Ανάπτυξη Μοντέλων Μηχανικής Μάθησης για την Εκτίμηση της Ενεργειακής Εξοικονόμησης από ∆ράσεις Ανακαίνισης

Abstract

Η παρούσα διπλωματική πραγματεύεται το πρόβλημα της εύρεσης του κέρδους από την εξοικονόμηση ενέργειας σε ένα κτίριο στο οποίο έχουν πραγματοποιηθεί δράσεις ανακαίνισης. Συγκεκριμένα ερευνάται το κομμάτι της βελτιστοποίησης των προβλέψεων της κατανάλωσης που θα είχε το κτίριο αν δεν είχε προηγηθεί η ανακαίνιση αυτή. Εφόσον είναι γνωστές οι καταναλώσεις στο διάστημα πριν την ανακαίνιση όπως επίσης και οι εξωτερικές συνθήκες μετά από αυτήν υπάρχουν τα απαραίτητα δεδομένα ώστε με εφαρμογή σε κατάλληλα μοντέλα να παραχθούν ακριβείς και χρήσιμες προβλέψεις. Στη παρούσα διπλωματική προτείνονται διαφορά μοντέλα μηχανικής μάθησης τα οποία όμως προκύπτουν από συνδυασμό τριών απλών μοντέλων. Το πρώτο από αυτά τα τρία είναι το XGBOOST δηλαδή ένα μοντέλο που λειτουργεί με βάση τους κανόνες του αλγορίθμου gradient boosting και με αυτό το τρόπο πετυχαίνει αρκετά καλές προβλέψεις ακόμα και μόνο του. Τα άλλα δύο είναι δύο LSTM, δηλαδή νευρωνικα δίκτυα που έχουν τη δυνατότητα να έχουν μια μικρή μνήμη και άρα να μπορούν να εντοπίσουν πολύπλοκες σχέσεις μεταξύ των δεδομένων. Ο λόγος που επιλέχθηκε η χρήση δυο LSTM είναι ότι χρησιμοποιούνται δύο διαφορετικές μέθοδοι κατά την εκπαίδευση τους ώστε να υπάρχει μια πιο ολοκληρωμένη προσέγγιση έχοντας χρησιμοποιήσει και τις δύο διαθέσιμες τεχνικές. Από το συνδυασμό αυτών των τριών προκύπτουν αλλά τέσσερα μοντέλα τα οποία ουσιαστικά έχουν αποτελέσματα από κάποια από τα προηγούμενα και αυτός ο συνδυασμός είναι ικανός να προσφέρει καλύτερο αποτέλεσμα αφού ένα στοιχείο που κάποιο από τα προηγούμενα δεν εντοπίζει μπορεί να εντοπίζεται από κάποιο άλλο μοντέλο. Όλα τα μοντέλα δοκιμάστηκαν σε 8 σύνολα δεδομένων σε κτίρια με βάση τη Λετονία ενώ τα 2 από τα 8 είχαν ως στόχο την πρόβλεψη της θερμικής ενέργειας που καταναλώθηκε ενώ τα υπόλοιπα της ηλεκτρικής. Ως μοντέλα σύγκρισης επιλέχθηκαν απλοί αλγόριθμοι μηχανικής μάθησης καθώς και μια παραλλαγή του αλγορίθμου των βαθμοημερών θέρμανσης και ψύξης.