Soojuspumba tuvastamine kodumajapidamise elektritarbimisest erinevate masinõpe klassifikaatorite abil
Nimi
John-William Mukose
Kokkuvõte
Soojuspumbad saavad üha populaarsemaks majade kütmiseks kuna nad kasutavad vähem energiat kui traditsionaalsed kütmisviisid, mis korvab nende kõrged paigalduskulud. Neil on üks lisa eelis selles et nad tekitavad vähem reostust, kahel põhjusel: nad kasutavad vähem energiat, ja nad saavad kasutada taastuvatest allikatest genereeritud elekter.
Selle dissertatsiooni eesmärk on otsustada maja iga tunnise elektri tarbimise alusel kas sel majal on soojuspump olemas või mitte. See on aegrea klassifikatsiooni ülesanne st. iga majapidamise tarbimine on aegrida, ja need andmed kasutatakse selleks et treenida klassifikaator, mis otsustab kas majas on soojuspump paigaldatud või mitte. Kasutatakse erinevad tehisnärvivõrgud, nii rekurentsed kui ka konvolutsioonilised, ja Logistiline Regressioon, mis on lihtne ja kergesti seletatav mudel mis annab meile baasjoon millega tehisnärvivõrke võrrelda. Andmed selle kohta, kas majapidamises on soojuspump paigaldatud või mitte tulevad Eesti Energia müügirekorditest. See tekitab väikese andmestiku (113 majad kus soojuspumbad on), mis teeb tehisnärvivõrke treenimine raskemaks, aga teisel küljel saame kindel olla et meie andmed on üsaldusväärsed.
Selle dissertatsiooni järeldus on see, et kahemõõtmeline konvolutsiooniline närvivõrk (mis kasutab aegrea andmed ümber kujudatud kahemõõtmeliseks maatriksiks) oli kõige parem klassifikaator selle ülesande jaoks. Meie töö esitab innovaatilise lahenduse, kus kasutame konvolutsioonilised võrgud LSTMi asemel aegridade klassifikatsiooniks. (LSTM on inglisekeelne lühend, Long Short Term Memory, mis tähendab pika lühiajalise mälu). Tavaliselt sellistel ülesandedel kasutatakse LSTMi võrgud. Konvolutsioonilisel võrgul on see eelis LSTMi ees et treenimisaeg on lühem ja seletatavus kõrgem, lisaks sellele et nende täpsus on parem olnud. Tulemused tulevad hoiatusega, et saaksime saada paremad ja usaldusväärsemad tulemused kui meil oleks suurem andmestik.
Selle dissertatsiooni eesmärk on otsustada maja iga tunnise elektri tarbimise alusel kas sel majal on soojuspump olemas või mitte. See on aegrea klassifikatsiooni ülesanne st. iga majapidamise tarbimine on aegrida, ja need andmed kasutatakse selleks et treenida klassifikaator, mis otsustab kas majas on soojuspump paigaldatud või mitte. Kasutatakse erinevad tehisnärvivõrgud, nii rekurentsed kui ka konvolutsioonilised, ja Logistiline Regressioon, mis on lihtne ja kergesti seletatav mudel mis annab meile baasjoon millega tehisnärvivõrke võrrelda. Andmed selle kohta, kas majapidamises on soojuspump paigaldatud või mitte tulevad Eesti Energia müügirekorditest. See tekitab väikese andmestiku (113 majad kus soojuspumbad on), mis teeb tehisnärvivõrke treenimine raskemaks, aga teisel küljel saame kindel olla et meie andmed on üsaldusväärsed.
Selle dissertatsiooni järeldus on see, et kahemõõtmeline konvolutsiooniline närvivõrk (mis kasutab aegrea andmed ümber kujudatud kahemõõtmeliseks maatriksiks) oli kõige parem klassifikaator selle ülesande jaoks. Meie töö esitab innovaatilise lahenduse, kus kasutame konvolutsioonilised võrgud LSTMi asemel aegridade klassifikatsiooniks. (LSTM on inglisekeelne lühend, Long Short Term Memory, mis tähendab pika lühiajalise mälu). Tavaliselt sellistel ülesandedel kasutatakse LSTMi võrgud. Konvolutsioonilisel võrgul on see eelis LSTMi ees et treenimisaeg on lühem ja seletatavus kõrgem, lisaks sellele et nende täpsus on parem olnud. Tulemused tulevad hoiatusega, et saaksime saada paremad ja usaldusväärsemad tulemused kui meil oleks suurem andmestik.
Lõputöö keel
inglise
Lõputöö tüüp
Magister - Andmeteadus
Juhendaja(d)
Kallol Roy, Kristjan Eljand
Kaitsmise aasta
2022