Ανάπτυξη Προβλεπτικών Μοντέλων Χρονοσειρών με Εφαρμογή σε Συστήματα Boiler

Καλαράς, Γεώργιος; Kalaras, Georgios

dc.contributor.author	Καλαράς, Γεώργιος	el
dc.contributor.author	Kalaras, Georgios	en
dc.date.accessioned	2025-12-04T05:58:58Z
dc.date.available	2025-12-04T05:58:58Z
dc.identifier.uri	https://dspace.lib.ntua.gr/xmlui/handle/123456789/62979
dc.identifier.uri	http://dx.doi.org/10.26240/heal.ntua.30675
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	Οικιακοί λέβητες	el
dc.subject	Πρόβλεψη επιπέδου λειτουργίας	el
dc.subject	Μετασχηματιστές	el
dc.subject	Δίκτυα μακράς βραχύχρονης μνήμης	el
dc.subject	Γενετικός αλγόριθμος	el
dc.subject	domestic boilers	en
dc.subject	modulation level forecast	el
dc.subject	transformers	el
dc.subject	long short-term memory networks	el
dc.subject	genetic algorithm	el
dc.title	Ανάπτυξη Προβλεπτικών Μοντέλων Χρονοσειρών με Εφαρμογή σε Συστήματα Boiler	el
dc.contributor.department	Τομέας Ηλεκτρικών Βιομηχανικών Διατάξεων και Συστημάτων Αποφάσεων	el
heal.type	bachelorThesis
heal.classification	Μοντέλα Μηχανικής Μάθησης	el
heal.classification	Πρόβλεψη Χρονοσειρών	el
heal.language	el
heal.access	free
heal.recordProvider	ntua	el
heal.publicationDate	2025-07-03
heal.abstract	Στη σύγχρονη εποχή, η ανάγκη περιορισμού των εκπομπών αερίων του θερμοκηπίου καθιστά επιτακτική τη μείωση της κατανάλωσης ορυκτών καυσίμων. Ένα κρίσιμο βήμα προς αυτή την κατεύθυνση είναι η βελτιστοποίηση της λειτουργίας των οικιακών καυστήρων φυσικού αερίου, κάτι που προϋποθέτει τη δυνατότητα πρόβλεψης του επιπέδου λειτουργίας τους. Η παρούσα διπλωματική εργασία εστιάζει στη χρήση μοντέλων τύπου Transformer για την πρόβλεψη της λειτουργίας των οικιακών boiler, καθώς και στη σύγκριση της ακρίβειας των προβλέψεών τους με αυτές μοντέλων μακράς βραχύχρονης μνήμης (LSTM). Το πρόβλημα θα μελετηθεί από δύο διαφορετικές πτυχές. Από τη μία, την πρόβλεψη της συμπεριφοράς του boiler ενός μεμονωμένου σπιτιού. Από την άλλη, την προσαρμογή των προβλεπτικών μοντέλων ώστε να εφαρμόζονται σε ένα σύνολο σπιτιών, επιτυγχάνοντας αξιόπιστες προβλέψεις σε συνολικό επίπεδο. Η μελέτη εστιάζει τόσο στην ακρίβεια των παραγόμενων προβλέψεων όσο και στον εντοπισμό των συνδυασμών κατηγοριών των δεδομένων εισόδου που οδηγούν στα καλύτερα αποτελέσματα για κάθε περίπτωση. Για κάθε μία από τις δύο πτυχές του προβλήματος, θα συγκριθούν τα μοντέλα με τις καλύτερες επιδόσεις. Αυτά θα προκύψουν από επιλογή χαρακτηριστικών που, μεμονωμένα οδηγούν σε καλές προβλέψεις, ενώ όταν συνδυάζονται ως είσοδος αποτυπώνουν αποτελεσματικά τη λειτουργία των boiler. Επιπλέον, με βάση αυτές τις επιλογές, θα υλοποιηθεί και ένας γενετικός αλγόριθμος για την αναζήτηση επιπλέον συνδυασμών χαρακτηριστικών που μπορούν να παράξουν βελτιωμένα αποτελέσματα πρόβλεψης. Τελικά, τα ευρήματα αποκαλύπτουν ότι τα μοντέλα Transformer μπορούν με κατάλληλα δεδομένα στην είσοδο να παράξουν αρκετά ακριβείς βραχύχρονες προβλέψεις και τις δύο προσεγγίσεις.	el
heal.abstract	In the modern era, the need to limit greenhouse gas emissions makes the reduction of fossil fuel consumption imperative. A critical step in this direction is optimizing the operation of household natural gas boilers, which requires the ability to predict their modulation level. This thesis focuses on the use of Transformer-type models to predict the operation of residential boilers and compares the accuracy of their predictions with those of Long Short-Term Memory (LSTM) models. The problem will be examined from two different perspectives. On the one hand, predicting the behavior of the boiler in a single house. On the other hand, adapting the predictive models to be applicable to a group of houses, achieving reliable predictions at an aggregate level. The study focuses both on the accuracy of the generated predictions and on identifying the combinations of input data categories that lead to the best results in each case. For each of the two aspects of the problem, the best-performing models will be compared. These models will result from selecting features that individually lead to good predictions and, when combined as input, effectively represent the operation of boilers. Furthermore, based on these selections, a genetic algorithm will be implemented to search for additional combinations of features that can produce improved prediction results. Ultimately, the findings reveal that Transformer models, when provided with suitable input data, can produce fairly accurate short-term predictions in both approaches	en
heal.advisorName	Μαρινάκης, Ευάγγελος
heal.committeeMemberName	Ψαρράς, Ιωάννης
heal.committeeMemberName	Ασκούνης, Δημήτριος
heal.academicPublisher	Εθνικό Μετσόβιο Πολυτεχνείο. Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών. Τομέας Ηλεκτρικών Βιομηχανικών Διατάξεων και Συστημάτων Αποφάσεων	el
heal.academicPublisherID	ntua
heal.numberOfPages	81 σ.
heal.fullTextAvailability	false