Έξυπνη διαχείριση μεγάλου όγκου δεδομένων ενέργειας με τεχνικές μηχανικής μάθησης
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 κα...
| Κύριος συγγραφέας: | |
|---|---|
| Άλλοι συγγραφείς: | |
| Γλώσσα: | Greek |
| Έκδοση: |
2021
|
| Θέματα: | |
| Διαθέσιμο Online: | http://hdl.handle.net/10889/14901 |
| id |
nemertes-10889-14901 |
|---|---|
| record_format |
dspace |
| institution |
UPatras |
| collection |
Nemertes |
| language |
Greek |
| topic |
Επιμερισμός της ενέργειας Μηχανική μάθηση Energy disaggregation Machine learning |
| spellingShingle |
Επιμερισμός της ενέργειας Μηχανική μάθηση Energy disaggregation Machine learning Κωνσταντόπουλος, Χρήστος Έξυπνη διαχείριση μεγάλου όγκου δεδομένων ενέργειας με τεχνικές μηχανικής μάθησης |
| description |
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. |
| author2 |
Konstantopoulos, Christos |
| author_facet |
Konstantopoulos, Christos Κωνσταντόπουλος, Χρήστος |
| author |
Κωνσταντόπουλος, Χρήστος |
| author_sort |
Κωνσταντόπουλος, Χρήστος |
| title |
Έξυπνη διαχείριση μεγάλου όγκου δεδομένων ενέργειας με τεχνικές μηχανικής μάθησης |
| title_short |
Έξυπνη διαχείριση μεγάλου όγκου δεδομένων ενέργειας με τεχνικές μηχανικής μάθησης |
| title_full |
Έξυπνη διαχείριση μεγάλου όγκου δεδομένων ενέργειας με τεχνικές μηχανικής μάθησης |
| title_fullStr |
Έξυπνη διαχείριση μεγάλου όγκου δεδομένων ενέργειας με τεχνικές μηχανικής μάθησης |
| title_full_unstemmed |
Έξυπνη διαχείριση μεγάλου όγκου δεδομένων ενέργειας με τεχνικές μηχανικής μάθησης |
| title_sort |
έξυπνη διαχείριση μεγάλου όγκου δεδομένων ενέργειας με τεχνικές μηχανικής μάθησης |
| publishDate |
2021 |
| url |
http://hdl.handle.net/10889/14901 |
| work_keys_str_mv |
AT kōnstantopouloschrēstos exypnēdiacheirisēmegalouonkoudedomenōnenergeiasmetechnikesmēchanikēsmathēsēs AT kōnstantopouloschrēstos smartmanagementofbigenergydatawithmachinelearningtechniques |
| _version_ |
1771297327254863872 |
| spelling |
nemertes-10889-149012022-09-05T20:43:34Z Έξυπνη διαχείριση μεγάλου όγκου δεδομένων ενέργειας με τεχνικές μηχανικής μάθησης Smart management of big energy data with machine learning techniques Κωνσταντόπουλος, Χρήστος Konstantopoulos, Christos Επιμερισμός της ενέργειας Μηχανική μάθηση Energy disaggregation Machine learning 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. In recent years it was not possible for consumers to know exactly the total energy they consume in their home, and especially the energy used individually by each device. However, the evolution of technology and its achievements, now provide the possibility for the consumer to know his energy behavior. This specific «power» can prove to be particularly useful, as the user can now adjust his behavior and shape his consumption more efficiently, resulting in energy savings that result in the protection of the environment as well as economic benefits for the consumer. It is possible to achieve the above proposal, through the general method of NILM (non-intrusive load monitoring), which is draws the attention of the academic community and the research of companies due to the great advantages it offers. The central idea of this process is to obtain a signal containing the total consumption of all the devices in a unit, and try to achieve the separation of the devices used in it as well as the verification of their individual consumption. To perform this procedure, electric meters or "smart meters" are used, which are placed either on the main panel of the house or on the circuit breaker panel. For this reason, NILM is considered a low-cost alternative to placing individual meters in each device separately, which is extremely time consuming and with considerable higher costs}. The purpose of this Master thesis is the disaggregation of energy using Machine Learning and Deep Learning techniques, but also the comparison between algorithms such as Decision Tree, Random Forest, K-NN, but also SVM (Support Vector Machine) and an LSTM (Long Short-Term Memory) network. All experiments have been performed on data from REDD Data Set. 2021-07-05T06:23:41Z 2021-07-05T06:23:41Z 2021-07-04 http://hdl.handle.net/10889/14901 gr application/pdf |
