Μη παρεμβατική παρακολούθηση ηλεκτρικού φορτίου με Denoising Autoencoders

Παπαπέτρου, Λουκάς Λάμπρος; Papapetrou, Loukas Lampros

dc.contributor.author	Παπαπέτρου, Λουκάς Λάμπρος	el
dc.contributor.author	Papapetrou, Loukas Lampros	en
dc.date.accessioned	2025-07-30T11:09:59Z
dc.date.available	2025-07-30T11:09:59Z
dc.identifier.uri	https://dspace.lib.ntua.gr/xmlui/handle/123456789/62232
dc.identifier.uri	http://dx.doi.org/10.26240/heal.ntua.29928
dc.rights	Αναφορά Δημιουργού-Μη Εμπορική Χρήση-Όχι Παράγωγα Έργα 3.0 Ελλάδα	*
dc.rights.uri	http://creativecommons.org/licenses/by-nc-nd/3.0/gr/	*
dc.subject	Αποσύνθεση ενέργειας	el
dc.subject	Νευρωνικά δίκτυα	el
dc.subject	Denoising autoencoders	en
dc.title	Μη παρεμβατική παρακολούθηση ηλεκτρικού φορτίου με Denoising Autoencoders	el
dc.title	Non-intrusive load monitoring with Denoising Autoencoders	en
heal.type	bachelorThesis
heal.classification	Αποσύνθεση ενέργειας	el
heal.language	el
heal.access	free
heal.recordProvider	ntua	el
heal.publicationDate	2025-02-24
heal.abstract	Στη σύγχρονη εποχή, η συνεχώς αυξανόμενη κατανάλωση ηλεκτρικής ενέργειας στις κατοικίες αποτελεί ένα από τα σημαντικότερα προβλήματα της κοινωνίας. Με την ταχεία ανάπτυξη της τεχνολογίας και την αυξημένη εξάρτηση από ηλεκτρικές συσκευές, η ζήτηση για ενέργεια αυξάνεται συνεχώς. Ταυτόχρονα αυτή η αύξηση στην κατανάλωση ενέργειας επηρεάζει σημαντικά τόσο το περιβάλλον όσο και το δίκτυο διανομής. Για αυτό το λόγο είναι πιο σημαντικό από ποτέ να εφαρμόσουμε τεχνικές επίβλεψης και περιορισμού της κατανάλωσης. Σε αυτό το πλαίσιο τεχνικές όπως η μη Παρεμβατική Παρακολούθηση Ηλεκτρικού Φορτίου non-intrusive load monitoring (NILM) προσφέρει μια οικονομική και αποδοτική λύση. Το NILM μας επιτρέπει την παρακολούθηση κατανάλωσης ηλεκτρικής ενέργειας κάθε συσκευής μέσα στον χώρο χωρίς όμως να χρειάζεται η εγκατάσταση αισθητήρων σε κάθε συσκευή. Πιο συγκεκριμένα το NILM αναλύει τα δεδομένα κατανάλωσης από τον ηλεκτρικό πίνακα της κατοικίας, και στη συνέχεια αναγνωρίζει τα χαρακτηριστικά κατανάλωσης κάθε συσκευής. Στην παρούσα διπλωματική εργασία χρησιμοποιούμε πραγματικά δεδομένα ενεργειακής κατανάλωσης από δύο διαφορετικές πηγές (το σύνολο δεδομένων REDD και το UKDALE) για να συγκρίνουμε την ακρίβεια τριών αλγορίθμων που προβλέπουν την κατανάλωση ενέργειας των συσκευών, χρησιμοποιώντας μόνο τα δεδομένα κατανάλωσης από τον ηλεκτρικό πίνακα της κατοικίας. Συγκεκριμένα, εξετάζουμε τους αλγόριθμους Combinatorial Optimization, Factorial Hidden Markov Models, και έναν αλγόριθμο μηχανικής μάθησης βασισμένο στην αρχιτεκτονική Denoising Autoencoders. Συγκρίνουμε την αποτελεσματικότητα αυτών των αλγορίθμων χρησιμοποιώντας κατάλληλες μετρικές (recall, precision, accuracy, F1 score, root mean square error), τόσο σε προβλέψεις για κατοικίες που ανήκουν στο σύνολο δεδομένων εκπαίδευσης, όσο και για κατοικίες που ανήκουν σε διαφορετικά σύνολα δεδομένων, με στόχο να αξιολογήσουμε κατά πόσο τα μοντέλα μπορούν να γενικευτούν με επιτυχία.	el
heal.advisorName	Παπίας, Ιωάννης	el
heal.advisorName	Μιχαλακόπουλος, Βασίλειος	el
heal.committeeMemberName	Μαρινάκης, Ευάγγελος	el
heal.committeeMemberName	Ασκούνης, Δημήτριος	el
heal.committeeMemberName	Ψαρράς, Ιωάννης	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	91 σ.	el
heal.fullTextAvailability	false