Βελτίωση πρόβλεψης ενεργειακής κατανάλωσης κτιρίων με χρήση τεχνικών μεταφοράς μάθησης και temporal fusion transformers

Ζακυνθινός, Αντώνιος; Zakynthinos, Antonios

dc.contributor.author	Ζακυνθινός, Αντώνιος	el
dc.contributor.author	Zakynthinos, Antonios	en
dc.date.accessioned	2025-07-28T07:30:03Z
dc.date.available	2025-07-28T07:30:03Z
dc.identifier.uri	https://dspace.lib.ntua.gr/xmlui/handle/123456789/62196
dc.identifier.uri	http://dx.doi.org/10.26240/heal.ntua.29892
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	Μηχανική μάθηση	el
dc.subject	Βαθιά μάθηση	el
dc.subject	Μεταφορά μάθησης	el
dc.subject	Προβλέψεις κατανάλωσης	el
dc.title	Βελτίωση πρόβλεψης ενεργειακής κατανάλωσης κτιρίων με χρήση τεχνικών μεταφοράς μάθησης και temporal fusion transformers	el
heal.type	bachelorThesis
heal.generalDescription	Επιχειρείται βελτίωση πρόβλεψης ενεργειακής κατανάλωσης κτιρίων με έλλειψη δεδομένων μέσω τεχνικών μεταφοράς μάθησης και του μοντέλου Temporal Fusion Transformer	el
heal.classification	Προβλέψεις κατανάλωσης	el
heal.language	el
heal.access	free
heal.recordProvider	ntua	el
heal.publicationDate	2025-02-24
heal.abstract	Η ακριβής πρόβλεψη του ηλεκτρικού φορτίου είναι ζωτικής σημασίας για τη βελτιστοποίηση της διαχείρισης ενέργειας και τη διασφάλιση της σταθερότητας του δικτύου, ιδιαίτερα με τη διαρκώς αυξανόμενη ενσωμάτωση της τεχνητής νοημοσύνης σε αυτόν τον τομέα. Ωστόσο, η ακρίβεια της πρόβλεψης συχνά επηρεάζεται από τον περιορισμένο όγκο ιστορικών δεδομένων, καθιστώντας δύσκολη την αποτελεσματική εκπαίδευση μοντέλων βαθιάς μάθησης. Η παρούσα διατριβή εξερευνά τη χρήση τεχνικών μεταφοράς μάθησης (transfer learning) για τη βελτίωση της ακρίβειας της πρόβλεψης, μεταφέροντας γνώση από ένα καλά εδραιωμένο σύνολο δεδομένων πηγής σε στοχευμένα σύνολα δεδομένων με διαφορετικούς βαθμούς έλλειψης δεδομένων. Αυτές οι μέθοδοι εφαρμόστηκαν σε ένα εύρος υλοποιημένων αρχιτεκτονικών βαθιάς μάθησης, συμπεριλαμβανομένων των LSTM, RNN, CNN, του υβριδικού CNN-LSTM, καθώς και το μοντέλο μετασχηματιστή συγχώνευσης χρόνου (TFT). Το μοντέλο TFT εξετάζεται ιδιαίτερα ως μέσο βελτίωσης των προβλέψεων, αξιοποιώντας την αρχιτεκτονική προσοχής (attention-based) και τις προηγμένες δυνατότητες επιλογής χαρακτηριστικών. Επιπλέον, ενσωματώθηκαν μετεωρολογικά δεδομένα στη διαδικασία εκπαίδευσης, προκειμένου να διευκολυνθεί η ακριβής προσαρμογή του μοντέλου και να αυξηθεί η ακρίβεια των προβλέψεων του, παρέχοντας πολύτιμες πληροφορίες. Τέλος αυτή η έρευνα στοχεύει να αποδείξει τα πλεονεκτήματα του συνδυασμού της μεταφοράς μάθησης με το TFT, αναπτύσσοντας μια πιο προσαρμοστική, επεκτάσιμη και αποδοτική ως προς τα δεδομένα προσέγγιση στην πρόβλεψη ηλεκτρικού φορτίου, συμβάλλοντας σε πιο έξυπνες λύσεις διαχείρισης ενέργειας.	el
heal.advisorName	Μαρινάκης, Ευάγγελος	el
heal.committeeMemberName	Ασκούνης, Δημήτριος	el
heal.committeeMemberName	Μαρινάκης, Ευάγγελος	el
heal.committeeMemberName	Σπιλιώτης, 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	211 σ.	el
heal.fullTextAvailability	false