Real Time NILM Based Power Monitoring of Identical Induction Motors Representing Cutting Machines in Textile Industry

Resumen Técnico: Monitorización de Energía en Tiempo Real Basada en NILM de Motores de Inducción Idénticos en la Industria Textil

Planteamiento del Problema
La industria textil en Bangladesh es un importante contribuyente económico, pero sigue siendo altamente intensiva en energía con prácticas de monitorización obsoletas. La gestión energética actual en muchas instalaciones depende del seguimiento manual o de la Monitorización Intrusiva de Cargas (ILM), que requiere una extensa instalación de sensores, cableado complejo y altos costos de mantenimiento. Aunque la ILM proporciona datos detallados, es difícil de escalar en fábricas grandes y sufre de problemas de calibración en entornos industriales hostiles. La Monitorización No Intrusiva de Cargas (NILM) ofrece una alternativa rentable al estimar el consumo de electrodomésticos individuales a partir de un único punto de medición agregado. Sin embargo, la investigación existente sobre NILM se centra predominantemente en entornos residenciales con cargas diversas. Existe una brecha significativa en la aplicación de NILM a entornos industriales, específicamente para distinguir entre cargas impulsadas por motores idénticos (como máquinas de corte textil) bajo condiciones de monitorización en tiempo real y de baja frecuencia.

Metodología
Los autores desarrollaron un marco de hardware y software para abordar estos desafíos:

• Configuración Experimental: El sistema emula una sección de corte textil utilizando tres motores de inducción idénticos de 50W (que representan máquinas de corte) y dos cargas de bombilla de 15W (que representan iluminación auxiliar).
• Arquitectura de Hardware:
  • Detección: Sensores ZMPT101B (voltaje) y ZMCT103C (corriente) capturan datos de la línea de suministro principal y de las líneas de carga individuales.
  • Procesamiento: Un Arduino Mega 2560 digitaliza las señales y calcula parámetros eléctricos en tiempo real.
  • Transmisión: Un módulo Wi-Fi ESP8266 transmite datos a plataformas en la nube.
  • Visualización: Los datos se almacenan en Google Sheets y se visualizan mediante un LCD local de 20×4 y una aplicación móvil/web remota Blynk.
• Creación del Conjunto de Datos: Durante un período de 15 días, el equipo recopiló 180.631 muestras con un intervalo de muestreo promedio de 5 segundos. El conjunto de datos incluye 16 combinaciones diferentes de estados de carga, capturando tanto datos de carga agregada como individual.
• Selección del Modelo: El estudio emplea MATNILM (Monitorización No Intrusiva de Cargas de Tareas Multi-Aparato), un modelo de última generación que utiliza mecanismos de Autoatención Multi-Cabeza (2DMA). A diferencia de estudios anteriores que utilizaron conjuntos de datos residenciales (REDD, UK-DALE), este modelo fue entrenado y evaluado en el nuevo conjunto de datos industrial creado.
• Estrategia de Entrenamiento: El conjunto de datos se dividió cronológicamente (81% entrenamiento, 7,6% validación, 11,4% prueba) para preservar los patrones temporales de carga. El modelo se ajustó finamente con hiperparámetros específicos (tamaño de lote 32, tasa de aprendizaje 0,001) y utilizó aumento de datos para manejar el tamaño limitado del conjunto de datos.
• Métricas de Evaluación: El rendimiento se evaluó utilizando el Error Absoluto Medio (MAE), el Error Agregado de Señal (SAE), la puntuación F1 y el Error de Desagregación Normalizado (NDE).

Contribuciones Clave

1. Creación de Conjunto de Datos Industrial: El artículo introduce un nuevo conjunto de datos derivado de motores de inducción idénticos probados experimentalmente, ofreciendo un punto de referencia específicamente relevante para aplicaciones de la industria textil en lugar de depender de datos sintéticos o residenciales.
2. Marco Integrado en Tiempo Real: Los autores presentan un sistema completo que combina la adquisición de datos, el despliegue del modelo y la monitorización remota (mediante Blynk), avanzando más allá de la evaluación fuera de línea hacia un prototipo industrial funcional.
3. Evaluación en Cargas Idénticas: El estudio prueba específicamente el rendimiento del modelo MATNILM en un escenario desafiante que involucra cargas idénticas, una condición donde la mayoría de los algoritmos NILM tienen dificultades.
4. Identificación de Limitaciones Industriales: La investigación destaca explícitamente las dificultades que enfrenta NILM en contextos industriales, particularmente en lo que respecta a la distinción de máquinas idénticas y el impacto del muestreo de baja frecuencia.

Resultados y Perspectivas

• Rendimiento Agregado vs. Desagregado: El sistema demostró una precisión razonable en la estimación del consumo total de energía agregada (promedio SAE de 8,65%). Sin embargo, la desagregación por electrodoméstico enfrentó desafíos significativos.
• Impacto de Cargas Idénticas: El modelo funcionó bien cuando solo una máquina estaba activa. Sin embargo, el rendimiento disminuyó drásticamente cuando dos o más motores idénticos operaban simultáneamente. En estos escenarios, el modelo asignó frecuentemente incorrectamente la energía entre las unidades idénticas, lo que llevó a un MAE más alto (rango de 6,20W a 12,68W) y puntuaciones F1 más bajas (0,66–0,79).
• Detección de Estado: El modelo tuvo dificultades para distinguir las transiciones ENCENDIDO/APAGADO de los motores idénticos debido a las firmas de potencia superpuestas. Por el contrario, rastreó la carga no motriz (bombillas) de manera más efectiva, aunque las magnitudes en estado estable aún estaban sujetas a errores.
• Despliegue en Tiempo Real: Tras el despliegue, el sistema permaneció funcional con accesibilidad remota. Si bien las puntuaciones F1 mejoraron en la prueba en tiempo real (indicando una mejor detección de presencia de carga), el MAE y el SAE aumentaron, probablemente debido al ruido de los sensores y a los desplazamientos de datos no presentes en el entorno de entrenamiento controlado.

Significado y Afirmaciones
El artículo concluye que, aunque NILM tiene potencial para la monitorización energética industrial, su aplicación a cargas impulsadas por motores idénticos está actualmente limitada. Los autores afirmodestamente que su trabajo destaca tanto la viabilidad práctica de un marco de monitorización en tiempo real y de bajo costo como las barreras técnicas específicas que permanecen.

El estudio afirma que las limitaciones principales que impiden una desagregación de alta precisión en este contexto son:

1. La incapacidad de los modelos actuales para distinguir entre firmas de potencia idénticas.
2. La dependencia de datos de baja frecuencia, que no logran capturar las firmas transitorias necesarias para la diferenciación.
3. Las limitaciones de los conjuntos de datos a pequeña escala en la generalización del modelo.

Los autores sugieren que las mejoras futuras requieren la recopilación de datos de mayor frecuencia, conjuntos de datos industriales más grandes y diversos, y enfoques avanzados de aprendizaje profundo diseñados específicamente para manejar cargas idénticas. No afirman haber resuelto el problema de la desagregación de cargas idénticas, sino que proporcionan una evaluación crítica de las capacidades actuales en un entorno industrial.