Μη Παρεμβατική Παρακολούθηση Ηλεκτρικού Φορτίου Οικιακών Εγκαταστάσεων με χρήση Τεχνικών Μηχανικής Μάθησης

Abstract

Η κατανάλωση ενέργειας έχει αυξηθεί ραγδαία στον κτιριακό τομέα την τελευταία δεκαετία, λόγω της αύξησης του πληθυσμού, του αυξημένου χρόνου διαμονής σε εσωτερικούς χώρους καθώς και της αυξημένης ζήτησης για λειτουργίες ποιότητας εσωτερικού περιβάλλοντος. Για το λόγο αυτό, η ενεργειακή αποδοτικότητα των κτιρίων μπορεί να προσφέρει βασικές λύσεις στην εξοικονόμηση ενέργειας, τις εκπομπές διοξειδίου του άνθρακα και γενικότερα την κλιματική αλλαγή. Σε αυτό το πλαίσιο η ανάπτυξη των έξυπνων δικτύων (smart grids) και η παροχή έξυπνων υπηρεσιών με τη χρήση μεθόδων τεχνητής νοημοσύνης, μπορούν να οδηγήσουν στη μείωση του ενεργειακού αποτυπώματος των κτιρίων. Μια προσέγγιση προς την κατεύθυνση αυτή είναι η μείωση της κατανάλωσης ηλεκτρικής ενέργειας στον οικιακό τομέα μέσω παροχής πληροφοριών στους οικιακούς καταναλωτές, σχετικά με την ηλεκτρική ενέργεια που έχει καταναλώσει κάθε οικιακή συσκευή, εμπνέοντας κατά αυτόν τον τρόπο μια θετική αλλαγή συμπεριφοράς στην καθημερινή χρήση ηλεκτρικής ενέργειας των καταναλωτών μέσα από την αύξηση του επιπέδου της ενεργειακής παιδείας. Προς αυτή την κατεύθυνση έρχεται να συνεισφέρει η μη παρεμβατική ανίχνευση φορτίου (non-intrusive load monitoring – NILM). Σύμφωνα με την τεχνική αυτή, υπολογίζεται η κατανάλωση των επιμέρους συσκευών χρησιμοποιώντας ως μοναδικό δεδομένο τη συνολική κατανάλωση μιας εγκατάστασης, χωρίς να απαιτείται η χρήση πολλαπλών έξυπνων συστημάτων και ακριβού εξοπλισμού. Στα πλαίσια της παρούσας διπλωματικής εργασίας, εξετάζεται κατά πόσο είναι εφικτή η εφαρμογή αυτής της τεχνικής με ικανοποιητικά αποτελέσματα ακρίβειας, κάτω από συνθήκες ύπαρξης περιορισμών, τόσο σε επίπεδο εξοπλισμού όσο και στο διαθέσιμο χρόνο για λήψη ιστορικών παρατηρήσεων. Για το σκοπό αυτό, αναπτύσσεται ένα τεχνητό σύνολο δεδομένων ηλεκτρικής κατανάλωσης δέκα (10) ημερών, στο οποίο συμπεριλαμβάνονται τόσο η συνολική κατανάλωση της οικίας, όσο και των επιμέρους συσκευών, με στόχο την εκπαίδευση τεσσάρων (4) αλγορίθμων μηχανικής μάθησης που συναντώνται στη βιβλιογραφία (Factorial Hidden Markov Models, Combinatorial Optimization, Decision Tree Regression and Long Short-Term Memory RNN) και ακολούθως συγκρίνεται η ακρίβεια τους με τη χρήση κατάλληλων μετρικών. Τέλος πραγματοποιείται μια ολοκληρωμένη εφαρμογή του προτεινόμενου πλαισίου σε ένα τυπικό ελληνικό νοικοκυριό.