| dc.description.abstract | Ο τομέας της ενέργειας πλήττεται διαρκώς από σοβαρά ζητήματα, όπως είναι η αιχμή ζήτησης ή η ενεργειακή κρίση. Καθίσταται αναγκαία η εύρεση μεθόδων για τη διευκόλυνση των ζητημάτων αυτών, που θα επέλθει της αύξησης της ενεργειακής απόδοσης. Ένας τρόπος για να συμβεί αυτό, είναι η παροχή της δυνατότητας στον καταναλωτή για πλήρη έλεγχο της κατανάλωσής του, τόσο σε συνολικό επίπεδο, όσο και για τις επιμέρους συσκευές. Η παρούσα διπλωματική εργασία πραγματεύεται το θέμα της Μη-παρεμβατικής Παρακολούθησης Φορτίου (Non-Intrusive Load Monitoring - NILM), με στόχο την αναγνώριση και εκτίμηση της επιμέρους κατανάλωσης των συσκευών που συμμετέχουν στη συνολική κατανάλωση ενέργειας, μέσω της χρήσης μηχανικής μάθησης. Στην εργασία, αναλύονται έννοιες που σχετίζονται με την παρακολούθηση φορτίου, τόσο παρεμβατικά όσο και μη-παρεμβατικά, και επεξηγείται λεπτομερώς η μέθοδος του NILM. Στη συνέχεια, γίνεται αναφορά στο μοντέλο μηχανικής μάθησης που έχει χρησιμοποιηθεί, το Συνελικτικό Νευρωνικό Δίκτυο (Convolutional Neural Network - CNN), και παρέχεται το απαραίτητο θεωρητικό υπόβαθρο για την πλήρη κατανόησή του. Τέλος, παρουσιάζεται η ανάπτυξη ενός μοντέλου CNN για NILM, με αναλυτική περιγραφή του σχεδιασμού και των αποτελεσμάτων του, μετά την εφαρμογή του σε πραγματικά δεδομένα μετρήσεων από -ανοιχτής πρόσβασης- βάση δεδομένων για αλγόριθμους NILM. | en_US |
