Riccardo Quaglia
Il Machine Learning nel Monitoraggio energetico = Machine Learning in energy monitoring.
Rel. Armando Portoraro, Marco Badami. Politecnico di Torino, Corso di laurea magistrale in Ingegneria Energetica E Nucleare, 2019
|
PDF (Tesi_di_laurea)
- Tesi
Licenza: Creative Commons Attribution Non-commercial No Derivatives. Download (11MB) | Preview |
Abstract: |
Nel presente lavoro di tesi si sono sviluppati ed analizzati diversi modelli di previsione dei consumi e della produzione di energia basati sul Machine Learning, sfruttando i dati provenienti da alcuni stabilmente produttivi; tale analisi ha permesso di individuare punti di forza e criticità dei processi in esame. Inoltre, ha reso possibile una previsione dei consumi strategicamente utile per amministrare al meglio le risorse. Infatti, una corretta regolazione dell’utilizzo dell’energia è fondamentale nel settore industriale per conseguire un’efficace gestione delle risorse energetiche ed economiche. Negli ultimi anni il grande aumento di disponibilità di informazioni a disposizione, da un punto di vista sia quantitativo sia qualitativo, e lo sviluppo di algoritmi computazionali nel campo dell’intelligenza artificiale hanno consentito lo sviluppo di nuovi modelli di previsione dei consumi. Alcuni di questi modelli saranno esposti nei prossimi capitoli. La prima parte dello studio descrive gli attuali sistemi di monitoraggio energetico e gli scenari di sviluppo per questo settore nei prossimi anni, concentrandosi sull’integrazione al suo interno di strumenti di Machine Learning. Particolare attenzione è stata dedicata allo studio delle varie tipologie di algoritmi utilizzabili, andando ad individuare quelli in grado di fornire le migliori prestazioni relativamente al problema studiato. Nella seconda parte del lavoro si sono sviluppati i modelli di previsione dei consumi e della produzione tramite l’utilizzo delle librerie open-source Tensorflow per ambiente Python sviluppate da Google, i quali sono stati valutati basandosi sui dati di funzionamento reale di due stabilimenti produttivi, il primo alimentato solo da un impianto di cogenerazione e il secondo da un impianto di cogenerazione affiancato da un impianto fotovoltaico per la produzione di energia elettrica. Le analisi effettuate sono di interesse per valutare l’efficacia concreta dei modelli previsionali basati sul Machine Learning in questo campo di applicazione e se essi si possano affermare nel prossimo futuro in sostituzione delle attuali tecnologie. |
---|---|
Relators: | Armando Portoraro, Marco Badami |
Academic year: | 2018/19 |
Publication type: | Electronic |
Number of Pages: | 124 |
Subjects: | |
Corso di laurea: | Corso di laurea magistrale in Ingegneria Energetica E Nucleare |
Classe di laurea: | New organization > Master science > LM-30 - ENERGY AND NUCLEAR ENGINEERING |
Aziende collaboratrici: | ATLAS COPCO ITALIA S.P.A. |
URI: | http://webthesis.biblio.polito.it/id/eprint/10234 |
Modify record (reserved for operators) |