Αξιολόγηση τεχνικών ενσωμάτωσης εξωγενών
μεταβλητών σε νευρωνικά δίκτυα πρόβλεψης
φορτίου επόμενης ημέρας

Κρεμάλας, Ευάγγελος; Kremalas, Evangelos

dc.contributor.author	Κρεμάλας, Ευάγγελος	el
dc.contributor.author	Kremalas, Evangelos	en
dc.date.accessioned	2025-12-09T06:32:22Z
dc.date.available	2025-12-09T06:32:22Z
dc.identifier.uri	https://dspace.lib.ntua.gr/xmlui/handle/123456789/63023
dc.identifier.uri	http://dx.doi.org/10.26240/heal.ntua.30719
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	Πρόβλεψη φορτίου επόμενης ημέρας	el
dc.subject	Εξωγενείς μεταβλητές	el
dc.subject	Μηχανική μάθηση	el
dc.subject	Ενέργεια	el
dc.subject	Τεχνικές προβλέψεων	el
dc.subject	Exogenous variables	en
dc.subject	Short-term load forecasting	en
dc.subject	Neural networks	en
dc.subject	Energy market	en
dc.title	Αξιολόγηση τεχνικών ενσωμάτωσης εξωγενών μεταβλητών σε νευρωνικά δίκτυα πρόβλεψης φορτίου επόμενης ημέρας	el
dc.contributor.department	Τομέας ηλεκτρικών βιομηχανικών διατάξεων & συστημάτων αποφάσεων	el
heal.type	bachelorThesis
heal.classification	Ενέργεια	el
heal.classification	Τεχνικές Προβλέψεων	el
heal.classification	Πρόβλεψη φορτίου επόμενης ημέρας	el
heal.classification	Νευρωνικά δίκτυα	el
heal.classification	Μηχανική μάθηση	el
heal.language	el
heal.access	free
heal.recordProvider	ntua	el
heal.publicationDate	2025-07-03
heal.abstract	Η παρούσα διπλωματική εργασία εστιάζει στη σημασία των εξωγενών μεταβλητών για την πρόβλεψη της ροής φορτίου της επόμενης ημέρας, με κύριο στόχο την εύρεση της βέλτιστης αρχιτεκτονικής για την ενσωμάτωσή τους σε πλήρως διασυνδεδεμένα νευρωνικά δίκτυα, όπως αναπτύχθηκε στην έρευνα «Short-term load forecasting with global models: A comparative analysis of neural network architectures» των Αρτέμιο-Ανάργυρου Σεμένογλου, Ευάγγελου Σπηλιώτη και Βασιλείου Ασημακόπουλου, η οποία παρουσιάστηκε στο 43rd International Symposium on Forecasting (ISF 2023, 25-28 Ιουνίου 2023, Charlottesville, ΗΠΑ). Τελικά επιτυγχάνεται βελτίωση του μοντέλου κατά 12% ως προς το MAPE και κατά 10.5% ως προς το RMSE. Η πρόβλεψη της ροής φορτίου είναι κρίσιμη για την αποδοτική λειτουργία του ενεργειακού συστήματος, καθώς επιτρέπει τον προγραμματισμό παραγωγής και διανομής, εξασφαλίζοντας ισορροπία προσφοράς-ζήτησης, μειώνοντας διακοπές και βελτιστοποιώντας πόρους. Υποστηρίζει την ενσωμάτωση ΑΠΕ, αντιμετωπίζοντας τη στοχαστικότητα τους, μειώνει το κόστος λειτουργίας αποτρέποντας υπερπαραγωγή ή χρήση δαπανηρών εφεδρειών και σταθεροποιεί τις τιμές ενέργειας. Επιπρόσθετα, συμβάλλει στη μείωση περιβαλλοντικών επιπτώσεων μέσω βέλτιστης χρήσης καθαρών πηγών. Οι εξωγενείς μεταβλητές (καιρικές, ημερολογιακές, χαρακτηριστικά χώρας) βελτιώνουν σημαντικά την ακρίβεια των προβλέψεων, όπως επιβεβαιώνεται από τη βιβλιογραφία και τα πειράματα της εργασίας, με μείωση μετρικών σφάλματος (MAPE, RMSE). Ωστόσο, δεν υπάρχει καθολικά αποδεκτή μέθοδος ενσωμάτωσής τους, γεγονός που αποτελεί πρόκληση και ευκαιρία για έρευνα. Η εργασία εξετάζει διαφορετικές τεχνικές ενσωμάτωσης, υπογραμμίζοντας την ανάγκη εξατομικευμένων προσεγγίσεων. Το πρώτο κεφάλαιο εισάγει τις βασικές έννοιες του ενεργειακού τομέα σε Ελλάδα και Ευρώπη, περιγράφει το περιβάλλον μετά την απελευθέρωση των αγορών, τους κύριους παίκτες και τη σημασία της πρόβλεψης φορτίου, καθώς και παραδοσιακές μεθόδους που χρησιμοποιούν διαχειριστές στην Ευρώπη. Το δεύτερο κεφάλαιο παρουσιάζει τη θεωρία των τεχνικών προβλέψεων, ενώ το τρίτο αναλύει τις έννοιες της μηχανικής μάθησης και των νευρωνικών δικτύων. Τέλος, περιγράφεται η μεθοδολογία, η πειραματική διαδικασία και τα αποτελέσματα των πειραμάτων.	el
heal.abstract	This diploma thesis focuses on the significance of exogenous variables for next- day load forecasting, with the primary objective of identifying the optimal architecture for their integration into fully connected neural networks, as developed in the research "Short-term load forecasting with global models: A comparative analysis of neural network architectures" by Artemios-Anargyros Semenoglou, Evangelos Spiliotis, and Vassilios Veskoukis, presented at the 43rd International Symposium on Forecasting (ISF 2023, June 25-28, 2023, Charlottesville, USA). Ultimately, it achieves a 12% and 10.5% improvement in the model’s performance in terms of MAPE and RMSE. Short-term load forecasting is critical for the efficient operation of the energy system, enabling the scheduling of production and distribution, ensuring supply- demand balance, reducing outages, and optimizing resource use. It supports the integration of Renewable Energy Sources (RES), addressing their stochastic nature, lowers operational costs by preventing overproduction or reliance on costly reserves, and stabilizes energy prices. Additionally, it contributes to reducing environmental impacts through the optimal use of clean energy sources. Exogenous variables (weather, calendar, country-specific characteristics) significantly enhance forecast accuracy, as confirmed by the literature and the experiments conducted in this thesis, with reductions in error metrics (MAPE, RMSE). However, there is no universally accepted method for their integration, posing both a challenge and an opportunity for further research. This thesis examines various integration techniques, highlighting the need for tailored approaches. The first chapter introduces key concepts of the energy sector in Greece and Europe, describes the post-liberalization market environment, key stakeholders, and the importance of load forecasting, along with traditional methods used by European operators. The second chapter presents the theory of forecasting techniques, while the third analyzes the concepts of machine learning and neural networks. Finally, the methodology, experimental process, and results of the experiments are described.	en
heal.advisorName	Ασημακόπουλος, Βασίλειος	el
heal.committeeMemberName	Ασημακόπουλος, Βασίλειος
heal.committeeMemberName	Ψαρράς, Ιωάννης
heal.committeeMemberName	Ασκούνης, Δημήτριος
heal.academicPublisher	Εθνικό Μετσόβιο Πολυτεχνείο. Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών. Τομέας Ηλεκτρικών Βιομηχανικών Διατάξεων και Συστημάτων Αποφάσεων	el
heal.academicPublisherID	ntua
heal.numberOfPages	127
heal.fullTextAvailability	false