Μη παρεμβατική παρακολούθηση ηλεκτρικού φορτίου οικιακών εγκαταστάσεων με χρήση τεχνικών μηχανικής μάθησης

Δούμουρας, Νικόλαος; Doumouras, Nikolaos

dc.contributor.author	Δούμουρας, Νικόλαος	el
dc.contributor.author	Doumouras, Nikolaos	en
dc.date.accessioned	2022-01-13T09:17:31Z
dc.date.available	2022-01-13T09:17:31Z
dc.identifier.uri	https://dspace.lib.ntua.gr/xmlui/handle/123456789/54299
dc.identifier.uri	http://dx.doi.org/10.26240/heal.ntua.21997
dc.rights	Default License
dc.subject	Μη παρεμβατική παρακολούθηση φορτίου	el
dc.subject	Non-Intrusive Load Monitoring	en
dc.subject	Αποσύνθεση ενέργειας	el
dc.subject	Έξυπνα δίκτυα	el
dc.subject	Διαχείριση ενέργειας	el
dc.subject	Μηχανική μάθηση	el
dc.subject	Energy disaggregation	en
dc.subject	Smart grids	en
dc.subject	Energy management	en
dc.subject	Machine learning	en
dc.title	Μη παρεμβατική παρακολούθηση ηλεκτρικού φορτίου οικιακών εγκαταστάσεων με χρήση τεχνικών μηχανικής μάθησης	el
heal.type	bachelorThesis
heal.classification	Μηχανική μάθηση	el
heal.language	el
heal.access	free
heal.recordProvider	ntua	el
heal.publicationDate	2021-07-16
heal.abstract	Η κατανάλωση ενέργειας έχει αυξηθεί ραγδαία στον κτιριακό τομέα την τελευταία δεκαετία, λόγω της αύξησης του πληθυσμού, του αυξημένου χρόνου διαμονής σε εσωτερικούς χώρους καθώς και της αυξημένης ζήτησης για λειτουργίες ποιότητας εσωτερικού περιβάλλοντος. Για το λόγο αυτό, η ενεργειακή αποδοτικότητα των κτιρίων μπορεί να προσφέρει βασικές λύσεις στην εξοικονόμηση ενέργειας, τις εκπομπές διοξειδίου του άνθρακα και γενικότερα την κλιματική αλλαγή. Σε αυτό το πλαίσιο η ανάπτυξη των έξυπνων δικτύων (smart grids) και η παροχή έξυπνων υπηρεσιών με τη χρήση μεθόδων τεχνητής νοημοσύνης, μπορούν να οδηγήσουν στη μείωση του ενεργειακού αποτυπώματος των κτιρίων. Μια προσέγγιση προς την κατεύθυνση αυτή είναι η μείωση της κατανάλωσης ηλεκτρικής ενέργειας στον οικιακό τομέα μέσω παροχής πληροφοριών στους οικιακούς καταναλωτές, σχετικά με την ηλεκτρική ενέργεια που έχει καταναλώσει κάθε οικιακή συσκευή, εμπνέοντας κατά αυτόν τον τρόπο μια θετική αλλαγή συμπεριφοράς στην καθημερινή χρήση ηλεκτρικής ενέργειας των καταναλωτών μέσα από την αύξηση του επιπέδου της ενεργειακής παιδείας. Προς αυτή την κατεύθυνση έρχεται να συνεισφέρει η μη παρεμβατική ανίχνευση φορτίου (non-intrusive load monitoring – NILM). Σύμφωνα με την τεχνική αυτή, υπολογίζεται η κατανάλωση των επιμέρους συσκευών χρησιμοποιώντας ως μοναδικό δεδομένο τη συνολική κατανάλωση μιας εγκατάστασης, χωρίς να απαιτείται η χρήση πολλαπλών έξυπνων συστημάτων και ακριβού εξοπλισμού. Στα πλαίσια της παρούσας διπλωματικής εργασίας, εξετάζεται κατά πόσο είναι εφικτή η εφαρμογή αυτής της τεχνικής με ικανοποιητικά αποτελέσματα ακρίβειας, κάτω από συνθήκες ύπαρξης περιορισμών, τόσο σε επίπεδο εξοπλισμού όσο και στο διαθέσιμο χρόνο για λήψη ιστορικών παρατηρήσεων. Για το σκοπό αυτό, αναπτύσσεται ένα τεχνητό σύνολο δεδομένων ηλεκτρικής κατανάλωσης δέκα (10) ημερών, στο οποίο συμπεριλαμβάνονται τόσο η συνολική κατανάλωση της οικίας, όσο και των επιμέρους συσκευών, με στόχο την εκπαίδευση τεσσάρων (4) αλγορίθμων μηχανικής μάθησης που συναντώνται στη βιβλιογραφία (Factorial Hidden Markov Models, Combinatorial Optimization, Decision Tree Regression and Long Short-Term Memory RNN) και ακολούθως συγκρίνεται η ακρίβεια τους με τη χρήση κατάλληλων μετρικών. Τέλος πραγματοποιείται μια ολοκληρωμένη εφαρμογή του προτεινόμενου πλαισίου σε ένα τυπικό ελληνικό νοικοκυριό.	el
heal.abstract	Energy consumption has increased rapidly in the building sector over the last decade due to population growth, increased indoor living time and increased demand for indoor environmental quality functions. For this reason, energy efficiency of buildings can provide key solutions to energy conservation, carbon emissions reduction and climate change in general. In this context, the development of smart grids and the provision of smart services using artificial intelligence methods, can lead to a reduction in the energy footprint of buildings. One approach in this direction, is to reduce electricity consumption in the residential sector, by providing information to residential consumers on the electricity consumed by each household appliance, thereby inspiring a positive behavioral change in consumers' daily electricity use. In this direction, non-intrusive load monitoring (NILM) can contribute to this goal. According to this technique, the consumption of individual appliances is calculated using the total consumption of an installation as a single data point, without requiring the use of multiple intelligent systems and expensive equipment. In the context of this thesis, it is examined whether it is feasible to apply this technique with satisfactory accuracy results, under conditions of constraints both in terms of equipment and time available for taking historical observations. For this purpose, an artificial ten (10) days electricity consumption dataset is developed, including both the total consumption of the house and the individual appliances, in order to train four (4) common machine learning algorithms found in the literature (Factorial Hidden Markov Models, Combinatorial Optimization, Decision Tree Regression and Long Short-Term Memory RNN) and then their accuracy is compared using appropriate metrics. Finally, a complete application of the proposed framework is carried out in a typical Greek household.	en
heal.advisorName	Δούκας, Χρυσόστομος (Χάρης)	el
heal.committeeMemberName	Δούκας, Χρυσόστομος (Χάρης)	el
heal.committeeMemberName	Ψαρράς, Ιωάννης	el
heal.committeeMemberName	Ασκούνης, Δημήτριος	el
heal.academicPublisher	Εθνικό Μετσόβιο Πολυτεχνείο. Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών. Τομέας Ηλεκτρικών Βιομηχανικών Διατάξεων και Συστημάτων Αποφάσεων	el
heal.academicPublisherID	ntua
heal.numberOfPages	112 σ.	el
heal.fullTextAvailability	false