dc.contributor.author |
Τσουκνίδας, Αθανάσιος
|
el |
dc.contributor.author |
Tsouknidas, Athanasios
|
en |
dc.date.accessioned |
2022-11-28T10:09:44Z |
|
dc.date.available |
2022-11-28T10:09:44Z |
|
dc.identifier.uri |
https://dspace.lib.ntua.gr/xmlui/handle/123456789/56271 |
|
dc.identifier.uri |
http://dx.doi.org/10.26240/heal.ntua.23969 |
|
dc.rights |
Default License |
|
dc.subject |
Ενεργειακή φτώχεια |
el |
dc.subject |
Ορεινές Περιοχές |
el |
dc.subject |
Αλγόριθμοι Μηχανικής Μάθησης |
el |
dc.subject |
Ενέργεια |
el |
dc.subject |
Energy Poverty |
en |
dc.subject |
Machine Learning Algorithms |
en |
dc.subject |
Mountain areas |
en |
dc.subject |
Ενεργειακή Κρίση |
el |
dc.subject |
Energy Crisis |
el |
dc.title |
Πρόβλεψη κινδύνου ενεργειακής φτώχειας με τη χρήση αλγορίθμων μηχανικής μάθησης |
el |
heal.type |
bachelorThesis |
|
heal.classification |
Ενεργειακή διαχείριση |
el |
heal.classification |
Energy Management |
el |
heal.language |
el |
|
heal.access |
free |
|
heal.recordProvider |
ntua |
el |
heal.publicationDate |
2022-07-18 |
|
heal.abstract |
Στην παρούσα διπλωματική εργασία πραγματοποιήθηκε ανάλυση του φαινομένου της ενεργειακής φτώχειας στις ορεινές περιοχές της Ελλάδας με τη χρήση αλγορίθμων μηχανικής μάθησης. Πιο συγκεκριμένα, πραγματοποιήθηκε επισκόπηση των ιδιαίτερων χαρακτηριστικών της ενεργειακής φτώχειας, με αναφορά στην εξέλιξη της έρευνας στην εκτίμηση του φαινομένου καθώς και στην έκταση που λαμβάνει στις ορεινές περιοχές. Στο κύριο μέρος της εργασίας χρησιμοποιήθηκαν αλγόριθμοι μηχανικής μάθησης με σκοπό την αξιολόγηση της ικανότητάς τους να προβλέψουν τον κίνδυνο εμφάνισης ενεργειακής φτώχειας με αποδεκτή ακρίβεια. Ειδικότερα, επιχειρήθηκε η πρόβλεψη τριών αντικειμενικών δεικτών ενεργειακής φτώχειας (outputs) βάσει πέντε υποκειμενικών δεικτών ενεργειακής φτώχειας (inputs) –μεμονωμένων αλλά και πολλών συνδυασμών των τελευταίων- με εφαρμογή έξι διαφορετικών αλγορίθμων μηχανικής μάθησης. Από τις εν λόγω δοκιμές παρήχθησαν μοντέλα με οριακά ικανοποιητική απόδοση και εύρος ακρίβειας 55% – 61%, και εξήχθησαν συμπεράσματα αναφορικά με την ικανότητα πρόβλεψης του κινδύνου εμφάνισης ενεργειακής φτώχειας των επιλεχθέντων αλγορίθμων. Τα πρώτα ευρήματα εφαρμογής της μηχανικής μάθησης στο φαινόμενο της ενεργειακής φτώχειας θέτουν τα θεμέλια για εκτενέστερη έρευνα στο αντικείμενο. |
el |
heal.advisorName |
Καλιαμπάκος, Δημήτριος |
el |
heal.committeeMemberName |
Καλιαμπάκος, Δημήτριος |
el |
heal.committeeMemberName |
Δαμίγος, Δημήτριος |
el |
heal.committeeMemberName |
Μπενάρδος, Ανδρέας |
el |
heal.academicPublisher |
Εθνικό Μετσόβιο Πολυτεχνείο. Σχολή Μηχανικών Μεταλλείων Μεταλλουργών. Τομέας Μεταλλευτικής |
el |
heal.academicPublisherID |
ntua |
|
heal.numberOfPages |
115 σ. |
el |
heal.fullTextAvailability |
false |
|