Electric Load Modeling Using Machine Learning

Πετρόπουλος, Ορέστης; Petropoulos, Orestis

dc.contributor.author	Πετρόπουλος, Ορέστης	el
dc.contributor.author	Petropoulos, Orestis	en
dc.date.accessioned	2022-11-24T10:46:45Z
dc.date.available	2022-11-24T10:46:45Z
dc.identifier.uri	https://dspace.lib.ntua.gr/xmlui/handle/123456789/56242
dc.identifier.uri	http://dx.doi.org/10.26240/heal.ntua.23940
dc.rights	Αναφορά Δημιουργού - Μη Εμπορική Χρήση - Παρόμοια Διανομή 3.0 Ελλάδα	*
dc.rights.uri	http://creativecommons.org/licenses/by-nc-sa/3.0/gr/	*
dc.subject	Variational autoencoder	en
dc.subject	Load modeling	en
dc.subject	Machine learning	en
dc.subject	Data generation	en
dc.subject	Data anonymization	en
dc.subject	Μοντελοποίηση φορτίου	el
dc.subject	Νευρωνικά δίκτυα	el
dc.subject	Νeural networks	en
dc.subject	Παραγωγή δεδομένων	el
dc.subject	Μηχανική μάθηση	el
dc.subject	Ανωνυμοποίηση	el
dc.title	Electric Load Modeling Using Machine Learning	en
dc.title	Μοντελοποίηση Φορτίου με χρήση Μηχανικής Μάθησης	el
dc.contributor.department	Τομέας Ηλεκτρικής Ισχύος - Εργαστήριο Συστημάτων Ηλεκτρικής Ενέργειας	el
heal.type	bachelorThesis
heal.classification	machine learning	en
heal.classification	μηχανική μάθηση	el
heal.classification	μοντελοποίηση φορτίου	el
heal.classification	load modeling	el
heal.classification	neural networks	en
heal.classification	νευρωνικά δίκτυα	el
heal.access	free
heal.recordProvider	ntua	el
heal.publicationDate	2022-07-12
heal.abstract	Modern power distribution grids face growing challenges, both due to the transition to smart grids and the integration of new types of loads such as electric cars and grid-scale energy storage systems.These factors make the study of distribution networks under many different conditions and with new tools such as data science and neural networks more necessary than ever. That's contradictory to the fact that grid load data is quite difficult for researchers to access, due to the very limited sources of such data (grid operators) and their confidentiality. All the above, make the development of tools for the anonymization of existing data and the generation of new ones, a great necessity. This thesis examines the development of a neural network and specifically a Variational Autoencoder, for the purposes mentioned above. The model is able to efficiently train on few available data, learn their underlying features and map them on the latent space, in a useful and perceptible by humans way. The trained model is then used in order to encode and decode existing data, keeping only their important features, thus making it more difficult to identify specific users of the grid from the load timelines and rendering that data much safer to share. Also, using the mapping of the latent space and the trained decoder, we are able to produce new load timelines, keeping the basic features of the original but changing characteristics such as the peak value or the distribution of different load profiles through the year. After the training the model is able to properly reconstruct the existing data, keeping their plain features such as the average value, the peak value and the position of maximum and minimum values almost intact. It is also able to decode any user created 2-number samples into a full day, consisting of 576 measurements (96 active and reactive power measurements for 3 correlated loads). The method used for generating new data in this thesis, is adding a random normal distribution to the encoded set, so that the newly generated data represent a year of the existing measurements but with adjusted characteristics. However, any arbitrarily selected points can be chosen, in order to create an entirely new dataset with any number of samples (days) and with the characteristics suitable for studying specific aspects of grid behaviour.	en
heal.abstract	Τα μοντέρνα δίκτυα ηλεκτρικής ενέργειας αντιμετωπίζουν αυξανόμενες προκλήσεις, τόσο από τη μετάβαση σε smart grids όσο και από την εισαγωγή νέων φορτίων όπως ηλεκτρικά αυτοκίνητα και συστήματα αποθήκευσης ενέργειας. Αυτό κάνει όλο και πιο επιτακτική τη μελέτη της συμπεριφοράς των δικτύων υπό διάφορες πιθανές συνθήκες και με τη χρήση νέων εργαλείων όπως η επιστήμη των δεδομένων και τα νευρωνικά δίκτυα. Αυτό έρχεται σε αντίθεση με το γεγονός ότι τα δεδομένα δικτύου που υπάρχουν είναι πολύ περιορισμένα, τόσο ως προς τον αριθμό τους όσο και ως προς τη δυνατότητα διάθεσής τους, λόγω της δυσκολίας συλλογής τους και του ευαίσθητου χαρακτήρα τους. Όλα τα ανωτέρο καθιστούν αναγκαία την ανάπτυξη εργαλείων επεξεργασίας των υπάρχοντων δεδομένων με σκοπό την εξασφάλιση της ανωνυμίας τους καθώς και την πιθανή παραγωγή νέων σετ δεδομένων που θα μπορούν να διευκολύνουν το ερευνητικό έργο πάνω στους συγκεκριμένους τομείς. Η διπλωματική αυτή εργασία εξετάζει τη χρήση νευρωνικών δικτύων βαθιάς μάθησης για το σκοπό αυτό και ειδικά την ανάπτυξη ενός Variational Autoencoder, ο οποίος θα μπορεί με την εκπαίδευσή του πάνω σε ένα ήδη υπάρχον, μικρό σε μέγεθος, σετ δεδομένων, να μάθει τα κύρια χαρακτηριστικά τους. Με τον τρόπο αυτό θα μπορεί να αναπαράγει ήδη υπάρχοντα δεδομένα διατηρώντας αυτά, αφαιρώντας όμως στοιχεία που μπορούν οδηγήσουν στην ταυτοποίηση συγκεκριμένων χρηστών καθώς και να παράξει κανούργιες σειρές δεδομένων που θα διατηρούν τα κύρια αυτά χαρακτηριστικά αλλά θα είναι σε ένα βαθμό προσαρμοσμένες στα στοιχεία που θέλει ο χρήστης. Τα κύρια εργαλεία που χρησιμοποιύνται είναι η βιβλιοθήκη Keras για το χτίσιμο του νευρωνικού δικτύου και η γλώσσα προγραμματισμού Python μαζί με τις βιβλιοθήκες NumPy και Pandas. Ο Variational Autoencoder αποτελείται από τη δομή του Encoder, ο οποίος κωδικοποιεί τα δεδομένα εισόδου, μία Sampling Layer η οποία φτιάχνει μια κανονική κατανομή με μέση τιμή και διακύμανση που δίνονται από την έξοδο του Encoder και κατόπιν τη δειγματοληπτεί και τον Decoder ο οποίος αναλαμβάνει να αποκωδικοποιήσει το δείγμα πίσω στο αρχικό. Η διαδικασία της εκπαίδευσης συμβαίνει ως εξής: το αποκωδικοποιημένο δείγμα συγκρίνεται με το αρχικό και υπολογίζεται το σφάλμα ανακατασκευής, σύμφωνα με τη συνάρτηση σφάλματος που έχουμε ορίσει. Κατόπιν το δίκτυο προσαρμόζει τα βάρη των layers με σκοπό την ελαχιστοποίηση του σφάλματος ανακατασκευής. Αν η εκπαίδευση είναι επιτυχής, έχουμε ένα δίκτυο που πλέον μπορεί να δέχεται στην είσοδο δεδομένα φορτίου και να τα ανακαταστκευάζει. Επίσης, μπορεί να δέχεται απευθείας κωδικοποιημένα δεδομένα (τα οποία μπορεί να έχει παράξει ο χρήστης καθώς έχουν πάρα πολύ απλή μορφή και να είναι επιλεγμένα βάσει επιθυμητών χαρακτηριστικών) και να παράξει νέες κυματομορφές. Ο Encoder του συγκεκριμένου μοντέλου αποτελείται από convolution layers, ακολουθούμενα κάθε φορά από ένα batch normalization και ένα ReLU activation layer. O Decoder αποτελεί σχεδόν αντίστροφο αντίγραφο του Encoder, αποτελούμενος από deconvolution layers και πάλι ακολουθούμενα από batch normalization και ReLU activation layers. Η μορφή της εισόδου είναι πίνακες της μορφής (96,2,3),όπου 96 είναι τα δείγματα μιας ημέρας (4/ώρα), 2 είναι τα είδη ισχύος (ενεργή και άεργος) και 3 είναι τα φορτία που συμπεριλαμβάνονται. Το σετ των δεδομένων μας αποτελείται από 365 τέτοιες ημέρες. Το δίκτυο εκπαιδεύεται για 80 epochs, δηλαδή 80 πλήρη "περάσματα" από όλα τα δεδομένα, με επανυπολογισμό των βαρών (batch size) κάθε 20 δείγματα. Μετά την επιτυχή εκπαίδευση τo δίκτυο χρησιμοποιείται για την ανακατασκευή δεδομένων όπως αναφέρθηκε παραπάνω καθώς και για τη δημιουργία νέων. Η ανακατασκευή δεδομένων είναι επιτυχής, καθώς διατηρούνται επαρκώς τα βασικά τους χαρακτηριστικά (μέγιστη τιμή, μέση τιμή, ώρες μεγίστου και ελαχίστου, συσχέτιση). Κατόπιν δημιουργούνται νέα δεδομένα ενός έτους. Για να έχουν κάποιο νόημα τα νέα δεδομένα σαν σύνολο έτους, χρησιμοποιείται η κωδικοποιημένη μορφή των υπάρχοντων, πάνω στην οποία γίνεται με τυχαίο τρόπο (μέσω μιας κανονικής κατανομής) μια μικρή επεξεργασία. Έτσι προκύπτει ένα νέο έτος με ελαφρώς διαφορετικά χαρακτηριστικά. Φυσικά, δεν υπάρχει κανένας περιορισμός στον αριθμό ή την κατανομή των νέων δεδομένων που θα δημιουργηθούν και μπορούμε να επιλέξουμε τη μορφή τους ανάλογα με την εφαρμογή για την οποία προορίζονται και το τι θέλουμε να εξετάσουμε σε αυτήν.	el
heal.advisorName	Χατζηαργυρίου, Νικόλαος	el
heal.committeeMemberName	Χατζηαργυρίου, Νικόλαος	el
heal.committeeMemberName	Παπαθανασίου, Σταύρος	el
heal.committeeMemberName	Γεωργιλάκης, Παύλος	el
heal.academicPublisher	Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών	el
heal.academicPublisherID	ntua
heal.numberOfPages	78 σ.	el
heal.fullTextAvailability	false