Please use this identifier to cite or link to this item: http://artemis.cslab.ece.ntua.gr:8080/jspui/handle/123456789/18018
Full metadata record
DC FieldValueLanguage
dc.contributor.authorΔούμουρας, Νικόλαος-
dc.date.accessioned2021-07-16T10:18:02Z-
dc.date.available2021-07-16T10:18:02Z-
dc.date.issued2021-07-16-
dc.identifier.urihttp://artemis.cslab.ece.ntua.gr:8080/jspui/handle/123456789/18018-
dc.description.abstractΗ 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.en_US
dc.languageelen_US
dc.subjectΜη παρεμβατική παρακολούθηση φορτίουen_US
dc.subjectenergy disaggregationen_US
dc.subjectέξυπνα δίκτυαen_US
dc.subjectδιαχείριση ενέργειαςen_US
dc.subjectμηχανική μάθησηen_US
dc.subjectβαθιά νευρωνικά δίκτυαen_US
dc.subjectδέντρα αποφάσεωνen_US
dc.subjectκρυφά μαρκοβιανά μοντέλαen_US
dc.subjectσυνδυαστική βελτιστοποίησηen_US
dc.titleΜη Παρεμβατική Παρακολούθηση Ηλεκτρικού Φορτίου Οικιακών Εγκαταστάσεων με χρήση Τεχνικών Μηχανικής Μάθησηςen_US
dc.description.pages112en_US
dc.contributor.supervisorΔούκας Χρυσόστομος (Χάρης)en_US
dc.departmentΤομέας Ηλεκτρικών Βιομηχανικών Διατάξεων και Συστημάτων Αποφάσεωνen_US
Appears in Collections:Διπλωματικές Εργασίες - Theses

Files in This Item:
File Description SizeFormat 
Νικόλαος Δουμουρας _ Energy Disaggregation.pdf3.96 MBAdobe PDFView/Open


Items in Artemis are protected by copyright, with all rights reserved, unless otherwise indicated.