Please use this identifier to cite or link to this item: http://hdl.handle.net/10889/15036
Title: Διαχωρισμός ενέργειας και προληπτική συντήρηση σε πραγματικό χρόνο; Αποδοτικές τεχνικές μηχανικής μάθησης μεγάλης κλίμακας για ταχεία ανακάλυψη μοτίβων σε ενεργειακές ροές δεδομένων
Other Titles: Energy disaggregation and predictive maintenance in real time? Efficient large-scale machine learning techniques for rapid motif discovery in energy data streams
Authors: Λυκοθανάση, Καλλιόπη-Κλέλια
Keywords: Μηχανική μάθηση
Κατανάλωση ενέργειας
Μη-παρεμβατική παρακολούθηση φορτίου
Διαχωρισμός ενέργειας
Αναδρομικά νευρωνικά δίκτυα
Keywords (translated): Machine learning
Energy consumption
Non-intrusive load monitoring
Energy disaggregation
Recurrent neural networks
Abstract: Η μέτρηση της κατανάλωσης ενέργειας των οικιακών συσκευών αποτελούσε μέχρι πρόσφατα ένα δυσεπίλυτο πρόβλημα. Πιο συγκεκριμένα, απαιτούσε την εγκατάσταση ενός μετρητή πριν από κάθε συσκευή που αποτελούσε αντικείμενο μελέτης, διαδικασία τόσο χρονοβόρα όσο και κοστοβόρα. Οι τεχνολογικές εξελίξεις των τελευταίων χρόνων κατέστησαν δυνατή τη δημιουργία μετρητών που συνδέονται στον κεντρικό πίνακα μίας οικίας και καταγράφουν τα χαρακτηριστικά της κατανάλωσης ηλεκτρικής ενέργειας για ολόκληρο το σπίτι. Με τη βοήθεια αλγορίθμων Μηχανικής Μάθησης είναι εφικτή η δημιουργία μοντέλων τα οποία από τα δεδομένα ενός τέτοιου μετρητή μπορούν να εξάγουν τα χαρακτηριστικά της κατανάλωσης μεμονωμένων ηλεκτρικών συσκευών, δηλαδή να ανακαλύπτουν το ενεργειακό προφίλ («υπογραφή») της συσκευής. Η ανάλυση αυτών των στοιχείων της κατανάλωσης έχει την προοπτική να οδηγήσει στη δημιουργία συστημάτων που δίνουν στους καταναλωτές τη δυνατότητα να αναδιαμορφώσουν το ενεργειακό τους προφίλ ώστε να εξοικονομούν χρήματα και ενέργεια, αλλά και να λαμβάνουν ενημερώσεις όταν κάποια συσκευή φαίνεται να έχει υποστεί βλάβη. Οι πάροχοι ηλεκτρικού ρεύματος μπορούν, συλλέγοντας πληροφορίες από τους συνδρομητές τους, να προβούν σε εκτιμήσεις της ζήτησης ενέργειας για κάθε χρονική στιγμή της ημέρας και έτσι να αποφύγουν τυχόν σπατάλη παραχθείσας ενέργειας ή υπερφόρτωση του δικτύου διανομής. Η παρούσα διπλωματική εργασία αποσκοπεί στην ανάπτυξη ενός αποδοτικού μοντέλου το οποίο θα λαμβάνει ως είσοδο το συνολικό σήμα μιας οικίας και θα προσπαθεί να προβλέψει την κατάσταση λειτουργίας (On/Off) ορισμένων ηλεκτρικών συσκευών μέσα στο καταγεγραμμένο χρονικό διάστημα. Οι πληροφορίες αυτές καθιστούν την «υπογραφή» της κάθε συσκευής. Η ικανότητα του μοντέλου να αναγνωρίζει περισσότερες από μία συσκευές είναι η κύρια συνεισφορά της εργασίας, εφόσον στη βιβλιογραφία δεν φαίνεται κάτι τέτοιο να έχει μελετηθεί εκτενώς.
Abstract (translated): Domestic appliance power consumption measurement was, until recently, a problem without a satisfying solution. It required the use of a measuring device for each appliance to be studied, and thus the spending of a considerable amount of both money and time. The technological advancements made in the past few decades have enabled the engineering of smart devices that connect to the central panel of a building and log the features of the electrical current passing through it. Using Machine Learning algorithms, we can create models that extract individual appliance information (“signatures”) from the signals recorded by these measuring devices. This process can lead to the production of systems that could be particularly useful for the consumers. They would not only allow individuals to alter their power consumption profile, in order to minimise their spending and environmental impact, but also notify them if an appliance seems to be malfunctioning. In addition, the energy providers could harness the potential of usage statistics collected from their customers to estimate the energy demand for any given moment within a day. This would prevent the production of excess energy or the overloading of the power supply network infrastructure. The objective of this diploma thesis is the implementation of an efficient model that will be able to predict the state (On/Off) of a set of electrical appliances during a specific time span, based on the aggregate power signal of the house within which they operate. The changes in the measurements that help the model determine the status of each device are considered the “device signature”. The contribution of this work to the current body of research on the subject concerns the ability of the model to categorise the behaviour of more than one appliance. This aspect of the problem does not seem to have been explored extensively.
Appears in Collections:Τμήμα Μηχανικών Η/Υ και Πληροφορικής (ΔΕ)

Files in This Item:
File Description SizeFormat 
thesis_lykothanasi.pdf1.77 MBAdobe PDFView/Open
code_lykothanasi.zip6.42 kBZIPView/Open


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