Μηχανική μάθηση σε ενεργειακά δεδομένα με σκοπό την εξαγωγή γνώσης

Μαυρόπουλος, Απόστολος; Mavropoulos, Apostolos

dc.contributor.author	Μαυρόπουλος, Απόστολος	el
dc.contributor.author	Mavropoulos, Apostolos	en
dc.date.accessioned	2022-01-13T09:42:07Z
dc.date.available	2022-01-13T09:42:07Z
dc.identifier.uri	https://dspace.lib.ntua.gr/xmlui/handle/123456789/54304
dc.identifier.uri	http://dx.doi.org/10.26240/heal.ntua.22002
dc.rights	Αναφορά Δημιουργού - Παρόμοια Διανομή 3.0 Ελλάδα	*
dc.rights.uri	http://creativecommons.org/licenses/by-sa/3.0/gr/	*
dc.subject	Χρονοσειρές ηλεκτρικού φορτίου	el
dc.subject	Μηχανική μάθηση	el
dc.subject	Μηχανική χαρακτηριστικών	el
dc.subject	Προφίλ φορτίου	el
dc.subject	Κατηγοριοποίηση	el
dc.subject	Electrical load time series	en
dc.subject	Machine learning	en
dc.subject	Feature engineering	en
dc.subject	Load profiles	en
dc.subject	Classification	en
dc.title	Μηχανική μάθηση σε ενεργειακά δεδομένα με σκοπό την εξαγωγή γνώσης	el
dc.title	Machine learning and knowledge extraction for energy data	en
heal.type	bachelorThesis
heal.classification	Μηχανική μάθηση	el
heal.classification	Εξαγωγή γνώσης	el
heal.classification	Ανάλυση ενεργειακών δεδομένων	el
heal.classification	Machine learning	en
heal.classification	Knowledge extraction	en
heal.classification	Energy data analysis	en
heal.language	el
heal.access	free
heal.recordProvider	ntua	el
heal.publicationDate	2021-07-07
heal.abstract	Η παρούσα διπλωματική εργασία εντάσσεται στο ερευνητικό πεδίο της ανάλυσης ενεργειακών δεδομένων και πιο συγκεκριμένα της εφαρμογής τεχνικών μηχανικής μάθησης και εξόρυξης δεδομένων σε χρονοσειρές φορτίου ηλεκτρικής ενέργειας. Σε αυτό το πλαίσιο παρουσιάζονται και εφαρμόζονται τεχνικές και εργαλεία για την ανάλυση χρονοσειρών ενεργειακών δεδομένων με σκοπό την εξαγωγή γνώσης. Στο πρώτο κεφάλαιο γίνεται αναφορά στον τύπο των δεδομένων ανάλυσης καθώς και στον Ευρωπαϊκό σύνδεσμο ENTSO-E, διαχειριστή της πλατφόρμας διαφάνειας (TP) μέσω της οποίας διατίθενται δημόσια τα εν λόγω δεδομένα. Επίσης, παρουσιάζονται συνοπτικά τα ανοιχτής πηγής εργαλεία – βιβλιοθήκες και υπολογιστικό περιβάλλον ανάπτυξης που αξιοποιήθηκαν για την υλοποίηση της ανάλυσης και των εφαρμογών. Στο δεύτερο κεφάλαιο γίνεται αναφορά στη μηχανική μάθηση. Παρουσιάζονται οι βασικές κατηγορίες μάθησης, μέθοδοι αξιολόγησης και βελτιστοποίησης μοντέλων, θεμελιώδεις αλγόριθμοι καθώς και προβλήματα που αναδύονται. Εν συνεχεία, στο τρίτο κεφάλαιο παρουσιάζονται μέθοδοι και τεχνικές που αξιοποιούνται στην εξόρυξη δεδομένων και στη μηχανική χαρακτηριστικών. Στο τέταρτο κεφάλαιο παρουσιάζονται αναλυτικά οι εφαρμογές μη επιβλεπόμενης μάθησης που υλοποιήσαμε. Ιδιαίτερη έμφαση δίνεται στην εξαγωγή προτοτύπων ως χαρακτηριστικές καμπύλες – προφίλ φορτίου. Τέλος, στο πέμπτο κεφάλαιο παρουσιάζονται αναλυτικά οι εφαρμογές επιβλεπόμενης μάθησης και μηχανικής χαρακτηριστικών καθώς και η συγκριτική αξιολόγηση των μοντέλων ταξινόμησης που αναπτύχθηκαν.	el
heal.abstract	This diploma thesis is part of the research field of energy data analysis and more specifically of the application of machine learning and data mining techniques in load time series. In this context, tools and techniques for energy time series data analysis are being presented and applied for the purpose of knowledge extraction. The first chapter presents the set of data for analysis as well as the European Network of Transmission System Operators for Electricity ENTSO-E, the manager of the Transparency Platform (TP) through which the above data are publicly available. In addition, the open source libraries, tools and Integrated Development Environment (IDE) that were utilized for the implementation of the analysis and applications are briefly presented. The second chapter presents main definitions and categories of machine learning, model evaluation and optimization methods, fundamental algorithms as well as emerging drawbacks. Consequently, in the third chapter, methods and techniques utilized in data mining and feature engineering are exhibited. The fourth chapter thoroughly presents the unsupervised machine learning applications that we developed. We stress out the importance of load time series clustering regarding the extraction of prototype based load profiles also known as typical load curves. Finally, the fifth chapter presents the supervised machine learning models and feature engineering applications that we developed as well as a benchmarking of the above classification models in detail.	en
heal.advisorName	Χατζηαργυρίου, Νικόλαος	el
heal.committeeMemberName	Χατζηαργυρίου, Νικόλαος	el
heal.committeeMemberName	Παπαθανασίου, Σταύρος	el
heal.committeeMemberName	Γεωργιλάκης, Παύλος	el
heal.academicPublisher	Εθνικό Μετσόβιο Πολυτεχνείο. Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών. Τομέας Ηλεκτρικής Ισχύος	el
heal.academicPublisherID	ntua
heal.numberOfPages	203 σ.	el
heal.fullTextAvailability	false