BEGIN:VCALENDAR
VERSION:2.0
PRODID:-//TUC//Events//EN
CALSCALE:GREGORIAN
BEGIN:VTIMEZONE
TZID:Europe/Athens
TZNAME:EEST
DTSTART:19700329T030000
RRULE:FREQ=YEARLY;BYDAY=-1SU;BYMONTH=3
BEGIN:STANDARD
TZOFFSETFROM:+0200
TZOFFSETTO:+0300
TZNAME:EET
DTSTART:19701025T040000
RRULE:FREQ=YEARLY;BYDAY=-1SU;BYMONTH=10
END:STANDARD
END:VTIMEZONE
BEGIN:VEVENT
CREATED:20260302T103235Z
LAST-MODIFIED:20260302T103235Z
DTSTAMP:20260817T235900Z
UID:1787000340@tuc.gr
SUMMARY:Παρουσίαση Διπλωματικής Εργασίας κ. 
 Φωτίου Κατσάρη - Σχολή ΗΜΜΥ
LOCATION:
DESCRIPTION:https://www.ece.tuc.gr/el/katalogos-
 ekdiloseon?tx_tucevents2_tuceventsdi
 splay%5Baction%5D=show&tx_tucevents2
 _tuceventsdisplay%5Bcontroller%5D=Ev
 ent&tx_tucevents2_tuceventsdisplay%5
 Bevent%5D=8338&cHash=d5a2895085bc4fe
 f371f5eb2689f5cb4\nΠΟΛΥΤΕΧΝΕΙΟ ΚΡΗΤΗ
 Σ\n Σχολή Ηλεκτρολόγων Μηχανικών και
  Μηχανικών Υπολογιστών\n Πρόγραμμα Π
 ροπτυχιακών Σπουδών\n ΠΑΡΟΥΣΙΑΣΗ ΔΙΠ
 ΛΩΜΑΤΙΚΗΣ ΕΡΓΑΣΙΑΣ\n Φωτίου Κατσάρη\
 n με θέμα\n Πρόβλεψη Φορτίου Συστήμα
 τος Ηλεκτρικής Ενέργειας με χρήση Τε
 χνητής Νοημοσύνης\n Electric Power S
 ystem Load Forecast using Artificial
  Intelligence\n Εξεταστική Επιτροπή\
 n Καθηγητής Γεώργιος Χαλκιαδάκης (Επ
 ιβλέπων)\n Επίκουρος Καθηγητής Γεώργ
 ιος Πέππας\n Καθηγητής Φώτιος Κανέλλ
 ος (Πολυτεχνείο Κρήτης, Σχολή ΜΠΔ) \
 n Περίληψη\n Η παρούσα διπλωματική ε
 ργασία πραγματεύεται την πρόβλεψη το
 υ ηλεκτρικού φορτίου σε ένα Σύστημα 
 Ηλεκτρικής Ενέργειας με τη χρήση μεθ
 όδων Τεχνητής Νοημοσύνης. Αρχικά, πα
 ρουσιάζεται η δομή και η λειτουργία 
 του συστήματος ηλεκτρικής ενέργειας,
  καθώς και η σημασία της αξιόπιστης 
 πρόβλεψης φορτίου για τον σχεδιασμό,
  τη λειτουργία και την ασφάλεια του 
 συστήματος. Στη συνέχεια, αναλύονται
  οι βασικές κατηγορίες μεθόδων πρόβλ
 εψης φορτίου, με έμφαση στις μεθόδου
 ς χρονοσειρών και σε άλλα κλασικά μα
 θηματικά μοντέλα.\n Ιδιαίτερη έμφαση
  δίνεται στην Τεχνητή Νοημοσύνη και 
 στις σύγχρονες εξελίξεις της, με ανα
 λυτική παρουσίαση των τεχνητών νευρω
 νικών δικτύων, της δομής, της λειτου
 ργίας και των πλεονεκτημάτων τους έν
 αντι των παραδοσιακών μεθόδων πρόβλε
 ψης. Παρουσιάζεται επίσης ο ρόλος τη
 ς Τεχνητής Νοημοσύνης στα σύγχρονα σ
 υστήματα ηλεκτρικής ενέργειας και ει
 δικότερα στη διαδικασία πρόβλεψης το
 υ ηλεκτρικού φορτίου.\n Στο πειραματ
 ικό μέρος της εργασίας χρησιμοποιούν
 ται δύο εφαρμογές του περιβάλλοντος 
 MATLAB, συγκεκριμένα τα εργαλεία Neu
 ral Network Fitting και Neural Netwo
 rk Time Series. Τα δεδομένα ηλεκτρικ
 ού φορτίου αντλήθηκαν από τον ιστότο
 πο του ΑΔΜΗΕ και αφορούν τα ημερήσια
  φορτία για το έτος 2024, ενώ χρησιμ
 οποιήθηκαν και αντίστοιχα μετεωρολογ
 ικά δεδομένα για την ίδια χρονική πε
 ρίοδο. Πραγματοποιείται ημερήσια πρό
 βλεψη φορτίου εξετάζοντας δύο διαφορ
 ετικές περιπτώσεις, καθώς και διαφορ
 ετικό αριθμό νευρώνων στο κρυφό στρώ
 μα των νευρωνικών δικτύων, με στόχο 
 τη σύγκριση της ακρίβειας και της απ
 όδοσης των μοντέλων. Τα αποτελέσματα
  αναλύονται και αξιολογούνται, αναδε
 ικνύοντας την αποτελεσματικότητα των
  τεχνητών νευρωνικών δικτύων στην πρ
 όβλεψη ηλεκτρικού φορτίου.\n Abstrac
 t \n This diploma thesis focuses on 
 electric power system load forecasti
 ng using Artificial Intelligence tec
 hniques. Initially, the structure an
 d operation of the electric power sy
 stem are presented, highlighting the
  importance of accurate load forecas
 ting for system planning, operation,
  and reliability. Subsequently, the 
 main categories of load forecasting 
 methods are analyzed, with emphasis 
 on time series approaches and other 
 classical mathematical models.\n Spe
 cial attention is given to Artificia
 l Intelligence and its modern develo
 pments, with a detailed analysis of 
 Artificial Neural Networks, includin
 g their structure, operation, and ad
 vantages compared to traditional for
 ecasting methods. The role of Artifi
 cial Intelligence in modern power sy
 stems and specifically in load forec
 asting applications is also discusse
 d.\n In the experimental part of the
  thesis, two MATLAB applications are
  employed, namely Neural Network Fit
 ting and Neural Network Time Series.
  The electric load data were obtaine
 d from the official website of the I
 ndependent Power Transmission Operat
 or (IPTO – ADMIE) and correspond to 
 daily load values for the year 2024,
  while relevant meteorological data 
 for the same period were also incorp
 orated. Daily load forecasting is pe
 rformed by examining two different s
 cenarios and varying the number of n
 eurons in the hidden layer of the ne
 ural networks, aiming to evaluate an
 d compare the performance and accura
 cy of the developed models. The resu
 lts are analyzed and assessed, demon
 strating the effectiveness of artifi
 cial neural networks in electric loa
 d forecasting.\n
STATUS:CONFIRMED
ORGANIZER;RSVP=FALSE;CN=TUC;CUTYPE=TUC:mailto:webmaster@tuc.gr
DTSTART:20260317T113000
DTEND:20260317T123000
TRANSP:OPAQUE
CLASS:DEFAULT
END:VEVENT
END:VCALENDAR