Πρόβλεψη κατανάλωσης ενέργειας με χρήση μεθόδων μηχανικής μάθησης

Καμπανέλλη, Κωνσταντίνα Μαρία; Kampanelli, Konstantina Maria

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