Please use this identifier to cite or link to this item: http://hdl.handle.net/10889/15734
Title: Παρακολούθηση (οικιακού) φορτίου σε έξυπνα ενεργειακά δίκτυα με χρήση τεχνικών μηχανικής μάθησης
Other Titles: Residential load monitoring in smart energy grids using machine learning techniques
Authors: Γεωργουλάκης, Τίτος
Keywords: Μη παρεμβατική παρακολούθηση φορτίου
Έξυπνα δίκτυα
Ενεργειακός επιμερισμός
Keywords (translated): Non-intrusive load monitoring (NILM)
Supervised learning
Transfer learning
Load monitoring
Smart grids
Energy disaggregation
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).
Abstract (translated): Driven by the climate change problem and therefore CO_2 emissions, governments are increasingly investing in the development of smart grids to manage energy more efficiently. In recent years, due to the increasing demand in various sectors (mainly in the building sector), energy management has become essential to make efficient use of energy and to understand the behavior of consumers in terms of energy usage in order to avoid potential waste. The technologies introduced by smart grids, combined with machine learning methods, are capable of reducing the energy consumption of buildings. One such approach is to reduce the energy consumed in residential buildings by providing consumers with information related to the consumption of their household appliances. This can be achieved in a cost-effective way through non-intrusive load monitoring (NILM). Under this method, it is possible to calculate the consumption of individual appliances in a household, taking as a single data point the total consumption of the household, without the need to install additional meters on each individual appliance. In this way, demand management becomes possible, whereby consumers can actively participate in the operation of the network, reducing their consumption costs by up to 12% per year. However, the above process requires the training of various algorithms using a very large amount of data in order to implement the problem efficiently. According to recent research, deep learning methods and in particular deep neural networks are the most suitable choice for managing large volumes of data. The aim of this thesis is the development and training of a neural network in order to solve the NILM problem satisfactorily. Furthermore, the possibility of transferring the knowledge (transfer learning) acquired by the network during training is considered, as well as its application to houses for which the model has not encountered during training and which come from different domains (cross-domain).
Appears in Collections:Τμήμα Ηλεκτρολ. Μηχαν. και Τεχνολ. Υπολογ. (ΔΕ)

Files in This Item:
File Description SizeFormat 
thesis_1047045.pdf3.98 MBAdobe PDFView/Open


Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.