Anvending av nøyaktige målinger for å detektere individuelle apparater i komplekse bygg.

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 samplingsfrekven