Return to search

Non-Intrusive Load Monitoring to Assess Retrofitting Work / Non-intrusive load monitoring för utvärderingen av renoveringsarbetens effektiviteten

Non-intrusive load monitoring (NILM) refers to a set of statistical methods for inferring information about a household from its electricity load curve, without adding any additional sensor. The aim of this master thesis is to adapt NILM techniques for the assessment of the efficiency of retrofitting work to provide a first version of a retrofitting assessment tool. Two models are developed: a model corresponding to a constrained optimization problem, and a hierarchical Bayesian mixture model. These models are tested on a set of houses that have electric heating (which are the main target of retrofitting work). These models offer a satisfactory accuracy retrofitting assessment for about half of the houses. / Non-intrusive load monitoring (NILM) består av en uppsättning statistiska metoder för att härleda information om ett hushåll från belastningskurvan i bostaden, utan att lägga till ytterligare sensorer. Syftet med detta examensarbete är att anpassa NILM-teknikerna till utvärdering av energieffektivitet i energibyggnader och för att föreslå en första version av ett verktyg för utvärdering av effektiviteten i renoveringsarbeten. Två modeller föreslås: en modell som motsvarar ett begränsat optimeringsproblem och en hierarkisk Bayesiansk blandningsmodell. Modellerna testas på en uppsättning med elvärme (som är huvudmålet för renoveringsarbeten). De utvecklade modellerna gör det möjligt att upprå en tillfredsställande noggrannhet vid utvärderingen av arbeten för ungefär hälften av husen.

Identiferoai:union.ndltd.org:UPSALLA1/oai:DiVA.org:kth-316016
Date January 2022
CreatorsZucchet, Julien
PublisherKTH, Matematisk statistik
Source SetsDiVA Archive at Upsalla University
LanguageEnglish
Detected LanguageSwedish
TypeStudent thesis, info:eu-repo/semantics/bachelorThesis, text
Formatapplication/pdf
Rightsinfo:eu-repo/semantics/openAccess
RelationTRITA-SCI-GRU ; 2022:197

Page generated in 0.0023 seconds