Edge-optimized deep learning & pattern recognition techniques for non-intrusive load monitoring of energy time series

Abstract

The rapid growth in global energy demand, coupled with the pressing need for sustainability, necessitates innovative solutions to improve energy efficiency. While technological advancements have introduced numerous energy-saving systems, their standalone implementation often falls short of delivering meaningful impact. Providing users with feedback on their energy consumption behavior has proven to be a critical step toward fostering sustainable practices. Non-Intrusive Load Monitoring (NILM) stands out as a promising approach for providing users with energy feedback by disaggregating the total household energy consumption, recorded by a central smart meter, into appliance-level insights. This empowers users with actionable information to optimize their energy use. NILM’s potential has been significantly enhanced by advancements in artificial intelligence, the Internet of Things (IoT), and the extensive data generated by widespread smart meter rollouts. Although AI-enabled NILM research is promising, its real-world deployment remains limited due to several critical challenges. The first challenge lies in the availability and representativeness of training datasets. Existing NILM datasets primarily originate from regions like the USA and UK, leaving other regions, such as the Mediterranean, underrepresented. This creates a gap in understanding unique energy consumption behaviors, including the use of appliances like air conditioners and electric water boilers, which constitute a significant share of energy consumption and present considerable potential for demand-side energy flexibility. Developing comprehensive datasets that capture these distinct patterns is crucial for training models that can generalize effectively across diverse scenarios. The second challenge pertains to the high computational demands of deep learning models and the limitations of centralized data processing. Deploying NILM systems often requires significant computational resources, typically relying on cloud infrastructure. This not only raises operational costs but also introduces privacy concerns associated with transferring household energy data to central servers. Finally, the reliance on centralized processing hinders scalability and excludes households with limited connectivity or access to cloud services, restricting the practical applicability of NILM solutions. This thesis addresses these challenges through several key contributions. First, it introduces the development of an interoperable data collection framework that facilitates the creation of the Plegma Dataset, a high-frequency energy dataset specifically designed to capture the unique energy consumption behaviors of underrepresented regions like the Mediterranean. Second, it explores advanced deep neural network (DNN) approaches for NILM and investigates cutting-edge compression techniques to optimize these models for deployment on resource-constrained edge devices. Additionally, the thesis delves into the application of compression techniques for NILM models tailored to Mediterranean energy consumption scenarios, using the Plegma Dataset to validate their effectiveness and potential. By bridging the gap between theoretical innovation and practical application, this research aims to establish NILM as a scalable, efficient, and context-aware solution for advancing global energy efficiency.

Η ραγδαία αύξηση της παγκόσμιας ενεργειακής ζήτησης, σε συνδυασμό με την επιτακτική ανάγκη για βιωσιμότητα, καθιστά απαραίτητες τις καινοτόμες λύσεις για τη βελτίωση της ενεργειακής αποδοτικότητας σε επίπεδο κτηρίων. Παρόλο που οι τεχνολογικές εξε λίξεις έχουν εισαγάγει πλήθος συστημάτων εξοικονόμησης ενέργειας, η αποσπασματική τους εφαρμογή συχνά αδυνατεί να επιφέρει ουσιαστικά αποτελέσματα. Η ανατροφοδότη σης στους χρήστες σχετικά με τη συμπεριφορά κατανάλωσης ενέργειας έχει αποδειχθεί κρίσιμη για την προώθηση βιώσιμων πρακτικών. Η Μη Επεμβατική Παρακολούθηση Φορτίου (Non-Intrusive Load Monitoring, NILM) αναδεικνύεται ως μια υποσχόμενη προσέγγιση για την παροχή ανατροφοδότησης στους χρήστες, καθώς μέσω της ανάλυσης της συνολικής κατανάλωσης ενέργειας ενός νοικοκυριού, όπως αυτή καταγράφεται από έναν κεντρικό έξυπνο μετρητή, μπορεί να προβλέψει την επιμέρους κατανάλωση σε επίπεδο συσκευών. Με αυτόν τον τρόπο, οι χρήστες απο κτούν σημαντικές πληροφορίες που τους επιτρέπουν να βελτιστοποιήσουν τη διαχείριση ενέργειάς τους. Η δυναμική της μη επεμβατικής παρακολούθησης έχει ενισχυθεί σημαντικά από τις εξελίξεις στην τεχνητή νοημοσύνη (ΑΙ), το Διαδίκτυο των Πραγμάτων (ΙοΤ) και τα μεγάλα δεδομένα που παράγονται από την ευρεία υιοθέτηση των έξυπνων μετρητών. Παρότι η έρευνα για την μη επεμβατική παρακολούθηση που βασίζεται στην τεχνητή νοημοσύνη είναι πολλά υποσχόμενη, η εφαρμογή της σε εμπορικές εφαρμογές παραμένει περιορισμένη λόγω ορισμένων κρίσιμων προκλήσεων. Η πρώτη πρόκληση αφορά τη διαθεσιμότητα και την αντιπροσωπευτικότητα των δεδομένων που μπορούν να χρησιμοποιηθούν για την εκπαίδευση των μοντέλων τεχνητης νοημοσύνης. Οι υπάρχουσες βάσεις δεδομένων για την μη επεμβατική παρακολούθηση προέρχονται κυρίως από περιοχές όπως οι ΗΠΑ και το Ηνωμένο Βασίλειο, αφήνοντας άλλες περιοχές, όπως η Μεσόγειος, υποεκπροσωπούμενες. Αυτό δημιουργεί ένα κενό στην κατανόηση μοναδικών προτύπων κατανάλωσης ενέργειας, όπως η χρήση συσκευών κλιματισμού και θερμοσιφώνων, που αντιπροσωπεύουν σημαντικό μερίδιο της ενεργειακής κατανάλωσης και προσφέρουν αξιοσημείωτη δυνατότητα ευελιξίας στη ζήτηση σε αυτές τις περιοχές. Η ανάπτυξη ολοκληρωμένων βάσεων δεδομένων που καταγράφουν αυτά τα μοναδικά πρότυπα είναι κρίσιμη για την εκπαίδευση μοντέλων που μπορούν να γενικεύσουν αποτελεσματικά σε διάφορα σενάρια. Η δεύτερη πρόκληση σχετίζεται με τις υψηλές υπολογιστικές απαιτήσεις των μοντέλων βαθιάς μάθησης και τους περιορισμούς που επιφέρει η κεντρική επεξεργασία δεδομένων. Η ανάπτυξη συστημάτων τεχνητης νοημοσυνης απαιτεί συχνά σημαντικούς υπολογιστικούς πόρους, συνήθως βασισμένους σε υποδομές υπολογιστικού νέφους. Αυτό όχι μόνο αυξάνει το λειτουργικό κόστος, αλλά επίσης εγείρει ανησυχίες για την ιδιωτικότητα, λόγω της μεταφοράς δεδομένων κατανάλωσης από τα νοικοκυριά σε κεντρικούς διακομιστές. Τέλος, η εξάρτηση από την κεντρική επεξεργασία αποκλείει νοικοκυριά με περιορισμένη συνδεσιμότητα ή πρόσβαση στο διαδίκτυο, περιορίζοντας την πρακτική εφαρμογή των λύσεων μη επεμβατικής παρακολούθησης. Η παρούσα διατριβή αντιμετωπίζει αυτές τις προκλήσεις μέσω ορισμένων βασικών προτάσεων. Πρώτον, εισάγει την ανάπτυξη ενός διαλειτουργικού πλαισίου συλλογής δεδομένων, που διευκολύνει τη δημιουργία βάσεων δεδομένων για την εκπαιδευση συστηματων τεχνητης νοημοσύνης για το προβλημα της μη επεμβατικής παρακολούθησης το οποίο χρησιμοποιείται παραλληλα για την δημιουργια του "Plegma Dataset", μιας βάσης δεδομένων υψηλής συχνότητας, σχεδιασμένης ειδικά για την καταγραφή μοναδικών προτύπων κατανάλωσης ενέργειας στην περιοχή της Μεσογείου. Δεύτερον, διερευνά προηγμένες προσεγγίσεις βαθιάς νευρωνικής δικτύωσης (DNN) για την μη επεμβατική παρακολούθηση και εξετάζει τεχνικές συμπίεσης για τη βελτιστοποίηση αυτών των μοντέλων, ώστε να μπορούν να αναπτυχθούν σε συσκευές περιορισμένων πόρων. Επιπλέον, η διατριβή εστιάζει στην εφαρμογή τεχνικών συμπίεσης για μοντέλα προσαρμοσμένα σε μεσογειακά σενάρια κατανάλωσης ενέργειας, χρησιμοποιώντας το "Plegma Dataset" για την αξιολόγηση της αποτελεσματικότητας και του δυναμικού τους. Συνδυάζοντας τη θεωρητική καινοτομία με την πρακτική εφαρμογή, η παρούσα έρευνα αποσκοπεί να αναδείξει την μη επεμβατική παρακολούθηση ως μια επεκτάσιμη, αποτελεσματική και προσαρμοσμένη στις εκάστοτε ανάγκες προσέγγιση, ενισχύοντας την παγκόσμια ενεργειακή αποδοτικότητα.