Εφαρμογή μηχανικής μάθησης για την εύρεση βέλτιστης στρατηγικής ενεργειακής ανακαίνισης κτιρίων

Κεφάλας, Κωνσταντίνος; Kefalas, Konstantinos

dc.contributor.author	Κεφάλας, Κωνσταντίνος	el
dc.contributor.author	Kefalas, Konstantinos	en
dc.date.accessioned	2025-03-20T10:43:36Z
dc.date.available	2025-03-20T10:43:36Z
dc.identifier.uri	https://dspace.lib.ntua.gr/xmlui/handle/123456789/61381
dc.identifier.uri	http://dx.doi.org/10.26240/heal.ntua.29077
dc.rights	Default License
dc.subject	Μηχανική Μάθηση	el
dc.subject	Ενεργειακή αποδοτικότητα	el
dc.subject	Ενεργειακές ανακαινίσεις κτιρίων	el
dc.subject	Τεχνητή νοημοσύνη	el
dc.subject	Διαχείριση ενέργειας	el
dc.title	Εφαρμογή μηχανικής μάθησης για την εύρεση βέλτιστης στρατηγικής ενεργειακής ανακαίνισης κτιρίων	el
heal.type	bachelorThesis
heal.classification	Μηχανική μάθηση	el
heal.classification	Ενεργειακή αποδοτικότητα	el
heal.language	el
heal.access	campus
heal.recordProvider	ntua	el
heal.publicationDate	2024-03-01
heal.abstract	Με την αύξηση της παγκόσμιας ενεργειακής κατανάλωσης και την επιδείνωση των περιβαλλοντικών προβλημάτων, η ανάγκη για αποτελεσματικές λύσεις που θα μειώσουν την κατανάλωση ενέργειας στα κτίρια είναι επιτακτική. Οι ενεργειακές ανακαινίσεις παίζουν καθοριστικό ρόλο στην επίτευξη αυτού του στόχου, επιτρέποντας τη βελτίωση της ενεργειακής απόδοσης των κτιρίων και τη μείωση του αντίκτυπού τους στο περιβάλλον. Ωστόσο, παρά τη σημασία τους, ο ρυθμός των ενεργειακών ανακαινίσεων παραμένει συχνά χαμηλός. Συνεπώς, η ανάπτυξη και η εφαρμογή νέων τεχνολογιών και προσεγγίσεων για την ενίσχυση των ενεργειακών ανακαινίσεων αποτελεί κρίσιμη προτεραιότητα προκειμένου να επιτευχθεί η ενεργειακή αποδοτικότητα στα κτίρια και να μειωθεί η συνολική ενεργειακή κατανάλωση. Η παρούσα διπλωματική εργασία ασχολείται με την εφαρμογή αλγορίθμων μηχανικής μάθησης για την πρόβλεψη της μείωσης της ενεργειακής κατανάλωσης και των εκπομπών διοξειδίου του άνθρακα σε κτίρια ως αποτέλεσμα ενεργειακών ανακαινίσεων. Αρχικά, προσδιορίζεται το πρόβλημα που αφορά την ενεργειακή αποδοτικότητα στα κτίρια και επισημαίνονται τα εμπόδια στην υλοποίηση έργων βελτίωσης της ενεργειακής αποδοτικότητας. Στη συνέχεια, πραγματοποιείται ανάλυση των διαθέσιμων δεδομένων από έργα ανακαίνισης που έχουν υλοποιηθεί στο παρελθόν, ενώ εφαρμόζονται αλγόριθμοι μηχανικής μάθησης (K-Nearest Neighbors, Random Forest, Lightgbm, Support Vector Machine, Τεχνητό Νευρωνικό Δίκτυο) για την εκπαίδευση μοντέλων πρόβλεψης με βάση αυτά τα δεδομένα. Συνεπώς καταγράφονται οι αλγόριθμοι με το μεγαλύτερο βαθμό απόδοσης και αναλύονται μέθοδοι βελτιστοποίησης των τεχνολογιών που εφαρμόστηκαν. Τα εξαγόμενα αποτελέσματα τονίζουν την σημασία της μηχανικής μάθησης στον τομέα της ενεργειακής αποδοτικότητας αλλά και της ενέργειας γενικότερα, καθώς αναδεικνύονται οι προοπτικές μοντέλων βασισμένων στη μηχανική μάθηση να υποστηρίξουν τους εμπλεκόμενους φορείς σε διαδικασίες λήψης αποφάσεων, χρησιμοποιώντας τα υπάρχοντα δεδομένα, πραγματοποιώντας συστηματική ανάλυση με βάση τις διαθέσιμες πληροφορίες και προσφέροντας χρήσιμες προβλέψεις για την επίδραση συγκεκριμένων παρεμβάσεων. Επομένως, μπορούν να συνδράμουν σε περαιτέρω έρευνες εμβαθύνοντας τόσο σε πρακτικό όσο και σε ερευνητικό επίπεδο.	el
heal.advisorName	Μαρινάκης, Ευάγγελος	el
heal.committeeMemberName	Μαρινάκης Ευάγγελος	el
heal.committeeMemberName	Ασκούνης, Δημήτριος	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	146 σ.	el
heal.fullTextAvailability	false