Ομαδοποίηση οικιακών φορτίων ηλεκτρικής ενέργειας για την διαχείριση ζήτησης με αλγορίθμους μηχανικής μάθησης

Φραγκιαδάκη, Αφροδίτη; Fragkiadaki, Afroditi

dc.contributor.author	Φραγκιαδάκη, Αφροδίτη	el
dc.contributor.author	Fragkiadaki, Afroditi	en
dc.date.accessioned	2024-05-31T08:56:03Z
dc.date.available	2024-05-31T08:56:03Z
dc.identifier.uri	https://dspace.lib.ntua.gr/xmlui/handle/123456789/59589
dc.identifier.uri	http://dx.doi.org/10.26240/heal.ntua.27285
dc.rights	Default License
dc.subject	Μηχανική μάθηση	el
dc.subject	Στρατηγικές απόκρισης-ζήτησης	el
dc.subject	Ensemble ομαδοποίηση	el
dc.subject	Αλγόριθμοι ομαδοποίησης	el
dc.title	Ομαδοποίηση οικιακών φορτίων ηλεκτρικής ενέργειας για την διαχείριση ζήτησης με αλγορίθμους μηχανικής μάθησης	el
dc.title	Machine learning for clustering household energy consumption in demand-response management	en
heal.type	bachelorThesis
heal.classification	Μηχανική μάθηση	el
heal.language	el
heal.language	en
heal.access	free
heal.recordProvider	ntua	el
heal.publicationDate	2024-02-29
heal.abstract	This research focuses on analyzing household energy consumption patterns to enhance demand-response (DR) strategies, essential for optimizing energy use relative to supply conditions. Analyzing data from 5,567 London households participating in the UK Power Networks' Low Carbon London project, we processed and engineered the data to reveal nuanced energy behaviors. We evaluated various machine learning clustering algorithms, including K-Means++, Fuzzy C-means, Hierarchical clustering, SOMs, BIRCH, GMMs, Spectral Clustering, and notably, Ensemble Clustering. Using metrics such as the Silhouette Score and Davies-Bouldin Score, we identified distinctive energy consumption patterns that facilitate the tailoring of DR strategies. Our findings highlight the effectiveness of Ensemble Clustering and the role of Explainable AI (XAI) in providing deeper insights into energy use, suggesting future research into sociodemographic influences and XAI methodologies for refined energy management.	en
heal.advisorName	Μαρινάκης, Ευάγγελος	el
heal.committeeMemberName	Ασκούνης, Δημήτριος	el
heal.committeeMemberName	Σπηλιώτης, Ευάγγελος	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	128 σ.	el
heal.fullTextAvailability	false