Τα ενεργειακά αποδοτικά και βιώσιμα κτήρια διαδραματίζουν καθοριστικό ρόλο στην προστασία του περιβάλλοντος και στον περιορισμό της κλιματικής αλλαγής, καθώς ο κτηριακός τομέας ευθύνεται για σημαντικό ποσοστό των παγκόσμιων εκπομπών αερίων του θερμοκηπίου. Στο πλαίσιο αυτό, η πρόβλεψη της ηλεκτρικής κατανάλωσης αποτελεί βασικό εργαλείο για τη βελτιστοποίηση της ενεργειακής διαχείρισης και τη λήψη αποδοτικότερων αποφάσεων.

Η πρόβλεψη της κατανάλωσης ενέργειας αποτελεί ένα σύνθετο πρόβλημα, καθώς επηρεάζεται από πλήθος παραγόντων, όπως οι καιρικές συνθήκες, τα χαρακτηριστικά του κτηρίου και η συμπεριφορά των χρηστών. Στην παρούσα εργασία εξετάζεται η βραχυπρόθεσμη πρόβλεψη ηλεκτρικής κατανάλωσης σε οικιακό περιβάλλον, με χρήση τεχνικών μηχανικής μάθησης, αξιοποιώντας πραγματικά δεδομένα κατανάλωσης και περιβαλλοντικών μεταβλητών.

Συγκεκριμένα, αναπτύσσονται και αξιολογούνται μοντέλα πρόβλεψης σε δύο διαφορετικά σύνολα δεδομένων, τόσο χωρίς χρήση ιστορικών δεδομένων όσο και με ενσωμάτωση ιστορικών χαρακτηριστικών, αναδεικνύοντας τη σημασία της χρονικής εξάρτησης στην κατανάλωση ενέργειας. Παράλληλα, υλοποιείται ένα ολοκληρωμένο σύστημα πρόβλεψης που περιλαμβάνει διεπαφή προγραμματισμού εφαρμογών και γραφική διεπαφή χρήστη, επιτρέποντας την πρακτική αξιοποίηση των μοντέλων.

Η εργασία καταλήγει στην ανάπτυξη ενός λειτουργικού συστήματος πρόβλεψης κατανάλωσης επόμενης ημέρας σε επίπεδο κατοικίας, το οποίο μπορεί να υποστηρίξει εφαρμογές ενεργειακής διαχείρισης.

Energy-efficient and sustainable buildings play a crucial role in environmental protection and in mitigating climate change, as the building sector is responsible for a significant share of global greenhouse gas emissions. In this context, electricity consumption forecasting is an essential tool for optimizing energy management and supporting more efficient decision-making.
Forecasting energy consumption is a complex problem, as it is influenced by multiple factors, such as weather conditions, building characteristics, and user behavior. In this thesis, short-term electricity consumption forecasting in a residential setting is examined using machine learning techniques, based on real consumption data and environmental variables.

More specifically, forecasting models are developed and evaluated on two different datasets, both without the use of historical data and with the incorporation of historical features, highlighting the importance of temporal dependence in energy consumption. At the same time, a complete forecasting system is implemented, including an application programming interface and a graphical user interface, enabling the practical use of the models.
The thesis leads to the development of a functional system for predicting next-day household consumption, which can support energy management applications.