Προσαρμογή της Συχνότητας Βάσεων Μη Παρεμβατικής Παρακολούθησης Ενεργειακών Φορτίων σε Μετρητικά Δεδομένα Ελληνικών Οικιών

Λειβαδίτης, Γεώργιος; Leivaditis, Georgios

dc.contributor.author	Λειβαδίτης, Γεώργιος	el
dc.contributor.author	Leivaditis, Georgios	en
dc.date.accessioned	2025-12-04T07:01:59Z
dc.date.available	2025-12-04T07:01:59Z
dc.identifier.uri	https://dspace.lib.ntua.gr/xmlui/handle/123456789/62986
dc.identifier.uri	http://dx.doi.org/10.26240/heal.ntua.30682
dc.rights	Default License
dc.subject	Μη παρεμβατική Παρακολούθηση Φορτίου	el
dc.subject	Αποσύνθεση ενεργειακής κατανάλωσης	el
dc.subject	Χρονική συχνότητα	el
dc.subject	Βάσεις ενεργειακής αποσύνθεσης	el
dc.subject	Δέντρα αποφάσεων	el
dc.subject	Non-Intrusive Load Monitoring (NILM)	en
dc.subject	Energy disaggregation	en
dc.subject	Machine learning	en
dc.subject	Time frequency	en
dc.subject	Decision trees	en
dc.subject	Energy disaggregation datasets	en
dc.title	Προσαρμογή της Συχνότητας Βάσεων Μη Παρεμβατικής Παρακολούθησης Ενεργειακών Φορτίων σε Μετρητικά Δεδομένα Ελληνικών Οικιών	el
dc.title	Adapting the Frequency of Non-Intrusive Load Monitoring Datasets for use with Metered Data from Greek Households	en
dc.contributor.department	ΤΟΜΕΑΣ ΗΛΕΚΤΡΙΚΩΝ ΒΙΟΜΗΧΑΝΙΚΩΝ ΔΙΑΤΑΞΕΩΝ ΚΑΙ ΣΥΣΤΗΜΑΤΩΝ ΑΠΟΦΑΣΕΩΝ	el
heal.type	bachelorThesis
heal.classification	energy disaggregation	el
heal.classification	machine learning	el
heal.language	el
heal.access	free
heal.recordProvider	ntua	el
heal.publicationDate	2025-07-03
heal.abstract	Η ενεργειακή αποσύνθεση, ή αλλιώς Μη Παρεμβατική Παρακολούθηση Φορτίου, αποτελεί μια σημαντική προσέγγιση για την εκτίμηση της ενεργειακής κατανάλωσης ενός νοικοκυριού σε επίπεδο συσκευής μόλις από ένα κεντρικό σήμα, χωρίς την ανάγκη τοποθέτησης μεγάλου αριθμού μετρητών. Αλγόριθμοι μηχανικής μάθησης έχουν βρει σημαντικό χώρο εφαρμογής στην ενεργειακή αποσύνθεση, πέρα από συμβατικές μεθόδους όπως η βελτιστοποίηση, εμφανίζοντας σημαντικές βελτιώσεις σε επίπεδο απόδοσης. Ωστόσο, η εκπαίδευση τέτοιων αλγορίθμων απαιτεί τη συγκέντρωση σημαντικών δεδομένων σε επίπεδο συσκευής, που πολλές φορές δεν είναι διαθέσιμα σε κάθε οικία εφαρμογής τέτοιων λύσεων. Βάσεις δεδομένων όπως η REDD (The Reference Energy Disaggregation Data Set) έρχονται να συμβάλλουν σε αυτό το πρόβλημα, παρέχοντας μια πληθώρα δεδομένων από σπίτια και συσκευές προκειμένου να μπορούν να εκπαιδευτούν μοντέλα ενεργειακής αποσύνθεσης. Ωστόσο η συχνότητα των δεδομένων αυτών δεν είναι πάντα εναρμονισμένη με τη συχνότητα των δεδομένων που συλλέγονται στην πράξη σε τυχαίες οικίες εφαρμογής. Ταυτόχρονα, η συμβατότητα των οικιών της REDD δεν είναι δεδομένη με εκείνη οικιών άλλων χωρών. Σκοπός λοιπόν της παρούσας διπλωματικής είναι να εισάγει μια προσέγγιση αλλαγής συχνότητας της βάσης REDD προκειμένου να εναρμονιστεί με διαφορετικά δεδομένα λήψης, και στη συνέχεια να εφαρμόσει μοντέλα που έχουν εκπαιδευτεί σε αυτά τα νέα δείγματα για την εκτίμηση της κατανάλωσης συσκευών σε ελληνικές οικίες. Συγκεκριμένα, σχεδιάστηκαν και υλοποιήθηκαν δύο πειράματα. Στο πρώτο, χρησιμοποιήθηκε γραμμική παρεμβολή στη βάση REDD προκειμένου να αυξηθεί η συχνότητα, ενώ αντίθετα στο δεύτερο χρησιμοποιούνται μεθοδολογίες μέσων όρων και πλησιέστερων γειτόνων ώστε να προσαρμοστεί η REDD σε δείγματα χαμηλής συχνότητας. Και στις δύο περιπτώσεις γίνεται εκπαίδευση μοντέλων ενεργειακής αποσύνθεσης σε όλες τις οικίες της REDD με χρήση αλγορίθμου βασισμένου σε δέντρα αποφάσεων. Τα αποτελέσματα φανερώνουν ότι η προσέγγιση αυτή μπορεί να προσφέρει χρήσιμες ενδείξεις κατανάλωσης χωρίς να αυξάνεται σημαντικά η υπολογιστική πολυπλοκότητα. Συγκεκριμένα, εύρη κατανάλωσης για επιλεγμένες συσκευές με βάση τις εκτιμήσεις που προκύπτουν από τις οικίες της REDD σε μεσοπρόθεσμο στάδιο (π.χ., μια εβδομάδα) δεν απέχουν πολύ από αναμενόμενα δεδομένα σε ελληνικές οικίες. Ταυτόχρονα όμως, τα αποτελέσματα αναδεικνύουν σημαντικές αδυναμίες της χρήσης της REDD σε ελληνικές οικίες. Συγκεκριμένα φανερώθηκε μια έλλειψη ισχυρής αντιπροσώπευσης σημαντικών φορτίων, στα οποία ενώ ήταν εφικτό να καταγραφούν έγκυρα κύκλοι λειτουργίας, η εκτίμηση της ισχύος κατανάλωσης δεν παρουσιάζει την ακρίβεια βάσεων που έχουν δημιουργηθεί πάνω στις οικίες εφαρμογής.	el
heal.abstract	Energy disaggregation, also known as Non-Intrusive Load Monitoring (NILM), is an important approach for estimating the energy consumption of a household at the appliance level using only a single aggregate signal, without the need to install numerous individual meters. Machine learning algorithms have found significant applications in energy disaggregation, surpassing conventional methods such as optimization and showing notable improvements in performance level. However, training such algorithms requires the collection of significant appliance-level data, which is often not available in typical households. Datasets like REDD (The Reference Energy Disaggregation Dataset) help address this issue by providing a plethora of data from various homes and appliances, enabling the training of disaggregation models. Nevertheless, the frequency of the data in such datasets is not always aligned with the sampling frequency of data collected in real-world household settings. Furthermore, the compatibility of the REDD households with households in other countries, such as Greece, is not guaranteed. The goal of this thesis is to introduce an approach for adapting the frequency of the REDD dataset to better align with different sampling conditions and then apply models trained on the new data to estimate appliance-level consumption in Greek households. Specifically, two experiments were designed and implemented. In the first experiment, linear interpolation was used on the REDD dataset to increase the frequency, while in the second, mean average and nearest neighbor methods were implemented to adapt REDD to lower-frequency samples. In both cases, energy disaggregation models were trained on all REDD homes using a decision tree-based algorithm. The results indicate that this approach can provide useful consumption estimates without significantly increasing computational complexity. Specifically, consumption ranges for selected appliances, based on estimates derived from REDD households in the medium term (e.g., one week) are not far from expected data in Greek households. At the same time, however, the results highlight significant weaknesses in the use of REDD in Greek households. Specifically, a lack of strong representation of important loads was revealed, in which while it was possible to record valid operating cycles, the estimation of power consumption does not present the accuracy of bases that have been created on the application households.	en
heal.advisorName	Δούκας, Χρυσόστομος (Χάρης)
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	103
heal.fullTextAvailability	false