Βελτιστοποιημένες τεχνικές αναγνώρισης προτύπων και αρχιτεκτονικές βαθιάς μάθησης για ακροδικτυακό συμπερασμό στη μη επεμβατική παρακολούθηση φορτίων από χρονοσειρές ενέργειας

Περίληψη

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 βελτιστοπ ...
περισσότερα

Περίληψη σε άλλη γλώσσα

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 researc ...
περισσότερα

Όλα τα τεκμήρια στο ΕΑΔΔ προστατεύονται από πνευματικά δικαιώματα.

Διεύθυνση Handle
http://hdl.handle.net/10442/hedi/58939
ND
58939
Εναλλακτικός τίτλος
Edge-optimized deep learning & pattern recognition techniques for non-intrusive load monitoring of energy time series
Συγγραφέας
Αθανασούλιας, Σωτήριος (Πατρώνυμο: Ηλίας)
Ημερομηνία
2025
Ίδρυμα
Εθνικό Μετσόβιο Πολυτεχνείο (ΕΜΠ). Σχολή Αγρονόμων και Τοπογράφων Μηχανικών - Μηχανικών Γεωπληροφορικής
Εξεταστική επιτροπή
Δουλάμης Νικόλαος
Δουλάμης Αναστάσιος
Γεωργιλάκης Παύλος
Βαρβαρίγος Εμμανουήλ
Γκίκας Βασίλειος
Τσαφαράκης Στέλιος
Πρωτοπαπαδάκης Ευτύχιος
Επιστημονικό πεδίο
Επιστήμες Μηχανικού και ΤεχνολογίαΕπιστήμη Ηλεκτρολόγου Μηχανικού, Ηλεκτρονικού Μηχανικού, Μηχανικού Η/Υ ➨ Αυτοματισμοί και Συστήματα ελέγχου
Λέξεις-κλειδιά
Μηχανική μάθηση; Ενέργεια; Βαθειά μάθηση; Μη Επεμβατική Παρακολούθηση Φορτίου
Χώρα
Ελλάδα
Γλώσσα
Αγγλικά
Άλλα στοιχεία
πιν., χαρτ., σχημ., γραφ.
Στατιστικά χρήσης
ΠΡΟΒΟΛΕΣ
Αφορά στις μοναδικές επισκέψεις της διδακτορικής διατριβής για την χρονική περίοδο 07/2018 - 07/2023.
Πηγή: Google Analytics.
ΞΕΦΥΛΛΙΣΜΑΤΑ
Αφορά στο άνοιγμα του online αναγνώστη για την χρονική περίοδο 07/2018 - 07/2023.
Πηγή: Google Analytics.
ΜΕΤΑΦΟΡΤΩΣΕΙΣ
Αφορά στο σύνολο των μεταφορτώσων του αρχείου της διδακτορικής διατριβής.
Πηγή: Εθνικό Αρχείο Διδακτορικών Διατριβών.
ΧΡΗΣΤΕΣ
Αφορά στους συνδεδεμένους στο σύστημα χρήστες οι οποίοι έχουν αλληλεπιδράσει με τη διδακτορική διατριβή. Ως επί το πλείστον, αφορά τις μεταφορτώσεις.
Πηγή: Εθνικό Αρχείο Διδακτορικών Διατριβών.