Revisión de aplicaciones de técnicas de monitoreo no intrusivo de cargas en redes eléctricas inteligentes

  1. Donato, Patricio G. 1
  2. Hernández, Álvaro 2
  3. Funes, Marcos 1
  4. Carugati, Ignacio 1
  5. Nieto, Ruben 3
  6. Ureña, Jesús 2
  1. 1 Instituto de Investigaciones Científicas y Tecnológicas en Electrónica (ICYTE)
  2. 2 Departamento de Electrónica, Universidad de Alcalá
  3. 3 Universidad Rey Juan Carlos
    info

    Universidad Rey Juan Carlos

    Madrid, España

    ROR https://ror.org/01v5cv687

Mostrar afiliaciones +
Revista:
Ciencia y tecnología

ISSN: 1850-0870,  2344-9217

Año de publicación: 2022

Número: 22

Tipo: Artículo

DOI: 10.18682/CYT.VI22.5375 DIALNET GOOGLE SCHOLAR lock_openDialnet editor

Otras publicaciones en: Ciencia y tecnología

Resumen

Las redes eléctricas inteligentes están transformando la relación de los usuarios con la electricidad de diferentes maneras. En este artículo se resumen algunas potenciales aplicaciones que se desarrollarán en los próximos años bajo este marco conceptual, las cuales tienen como denominador común el uso de técnicas de monitoreo no intrusivo de cargas. Estas técnicas permiten desagregar consumos a partir de mediciones puntuales en ciertos lugares de la red eléctrica, sin necesidad de monitorear dispositivos en forma individual. Algunas de estas nuevas funcionalidades tienen especial relevancia en las redes eléctricas de los países en vías de desarrollo, las cuales presentan retos complejos y necesitan una modernización, mientras que otras tienen su motivación en demandas específicas de países desarrollados. En todos los casos, el uso de técnicas de monitoreo no intrusivo de cargas abre nuevos campos de investigación y desarrollo tecnológico aplicado que van desde aspectos técnicos de las redes eléctricas hasta cuestiones de índole social.

Referencias bibliográficas

  • Alcalá, J.M.; Ureña, J.; Hernández, A. y Gualda, D. (2017). Assessing Human Activity in Elderly People Using Non-Intrusive Load Monitoring. Sensors, (17), 351
  • Alcalá Orzáez, J.M. (2017). Non-Intrusive Load Monitoring techniques for Activity of Daily Living recognition, PhD Thesis, Universidad de Alcalá, España
  • Belley, C., Gaboury, S., Bouchard, B. y Bouzouane, A. (2014). An efficient and inexpensive method for activity recognition within a smart home based on load signatures of appliances. Pervasive and Mobile Computing, no. 12, pp. 58-78
  • Bollen, M.H.J. y Gu, I.Y.H. (2006). Signal processing of power quality disturbances. Wiley-IEEE Press, New Jersey
  • Brinkel, N.; Gerritsma, M..; AlSkaif, T.; Lampropoulos, I.; van Voorden, A. M.; Fidder, H. y van Sark, W. (2020). Impact of rapid PV fluctuations on power quality in the low-voltage grid and mitigation strategies using electric vehicles. Int. J. Electrical Power & Energy Systems, vol 118
  • Chang, H.-H. y Linh, N.V. (2017). Statistical Feature Extraction for Fault Locations in Nonintrusive Fault Detection of Low Voltage Distribution Systems. Energies 10, 611
  • Donato, P.G., Carugati, I., Strack, J.L., Orallo, C.O. y Funes, M.A. (2021). Detección y clasificación automática de eventos de tensión para el diagnóstico de fallas en redes de distribución. XIX Reunión de Trabajo en Procesamiento de la Información y Control (XIX RPIC 2021). San Juan, Argentina
  • Fiaschetti, L., Risso, M. y Boroni, G. (2019). Fault location index for distribution power system restoration using voltage sags. Int. Trans. Electrical Energy Systems
  • Fortin-Simard, D., Bilodeau, J., Gaboury, S., Bouchard, B. y Bouzouane A. (2014). Human activity recognition in smart homes: Combining passive RFID and load signatures of electrical devices. 2014 IEEE Sym. on Intelligent Agents, 22-29
  • Hart, G.W., Kern Jr., E. y Schweppe, F.C. (1989). Non-intrusive appliance monitor apparatus. U.S.A.
  • Hart, G.W. (1992) Nonintrusive appliance load monitoring. Proc. of the IEEE, vol. 80, (12), 1870–1891
  • He, D.; Lin, W.; Liu, N.; Harley, R. y Habetler, T. (2013). Incorporating Non-Intrusive Load Monitoring Into Building Level Demand Response. IEEE Trans. Smart Grids, (4), 1870-1877
  • Jimenez, V.A., Will, A. y Rodriguez, S. (2020). Phase identification and substation detection using data analysis on limited electricity consumption measurements. Electric Power Systems Research, vol. 187
  • Le, D.P., Bui, D.M., Ngo, C.C. y Le, A.M. (2018). FLISR Approach for Smart Distribution Networks Using E-Terra Software—A Case Study. Energies, 11, 3333
  • Loyarte, A., Sangoi, E., Clementi, L. y Vega, J. (2017). Optimal distribution of battery banks in microgrids with high photovoltaic penetration. XVII Work. Information Processing and Control (RPIC), Mar del Plata
  • Nalmpantis, C. y Vrakas, D. (2019). Machine learning approaches for non-intrusive load monitoring: from qualitative to quantitative comparation. Artificial Intelligence Review, 52(1), 217-243
  • Patrono, L., Rametta, P. y Meis, J. (2018). Unobtrusive Detection of Home Appliance's Usage for Elderly Monitoring. 3rd Int. Conf. Smart and Sustainable Technologies
  • Pau, G.; Collotta, M.; Ruano, A. y Qin, J. (2017). Smart Home Energy Management. Energies, (10), 382
  • Spalding, R., Rosa, L., Almeida, C., Morais, R. y Gouvea, M. (2016). Fault Location, Isolation and service restoration (FLISR) functionalities tests in a Smart Grids laboratory for evaluation of the quality of service. 17th Int. Conf. Harmonics and Quality of Power (ICHQP), Belo Horizonte, 879-884
  • Xu, M., Li, R. y Li, F. (2016). Phase Identification With Incomplete Data. IEEE Trans. Smart Grids, 9(4), 2777-2785
Fuente de los datos: Dialnet