Συντάχθηκε 26-08-2026 15:02
Τόπος:
Σύνδεσμος τηλεδιάσκεψης
Έναρξη: 28/08/2026 16:00
Λήξη: 28/08/2026 17:00
ΠΟΛΥΤΕΧΝΕΙΟ ΚΡΗΤΗΣ
Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών
Πρόγραμμα Προπτυχιακών Σπουδών
ΠΑΡΟΥΣΙΑΣΗ ΔΙΠΛΩΜΑΤΙΚΗΣ ΕΡΓΑΣΙΑΣ
Γεωργίου Γιαλούρη
με θέμα
Έξυπνη Πρόβλεψη και Ερμηνεία Κατανάλωσης Νερού με Χρήση Μηχανικής Μάθησης και Μεγάλων Γλωσσικών Μοντέλων
Intelligent Forecasting and Explanation of Water Consumption Using Machine Learning and Large Language Models
Εξεταστική Επιτροπή
Καθηγητής Μιχαήλ Γ. Λαγουδάκης (Σχολή ΗΜΜΥ, Επιβλέπων)
Καθηγητής Θρασύβουλος Σπυρόπουλος (Σχολή ΗΜΜΥ)
Δρ. Βασίλειος Διακολουκάς (Σχολή ΗΜΜΥ)
Περίληψη
Η εξάπλωση των έξυπνων υδρομετρητών αντικατέστησε τη χειροκίνητη καταμέτρηση με συνεχή ωριαία καταγραφή, επιτρέποντας την ανάλυση κατανάλωσης σε επίπεδο μεμονωμένου μετρητή. Η παρούσα διπλωματική εργασία αναπτύσσει δύο τέτοιες αναλύσεις — την πρόβλεψη και την ερμηνεία σε φυσική γλώσσα — επί ωριαίων μετρήσεων διετίας από 223 οικιακούς έξυπνους μετρητές στους Φιλίππους Καβάλας. Σε αυτό το επίπεδο ανάλυσης, οι χρονοσειρές εμφανίζουν πληθώρα μηδενικών τιμών, βαριές ουρές και ανομοιογένεια, ενώ η πρωτογενής καταγραφή φέρει κενά και αλλοιώσεις. Αρχικά, ένα σύστημα κανόνων εντοπίζει τα επαναλαμβανόμενα ελαττώματα στην αθροιστική χρονοσειρά, και οι προκύπτουσες ελλείπουσες τιμές συμπληρώνονται με τη μέθοδο Copy-Paste Imputation. Σε συνθετικά κενά, η μέθοδος αναπαρήγαγε την ελλείπουσα κατανάλωση πολύ πιο πιστά από τη γραμμική παρεμβολή. Επί της καθαρισμένης καταγραφής, τέσσερις προσεγγίσεις πρόβλεψης — το SARIMA, το XGBoost, το Temporal Fusion Transformer και το προεκπαιδευμένο θεμελιώδες μοντέλο Chronos-2 — συγκρίνονται σε ωριαίες προβλέψεις ορίζοντα επτά ημερών. Πρόκειται για την πρώτη μελέτη αξιολόγησης θεμελιώδους μοντέλου χρονοσειρών στην οικιακή κατανάλωση νερού σε τόσο λεπτομερή ανάλυση. Το Chronos-2, εφαρμοσμένο χωρίς προσαρμογή (zero-shot), πέτυχε το χαμηλότερο μέσο σφάλμα σημειακής πρόβλεψης, ωστόσο όλες οι σημειακές προβλέψεις υποεκτίμησαν συστηματικά τις αιχμές κατανάλωσης, συνέπεια του στοχαστικού χρονισμού των οικιακών δραστηριοτήτων· τα πιθανοτικά όρια ποσοστημορίων αντιστάθμισαν αυτή την αβεβαιότητα χρονισμού, ενώ περαιτέρω πειράματα με το Chronos-2 έδειξαν ότι η χρονική συνάθροιση βελτίωσε την ακρίβεια μονοτονικά και ότι οι μετεωρολογικές μεταβλητές βοήθησαν μόνο αφού η συνάθροιση είχε εξομαλύνει το σήμα. Τέλος, ένας αυτόνομος πράκτορας βασισμένος σε τοπικό μεγάλο γλωσσικό μοντέλο ανοικτών βαρών (ώστε τα δεδομένα να μην εγκαταλείπουν ποτέ την υποδομή του παρόχου) ερμηνεύει την καθαρισμένη καταγραφή μέσω δύο εργαλείων: μιας διεπαφής μετατροπής κειμένου σε SQL επί μιας βάσης δεδομένων με τις μετρήσεις και τις ανωμαλίες που έχουν εντοπιστεί με κανόνες, και ενός εργαλείου ανάλυσης προτύπων που αποτυπώνει τον ημερήσιο κύκλο και την εβδομαδιαία ρουτίνα ενός νοικοκυριού. Η διεπαφή απάντησε σωστά σε 39 από τις 40 ερωτήσεις αξιολόγησης. Καμία προηγούμενη εργασία δεν έχει αναπτύξει πράκτορα βασισμένο σε μεγάλο γλωσσικό μοντέλο για την ερμηνεία της οικιακής κατανάλωσης νερού από έξυπνους μετρητές.
Abstract
The spread of smart water metering has replaced the occasional manual reading with a continuous hourly record of each household's consumption, opening consumption analytics at the level of the individual meter. This diploma thesis pursues two such analytics — forecasting and natural-language interpretation — on hourly readings from 223 residential smart water meters in Filippoi, a rural area in the regional unit of Kavala, Greece, spanning nearly two years. At this resolution the consumption series are zero-inflated, heavy-tailed, and heterogeneous across meters, and the raw record carries the gaps and corruptions that smart meters routinely produce. The work first establishes a clean foundation: a rule-based system detects recurring defects in the raw cumulative series, and the resulting missing values are filled with Copy-Paste Imputation, which on synthetic gaps reproduced the missing consumption far more faithfully than linear interpolation. On the cleaned record, four forecasting paradigms — SARIMA, XGBoost, the Temporal Fusion Transformer, and the pretrained foundation model Chronos-2 — are compared on seven-day-ahead hourly forecasts across the full meter population. This is the first study to benchmark a pretrained time-series foundation model against classical and machine-learning methods for residential water consumption at this fine resolution. Chronos-2, applied zero-shot, achieved the lowest mean point error, yet all point forecasts systematically underestimated consumption peaks, a consequence of the stochastic timing of household activity; probabilistic quantile bounds hedged this timing uncertainty, and further experiments with Chronos-2 showed that temporal aggregation improved accuracy monotonically and that weather covariates helped only once aggregation had smoothed the signal. Finally, an autonomous LLM-based agent — an open-weight language model served locally, so that the fine-grained data never leaves the utility's infrastructure — interprets the cleaned record through two tools: a text-to-SQL interface to a database of readings and rule-detected anomalies, and a pattern-analysis tool that profiles a household's daily cycle and weekly routine. The interface answered 39 of 40 evaluation questions correctly. No prior work has built an LLM-based agent for interpreting residential water consumption from smart meters.
Meeting ID: 98786330180
Password: 241190
