Ir al contenido

Documat

Intelligent Data Acquisition System for Electrical Voltage Monitoring Using Neural Networks

  • Ramos , Josnier [2] ; Pérez, Maykop [2] ; Hernández , Orestes [2] ; Silvério , Raimundo [1]
    1. [1] Universidade Federal de Campina Grande

      Universidade Federal de Campina Grande

      Brasil

    2. [2] Technological University of Havana, Electroenergetic Research and Testing Center, Havana, Cuba
  • Localización: Revista Politécnica, ISSN-e 2477-8990, Vol. 56, Nº. 1, 2025 (Ejemplar dedicado a: Revista Politécnica), págs. 95-104
  • Idioma: inglés
  • DOI: 10.33333/rp.vol56n1.08
  • Títulos paralelos:
    • Aquisição de dados por meio de reconhecimento óptico: um avanço na captura de dados elétricos por aprendizado de máquina
    • Sistema Inteligente de Adquisición de Datos para la Monitorización de Tensión Eléctrica Mediante Redes Neuronales
  • Enlaces
  • Resumen
    • español

      La creciente necesidad de monitorear eficientemente las tensiones eléctricas ha impulsado el desarrollo de un sistema inteligente de adquisición de datos. Este trabajo aborda las limitaciones de los instrumentos digitales existentes, específicamente el METREL MD9225, mediante la implementación de una arquitectura de red neuronal para el reconocimiento óptico de caracteres en sus pantallas LCD. El objetivo de este trabajo consiste en facilitar la lectura automática de valores eléctricos utilizando una red neuronal entrenada para reconocer los dígitos del 0 al 9 y el punto decimal. La red neuronal está compuesta por trece capas de neuronas. El equipo de desarrollo creó cuatro aplicaciones en Python: dos para capturar imágenes destinadas al entrenamiento de la red neuronal y dos para implementar el sistema como aplicación de escritorio y aplicación web. Se utilizó la biblioteca Keras para construir y entrenar modelos de aprendizaje profundo, y se empleó OpenCV para optimizar el desarrollo de las aplicaciones. La gestión de la base de datos se realizó mediante sqlite3, lo que resalta su portabilidad y bajo consumo de recursos. Los resultados indican que el sistema propuesto mejora las capacidades del equipo existente al permitir la lectura y comunicación de mediciones eléctricas, lo que podría reducir costos al sustituir equipos obsoletos y proporcionar una capa adicional de protección contra ataques al sistema. Además, el sistema mostró una mejora significativa en la mitigación de incidentes por arco eléctrico. El sistema requiere una cámara web, una computadora portátil y acceso a una conexión de red de datos.

    • English

      The growing need for efficient monitoring of electrical voltages has led to the development of an intelligent data acquisition system. This work addresses the limitations of existing digital instruments, specifically the METREL MD9225, by implementing a neural network architecture for optical character recognition on its LCD displays. The objective is to facilitate the automatic reading of electrical values using a neural network trained to recognize digits from 0 to 9 and the decimal point. The neural network consists of thirteen layers of neurons. The development team created four Python applications: two to capture images for training the neural network, and two to deploy the system as a desktop and a web application. The Keras library was used to build and train deep learning models, while OpenCV was employed to streamline application development. Database management was handled by sqlite3, highlighting its portability and low resource consumption. The results indicate that the proposed system enhances the capabilities of existing equipment by enabling the reading and communication of electrical measurements, potentially reducing costs by replacing outdated equipment and providing an additional layer of protection against system hacks. Furthermore, the system demonstrated a significant improvement in mitigating arc flash incidents. The system requires a webcam, a laptop, and access to a data network connection.

  • Referencias bibliográficas
    • Afro, P.-A., Strus, L., Bonnaud, L., Caplier, A., & Robin, F. (2023). Multi-QP Rate Distortion Optimized Quantization Using Deep Learning....
    • Ariza, J. Á., & Pearce, J. M. (2022). Low-Cost Assistive Technologies for Disabled People Using Open-Source Hardware and Software: A Systematic...
    • Arora, S., Thakur, A., Singh, A., Rana, S., & Singh, D. (2022). A Review on Smart Energy Meters and Their Market Trends. 167-172. https://doi.org/10.1109/ICETEMS56252.2022.10093455
    • Azeem, A., Riaz, W., Siddique, A., & Saifullah, U. A. K. (2020). A Robust Automatic Meter Reading System based on Mask-RCNN. 209-213....
    • Barai, G. R., Krishnan, S., & Venkatesh, B. (2015). Smart metering and functionalities of smart meters in smart grid—A review. 138-145....
    • Chen, J., Gallo, A. J., Yan, S., Parisini, T., & Hui, S. Y. R. (2022). Cyber-Attack Detection and Countermeasure for Distributed Electric...
    • de Oliveira, L. L., Vargas, D. S., Alexandre, A. M. A., Cordeiro, F. C., Gomes, D. da S. M., Rodrigues, M. de C., Romeu, R. K., & Moreira,...
    • Duan, N., Huang, C., Sun, C.-C., & Min, L. (2022). Smart Meters Enabling Voltage Monitoring and Control: The Last-Mile Voltage Stability...
    • Gallo, P. de, & Beatriz, H. (2023). Análisis Forense de Entornos IoT Caso de estudio: “Sistema Inteligente para la Captura de Datos de...
    • Guardarrama, J. R., Freire, R. C. S., & Areu, O. H. (2016). A Proposed Wireless System to Real Time Monitoring in Power Transformer. IEEE...
    • Hurst, W., Montañez, C. A. C., & Shone, N. (2020). Time-Pattern Profiling from Smart Meter Data to Detect Outliers in Energy Consumption....
    • Jithish, J., Alangot, B., Mahalingam, N., & Yeo, K. S. (2023). Distributed Anomaly Detection in Smart Grids: A Federated Learning-Based...
    • Khan, M. A., Saleh, A. M., Waseem, M., & Sajjad, I. A. (2023). Artificial Intelligence Enabled Demand Response: Prospects and Challenges...
    • Mo, W., Pei, L., Huang, Q., & Liao, W. (2020). Digital Multimeter Reading Recognition for Automation Verification. Proceedings of the...
    • Nain, A. K. (s. f.). OCR model for reading Captchas. Retrieved March 10, 2024, de https://keras.io/examples/vision/captcha_ocr/
    • Orlando, M., Estebsari, A., Pons, E., Pau, M., Quer, S., Poncino, M., Bottaccioli, L., & Patti, E. (2022). A Smart Meter Infrastructure...
    • Parente Mesquita, D., Gomes, J., Ramos Rodrigues, L., & Kawakami Galvao, R. (2015). Pruning Extreme Learning Machines Using the Successive...
    • Pineda, I., Carrión-Ojeda, D., & Fonseca-Delgado, R. (2023). RADENN: A Domain-Specific Language for the Rapid Development of Neural Networks....
    • Raza, M. H., Rind, Y. M., Javed, I., Zubair, M., Mehmood, M. Q., & Massoud, Y. (2023). Smart Meters for Smart Energy: A Review of Business...
    • Salomon, G., Laroca, R., & Menotti, D. (2020). Deep Learning for Image-based Automatic Dial Meter Reading: Dataset and Baselines. 1-8....
    • Selami, Y., Tao, W., Lv, N., & Zhao, H. (2023). Precise Robot Calibration Method-Based 3-D Positioning and Posture Sensor. IEEE Sensors...
    • Singh, R., Kumari, S., Prabha, C., & Sharma, N. (2023). A Conv2D Based Facial Expression Recognition and a Model Thereof. 1-5. https://doi.org/10.1109/RMKMATE59243.2023.10368612
    • Sivadevuni, S. S., Maiya, R., Ganesh, D., & Krishna, A. R. (2023). Intelligent Metering Innovations for Urban Utility Management: A Review....
    • Solís, J. S., & Jiménez, M. C. (2022). Estado del Arte de la Predicción de Variables en Sistemas de Ingeniería Eléctrica Basada en Inteligencia...
    • Srivastava, S., Verma, A., & Sharma, S. (2022). Optical Character Recognition Techniques: A Review. 1-6. https://doi.org/10.1109/SCEECS54111.2022.9740911
    • Suhaimy, N., Radzi, N. A. M., Ahmad, W. S. H. M. W., Azmi, K. H. M., & Hannan, M. A. (2022). Current and Future Communication Solutions...
    • Sultana, U., Bilal, S., Naqvi, S. H. A., & Iqbal, R. (2022). Smart OCR Application for Meter Reading. Engineering Proceedings, 20(1),...
    • Sushma, N., Suresh, H. N., Lakshmi, J. M., Srinivasu, P. N., Bhoi, A. K., & Barsocchi, P. (2023). A Unified Metering System Deployed for...
    • Taye, M. M. (2023). Theoretical understanding of convolutional neural network: Concepts, architectures, applications, future directions. Computation,...
    • Tibán Chito, A. M. (2022). Aplicación web móvil con reconocimiento óptico de caracteres para la lectura de los medidores de consumo de agua...
    • Afro, P.-A., Strus, L., Bonnaud, L., Caplier, A., & Robin, F. (2023). Multi-QP Rate Distortion Optimized Quantization Using Deep Learning....
    • Ariza, J. Á., & Pearce, J. M. (2022). Low-Cost Assistive Technologies for Disabled People Using Open-Source Hardware and Software: A Systematic...
    • Arora, S., Thakur, A., Singh, A., Rana, S., & Singh, D. (2022). A Review on Smart Energy Meters and Their Market Trends. 167-172. https://doi.org/10.1109/ICETEMS56252.2022.10093455
    • Azeem, A., Riaz, W., Siddique, A., & Saifullah, U. A. K. (2020). A Robust Automatic Meter Reading System based on Mask-RCNN. 209-213....
    • Barai, G. R., Krishnan, S., & Venkatesh, B. (2015). Smart metering and functionalities of smart meters in smart grid—A review. 138-145....
    • Chen, J., Gallo, A. J., Yan, S., Parisini, T., & Hui, S. Y. R. (2022). Cyber-Attack Detection and Countermeasure for Distributed Electric...
    • de Oliveira, L. L., Vargas, D. S., Alexandre, A. M. A., Cordeiro, F. C., Gomes, D. da S. M., Rodrigues, M. de C., Romeu, R. K., & Moreira,...
    • Duan, N., Huang, C., Sun, C.-C., & Min, L. (2022). Smart Meters Enabling Voltage Monitoring and Control: The Last-Mile Voltage Stability...
    • Gallo, P. de, & Beatriz, H. (2023). Análisis Forense de Entornos IoT Caso de estudio: “Sistema Inteligente para la Captura de Datos de...
    • Guardarrama, J. R., Freire, R. C. S., & Areu, O. H. (2016). A Proposed Wireless System to Real Time Monitoring in Power Transformer. IEEE...
    • Hurst, W., Montañez, C. A. C., & Shone, N. (2020). Time-Pattern Profiling from Smart Meter Data to Detect Outliers in Energy Consumption....
    • Jithish, J., Alangot, B., Mahalingam, N., & Yeo, K. S. (2023). Distributed Anomaly Detection in Smart Grids: A Federated Learning-Based...
    • Khan, M. A., Saleh, A. M., Waseem, M., & Sajjad, I. A. (2023). Artificial Intelligence Enabled Demand Response: Prospects and Challenges...
    • Mo, W., Pei, L., Huang, Q., & Liao, W. (2020). Digital Multimeter Reading Recognition for Automation Verification. Proceedings of the...
    • Nain, A. K. (s. f.). OCR model for reading Captchas. Retrieved March 10, 2024, de https://keras.io/examples/vision/captcha_ocr/
    • Orlando, M., Estebsari, A., Pons, E., Pau, M., Quer, S., Poncino, M., Bottaccioli, L., & Patti, E. (2022). A Smart Meter Infrastructure...
    • Parente Mesquita, D., Gomes, J., Ramos Rodrigues, L., & Kawakami Galvao, R. (2015). Pruning Extreme Learning Machines Using the Successive...
    • Pineda, I., Carrión-Ojeda, D., & Fonseca-Delgado, R. (2023). RADENN: A Domain-Specific Language for the Rapid Development of Neural Networks....
    • Raza, M. H., Rind, Y. M., Javed, I., Zubair, M., Mehmood, M. Q., & Massoud, Y. (2023). Smart Meters for Smart Energy: A Review of Business...
    • Salomon, G., Laroca, R., & Menotti, D. (2020). Deep Learning for Image-based Automatic Dial Meter Reading: Dataset and Baselines. 1-8....
    • Selami, Y., Tao, W., Lv, N., & Zhao, H. (2023). Precise Robot Calibration Method-Based 3-D Positioning and Posture Sensor. IEEE Sensors...
    • Singh, R., Kumari, S., Prabha, C., & Sharma, N. (2023). A Conv2D Based Facial Expression Recognition and a Model Thereof. 1-5. https://doi.org/10.1109/RMKMATE59243.2023.10368612
    • Sivadevuni, S. S., Maiya, R., Ganesh, D., & Krishna, A. R. (2023). Intelligent Metering Innovations for Urban Utility Management: A Review....
    • Solís, J. S., & Jiménez, M. C. (2022). Estado del Arte de la Predicción de Variables en Sistemas de Ingeniería Eléctrica Basada en Inteligencia...
    • Srivastava, S., Verma, A., & Sharma, S. (2022). Optical Character Recognition Techniques: A Review. 1-6. https://doi.org/10.1109/SCEECS54111.2022.9740911
    • Suhaimy, N., Radzi, N. A. M., Ahmad, W. S. H. M. W., Azmi, K. H. M., & Hannan, M. A. (2022). Current and Future Communication Solutions...
    • Sultana, U., Bilal, S., Naqvi, S. H. A., & Iqbal, R. (2022). Smart OCR Application for Meter Reading. Engineering Proceedings, 20(1),...
    • Sushma, N., Suresh, H. N., Lakshmi, J. M., Srinivasu, P. N., Bhoi, A. K., & Barsocchi, P. (2023). A Unified Metering System Deployed for...
    • Taye, M. M. (2023). Theoretical understanding of convolutional neural network: Concepts, architectures, applications, future directions. Computation,...
    • Tibán Chito, A. M. (2022). Aplicación web móvil con reconocimiento óptico de caracteres para la lectura de los medidores de consumo de agua...
    • Zhang, C., Shi, L., Zhang, D., Ke, T., & Li, J. (2023). Pointer Meter Recognition Method Based on Yolov7 and Hough Transform. Applied...
    • Zhang, Q., Bao, X., Wu, B., Tu, X., Jin, Y., Luo, Y., & Zhang, N. (2021). Water meter pointer reading recognition method based on target-key...
    • Zhou, D., Yang, Y., Zhu, J., & Wang, K. (2022). Intelligent reading recognition method of a pointer meter based on deep learning in a...
    • Zhu, L., Wen, W., Li, J., Zhang, C., Zhou, B., & Shuai, Z. (2024). Deep Active Learning-Enabled Cost-Effective Electricity Theft Detection...
    • Živic, N. S., Ur-Rehman, O., & Ruland, C. (2015). Evolution of smart metering systems. 635-638. https://doi.org/10.1109/TELFOR.2015.7377547
Fundación Dialnet

Mi Documat

Opciones de artículo

Opciones de compartir

Opciones de entorno