Okos otthonok fogyasztásának modellezése gépi tanulási technikákkal
A háztartási eszközök villamos energia fogyasztása számos kutatás célterülete volt az elmúlt időkben. [1] Ez annak köszönhető, hogy a háztartások nagy arányban villamos energiát hasznosító eszközöket használnak és a lakossági energiafelhasználás a teljes energiafelhasználás jelentős részét képezi. A különböző regressziós modellek alkotásával lehetőségünk nyílik megismerni, hogy a különböző változók, paraméterek milyen kapcsolatban állhatnak az energia fogyasztással és számszerűsíthetjük az erősségüket, befolyásoló erejüket. A villamos energiafelhasználás előrejelzési, jóslási modellek számos szempontból hasznosak. Segítségükkel például megtervezhető egy fotovoltalikus napelem rendszer, a különböző fogyasztási anomáliák gyorsan kimutathatók, ezenkívül az energiafelhasználás, illetve a költségek csökkentésénél is fontos szerepet játszhatnak és még számos hasznos alkalmazásuk lehetséges. [2]
Dolgozatomban egy 137 napig monitorozott lakásról gyűjtött adatok alapján készítettem különféle regressziós modelleket az eszközök villamosenergia felhasználásának minél pontosabb becslésére. Ehhez a mesterséges intelligencián belüli gépi tanulási technikák eszköztárát használtam fel és a különböző számításokat Python 3 programnyelven programoztam le. A munkámba nagy hangsúlyt kaptak a környezeti paraméterek (hőmérséklet, szélsebesség, láthatóság stb.) ugyanis a napelemek és egyéb megújuló energiahasznosító berendezések használatával ezen paraméterek hangsúlyossága is fokozódik. Ezenkívül a jövőben, a megújulók nagyfokú elterjedése esetén a fosszilis energiafelhasználásra is nagy hatást gyakorolhatnak.
Irodalom:
[1] (a) N. Arghira, L. Hawarah, S. Ploix, M. Jacomino, Prediction of appliances energy use in smart homes, Energy 48 (1) (2012) 128–134. (b) Mohammad H. Alobaidia, Fateh Chebanab Mohamed, A. Meguida, Robust ensemble learning framework for day-ahead forecasting of household based energy consumption, Applied Energy 212, (2018) 997-1012.
[2] (a) F. Spertino, P. Di Leo, V. Cocina, Which are the constraints to the photovoltaic grid-parity in the main European markets? Solar Energy 105 (2014) 390–400. (b) J.E. Seem, Using intelligent data analysis to detect abnormal energy consumption in buildings, Energy Build. 39 (1) (2007) 52–58. (c) Benjamin F. Hobbs, Udi Helman, Suradet Jitprapaikulsarn, Sreenivas Konda, Dominic Maratukulam, Artificial neural networks for short-term energy forecasting:Accuracy and economic value, Neurocomputing 23, (1998) 71-82.
szerző
-
Papp Ábrahám
Energetikai mérnöki alapszak (BSc)
alapképzés (BA/BSc)
konzulens
-
Dr. Kovács Edith Alice
Docens, Differenciálegyenletek Tanszék
