Διαχωρισμός ενέργειας σε πραγματικό χρόνο; Ταχεία ανακάλυψη μοτίβου σε χρονοσειρές ενεργειακών δεδομένων
Τα βαθιά νευρωνικά δίκτυα θεωρούνται ο κεντρικός άξονας της έρευνητικης περιοχής της τεχνητής νοημοσύνης στην σύγχρονη εποχή. Η έκρηξη του μεγέθους της πληροφορίας που παράγεται τα τελευταία χρόνια έχει οδηγήσει στην ανάπτυξη ισχυρών μοντέλων βαθιάς μάθησης, τα οποία βρίσκουν συμπεράσματα σε τεράστι...
| Κύριος συγγραφέας: | |
|---|---|
| Άλλοι συγγραφείς: | |
| Γλώσσα: | Greek |
| Έκδοση: |
2022
|
| Θέματα: | |
| Διαθέσιμο Online: | http://hdl.handle.net/10889/16077 |
| id |
nemertes-10889-16077 |
|---|---|
| record_format |
dspace |
| spelling |
nemertes-10889-160772022-09-05T20:25:31Z Διαχωρισμός ενέργειας σε πραγματικό χρόνο; Ταχεία ανακάλυψη μοτίβου σε χρονοσειρές ενεργειακών δεδομένων Energy disaggregation on real time? Rapid motif discovery on time series of energy data Αργυρόπουλος, Αθανάσιος Argyropoulos, Athanasios Ηλεκτρική ενεργειακή ανάλυση Βαθιά νευρωνικά δίκτυα Αναγνώριση μοτίβων Ενεργειακός διαχωρισμός Deep neural networks Energy disaggregation Τα βαθιά νευρωνικά δίκτυα θεωρούνται ο κεντρικός άξονας της έρευνητικης περιοχής της τεχνητής νοημοσύνης στην σύγχρονη εποχή. Η έκρηξη του μεγέθους της πληροφορίας που παράγεται τα τελευταία χρόνια έχει οδηγήσει στην ανάπτυξη ισχυρών μοντέλων βαθιάς μάθησης, τα οποία βρίσκουν συμπεράσματα σε τεράστια σύνολα δεδομένων που βοηθούν στην κατανόηση προβλημάτων και στην επίλυσή τους. Από την άλλη πλευρά, η ραγδαία ανάπτυξη υλικού και ηλεκτρονικής έχει οδηγήσει στην κατασκευή προσιτών IoT συσκευών συλλογής δεδομένων καθημερινής χρήσης. Μία τέτοια έξυπνη συσκευή είναι ο ηλεκτρικός μετρητής που τοποθετείται στον κεντρικό πίνακα ενός νοικοκυριού και συλλέγει δεδομένα ηλεκτρικής ενέργειας. ΄Ενα μοντέρνο ζήτημα που προκύπτει στην κατανάλωση ηλεκτρικού ρεύματος, είναι ο διαχωρισμός της συνολικής ηλεκτρικής ενέργειας σε καταστάσεις που δείχνουν την κατανάλωση μεμονομένων συσκευών ενός νοικοκυριού. ΄Ετσι με την χρήση βαθιών μοντέλων νευρωνικών δικτύων και με τα δεδομένα που συλλέγονται από τους έξυπνους μετρητές επιτυγχάνεται η επίβλεψη της κατανάλωσης σε κάθε μεμονωμένη συσκευή από την συνολική κατανάλωση ηλεκτρικής ενέργειας, η οποία οδηγεί στην εξοικονόμηση ενέργειας και την φιλική στάση προς το περιβάλλον. Σκοπός λοιπόν της εργασίας είναι η ανάπτυξη μοντέλων βαθιάς μάθησης που πραγματοποιούν των διαχωρισμό ηλεκτρικής ενέργειας σε πραγματικά δεδομένα, που συλλέχθηκαν από έξυπνους μετρητές της εταιρείας MEAZON S.A., με την τεχνική της παλινδρόμησης. Deep neural networks are considered the mainstay of research area of artificial intelligence in the modern era. The explosion of information generated in recent years has led to the development of powerful deep learning models, which find patterns in huge data sets that help to understand and solve problems. On the other hand, the rapid development of hardware and electronics has led to the construction of affordable data collection devices for everyday use. One such ”smart device” is the electricity meter, which is placed on the electrical panel of a household and collects electricity data. A modern issue that arises in electricity consumption is the disaggregation of total electricity into situations that show the consumption of individual household appliances. Thus, with the use of deep neural network models and the collected data by smart meters, the consumption of each individual device is monitored from the total electricity consumption, which leads to energy savings and an environmentally friendly attitude. So the aim of this thesis is the development of deep learning models that carry out the energy disaggregation problem into real data which collect from smart meters by MEAZON S.A company, with the technique of regression. 2022-03-16T11:14:36Z 2022-03-16T11:14:36Z 2022-03-15 http://hdl.handle.net/10889/16077 gr application/pdf |
| institution |
UPatras |
| collection |
Nemertes |
| language |
Greek |
| topic |
Ηλεκτρική ενεργειακή ανάλυση Βαθιά νευρωνικά δίκτυα Αναγνώριση μοτίβων Ενεργειακός διαχωρισμός Deep neural networks Energy disaggregation |
| spellingShingle |
Ηλεκτρική ενεργειακή ανάλυση Βαθιά νευρωνικά δίκτυα Αναγνώριση μοτίβων Ενεργειακός διαχωρισμός Deep neural networks Energy disaggregation Αργυρόπουλος, Αθανάσιος Διαχωρισμός ενέργειας σε πραγματικό χρόνο; Ταχεία ανακάλυψη μοτίβου σε χρονοσειρές ενεργειακών δεδομένων |
| description |
Τα βαθιά νευρωνικά δίκτυα θεωρούνται ο κεντρικός άξονας της έρευνητικης περιοχής της τεχνητής νοημοσύνης στην σύγχρονη εποχή. Η έκρηξη του μεγέθους της πληροφορίας που παράγεται τα τελευταία χρόνια έχει οδηγήσει στην ανάπτυξη ισχυρών μοντέλων βαθιάς μάθησης, τα οποία βρίσκουν συμπεράσματα σε τεράστια σύνολα δεδομένων που βοηθούν στην κατανόηση προβλημάτων και στην επίλυσή τους. Από την άλλη πλευρά, η ραγδαία ανάπτυξη υλικού και ηλεκτρονικής έχει οδηγήσει στην κατασκευή προσιτών IoT συσκευών συλλογής δεδομένων καθημερινής χρήσης. Μία τέτοια έξυπνη συσκευή είναι ο ηλεκτρικός μετρητής που τοποθετείται στον κεντρικό πίνακα ενός νοικοκυριού και συλλέγει δεδομένα ηλεκτρικής ενέργειας. ΄Ενα μοντέρνο ζήτημα που προκύπτει στην κατανάλωση ηλεκτρικού ρεύματος, είναι ο διαχωρισμός της συνολικής ηλεκτρικής ενέργειας σε καταστάσεις που δείχνουν την κατανάλωση μεμονομένων συσκευών ενός νοικοκυριού. ΄Ετσι με την χρήση βαθιών μοντέλων
νευρωνικών δικτύων και με τα δεδομένα που συλλέγονται από τους έξυπνους μετρητές επιτυγχάνεται η επίβλεψη της κατανάλωσης σε κάθε μεμονωμένη συσκευή από την συνολική κατανάλωση ηλεκτρικής ενέργειας, η οποία οδηγεί στην εξοικονόμηση ενέργειας και την φιλική στάση προς το περιβάλλον. Σκοπός λοιπόν της εργασίας είναι η ανάπτυξη μοντέλων βαθιάς μάθησης που πραγματοποιούν των διαχωρισμό ηλεκτρικής ενέργειας σε πραγματικά δεδομένα, που συλλέχθηκαν από έξυπνους μετρητές της εταιρείας MEAZON S.A., με την τεχνική της παλινδρόμησης. |
| author2 |
Argyropoulos, Athanasios |
| author_facet |
Argyropoulos, Athanasios Αργυρόπουλος, Αθανάσιος |
| author |
Αργυρόπουλος, Αθανάσιος |
| author_sort |
Αργυρόπουλος, Αθανάσιος |
| title |
Διαχωρισμός ενέργειας σε πραγματικό χρόνο; Ταχεία ανακάλυψη μοτίβου σε χρονοσειρές ενεργειακών δεδομένων |
| title_short |
Διαχωρισμός ενέργειας σε πραγματικό χρόνο; Ταχεία ανακάλυψη μοτίβου σε χρονοσειρές ενεργειακών δεδομένων |
| title_full |
Διαχωρισμός ενέργειας σε πραγματικό χρόνο; Ταχεία ανακάλυψη μοτίβου σε χρονοσειρές ενεργειακών δεδομένων |
| title_fullStr |
Διαχωρισμός ενέργειας σε πραγματικό χρόνο; Ταχεία ανακάλυψη μοτίβου σε χρονοσειρές ενεργειακών δεδομένων |
| title_full_unstemmed |
Διαχωρισμός ενέργειας σε πραγματικό χρόνο; Ταχεία ανακάλυψη μοτίβου σε χρονοσειρές ενεργειακών δεδομένων |
| title_sort |
διαχωρισμός ενέργειας σε πραγματικό χρόνο; ταχεία ανακάλυψη μοτίβου σε χρονοσειρές ενεργειακών δεδομένων |
| publishDate |
2022 |
| url |
http://hdl.handle.net/10889/16077 |
| work_keys_str_mv |
AT argyropoulosathanasios diachōrismosenergeiassepragmatikochronotacheiaanakalypsēmotibousechronoseiresenergeiakōndedomenōn AT argyropoulosathanasios energydisaggregationonrealtimerapidmotifdiscoveryontimeseriesofenergydata |
| _version_ |
1771297299930021888 |
