| Tesis Doctorales de la Universidad de Alcalá |
| ELECTRICAL LOAD CLASSIFICATION AND PREDICTION FOR BEHAVIORAL MONITORING IN ASSISTED INDEPENDENT LIVING | | Autor/a | Diego Otón, Laura de | | Departamento | Electrónica | | Director/a | Hernández Alonso, Álvaro | | Codirector/a | Nieto Capuchino, Rubén | | Fecha de depósito | 01-09-2025 | | Periodo de exposición pública | 1 a 15 de septiembre de 2025 | | Fecha de defensa | Sin especificar | | Modalidad | Presencial | | Programa | Electrónica: Sistemas Electrónicos Avanzados. Sistemas Inteligentes (RD 99/2011) | | Mención internacional | Solicitada | | Resumen | Esta tesis doctoral surge de la motivación de contribuir al fomento de la vida independiente de las personas mayores, en respuesta a los cambios demográficos globales marcados por un envejecimiento acelerado de la población. Este fenómeno plantea importantes desafíos para los sistemas de salud, dado el creciente aumento en la demanda de cuidados a largo plazo, frente a unos recursos cada vez más limitados. En este contexto, el desarrollo de soluciones de monitorización no invasivas que mejoren la calidad de vida, adquiere especial relevancia. Por ello, esta tesis se centra en el análisis del consumo eléctrico mediante técnicas basadas en la Monitorización de Cargas No Intrusiva (NILM, por sus siglas en inglés).
El objetivo principal es obtener información derivada del análisis del consumo eléctrico de una vivienda que permita la detección de desviaciones en los patrones de consumo que puedan estar relacionados con cambios en el comportamiento de los inquilinos. De este modo, el sistema busca proporcionar a los profesionales sanitarios datos útiles para que puedan evaluar el estado funcional y los hábitos de los pacientes, facilitando un enfoque de cuidado preventivo que favorezca la independencia.
Las contribuciones de esta tesis se centran en la aplicación de técnicas de aprendizaje profundo y automático para el análisis y modelado del consumo eléctrico. El primer bloque aborda la clasificación de patrones de consumo de electrodomésticos mediante arquitecturas innovadoras, incluyendo la detección de nuevos dispositivos añadidos tras el entrenamiento, lo que permite mejorar la adaptabilidad. El segundo bloque se orienta al análisis avanzado de los patrones de comportamiento, abarcando la generación de trazas sintéticas, la predicción temporal y la detección de desviaciones entre las predicciones y el consumo real, facilitando la identificación de cambios en el comportamiento.
Los resultados de la validación de las propuestas han sido satisfactorios, demostrando la viabilidad y el potencial impacto social de este tipo de monitorización no intrusiva para la promoción de la autonomía y el bienestar en personas mayores. Además, los hallazgos obtenidos han dado lugar a nuevas líneas de investigación que serán desarrolladas en futuros trabajos. |
|
