Energy consumption prediction of household appliances using automated machine learning
| datacite.contributor.RelatedPerson | Τσίχλας, Κωνσταντίνος | |
| datacite.contributor.RelatedPerson | Μακρής, Χρήστος | |
| datacite.contributor.Supervisor | Σιούτας, Σπυρίδων | |
| dc.contributor.author | Κοντός, Στέφανος | |
| dc.contributor.other | Kontos, Stefanos | |
| dc.date.accessioned | 2024-06-12T13:18:44Z | |
| dc.date.available | 2024-06-12T13:18:44Z | |
| dc.date.issued | 2024-06-10 | |
| dc.degree | masterThesis | |
| dc.description.abstract | This thesis explores developing and applying advanced predictive models for energy consumption and air conditioning (AC) status prediction in residential homes, leveraging machine learning and deep learning techniques to enhance energy management and efficiency. The research is motivated by the critical need to optimize energy use in buildings, constituting a significant portion of global energy consumption. Accurate predictions of energy consumption and AC status can substantially improve energy efficiency, cost savings, and environmental sustainability. The study begins with a comprehensive data exploration phase, including preprocessing steps and feature engineering techniques such as rolling mean and standard deviation for temperature and relative humidity. These features capture the temporal dynamics of environmental factors, providing a richer context for predictive modeling. For AC status prediction, a Decision Tree Classifier was implemented using temperature, relative humidity, and DateTime as features. This model achieved high accuracy and minimal error rates, proving effective for real-time monitoring and control of AC systems. For energy consumption prediction, multiple regression models were evaluated, including Random Forest Regressor, Recurrent Neural Networks (RNN) with Long Short-Term Memory (LSTM) layers, and Automated Machine Learning (AutoML) using the AutoGluon framework. This thesis contributes to the field of energy management by developing robust predictive models that can inform smarter energy use and enhance sustainability efforts. The practical implications of these models for smart home technologies include optimizing energy consumption, improving operational efficiency, and supporting proactive energy management strategies. | |
| dc.description.translatedabstract | Σε αυτή τη διπλωματική ερευνάται η ανάπτυξη και η εφαρμογή προηγμένων προβλεπτικών μοντέλων κατανάλωσης ηλεκτρικής ενέργειας και ελέγχου λειτουργίας κλιματιστικών σε κατοικίες, με τη χρήση αλγορίθμων μηχανικής μάθησης και βαθιάς μάθησης για αναβάθμιση της διαχείρισης ενέργειας και απόδοσης. Το σημείο εκκίνησης αυτής της έρευνας ήταν η ανάγκη να βελτιστοποιηθεί η κατανάλωση ενέργειας σε κτίρια, τα οποία αποτελούν μεγάλη μερίδα της παγκόσμιας κατανάλωσης ενέργειας. Όσο πιο καλή προσέγγιση μπορεί να γίνει στην κατανάλωση τόσο θα βελτιωθεί η ενεργειακή απόδοση με αποτέλεσμα την εξοικονόμηση και την βιωσιμότητα. Η αφετηρία της έρευνας ήταν η εξερεύνηση των διαθέσιμων δεδομένων, με τα βήματα της προεπεξεργασίας και την δημιουργία και την επιλογή των χαρακτηριστικών που χρησιμοποιήθηκαν για να εκπαιδευτούν τα μοντέλα πρόβλεψης. Τα σημαντικότερα χαρακτηριστικά που χρησιμοποιήθηκαν ήταν αυτά της θερμοκρασίας, της υγρασίας και κάποιες παραλαγές τους. Στο κομμάτι της πρόβλεψης της λειτουργίας του κλιματιστικού, χρησιμοποιήθηκαν Δέντρα Αποφάσεων με χαρακτηριστικά τη θερμοκρασία, την υγρασία, την ημερομηνία και την ώρα. Το μοντέλο αυτό πέτυχε ψηλούς αριθμούς απόδοσης και χαμηλά σφάλματα. αποδεικνύοντας την αποτελεσματικότητα στην παρατήρηση και των έλεγχο της λειτουργίας του κλιματιστικού. Από την άλλη στην πρόβλεψη κατανάλωσης ενέργειας, χρησιμοποιήθηκαν διαφορετικοί αλγόριθμοι παλινδρόμισης όπως τα τυχαία δάση, τα επαναλαμβανόμενα νευρωνικά δίκτυα και η αυτόματη μηχανική μάθηση. Η συνεισφορά αυτής της έρευνας στον τομέα της διαχείρισης ενέργειας με τη χρήση προβλεπτικών μοντέλων εξυπηρετεί στη διαχείριση των πόρων και την βιοσημότητα. Πρακτικά, τα μοντέλα της έρευνας συνεισφέρουν στην αύξηση της λειτουργικής διαχείρισης της ενέργειας στα έξυπνα σπίτια. | |
| dc.identifier.uri | https://hdl.handle.net/10889/27143 | |
| dc.language.iso | en | |
| dc.rights | Attribution-NonCommercial-NoDerivs 3.0 United States | en |
| dc.rights.uri | http://creativecommons.org/licenses/by-nc-nd/3.0/us/ | |
| dc.subject | Automated machine learning | |
| dc.subject | Prediction | |
| dc.subject | Energy consumption | |
| dc.subject.alternative | Αυτοματοποιημένη μηχανική μάθηση | |
| dc.subject.alternative | Πρόβλεψη | |
| dc.subject.alternative | Κατανάλωση ενέργειας | |
| dc.title | Energy consumption prediction of household appliances using automated machine learning | |
| dc.title.alternative | Πρόβλεψη κατανάλωσης ηλεκτρικής ενέργειας οικιακών συσκευών με αυτοματοποιημένη μάθηση |