A megújuló energiaforrások elterjedésével egyre nehezebb feladat az elektromos hálózat terhelésének és termelésének kiegyensúlyozása. A folyamatosan változó terhelés mellett a termelés oldalán is megjelentek a nem vezérelhető nap- és szélerőművek. Ezen megújuló energiaforrások kihasználásának maximalizálásához szükség van a hálózat fogyasztói összetételének ismeretére, valamint a fogyasztók vezérlésére, ütemezésére. A hálózat fogyasztóinak ismerete lehetőséget ad a hálózat terhelésének előrejelzésére. Bizonyos fogyasztók működése ütemezésével a hálózat terhelése időzíthető, lehetővé téve a megújuló energiaforrások kihasználásának maximalizálását.

A kutatás korábbi lépéseiben megépítésre került egy mérőeszköz prototípus, mely képes olyan mérési adatokat rögzíteni, amivel különböző klasszifikációs módszerekkel lehetséges a csatlakoztatott fogyasztó pontos felismerése. A mérőeszköz egy dimmer segítségével levágja a fogyasztó feszültségforrását és méri a fogyasztó reakcióját. A mérési adatokat többféle klasszifikációs módszerrel vizsgáltam, ezek közül a legpontosabb a Convolutional Neural Network (CNN) alapú klasszifikáció volt. A kutatás során megvizsgálásra került, hogy kevesebb adattal is el lehet-e érni hasonlóan pontos eredményeket, ehhez kerültek definiálásra mérési profilok. Négy különböző mérési eljárást megvizsgálva, a klasszifikációs pontosság csak kis mértékében romlik. Az eredményekből TDK dolgozat és nemzetközi konferenciára cikk is készült.

A különböző mérési profilok, valamint a különböző klasszifikációs módszerek vizsgálatának célja az volt, hogy mind felhő alapú klasszifikációhoz, mind edge computing megoldásokhoz nyújtson lehetséges megoldást. A mostani TDK dolgozat az egde computing megoldás megvalósítását tartalmazza. Az eredeti prototípus nem hálózaton keresztül továbbította a méréseket, valamint a klasszifikáció is számítógépen futott. Új prototípus eszközt kellett építeni, mely képes egyszerre WiFi-n kommunikálni, a klasszifikációt futtatni és a mérést elvégezni. Az eredeti prototípusban használt ESP32 mikrokontrollerrel nem volt megvalósítható a precíz mérés és WiFi kapcsolat párhuzamosan, így két mikrokontrollerre volt szükség. Az új prototípusban egy RP2040 mikrokontroller felel a mérés elvégzéséért, míg az ESP32 végzi a klasszifikációt és kommunikál WiFi-n keresztül.

A megépített prototípus validálása mérésekkel is megtörtént. Az eredeti kutatásban használt eszközök újra megmérésre kerültek, az adatokból került tanításra a CNN. Ezután a mérőeszközzel újabb méréseket végeztem, ekkor a mikrokontroller végezte a klasszifikációt. Az eredmények alapján a rendszer pontosan képes meghatározni a csatlakoztatott fogyasztót 99\% feletti pontossággal. A teljes folyamat kevesebb, mint öt másodpercet vesz igénybe.