MARC details
| 000 -LIDER |
|---|
| fixed length control field |
04079nam a22002897a 4500 |
| 003 - CONTROL NUMBER IDENTIFIER |
|---|
| control field |
MX-MeUAM |
| 005 - DATE AND TIME OF LATEST TRANSACTION |
|---|
| control field |
20251129061908.0 |
| 008 - FIXED-LENGTH DATA ELEMENTS--GENERAL INFORMATION |
|---|
| fixed length control field |
251128s2025 mx ad fobm 001 0 spa d |
| 040 ## - CATALOGING SOURCE |
|---|
| Original cataloging agency |
MX-MeUAM |
| Language of cataloging |
spa |
| Transcribing agency |
MX-MeUAM |
| 050 #4 - LIBRARY OF CONGRESS CALL NUMBER |
|---|
| Classification number |
TK3105 |
| Item number |
M85 2025 |
| 100 1# - MAIN ENTRY--PERSONAL NAME |
|---|
| Personal name |
Muñoz Urias, Omar |
| 9 (RLIN) |
26303 |
| 245 10 - TITLE STATEMENT |
|---|
| Title |
"Design and Implementation of an Automatic and Self-Adaptive NILM System Using Deep Learning and an IoT Platform." |
| Medium |
[recurso electrónico] / |
| Statement of responsibility, etc. |
Omar Muñoz Urías ; asesor, Adolfo Heriberto Ruelas Puente. |
| 260 ## - PUBLICATION, DISTRIBUTION, ETC. (IMPRINT) |
|---|
| Place of publication, distribution, etc. |
Mexicali, Baja California, |
| Date of publication, distribution, etc. |
2025. |
| 300 ## - PHYSICAL DESCRIPTION |
|---|
| Extent |
recurso en línea (xiv, 135 p.) |
| Other physical details |
il., gráficas. |
| 500 ## - GENERAL NOTE |
|---|
| General note |
Doctorado en Ingeniería. |
| 500 ## - GENERAL NOTE |
|---|
| General note |
Incluye figuras, tablas y diagramas del sistema propuesto. |
| 502 ## - DISSERTATION NOTE |
|---|
| Dissertation note |
Tesis (Doctorado) Universidad Autónoma de Baja California. Facultad de Ingeniería, Mexicali, 2025. |
| 504 ## - BIBLIOGRAPHY, ETC. NOTE |
|---|
| Bibliography, etc |
Incluye referencias bibliográficas (p. 117-128). |
| 520 ## - SUMMARY, ETC. |
|---|
| Summary, etc. |
El 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. |
| 650 #4 - SUBJECT ADDED ENTRY--TOPICAL TERM |
|---|
| Término temático o nombre geográfico como elemento de entrada |
Monitoreo no intrusivo de cargas eléctricas |
| Subdivisión general |
Procesamiento de señales eléctricas |
| 650 #4 - SUBJECT ADDED ENTRY--TOPICAL TERM |
|---|
| Término temático o nombre geográfico como elemento de entrada |
Consumo de energía eléctrica |
| Subdivisión general |
Medición |
| 650 #4 - SUBJECT ADDED ENTRY--TOPICAL TERM |
|---|
| Término temático o nombre geográfico como elemento de entrada |
Internet de las cosas |
| Subdivisión general |
Deep Learning |
| 700 1# - ADDED ENTRY--PERSONAL NAME |
|---|
| 9 (RLIN) |
23221 |
| Personal name |
Ruelas Puente, Adolfo Heriberto |
| Relator term |
ases. |
| 710 2# - ADDED ENTRY--CORPORATE NAME |
|---|
| 9 (RLIN) |
98 |
| Corporate name or jurisdiction name as entry element |
Universidad Autónoma de Baja California. |
| Subordinate unit |
Facultad de Ingeniería |
| 856 ## - ELECTRONIC LOCATION AND ACCESS |
|---|
| Uniform Resource Identifier |
https://drive.google.com/file/d/1PnurbBl6CoTR3wwOzEQku0eeWqtzu-oy/view?usp=sharing |
| Public note |
Tesis digital |
| 942 ## - ADDED ENTRY ELEMENTS (KOHA) |
|---|
| Koha item type |
Tesis |
