplo, en un caso simple, el modelo a priori puede ser un predictor lineal. El sistema se modela como un sistema lineal de Múltiple Entrada Múltiple Salida (M iMo ) como:

/ = A -s n

donde f denota el vector de características observado, A denota la matriz de mezcla, s denota el vector de señales fuente y n denota el vector de valores de ruido. La mezcla lineal de las señales de origen se modela mediante el uso de gráficos de factores y se utilizan algoritmos iterativos de tipo suma del producto para estimar las fuentes. Estas implementaciones de técnicas de gráficos de factores basadas en los diagramas de bloques de carga y la formulación de matrices para resolver el problema de desagregación de cargas compuestas se han aprovechado a través de un análisis basado en gráficos de factores similar propuesto por Volker MaximiNian Koch en la tesis titulada "A Factor Graph Approach to Model Based Signal Separation", publicada en febrero de 2007, en donde la tesis facilita la integración de información sobre la forma del potencial de acción, estadísticas de activación, canales múltiples y otras propiedades de las señales electromiográficas (EMG) en el mismo modelo para el análisis de señales EMG.

Claims

REIVINDICACIONES

1. Un método para optimizar una desagregación de carga compuesta para identificar al menos un electrodoméstico en un entorno eléctrico, el

método que comprende:

realizar, por al menos un procesador, un análisis de gráfico de factores en una o más variables de entrada del entorno eléctrico para generar medidas de confianza para uno o más electrodomésticos en el entorno eléctrico, en donde las medidas de confianza indican al menos un electrodoméstico del uno o más electrodomésticos que se encienden a la vez, en donde el análisis de gráficos de factores se implementa en base a una formulación de matrices de separación ciega de fuentes o en base a un diagrama de bloques de carga; recuperar, por el al menos un procesador, información contextual que afecta el uso de uno o más electrodomésticos de una base de datos de información contextual; y

optimizar, por el al menos un procesador, la desagregación de la carga compuesta, aplicando una o más reglas a las medidas de confianza y a la información contextual para identificar al menos un electrodoméstico del uno o más electrodomésticos, y en donde la una o más reglas se aplican para resolver conflictos en la decisión de identificar al menos un electrodoméstico del uno o más electrodomésticos en base a la desagregación de carga compuesta optimizada a través del análisis de gráficos de factores.

2. El método de la reivindicación 1, en donde una o más variables de entrada comprenden una o más características y un conjunto de datos a priori correspondientes a uno o más electrodomésticos.

3. El método de la reivindicación 2, en donde una o más características comprenden niveles de potencia activa/reactiva, factores de potencia, distorsiones armónicas y firmas transitorias o sus combinaciones.

4. El método de la reivindicación 2, en donde el conjunto de datos a priori indica una probabilidad de que al menos un electrodoméstico del uno o más electrodomésticos se encienda/apague.

5. El método de la reivindicación 4, en donde la probabilidad de que al menos un electrodoméstico se encienda o apague se determina analizando una pluralidad de factores seleccionados de un grupo de información que consiste en la hora del día, el día de la semana, las interdependencias operativas entre la pluralidad de electrodomésticos, pluralidad de electrodomésticos del mismo tipo (misma marca y modelo), tamaño de la familia, tamaño de la casa, tipo de vivienda (apartamento o casa unifamiliar), geografía, temporada, condiciones climáticas y calificación individual del electrodoméstico o sus combinaciones.

6. El método de la reivindicación 1, en donde el análisis de gráfico de factores se realiza en una o más variables de entrada usando al menos un algoritmo de paso de mensajes seleccionado de un grupo que comprende un algoritmo de suma del producto y un algoritmo de suma máxima o sus combinaciones.

7. El método de la reivindicación 1, en donde la información contextual comprende la hora del día, las condiciones climáticas, la geografía y las interdependencias operativas entre uno o más electrodomésticos o sus combinaciones.

8. El método de la reivindicación 1, en donde el motor de reglas comprende una o más reglas configuradas para optimizar el resultado de desagregación de carga compuesta para identificar al menos un electrodoméstico del uno o más electrodomésticos.

9. El método de la reivindicación 1, en donde uno o más electrodomésticos se pueden combinar para formar al menos un electrodoméstico virtual jerárquico, en donde al menos un electrodoméstico virtual jerárquico se somete luego a la desagregación de carga compuesta.

10. El método de la reivindicación 1, en donde una o más variables de entrada se obtienen de un método de monitoreo de carga intrusivo, un método de monitoreo de carga no intrusivo o un método híbrido que incluye una combinación de métodos intrusivos y no intrusivos.

11. Un sistema (102) para optimizar una desagregación de carga compuesta para identificar al menos un electrodoméstico en un entorno eléctrico, el sistema que comprende:

al menos un procesador (202); y

una memoria (206) acoplada a al menos un procesador (202) para ejecutar una pluralidad de módulos (208) presentes en la memoria (206), la pluralidad de módulos (208) que comprende

un módulo de entrada (212) configurado para recibir una o más variables de entrada;

un módulo de gráficos de factores (214) configurado para realizar un análisis de gráficos de factores en una o más variables de entrada del entorno eléctrico

para generar medidas de confianza para uno o más electrodomésticos en el entorno eléctrico, en donde las medidas de confianza indican al menos un electrodoméstico del uno o más electrodomésticos que se encienden en un caso, en donde el análisis de gráfico de factores se implementa en base a la formulación de matrices de separación ciega de fuentes o basado en diagrama de bloques de carga;

una base de datos de información contextual (220) configurada para almacenar información contextual que impacta en el uso de uno o más electrodomésticos;

un motor de reglas (216), configurado para optimizar la desagregación de carga compuesta aplicando una o más reglas a las medidas de confianza y a la información contextual para identificar al menos un electrodoméstico del uno o más electrodomésticos y en donde se aplican una o más reglas para resolver conflictos en la decisión de identificar el al menos un electrodoméstico del uno o más electrodomésticos en base a la salida de la desagregación de carga compuesta optimizada a través del análisis de gráficos de factores;

base de datos a priori (222), configurada para almacenar un conjunto de datos a priori;

una base de datos de reglas (224), configurada para almacenar una o más reglas para optimizar el resultado de desagregación de carga compuesta.

12. El sistema de la reivindicación 11, en donde la base de datos de información contextual (220) está configurada para almacenar la hora del día, las condiciones meteorológicas, la geografía y las interdependencias operativas entre una pluralidad de electrodomésticos o sus combinaciones.

13. El sistema de la reivindicación 11, en donde el módulo de gráficos de factores (214) está configurado además para generar un gráfico de factores dinámico que representa la desagregación de la carga compuesta usando al menos una variable en función del tiempo.

14. Un producto de programa de ordenador que tiene incorporado un programa de ordenador para optimizar una desagregación de carga compuesta para identificar al menos un electrodoméstico en un entorno eléctrico, el producto de programa de ordenador que comprende:

un código de programa para realizar un análisis de gráfico de factores en una o más variables de entrada del entorno eléctrico para generar medidas de confianza para uno o más electrodomésticos en el entorno eléctrico, en donde las medidas de confianza indican al menos un electrodoméstico del uno o más electrodomésticos que se enciende en un caso, en donde el análisis de gráficos de factores se implementa en base a la formulación de matrices de separación ciega de fuentes o en base al diagrama de bloques de carga;

un código de programa para recuperar información contextual que impacta en el uso de uno o más electrodomésticos desde una base de datos de información contextual; y

un código de programa para optimizar la desagregación de la carga compuesta mediante la aplicación de una o más reglas a las medidas de confianza y a la información contextual para identificar al menos un electrodoméstico del uno o más electrodomésticos y en donde la una o más reglas se aplican para resolver conflictos en la decisión de identificar el al menos un electrodoméstico del uno o más electrodomésticos en base a la salida de la desagregación de carga compuesta optimizada a través del análisis de gráficos de factores.

15. El método de la reivindicación 3, en donde una o más características se extraen mediante un enfoque de dos pasos que comprende:

obtener un conjunto de firmas correspondientes a uno o más electrodomésticos en base a uno o más parámetros, en donde uno o más parámetros comprenden al menos uno de potencia activa y potencia reactiva; y

modificar una firma del conjunto de firmas para un electrodoméstico en particular para obtener una o más características.