Παρακολούθηση (οικιακού) φορτίου σε έξυπνα ενεργειακά δίκτυα με χρήση τεχνικών μηχανικής μάθησης
Loading...
Date
Authors
Γεωργουλάκης, Τίτος
Journal Title
Journal ISSN
Volume Title
Publisher
Abstract
Έχοντας σαν γνώμονα το πρόβλημα της κλιματικής αλλαγής και συνεπώς των εκπομπών CO_2, οι κυβερνήσεις επενδύουν ολοένα και περσότερο στην ανάπτυξη των έξυπνων δικτύων (smart grids), με σκοπό την αποτελεσματικότερη διαχείριση της ενέργειας. Τα τελευταία χρόνια, λόγω της αυξανόμενης ζήτησης σε διάφορους τομείς (κυρίως στον κτηριακό), η διαχείρισή της ενέργειας έχει καταστεί απαραίτητη για την αποτελεσματική αξιοποίησή της και την κατανόηση της συμπεριφοράς των καταναλωτών ως προς τη χρήση της, για την αποφυγή πιθανής σπατάλης. Οι τεχνολογίες που εισάγουν τα έξυπνα δίκτυα σε συνδυασμό με τις μεθόδους μηχανικής μάθησης, είναι ικανές να οδηγήσουν σε μείωση της ενεργειακής κατανάλωσης των κτηρίων. Μία τέτοια προσέγγιση αποτελεί η μείωση της καταναλισκόμενης ενέργειας στα κατοικήσιμα κτήρια με τη παροχή πληροφοριών στους καταναλωτές που σχετίζονται με τη κατανάλωση των οικιακών συσκευών τους. Κάτι τέτοιο μπορεί να επιτευχθεί με οικονομικό τρόπο μέσω της μη παρεμβατικής παρακολούθησης φορτίου (non-intrusive load monitoring – NILM). Σύμφωνα με τη μέθοδο αυτή, είναι δυνατό να υπολογιστεί η κατανάλωση των επιμέρους συσκευών ενός σπιτιού, έχοντας ως μοναδικό δεδομένο τη συνολική κατανάλωσή του, χωρίς την εγκατάσταση επιπλέον μετρητών σε κάθε συσκευή ξεχωριστά. Κατά αυτό το τρόπο, γίνεται εφικτή η διαχείριση της ζήτησης, σύμφωνα με την οποία οι καταναλωτές μπορούν να συμμετέχουν ενεργά στη λειτουργία του δικτύου, μειώνοντας το κόστος κατανάλωσής τους έως και 12% ετησίως. Ωστόσο, η παραπάνω διαδικασία απαιτεί την εκπαίδευση των διαφόρων αλγορίθμων με χρήση ενός πολύ μεγάλου όγκου δεδομένων με σκοπό την αποτελεσματική υλοποίηση του προβλήματος. Σύμφωνα με πρόσφατες έρευνες, οι μέθοδοι βαθιάς μάθησης (deep learning) και ιδιαίτερα τα βαθιά νευρωνικά δίκτυα (deep neural networks) αποτελούν τη καταλληλότερη επιλογή για την διαχείριση μεγάλου όγκου δεδομένων. Σκοπός της παρούσας διπλωματικής, αποτελεί η ανάπτυξη και εκπαίδευση ενός νευρωνικού δικτύου, με στόχο την ικανοποιητική επίλυση του προβλήματος NILM. Επιπλέον, εξετάζεται η δυνατότητα μεταφοράς της γνώσης (transfer learning) που απέκτησε το δίκτυο κατά την εκπαίδευση, αλλά και η εφαρμογή του σε σπίτια για το οποία το μοντέλο δεν έχει συναντήσει κατά τη διάρκεια της εκπαίδευσής του και προέρχονται από διαφορετικό περιβάλλον (cross-domain).
Description
Keywords
Μη παρεμβατική παρακολούθηση φορτίου, Έξυπνα δίκτυα, Ενεργειακός επιμερισμός