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

Resumo Técnico: Monitoramento de Energia em Tempo Real Baseado em NILM de Motores de Indução Idênticos na Indústria Têxtil

Declaração do Problema
A indústria têxtil em Bangladesh é um importante contribuinte econômico, mas permanece altamente intensiva em energia, com práticas de monitoramento desatualizadas. A gestão energética atual em muitas instalações depende de rastreamento manual ou de Monitoramento Intrusivo de Carga (ILM), que exige instalação extensiva de sensores, fiação complexa e altos custos de manutenção. Embora o ILM forneça dados detalhados, é difícil de escalar em grandes fábricas e sofre de problemas de calibração em ambientes industriais hostis. O Monitoramento Não Intrusivo de Carga (NILM) oferece uma alternativa econômica ao estimar o consumo individual de aparelhos a partir de um único ponto de medição agregada. No entanto, a pesquisa existente em NILM concentra-se predominantemente em ambientes residenciais com cargas diversas. Existe uma lacuna significativa na aplicação de NILM em ambientes industriais, especificamente para distinguir entre cargas acionadas por motores idênticos (como máquinas de corte têxtil) sob condições de monitoramento em tempo real e de baixa frequência.

Metodologia
Os autores desenvolveram uma estrutura de hardware e software para abordar esses desafios:

• Configuração Experimental: O sistema emula uma seção de corte têxtil utilizando três motores de indução idênticos de 50W (representando máquinas de corte) e duas cargas de lâmpada de 15W (representando iluminação auxiliar).
• Arquitetura de Hardware:
  • Sensoriamento: Sensores ZMPT101B (tensão) e ZMCT103C (corrente) capturam dados da linha de alimentação principal e das linhas de carga individuais.
  • Processamento: Um Arduino Mega 2560 digitaliza os sinais e calcula parâmetros elétricos em tempo real.
  • Transmissão: Um módulo Wi-Fi ESP8266 transmite dados para plataformas em nuvem.
  • Visualização: Os dados são armazenados no Google Sheets e visualizados via um LCD local de 20×4 e um aplicativo móvel/web remoto Blynk.
• Criação do Conjunto de Dados: Ao longo de um período de 15 dias, a equipe coletou 180.631 amostras com um intervalo de amostragem médio de 5 segundos. O conjunto de dados inclui 16 combinações diferentes de estados de carga, capturando tanto dados de carga agregada quanto individual.
• Seleção do Modelo: O estudo emprega o MATNILM (Monitoramento Não Intrusivo de Carga de Múltiplas Tarefas de Múltiplos Aparelhos), um modelo de última geração que utiliza mecanismos de Autoatenção Multi-Cabeça (2DMA). Diferentemente de estudos anteriores que utilizaram conjuntos de dados residenciais (REDD, UK-DALE), este modelo foi treinado e avaliado no novo conjunto de dados industrial criado.
• Estratégia de Treinamento: O conjunto de dados foi dividido cronologicamente (81% treinamento, 7,6% validação, 11,4% teste) para preservar padrões temporais de carga. O modelo foi ajustado finamente com hiperparâmetros específicos (tamanho do lote 32, taxa de aprendizado 0,001) e utilizou aumento de dados para lidar com o tamanho limitado do conjunto de dados.
• Métricas de Avaliação: O desempenho foi avaliado usando Erro Absoluto Médio (MAE), Erro Agregado de Sinal (SAE), Pontuação F1 e Erro de Desagregação Normalizado (NDE).

Principais Contribuições

1. Criação de Conjunto de Dados Industrial: O artigo introduce um novo conjunto de dados derivado de motores de indução idênticos testados experimentalmente, oferecendo um benchmark especificamente relevante para aplicações na indústria têxtil, em vez de depender de dados sintéticos ou residenciais.
2. Estrutura Integrada em Tempo Real: Os autores apresentam um sistema completo que combina aquisição de dados, implantação de modelo e monitoramento remoto (via Blynk), indo além da avaliação offline para um protótipo industrial funcional.
3. Avaliação em Cargas Idênticas: O estudo testa especificamente o desempenho do modelo MATNILM em um cenário desafiador envolvendo cargas idênticas, uma condição onde a maioria dos algoritmos NILM luta.
4. Identificação de Limitações Industriais: A pesquisa destaca explicitamente as dificuldades que o NILM enfrenta em contextos industriais, particularmente no que diz respeito à distinção de máquinas idênticas e ao impacto da amostragem de baixa frequência.

Resultados e Insights

• Desempenho Agregado vs. Desagregado: O sistema demonstrou precisão razoável na estimativa do consumo total de energia agregada (SAE médio de 8,65%). No entanto, a desagregação por aparelho enfrentou desafios significativos.
• Impacto de Cargas Idênticas: O modelo desempenhou bem quando apenas uma máquina estava ativa. No entanto, o desempenho degradou-se drasticamente quando dois ou mais motores idênticos operavam simultaneamente. Nessas situações, o modelo frequentemente alocou erroneamente energia entre as unidades idênticas, levando a um MAE mais alto (variando de 6,20W a 12,68W) e pontuações F1 mais baixas (0,66–0,79).
• Detecção de Estado: O modelo lutou para distinguir transições LIGADO/DESLIGADO para os motores idênticos devido a assinaturas de potência sobrepostas. Por outro lado, rastreou a carga não motriz (lâmpadas) de forma mais eficaz, embora as magnitudes em estado estacionário ainda estivessem sujeitas a erros.
• Implantação em Tempo Real: Após a implantação, o sistema permaneceu funcional com acessibilidade remota. Embora as pontuações F1 tenham melhorado no teste em tempo real (indicando melhor detecção de presença de carga), o MAE e o SAE aumentaram, provavelmente devido a ruído do sensor e deslocamentos de dados não presentes no ambiente controlado de treinamento.

Significado e Alegações
O artigo conclui que, embora o NILM tenha potencial para monitoramento energético industrial, sua aplicação a cargas acionadas por motores idênticos é atualmente limitada. Os autores afirmam modestamente que seu trabalho destaca tanto a viabilidade prática de uma estrutura de monitoramento em tempo real e de baixo custo quanto as barreiras técnicas específicas que permanecem.

O estudo afirma que as principais limitações que impedem a desagregação de alta precisão neste contexto são:

1. A incapacidade dos modelos atuais de distinguir entre assinaturas de potência idênticas.
2. A dependência de dados de baixa frequência, que falham em capturar assinaturas transitórias necessárias para a diferenciação.
3. As restrições de conjuntos de dados de pequena escala na generalização do modelo.

Os autores sugerem que melhorias futuras exigem coleta de dados de maior frequência, conjuntos de dados industriais maiores e mais diversos, e abordagens avançadas de aprendizado profundo especificamente projetadas para lidar com cargas idênticas. Eles não afirmam ter resolvido o problema da desagregação de cargas idênticas, mas sim fornecer uma avaliação crítica das capacidades atuais em um ambiente industrial.