Resumen

El presente artículo muestra el desarrollo de un árbol de decisión para la clasificación de cargas en un sistema de monitoreo de cargas no-invasivo (NILM) implementado en un computadora de tarjeta sencillo tipo Raspberry Pi 3. El árbol de decisión emplea el valor de energía total de una señal de potencia de los equipos, el cual es generado empleando una transformada discreta de ondoleta y el teorema de Parseval. Los datos de consumo de potencia de diferentes tipos de equipos fueron obtenidos de una base de datos de acceso público para aplicaciones NILM. El punto de mejor ruptura para el diseño del árbol de decisión se determinó empleando el índice de Gini de promedio ponderado. El árbol fue validado empleando cargas disponibles en la misma base de datas pública.

Introducción

Hoy en día, el mundo se enfrenta a varios desafíos en relación con el uso de la energía, como la disponibilidad de fuentes de energía, la emisión de carbono, la sostenibilidad, entre otros (Aiad & Lee, 2016b). La gestión de la energía en los edificios se está convirtiendo en un problema importante en todo el mundo; se estima que casi el 40% de toda la energía eléctrica se consume en los edificios (Ma et al., 2016). Varios países, como China (Zhou et al., 2015), la Unión Europea (Tsai & Lin, 2012), y México (Honorable Congreso de la Unión, 2012), han desarrollado políticas públicas para mitigar estos retos México ha establecido su compromiso con el medio ambiente y el uso racional de la energía en la Ley General de Cambio Climático, que establece una reducción del 30% en la emisión de gases de efecto invernadero para el año 2020. Esta meta requiere el despliegue de programas de incentivos para el uso de combustibles no fósiles, y el incremento de la eficiencia energética como una acción adicional a la sustitución de tecnología de generación de energía (Honorable Congreso de la Unión, 2012).

La implementación de acciones de ahorro y/o eficiencia energética, en particular en lo que respecta a las instalaciones domésticas, requiere información sobre cómo se utiliza la energía. Actualmente, los contadores de energía proporcionan información sobre el consumo total de energía a través de las facturas mensuales, y no permiten determinar el consumo individual de los equipos (Aiad & Lee, 2016b).

Hay estudios que muestran una relación entre el conocimiento de la cantidad de energía consumida por los equipos y la implementación de cambios en los hábitos de funcionamiento de los equipos por parte de los usuarios que promueven el ahorro de energía, que puede variar entre el 9% y el 20% (Aiad & Lee, 2016a).

Para conocer las condiciones de funcionamiento de los aparatos eléctricos es necesario un sistema de monitorización adecuado, que facilite la aplicación de medidas de eficiencia energética. La monitorización de cargas de forma general es un proceso que busca identificar y adquirir la medida del consumo energético de una carga concreta (I. Abubakar, Khalid, Mustafa, Shareef, & Mustapha, 2017).

• Materias:Toma de decisiones - Modelos matemáticos Cargas eléctricas
• Subjects:Decision-making - Mathematical models Electric charges
• Palabras claves:Monitoreo de cargas no-invasivo; transformada de ondoleta; árbol de decisión
• Keywords:Non-Intrusive load monitoring; Wavelet transform; Decision tee