Συντάχθηκε 24-02-2022 12:28
Τόπος: Η παρουσίαση θα γίνει με τηλεδιάσκεψη
Σύνδεσμος τηλεδιάσκεψης
Έναρξη: 28/02/2022 14:00
Λήξη: 28/02/2022 15:00
ΠΟΛΥΤΕΧΝΕΙΟ ΚΡΗΤΗΣ
Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών
Πρόγραμμα Προπτυχιακών Σπουδών
ΠΑΡΟΥΣΙΑΣΗ ΔΙΠΛΩΜΑΤΙΚΗΣ ΕΡΓΑΣΙΑΣ
ΧΑΡΑΛΑΜΠΙΔΗΣ ΓΕΩΡΓΙΟΣ
Θέμα
Ανάπτυξη Γεννήτριας Συνόλων Δεδομένων για Οικοσυστήματα Έξυπνων Δικτύων με Ηλεκτρικά Οχήματα
A Dataset Generator for Smart Grid Ecosystems Populated with Electric Vehicles
Εξεταστική Επιτροπή
Αν. Καθηγητής Γεώργιος Χαλκιαδάκης (επιβλέπων)
Αν. Καθηγητής Φώτιος Κανέλλος
Αν. Καθηγητής Βασίλειος Σαμολαδάς
Περίληψη
Η ευρεία χρήση ηλεκτρικών τεχνολογιών στον τομέα των μετακινήσεων, όπως τα Ηλεκτρικά Οχήματα (EVs), θέτει ορισμένες προκλήσεις τόσο από τεχνική όσο και από κοινωνικοοικονομική άποψη. Για να αντιμετωπιστούν οι συγκεκριμένες προκλήσεις, όσον αφορά τον τομέα της έρευνας, γίνεται επιτακτική η ανάγκη χρήσης δεδομένων τα οποία προέρχονται από ρεαλιστικές και αξιόπιστες πηγές. Ωστόσο, στην τυπική μέση περίπτωση, τέτοιου είδους δεδομένα περιέχουν ιδιωτικές και ευαίσθητες πληροφορίες που δεν μπορούν να διατεθούν στους ερευνητές. Ακόμη και τα λίγα δημόσια διαθέσιμα δεδομένα δεν είναι αρκετά για έρευνα στον τομέα, με αποτέλεσμα τα περισσότερα από αυτά να χρησιμοποιούνται υπερβολικά. Συγχρόνως, η πλειονότητα των διαθέσιμων δεδομένων, περιέχει λιγοστούς πελάτες, ενώ στην πραγματικότητα απαιτούνται εκατοντάδες χιλιάδες. Για να ξεπεραστεί αυτό το εμπόδιο, μπορούν να χρησιμοποιηθούν συνθετικά δεδομένα, τα οποία ωστόσο προέρχονται από μοντέλα με σχέσεις που αποτυπώνουν επαρκώς τις ιδιότητες των συνόλων δεδομένων του πραγματικού κόσμου.
Στην παρούσα διπλωματική εργασία, σχεδιάζουμε μια γεννήτρια δεδομένων για τον τομέα της διαχείρισης φόρτισης ηλεκτρικών οχημάτων σε οικοσυστήματα έξυπνων δικτύων ηλεκτροδότησης. Η γεννήτρια (α) λαμβάνει ως είσοδο ανώνυμα και με πιθανές ασυνέπειες δεδομένα, που περιγράφουν διαφορετικούς τύπους παραγωγής και ζήτησης ενέργειας, καθώς και διάφορα προφίλ φόρτισης ηλεκτρικών οχημάτων και αντίστοιχες πληροφορίες σχετικά με την διαδρομή και τον τύπο των EVs (β) εφαρμόζει ποικιλία μοντέλων —συγκεκριμένα Histograms, Kernel Density Estimation, Generative Adversarial Networks, και Frequency Tables —χρησιμοποιώντας αυτά τα δεδομένα ως σύνολα εκπαίδευσης και ως αποτέλεσμα καταφέρνει να (γ) δημιουργεί νέα συνθετικά δεδομένα, όχι πανομοιότυπα με τα δεδομένα εισόδου, αλλά τηρώντας τις ίδιες αρχές και σχέσεις.
Η προτεινόμενη γεννήτρια δεδομένων παράγει επίσης αντίστοιχα γραφήματα και ιστογράμματα για την οπτικοποίηση των αποτελεσμάτων και διαφορετικές μετρήσεις προκειμένου να ποσοτικοποιηθεί η «απόσταση» μεταξύ των κατανομών που συγκρίνουμε. Μέσω των συγκεκριμένων τρόπων απεικόνισης των αποτελεσμάτων, αποκτούμε μια πλήρη εικόνα των παραγόμενων συνθετικών δεδομένων και μπορούμε εύκολα να εντοπίσουμε ζητήματα αντιστοιχίας. Τέλος σημαντικό είναι πως η γεννήτρια δεδομένων είναι διαθέσιμη μέσω ενός διαδικτυακού αποθετηρίου, και μπορεί εύκολα να ενσωματωθεί από τρίτους στις ερευνητικές τους δραστηριότητες.
Abstract
The widespread use of electric mobility technologies such as the Electric Vehicles (EVs), poses certain challenges both from the technical, and the socioeconomic points of view. In order to address these, research must utilize related data that originates from realistic sources. However, in the typical case, such data contains private and sensitive information that cannot be made available to the researchers. As a result, research makes excessive use of the few datasets that are publicly available. At the same time, the majority of the available data, contain only a few customers, while hundreds of thousands are required. To overcome this obstacle, synthetic data can be used, which nevertheless originates from models with relationships that sufficiently capture the properties of the actual real-world datasets.
In this thesis, we design a dataset generator for the domain of EVs charging management in Smart Grid settings. The generator (i) takes as input anonymized data, describing different energy generation and demand types, as well as charging profiles of EVs and corresponding trip and type information; (ii) employs a variety of models—in particular Histograms, Kernel Density Estimation, Generative Adversarial Networks, and Frequency Tables—using this data as training sets; and thus (iii) generates new synthetic data, not identical to the input, but adhering to the same principles, and relationships.
The proposed dataset generator also produces respective summarizations, which includes barplots and histograms to visualize the results, and different metrics in order to quantify a ‘distance’ between the distributions under comparison. These summarizations give us a complete picture of the generated data and they are particularly useful for detecting correspondence issues. Last but not least, the dataset generator is available via an online repository and it can readily be incorporated by third parties in their research activities.
Meeting ID: 988 7719 0429
Password: 319755
