Optimised energy load forecast for residential needs

Μητροκώστας, Άγγελος; Mitrokostas, Angelos

dc.contributor.author	Μητροκώστας, Άγγελος	el
dc.contributor.author	Mitrokostas, Angelos	en
dc.date.accessioned	2025-03-11T07:53:43Z
dc.date.available	2025-03-11T07:53:43Z
dc.identifier.uri	https://dspace.lib.ntua.gr/xmlui/handle/123456789/61314
dc.identifier.uri	http://dx.doi.org/10.26240/heal.ntua.29010
dc.rights	Αναφορά Δημιουργού-Μη Εμπορική Χρήση-Όχι Παράγωγα Έργα 3.0 Ελλάδα	*
dc.rights.uri	http://creativecommons.org/licenses/by-nc-nd/3.0/gr/	*
dc.subject	Deep Learning	en
dc.subject	Μηχανική Μάθηση	el
dc.subject	Machine Learning	en
dc.subject	Energy Forecasting	en
dc.subject	Deep Learning Model Comparison	en
dc.subject	Consumers	en
dc.subject	Prosumers	en
dc.subject	REFIT Household Data	en
dc.subject	StoreNet	en
dc.subject	Βαθιά Μάθηση	el
dc.subject	Πρόβλεψη ενεργειακών απαιτήσεων	el
dc.subject	Σύγκριση Μοντέλων Βαθιάς Μάθησης	el
dc.subject	Οικιακή Παραγωγοί Ενέργειας	el
dc.subject	Καταναλωτές	el
dc.title	Optimised energy load forecast for residential needs	en
dc.title	Βέλτιστη πρόβλεψη φορτίου ενέργειας για ανάγκες οικειών	el
dc.title	Βέλτιστη πρόβλεψη φορτίου ενέργειας για ανάγκες οικειών	el
heal.type	bachelorThesis
heal.classification	Energy Load Forecasting	en
heal.language	el
heal.language	en
heal.access	campus
heal.recordProvider	ntua	el
heal.publicationDate	2024-10-18
heal.abstract	Η εξισορρόπηση μεταξύ πρόβλεψης παραγωγής και κατανάλωσης ενέργειας αποτελεί μια σημαντική πρόκληση, ειδικά με την ενσωμάτωση ανανεώσιμων πηγών ενέργειας (ΑΠΕ) σε οικιακές εγκαταστάσεις, η οποία αυξάνει την πολυπλοκότητα των ενεργειακών συστημάτων. Η ανάγκη για όσο το δυνατόν ακριβέστερες προβλέψεις γίνεται όλο και πιο επιτακτική, προκειμένου να διασφαλιστεί η σταθερότητα του δικτύου και η βέλτιστη διαχείριση των ενεργειακών πόρων. Στην παρούσα εργασία εξετάστηκε η σχετική βιβλιογραφία σε παραδοσιακές τεχνικές πρόβλεψης μηχανικής μάθησης και στη συνέχεια συγκρίθηκε η απόδοση τεχνικών και μοντέλων βαθιάς μάθησης, από πρώιμα μοντέλα, όπως τα RNN, έως πιο προηγμένα, όπως τα BiLSTM. Προτάθηκε ένα νέο υβριδικό μοντέλο που συνδύασε υπάρχοντα μοντέλα βαθιάς μάθησης με την τεχνική των Τransformers, με στόχο την αξιοποίηση των πλεονεκτημάτων κάθε μεθόδου, ενώ ταυτόχρονα αναιρούνται τα μειονεκτήματά τους. Τέλος, συμπεριλήφθηκαν εποχιακά και καιρικά δεδομένα στη διαδικασία εκπαίδευσης των μοντέλων, ώστε να εξεταστεί η ευαισθησία των προβλέψεων σε εξωτερικούς παράγοντες.	el
heal.abstract	Understanding and predicting energy production and consumption is an exciting challenge, especially with the growing integration of renewable energy sources (RES). This variability can be complex, but it opens up incredible opportunities for innovative forecasting methods that ensure grid stability and efficient resource management. In this thesis, we explored various traditional machine learning forecasting approaches and conducted a thorough comparison with deep learning models, from the foundational Recurrent Neural Networks (RNN) to state-of-the-art Bidirectional Long Short-Term Memory (BiLSTM) networks. I’m thrilled to introduce a new hybrid model that creatively combines deep learning techniques with transformer methods, harnessing their strengths while overcoming limitations. Additionally, I incorporated seasonal and weather-related data into the training process, which has revealed fascinating insights into how these external factors influence prediction sensitivity. This work not only contributes to the field but also paves the way for more reliable and effective energy solutions!	en
heal.advisorName	Marinakis, Vangelis	en
heal.committeeMemberName	Marinakis, Vangelis	en
heal.committeeMemberName	Askounis, Dimitris	en
heal.committeeMemberName	Ioannis, Psarras	en
heal.academicPublisher	Εθνικό Μετσόβιο Πολυτεχνείο. Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών. Τομέας Ηλεκτρικών Βιομηχανικών Διατάξεων και Συστημάτων Αποφάσεων	el
heal.academicPublisherID	ntua
heal.numberOfPages	163 σ.	el
heal.fullTextAvailability	false