000			04079nam a22002897a 4500
003			MX-MeUAM
005			20251129061908.0
008			251128s2025 mx ad fobm 001 0 spa d
040			_aMX-MeUAM _bspa _cMX-MeUAM
050		4	_aTK3105 _bM85 2025
100	1		_aMuñoz Urias, Omar _926303
245	1	0	_a"Design and Implementation of an Automatic and Self-Adaptive NILM System Using Deep Learning and an IoT Platform." _h[recurso electrónico] / _cOmar Muñoz Urías ; asesor, Adolfo Heriberto Ruelas Puente.
260			_aMexicali, Baja California, _c2025.
300			_arecurso en línea (xiv, 135 p.) _bil., gráficas.
500			_aDoctorado en Ingeniería.
500			_aIncluye figuras, tablas y diagramas del sistema propuesto.
502			_aTesis (Doctorado) Universidad Autónoma de Baja California. Facultad de Ingeniería, Mexicali, 2025.
504			_aIncluye referencias bibliográficas (p. 117-128).
520			_aEl 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	_aMonitoreo no intrusivo de cargas eléctricas _xProcesamiento de señales eléctricas
650		4	_aConsumo de energía eléctrica _xMedición
650		4	_aInternet de las cosas _xDeep Learning
700	1		_923221 _aRuelas Puente, Adolfo Heriberto _eases.
710	2		_998 _aUniversidad Autónoma de Baja California. _bFacultad de Ingeniería
856			_uhttps://drive.google.com/file/d/1PnurbBl6CoTR3wwOzEQku0eeWqtzu-oy/view?usp=sharing _zTesis digital
942			_cTESIS
999			_c281807 _d281806