dc.contributor.author | Καμπανέλλη, Κωνσταντίνα Μαρία![]() |
el |
dc.contributor.author | Kampanelli, Konstantina Maria![]() |
en |
dc.date.accessioned | 2024-02-13T09:53:18Z | |
dc.date.available | 2024-02-13T09:53:18Z | |
dc.identifier.uri | https://dspace.lib.ntua.gr/xmlui/handle/123456789/58856 | |
dc.identifier.uri | http://dx.doi.org/10.26240/heal.ntua.26552 | |
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 | Πρόβλεψη κατανάλωσης ενέργειας | el |
dc.subject | Μηχανική μάθηση | el |
dc.subject | Τεχνητή νοημοσύνη | el |
dc.subject | Γραμμική παλινδρόμηση | el |
dc.subject | Νευρωνικά δίκτυα | el |
dc.subject | Energy consumption forecasting | en |
dc.subject | Machine learning | en |
dc.subject | Arificial intelligence | en |
dc.subject | Linear regression | en |
dc.subject | Neural networks | en |
dc.title | Πρόβλεψη κατανάλωσης ενέργειας με χρήση μεθόδων μηχανικής μάθησης | el |
dc.title | Energy consumption forecasting using machine learning methods | en |
heal.type | bachelorThesis | |
heal.classification | Machine Learning | en |
heal.language | el | |
heal.access | free | |
heal.recordProvider | ntua | el |
heal.publicationDate | 2023-10-06 | |
heal.abstract | Η παρούσα διπλωματική εργασία παρουσιάζει και συζητά μοντέλα πρόβλεψης ενεργειακής χρήσης συσκευών. Τα δεδομένα που χρησιμοποιούνται περιλαμβάνουν μετρήσεις θερμοκρασίας και υγρασίας 9 δωματίων ενός σπιτιού, που παρακολουθούνται με ένα ασύρματο δίκτυο αισθητήρων ZigBee. Περιλαμβάνει επίσης μετεωρολογικά και κλιματικά δεδομένα, όπως θερμοκρασία, πίεση, υγρασία, ταχύτητα ανέμου, ορατότητα και σημείο υγροποίησης που μετρήθηκαν από το αεροδρόμιο Chievres. Το σύνολο δεδομένων συλλεγόταν 4,5 μήνες. Πέντε στατιστικά μοντέλα εκπαιδεύτηκαν και αξιολογήθηκαν: (α) πολλαπλή γραμμική παλινδρόμηση, (β) λογιστική παλινδρόμηση, (γ) νευρωνικά δίκτυα, (δ) gradient boosting decision trees (GBDT) και (ε) τυχαίο δάσος. Εξετάστηκαν και συζητήθηκαν παραλλαγές του καθενός. Το καλύτερο μοντέλο ήταν το νευρωνικό δίκτυο με 7 κρυφά στρώματα. | el |
heal.abstract | This diploma thesis presents and discusses data-driven predictive models for the energy use of appliances. Data used include temperature and humidity measurements of 9 rooms in a house, monitored by a wireless ZigBee sensor network. It also includes meteorological and climatic data such as temperature, pressure, humidity, wind speed, visibility and humidity point measured from Chievres airport. The dataset was collected over 4.5 months. Five statistical models were trained and evaluated in a testing set: (a) multiple linear regression, (b) logistic regression, (c) neural networks, (d) gradient boosting decision trees (GBDT) and (e) random forest. Alterations of each were examined and discussed. The best model was the neural network with 7 hidden layers. | en |
heal.advisorName | Κουσουρής, Κωνσταντίνος | el |
heal.committeeMemberName | Τσιπολίτης, Γεώργιος | el |
heal.committeeMemberName | Καραποστόλη, Γεωργία | el |
heal.academicPublisher | Εθνικό Μετσόβιο Πολυτεχνείο. Σχολή Εφαρμοσμένων Μαθηματικών και Φυσικών Επιστημών. Τομέας Φυσικής | el |
heal.academicPublisherID | ntua | |
heal.numberOfPages | 113 σ. | el |
heal.fullTextAvailability | false |
Οι παρακάτω άδειες σχετίζονται με αυτό το τεκμήριο: