| Περίληψη: | Τα προηγούμενα χρόνια δεν ήταν εφικτό για τους καταναλωτές να ξέρουν επακριβώς την συνολική ενέργεια που καταναλώνουν στην οικία τους, και ιδιαίτερα την ενέργεια που χρησιμοποιεί μεμονωμένα η κάθε συσκευή. Ωστόσο, η εξέλιξη της τεχνολογίας και τα επιτεύγματα της, παρέχουν πλέον τη δυνατότητα στον καταναλωτή να γνωρίζει την ενεργειακή του συμπεριφορά. Η συγκεκριμένη «δύναμη» μπορεί να αποδειχθεί ιδιαίτερα χρήσιμη, καθώς ο χρήστης μπορεί πλέον να προσαρμόσει τη συμπεριφορά του και να διαμορφώσει με αποδοτικότερο τρόπο την κατανάλωση του, με αποτέλεσμα την εξοικονόμηση ενέργειας που έχει ως συνέπεια και την προστασία του περιβάλλοντος αλλά και οικονομικά οφέλη για τον καταναλωτή. Είναι εφικτό να επιτευχθεί η παραπάνω πρόταση, μέσω της γενικής μεθόδου NILM (non-intrusive load monitoring), η οποία κεντρίζει το ενδιαφέρον της ακαδημαϊκής κοινότητας και της έρευνας των εταιρειών λόγω των μεγάλων πλεονεκτημάτων που προσφέρει. Η κεντρική ιδέα αυτής της διαδικασίας είναι με τη λήψη ενός σήματος που περιέχει τη συνολική κατανάλωση όλων των συσκευών μίας μονάδας, να επιτυγχάνεται ο διαχωρισμός των συσκευών που χρησιμοποιούνται σε αυτή καθώς και η εξακρίβωση της ατομικής τους κατανάλωσης. Για να πραγματοποιηθεί αυτή η διαδικασία χρησιμοποιούνται ηλεκτρικοί μετρητές ή αλλιώς «έξυπνοι μετρητές», οι οποίοι τοποθετούνται είτε στον κεντρικό πίνακα του σπιτιού είτε στο πάνελ διακόπτη κυκλώματος. Για αυτό το λόγο το NILM θεωρείται εναλλακτική λύση χαμηλού κόστους έναντι στην τοποθέτηση μεμονωμένων μετρητών σε κάθε συσκευή ξεχωριστά, το οποίο είναι εξαιρετικά χρονοβόρο και με αρκετά υψηλότερο κόστος. Στόχος αυτής της διπλωματικής εργασίας είναι ο επιμερισμός της ενέργειας μέσω τεχνικών της Μηχανικής μάθησης και της Βαθιάς μάθησης, αλλά και η σύγκριση μεταξύ αλγορίθμων Δένδρο Απόφασης (Decision Tree), Τυχαίο Δάσος (Random Forest), k-NN αλλά και SVM (Support Vector Machine)} με ένα LSTM (Long Short-Term Memory) δίκτυο .Όλα τα πειράματα έχουν διεξαχθεί σε δεδομένα από το REDD Data Set.
|
|---|
