Έξυπνο σύστημα ενεργειακής διαχείρισης σε οικιακό περιβάλλον

Abstract

Η ενεργειακή κατανάλωση στα νοικοκυριά αποτελεί έναν κρίσιμο παράγοντα τόσο για την οικονομική επιβάρυνση των καταναλωτών όσο και για την συνολική ενεργειακή ζήτηση. Οι ανάγκες θέρμανσης, ψύξης και χρήσης ηλεκτρικών συσκευών οδηγούν σε σημαντική κατανάλωση ηλεκτρικού ρεύματος, η οποία επηρεάζεται από διάφορους παράγοντες, όπως οι καιρικές συνθήκες, οι συνήθειες των χρηστών και η απόδοση των ηλεκτρικών συσκευών. Παράλληλα, η τιμολόγηση της ηλεκτρικής ενέργειας, τόσο στην Ελλάδα όσο και στην Ευρώπη, παρουσιάζει μία αύξηση τα τελευταία χρόνια, καθιστώντας την μείωση της κατανάλωσης αναγκαία. Ωστόσο, η τυχαία μείωση ενεργειακής κατανάλωσης μπορεί να έχει συνέπειες στην άνεση των καταναλωτών. Για αυτό τον λόγο, η εγκατάσταση ενός έξυπνου συστήματος ενεργειακής διαχείρισης για την αποφυγή της ενεργειακής σπατάλης μπορεί να αποδειχθεί σωτήρια. Πρόκειται για έναν συνδυασμό υλικού και λογισμικού που παρακολουθεί, συλλέγει και αναλύει ενεργειακά δεδομένα και σε μερικές περιπτώσεις, προσαρμόζει τη χρήση ενέργειας στην κατοικία ανάλογα με τις ανάγκες των χρηστών. Με χρήση αισθητήρων, αλγορίθμων μηχανικής μάθησης, ενεργοποιητών και προσωπικών συσκευών, όπως smartphone, τέτοια συστήματα μπορούν να προβλέψουν την κατανάλωση, να προτείνουν αποδοτικότερες ρυθμίσεις, να ενεργοποιήσουν και να απενεργοποιήσουν ηλεκτρικές συσκευές. Η διπλωματική εργασία με τίτλο «Έξυπνο σύστημα ενεργειακής διαχείρισης σε οικιακό περιβάλλον» έχει ως στόχο την ανάδειξη συστημάτων διαχείρισης ενέργειας, μέσω αλγορίθμων μηχανικής μάθησης, και τη σύγκριση αυτών με βάση την συνολική απόδοσή τους. Συγκεκριμένα, προτείνεται ένα σύστημα, το οποίο χρησιμοποιεί ιστορικά δεδομένα κατανάλωσης, περιβαλλοντικά δεδομένα και δεδομένα παρουσίας χρηστών για να προβλέψει είτε βραχυπρόθεσμα είτε μακροπρόθεσμα δεδομένα κατανάλωσης. Για την ανάπτυξη του προτεινόμενου συστήματος χρησιμοποιείται ένα προσομοιωμένο μοντέλο κατοικίας στο λογισμικό EnergyPlus, από όπου εξάγονται δεδομένα ενεργειακής κατανάλωσης. Αυτά χωρίζονται σε δεδομένα εισόδου και εξόδου και χρησιμοποιούνται για την εκπαίδευση ενός νευρωνικού δικτύου. Το νευρωνικό δίκτυο είναι η βασική τεχνική μηχανικής μάθησης που χρησιμοποιείται σε αυτή την εργασία και πάνω σε αυτό εξετάζονται αλγόριθμοι εκπαίδευσης και βελτιστοποίησης, όπως ο αλγόριθμος «οπισθοδιάδοσης του λάθους» και ο γενετικός αλγόριθμος και συγκρίνονται μεταξύ τους με βάση ορισμένες μετρικές για την απόδοσή τους. Για την υλοποίηση των αλγορίθμων μηχανικής μάθησης χρησιμοποιήθηκε η γλώσσα προγραμματισμού Python, με ανάπτυξη στο περιβάλλον Visual Studio Code και αξιοποίηση των κατάλληλων βιβλιοθηκών για την ανάλυση και εκπαίδευση του νευρωνικού δικτύου, αλλά και την διεξαγωγή πειραμάτων για την σύγκριση των αλγορίθμων.