Non-Intrusive Load Monitoring (NILM): combining multiple distinct electrical features and unsupervised machine learning techniques

Dr.-Ing. Bernard, Timo

Dateibereich 45824

22,69 MB in einer Datei, zuletzt geändert am 17.07.2018

Dateiliste / Details

DateiDateien geändert amGröße
Diss_Bernard.pdf17.07.2018 10:27:0422,69 MB
Handelsübliche Stromzähler messen heutzutage nur den Gesamtstromverbrauch. Um Energieeinsparpotentiale aufzuzeigen oder Smart Home Anwendungen mit Energiedaten zu bereichern, ist eine detaillierte Aufschlüsselung vonnöten. Hierfür analysiert die Non-Intrusive Load Monitoring (NILM) Technologie das Gesamtsignal, separiert dieses und ordnet die Bestandteile einzelnen Verbrauchern mit Hilfe von gerätespezifischen elektrischen Fingerabdrücken zu. Bisher konzentrierten sich die meisten NILM-Untersuchungen auf niederfrequente Verfahren, da Standard-Messhardware verwendet werden kann. Vereinzelt wurden jedoch auch hochfrequente Merkmale in Betracht gezogen. Das Ziel dieser Arbeit ist es, unterschiedlichste elektrische Merkmale zu untersuchen und diese ganzheitlich in einen Algorithmus zu integrieren. Hierfür analysierten wir unterschiedlichste nieder-, mittel- und hochfrequente Merkmale, wie Wirk- und Blindleistung, Harmonische der Netzfrequenz oder leitungsgebundene Störaussendungen auf deren Anwendbarkeit im NILM-Bereich. Darauf aufbauend entwickelten wir, mit Hilfe von maschinellen Lernverfahren, einen unüberwachten Algorithmus, welcher die vielversprechendsten elektrischen Merkmale verwendet, um den Gesamtstromverbrauch aufzuschlüsseln. Eine wichtige Eigenschaft unseres Algorithmus ist es, komplett unbekannte Geräte detektieren zu können. Zusätzlich besteht die Möglichkeit, das Stromsignal in Echtzeit auswerten zu können. Unsere Ergebnisse zeigen, dass hochfrequente Merkmale signifikant bei der Lastdisaggregation unterstützen können. Harmonische beispielsweise können besonders hilfreich sein, um Geräte mit einer ähnlichen Wirkleistungsaufnahme unterscheiden zu können. Leistungsgebundene Störaussendungen haben das Potential, variable Lasten oder sogar Geräte des gleichen Modells separieren zu können. Unsere Algorithmus-Evaluierung zeigt vielversprechende Ergebnisse für zwei Privathaushalt-Datensätze. Zusätzlich erzielte unser Verfahren gute Resultate bei Industriemessungen in der Erkennung und Zuordnung von Ereignissen. Diese Arbeit zeigt die Vorteile einer Kombination von nieder-, mittel- und hochfrequenten Merkmalen auf. Diese sollten in zukünftigen NILM-Algorithmen zum Einsatz kommen und idealerweise bei dem Smart Meter Rollout in Betracht gezogen werden.
Lesezeichen:
Permalink | Teilen/Speichern
Dokumententyp:
Wissenschaftliche Abschlussarbeiten » Dissertation
Fakultät / Institut:
Fakultät für Ingenieurwissenschaften » Informatik und Angewandte Kognitionswissenschaft
Dewey Dezimal-Klassifikation:
600 Technik, Medizin, angewandte Wissenschaften » 620 Ingenieurwissenschaften » 620 Ingenieurwissenschaften und zugeordnete Tätigkeiten
Stichwörter:
Non-Intrusive Load Monitoring (NILM), load disaggregation, energy management, smart metering, device identification, high frequency electrical features, energy efficiency, energy consumption, load management, unsupervised machine learning, artificial intelligence, big data
Beitragender:
Prof. Dr.-Ing. Fuhr, Norbert [Betreuer(in), Doktorvater]
Sprache:
Englisch
Kollektion / Status:
Dissertationen / Dokument veröffentlicht
Promotionsantrag am:
28.03.2018
Dateien geändert am:
17.07.2018
Datum der Promotion:
22.06.2018
Medientyp:
Text