| dc.description.abstract | Moderne bygg blir stadig mer kompleks og består av tusenvis av individuelle komponenter. Alt fra komfyrer, lys, kjøleskap, datamaskiner o.l. Til sammen står denne utviklingen for et stadig økende energibehov, som medfører et økende miljøproblem. Samtidig er det en rask utvikling av teknologi, og det blir billigere og lettere å ta i bruk ny teknologi. Dette gir en ypperlig mulighet til å ta i bruk moderne teknologi for en dyptgående analyse av komplekse bygg. Slik kan man redusere energibehovet ved å styre et anlegg mer effektivt. Man vil da kunne opprettholde et mer bærekraftig energiforbruk, men også spare økonomisk.
I oppgaven har vi sett nærmere på hva som skal til for å detektere ulike komponenter i et bygg. Ved hjelp av tidligere forsøk og rapporter gjort med nøyaktige måleutstyr, har vi samlet informasjon om hvordan underharmoniske frekvenser fordeler seg på forskjellige apparater, med ulik linearitet. Det vil si apparater som består av mye elektronikk, som datamaskiner, eller lite elektronikk, slik som en varmeovn. I oppgaven vil man kunne lese mer om hvordan man kan ta i bruk metoder for selvlærende kunstig intelligens, for å kjenne igjen mønstrene som komponenter gir fra seg, både som underharmoniske komponenter, men også i kombinasjon med konvensjonelle målinger av strøm, spenning og effekt. All informasjon vi har samlet i denne oppgaven bygger på mange ulike kilder, på den måten opprettholder vi så god sikkerhet vi kan om det vi skriver.
Etter å ha analysert forskjellige temaer, som er knyttet til vår problemstilling, var det viktigste vi fant ut hvordan hvert enkelt apparat har en egen signatur, når man ser på hvor stor grad de forvrenger den grunnharmoniske komponenten, spesielt når man ser det i sammenheng med hvor mye strøm hvert enkelt apparat trekker. Vi har også sett viktigheten av å benytte metoden for Non Intrusive Load Monitoring (NILM), for en dyp analyse av det elektriske nettet. Samler man dataene og en analyse i et system med machine learning, vil man kunne måle hva et bygg bruker energi på. Vi oppdaget og, at det var viktig at nettanalysatoren hadde en middels høy samplingsfrekvens på 1 kHz eller mer og en målenøyaktighet på ±0,1% på strøm og spenningskurver. Etter en god diskusjon, landet vi på måleren WM20, fra Carlo Gavazzi, da den kommer nærmest de kravene vi har stilt til målenøyaktighet og samplingsfrekvens | |
| dc.description.abstract | Every modern building is getting more complex, with a thousandfold of individual components. Such as, stovetops, lighting, refrigerators, computers, etc. Combined, this development demands a steady increase in energy consumption, thus also posing an increased environmental problem. At the same, there is a steady and fast technological development, and the incorporation of new technology in buildings is becoming increasingly inexpensive. This gives us an extraordinary opportunity to use new and modern technology for a deep analysis of complex buildings. This way, one could reduce the energy consumption substantially, by controlling an electrical grid more efficiently. This would also benefit the environment by reducing the energy consumption, but also a significant economical benefit.
In this thesis, we have looked closer into what it will take to detect different electrical components in a building. With the help of previously done tests and reports, done with accurate measuring devices, we have gathered information about how subharmonic frequencies develop in different electrical appliances with different levels of linearity. This means components containing a varying degree of electronics, such as computers, containing much electronics, or a simple heater, containing nearly none. In this thesis, one will be able to read more about how one could apply methods for artificial intelligence, to recognize patterns emitted by components in both the form of subharmonics, as well as conventional measurements such as power, current and voltage. All the information in this thesis is gathered from many different trusted sources, so that we can maintain the highest level of certainty.
After analysing different subjects related to our problem, some of our most important discoveries were how each individual appliance has its own signature, when one examines how severely an appliance distorts the waveform. Seen in combination with their respective current and voltages, the appliance has it’s unique signature. We also discovered the importance of utilizing the method for Non Interruptive Load Monitoring (NILM), for a deep analysis of the electrical grid. When these data are collected in a system for Machine Learning, it will be possible to detect what a building uses electricity on. We discovered that the analyzer would need a medium sampling frequency of 1 kHz or more, as well as a high accuracy of ±0,1% on the voltage and current. After a good discussion, we landed on the WM20 model from Carlo Gavazzi, which came the closest to our spesifications. | |
