Please use this identifier to cite or link to this item:
Full metadata record
DC FieldValueLanguage
dc.contributor.advisorΧούσος, Ευθύμιος-
dc.contributor.authorΜαγκλάρας, Αριστείδης-
dc.contributor.otherMagklaras, Aristeidis-
dc.description.abstractΤο ενεργειακό δίκτυο είναι απαραίτητο να αφομοιώσει τις αλλαγές που προέρχονται από τους νέους κανονισμούς, την νέα δομή της αγοράς και κυρίως από τις τρέχουσες και μελλοντικές εξελίξεις των ΤΕΠ(Τεχνολογίες Επικοινωνίας και Πληροφορίας). Σχετικές προσπάθειες, υπογραμμίζουν την ανάγκη μετάλλαξης του παρόντος ενεργειακού δικτύου σε ένα βιώσιμο, αυτόνομο, φιλικό προς το περιβάλλον (χαμηλών εκπομπών άνθρακα) έξυπνο δίκτυο, ανεξάρτητο από τις κεντρικές και συχνά απαρχαιωμένες υποδομές παραγωγής ενέργειας μέσω άνθρακα και πετρελαίου. Στην πορεία για αυτήν τη φιλόδοξη κατεύθυνση θα πρέπει να αντιμετωπιστούν αρκετά ανοικτά ακόμα ζητήματα, και ένα από αυτά είναι η ακριβής και έγκυρη πρόβλεψη του ηλεκτρικού φορτίου μέσω της οποίας επιδιώκεται η εξισορρόπηση παραγωγής και ζήτησης και κατ ́ επέκταση η μέγιστη εκμετάλλευση των Ανανεώσιμων Πηγών Ενέργειας (ΑΠΕ). Στην παρούσα διπλωματική επιδιώκεται η πρόβλεψη του ηλεκτρικού φορτίου αξιοποιώντας την τεχνητή νοημοσύνη και συγκεκριμένα την μηχανική και βαθιά μάθηση που αποτελούν το State of the Art στους αλγορίθμους πρόβλεψης. Μετά την εκτενή αναφορά στην βιβλιογραφία και στην θεωρία της πρόβλεψης των χρονοσειρών ακολουθεί η ανάπτυξη τεσσάρων αλγορίθμων μηχανικής και βαθιάς μάθησης και στην συνέχεια με αυτούς επιχειρείται η πρόβλεψη του ηλεκτρικού φορτίου πέντε διαφορετικών γραμμών ισχύος του συστήματος διανομής ηλεκτρικής ενέργειας. Καταλήγοντας τα αποτελέσματα αυτής της πρόβλεψης παρουσιάζονται αναλύονται και εξάγονται σημαντικά συμπεράσματα για την συνολική αντιμετώπιση του προβλήματος.el
dc.subjectΤεχνητή νοημοσύνηel
dc.subjectΜηχανική μάθησηel
dc.subjectΒαθιά μάθησηel
dc.subjectΠρόβλεψη χρονοσειρώνel
dc.subjectΠρόβλεψη ηλεκτρικού φορτίουel
dc.subjectΝευρωνικά δίκτυαel
dc.subject.ddc621.319 2el
dc.titleΒραχυπρόθεσμη πρόβλεψη ηλεκτρικού φορτίου αξιοποιώντας τεχνικές μηχανικής και βαθιάς μάθησηςel
dc.title.alternativeShort term load forecasting exploiting novel machine and deep learning techniquesel
dc.contributor.committeeΜπίρμπας, Μιχαήλ-
dc.description.translatedabstractThe energy grid is ammendable to accute changes that stem from new regulations, the new structure of the energy markets and mostly from the currrent and future development of Information and Communication Technologies (ICT). Relevant efforts highlight the need to transform this energy network into a sustainable, autonomous, environmentally friendly (low carbon) smart grid, independent of centralized and often obsolete power generation infrastructure through coal and oil. Towards this ambitious one direction several open issues need to be addressed, one of them being the accurate electric load forecasting, through which the balance of demand and generation, and accordingly the maximum exploitation of Renewable Energy Resources, is persued. This diploma thesis aims to tackle the challenging issue of electric load forecasting exploiting artificial intelligence and specifically machine and deep learning which account for the State of the Art forecasting methods. After extensive timeseries forecasting literature review and the development of the forecasting algorithms the results of the experiment are analyzed. Summing up, the result analysis and further study lead to several important and usefull conclusion about the nature and the general tackle of the challenging issue of electric load forecastingel
dc.subject.alternativeArtificial intelligenceel
dc.subject.alternativeMachine learningel
dc.subject.alternativeDeep learningel
dc.subject.alternativeTimeseries forecastingel
dc.subject.alternativeElectric load forecastingel
dc.subject.alternativeNeural networksel
dc.degreeΔιπλωματική Εργασίαel
Appears in Collections:Τμήμα Ηλεκτρολ. Μηχαν. και Τεχνολ. Υπολογ. (ΔΕ)

Files in This Item:
File Description SizeFormat 
Nemertes_Magklaras(ele).pdf1.66 MBAdobe PDFView/Open

Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.