Ανάλυση της ενεργειακής κατανάλωσης οικιακών συσκευών και εφαρμογές μεθόδων μηχανικής μάθησης στο πρόβλημα του ενεργειακού επιμερισμού

datacite.contributor.RelatedPersonΜακρής, Χρήστος
datacite.contributor.RelatedPersonΤσίχλας, Κωνσταντίνος
datacite.contributor.SupervisorΣιούτας, Σπυρίδων
dc.contributor.authorΓεραρίδης, Ευάγγελος
dc.contributor.otherGeraridis, Evangelos
dc.description.abstract́Ενα από τα πλέον σημαντικά προβλήματα της εποχής μας είναι η αποτελεσματική διαχείριση της ενέργειας, καθώς η παραγωγή της παραμένει μια διαδικασία ρυπογόνα και κοστοβόρα, αφού περίπου το 80 % αυτής ακόμη και στις αναπτυγμένες χώρες παρέχεται από μη ανανεώσιμες πηγές ενέργειας. Γνωρίζοντας ο καταναλωτής πόση ενέργεια καταναλώνει η κάθε οικιακή συσκευή που διαθέτει ξεχωριστά, μπορεί ο ίδιος να εξοικονομήσει χρήματα περιορίζοντας τη χρήση των πιο εργοβόρων συσκευών ενώ παράλληλα μπορεί να μειώσει και το αποτύπωμα άνθρακα που ο ίδιος παράγει. Ταυτόχρονα ο πάροχος της ηλεκτρικής ενέργειας θα γνωρίζει εκ των προτέρων πόση ενέργεια χρειάζεται να παραχθεί, αποφεύγοντας έτσι την άσκοπη παραγωγή αυτής, ενώ ταυτοχρόνως καθίσταται δυνατό να αποφευχθεί μια ενδεχόμενη υπερφόρτωση του δικτύου λόγω αυξημένης ζήτησης. Επιπροσθέτως ο χρήστης, μέσω των δεδομένων της καθεμίας επιμέρους συσκευής, μπορεί να διαπιστώσει αν η εν λόγω συσκευή δυσλειτουργεί, κάτι που ενδεχομένως να προμηνύει κάποια βλάβη. Μια προσέγγιση που θα μπορούσε να δοθεί προκειμένου να μπορέσει να υπάρξει μια αποτελεσματική και ακριβής μέτρηση της κατανάλωσης της εκάστοτε οικιακής ηλεκτρικής συσκευής, είναι μέσω της εγκατάστασης ενός μετρητή σε κάθε συσκευή ξεχωριστά και η καταμέτρηση της καταναλώσεως στο τέλος κάποιων περιόδων. 'Ομως κάτι τέτοιο εκτός από κοστοβόρο, είναι και πρακτικά δύσκολο να υλοποιηθεί καθώς σε κάθε οικία θα πρέπει να βρίσκονται πολλαπλοί μετρητές, αυξάνοντας έτσι και την πιθανότητα κάποιος από αυτούς να πάψει να λειτουργεί σωστά κάποια χρονική στιγμή. Βασισμένοι στην υπολογιστική εξέλιξη του σήμερα, το πρόβλημα αυτό μπορεί να αντιμετωπιστεί αποτελεσματικότερα με τη χρήση μεθόδων μηχανικής μάθησης, όπου με την αξιοποίηση ενός και μόνο κεντρικού μετρητή ανά οικία θα μπορέσουμε να εξάγουμε ακριβή συμπεράσματα για την κατανάλωση των επιμέρους οικιακών συσκευών. Μέσω αυτής της προσέγγισης το πρόβλημα αυτό μετατρέπεται αυτομάτως σε λιγότερα κοστοβόρο και περισσότερα αξιόπιστο, καθώς χρειάζεται μόνο ο έλεγχος της σωστής λειτουργίας του μοναδικού κεντρικού μετρητή. Σκοπός της παρούσας διπλωματικής εργασίας είναι η ανάπτυξη τέτοιων μοντέλων και η σύγκριση αυτών , με απώτερο σκοπό την πρόβλεψη των ενεργειακών αναγκών κάθε συσκευής αλλά και οικίας συνολικά.
dc.description.translatedabstractOne of the most important problems of our time is the efficient management of energy, as its production remains a polluting and costly process, since a large percentage around 80 % of it comes from non-renewable energy sources, even in developed countries. By knowing how much energy each household appliance consumes, consumers can save money by limiting the use of more energy-intensive appliances, while at the same time reducing their carbon footprint. At the same time, the electricity provider will know in advance how much energy needs to be produced, thus avoiding unnecessary production, while at the same time avoiding a possible overload of the grid due to increased demand. In addition, the end user can check, through each device's data, whether the device in question is malfunctioning thus servicing it in advance. One simple approach to address the task of monitoring the energy consumption of household devices would be to place a device meter in each appliance separately. However, this task is very costly, time-consuming and inconvenient since one has to install and maintain multiple devices in every household. Given the technological advancements in informatics and technology fields of today, solutions can be given by implementing smart energy management systems that use advanced data analytics and machine learning algorithms to monitor and control the energy consumption of various appliances in a household. One such approach is achieved by using a central meter device that collects the aggregated signal of the household and with the help of machine learning, valuable insights and recommendations are made to the end-users on how to optimize their energy usage. Through this approach, this problem automatically becomes less costly and more reliable, as it only requires checking the correct operation of one single central meter. This thesis aims to develop such machine and deep learning models and then through comparing and evaluating them, provide solid tools to predict the energy needs of each appliance and house.
dc.subjectΜηχανική μάθηση
dc.subjectΕπιμερισμός ενέργειας
dc.subjectΜη παρεμβατικές μέθοδοι παρακολούθησης φορτίου
dc.subjectΠρόβλεψη ενεργειακής κατανάλωσης
dc.subjectΚεντρικός μετρητής
dc.subjectΑναδρομικά νευρωνικά δίκτυα
dc.subjectΤυχαίο δάσος
dc.subjectΔέντρα ενισχυμένης κλίσης
dc.subjectΓραμμική παλινδρόμηση
dc.subjectCombinatorial optimization
dc.subject.alternativeMachine learning
dc.subject.alternativeNon intrusive load monitoring
dc.subject.alternativeEnergy disaggregation
dc.subject.alternativeRecurrent neural networks
dc.subject.alternativeForecasting of energy consumption
dc.subject.alternativeRandom forest trees
dc.subject.alternativeGradient boosted trees
dc.subject.alternativeLinear regression
dc.subject.alternativeCombinatorial optimization
dc.titleΑνάλυση της ενεργειακής κατανάλωσης οικιακών συσκευών και εφαρμογές μεθόδων μηχανικής μάθησης στο πρόβλημα του ενεργειακού επιμερισμού
dc.title.alternativeAnalysis of home appliance energy use and machine learning approaches to the energy disaggregation problem


Original bundle
Now showing 1 - 1 of 1
Thumbnail Image
Analysis of home appliance energy use and machine learning approaches to the energy disaggregation problem.pdf
61.13 MB
Adobe Portable Document Format
License bundle
Now showing 1 - 1 of 1
No Thumbnail Available
5.02 KB
Item-specific license agreed upon to submission