Τσικαλάκης, ΑντώνιοςTsikalakis, AntoniosΜπορμπαντωνάκης, ΠροκόπιοςBormpantonakis, Prokopios2024-10-172024-10-172024-10-17https://apothesis.hmu.gr/handle/123456789/11154Οι τεχνικές Τεχνητής Νοημοσύνης και ειδικότερα οι αλγόριθμοι Μηχανικής Μάθησης έχουν, μεταξύ άλλων, χρησιμοποιηθεί εκτενώς για προβλήματα Ενεργειακών Συστημάτων. Τα τελευταία χρόνια υπάρχει ευρύ ενδιαφέρον για την εφαρμογή τέτοιων τεχνικών στον τομέα της αυτοματοποίησης κτιρίων, όπως έχει ανασκοπηθεί σε αυτή τη διπλωματική εργασία, φέρνοντας τα Έξυπνα Κτίρια πιο κοντά στην πραγματικότητα. Σκοπός αυτής της διπλωματικής εργασίας είναι να ερευνήσει και να αναπτύξει ένα ευφυές σύστημα αυτοματισμού και ελέγχου κτιρίων, το οποίο, αφού λάβει δεδομένα σχετικά με την επιθυμητή θερμοκρασία του χώρου, τις ρυθμίσεις του χρήστη, τις μετεωρολογικές συνθήκες και άλλα δεδομένα, εντός ενός συγκεκριμένου χρονικού διαστήματος, τα αναλύει και χρησιμοποιεί τεχνικές μηχανικής μάθησης προκειμένου να προβλέψει την επιθυμητή θερμοκρασία με βάση τις επικρατούσες εξωτερικές κλιματολογικές συνθήκες στην περιοχή. Ένα υπάρχον σύστημα αυτοματισμού κτιρίων καταγράφει δεδομένα όπως θερμοκρασία, υγρασία, ώρες λειτουργίας συσκευών, κλιματολογικές συνθήκες κ.λ.π. Εν συνεχεία, τα δεδομένα αυτά εξάγονται και αναλύονται με εξειδικευμένο λογισμικό που έχει αναπτυχθεί για αυτό το σκοπό. Μετά από σύγκριση μεταξύ διάφορων τεχνικών Μηχανικής Μάθησης, χρησιμοποιήθηκε ένα νευρωνικό δίκτυο LSTM (Long Short-Term Memory), με εισόδους που περιλάμβαναν εσωτερικές κλιματικές συνθήκες καθώς και μετεωρολογικές συνθήκες της περιοχής, για την αυτόματη λήψη των καλύτερων αποφάσεων με σκοπό την βελτιστοποίηση των συνθηκών διαβίωσης των ενοίκων του κτιρίου. Αυτές οι αποφάσεις αποστέλλονται στο σύστημα αυτοματισμού του κτιρίου, επιτρέποντας στο κτίριο να προσαρμόζεται αυτόματα σε αυτές τις νέες συνθήκες.Artificial Intelligence Techniques and especially Machine Learning Algorithms have, amongst others, been widely used for Energy Systems problems. In the last years there has been wide interest on the application of such techniques in the Building automation sector as has been reviewed on this thesis bringing Smart buildings closer to becoming a reality. The purpose of this thesis is to research and develop an intelligent building automation-control system, which, after receiving data regarding the desired room temperature, user settings, meteorological conditions and other data, within a specific time period, analyzes it and uses machine learning techniques to predict the desired temperature based on the prevailing external climatic conditions in the area. An existing building automation system records data such as temperature, humidity, device operating hours, climatic conditions, etc. These data are then extracted and analyzed with specialized software developed for this purpose After a comparison among various Machine Learning Techniques, an LSTM (Long Short-Term Memory) neural network with inputs including indoor climate conditions as well as local meteorological conditions was utilized, to automatically make the best decisions for optimizing the living conditions of the building's occupants. These decisions are sent to the building automation system, enabling the building to self-adapt to these new conditions.elAttribution-NonCommercial-NoDerivs 3.0 United StatesΜηχανική μάθησηΝευρωνικά δίκτυαΤεχνητή νοημοσύνηΈξυπνο κτίριοΘέρμανσηMachine learningNeural networksArtificial intelligenceSmart buildingHeatingRaspberry PiΠτυχιακή Εργασία