Επεξεργασία ενεργειακών δεδομένων από κτίρια με σκοπό τη λήψη αποφάσεων και συμπερασμάτων

Abstract

Η ενεργειακή διαχείρηση αποτελεί καθοριστικό παράγοντα για την εξοικονόμηση ενέργειας, μια ανάγκη που υπάρχει σε παγκόσμιο επίπεδο. Η καταγραφή και συλλογή των ενεργειακών δεδομένων από κτιριακές εγκαταστάσεις, όπως οι καταναλώσεις των κλιματιστικών μονάδων τους, των ηλεκτρικών λαμπτήρων, των server rooms κ.λπ., επιτυγχάνεται μέσω εφαρμογών του IoT (Internet of Things). Διασυνδεδεμένες συσκευές και αισθητήρες συλλέγουν μεγάλο όγκο δεδομένων (Big Data), τα οποία στη συνέχεια αποθηκεύονται σε βάσεις δεδομένων με τρόπο που να είναι ευκολότερη και πιο γρήγορη η αναζήτησή τους. Ικανά να ανταποκριθούν σε αυτές τις απαιτήσεις, είναι τα συστήματα NoSQL, όπως η Apache Cassandra, μια κατανεμημένη βάση υψηλής απόδοσης, η οποία είναι ιδιαίτερα δημοφιλής και διαδεδομένη για το χειρισμό μεγάλων δεδομένων. Στη συνέχεια, τα δεδομένα υποβάλλονται σε παράλληλη επεξεργασία και ανάλυση, μέσω κατάλληλων frameworks, όπως το Apache Spark. Με την κατάλληλη προεπεξεργασία εξασφαλίζεται η ποιότητα των δεδομένων, ώστε να μην επηρεάζεται η πρόβλεψη από μη αιτιατές καταστάσεις. Για τη δημιουργία μοντέλων πρόβλεψης, χρησιμοποιούνται στατιστικές μέθοδοι και αλγόριθμοι μηχανικής μάθησης (machine learning). Η ανάπτυξη μεθόδων και εργαλείων για την ανάλυση των ενεργειακών δεδομένων, σε συνδυασμό με τις περιβαλλοντικές συνθήκες εσωτερικά και εξωτερικά του κτιρίου, είναι σημαντική για την εξαγωγή συμπερασμάτων όσον αφορά τόσο τον τρόπο λειτουργίας τους (ωράρια, θερμοκρασίες δωματίων) όσο και την αποτελεσματικότητα των συσκευών. Τέλος, αξιολογούνται τα μοντέλα πρόβλεψης και αναλύονται οι αποφάσεις που πρέπει να παρθούν για την ομαλή λειτουργία των κτιρίων.