Deep Learning Innovations for Energy Efficiency: Advances in Non-Intrusive Load Monitoring and EV charging optimization for a sustainable grid

Σταύρος, Συκιώτης; Stavros, Sykiotis

dc.contributor.author	Σταύρος, Συκιώτης
dc.contributor.author	Stavros, Sykiotis
dc.date.accessioned	2025-09-22T09:23:26Z
dc.date.available	2025-09-22T09:23:26Z
dc.identifier.uri	https://dspace.lib.ntua.gr/xmlui/handle/123456789/62497
dc.identifier.uri	http://dx.doi.org/10.26240/heal.ntua.30193
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	Non-Intrusive Load Monitoring	en
dc.subject	Deep Learning	en
dc.subject	Electric Vehicles	en
dc.subject	EV Charging optimization	en
dc.title	Deep Learning Innovations for Energy Efficiency: Advances in Non-Intrusive Load Monitoring and EV charging optimization for a sustainable grid	en
dc.title	Τεχνικές Βαθιάς Μηχανικής Μάθησης για Αυξημένη Ενεργειακή Αποδοτικότητα: Μέθοδοι Μη Επεμβατικής Παρακολούθησης Φορτίων και Βελτιστοποίηση Φόρτισης Ηλεκτρικών Οχημάτων για ένα βιώσιμο δίκτυο ηλεκτρικής ενέργειας	el
heal.type	doctoralThesis
heal.classification	Μηχανική Μάθηση	el
heal.classification	Ενέργεια	el
heal.language	en
heal.access	free
heal.recordProvider	ntua	el
heal.publicationDate	2025-05-05
heal.abstract	Η παγκόσμια ενεργειακή πραγματικότητα υφίσταται μια βαθιά μεταμόρφωση, συχνά αναφερόμενη ως ενεργειακή μετάβαση, που καθοδηγείται από την επείγουσα ανάγκη για μετριασμό της κλιματικής αλλαγής, μείωση των εκπομπών αερίων του θερμοκηπίου και εξασφάλιση βιώσιμης παροχής ενέργειας. Ωστόσο, η αδιαμφισβήτητη πολυπλοκότητα των νέων επενδύσεων στις ανανεώσιμες πηγές ενέργειας, καθώς και η σταδιακή κατάργηση ενεργειακών πηγών με υψηλές εκπομπές CO₂, επιβραδύνουν τον ρυθμό της ενεργειακής μετάβασης και δημιουργούν αμφιβολίες ως προς το κατά πόσο οι νέες ανανεώσιμες πηγές ενέργειας μπορούν να επιτύχουν από μόνες τους τους κλιματικούς στόχους. Αυτό αναδεικνύει την ανάγκη διερεύνησης εναλλακτικών διαδρομών για την επιτάχυνση της ενεργειακής μετάβασης, μέσω του εντοπισμού τομέων ανθρώπινης δραστηριότητας με υψηλές/υπερβολικές ενεργειακές απαιτήσεις. Δύο χαρακτηριστικά παραδείγματα με περιθώριο βελτίωσης, όσον αφορά τη μείωση της ενεργειακής κατανάλωσης και κατ’ επέκταση των εκπομπών CO₂, είναι η οικιακή κατανάλωση ενέργειας και οι οδικές μεταφορές. Η παρούσα διατριβή εξετάζει την ανάπτυξη νέων τεχνικών Βαθιάς Μάθησης (Deep Learning) για τη δημιουργία εργαλείων που επιλύουν περιορισμούς σε αυτούς τους δύο βασικούς ενεργειακούς τομείς. Η μείωση της οικιακής κατανάλωσης ενέργειας μπορεί να επιτευχθεί ενδυναμώνοντας τους τελικούς χρήστες μέσω της μη παρεμβατικής παρακολούθησης φορτίων (Non-Intrusive Load Monitoring – NILM), ενώ η βελτιστοποίηση της φόρτισης ηλεκτρικών οχημάτων με χρήση Βαθιάς Ενισχυτικής Μάθησης (Deep Reinforcement Learning – DRL) μπορεί να συμβάλει στην αποανθρακοποίηση των οδικών μεταφορών.	el
heal.advisorName	Δουλάμης, Αναστάσιος
heal.committeeMemberName	Ιωαννίδης, Χαράλαμπος
heal.committeeMemberName	Βαρβαρίγου, Θεοδώρα
heal.committeeMemberName	Βεσκούκης, Βασίλειος
heal.committeeMemberName	Πότσιου, Χρυσή
heal.committeeMemberName	Κοσμόπουλος, Δημήτριος
heal.committeeMemberName	Πρωτοπαπαδάκης, Ευτύχιος
heal.academicPublisher	Σχολή Αγρονόμων και Τοπογράφων Μηχανικών	el
heal.academicPublisherID	ntua
heal.fullTextAvailability	false