Moreno Trillos, SilviaVillarreal, ReynaldoTerán Torres, Héctor Rafael2024-08-272024-08-27202419961073https://hdl.handle.net/20.500.12442/15423Climate change, primarily driven by human activities such as burning fossil fuels, is causing significant long-term changes in temperature and weather patterns. To mitigate these impacts, there is an increased focus on renewable energy sources. However, optimizing power consumption through effective usage control and waste recycling also offers substantial potential for reducing energy demands. This study explores non-intrusive load monitoring (NILM) to estimate disaggregated energy consumption from a single household meter, leveraging advancements in deep learning such as convolutional neural networks. The study uses the UK-DALE dataset to extract and plot power consumption data from the main meter and identify five household appliances. Convolutional neural networks (CNNs) are trained with transfer learning using VGG16 and MobileNet. The models are validated, tested on split datasets, and combined using ensemble methods for improved performance. A new voting scheme for ensembles is proposed, named weighted average confidence voting (WeCV), and it is used to create combinations of the best 3 and 5 models and applied to NILM. The base models achieve up to 97% accuracy. The ensemble methods applying WeCV show an increased accuracy of 98%, surpassing previous state-of-the-art results. This study shows that CNNs with transfer learning effectively disaggregate household energy use, achieving high accuracy. Ensemble methods further improve performance, offering a promising approach for optimizing energy use and mitigating climate change.El cambio climático, impulsado principalmente por actividades humanas como la quema de combustibles fósiles, está causando cambios significativos a largo plazo en la temperatura y los patrones climáticos. Para mitigar estos impactos, hay un enfoque creciente en las fuentes de energía renovable. Sin embargo, la optimización del consumo de energía a través del control efectivo del uso y el reciclaje de desechos también ofrece un potencial sustancial para reducir la demanda de energía. Este estudio explora la monitorización no intrusiva de cargas (NILM) para estimar el consumo de energía desagregado a partir de un solo medidor doméstico, aprovechando los avances en aprendizaje profundo, como las redes neuronales convolucionales. El estudio utiliza el conjunto de datos UK-DALE para extraer y graficar datos de consumo de energía del medidor principal e identificar cinco electrodomésticos. Las redes neuronales convolucionales (CNN) se entrenan con aprendizaje por transferencia utilizando VGG16 y MobileNet. Los modelos se validan, prueban en conjuntos de datos divididos y se combinan mediante métodos de Ensemble para mejorar el rendimiento. Se propone un nuevo esquema de votación para Ensemble, llamado votación de confianza de promedio ponderado (WeCV), que se utiliza para crear combinaciones de los 3 y 5 mejores modelos y aplicarlas a NILM. Los modelos base logran hasta un 97% de precisión. Los métodos de Ensemble aplicando WeCV muestran un aumento de la precisión al 98%, superando los resultados anteriores más avanzados. Este estudio demuestra que las CNN con aprendizaje por transferencia desagregan eficazmente el uso de energía doméstica, logrando una alta precisión. Los métodos de Ensemble mejoran aún más el rendimiento, ofreciendo un enfoque prometedor para optimizar el uso de energía y mitigar el cambio climático.pdfengAttribution-NonCommercial-NoDerivs 3.0 United Statesinfo:eu-repo/semantics/openAccessinfo:eu-repo/semantics/masterThesishttps://doi.org/10.3390/en17184548https://www.mdpi.com/1996-1073/17/18/4548NILMConvolutional neural networksClimate changeEnergy consumption optimization