Ανίχνευση λαθών σε οικιακές συσκευές από την ηλεκτρική τους κατανάλωση
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 ενέργεια...
| Κύριος συγγραφέας: | |
|---|---|
| Άλλοι συγγραφείς: | |
| Γλώσσα: | Greek |
| Έκδοση: |
2023
|
| Θέματα: | |
| Διαθέσιμο Online: | https://hdl.handle.net/10889/25433 |
| id |
nemertes-10889-25433 |
|---|---|
| record_format |
dspace |
| institution |
UPatras |
| collection |
Nemertes |
| language |
Greek |
| topic |
Ανίχνευση λαθών Μη παρεμβατική παρακολούθηση φορτίου Επιμερισμός ενέργειας Μηχανική μάθηση Fault detection Non intrusive load monitoring Energy disaggregation Machine learning K-means |
| spellingShingle |
Ανίχνευση λαθών Μη παρεμβατική παρακολούθηση φορτίου Επιμερισμός ενέργειας Μηχανική μάθηση Fault detection Non intrusive load monitoring Energy disaggregation Machine learning K-means Αθανασόπουλος, Παναγιώτης Κωνσταντίνος Ανίχνευση λαθών σε οικιακές συσκευές από την ηλεκτρική τους κατανάλωση |
| description |
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. |
| author2 |
Athanasopoulos, Panagiotis Konstantinos |
| author_facet |
Athanasopoulos, Panagiotis Konstantinos Αθανασόπουλος, Παναγιώτης Κωνσταντίνος |
| author |
Αθανασόπουλος, Παναγιώτης Κωνσταντίνος |
| author_sort |
Αθανασόπουλος, Παναγιώτης Κωνσταντίνος |
| title |
Ανίχνευση λαθών σε οικιακές συσκευές από την ηλεκτρική τους κατανάλωση |
| title_short |
Ανίχνευση λαθών σε οικιακές συσκευές από την ηλεκτρική τους κατανάλωση |
| title_full |
Ανίχνευση λαθών σε οικιακές συσκευές από την ηλεκτρική τους κατανάλωση |
| title_fullStr |
Ανίχνευση λαθών σε οικιακές συσκευές από την ηλεκτρική τους κατανάλωση |
| title_full_unstemmed |
Ανίχνευση λαθών σε οικιακές συσκευές από την ηλεκτρική τους κατανάλωση |
| title_sort |
ανίχνευση λαθών σε οικιακές συσκευές από την ηλεκτρική τους κατανάλωση |
| publishDate |
2023 |
| url |
https://hdl.handle.net/10889/25433 |
| work_keys_str_mv |
AT athanasopoulospanagiōtēskōnstantinos anichneusēlathōnseoikiakessyskeuesapotēnēlektrikētouskatanalōsē AT athanasopoulospanagiōtēskōnstantinos detectingfaultsinhomeappliancesfromtheirelectricalconsumption |
| _version_ |
1771297258080305152 |
| spelling |
nemertes-10889-254332023-07-08T03:57:35Z Ανίχνευση λαθών σε οικιακές συσκευές από την ηλεκτρική τους κατανάλωση Detecting faults in home appliances from their electrical consumption Αθανασόπουλος, Παναγιώτης Κωνσταντίνος Athanasopoulos, Panagiotis Konstantinos Ανίχνευση λαθών Μη παρεμβατική παρακολούθηση φορτίου Επιμερισμός ενέργειας Μηχανική μάθηση Fault detection Non intrusive load monitoring Energy disaggregation Machine learning K-means 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. Buildings consume 50% of all available electricity. Studies show that up to 20% of energy is wasted for a variety of reasons, such as incorrect operation of appliances, breakdowns and abnormal behaviour of users. Cases of incorrect energy consumption by various electrical appliances due to the above-mentioned reasons are important to be detected in time. Several studies use device-level counters to detect incorrect behavior of devices. These approaches detect faults, but the intrusive monitoring approach is not scalable, as it requires that there be separate monitoring for each appliance in a home. A more practical approach is to use aggregated household consumption data from a single smart meter. With the help of machine learning algorithms it is possible to create models which from the data of such a meter can extract the consumption characteristics of individual appliances, i.e. discover the energy profile (signature) of the appliance. The analysis of these consumption data has the potential to lead to the creation of systems that enable consumers to reconfigure their energy profile in order to save money and energy, but also to receive updates when an appliance appears to be damaged. Electricity providers can, by collecting information from their subscribers, make estimates of energy demand for each time of day and thus avoid any waste of generated energy or overloading of the distribution network. In this thesis, we develop a system based on extracting device characteristics from the total consumption signal in order to extract the participation index of the devices and the consumption in different operating states. Then we classify the signal events into labels that assign an event to a mode state, i.e., we assign the event to the mode state it caused. Finally, the error detection method used is discussed. The proposed method is tested on error classification, on data obtained from the Refit dataset. The performance of the classifier is presented with the evaluation metrics, namely recall, f1-score, mae, precision and accuracy to show the classification performance. 2023-07-07T09:45:48Z 2023-07-07T09:45:48Z 2023-07-07 https://hdl.handle.net/10889/25433 el Attribution 3.0 United States http://creativecommons.org/licenses/by/3.0/us/ application/pdf |
