Πρωτότυπο έξυπνου θερμοστάτη ενισχυτικής μάθησης

Λαμπράκος, Χρήστος; Lamprakos, Christos

dc.contributor.author	Λαμπράκος, Χρήστος	el
dc.contributor.author	Lamprakos, Christos	el
dc.date.accessioned	2018-02-12T08:49:01Z
dc.date.available	2018-02-12T08:49:01Z
dc.date.issued	2018-02-12
dc.identifier.uri	https://dspace.lib.ntua.gr/xmlui/handle/123456789/46441
dc.identifier.uri	http://dx.doi.org/10.26240/heal.ntua.14903
dc.rights	Αναφορά Δημιουργού-Μη Εμπορική Χρήση 3.0 Ελλάδα	*
dc.rights.uri	http://creativecommons.org/licenses/by-nc/3.0/gr/	*
dc.subject	Έξυπνος θερμοστάτης	el
dc.subject	Ενισχυτική μάθηση	el
dc.subject	Ευφυείς πράκτορες	el
dc.subject	Ενεργειακή αποδοτικότητα	el
dc.subject	Ενσωματωμένα συστήματα	el
dc.subject	Smart thermostat	en
dc.subject	Reinforcement learning	en
dc.subject	Intelligent agents	en
dc.subject	Energy efficiency	en
dc.subject	Embedded systems	en
dc.title	Πρωτότυπο έξυπνου θερμοστάτη ενισχυτικής μάθησης	el
heal.type	bachelorThesis
heal.secondaryTitle	A game of setpoints: intelligent thermostat control via reinforcement learning	en
heal.classification	Thermostat	en
heal.classificationURI	http://id.loc.gov/authorities/subjects/sh85134821
heal.language	el
heal.access	free
heal.recordProvider	ntua	el
heal.publicationDate	2017-10-30
heal.abstract	Οι περισσότεροι σημερινοί θερμοστάτες ρυθμίζονται χειροκίνητα από τον ίδιο τον χρήστη. Αυτό καθιστά το κόστος της λειτουργίας τους ασύμφορο, αφού κανείς δεν λαμβάνει υπ’ όψιν τις διάφορες παραμέτρους που επηρεάζουν την ενεργειακή κατανάλωση, παρά επιδιώκει μονάχα την μεγιστοποίηση της θερμικής του άνεσης—στο οποίο μέγιστο σπανίως οδηγείται με την πρώτη προσπάθεια, καταλήγοντας έτσι σε ενεργοβόρες αυξομειώσεις της θερμοκρασίας. Τα τελευταία χρόνια, ένα νέο είδος θερμοστάτη έχει εμφανιστεί. Αποκαλούμενοι έξυπνοι θερμοστάτες, οι συσκευές αυτές επιστρατεύουν τεχνικές όπως η μηχανική μάθηση προκειμένου αφ’ ενός να σκιαγραφούν τις προτιμήσεις και τις συνήθειες του εκάστοτε χρήστη ή ομάδας χρηστών, αφ’ ετέρου να παράγουν με τρόπο αυτόνομο και βέλτιστο (ως προς την ενεργειακή κατανάλωση και τη θερμική άνεση) τα σημεία λειτουργίας τους. Το κίνημα των έξυπνων θερμοστατών συνοδεύεται από μια ευρύτερη προσπάθεια της επιστημονικής κοινότητας για τον αποτελεσματικό έλεγχο συστημάτων θέρμανσης, εξαερισμού, και κλιματισμού (HVAC). Πρόκειται για ένα δύσκολο ως προς την εύρεση γενικής λύσης πρόβλημα, αφού η ενεργειακή κατανάλωση και η θερμική άνεση όχι μόνο είναι αντικρουόμενα μεγέθη, αλλά εξαρτώνται επίσης από την αρχιτεκτονική και το είδος χρήσης του κτιρίου, το είδος του προς έλεγχο συστήματος, και στοχαστικές μεταβλητές όπως το πλήθος ενοίκων και ο καιρός. Σκοπός αυτής της διπλωματικής εργασίας είναι η περιγραφή και αξιολόγηση μέσω προσομοίωσης ενός πρωτοτύπου έξυπνου θερμοστάτη καθολικής εφαρμογής και πολυμορφικής συμπεριφοράς. Γίνεται χρήση ενός αλγορίθμου ενισχυτικής μάθησης που είναι ελαφρύς υπολογιστικά, και δεν απαιτεί την ύπαρξη μοντέλου. Ο χρήστης καθορίζει την ισορροπία κατανάλωσης και άνεσης, και ο θερμοστάτης παράγει μια συμπεριφορά που αναβαθμίζεται διαρκώς και βελτιστοποιεί τα δύο μεγέθη ανάλογα. Υποστηρίζεται υλοποίηση σε ενσωματωμένες πλατφόρμες μικροελεγκτών ελάχιστου κόστους.	el
heal.abstract	Most contemporary thermostats are manually regulated from the user. This results to non-beneficial function cost, since nobody takes the many different parameters regulating energy consumption into consideration, instead focusing in maximizing their thermal comfort—at which maximum hardly ever do they get with the first try, thus resolving in costly temperature fluctuations. In recent years, a new kind of thermostats has arisen. Under the name of smart thermostats, these devices employ techniques such as machine learning in order to deduce each consumer’s preferences and habits, and produce their setpoints of function in an autonomous and optimal (as regards energy consumption and thermal comfort) way. The smart thermostats movement is complemented by a broader effort of the scientifc community to effectively control heating, ventilation and air-conditioning (HVAC) systems. This is a hard poblem in respect of finding a general solution, since energy consumption and thermal comfort are not only comflicting quantities, but they also depend on each building’s architecture and usage purpose, the HVAC system’s type, and stochastic variables like occupancy and weather. The purpose of this thesis is to describe and evaluate, via simulation, the prototype of a universally applicable smart thermostat demonstrating polymorphic behavior. A computationally lightweight, model-free reinforcement learning algorithm is used. The user can set the tradeoff between consumption and comfort. The thermostat then produces a constantly self-refining behavior, accordingly optimizing the aforementioned quantities. Realization on embedded microcontroller platforms of minimal cost is supported.	en
heal.advisorName	Σούντρης, Δημήτριος	el
heal.committeeMemberName	Σούντρης, Δημήτριος	el
heal.committeeMemberName	Πεκμεστζή, Κιαμάλ	el
heal.committeeMemberName	Σιώζιος, Κωνσταντίνος	el
heal.academicPublisher	Εθνικό Μετσόβιο Πολυτεχνείο. Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών. Τομέας Τεχνολογίας Πληροφορικής και Υπολογιστών. Εργαστήριο Μικροϋπολογιστών και Ψηφιακών Συστημάτων VLSI	el
heal.academicPublisherID	ntua
heal.numberOfPages	77 σ.
heal.fullTextAvailability	true