Electrical load curve reconstruction required for demand response using compressed sensing techniques

Inga, Juan; Inga, Esteban; Gómez, Cristina; Hincapié, Roberto

doi:10.1109/isgt-la.2017.8126731

Cited by 17 publications

(14 citation statements)

References 15 publications

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…Por tanto, x = Ψα, donde Ψ (también llamada matriz diccionario de x) corresponde a la base vectorial en la que se proyecta x, y α corresponde a los átomos de x dentro del dominio de Ψ. Así se tiene que la señal original x puede ser representada a través de la combinación lineal que propone en (6) [14]. El diccionario por ejemplo puede ser de Fourier, DCT o de Wavelet [11,15,16].…”

Section: Sensado Compresivounclassified

“…La literatura recomienda que Φ sea aleatoria para cumplir la propiedad de restricción isométrica (RIP, Isometric Restriction Property) y así x pueda ser reconstruida a partir de y [16,18]. Las matrices de sensado en general se pueden obtener de un proceso aleatorio con distribución normal, consiguiendo un buen rendimiento durante la reconstrucción de la señal, pese a que, estas distribuciones pueden llegar a demandar muchos recursos [15,16]. Debido a que N > M y que N >> K, el proceso de reconstrucción de x se convierte en un problema de optimización expuesto en la Ecuación (8) donde se busca obtener los átomos α que minimicen el error de ||y − Θα|| 0 .…”

Section: Sensado Compresivounclassified

“…En este aspecto, los algoritmos de reconstrucción dispersa buscan relajar el problema de optimización para obtener una solución pseudoóptima. Además, pueden mejorar su rendimiento si se usa una matriz de sensado adecuada que permita la preservación de la información y garantice la reconstrucción de la señal original de manera única [15,16,[19][20][21][22].…”

Section: Sensado Compresivounclassified

See 2 more Smart Citations

Estimador de canal basado en sensado compresivo y LDPC para OFDM usando SDR

Inga

Verdugo

Cabrera

2019

ings

View full text Add to dashboard Cite

Este trabajo propone la aplicación de un estimador de canal basado en sensado compresivo (CS, del inglés Compressive Sensing) sobre un sistema que usa multiplexación por división de frecuencias ortogonales (OFDM, del inglés Orthogonal Frequency Division Multiplexing) usando dispositivos de radio definido por \emph{software} (SDR, del inglés Software Defined Radio). La aplicación de la teoría de CS se da a través del uso de algoritmos de reconstrucción dispersa como Orthogonal Matching Pursuit (OMP) y Compressive Sampling Matching Pursuit (CoSaMP) con el fin de aprovechar la naturaleza dispersa de las subportadoras piloto usadas en OFDM optimizando el ancho de banda del sistema. Además, para mejorar el rendimiento de estos algoritmos, se utiliza el concepto de la matriz de comprobación de paridad dispersa que se implementa en el despliegue de códigos de comprobación de paridad de baja densidad (LDPC, del inglés Low Density Parity Check) para obtener una matriz de sensado que mejore la propiedad de restricción isométrica (RIP, del inglés Isometric Restriction Property) perteneciente al paradigma de CS. El documento muestra el modelo implementado en los equipos SDR analizando la tasa de error de bit y la cantidad de símbolos piloto usados.

show abstract

Section: Sensado Compresivounclassified

See 1 more Smart Citation

Estimador de canal basado en sensado compresivo y LDPC para OFDM usando SDR

Inga

Verdugo

Cabrera

2019

ings

View full text Add to dashboard Cite

show abstract

“…DRES is essential for the sustainability of the conventional electrical system and is part of the solution to the uncertainty of the demanded load. DRES are not easy to use, as they increase the complexity of the system [ 16 , 17 ].…”

Section: Introductionmentioning

confidence: 99%

Optimal Deployment of FiWi Networks Using Heuristic Method for Integration Microgrids with Smart Metering

Inga

Campaña

Hincapié

et al. 2018

Sensors

View full text Add to dashboard Cite

The unpredictable increase in electrical demand affects the quality of the energy throughout the network. A solution to the problem is the increase of distributed generation units, which burn fossil fuels. While this is an immediate solution to the problem, the ecosystem is affected by the emission of CO2. A promising solution is the integration of Distributed Renewable Energy Sources (DRES) with the conventional electrical system, thus introducing the concept of Smart Microgrids (SMG). These SMGs require a safe, reliable and technically planned two-way communication system. This paper presents a heuristic based on planning capable of providing a bidirectional communication that is near optimal. The model follows the structure of a hybrid Fiber-Wireless (FiWi) network with the purpose of obtaining information of electrical parameters that help us to manage the use of energy by integrating conventional electrical system with SMG. The optimization model is based on clustering techniques, through the construction of balanced conglomerates. The method is used for the development of the clusters along with the Nearest-Neighbor Spanning Tree algorithm (N-NST). Additionally, the Optimal Delay Balancing (ODB) model will be used to minimize the end to end delay of each grouping. In addition, the heuristic observes real design parameters such as: capacity and coverage. Using the Dijkstra algorithm, the routes are built following the shortest path. Therefore, this paper presents a heuristic able to plan the deployment of Smart Meters (SMs) through a tree-like hierarchical topology for the integration of SMG at the lowest cost.

show abstract

“…Así tenemos que la etapa de medición inteligente conformada por los medidores inteligentes obtiene la información de consumo eléctrico de los usuarios o consumidores (residenciales, comerciales e industriales), para esto se ha generado una infraestructura de medición inteligente que a partir de telecomunicaciones inalámbricas y de fibra óptica permite garantizar la conectividad de los medidores inteligentes y la oficina central de las empresas eléctricas según lo demuestran (Campaña, Inga, & Hincapié, 2017;Esteban Inga, Céspedes, Hincapié, & Cárdenas, 2017;Juan Inga, Inga, Hincapié, & Cristina, 2017;Arturo Peralta, Inga, & Hincapié, 2017). La información recolectada de millones de medidores inteligentes es almacenada en silos de información para su respectivo análisis y minería de datos para conocer el patrón de comportamiento eléctrico de cada usuario y con esta información tener una respuesta a la demanda más confiable con la cual se podrán a posteriori reducir los costos por generación, ya que al conocer el patrón de consumo se genera electricidad en estrecha relación con lo que se va a utilizar y se minimizan las pérdidas de energía (Inga-ortega, Inga-ortega, & Gómez, 2017).…”

Section: Introductionunclassified

Reconstrucción del patrón de consumo eléctrico a partir de Big Data mediante técnica de MapReduce

Inga¹,

Correa²,

Hincapié³

2018

Enfoque UTE

View full text Add to dashboard Cite

El trabajo presenta el rendimiento de la técnica de MapReduce para reconstruir la curva de carga a partir de una cantidad de información previamente almacenada proveniente de medición inteligente de energía eléctrica y considerada en la actualidad como Big Data. La gestión de información en la etapa de una red eléctrica inteligente considerada como Sistema de Gestión de Datos Medidos o MDMS necesita reducir los tiempos respecto de los reportes que se requieran en un determinado instante para toma de decisiones en relación a la respuesta de la demanda eléctrica. Por lo tanto, este trabajo propone el uso de MapReduce como técnica para conseguir información de la curva de carga en un tiempo adecuado para obtener tendencias y estadísticas relacionadas con el patrón de consumo eléctrico residencial.

show abstract

Electrical load curve reconstruction required for demand response using compressed sensing techniques

Cited by 17 publications

References 15 publications

Estimador de canal basado en sensado compresivo y LDPC para OFDM usando SDR

Estimador de canal basado en sensado compresivo y LDPC para OFDM usando SDR

Optimal Deployment of FiWi Networks Using Heuristic Method for Integration Microgrids with Smart Metering

Reconstrucción del patrón de consumo eléctrico a partir de Big Data mediante técnica de MapReduce

Contact Info

Product

Resources

About