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

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.