Event detection and classification for disaggregation of energy consumption metering data

Patryk Jan Mickiewicz

Key information

Authors:

Patryk Jan Mickiewicz (Patryk Jan Mickiewicz)

Supervisors:

Pedro Manuel Santos de Carvalho (Pedro Manuel Santos de Carvalho); Hugo Gabriel Valente Morais (Hugo Gabriel Valente Morais)

Published in

July 7, 2023

Abstract

O aumento da eficiência energética é uma das principais soluções para mitigar o impacto das alterações climáticas. O uso de ferramentas de monitorização não intrusivas (NILM em Inglês) permite adquirir um conhecimento detalhado sobre o funcionamento dos equipamentos elétricos evitando a utilização massiva de equipamentos de medição. Esta dissertação de mestrado tem como foco explorar e avaliar diversas abordagens para deteção e classificação de eventos usando diversos algoritmos de NILM. O trabalho desenvolvido começou por testar uma biblioteca existente, nomeadamente o NILMTK, que oferece um conjunto abrangente de algoritmos e ferramentas para desagregação de consumos. A partir dessa investigação inicial, foi testada uma abordagem mais recente baseada em redes neuronais profundas. Além destes métodos, foi desenvolvida e testada uma nova metodologia centrada na utilização de algoritmos existentes na libraria scikit-learn. Nesta dissertação são destacadas as principais características de cada abordagem, assim como os pontos fortes e limitações de cada uma. Com o intuito de permitir uma compreensão abrangente dos desafios enfrentados no desenvolvimento de soluções NILM, são também apresentados os principais obstáculos encontrados ao longo do desenvolvimento deste trabalho. Além disso, são propostas algumas recomendações que podem ser adotadas para melhorar a performance dos métodos utilizados. Entre os algoritmos utilizados, é de destacar Random Forest, Gradient Boosting e Support Vector Regression que demonstraram um grande potencial de aplicação no âmbito do NILM. One potential solution for addressing the pressing issue of global warming lies in the energy efficiency and power consumption of residential buildings. Non-intrusive load monitoring (NILM) emerges as a promising approach to optimize energy consumption by providing detailed insights into individual appliance usage. This master's thesis focuses on exploring and evaluating various approaches for event detection and classification within NILM. The research begins by testing the NILMTK toolkit, which offers a comprehensive set of algorithms and tools for energy disaggregation. Building upon this initial investigation, a more recent approach based on deep neural networks is examined. Additionally, a novel methodology centered on leveraging the capabilities of scikit-learn is designed, developed, and presented. The thesis highlights key findings from each approach, discussing their promises and limitations. Detailed accounts of the encountered obstacles throughout the development pathway are provided, allowing for a comprehensive understanding of the challenges faced in the field of NILM. Furthermore, potential improvements and enhancements are proposed in order to successfully perform the energy disaggregation. In this research, a plethora of machine learning algorithms, both in the categories of classification and regression, are explored as potential solutions. A collection of solutions proposed in this dissertation - i.e. Random Forest Regression, Gradient Boosting Regression, and SVR - demonstrates a significant potential for advancing the NILM field and energy disaggregation. Moreover, these findings offer promising insights on feasibility of implementation of different approaches as well as the effectiveness of the methods that have been studied in the extent of this dissertation.