Εφαρμογές μηχανικής μάθησης σε ηλεκτρικά οχήματα
| dc.contributor.advisor | Θεοδωρίδης, Ιωάννης | |
| dc.contributor.author | Ανδριανόπουλος, Νικόλαος | |
| dc.date.accessioned | 2024-11-26T12:28:10Z | |
| dc.date.available | 2024-11-26T12:28:10Z | |
| dc.date.issued | 2024-09 | |
| dc.identifier.uri | https://dione.lib.unipi.gr/xmlui/handle/unipi/17120 | |
| dc.identifier.uri | http://dx.doi.org/10.26267/unipi_dione/4543 | |
| dc.description.abstract | Η παρούσα εργασία επικεντρώνεται στον τομέα της βαθιάς μάθησης. Πιο συγκεκριμένα, στοχεύει στην αντιμετώπιση του προβλήματος της ακριβούς πρόβλεψης της ενεργειακής ζήτησης των φορτιστών ενός δικτύου φόρτισης ηλεκτρικών οχημάτων. Αρχικά, προτείνεται μια μεθοδολογία επίλυσης του συγκεκριμένου προβλήματος. Η μεθοδολογία αυτή προτείνει τη χρήση τεχνολογιών βαθιάς μάθησης και στόχος της είναι η εξέταση, αξιολόγηση και σύγκριση τριών μοντέλων που βασίζονται στη χρήση συνελικτικών νευρωνικών δικτύων για τη βραχυπρόθεσμη πρόβλεψη της ενεργειακής ζήτησης. Η εφαρμογή αυτής της μεθοδολογίας γίνεται με τη χρήση ενός συνόλου δεδομένων ανοικτής πρόσβασης που περιέχει πληροφορίες για ένα δίκτυο φορτιστών εντός της πόλης του Πάλο Άλτο στην Καλιφόρνια. Μετά τη δημιουργία και την εκπαίδευσή τους, τα μοντέλα αξιολογήθηκαν χρησιμοποιώντας το RMSE στις προβλέψεις του συνολικού συστήματος. Με βάση το χαμηλότερο RMSE, προκύπτει ότι το TGCN μοντέλο είναι το ιδανικό μοντέλο για τις προβλέψεις ενεργειακής ζήτησης. | el |
| dc.format.extent | 48 | el |
| dc.language.iso | el | el |
| dc.publisher | Πανεπιστήμιο Πειραιώς | el |
| dc.rights | Αναφορά Δημιουργού-Μη Εμπορική Χρήση-Όχι Παράγωγα Έργα 3.0 Ελλάδα | * |
| dc.rights.uri | http://creativecommons.org/licenses/by-nc-nd/3.0/gr/ | * |
| dc.title | Εφαρμογές μηχανικής μάθησης σε ηλεκτρικά οχήματα | el |
| dc.title.alternative | Machine learning applications in electric vehicles | el |
| dc.type | Bachelor Dissertation | el |
| dc.contributor.department | Σχολή Τεχνολογιών Πληροφορικής και Επικοινωνιών. Τμήμα Πληροφορικής | el |
| dc.description.abstractEN | This thesis focuses on the field of deep learning. More specifically, it aims to address the issue of accurately predicting the energy demand of chargers in an electric vehicle (EV) charging network. Initially, a methodology is proposed in order to solve this particular problem. The methodology suggests the use of deep learning technologies with the ultimate goal of examining, evaluating and comparing three models based on convolutional neural networks for short-term energy demand prediction. The application of this methodology utilizes an opensource dataset containing data about a charger network in the city of Palo Alto, California. After their creation and training, the models were evaluated using RMSE on the forecast for the total system. Based on the lowest RMSE scores, it was conducted that the T-GCN model is the ideal model for energy demand predictions. | el |
| dc.subject.keyword | Ενεργειακή ζήτηση | el |
| dc.subject.keyword | Μηχανική μάθηση | el |
| dc.subject.keyword | Πρόβλεψη | el |
| dc.date.defense | 2024-09 |
Αρχεία σε αυτό το τεκμήριο
Αυτό το τεκμήριο εμφανίζεται στις ακόλουθες συλλογές
Εκτός από όπου διευκρινίζεται διαφορετικά, το τεκμήριο διανέμεται με την ακόλουθη άδεια:
Αναφορά Δημιουργού-Μη Εμπορική Χρήση-Όχι Παράγωγα Έργα 3.0 Ελλάδα
Αναφορά Δημιουργού-Μη Εμπορική Χρήση-Όχι Παράγωγα Έργα 3.0 Ελλάδα