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:20240723T145720Z
LAST-MODIFIED:20240723T145720Z
DTSTAMP:20260411T233556Z
UID:1775939756@tuc.gr
SUMMARY:Παρουσίαση Διδακτορικής Διατριβής κ.
  Κωνσταντίνου Μπλαζάκη - Σχολή ΗΜΜΥ
LOCATION:
DESCRIPTION:https://www.tuc.gr/el/to-polytechnei
 o/ilektronikes-ypiresies/imerologio/
 imerologio-ekdiloseon-1?tx_tucevents
 2_tuceventsdisplay%5Baction%5D=show&
 tx_tucevents2_tuceventsdisplay%5Bcon
 troller%5D=Event&tx_tucevents2_tucev
 entsdisplay%5Bevent%5D=7150&cHash=5b
 ec30ea842de527cc06cd851f726f65\nΠΟΛΥ
 ΤΕΧΝΕΙΟ ΚΡΗΤΗΣ\n Σχολή Ηλεκτρολόγων 
 Μηχανικών και Μηχανικών Υπολογιστών\
 n Πρόγραμμα Διδακτορικών Σπουδών\n Π
 ΑΡΟΥΣΙΑΣΗ ΔΙΔΑΚΤΟΡΙΚΗΣ ΔΙΑΤΡΙΒΗΣ\n Κ
 ωνσταντίνου Μπλαζάκη\n με θέμα\n Ανά
 πτυξη και Εφαρμογή Εξελιγμένων Μεθόδ
 ων Τεχνητής Νοημοσύνης στην Ανίχνευσ
 η Ρευματοκλοπής σε Έξυπνα Δίκτυα Δια
 νομής Ηλεκτρικής Ενέργειας με Ισχυρή
  Διείσδυση ΑΠΕ\n Development and App
 lication of Advanced Artificial Inte
 lligence Methods in the Detection of
  Power Theft in Smart Electric Power
  Distribution Networks with Strong R
 enewable Energy Penetration\n Εξετασ
 τική Επιτροπή\n Καθηγητής Γεώργιος Σ
 ταυρακάκης, ΠΚ, Σχολή ΗΜΜΥ, (επιβλέπ
 ων)\n Ομότιμος Καθηγητής Κωνσταντίνο
 ς Καλαϊτζάκης, ΠΚ, Σχολή ΗΜΜΥ\n Καθη
 γητής Παύλος Γεωργιλάκης, ΕΜΠ, Σχολή
  ΗΜΜΥ\n Καθηγητής Μιχαήλ Ζερβάκης, Π
 Κ, Σχολή ΗΜΜΥ\n Καθηγητής Ευτύχιος Κ
 ουτρούλης, ΠΚ, Σχολή ΗΜΜΥ\n Αναπληρω
 τής Καθηγητής Φώτιος Κανέλλος, ΠΚ, Σ
 χολή ΗΜΜΥ\n Καθηγητής Νικόλαος Αβούρ
 ης, Πανεπιστήμιο Πατρών, Πολυτεχνική
  Σχολή, Τμήμα ΗΜ&amp;ΤΥ\n Περίληψη\n
  Οι μη τεχνικές απώλειες, οι οποίες 
 περιλαμβάνουν ενδεικτικά, κλοπή ηλεκ
 τρικής ενέργειας, σπασμένους ή δυσλε
 ιτουργικούς μετρητές και σκόπιμα διε
 υθετημένες παραπλανητικές ενδείξεις 
 μετρητών, απειλούν σοβαρά τα σύγχρον
 α συστήματα ηλεκτρικής ενέργειας, τα
  οποία αποτελούν βασικά στοιχεία υπο
 δομών και οικονομικής ανάπτυξης παγκ
 όσμια. Οι μη τεχνικές απώλειες αποτε
 λούν σημαντικό ποσοστό στις αναδυόμε
 νες οικονομικά χώρες, καθώς μπορούν 
 να φτάσουν να αντιπροσωπεύουν έως κα
 ι το 40% του συνόλου της ηλεκτρικής 
 ενέργειας που διανέμεται στους καταν
 αλωτές. Υπολογίζεται ότι οι μη τεχνι
 κές απώλειες προκαλούν ετήσιες παγκό
 σμιες δαπάνες κοινής ωφελείας περίπο
 υ 100 δισεκατομμυρίων δολαρίων ΗΠΑ. 
 Κατά συνέπεια, είναι επιτακτική η αν
 άγκη οι επιχειρήσεις κοινής ωφελείας
  και οι αρχές να μειώσουν τις μη τεχ
 νικές απώλειες προκειμένου να ενισχύ
 σουν το εισόδημα, τα κέρδη και την α
 ξιοπιστία του δικτύου ηλεκτρικής ενέ
 ργειας.\n Η κλοπή ηλεκτρικής ενέργει
 ας είναι ένα ευρέως διαδεδομένο πρόβ
 λημα διεθνώς, με σημαντικές αρνητικέ
 ς κοινωνικές και χρηματοοικονομικές 
 επιπτώσεις. Αυτή η παράνομη πρακτική
  έχει σοβαρές συνέπειες τόσο για τις
  επιχειρήσεις κοινής ωφέλειας όσο κα
 ι για την κοινωνία συνολικά.\n Τα οφ
 έλη της έγκαιρης ανίχνευσης/εντοπισμ
 ού κλοπής ηλεκτρικής ενέργειας περιλ
 αμβάνουν μειωμένες οικονομικές απώλε
 ιες για τις εταιρείες κοινής ωφέλεια
 ς παραγωγής και διανομής ηλεκτρικής 
 ενέργειας, δικαιότερη τιμολόγηση ηλε
 κτρικής ενέργειας για τους συνεπείς 
 καταναλωτές και βελτιωμένη αξιοπιστί
 α του δικτύου διανομής ηλεκτρικής εν
 έργειας. Επιπλέον, μπορεί να συμβάλε
 ι στη μείωση των περιβαλλοντικών επι
 πτώσεων, που συνδέονται με την παράν
 ομη κατανάλωση ενέργειας, δεδομένου 
 ότι η ρευματοκλοπή προκαλεί ανάγκη α
 υξημένης ηλεκτροπαραγωγής.\n Στόχος 
 αυτής της διδακτορικής διατριβής είν
 αι η πρόταση καινοτόμων υπολογιστικώ
 ν μεθόδων και λύσεων για την μείωση 
 των μη τεχνικών απωλειών στα σύγχρον
 α δίκτυα διανομής ηλεκτρικής ενέργει
 ας δημιουργώντας καινοτόμες έννοιες,
  μεθόδους και αλγόριθμους βασισμένου
 ς στην τεχνητή νοημοσύνη και στη μηχ
 ανική μάθηση,  για τον έγκαιρο εντοπ
 ισμό κλοπής ηλεκτρικής ενέργειας, χρ
 ησιμοποιώντας δεδομένα από έξυπνους 
 μετρητές. Επιπλέον, εξετάζεται η σημ
 ασία της πρόβλεψης παραγωγής ηλεκτρι
 κής ενέργειας από ανανεώσιμες πηγές 
 ενέργειας (ΑΠΕ), η οποία παίζει καθο
 ριστικό ρόλο στην αντιμετώπιση της κ
 λοπής ενέργειας στα σύγχρονα συστήμα
 τα διανομής ηλεκτρικής ενέργειας, όπ
 ου καταναλωτές είναι ταυτόχρονα και 
 παραγωγοί ηλεκτρικής ενέργειας.\n Πα
 ρουσιάζεται μια εκτενής ανάλυση ευφυ
 ών τεχνικών ανίχνευσης μη τεχνικών α
 πωλειών, ταξινομώντας τις μεθόδους γ
 ια τον εντοπισμό κλοπής ηλεκτρικής ε
 νέργειας με βάση τους διαφορετικούς 
 τύπους αλγορίθμων που χρησιμοποιούντ
 αι. Επιπλέον, προκειμένου να κατανοη
 θούν τα διάφορα προβλήματα στον εντο
 πισμό ρευματοκλοπής σε σχέση με τα ε
 ν γένει συστήματα ανίχνευσης μη τεχν
 ικών απωλειών, πραγματοποιείται ανάλ
 υση παραμέτρων, η οποία συμπεριλαμβά
 νει απαιτήσεις εμπεριστατωμένων βάσε
 ων δεδομένων καταναλωτών ηλεκτρικής 
 ενέργειας, εξαγόμενων χαρακτηριστικώ
 ν περιπτώσεων ρευματοκλοπής, ταξινόμ
 ησης, μετρήσεων απόδοσης εντοπισμού,
  χρόνου απόκρισης κ.λπ. Τα περισσότε
 ρα συστήματα ανίχνευσης μη τεχνικών 
 απωλειών ως κύριο μέσο χρησιμοποιούν
  τεχνολογίες ανάλυσης δεδομένων, τεχ
 νητής νοημοσύνης και μηχανικής μάθησ
 ης. \n Το κύριο μέρος αυτής της διατ
 ριβής αφιερώνεται στην ανάλυση των κ
 αινοτόμων τεχνικών που προτείνονται 
 με βάση τα ανωτέρω, στον προγραμματι
 σμό τους, στην ανάπτυξη πρωτότυπου κ
 ώδικα και στην αξιολόγησή τους με πρ
 αγματικά δεδομένα από διαχειριστές δ
 ικτύων διανομής  ηλεκτρικής ενέργεια
 ς, καθώς και στην επίλυση των θεμάτω
 ν που προκύπτουν κατά την ανάπτυξη κ
 αι την εφαρμογή τους στην πράξη.\n A
 bstract\n Modern power systems, part
 icularly distribution networks, are 
 currently dealing with a number of c
 hallenging issues brought on by adva
 ncements in technology and variation
 s in consumer demands. Nevertheless,
  as power grid components become mor
 e interconnected, so does their susc
 eptibility to fraud, cyberattacks, a
 nd software bugs.\n Non-technical lo
 sses (NTLs), which include indicativ
 e electricity theft, broken or malfu
 nctioning meters, and intentionally 
 arranged misleading meter readings, 
 pose a threat to modern power system
 s, which are essential infrastructur
 al assets. NTLs are a major concern 
 in emerging nations, as they can acc
 ount for as much as 40% of all elect
 ricity distributed. It is anticipate
 d that NTLs cause yearly global util
 ity expenses of about 100 billion US
 D. It is consequently imperative for
  utilities and authorities to reduce
  NTLs in order to boost income, prof
 it, and grid reliability.\n Electric
 ity theft is a widespread problem wi
 th significant negative economic, so
 cial, and financial impacts. This il
 legal practice can have serious cons
 equences for both utilities and soci
 ety as a whole.\n Benefits of power 
 theft detection include reduced fina
 ncial losses for utility companies, 
 fairer electricity pricing for consu
 mers, and enhanced grid reliability.
  Additionally, it can help reduce th
 e environmental impact of illegal po
 wer consumption.\n The goal of this 
 PhD thesis is to propose solutions i
 n modern distribution networks by cr
 eating innovative concepts and algor
 ithms for identifying power theft us
 ing smart meter data. Moreover, this
  thesis examines the crucial role of
  power output forecasting for renewa
 ble energy sources (RES) in addressi
 ng power theft in modern electricity
  distribution systems.\n An extensiv
 e analysis of NTLs detection techniq
 ues is presented, classifying techni
 ques for detecting electricity theft
  based on the different types of alg
 orithms employed. Additionally, in o
 rder to comprehend the various probl
 ems with NTLs detection systems, ana
 lysis of parameters is carried out, 
 including data requirements, extract
 ed features, performance metrics, re
 sponse time, etc. Most NTLs detectio
 n systems make use of data analytics
  and machine learning technologies a
 s their main operation algorithms. T
 his thesis primarily analyzes the pr
 oposed innovative techniques and the
  issues that arise during their deve
 lopment and application.\n Meeting I
 D: 934 400 1013\n Password: 123456\n
STATUS:CONFIRMED
ORGANIZER;RSVP=FALSE;CN=TUC;CUTYPE=TUC:mailto:webmaster@tuc.gr
DTSTART:20240731T100000
DTEND:20240731T130000
TRANSP:OPAQUE
CLASS:DEFAULT
END:VEVENT
END:VCALENDAR