Συγκριτική ανάλυση μοντέλων υποκατάστασης μηχανικής μάθησης για την πρόβλεψη της ενεργειακής ζήτησης κτιρίων στο πλαίσιο του μοντέλου “DREEM”

Abstract

Η μετάβαση προς ένα πιο βιώσιμο και ενεργειακά αποδοτικό ενεργειακό σύστημα αναδεικνύει τη σημασία της βελτιστοποίησης της ενεργειακής αποδοτικότητας στον κτιριακό τομέα, ο οποίος αποτελεί έναν από τους πλέον ενεργοβόρους τομείς παγκοσμίως. Στο πλαίσιο αυτό, η αξιοποίηση εργαλείων ενεργειακής μοντελοποίησης αποτελεί κρίσιμο παράγοντα για την υποστήριξη του ενεργειακού σχεδιασμού και τη λήψη αποφάσεων. Παρά τη σημαντική τους συμβολή, τα μοντέλα ενεργειακής προσομοίωσης κτιρίων χαρακτηρίζονται συχνά από διάφορες προκλήσεις, όπως οι υψηλές υπολογιστικές απαιτήσεις και η περιορισμένη δυνατότητα ταχείας προσαρμογής στη δυναμική συμπεριφορά των κτιρίων. Οι παράγοντες αυτοί περιορίζουν την εφαρμογή τους σε αναλύσεις μεγάλου όγκου δεδομένων, πραγματικού χρόνου, ή σε περιβάλλοντα στα οποία απαιτείται η αξιολόγηση πολλαπλών σεναρίων. Για την αντιμετώπιση των παραπάνω περιορισμών, μοντέλα βασισμένα στη χρήση τεχνητής νοημοσύνης, όπως τα μοντέλα υποκατάστασης (“surrogate models”), τα οποία αξιοποιούν τεχνικές μηχανικής μάθησης, αναδεικνύονται ως μία ιδιαίτερα υποσχόμενη προσέγγιση. Η αξία τους έγκειται στη δυνατότητα σημαντικής μείωσης του υπολογιστικού κόστους, στη σύνδεσή τους με ψηφιακά δίδυμα για παρακολούθηση και ανάλυση σε πραγματικό χρόνο, ενώ παράλληλα διατηρούν υψηλά επίπεδα ακρίβειας. Στο πλαίσιο αυτό, η παρούσα διπλωματική εργασία εξετάζει και αξιολογεί τεχνικές μηχανικής μάθησης οι οποίες μπορούν να χρησιμοποιηθούν ως υποκατάστατα μοντέλα για την πρόβλεψη της ενεργειακής ζήτησης στον κτιριακό τομέα. Παράλληλα, διερευνάται η δυνατότητα ενσωμάτωσής τους στο υπολογιστικό εργαλείο ενεργειακής μοντελοποίησης “Dynamic high-Resolution dEmand-sidE Management” (“DREEM”), το οποίο έχει αναπτυχθεί από το εργαστήριο Τεχνοοικονομικής Ενεργειακών Συστημάτων (“Technoeconomics of Energy Systems laboratory” - “TEESlab”) του Πανεπιστημίου Πειραιώς. Η μεθοδολογία της έρευνας βασίστηκε σε δομημένη βιβλιογραφική ανασκόπηση περισσότερων από 80 επιστημονικών δημοσιεύσεων, μέσω της οποίας συγκεντρώθηκαν οι πιο πρόσφατες πληροφορίες σχετικά με τα μοντέλα υποκατάστασης, διερευνώντας τη διαδικασία ανάπτυξης και εφαρμογής τους. Παράλληλα, εξετάστηκαν οι δυνατότητες διαμόρφωσης πλαισίου υποκατάστατης μοντελοποίησης με βάση τις προδιαγραφές και τις ανάγκες του μοντέλου “DREEM”. Στη συνέχεια, βάσει στοχευμένης ανάλυσης επιστημονικών δημοσιεύσεων οι οποίες εστιάζουν στην αξιοποίηση μοντέλων υποκατάστασης μηχανικής μάθησης για την πρόβλεψη της ενεργειακής ζήτησης κτιρίων, πραγματοποιήθηκε συγκριτική αξιολόγηση σχετικών τεχνικών και διερεύνηση της καταλληλότητάς τους για εφαρμογή στο μοντέλο “DREEM”. Η συγκριτική αξιολόγηση βασίστηκε σε επτά κριτήρια: την ακρίβεια πρόβλεψης, την υπολογιστική αποδοτικότητα, την ευαισθησία στα δεδομένα εκπαίδευσης, τη δυνατότητα γενίκευσης, την ευρωστία, την ερμηνευσιμότητα, και την πολυπλοκότητα υλοποίησης. Τα αποτελέσματα δείχνουν ότι δεν υπάρχει μία τεχνική η οποία να υπερτερεί έναντι των υπολοίπων σε όλα τα κριτήρια υπό εξέταση. Ωστόσο, οι αλγόριθμοι συλλογικής μάθησης βασισμένοι σε δένδρα αποφάσεων, και ειδικότερα οι αλγόριθμοι “ Extreme Gradient Boosting (XGBoost)” και “ Light Gradient Boosting Machine (LightGBM)”, αναδεικνύονται ως οι πιο ισορροπημένες και αποτελεσματικές λύσεις. Οι τεχνικές αυτές συνδυάζουν υψηλή προβλεπτική ακρίβεια, χαμηλό υπολογιστικό κόστος, και ικανότητα αναπαράστασης σύνθετων μη γραμμικών σχέσεων. Επιπρόσθετα, τα μοντέλα τεχνητών νευρωνικών δικτύων τύπου “Short-Term Memory (LSTM)” παρουσιάζουν σημαντικά πλεονεκτήματα σε εφαρμογές στις οποίες η χρονική διάσταση και η αλληλουχία δεδομένων παίζουν καθοριστικό ρόλο. Συνολικά, τα ευρήματα της παρούσας διπλωματικής εργασίας καταδεικνύουν ότι οι τεχνικές “XGBoost” και “LightGBM” αποτελούν τους κυριότερους υποψηφίους για μελλοντική αξιοποίηση στο πλαίσιο του μοντέλου “DREEM”. Ωστόσο, η οριστική επιλογή του καταλληλότερου μοντέλου προϋποθέτει περαιτέρω διερεύνηση σε πειραματικό επίπεδο και αξιολόγηση υπό πραγματικές συνθήκες λειτουργίας του εκάστοτε συστήματος, ώστε να επιβεβαιωθεί η απόδοσή του στις απαιτήσεις της συγκεκριμένης εφαρμογής.