Μη Παρεμβατική Παρακολούθηση Ηλεκτρικού Φορτίου με Denoising Autoencoders

Abstract

Στη σύγχρονη εποχή, η συνεχώς αυξανόμενη κατανάλωση ηλεκτρικής ενέργειας στις κατοικίες αποτελεί ένα από τα σημαντικότερα προβλήματα της κοινωνίας. Με την ταχεία ανάπτυξη της τεχνολογίας και την αυξημένη εξάρτηση από ηλεκτρικές συσκευές, η ζήτηση για ενέργεια αυξάνεται συνεχώς. Ταυτόχρονα αυτή η αύξηση στην κατανάλωση ενέργειας επηρεάζει σημαντικά τόσο το περιβάλλον όσο και το δίκτυο διανομής. Για αυτό το λόγο είναι πιο σημαντικό από ποτέ να εφαρμόσουμε τεχνικές επίβλεψης και περιορισμού της κατανάλωσης. Σε αυτό το πλαίσιο τεχνικές όπως η μη Παρεμβατική Παρακολούθηση Ηλεκτρικού Φορτίου non-intrusive load monitoring (NILM) προσφέρει μια οικονομική και αποδοτική λύση. Το NILM μας επιτρέπει την παρακολούθηση κατανάλωσης ηλεκτρικής ενέργειας κάθε συσκευής μέσα στον χώρο χωρίς όμως να χρειάζεται η εγκατάσταση αισθητήρων σε κάθε συσκευή. Πιο συγκεκριμένα το NILM αναλύει τα δεδομένα κατανάλωσης από τον ηλεκτρικό πίνακα της κατοικίας, και στη συνέχεια αναγνωρίζει τα χαρακτηριστικά κατανάλωσης κάθε συσκευής. Στην παρούσα διπλωματική εργασία χρησιμοποιούμε πραγματικά δεδομένα ενεργειακής κατανάλωσης από δύο διαφορετικές πηγές (το σύνολο δεδομένων REDD και το UKDALE) για να συγκρίνουμε την ακρίβεια τριών αλγορίθμων που προβλέπουν την κατανάλωση ενέργειας των συσκευών, χρησιμοποιώντας μόνο τα δεδομένα κατανάλωσης από τον ηλεκτρικό πίνακα της κατοικίας. Συγκεκριμένα, εξετάζουμε τους αλγόριθμους Combinatorial Optimization, Factorial Hidden Markov Models, και έναν αλγόριθμο μηχανικής μάθησης βασισμένο στην αρχιτεκτονική Denoising Autoencoders. Συγκρίνουμε την αποτελεσματικότητα αυτών των αλγορίθμων χρησιμοποιώντας κατάλληλες μετρικές (recall, precision, accuracy, F1 score, root mean square error), τόσο σε προβλέψεις για κατοικίες που ανήκουν στο σύνολο δεδομένων εκπαίδευσης, όσο και για κατοικίες που ανήκουν σε διαφορετικά σύνολα δεδομένων, με στόχο να αξιολογήσουμε κατά πόσο τα μοντέλα μπορούν να γενικευτούν με επιτυχία.