Σχεδιασμός πληροφοριακού συστήματος εκπαίδευσης μοντέλων
μηχανικής μάθησης για ενεργειακές εφαρμογές

Χορόζογλου, Συμεών; Chorozoglou, Symeon

dc.contributor.author	Χορόζογλου, Συμεών	el
dc.contributor.author	Chorozoglou, Symeon	en
dc.date.accessioned	2023-04-24T11:15:46Z
dc.date.available	2023-04-24T11:15:46Z
dc.identifier.uri	https://dspace.lib.ntua.gr/xmlui/handle/123456789/57561
dc.identifier.uri	http://dx.doi.org/10.26240/heal.ntua.25258
dc.rights	Αναφορά Δημιουργού-Όχι Παράγωγα Έργα 3.0 Ελλάδα	*
dc.rights.uri	http://creativecommons.org/licenses/by-nd/3.0/gr/	*
dc.subject	Πληροφοριακό σύστημα	el
dc.subject	Μηχανική μάθηση	el
dc.subject	Νευρωνικά δίκτυα	el
dc.subject	Επεξεργασία δεδομένων	el
dc.subject	Φωτοβολταϊκά	el
dc.subject	Information system	en
dc.subject	Machine learning	en
dc.subject	Neural networks	en
dc.subject	Data pre-processing	en
dc.subject	Solar panels	en
dc.title	Σχεδιασμός πληροφοριακού συστήματος εκπαίδευσης μοντέλων μηχανικής μάθησης για ενεργειακές εφαρμογές	el
dc.title	Information system for developing machine learning models in the energy domain	en
heal.type	bachelorThesis
heal.classification	Πληροφοριακό σύστημα	el
heal.classification	Μηχανική μάθηση	el
heal.classification	Information system	en
heal.classification	Machine learning	en
heal.language	el
heal.access	free
heal.recordProvider	ntua	el
heal.publicationDate	2023-03-10
heal.abstract	Στην παρούσα διπλωματική εργασία στοχεύουμε στην ανάπτυξη ενός πληροφοριακού συστήματος για την εκπαίδευση μοντέλων μηχανικής μάθησης πάνω σε ενεργειακά δεδομένα. Η εξάπλωση της χρήσης των φωτοβολταϊκών για την παραγωγή ενέργειας αλλά και η προσπάθεια για μείωση κατανάλωσης ενέργειας απαιτούν σύγχρονα συστήματα πρόβλεψης και επεξεργασίας των αντίστοιχων δεδομένων. Αυτό ενισχύεται και από την πολύ μεγάλη συγκέντρωση διαθέσιμης πληροφορίας μέσα από τη χρήση αισθητήρων και έξυπνων συσκευών. Στο σύστημα που υλοποιούμε θέλουμε να παρέχουμε τη δυνατότητα πρόβλεψης για την παραγωγή ενέργειας φωτοβολταϊκών, πρόβλεψης εξοικονόμησης ενέργειας σε κτήρια και βιομηχανίες ύστερα από εργασίες ανακαίνισης, καθώς και ταξινόμησης διαφόρων ενεργειακών έργων ανακαίνισης σε αντίστοιχες κλάσεις. Για τον σκοπό αυτό αναπτύχθηκε η κατάλληλη μεθοδολογία που υποδεικνύει τα βήματα τα οποία πρέπει να ακολουθηθούν για τη διαδικασία της πρόβλεψης. Στη διαδικασία αυτή συμπεριλαμβάνονται ο καθορισμός των δεδομένων και η προεπεξεργασία τους, ο σχεδιασμός κατάλληλων μοντέλων νευρωνικών δικτύων και αλγορίθμων μηχανικής μάθησης, η επιλογή των υπερπαραμέτρων των μοντέλων, η εκπαίδευσή τους, η αξιολόγηση των μοντέλων και η οπτική αναπαράσταση των προβλέψεών τους. Ο χρήστης μπορεί να επεμβαίνει σημαντικά σε κάθε βήμα της διαδικασίας, λαμβάνοντας αποφάσεις για τα δεδομένα που θα εξαχθούν, τον τρόπο που θα επεξεργαστούν, τα μοντέλα που θα εκπαιδευτούν καθώς και για τις τιμές που θα λάβουν οι υπερπαραμέτροι των επιλεγμένων μοντέλων. Η μεθοδολογία αυτή ενσωματώνεται στο πληροφοριακό σύστημα που σχεδιάζουμε, προσφέροντας έτσι μια φιλική διεπαφή στο χρήστη για την ευκολότερη μελέτη αυτών των προβλημάτων. Με αυτόν τον τρόπο καθίσταται εύκολη η διαδικασία πρόβλεψης και η αξιολόγηση των μοντέλων.	el
heal.abstract	The target of the current thesis is the development of an information system for training machine learning models using energy data. The need to enhance the energy production from solar panels, along with the efforts made for reducing the superfluous consumption of energy, require innovative support systems that process the corresponding data and make useful predictions. The necessity to implement such information systems is reinforced by the enormous amount of available data, collected from smart meters, sensors, and smart devices. The system we develop integrates various machine learning models, which are designed for predicting energy production of a dataset associated with solar panels, classifying energy projects in appropriate classes, and predicting energy savings of some refurbishments in buildings and industries. Aforementioned problems belong to classification, regression and forecasting categories. Taking this parameter into account we propose the methodology which leads to accurate predictions, and we analyze extensively each step followed. The procedure of making accurate predictions includes definition of the problem, data pre-processing, creation of machine learning and neural networks models, hyperparameter tuning, models’ training, models’ evaluation, and visualization of predicted values. Users can intervene in every step by extracting the desired features from the data, determining the way data will be pre-processed, selecting the models and tuning their hyperparameters. This methodology is integrated into the designed information system, offering to users a friendly interface to examine energy problems and machine learning models.	en
heal.advisorName	Δούκας, Χρυσόστομος (Χάρης)	el
heal.advisorName	Doukas, Chrysostomos (Haris)	en
heal.committeeMemberName	Ψαρράς, Ιωάννης	el
heal.committeeMemberName	Ασκούνης, Δημήτριος	el
heal.committeeMemberName	Psarras, Ioannis	en
heal.committeeMemberName	Askounis, Dimitrios	en
heal.academicPublisher	Εθνικό Μετσόβιο Πολυτεχνείο. Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών. Τομέας Ηλεκτρικών Βιομηχανικών Διατάξεων και Συστημάτων Αποφάσεων	el
heal.academicPublisherID	ntua
heal.numberOfPages	80 σ.	el
heal.fullTextAvailability	false