{"id":{"repo_id":"athens","oai_identifier":"oai:lib.uoa.gr:uoadl:5324036"},"canonical_url":"https://search.ndltd.org/etd/athens/oai:lib.uoa.gr:uoadl:5324036","repository":{"repo_id":"athens","name":"National and Kapodistrian University of Athens","base_url":"https://pergamos.lib.uoa.gr/uoa/dl/frontend/oaipmh"},"display":{"title":"Ανάπτυξη Ευφυούς Υποσυστήματος Ανίχνευσης Ανωμαλιών και Ενεργειακής Διαχείρισης σε Έξυπνα Κτίρια","abstract":"Η παρούσα εργασία επικεντρώνεται στον σχεδιασμό, την υλοποίηση και την πειραματική αξιολόγηση ενός ευφυούς υποσυστήματος ενεργειακής διαχείρισης κτιρίων, το οποίο συνδυάζει τεχνικές μη εποπτευόμενης ανίχνευσης ανωμαλιών, επεξηγήσιμης τεχνητής νοημοσύνης και ανθρωποκεντρικού προσαρμοστικού ελέγχου. Κεντρικός στόχος της εργασίας είναι η ανάπτυξη ενός ολοκληρωμένου πλαισίου που να επιτρέπει την αξιόπιστη διάγνωση λειτουργικών αποκλίσεων στη συμπεριφορά του κτιρίου και τη συστηματική μετάφρασή τους σε διαφανείς, αιτιολογημένες και λειτουργικά αποδεκτές ενέργειες ελέγχου. Η προτεινόμενη μεθοδολογία υλοποιείται μέσω μιας διαδοχικής αλυσίδας επεξεργασίας δεδομένων, η οποία ξεκινά από την ανίχνευση ανωμαλιών με τον αλγόριθμο Isolation Forest και συνεχίζεται με την εξηγήσιμη ανάλυση των αποφάσεων μέσω τιμών SHAP. Στη συνέχεια, τα εξηγήσιμα προφίλ ανωμαλιών οργανώνονται ιεραρχικά με τη μέθοδο HiPart, επιτρέποντας την ανάδειξη διακριτών τύπων ανωμαλιών, οι οποίοι ενεργοποιούν προσαρμοστικούς κανόνες ελέγχου μέσω ενός ενοποιημένου Rule Engine. Η συνολική αρχιτεκτονική ενσωματώνει μηχανισμούς Human-in-the-Loop, δίνοντας τη δυνατότητα προσαρμογής της τελικής απόκρισης με βάση ανθρώπινη ανατροφοδότηση, χωρίς να αλλοιώνεται η εξηγήσιμη και αιτιολογική διάγνωση των ανωμαλιών. Το προτεινόμενο σύστημα αξιολογήθηκε σε πραγματικό, μεγάλης κλίμακας κτιριακό σύνολο δεδομένων, το οποίο περιλαμβάνει περισσότερες από 7,2 εκατομμύρια χρονικές παρατηρήσεις από 51 διαφορετικούς χώρους, με υψηλή χρονική ανάλυση και πολυδιάστατη περιγραφή περιβαλλοντικών και λειτουργικών μεταβλητών. Τα πειραματικά αποτελέσματα καταδεικνύουν ότι η ανίχνευση ανωμαλιών εμφανίζει υψηλή χρονική και χωρική συνέπεια, ενώ η εξηγήσιμη ανάλυση αποκαλύπτει ότι οι εντοπιζόμενες αποκλίσεις σχετίζονται κυρίως με μεταβλητές λειτουργικής συμπεριφοράς, όπως ο φωτισμός, η παρουσία χρηστών και η ποιότητα του εσωτερικού αέρα. Η ιεραρχική ομαδοποίηση των SHAP profiles οδήγησε στη διαμόρφωση σαφώς διακριτών τύπων ανωμαλιών με συγκεκριμένη αιτιολογική ερμηνεία, επιτρέποντας τη στοχευμένη ενεργοποίηση ενεργειών ελέγχου. Ο μηχανισμός κανόνων απέδειξε ότι μπορεί να μεταφράζει αποτελεσματικά τις διαγνώσεις σε προσαρμοσμένες ενέργειες, επιτυγχάνοντας ισορροπία μεταξύ ενεργειακής αποδοτικότητας και θερμικής άνεσης, ενώ η ανθρώπινη παρέμβαση λειτουργεί ως φίλτρο επιβεβαίωσης και προσαρμογής της τελικής απόκρισης του συστήματος. Συνολικά, η εργασία καταδεικνύει ότι η συνδυαστική αξιοποίηση εξηγήσιμης τεχνητής νοημοσύνης και ανθρωποκεντρικού προσαρμοστικού ελέγχου μπορεί να ενισχύσει ουσιαστικά τόσο την αξιοπιστία όσο και την αποδοχή των ευφυών συστημάτων ενεργειακής διαχείρισης. Παράλληλα, το προτεινόμενο πλαίσιο παρουσιάζει σαφείς δυνατότητες επέκτασης προς εφαρμογές διαχείρισης ζήτησης και ενσωμάτωσης ανανεώσιμων πηγών ενέργειας, ευθυγραμμιζόμενο με τις σύγχρονες κατευθύνσεις της ενεργειακής μετάβασης και της βιώσιμης ανάπτυξης.","abstract_html":"Η παρούσα εργασία επικεντρώνεται στον σχεδιασμό, την υλοποίηση και την πειραματική αξιολόγηση ενός ευφυούς υποσυστήματος ενεργειακής διαχείρισης κτιρίων, το οποίο συνδυάζει τεχνικές μη εποπτευόμενης ανίχνευσης ανωμαλιών, επεξηγήσιμης τεχνητής νοημοσύνης και ανθρωποκεντρικού προσαρμοστικού ελέγχου. Κεντρικός στόχος της εργασίας είναι η ανάπτυξη ενός ολοκληρωμένου πλαισίου που να επιτρέπει την αξιόπιστη διάγνωση λειτουργικών αποκλίσεων στη συμπεριφορά του κτιρίου και τη συστηματική μετάφρασή τους σε διαφανείς, αιτιολογημένες και λειτουργικά αποδεκτές ενέργειες ελέγχου. Η προτεινόμενη μεθοδολογία υλοποιείται μέσω μιας διαδοχικής αλυσίδας επεξεργασίας δεδομένων, η οποία ξεκινά από την ανίχνευση ανωμαλιών με τον αλγόριθμο Isolation Forest και συνεχίζεται με την εξηγήσιμη ανάλυση των αποφάσεων μέσω τιμών SHAP. Στη συνέχεια, τα εξηγήσιμα προφίλ ανωμαλιών οργανώνονται ιεραρχικά με τη μέθοδο HiPart, επιτρέποντας την ανάδειξη διακριτών τύπων ανωμαλιών, οι οποίοι ενεργοποιούν προσαρμοστικούς κανόνες ελέγχου μέσω ενός ενοποιημένου Rule Engine. Η συνολική αρχιτεκτονική ενσωματώνει μηχανισμούς Human-in-the-Loop, δίνοντας τη δυνατότητα προσαρμογής της τελικής απόκρισης με βάση ανθρώπινη ανατροφοδότηση, χωρίς να αλλοιώνεται η εξηγήσιμη και αιτιολογική διάγνωση των ανωμαλιών. Το προτεινόμενο σύστημα αξιολογήθηκε σε πραγματικό, μεγάλης κλίμακας κτιριακό σύνολο δεδομένων, το οποίο περιλαμβάνει περισσότερες από 7,2 εκατομμύρια χρονικές παρατηρήσεις από 51 διαφορετικούς χώρους, με υψηλή χρονική ανάλυση και πολυδιάστατη περιγραφή περιβαλλοντικών και λειτουργικών μεταβλητών. Τα πειραματικά αποτελέσματα καταδεικνύουν ότι η ανίχνευση ανωμαλιών εμφανίζει υψηλή χρονική και χωρική συνέπεια, ενώ η εξηγήσιμη ανάλυση αποκαλύπτει ότι οι εντοπιζόμενες αποκλίσεις σχετίζονται κυρίως με μεταβλητές λειτουργικής συμπεριφοράς, όπως ο φωτισμός, η παρουσία χρηστών και η ποιότητα του εσωτερικού αέρα. Η ιεραρχική ομαδοποίηση των SHAP profiles οδήγησε στη διαμόρφωση σαφώς διακριτών τύπων ανωμαλιών με συγκεκριμένη αιτιολογική ερμηνεία, επιτρέποντας τη στοχευμένη ενεργοποίηση ενεργειών ελέγχου. Ο μηχανισμός κανόνων απέδειξε ότι μπορεί να μεταφράζει αποτελεσματικά τις διαγνώσεις σε προσαρμοσμένες ενέργειες, επιτυγχάνοντας ισορροπία μεταξύ ενεργειακής αποδοτικότητας και θερμικής άνεσης, ενώ η ανθρώπινη παρέμβαση λειτουργεί ως φίλτρο επιβεβαίωσης και προσαρμογής της τελικής απόκρισης του συστήματος. Συνολικά, η εργασία καταδεικνύει ότι η συνδυαστική αξιοποίηση εξηγήσιμης τεχνητής νοημοσύνης και ανθρωποκεντρικού προσαρμοστικού ελέγχου μπορεί να ενισχύσει ουσιαστικά τόσο την αξιοπιστία όσο και την αποδοχή των ευφυών συστημάτων ενεργειακής διαχείρισης. Παράλληλα, το προτεινόμενο πλαίσιο παρουσιάζει σαφείς δυνατότητες επέκτασης προς εφαρμογές διαχείρισης ζήτησης και ενσωμάτωσης ανανεώσιμων πηγών ενέργειας, ευθυγραμμιζόμενο με τις σύγχρονες κατευθύνσεις της ενεργειακής μετάβασης και της βιώσιμης ανάπτυξης.","abstract_has_math":false,"creators":["Ματράκα Αργυρώ","Matraka Argyro"],"institution":null,"degree_name":null,"degree_level":null,"degree_discipline":null,"degree_department":null,"school":null,"contributors":[],"advisors":[],"committee_chairs":[],"committee_members":[],"year":2026,"date_issued":"2026","date_published":"2026","updated_at":"2026-11-19T05:17:41Z","subjects":["Τεχνολογία – Πληροφορική","Technology - Computer science"],"languages":["Ελληνικά","Greek"],"rights":[],"rights_urls":[],"identifier_entries":[{"key":"dc:identifier","label":"Identifier","values":["uoadl:5324036"],"render_values":[{"text":"uoadl:5324036","href":null,"code":true}]}],"person_identifier_entries":[]},"links":{"outbound_url":"https://pergamos.lib.uoa.gr/uoa/dl/object/5324036","outbound_label":"Repository record","outbound_source":"dc:identifier","record_url":"https://pergamos.lib.uoa.gr/uoa/dl/object/5324036","record_label":"Repository record","record_kind":"record","record_source":"dc:identifier","download_url":null,"download_label":null,"download_source":null,"access_status":null,"embargo_until":null,"access_note":null},"source_record":{"url":"https://pergamos.lib.uoa.gr/uoa/dl/frontend/oaipmh?verb=GetRecord&metadataPrefix=oai_dc&identifier=oai%3Alib.uoa.gr%3Auoadl%3A5324036","prefix":"oai_dc"},"metadata_groups":[{"id":"people","label":"People","entries":[{"key":"dc:creator","label":"Author","values":["Ματράκα Αργυρώ","Matraka Argyro"]}]},{"id":"academic_context","label":"Academic Context","entries":[{"key":"dc:date","label":"Dc Date","values":["2026"]},{"key":"dc:type","label":"Dc Type","values":["born_digital_postgraduate_thesis","Διπλωματική Εργασία","Postgraduate Thesis"]}]},{"id":"subjects_keywords","label":"Subjects and Keywords","entries":[{"key":"dc:subject","label":"Dc Subject","values":["Τεχνολογία – Πληροφορική","Technology - Computer science"]}]},{"id":"language_rights","label":"Language and Rights","entries":[{"key":"dc:language","label":"Dc Language","values":["Ελληνικά","Greek"]}]},{"id":"identifiers","label":"Identifiers","entries":[{"key":"dc:identifier","label":"Identifier","values":["uoadl:5324036","https://pergamos.lib.uoa.gr/uoa/dl/object/5324036"]}]},{"id":"additional","label":"Additional Metadata","entries":[{"key":"dc:description","label":"Description","values":["Η παρούσα εργασία επικεντρώνεται στον σχεδιασμό, την υλοποίηση και την πειραματική αξιολόγηση ενός ευφυούς υποσυστήματος ενεργειακής διαχείρισης κτιρίων, το οποίο συνδυάζει τεχνικές μη εποπτευόμενης ανίχνευσης ανωμαλιών, επεξηγήσιμης τεχνητής νοημοσύνης και ανθρωποκεντρικού προσαρμοστικού ελέγχου. Κεντρικός στόχος της εργασίας είναι η ανάπτυξη ενός ολοκληρωμένου πλαισίου που να επιτρέπει την αξιόπιστη διάγνωση λειτουργικών αποκλίσεων στη συμπεριφορά του κτιρίου και τη συστηματική μετάφρασή τους σε διαφανείς, αιτιολογημένες και λειτουργικά αποδεκτές ενέργειες ελέγχου. Η προτεινόμενη μεθοδολογία υλοποιείται μέσω μιας διαδοχικής αλυσίδας επεξεργασίας δεδομένων, η οποία ξεκινά από την ανίχνευση ανωμαλιών με τον αλγόριθμο Isolation Forest και συνεχίζεται με την εξηγήσιμη ανάλυση των αποφάσεων μέσω τιμών SHAP. Στη συνέχεια, τα εξηγήσιμα προφίλ ανωμαλιών οργανώνονται ιεραρχικά με τη μέθοδο HiPart, επιτρέποντας την ανάδειξη διακριτών τύπων ανωμαλιών, οι οποίοι ενεργοποιούν προσαρμοστικούς κανόνες ελέγχου μέσω ενός ενοποιημένου Rule Engine. Η συνολική αρχιτεκτονική ενσωματώνει μηχανισμούς Human-in-the-Loop, δίνοντας τη δυνατότητα προσαρμογής της τελικής απόκρισης με βάση ανθρώπινη ανατροφοδότηση, χωρίς να αλλοιώνεται η εξηγήσιμη και αιτιολογική διάγνωση των ανωμαλιών. Το προτεινόμενο σύστημα αξιολογήθηκε σε πραγματικό, μεγάλης κλίμακας κτιριακό σύνολο δεδομένων, το οποίο περιλαμβάνει περισσότερες από 7,2 εκατομμύρια χρονικές παρατηρήσεις από 51 διαφορετικούς χώρους, με υψηλή χρονική ανάλυση και πολυδιάστατη περιγραφή περιβαλλοντικών και λειτουργικών μεταβλητών. Τα πειραματικά αποτελέσματα καταδεικνύουν ότι η ανίχνευση ανωμαλιών εμφανίζει υψηλή χρονική και χωρική συνέπεια, ενώ η εξηγήσιμη ανάλυση αποκαλύπτει ότι οι εντοπιζόμενες αποκλίσεις σχετίζονται κυρίως με μεταβλητές λειτουργικής συμπεριφοράς, όπως ο φωτισμός, η παρουσία χρηστών και η ποιότητα του εσωτερικού αέρα. Η ιεραρχική ομαδοποίηση των SHAP profiles οδήγησε στη διαμόρφωση σαφώς διακριτών τύπων ανωμαλιών με συγκεκριμένη αιτιολογική ερμηνεία, επιτρέποντας τη στοχευμένη ενεργοποίηση ενεργειών ελέγχου. Ο μηχανισμός κανόνων απέδειξε ότι μπορεί να μεταφράζει αποτελεσματικά τις διαγνώσεις σε προσαρμοσμένες ενέργειες, επιτυγχάνοντας ισορροπία μεταξύ ενεργειακής αποδοτικότητας και θερμικής άνεσης, ενώ η ανθρώπινη παρέμβαση λειτουργεί ως φίλτρο επιβεβαίωσης και προσαρμογής της τελικής απόκρισης του συστήματος. Συνολικά, η εργασία καταδεικνύει ότι η συνδυαστική αξιοποίηση εξηγήσιμης τεχνητής νοημοσύνης και ανθρωποκεντρικού προσαρμοστικού ελέγχου μπορεί να ενισχύσει ουσιαστικά τόσο την αξιοπιστία όσο και την αποδοχή των ευφυών συστημάτων ενεργειακής διαχείρισης. Παράλληλα, το προτεινόμενο πλαίσιο παρουσιάζει σαφείς δυνατότητες επέκτασης προς εφαρμογές διαχείρισης ζήτησης και ενσωμάτωσης ανανεώσιμων πηγών ενέργειας, ευθυγραμμιζόμενο με τις σύγχρονες κατευθύνσεις της ενεργειακής μετάβασης και της βιώσιμης ανάπτυξης.","This paper focuses on the design, implementation, and experimental evaluation of an intelligent building energy management subsystem that combines unsupervised anomaly detection techniques, explainable artificial intelligence, and human-centered adaptive control. The main objective of the work is to develop a comprehensive framework that allows for the reliable diagnosis of operational deviations in building behavior and their systematic translation into transparent, justified, and operationally acceptable control actions. The proposed methodology is implemented through a sequential data processing chain, which starts with anomaly detection using the Isolation Forest algorithm and continues with explainable decision analysis using SHAP values. The explainable anomaly profiles are then organized hierarchically using the HiPart method, allowing the identification of distinct anomaly types, which trigger adaptive control rules through a unified Rule Engine. The overall architecture incorporates Human-in-the-Loop mechanisms, allowing the final response to be adjusted based on human feedback, without altering the explainable and causal diagnosis of anomalies. The proposed system was evaluated on a real, large-scale building dataset, which includes more than 7.2 million time observations from 51 different locations, with high temporal resolution and multidimensional description of environmental and operational variables. The experimental results demonstrate that anomaly detection exhibits high temporal and spatial consistency, while the explainable analysis reveals that the detected deviations are mainly related to operational behavior variables, such as lighting, user presence, and indoor air quality. Hierarchical clustering of SHAP profiles led to the formation of clearly distinguishable types of anomalies with specific causal interpretations, enabling targeted control actions. The rule mechanism proved that it can effectively translate diagnoses into customized actions, achieving a balance between energy efficiency and thermal comfort, while human intervention acts as a filter for confirming and adjusting the final response of the system. Overall, the work demonstrates that the combined use of explainable artificial intelligence and human-centric adaptive control can significantly enhance both the reliability and acceptance of intelligent energy management systems. At the same time, the proposed framework presents clear possibilities for extension to demand management and renewable energy integration applications, aligning with current trends in energy transition and sustainable development."]},{"key":"dc:title","label":"Title","values":["Ανάπτυξη Ευφυούς Υποσυστήματος Ανίχνευσης Ανωμαλιών και Ενεργειακής Διαχείρισης σε Έξυπνα Κτίρια"]}]}],"canonical_facts":{"dc:creator":["Ματράκα Αργυρώ","Matraka Argyro"],"dc:date":["2026"],"dc:description":["Η παρούσα εργασία επικεντρώνεται στον σχεδιασμό, την υλοποίηση και την πειραματική αξιολόγηση ενός ευφυούς υποσυστήματος ενεργειακής διαχείρισης κτιρίων, το οποίο συνδυάζει τεχνικές μη εποπτευόμενης ανίχνευσης ανωμαλιών, επεξηγήσιμης τεχνητής νοημοσύνης και ανθρωποκεντρικού προσαρμοστικού ελέγχου. Κεντρικός στόχος της εργασίας είναι η ανάπτυξη ενός ολοκληρωμένου πλαισίου που να επιτρέπει την αξιόπιστη διάγνωση λειτουργικών αποκλίσεων στη συμπεριφορά του κτιρίου και τη συστηματική μετάφρασή τους σε διαφανείς, αιτιολογημένες και λειτουργικά αποδεκτές ενέργειες ελέγχου. Η προτεινόμενη μεθοδολογία υλοποιείται μέσω μιας διαδοχικής αλυσίδας επεξεργασίας δεδομένων, η οποία ξεκινά από την ανίχνευση ανωμαλιών με τον αλγόριθμο Isolation Forest και συνεχίζεται με την εξηγήσιμη ανάλυση των αποφάσεων μέσω τιμών SHAP. Στη συνέχεια, τα εξηγήσιμα προφίλ ανωμαλιών οργανώνονται ιεραρχικά με τη μέθοδο HiPart, επιτρέποντας την ανάδειξη διακριτών τύπων ανωμαλιών, οι οποίοι ενεργοποιούν προσαρμοστικούς κανόνες ελέγχου μέσω ενός ενοποιημένου Rule Engine. Η συνολική αρχιτεκτονική ενσωματώνει μηχανισμούς Human-in-the-Loop, δίνοντας τη δυνατότητα προσαρμογής της τελικής απόκρισης με βάση ανθρώπινη ανατροφοδότηση, χωρίς να αλλοιώνεται η εξηγήσιμη και αιτιολογική διάγνωση των ανωμαλιών. Το προτεινόμενο σύστημα αξιολογήθηκε σε πραγματικό, μεγάλης κλίμακας κτιριακό σύνολο δεδομένων, το οποίο περιλαμβάνει περισσότερες από 7,2 εκατομμύρια χρονικές παρατηρήσεις από 51 διαφορετικούς χώρους, με υψηλή χρονική ανάλυση και πολυδιάστατη περιγραφή περιβαλλοντικών και λειτουργικών μεταβλητών. Τα πειραματικά αποτελέσματα καταδεικνύουν ότι η ανίχνευση ανωμαλιών εμφανίζει υψηλή χρονική και χωρική συνέπεια, ενώ η εξηγήσιμη ανάλυση αποκαλύπτει ότι οι εντοπιζόμενες αποκλίσεις σχετίζονται κυρίως με μεταβλητές λειτουργικής συμπεριφοράς, όπως ο φωτισμός, η παρουσία χρηστών και η ποιότητα του εσωτερικού αέρα. Η ιεραρχική ομαδοποίηση των SHAP profiles οδήγησε στη διαμόρφωση σαφώς διακριτών τύπων ανωμαλιών με συγκεκριμένη αιτιολογική ερμηνεία, επιτρέποντας τη στοχευμένη ενεργοποίηση ενεργειών ελέγχου. Ο μηχανισμός κανόνων απέδειξε ότι μπορεί να μεταφράζει αποτελεσματικά τις διαγνώσεις σε προσαρμοσμένες ενέργειες, επιτυγχάνοντας ισορροπία μεταξύ ενεργειακής αποδοτικότητας και θερμικής άνεσης, ενώ η ανθρώπινη παρέμβαση λειτουργεί ως φίλτρο επιβεβαίωσης και προσαρμογής της τελικής απόκρισης του συστήματος. Συνολικά, η εργασία καταδεικνύει ότι η συνδυαστική αξιοποίηση εξηγήσιμης τεχνητής νοημοσύνης και ανθρωποκεντρικού προσαρμοστικού ελέγχου μπορεί να ενισχύσει ουσιαστικά τόσο την αξιοπιστία όσο και την αποδοχή των ευφυών συστημάτων ενεργειακής διαχείρισης. Παράλληλα, το προτεινόμενο πλαίσιο παρουσιάζει σαφείς δυνατότητες επέκτασης προς εφαρμογές διαχείρισης ζήτησης και ενσωμάτωσης ανανεώσιμων πηγών ενέργειας, ευθυγραμμιζόμενο με τις σύγχρονες κατευθύνσεις της ενεργειακής μετάβασης και της βιώσιμης ανάπτυξης.","This paper focuses on the design, implementation, and experimental evaluation of an intelligent building energy management subsystem that combines unsupervised anomaly detection techniques, explainable artificial intelligence, and human-centered adaptive control. The main objective of the work is to develop a comprehensive framework that allows for the reliable diagnosis of operational deviations in building behavior and their systematic translation into transparent, justified, and operationally acceptable control actions. The proposed methodology is implemented through a sequential data processing chain, which starts with anomaly detection using the Isolation Forest algorithm and continues with explainable decision analysis using SHAP values. The explainable anomaly profiles are then organized hierarchically using the HiPart method, allowing the identification of distinct anomaly types, which trigger adaptive control rules through a unified Rule Engine. The overall architecture incorporates Human-in-the-Loop mechanisms, allowing the final response to be adjusted based on human feedback, without altering the explainable and causal diagnosis of anomalies. The proposed system was evaluated on a real, large-scale building dataset, which includes more than 7.2 million time observations from 51 different locations, with high temporal resolution and multidimensional description of environmental and operational variables. The experimental results demonstrate that anomaly detection exhibits high temporal and spatial consistency, while the explainable analysis reveals that the detected deviations are mainly related to operational behavior variables, such as lighting, user presence, and indoor air quality. Hierarchical clustering of SHAP profiles led to the formation of clearly distinguishable types of anomalies with specific causal interpretations, enabling targeted control actions. The rule mechanism proved that it can effectively translate diagnoses into customized actions, achieving a balance between energy efficiency and thermal comfort, while human intervention acts as a filter for confirming and adjusting the final response of the system. Overall, the work demonstrates that the combined use of explainable artificial intelligence and human-centric adaptive control can significantly enhance both the reliability and acceptance of intelligent energy management systems. At the same time, the proposed framework presents clear possibilities for extension to demand management and renewable energy integration applications, aligning with current trends in energy transition and sustainable development."],"dc:identifier":["uoadl:5324036","https://pergamos.lib.uoa.gr/uoa/dl/object/5324036"],"dc:language":["Ελληνικά","Greek"],"dc:subject":["Τεχνολογία – Πληροφορική","Technology - Computer science"],"dc:title":["Ανάπτυξη Ευφυούς Υποσυστήματος Ανίχνευσης Ανωμαλιών και Ενεργειακής Διαχείρισης σε Έξυπνα Κτίρια"],"dc:type":["born_digital_postgraduate_thesis","Διπλωματική Εργασία","Postgraduate Thesis"]},"updated_at":"2026-11-19T05:17:41Z"}