TY  - BOOK
AU  - Muñoz Urias,Omar
AU  - Ruelas Puente,Adolfo Heriberto
ED  - Universidad Autónoma de Baja California.
TI  - "Design and Implementation of an Automatic and Self-Adaptive NILM System Using Deep Learning and an IoT Platform."
AV  - TK3105  M85 2025
PY  - 2025///
CY  - Mexicali, Baja California
KW  - Monitoreo no intrusivo de cargas eléctricas
KW  - Procesamiento de señales eléctricas
KW  - Consumo de energía eléctrica
KW  - Medición
KW  - Internet de las cosas
KW  - Deep Learning
N1  - Doctorado en Ingeniería; Incluye figuras, tablas y diagramas del sistema propuesto; Tesis (Doctorado) Universidad Autónoma de Baja California. Facultad de Ingeniería, Mexicali, 2025; Incluye referencias bibliográficas (p. 117-128)
N2  - 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
UR  - https://drive.google.com/file/d/1PnurbBl6CoTR3wwOzEQku0eeWqtzu-oy/view?usp=sharing
ER  -