Ανάπτυξη μοντέλων μηχανικής μάθησης για την εκτίμηση της ενεργειακής εξοικονόμησης από δράσεις ανακαίνισης

Σιαφαρίκας, Χρήστος; Siafarikas, Christos

dc.contributor.author	Σιαφαρίκας, Χρήστος	el
dc.contributor.author	Siafarikas, Christos	en
dc.date.accessioned	2023-05-04T06:25:38Z
dc.date.available	2023-05-04T06:25:38Z
dc.identifier.uri	https://dspace.lib.ntua.gr/xmlui/handle/123456789/57609
dc.identifier.uri	http://dx.doi.org/10.26240/heal.ntua.25306
dc.rights	Αναφορά Δημιουργού-Μη Εμπορική Χρήση-Όχι Παράγωγα Έργα 3.0 Ελλάδα	*
dc.rights.uri	http://creativecommons.org/licenses/by-nc-nd/3.0/gr/	*
dc.subject	Ενεργειακή Αναβάθμιση	el
dc.subject	Πρόβλεψη ενεργειακής κατανάλωσης	el
dc.subject	Μηχανική Μάθηση	el
dc.subject	Προβλέψεις Χρονοσειρών	el
dc.subject	Νευρωνικά δίκτυα	el
dc.subject	Energy consumption forecasting	en
dc.subject	Time series forecasting	en
dc.subject	International Performance Measurement and Verification Protocol (IPMVP)	en
dc.subject	Measurement and Verification (M&V)	en
dc.subject	Machine Learning	en
dc.title	Ανάπτυξη μοντέλων μηχανικής μάθησης για την εκτίμηση της ενεργειακής εξοικονόμησης από δράσεις ανακαίνισης	el
heal.type	bachelorThesis
heal.classification	Μηχανική Μάθηση	el
heal.language	el
heal.access	free
heal.recordProvider	ntua	el
heal.publicationDate	2023-03-10
heal.abstract	Η παρούσα διπλωματική πραγματεύεται το πρόβλημα της εύρεσης του κέρδους από την εξοικονόμηση ενέργειας σε ένα κτίριο στο οποίο έχουν πραγματοποιηθεί δράσεις ανακαίνισης. Συγκεκριμένα ερευνάται το κομμάτι της βελτιστοποίησης των προβλέψεων της κατανάλωσης που θα είχε το κτίριο αν δεν είχε προηγηθεί η ανακαίνιση αυτή. Εφόσον είναι γνωστές οι καταναλώσεις στο διάστημα πριν την ανακαίνιση όπως επίσης και οι εξωτερικές συνθήκες μετά από αυτήν υπάρχουν τα απαραίτητα δεδομένα ώστε με εφαρμογή σε κατάλληλα μοντέλα να παραχθούν ακριβείς και χρήσιμες προβλέψεις. Στη παρούσα διπλωματική προτείνονται διαφορά μοντέλα μηχανικής μάθησης τα οποία όμως προκύπτουν από συνδυασμό τριών απλών μοντέλων. Το πρώτο από αυτά τα τρία είναι το XGBOOST δηλαδή ένα μοντέλο που λειτουργεί με βάση τους κανόνες του αλγορίθμου gradient boosting και με αυτό το τρόπο πετυχαίνει αρκετά καλές προβλέψεις ακόμα και μόνο του. Τα άλλα δύο είναι δύο LSTM, δηλαδή νευρωνικα δίκτυα που έχουν τη δυνατότητα να έχουν μια μικρή μνήμη και άρα να μπορούν να εντοπίσουν πολύπλοκες σχέσεις μεταξύ των δεδομένων. Ο λόγος που επιλέχθηκε η χρήση δυο LSTM είναι ότι χρησιμοποιούνται δύο διαφορετικές μέθοδοι κατά την εκπαίδευση τους ώστε να υπάρχει μια πιο ολοκληρωμένη προσέγγιση έχοντας χρησιμοποιήσει και τις δύο διαθέσιμες τεχνικές. Από το συνδυασμό αυτών των τριών προκύπτουν αλλά τέσσερα μοντέλα τα οποία ουσιαστικά έχουν αποτελέσματα από κάποια από τα προηγούμενα και αυτός ο συνδυασμός είναι ικανός να προσφέρει καλύτερο αποτέλεσμα αφού ένα στοιχείο που κάποιο από τα προηγούμενα δεν εντοπίζει μπορεί να εντοπίζεται από κάποιο άλλο μοντέλο. Όλα τα μοντέλα δοκιμάστηκαν σε 8 σύνολα δεδομένων σε κτίρια με βάση τη Λετονία ενώ τα 2 από τα 8 είχαν ως στόχο την πρόβλεψη της θερμικής ενέργειας που καταναλώθηκε ενώ τα υπόλοιπα της ηλεκτρικής. Ως μοντέλα σύγκρισης επιλέχθηκαν απλοί αλγόριθμοι μηχανικής μάθησης καθώς και μια παραλλαγή του αλγορίθμου των βαθμοημερών θέρμανσης και ψύξης.	el
heal.advisorName	Μαρινάκης, Βαγγέλης	el
heal.committeeMemberName	Δούκας, Χρυσόστομος	el
heal.committeeMemberName	Ψαρράς, Ιωάννης	el
heal.academicPublisher	Εθνικό Μετσόβιο Πολυτεχνείο. Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών. Τομέας Ηλεκτρικών Βιομηχανικών Διατάξεων και Συστημάτων Αποφάσεων	el
heal.academicPublisherID	ntua
heal.numberOfPages	112 σ.	el
heal.fullTextAvailability	false