Στην παρούσα διπλωματική εργασία έγινε μελέτη, σχεδίαση, υλοποίηση και αξιολόγηση ενός συστήματος αποτελούμενο από υλικό και λογισμικό με σκοπό να παρακολουθεί επιλεγμένες παραμέτρους άνεσης σε ένα οικιακό χώρο, ενεργοβόρες συσκευές οι οποίες επηρεάζουν τις παραμέτρους αυτές, μοτίβα ενεργειακής συμπεριφοράς ώστε να προχωράει αυτόματα σε ενέργειες ή  να παρακινεί τον χρήστη να κάνει επιλογές οι οποίες έχουν αποτέλεσμα την μείωση της κατανάλωσης ενέργειας.

Αρχικά έγινε η μελέτη, η διερεύνηση και η ανάλυση του θεωρητικού υπόβαθρου του συστήματος, δηλαδή των τεχνολογιών που θα χρησιμοποιηθούν στην διπλωματική εργασία. Στην συνέχεια μελετήθηκαν και διερευνήθηκαν τεχνολογίες και πρωτόκολλα επικοινωνίας έξυπνων συσκευών, καθώς η έννοια και οι προσεγγίσεις της μηχανικής μάθησης. Σε επόμενο κεφάλαιο έγινε η σχεδίαση του συστήματος αναλύοντας το υλικά που χρησιμοποιήθηκαν. Έπειτα προχωρήσαμε στην υλοποίηση του συστήματος αναλύοντας την εγκατάσταση του λογισμικού και την δημιουργία παρωθήσεων προς τον χρήστη για την μείωση της κατανάλωσης ενέργειας.  Στην συνέχεια  κάναμε χρήση αλγορίθμου μηχανικής μάθησης για την πρόβλεψη κατανάλωσης ενέργειας. Τέλος έγινε αξιολόγηση του συστήματος από χρήστες με την χρήση ερωτηματολόγιου ευχρηστίας. Με την ανάλυση της αξιολόγησης προχωρήσαμε σε συμπεράσματα και μελλοντικές επεκτάσεις.

In this thesis, a study, design, implementation and evaluation of a system consisting of hardware and software was carried out in order to monitor selected comfort parameters in a domestic space, energy-consuming devices which affect these parameters, patterns of energy behavior so that it automatically proceeds to actions or to motivate the user to make choices that have the effect of reducing energy consumption.

Initially, the study, investigation and analysis of the theoretical background of the system, i.e. the technologies that will be used in the thesis, were carried out. Then smart device communication technologies and protocols were studied and explored, as well as the concept and approaches of machine learning. In the next chapter, the system was designed by analyzing the materials used. Then we proceeded with the implementation of the system by analyzing the installation of the software and the creation of pushes for the user to reduce energy consumption. We then used a machine learning algorithm to predict energy consumption. Finally, the system was evaluated by users using a usability questionnaire. With the analysis of the evaluation we proceeded to conclusions and future extensions.