| Name: | Description: | Size: | Format: | |
|---|---|---|---|---|
| 11.34 MB | Adobe PDF |
Authors
Advisor(s)
Abstract(s)
This work proposes the development of a smart system for monitoring and controlling surplus energy consumption by residential loads connected to smart plugs. Data processing, storage and monitoring tools will be used, specifically Node-RED, InfluxDB, Grafana and Home Assistant. The latter allows remote control of devices through its interface. Through these tools, the user can visualize excess power data, which, in this work, are obtained through a hardware prototype that uses the ESP32 as a microcontroller and is responsible for measuring voltage and current of energy to analyze negative power and positive or surplus. Based on this measurement, load control tests were carried out based on the ratio of available energy to the power required by the load, using the Home Assistant interface. Then, this work focused on performing the excess power prediction by the linear regression method, a Machine Learning approach. A dataset with values of
consumption and generation of photovoltaic energy in a residence was used and forecast analyzes were performed. The predicted results meet the expected objectives, although it is reasonable to conclude that further studies can still be done to ensure the robustness of the prediction model.
Este trabalho propõe o desenvolvimento de um sistema inteligente de monitorização e controlo de consumo de energia excedente por cargas residencias ligadas a smart plugs. Serão utilizadas ferramentas de processamento, armazenamento e monitorização de dados, especificamente Node-RED, InfluxDB, Grafana e Home Assistant. Esta última permite o controlo remoto de dispositivos por meio de sua interface. Através dessas ferramentas, o utilizador pode visualizar dados de potência excedente, que, nesse trabalho, são obtidos por meio de um protótipo de hardware que utiliza o ESP32 como microcontrolador e é responsável pela medição de tensão e corrente de energia para analisar potência negativa e positiva ou excedente. Com base nessa medição, foram feitos testes de controle de carga a partir da relação da energia disponível com a potência exigida pela carga, utilizando a interface do Home Assistant. Em seguida, esse trabalho focou em realizar a previsão de potência excedente pelo método de regressão linear, uma abordagem de Machine Learning. Foi utilizado um dataset com valores de consumo e geração de energia fotovoltaica em uma residência e análises de previsão foram realizadas. Os resultados previstos atendem aos objetivos esperados, embora seja razoável concluir que novos estudos ainda podem ser feitos para garantir a robustez do modelo de previsão.
Este trabalho propõe o desenvolvimento de um sistema inteligente de monitorização e controlo de consumo de energia excedente por cargas residencias ligadas a smart plugs. Serão utilizadas ferramentas de processamento, armazenamento e monitorização de dados, especificamente Node-RED, InfluxDB, Grafana e Home Assistant. Esta última permite o controlo remoto de dispositivos por meio de sua interface. Através dessas ferramentas, o utilizador pode visualizar dados de potência excedente, que, nesse trabalho, são obtidos por meio de um protótipo de hardware que utiliza o ESP32 como microcontrolador e é responsável pela medição de tensão e corrente de energia para analisar potência negativa e positiva ou excedente. Com base nessa medição, foram feitos testes de controle de carga a partir da relação da energia disponível com a potência exigida pela carga, utilizando a interface do Home Assistant. Em seguida, esse trabalho focou em realizar a previsão de potência excedente pelo método de regressão linear, uma abordagem de Machine Learning. Foi utilizado um dataset com valores de consumo e geração de energia fotovoltaica em uma residência e análises de previsão foram realizadas. Os resultados previstos atendem aos objetivos esperados, embora seja razoável concluir que novos estudos ainda podem ser feitos para garantir a robustez do modelo de previsão.
Description
Mestrado de dupla diplomação com o Centro Federal de Educação Tecnológica de Minas Gerais – CEFET-MG
Keywords
Surplus energy Smart plug Machine learning