Algoritmo di classificazione degli elettrodomestici tramite firma armonica e foresta decisionale. = Classification of household appliances using harmonic signature and decision forest.

Un passo in avanti verso le smart grid è sicuramente il recente aumento delle installazioni di contatori intelligenti nelle famiglie e nelle piccole imprese da parte delle aziende elettriche. Tale aumento ha evidenziato ulteriormente l'importanza del monitoraggio, al fine di fornire un servizio migliore ed ottenere informazioni utili sull'utilizzo degli apparecchi da parte degli utenti. Particolarmente interessante è il monitoraggio non invasivo (NILM: Non-Intrusive Load Monitoring) che permette di risalire a informazioni sull'impiego dell'energia nel sistema locale in base ai dati misurati nel punto iniziale dell'impianto. La tesi è stata strutturata in tre parti in cui sono stati introdotti ed esposti i seguenti argomenti: Parte I: propone le definizioni generali e presenta lo stato dell’arte della ricerca in campo NILM, con una breve introduzione alla Cluster Analysis al fine di fornire un quadro più completo delle moderne tecniche di analisi del carico. Parte II: focalizzata sull'algoritmo di data mining sviluppato, ovvero ''classificazione degli elettrodomestici tramite firma armonica e foresta decisionale''. Sono stati presentati i concetti teorici necessari ai fini dello sviluppo e della comprensione di tale algoritmo, con successivo sviluppo dello stesso. Parte III: sono state esposte le conclusioni ricavate dall'analisi effettuata con un'esposizione dei possibili lavori futuri. L'algoritmo proposto è stato sviluppato in ambiente Matlab, costituito da due macro in cui si richiamano le varie funzioni elaborate ai fini del risultato finale. Le due macro svolgono rispettivamente l'elaborazione delle curve e il vero e proprio esperimento. L'obiettivo del metodo è quello di riuscire a catalogare tramite la firma armonica ed alberi decisionali, le curve di corrente di elettrodomestici di uso quotidiano. L'esperimento è svolto in due fasi: Fase di Training in cui l'obiettivo ultimo è istruire la foresta decisionale; Fase di Test in cui si utilizzerà la foresta già istruita per classificare gli elettrodomestici di test. Le curve di corrente utilizzate in questo esperimento sono state acquisite dal dataset pubblico PLAID. Queste sono state elaborate ottenendo le caratteristiche MP degli elettrodomestici, ovvero modulo e fase delle armoniche dispari di corrente, fino alla 7°settima. È stata scritta una macro Matlab dedicata ai fini di tale elaborazione che prende in input le curve dal PLAID campionate a 30 kHz, ne estrapola un segmento steady-state di 200 campioni, calcola modulo e fase delle armoniche sopra citate di tale segmento tramite una la Fast Fourier Transform (FFT), e ne restituisce un file .txt contenente la matrice MP. Il vero e proprio esperimento è svolto secondo tale ordine: carica la matrice MP contenente etichette, ampiezza e fase delle armoniche di corrente; effettua la divisione della matrice MP in k+1 subset, k subset di training ed uno di test. La costruzione di questi set è svolta selezionando random gli indici delle curve iniziali PLAID in maniera tale che ogni subset abbia lo stesso numero di apparecchi appartenenti alla stessa classe senza ripetizioni; costruisce la foresta decisionale, addestrando ogni albero su ogni k subset di training; richiama la foresta decisionale per classificare gli elettrodomestici del set di test; elabora i risultati sottoponendoli al Majority Vote; calcola la matrice di confusione e gli indicatori di prestazione ed infine, stampa in video i risultati.