Registration Number
0826U000415, PhD dissertation
Status
Доктор філософії
Date
27-02-2026
popup.evolution
o
Чому дисертація має статус "Запланована"?
Title
Methods and tools of machine learning to increase the energy efficiency of buildings
Author
Oleksandr K. Vyshnevskyy,
popup.head Liubov M. Zhuravchak
popup.opponent Lyubov M. Oleshchenko
popup.opponent Andrii V. Pukas
popup.review Yurii I. Hrytsiuk
popup.review Mykola O. Medykovskyi
popup.rada
Lviv Polytechnic National University
Description
У сфері комерційних систем управління процесом енергоспоживання значну увагу зосереджено на впровадженні рішень, спрямованих на підвищення енергоефективності будівель. Такі рішення мають на меті скорочення енергергоспоживання, зменшення фінансових витрат, мінімізацію впливу на довкілля і забезпечення комфортних умов мешканців. Застосування відповідних методів прогнозування енергоспоживання на ранніх етапах проєктування будівель сприяє прийняттю обґрунтованих рішень щодо їхньої енергоефективності. Точне прогнозування енергоспоживання є критично важливим для оптимізації роботи систем опалення, вентиляції, кондиціонування повітря, а також для розроблення стратегій керування навантаженням і зменшення пікових витрат енергії. Ефективне прогнозування дає змогу не лише знизити експлуатаційні витрати, а й інтегрувати будівлі в інтелектуальні енергетичні мережі, забезпечуючи баланс між комфортом користувачів та енергетичною стійкістю системи. Сучасні реалізації подібних систем здебільшого базуються на використанні статистичних моделей прогнозування, що відрізняються спрощеною структурою. Водночас, розвиток інформаційних технологій сприяв переходу до нових підходів, здатних забезпечити точніше прогнозування й ефективне оброблення великих обсягів даних з урахуванням сезонних температурних коливань, кліматичних чинників і характерних шаблонів споживання, притаманних користувачам. Застосування методів машинного навчання відкриває принципово нові можливості для інтелектуалізації систем управління будівлями через здатність аналізувати великі обсяги гетерогенних даних від сенсорів, метеостанцій, систем автоматизації будівель та прогнозувати енергоспоживання з високою точністю. Об’єктом дослідження є проєктування та розроблення програмного забезпечення для системи управління процесом енергоспоживання будівель. Предметом дослідження є методи та засоби проєктування та розроблення програмної системи для прогнозування та управління процесом енергоспоживання на основі машинного навчання. Метою роботи є удосконалення процесів проєктування та розроблення автома-тизованої програмної системи для прогнозування та управління процесом енергоспоживання з використанням методів та засобів машинного навчання задля підвищення енергоефективності будівель. При проведенні досліджень використано такі методи: методи семантичного моделювання для формалізації і відображення знань про доменну область та їхніх зв’язків; методи машинного навчання для проєктування регресійних моделей машинного навчання енергоспоживання будівель; нейронні мережі для моделювання складних нелінійних залежностей між параметрами будівлі та процесом енергоспоживання. Вперше розроблено метод побудови архітектури системи для аналізу енергоспоживання будівель, робота якого ґрунтується на використанні спроєктованої онтологічної моделі, графової бази даних і великих мовних моделей, що дало змогу отримувати результати про ефективність енергоспоживання через інтерфейс взаємодії користувача з базою знань. Удосконалено метод управління системою опалення приміщення, який, на відміну від наявних, базується на інтелектуальному програмному агенті на основі навчання з підкріпленням з використанням алгоритму оптимізації проксимальної політики, що дає можливість зменшити енергоспоживання при одночасному забезпеченні комфортних умов мешканців. Отримав подальший розвиток метод побудови моделі програмної системи для аналізу енергоспоживання будівель на основі онтологічного підходу, який, на відміну від наявних, дає змогу враховувати особливості понять та відношень між сутностями, поданих формально у зрозумілій формі для відображення зв’язків між структурою будівель, лічильниками, даними про споживання за попередні періоди та кліматичними даними, що підвищує ефективність їхнього використання для машинного навчання та дає змогу логічного виведення фактів.Отримав подальший розвиток метод прогнозування енергоспоживання будівель на основі ансамблевої моделі, який, на відміну від наявних, грунтується на використанні сучасних алгоритмів машинного навчання з різними структурними характеристиками (зокрема рекурентної нейронної мережі типу LSTM та градієнтного бустингу XGBoost), що дало змогу підвищити точність прогнозування для надання рекомендацій щодо підвищення енергоефективності. Результати дисертаційної роботи використано у держбюджетній науково-дослідній роботі, у навчальному процесі кафедри програмного забезпечення Національного університету "Львівська політехніка" а також у діяльності підприємств та організацій. У дисертації досягнуто поставленої мети дослідження щодо удосконалення процесів проєктування та розроблення автоматизованої програмної системи для прогнозування та управління процесом енергоспоживання будівель за рахунок побудови нових та удосконалення наявних методів та засобів машинного навчання, що дало змогу зменшити енергоспоживання і забезпечити комфорт мешканців.
Registration Date
2026-03-03
popup.nrat_date
2026-03-03 / 2026-07-01
