| Summary: | Με την εγκαθίδρυση των τεχνολογιών της Βιομηχανίας 4.0, οι έξυπνοι μετρητές που διέπουν τα Internet of Things έχουν διεισδύσει στην καθημερινότητα εκατομμυρίων κατοικιών σε ολόκληρο τον κόσμο. Ωστόσο ο απόλυτος όγκος των δεδομένων τα οποία καταγράφονται καθημερινά περιπλέκει τόσο τη διαδικασία της αποθήκευσής τους όσο και αυτήν της ανάλυσής τους. Στην παρούσα εργασία, εφαρμόζονται state-of-the-art λύσεις για την αποτελεσματική διαστατική συμπίεση χρονοσειρών οι οποίες αφορούν ημερήσια οικιακά προφίλ κατανάλωσης ενέργειας, των οποίων η συχνότητα δειγματοληψίας δυσχεραίνει την διάκριση των χαρακτηριστικών τους. Με την εφαρμογή των Variational Autoencoders, ενισχυμένα με Long Short Term Memory νευρωνικά δίκτυα επιτρέπει τη διαμόρφωση των δεδομένων σε μια συνεκτική αναπαράσταση, τέτοια ώστε να επιτρέπει ένα clustering βάσει του ημερίσιου solar radiance. Απώτερος σκοπός της εργασίας είναι να δημιουργηθούν συστάδες τέτοιες ώστε να υπάρχει ξεκάθαρος διαχωρισμός μεταξύ των ημερήσιων προφίλ. Μία συστάδα όπου σημειώνουν την υψηλότερη ενεργειακή τους ζήτηση εντός της περιόδου κατά την οποία η παραγωγή ενέργειας από ανανεώσιμες πηγές είναι μεγάλη, και ακόμα μία όπου το peak demand εντοπίζεται εκτός της περιόδου υψηλού ηλιακού radiance. Εν συνεχεία, απομονώνονται τα καταναλωτικά ενεργειακά προφίλ τα οποία προσθέτουν το μεγαλύτερο φορτίο στο ηλεκτρικό δίκτυο και εφαρμόζονται μέθοδοι forecasting έτσι ώστε να προβλεφθεί και να αποτρεπτεί αποτελεσματικά η ξαφνική αύξηση της ενεργειακής ζήτησης μέσα στη μέρα κατα τις απογευματινές ώρες, γνωστό και ως “Duck Curve”.
|
|---|
