Επεξεργασία ενεργειακών δεδομένων από κτίρια με σκοπό τη λήψη αποφάσεων και συμπερασμάτων

Καρατζογλίδη, Μαρία; Karatzoglidi, Maria

dc.contributor.author	Καρατζογλίδη, Μαρία	el
dc.contributor.author	Karatzoglidi, Maria	en
dc.date.accessioned	2020-11-20T13:17:33Z
dc.date.available	2020-11-20T13:17:33Z
dc.identifier.uri	https://dspace.lib.ntua.gr/xmlui/handle/123456789/51966
dc.identifier.uri	http://dx.doi.org/10.26240/heal.ntua.19664
dc.rights	Default License
dc.subject	Μεγάλα δεδομένα	el
dc.subject	Βαθιά μηχανική μάθηση	el
dc.subject	Deep learning	en
dc.subject	Big data	en
dc.subject	Facebook prophet	en
dc.subject	Apache cassandra	en
dc.subject	Στατιστικά μοντέλα πρόβλεψης	el
dc.subject	Degree days	en
dc.subject	Διαδίκτυο των πραγμάτων	el
dc.subject	Προεπεξεργασία δεδομένων	el
dc.title	Επεξεργασία ενεργειακών δεδομένων από κτίρια με σκοπό τη λήψη αποφάσεων και συμπερασμάτων	el
dc.title	Processing energy consumption data from buildings, for energy management	en
heal.type	bachelorThesis
heal.classification	Μηχανική μάθηση	el
heal.classification	Machine learning	en
heal.classification	Πρόβλεψη χρονοσειρών	el
heal.classification	Time series forecasting	en
heal.language	el
heal.access	free
heal.recordProvider	ntua	el
heal.publicationDate	2020-10-20
heal.abstract	Η ενεργειακή διαχείρηση αποτελεί καθοριστικό παράγοντα για την εξοικονόμηση ενέργειας, μια ανάγκη που υπάρχει σε παγκόσμιο επίπεδο. Η καταγραφή και συλλογή των ενεργειακών δεδομένων από κτιριακές εγκαταστάσεις, όπως οι καταναλώσεις των κλιματιστικών μονάδων τους, των ηλεκτρικών λαμπτήρων, των server rooms κ.λπ., επιτυγχάνεται μέσω εφαρμογών του IoT (Internet of Things). Διασυνδεδεμένες συσκευές και αισθητήρες συλλέγουν μεγάλο όγκο δεδομένων (Big Data), τα οποία στη συνέχεια αποθηκεύονται σε βάσεις δεδομένων με τρόπο που να είναι ευκολότερη και πιο γρήγορη η αναζήτησή τους. Ικανά να ανταποκριθούν σε αυτές τις απαιτήσεις, είναι τα συστήματα NoSQL, όπως η Apache Cassandra, μια κατανεμημένη βάση υψηλής απόδοσης, η οποία είναι ιδιαίτερα δημοφιλής και διαδεδομένη για το χειρισμό μεγάλων δεδομένων. Στη συνέχεια, τα δεδομένα υποβάλλονται σε παράλληλη επεξεργασία και ανάλυση, μέσω κατάλληλων frameworks, όπως το Apache Spark. Με την κατάλληλη προεπεξεργασία εξασφαλίζεται η ποιότητα των δεδομένων, ώστε να μην επηρεάζεται η πρόβλεψη από μη αιτιατές καταστάσεις. Για τη δημιουργία μοντέλων πρόβλεψης, χρησιμοποιούνται στατιστικές μέθοδοι και αλγόριθμοι μηχανικής μάθησης (machine learning). Η ανάπτυξη μεθόδων και εργαλείων για την ανάλυση των ενεργειακών δεδομένων, σε συνδυασμό με τις περιβαλλοντικές συνθήκες εσωτερικά και εξωτερικά του κτιρίου, είναι σημαντική για την εξαγωγή συμπερασμάτων όσον αφορά τόσο τον τρόπο λειτουργίας τους (ωράρια, θερμοκρασίες δωματίων) όσο και την αποτελεσματικότητα των συσκευών. Τέλος, αξιολογούνται τα μοντέλα πρόβλεψης και αναλύονται οι αποφάσεις που πρέπει να παρθούν για την ομαλή λειτουργία των κτιρίων.	el
heal.abstract	Energy management constitutes a determining factor for the global need to save energy. Metering the energy consumption of buildings and collecting data, like the energy consumption of air conditioners, lighting, server rooms etc., is achieved with IoT (Internet of Things) applications. Interconnected devices and sensors collect large amounts of data (Big Data), which then are stored in databases, in a way that querying them is efficient. Capable of meeting these requirements are NoSQL systems, such as Apache Cassandra, a distributed, high-performance database and one of the most popular databases for big data applications. Data are then processed and analyzed, using frameworks such as Apache Spark. Data preprocessing will ensure their quality, in a way that forecasting is not affected by non-causal effects. Forecasting models are then developed, using statistical methods and machine learning algorithms. Building models and tools for analyzing energy-consumption data, along with the environmental conditions, inside and outside of a building, is of high importance for drawing conclusions regarding both its operation (work hours, room temperature) and the efficiency of the devices. Finally, the forecasting models are evaluated and the decisions that need to be made for the proper function of the buildings are analyzed.	en
heal.advisorName	Καντερέ, Βασιλική
heal.committeeMemberName	Καντερέ, Βασιλική	el
heal.committeeMemberName	Παπαβασιλείου, Συμεών	el
heal.committeeMemberName	Κοζύρης, Νεκτάριος	el
heal.academicPublisher	Εθνικό Μετσόβιο Πολυτεχνείο. Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών. Τομέας Τεχνολογίας Πληροφορικής και Υπολογιστών	el
heal.academicPublisherID	ntua
heal.numberOfPages	141 σ.	el
heal.fullTextAvailability	false