Ενεργειακή ανάλυση και μοντελοποίηση βιομηχανιών γάλακτος
Loading...
Date
2025-07-09
Authors
Πρωτόγερος, Σταμάτης
Journal Title
Journal ISSN
Volume Title
Publisher
Abstract
Η παρούσα διπλωματική εργασία πραγματεύεται την ενσωμάτωση τεχνικών μηχανικής μάθησης στο πεδίο των ενεργειακών ελέγχων, με σκοπό την αποτελεσματικότερη προσέγγιση της κατανάλωσης γραμμής βάσης σε βιομηχανικά περιβάλλοντα. Αρχικά, παρουσιάζεται η θεωρητική βάση των ενεργειακών ελέγχων και πραγματοποιείται βιβλιογραφική ανασκόπηση της σχετικής διεθνούς και εγχώριας πρακτικής. Ακολουθεί η περιγραφή τεσσάρων γαλακτοβιομηχανιών που αποτέλεσαν αντικείμενο μελέτης, χρησιμοποιώντας τα δεδομένα κατανάλωσης τους για την αξιολόγηση και τη δημιουργία γραμμών βάσης. Συνέχεια έχει το κυρίως μέρος της εργασίας, όπου αναπτύχθηκε ένα υπολογιστικό εργαλείο στο περιβάλλον του MATLAB, με τη βοήθεια της εφαρμογής Regression Learner, το οποίο χρησιμοποιείται για την κατασκευή γραμμών βάσης, ώστε να συγκριθεί με την κλασική γραμμική παλινδρόμηση που εφαρμόζεται στην Ελλάδα σήμερα. Το υπολογιστικό εργαλείο αναπτύσσει τέσσερα βασικά μοντέλα παλινδρόμησης: Linear Regression, SVM Regression, Neural Network Regression και Gaussian Process Regression και αξιολογείται όπως και η μέθοδος γραμμικής παλινδρόμησης, κυρίως με τα σφάλματα RMSE και R2. Βασικό προτέρημα των μοντέλων μηχανικής μάθησης αποτέλεσε η τεχνική του Cross – Validation η οποία οδηγεί σε πιο αξιόπιστα αποτελέσματα και καλύτερη προβλεπτική ικανότητα για τις εκ των υστέρων προβλέψεις κατανάλωσης ενέργειας. Κατά την αξιολόγηση του εργαλείου φάνηκε πως καλύτερα αποδίδουν τα Γραμμικά και Γκαουσιανά μοντέλα, ενώ τα Νευρωνικά Δίκτυα και τα SVM απαιτούν αρκετές βελτιώσεις. Επιπλέον, αποδείχθηκε πως το εργαλείο λειτουργεί εξίσου αποτελεσματικά τόσο για δεδομένα ενεργειακής κατανάλωσης ενός όσο και δύο ετών, αλλά και για μικρό ή μεγάλο αριθμό μεταβλητών. Η εφαρμογή της διαδικασίας στις τέσσερις βιομηχανίες ανέδειξε πως, σε όλες τις περιπτώσεις, τα μοντέλα μηχανικής μάθησης παρείχαν πιο ακριβείς προβλέψεις από τη συμβατική γραμμική παλινδρόμηση. Συμπερασματικά, η εργασία καταδεικνύει ότι οι μέθοδοι μηχανικής μάθησης μπορούν να αποτελέσουν ένα ισχυρό εναλλακτικό εργαλείο για την εκτίμηση ενεργειακής κατανάλωσης, προσφέροντας μεγαλύτερη ακρίβεια, προβλεπτικότητα και προσαρμοστικότητα συγκριτικά με τις κλασικές στατιστικές προσεγγίσεις.
Description
Keywords
Ενεργειακός έλεγχος, Γραμμή βάσης κατανάλωσης ενέργειας, Μηχανική μάθηση