Design and Implementation of an Automatic and Self-Adaptive NILM System Using Deep Learning and an IoT Platform.

Vista sencilla de ítem
dc.contributor.authorMuñoz Urias, Omar
dc.contributor.directorRuelas Puente, Adolfo Heriberto ases.
dc.coverage.placeofpublicationMexicali, Baja California.
dc.date.accessioned2026-04-19T21:39:48Z
dc.date.available2026-04-19T21:39:48Z
dc.date.created2025
dc.degree.deparmentUniversidad Autónoma de Baja California, Facultad de Ingeniería, Mexicali.
dc.degree.grantorTesis Doctorado / doctoral Thesis.
dc.degree.nameDoctorado en Licenciatura
dc.description.abstractEl Monitoreo No Intrusivo de Cargas (NILM, por las siglas en inglés Non-Intrusive Load Monitoring) ha surgido como un enfoque prometedor para habilitar redes eléctricas más inteligentes y fomentar un uso eficiente de la electricidad. Los avances recientes en el Internet de las Cosas y la Inteligencia Artificial han acelerado el desarrollo de soluciones NILM; sin embargo, las implementaciones prácticas que logran operación en tiempo real, manteniendo al mismo tiempo escalabilidad y daptabilidad en entornos residenciales diversos, siguen siendo limitadas. Para atender esta brecha, este trabajo presenta el diseño e implementación de un sistema NILM en tiempo real basado en IoT para entornos residenciales, integrando detección de eventos, desagregación de cargas y generación automática de conjuntos de datos. El sistema emplea una metodología basada en eventos compuesta por cuatro etapas: adquisición de datos, detección de eventos, extracción de características y reconocimiento de cargas. Un medidor inteligente personalizado, equipado con un algoritmo embebido de detección de eventos y desagregación, captura señales de carga agregada del hogar y extrae señales características a nivel de electrodomésticos. Los datos se transmiten mediante el protocolo MQTT a una plataforma en la nube para almacenamiento, visualización y procesamiento adicional. A los eventos detectados se les aplica un modelo de autoencoders con redes neuronales convolucionales unidimensionales, combinado con el algoritmo de agrupamiento K-means, lo que posibilita la creación automática de un conjunto de datos personalizado. De esta forma se alcanzó una precisión del 99.23% en la clasificación de los eventos dentro de sus categorías correspondientes, eliminando así la dependencia de bases de datos públicas. Al conjunto de datos generado se empleó posteriormente para entrenar tres modelos de aprendizaje profundo para clasificación de series temporales, obteniendo precisiones globales de 98.53% con una red neuronal convolucional unidimensional, 97.91% con una red de memoria larga a corto plazo y 98.28% con un modelo WaveNet. Se desarrolló una aplicación web para visualizar los eventos detectados y los resultados de clasificación, alcanzando un tiempo promedio de respuesta extremo a extremo de 1.05s. La validación experimental en dos entornos residenciales distintos demostró robustez, escalabilidad y precisiones de clasificación superiores al 95% en perfiles de consumo diversos, confirmando la viabilidad y eficiencia del sistema NILM auto-adaptativo propuesto para aplicaciones reales de monitoreo energético.
dc.format.extentRecurso en línea, 135 p.
dc.format.mimetypepdf
dc.identifier.urihttps://hdl.handle.net/20.500.12930/13679
dc.language.isospa
dc.publisherUniversidad Autónoma de Baja California.
dc.relation.urlhttps://drive.google.com/file/d/1PnurbBl6CoTR3wwOzEQku0eeWqtzu-oy/view?usp=sharing
dc.rightsopenAccess
dc.rights.urihttp://creativecommons.org/licenses/by-nc-nd/4
dc.subjectMonitoreo no intrusivo de cargas eléctricas Procesamiento de señales eléctricas||Consumo de energía eléctrica Medición Internet de las cosas Deep Learning
dc.subject.lccTK3105 M85 2025
dc.titleDesign and Implementation of an Automatic and Self-Adaptive NILM System Using Deep Learning and an IoT Platform.
dc.uabc.bibliographycNoteIncluye referencias bibliográficas.
dc.uabc.bilbiotecaMEXICALI
dc.uabc.identifier281807
dc.uabc.numInventarioMXL125971
dc.uabc.typeMaterialTESIS
Archivos
Bloque original
Mostrando 1 - 1 de 1
Miniatura
Nombre:
MXL125971.pdf
Tamaño:
23.05 MB
Formato:
Adobe Portable Document Format
Descripción:
Descargar
Colecciones
Tesis de Doctorado (Mexicali)