Deep learning innovations for energy efficiency: advances in non-intrusive load monitoring and EV charging optimization for a sustainable grid

Abstract

The global energy landscape is undergoing a profound transformation, often referred to as the energy transition, driven by the urgent need to mitigate climate change, reduce greenhouse gas emissions, and ensure sustainable energy supplies. However, the undoubted complexity of new investments in renewables, as well as the phase out of high CO2-emission energy sources, hampers the pace of the energy transition and raises doubts as to whether new renewable energy sources are capable of solely meeting the climate target goals. This highlights the need to investigate alternative pathways to accelerate the energy transition, by identifying human activity domains with higher/excessive energy demands. Two notable examples where there is room for improvement, in the sense of reducing energy consumption and consequently CO2 emissions, are residential energy consumption and road transport. This dissertation investigates the development of novel Deep Learning techniques to create tools which solve limitations in these two key energy domains. Reduction of residential energy consumption can be achieved by empowering end-users with the user of Non-Intrusive Load Monitoring, whereas optimization of EV charging with Deep Reinforcement Learning can tackle road transport decarbonization.

Το παγκόσμιο ενεργειακό τοπίο υφίσταται μια βαθιά μεταμόρφωση, γνωστή και ως ενεργειακή μετάβαση, η οποία καθοδηγείται από την επείγουσα ανάγκη για μετριασμό της κλιματικής αλλαγής, τη μείωση των εκπομπών αερίων του θερμοκηπίου και τη διασφάλιση βιώσιμων ενεργειακών πόρων. Ωστόσο, η αδιαμφισβήτητη πολυπλοκότητα των νέων επενδύσεων στις ανανεώσιμες πηγές ενέργειας, καθώς και η σταδιακή κατάργηση ενεργειακών πηγών με υψηλές εκπομπές CO₂, επιβραδύνουν τον ρυθμό της ενεργειακής μετάβασης και εγείρουν αμφιβολίες ως προς το κατά πόσο οι ανανεώσιμες πηγές μπορούν από μόνες τους να επιτύχουν τους στόχους για το κλίμα. Αυτό αναδεικνύει την ανάγκη διερεύνησης εναλλακτικών διαδρομών για την επιτάχυνση της ενεργειακής μετάβασης, μέσω του εντοπισμού τομέων ανθρώπινης δραστηριότητας με υψηλή ή υπερβολική ενεργειακή κατανάλωση. Δύο χαρακτηριστικά παραδείγματα όπου υπάρχει περιθώριο βελτίωσης, με σκοπό τη μείωση της ενεργειακής κατανάλωσης και κατά συνέπεια των εκπομπών CO₂, είναι η οικιακή κατανάλωση ενέργειας και οι οδικές μεταφορές. Η παρούσα διατριβή ερευνά την ανάπτυξη καινοτόμων τεχνικών Βαθιάς Μάθησης με στόχο τη δημιουργία εργαλείων που επιλύουν υφιστάμενους περιορισμούς σε αυτούς τους δύο κρίσιμους ενεργειακούς τομείς. Η μείωση της οικιακής κατανάλωσης ενέργειας μπορεί να επιτευχθεί με την ενδυνάμωση των τελικών χρηστών μέσω της Μη Επεμβατικής Παρακολούθησης Φορτίου (Non-Intrusive Load Monitoring), ενώ η βελτιστοποίηση της φόρτισης ηλεκτρικών οχημάτων με τη χρήση Βαθιάς Ενισχυτικής Μάθησης (Deep Reinforcement Learning) μπορεί να συμβάλει στην απανθρακοποίηση των οδικών μεταφορών.