Ανάπτυξη μεθοδολογίας για διαχείριση ενέργειας με έξυπνους θερμοστάτες

Μάραντος, Χαράλαμπος; Marantos, Charalampos

dc.contributor.author	Μάραντος, Χαράλαμπος	el
dc.contributor.author	Marantos, Charalampos	en
dc.date.accessioned	2016-09-06T11:27:07Z
dc.date.available	2016-09-06T11:27:07Z
dc.date.issued	2016-09-06
dc.identifier.uri	https://dspace.lib.ntua.gr/xmlui/handle/123456789/43409
dc.identifier.uri	http://dx.doi.org/10.26240/heal.ntua.12531
dc.rights	Default License
dc.subject	Έξυπνος θερμοστάτης	el
dc.subject	Μηχανική μάθηση	el
dc.subject	Ανάλυση παλινδρόμησης	el
dc.subject	Μηχανές διανυσμάτων υποστήριξης	el
dc.subject	Θερμική άνεση	el
dc.subject	Smart thermostat	en
dc.subject	Machine learning	en
dc.subject	Regression analysis	en
dc.subject	Support vector machines	en
dc.subject	Thermal comfort	en
dc.title	Ανάπτυξη μεθοδολογίας για διαχείριση ενέργειας με έξυπνους θερμοστάτες	el
heal.type	bachelorThesis
heal.classification	Αυτόματος έλεγχος	el
heal.language	el
heal.language	en
heal.access	free
heal.recordProvider	ntua	el
heal.publicationDate	2016-07-15
heal.abstract	Αντικείμενο της παρούσας διπλωματικής εργασίας αποτελεί η ανάπτυξη μεθοδολογίας και η σχεδίαση ενός συστήματος έξυπνων θερμοστατών, το οποίο επιτυγχάνει ελαχιστοποίηση του κόστους θέρμανσης/κλιματισμού ενός κτηρίου. Ο στόχος της βελτιστοποίησης μας είναι ένας συνδυασμός της ενεργειακής κατανάλωσης και της θερμικής δυσαρέσκειας των ανθρώπων στο κτήριο. Για τις προσομοιώσεις της ενεργειακής κατανάλωσης του κτηρίου χρησιμοποιήθηκε το δημοφιλές πρόγραμμα EnergyPlus, που παρέχει μια ολοκληρωμένη λύση προσομοίωσης με περιγραφή των κτηρίων και εξαγωγή αποτελεσμάτων. Για την εκτίμηση της δυσαρέσκειας των ανθρώπων σε κάθε επιλογή της θέρμανσης ή του κλιματισμού έγινε χρήση του γνωστού μοντέλου θερμικής άνεσης Fanger (PMV/PPD). Όσον αφορά την μέτρηση του ενεργειακού κόστους της κάθε επιλογής, χρησιμοποιήσαμε μεθόδους μηχανικής μάθησης και παλινδρόμησης προκειμένου το σύστημα να μπορεί κάνει προβλέψεις. Πιο συγκεκριμένα χρησιμοποιήθηκε η μέθοδος διανυσμάτων υποστήριξης που είναι δημοφιλής σχεδιαστική προσέγγιση επιτηρούμενης μάθησης τόσο για ταξινόμηση όσο και για παλινδρόμηση. Πιο αναλυτικά, οι συνεισφορές της παρούσας διπλωματικής εργασίας είναι: • Μοντελοποίηση μηχανισμού επιλογής θερμοκρασίας σε κτήρια και υλοποίηση αυτού στο πρόγραμμα EnergyPlus • Ανάπτυξη μηχανισμού επιλογής θερμοκρασιών βασισμένου στη μέθοδο παλινδρόμησης διανυσμάτων υποστήριξης και σε μοντέλα θερμικής άνεσης. Σε αντίθεση με τις υπάρχουσες προσεγγίσεις, η προτεινόμενη λύση είναι ανεξάρτητη από την πρόγνωση καιρού. • Βελτιστοποίηση του μηχανισμού επιλογής θερμοκρασιών για την αποδοτικότερη διαχείριση των δεδομένων εισόδου. Αποτέλεσμα αυτής της βελτιστοποίησης είναι η δυνατότητα εκτέλεσης του συγκεκριμένου μηχανισμού σε ενσωματωμένα συστήματα. • Πειραματική επαλήθευση των αποτελεσμάτων με την χρήση διαδεδομένων τεχνικών ελέγχου (πχ fmincon)	el
heal.abstract	The purpose of the present diploma thesis is the development of a methodology and the design of a smart thermostat system, which achieves minimization of the heating/air conditioning system’s cost. Our optimization target is a combination of energy consumption and people thermal dissatisfaction. For energy consumption simulation we used the popular EnergyPlus, which provides a complete simulation solution with building modeling and a large number of reporting results. In order to estimate the dissatisfaction of people from each option of the heating or air conditioning we made use of the Fanger’s thermal comfort model (PMV/PPD). For calculating the energy consumption we used machine learning and regression methods so that the system can make predictions. More specifically, we used the model of support vector machines which is a popular supervised learning design model used for classification and regression analysis. The proposed contributions of this thesis is: • Temperature selection mechanism in buildings and implementation in EnergyPlus. • Developing temperature selection mechanism based on support vector regression and thermal comfort models. In contrast to existing approaches, the proposed solution in independent to the weather forecast. • Method optimization for efficient management of input data. The result of this optimization is the possibility of implementing in embedded systems. • Experimental verification of the results by using widely used techniques of control (eg fmincon)	en
heal.advisorName	Σούντρης, Δημήτριος	el
heal.committeeMemberName	Σούντρης, Δημήτριος	el
heal.committeeMemberName	Πεκμεστζή, Κιαμάλ	el
heal.committeeMemberName	Γεωργιλάκης, Παύλος	el
heal.academicPublisher	Εθνικό Μετσόβιο Πολυτεχνείο. Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών. Τομέας Τεχνολογίας Πληροφορικής και Υπολογιστών	el
heal.academicPublisherID	ntua
heal.numberOfPages	100 σ.	el
heal.fullTextAvailability	true