Deep learning and DBSCAN for efficient energy disaggregation

Στην σημερινή εποχή που η τεχνολογία αναπτύσσεται ραγδαία, ολοένα και περισσότερο στην καθημερινότητα των ανθρώπων, εντάσσονται «έξυπνα» αντικείμενα και συσκευές. Η κατεύθυνση προς την «έξυπνη» ζωή, προήλθε από την ανάγκη που καλλιεργήθηκε, για εύκολη και άμεση παροχή και διαχείριση πληροφοριών και...

Πλήρης περιγραφή

Λεπτομέρειες βιβλιογραφικής εγγραφής
Κύριος συγγραφέας:	Οικονομοπούλου, Εμμανουέλα-Ηλέκτρα
Άλλοι συγγραφείς:	Oikonomopoulou, Emmanouela-Ilektra
Γλώσσα:	Greek
Έκδοση:	2022
Θέματα:	Μηχανική μάθηση Μη επιβλεπόμενη μάθηση Επιβλεπόμενη μάθηση Συσταδοποίηση Κατανάλωση ενέργειας Machine learning Unsupervised learning Supervised learning Clustering DinRail Cerberus Energy consumption DBSCAN Apache Spark
Διαθέσιμο Online:	https://hdl.handle.net/10889/23589

id	nemertes-10889-23589
record_format	dspace
spelling	nemertes-10889-235892022-11-02T04:37:42Z Deep learning and DBSCAN for efficient energy disaggregation Βαθιά μάθηση και DBSCAN για αποτελεσματική κατανομή ενέργειας Οικονομοπούλου, Εμμανουέλα-Ηλέκτρα Oikonomopoulou, Emmanouela-Ilektra Μηχανική μάθηση Μη επιβλεπόμενη μάθηση Επιβλεπόμενη μάθηση Συσταδοποίηση Κατανάλωση ενέργειας Machine learning Unsupervised learning Supervised learning Clustering DinRail Cerberus Energy consumption DBSCAN Apache Spark Στην σημερινή εποχή που η τεχνολογία αναπτύσσεται ραγδαία, ολοένα και περισσότερο στην καθημερινότητα των ανθρώπων, εντάσσονται «έξυπνα» αντικείμενα και συσκευές. Η κατεύθυνση προς την «έξυπνη» ζωή, προήλθε από την ανάγκη που καλλιεργήθηκε, για εύκολη και άμεση παροχή και διαχείριση πληροφοριών και υπηρεσιών. Έτσι, με σκοπό την πλήρη διαχείριση των οικιακών ηλεκτρικών, πολλά νοικοκυριά έχουν στραφεί στην εγκατάσταση του «έξυπνου σπιτιού». Ωστόσο, μείζον θέμα στην πραγματικότητα του σήμερα, αποτελεί η διαχείριση της κατανάλωσης ηλεκτρικής ενέργειας. Την λύση στο πρόβλημα αυτό, έδωσε η μηχανική μάθηση και ο ηλεκτρικός μετρητής DinRail Cerberus. Με την εγκατάσταση του προαναφερθέντα μετρητή στον κεντρικό πίνακα ενός νοικοκυριού, συλλέγονται πολύτιμα δεδομένα της καταναλωθείσας ηλεκτρικής ενέργειας. Τα δεδομένα που ανακτώνται, επεξεργάζονται και τροφοδοτούν τους αλγορίθμους μηχανικής μάθησης, με σκοπό την εξαγωγή συμπερασμάτων και την μελλοντική πρόβλεψη συμπεριφοράς των συσκευών. Στόχος λοιπόν της παρούσας διπλωματικής εργασίας, είναι η επεξεργασία μεγάλου όγκου δεδομένων ενέργειας και η ανάπτυξη ενός αποδοτικού συστήματος πρόβλεψης. Ο αλγόριθμος που θα χρησιμοποιηθεί για τον σχεδιασμό του συστήματος, είναι ο αλγόριθμος μη επιβλεπόμενης μάθησης, συσταδοποίηση με DBSCAN. Σκοπός του αλγορίθμου, είναι να μπορέσει να κάνει πρόβλεψη, αν μία συσκευή είναι ενεργή ή ανενεργή κάποια δεδομένη στιγμή, βάσει των ενεργειακών αποτυπωμάτων των συσκευών. In today's era, when technology is developing rapidly, "smart" objects and devices are becoming more and more part of people's daily lives. The direction toward the "smart" life came from the need cultivated for the easy and immediate provision and management of information and services. Thus, many households have turned to the "smart home" installation to manage home electricals fully. However, a significant issue in today's reality is the management of electricity consumption. Machine learning and the DinRail Cerberus electrical meter provided the solution to this problem. By installing the meter mentioned above in the central panel of a household, valuable data on the consumed electricity is collected. The data retrieved is processed and fed to machine learning algorithms to draw conclusions and predict the future behavior of the devices. So the aim of this thesis is to process a large amount of energy data and develop an efficient forecasting system. The algorithm used to design the system is the unsupervised learning algorithm, clustering with DBSCAN. The purpose of the algorithm is to predict whether a device is active or inactive at a given moment based on the energy footprints of the devices. 2022-11-01T10:48:30Z 2022-11-01T10:48:30Z 2022-10-24 https://hdl.handle.net/10889/23589 el application/pdf
institution	UPatras
collection	Nemertes
language	Greek
topic	Μηχανική μάθηση Μη επιβλεπόμενη μάθηση Επιβλεπόμενη μάθηση Συσταδοποίηση Κατανάλωση ενέργειας Machine learning Unsupervised learning Supervised learning Clustering DinRail Cerberus Energy consumption DBSCAN Apache Spark
spellingShingle	Μηχανική μάθηση Μη επιβλεπόμενη μάθηση Επιβλεπόμενη μάθηση Συσταδοποίηση Κατανάλωση ενέργειας Machine learning Unsupervised learning Supervised learning Clustering DinRail Cerberus Energy consumption DBSCAN Apache Spark Οικονομοπούλου, Εμμανουέλα-Ηλέκτρα Deep learning and DBSCAN for efficient energy disaggregation
description	Στην σημερινή εποχή που η τεχνολογία αναπτύσσεται ραγδαία, ολοένα και περισσότερο στην καθημερινότητα των ανθρώπων, εντάσσονται «έξυπνα» αντικείμενα και συσκευές. Η κατεύθυνση προς την «έξυπνη» ζωή, προήλθε από την ανάγκη που καλλιεργήθηκε, για εύκολη και άμεση παροχή και διαχείριση πληροφοριών και υπηρεσιών. Έτσι, με σκοπό την πλήρη διαχείριση των οικιακών ηλεκτρικών, πολλά νοικοκυριά έχουν στραφεί στην εγκατάσταση του «έξυπνου σπιτιού». Ωστόσο, μείζον θέμα στην πραγματικότητα του σήμερα, αποτελεί η διαχείριση της κατανάλωσης ηλεκτρικής ενέργειας. Την λύση στο πρόβλημα αυτό, έδωσε η μηχανική μάθηση και ο ηλεκτρικός μετρητής DinRail Cerberus. Με την εγκατάσταση του προαναφερθέντα μετρητή στον κεντρικό πίνακα ενός νοικοκυριού, συλλέγονται πολύτιμα δεδομένα της καταναλωθείσας ηλεκτρικής ενέργειας. Τα δεδομένα που ανακτώνται, επεξεργάζονται και τροφοδοτούν τους αλγορίθμους μηχανικής μάθησης, με σκοπό την εξαγωγή συμπερασμάτων και την μελλοντική πρόβλεψη συμπεριφοράς των συσκευών. Στόχος λοιπόν της παρούσας διπλωματικής εργασίας, είναι η επεξεργασία μεγάλου όγκου δεδομένων ενέργειας και η ανάπτυξη ενός αποδοτικού συστήματος πρόβλεψης. Ο αλγόριθμος που θα χρησιμοποιηθεί για τον σχεδιασμό του συστήματος, είναι ο αλγόριθμος μη επιβλεπόμενης μάθησης, συσταδοποίηση με DBSCAN. Σκοπός του αλγορίθμου, είναι να μπορέσει να κάνει πρόβλεψη, αν μία συσκευή είναι ενεργή ή ανενεργή κάποια δεδομένη στιγμή, βάσει των ενεργειακών αποτυπωμάτων των συσκευών.
author2	Oikonomopoulou, Emmanouela-Ilektra
author_facet	Oikonomopoulou, Emmanouela-Ilektra Οικονομοπούλου, Εμμανουέλα-Ηλέκτρα
author	Οικονομοπούλου, Εμμανουέλα-Ηλέκτρα
author_sort	Οικονομοπούλου, Εμμανουέλα-Ηλέκτρα
title	Deep learning and DBSCAN for efficient energy disaggregation
title_short	Deep learning and DBSCAN for efficient energy disaggregation
title_full	Deep learning and DBSCAN for efficient energy disaggregation
title_fullStr	Deep learning and DBSCAN for efficient energy disaggregation
title_full_unstemmed	Deep learning and DBSCAN for efficient energy disaggregation
title_sort	deep learning and dbscan for efficient energy disaggregation
publishDate	2022
url	https://hdl.handle.net/10889/23589
work_keys_str_mv	AT oikonomopoulouemmanouelaēlektra deeplearninganddbscanforefficientenergydisaggregation AT oikonomopoulouemmanouelaēlektra bathiamathēsēkaidbscangiaapotelesmatikēkatanomēenergeias
_version_	1771297309206773760

Deep learning and DBSCAN for efficient energy disaggregation

Παρόμοια τεκμήρια