Por favor, use este identificador para citar o enlazar este ítem: http://hdl.handle.net/11531/51379
Registro completo de metadatos
Campo DC Valor Lengua/Idioma
dc.contributor.advisorViega Santiago, Andreaes-ES
dc.contributor.advisorSánchez Úbeda, Eugenio Franciscoes-ES
dc.contributor.authorGuizien Martín, Víctor Antonioes-ES
dc.contributor.otherUniversidad Pontificia Comillas, Escuela Técnica Superior de Ingeniería (ICAI)es_ES
dc.date.accessioned2020-10-02T06:14:58Z-
dc.date.available2020-10-02T06:14:58Z-
dc.date.issued2021es_ES
dc.identifier.urihttp://hdl.handle.net/11531/51379-
dc.descriptionMáster Universitario en Ingeniería de Telecomunicaciónes_ES
dc.description.abstractEste trabajo propone una metodología innovadora dentro del campo de NILM – Non Intrusive Load Monitoring. Dicha metodología cubre todas las actividades necesarias desde la preparación y tratamiento de datos hasta el entrenamiento y validación de los modelos de Machine Learning, siendo especialmente innovadora la primera parte del mismo. Con esta preparación de datos, y enfocando el problema como uno de clasificación, se ha diseñado una CNN que ofrece buenos resultados en el reconocimiento de electrodomésticos en el ámbito NILM.es-ES
dc.description.abstractResearch in the field of NILM (non-intrusive load monitoring) has seen an unprecedented surge in the past years mainly due to the increase in domestic household energy monitoring, finally making this alternative viable. Over these years, researchers have tried and implemented multiple techniques and algorithms that managed, with a certain degree of success, to perform energy disaggregation. However, these techniques are often very niche, do not generalize very well because of their complexity, or they simply do not perform all that great. This paper proposes the vizgram, a new approach on how to process and interpret energy data that serves as the model input, transforming it into an image that can later be fed to a Convolutional Neural Network, taking advantage of the already proven usefulness and remarkable performance of these types of architectures in image classification. The proposed approach has been applied with success to a real case consisting of five different appliances.en-GB
dc.format.mimetypeapplication/pdfes_ES
dc.language.isoen-GBes_ES
dc.rightsAttribution-NonCommercial-NoDerivs 3.0 United Stateses_ES
dc.rights.urihttp://creativecommons.org/licenses/by-nc-nd/3.0/us/es_ES
dc.subject.otherH67 (MIT)es_ES
dc.titleDesagregación del consumo eléctrico e identificación de dispositivos en hogares en el contexto de monitorización no intrusiva (NILM) utilizando Deep Learninges_ES
dc.typeinfo:eu-repo/semantics/masterThesises_ES
dc.rights.accessRightsinfo:eu-repo/semantics/closedAccesses_ES
dc.keywordsNILM, Deep Learning, MLP, CNN, Transfer Learninges-ES
dc.keywordsNILM, Deep Learning, MLP, CNN, Transfer Learningen-GB
Aparece en las colecciones: H67-Trabajos Fin de Máster

Ficheros en este ítem:
Fichero Descripción Tamaño Formato  
AnexoI.pdfAutorización878,42 kBAdobe PDFVista previa
Visualizar/Abrir
TFM-GuizienMartinVictor.pdfTrabajo Fin de Máster21,9 MBAdobe PDFVista previa
Visualizar/Abrir


Los ítems de DSpace están protegidos por copyright, con todos los derechos reservados, a menos que se indique lo contrario.