| Περίληψη: | Τα κτίρια καταναλώνουν το 50% της συνολικής διαθέσιμης ηλεκτρικής ενέργειας. Μελέτες δείχνουν ότι έως και το 20% της ενέργειας σπαταλιέται για διάφορους λόγους, όπως η εσφαλμένη λειτουργία των συσκευών, βλάβες και μη φυσιολογική συμπεριφορά των χρηστών. Οι περιπτώσεις εσφαλμένης κατανάλωσης ενέργειας από διάφορες ηλεκτρικές συσκευές, που οφείλονται στα παραπάνω, είναι σημαντικό να ανιχνεύονται εγκαίρως.
Αρκετές εργασίες χρησιμοποιούν μετρητές σε επίπεδο συσκευής, για την ανίχνευση της λανθασμένης συμπεριφοράς των συσκευών. Αυτές οι προσεγγίσεις ανιχνεύουν σφάλματα, αλλά η προσέγγιση της παρεμβατικής παρακολούθησης δεν είναι επεκτάσιμη, καθώς απαιτεί να υπάρχει ξεχωριστή παρακολούθηση για κάθε συσκευή σε ένα σπίτι. Μια πιο πρακτική προσέγγιση είναι η χρήση συγκεντρωτικών δεδομένων κατανάλωσης του νοικοκυριού από έναν ενιαίο έξυπνο μετρητή. Με τη βοήθεια αλγορίθμων μηχανικής μάθησης είναι εφικτή η δημιουργία μοντέλων τα οποία από τα δεδομένα ενός τέτοιου μετρητή μπορούν να εξάγουν τα χαρακτηριστικά της κατανάλωσης μεμονωμένων ηλεκτρικών συσκευών, δηλαδή να ανακαλύπτουν το ενεργειακό προφίλ (υπογραφή) της συσκευής. Η ανάλυση αυτών των στοιχείων της κατανάλωσης έχει την προοπτική να οδηγήσει στη δημιουργία συστημάτων που δίνουν στους καταναλωτές τη δυνατότητα να αναδιαμορφώσουν το ενεργειακό τους προφίλ ώστε να εξοικονομούν χρήματα και ενέργεια, αλλά και να λαμβάνουν ενημερώσεις όταν κάποια συσκευή φαίνεται να έχει υποστεί βλάβη. Οι πάροχοι ηλεκτρικού ρεύματος μπορούν, συλλέγοντας πληροφορίες από τους συνδρομητές τους, να προβούν σε εκτιμήσεις της ζήτησης ενέργειας για κάθε χρονική στιγμή της ημέρας και έτσι να αποφύγουν τυχόν σπατάλη παραχθείσας ενέργειας ή υπερφόρτωση του δικτύου διανομής.
Σε αυτή τη διπλωματική εργασία, αναπτύσσουμε ένα σύστημα βασισμένο στην εξαγωγή χαρακτηριστικών των συσκευών απο το συνολικό σήμα κατανάλωσης ώστε να εξάγουμε τον δείκτη συμμετοχής των συσκευών και την κατανάλωση στις διάφορες καταστάσεις λειτουργίας. Στη συνέχεια γίνεται η ταξινόμηση των συμβάντων του σήματος σε ετικέτες οι οποίες αντιστοιχίζουν ένα συμβάν σε μια κατάσταση λειτουργίας, δηλαδή αντιστοιχίζεται το συμβάν στην κατάστασης λειτουργίας που προκάλεσε. Τέλος, αναλύεται η μέθοδος ανίχνευσης λαθών που χρησιμοποιείται. Η προτεινόμενη μέθοδος δοκιμάζεται στην ταξινόμηση των σφαλμάτων των συσκευών σε δεδομένα που ελήφθησαν από το σύνολο δεδομένων Refit. Οι επιδόσεις του ταξινομητή παρουσιάζονται με τις μετρικές αξιολόγησης, δηλαδή recall, f1-score, mae, precision και accuracy για να δείξουν την απόδοση ταξινόμησης.
|
|---|
