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:20261118T042815Z
UID:1794968895@tuc.gr
SUMMARY:Παρουσίαση Διπλωματικής Εργασίας κ. 
 Φωτίου Κατσάρη - 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=8338&cHash=26
 d7b015ebfba60d59fa85ef5ae76365\nΠΟΛΥ
 ΤΕΧΝΕΙΟ ΚΡΗΤΗΣ\n Σχολή Ηλεκτρολόγων 
 Μηχανικών και Μηχανικών Υπολογιστών\
 n Πρόγραμμα Προπτυχιακών Σπουδών\n Π
 ΑΡΟΥΣΙΑΣΗ ΔΙΠΛΩΜΑΤΙΚΗΣ ΕΡΓΑΣΙΑΣ\n Φω
 τίου Κατσάρη\n με θέμα\n Πρόβλεψη Φο
 ρτίου Συστήματος Ηλεκτρικής Ενέργεια
 ς με χρήση Τεχνητής Νοημοσύνης\n Ele
 ctric Power System Load Forecast usi
 ng Artificial Intelligence\n Εξεταστ
 ική Επιτροπή\n Καθηγητής Γεώργιος Χα
 λκιαδάκης (Επιβλέπων)\n Επίκουρος Κα
 θηγητής Γεώργιος Πέππας\n Καθηγητής 
 Φώτιος Κανέλλος (Πολυτεχνείο Κρήτης,
  Σχολή ΜΠΔ) \n Περίληψη\n Η παρούσα 
 διπλωματική εργασία πραγματεύεται τη
 ν πρόβλεψη του ηλεκτρικού φορτίου σε
  ένα Σύστημα Ηλεκτρικής Ενέργειας με
  τη χρήση μεθόδων Τεχνητής Νοημοσύνη
 ς. Αρχικά, παρουσιάζεται η δομή και 
 η λειτουργία του συστήματος ηλεκτρικ
 ής ενέργειας, καθώς και η σημασία τη
 ς αξιόπιστης πρόβλεψης φορτίου για τ
 ον σχεδιασμό, τη λειτουργία και την 
 ασφάλεια του συστήματος. Στη συνέχει
 α, αναλύονται οι βασικές κατηγορίες 
 μεθόδων πρόβλεψης φορτίου, με έμφαση
  στις μεθόδους χρονοσειρών και σε άλ
 λα κλασικά μαθηματικά μοντέλα.\n Ιδι
 αίτερη έμφαση δίνεται στην Τεχνητή Ν
 οημοσύνη και στις σύγχρονες εξελίξει
 ς της, με αναλυτική παρουσίαση των τ
 εχνητών νευρωνικών δικτύων, της δομή
 ς, της λειτουργίας και των πλεονεκτη
 μάτων τους έναντι των παραδοσιακών μ
 εθόδων πρόβλεψης. Παρουσιάζεται επίσ
 ης ο ρόλος της Τεχνητής Νοημοσύνης σ
 τα σύγχρονα συστήματα ηλεκτρικής ενέ
 ργειας και ειδικότερα στη διαδικασία
  πρόβλεψης του ηλεκτρικού φορτίου.\n
  Στο πειραματικό μέρος της εργασίας 
 χρησιμοποιούνται δύο εφαρμογές του π
 εριβάλλοντος MATLAB, συγκεκριμένα τα
  εργαλεία Neural Network Fitting και
  Neural Network Time Series. Τα δεδο
 μένα ηλεκτρικού φορτίου αντλήθηκαν α
 πό τον ιστότοπο του ΑΔΜΗΕ και αφορού
 ν τα ημερήσια φορτία για το έτος 202
 4, ενώ χρησιμοποιήθηκαν και αντίστοι
 χα μετεωρολογικά δεδομένα για την ίδ
 ια χρονική περίοδο. Πραγματοποιείται
  ημερήσια πρόβλεψη φορτίου εξετάζοντ
 ας δύο διαφορετικές περιπτώσεις, καθ
 ώς και διαφορετικό αριθμό νευρώνων σ
 το κρυφό στρώμα των νευρωνικών δικτύ
 ων, με στόχο τη σύγκριση της ακρίβει
 ας και της απόδοσης των μοντέλων. Τα
  αποτελέσματα αναλύονται και αξιολογ
 ούνται, αναδεικνύοντας την αποτελεσμ
 ατικότητα των τεχνητών νευρωνικών δι
 κτύων στην πρόβλεψη ηλεκτρικού φορτί
 ου.\n Abstract \n This diploma thesi
 s focuses on electric power system l
 oad forecasting using Artificial Int
 elligence techniques. Initially, the
  structure and operation of the elec
 tric power system are presented, hig
 hlighting the importance of accurate
  load forecasting for system plannin
 g, operation, and reliability. Subse
 quently, the main categories of load
  forecasting methods are analyzed, w
 ith emphasis on time series approach
 es and other classical mathematical 
 models.\n Special attention is given
  to Artificial Intelligence and its 
 modern developments, with a detailed
  analysis of Artificial Neural Netwo
 rks, including their structure, oper
 ation, and advantages compared to tr
 aditional forecasting methods. The r
 ole of Artificial Intelligence in mo
 dern power systems and specifically 
 in load forecasting applications is 
 also discussed.\n In the experimenta
 l part of the thesis, two MATLAB app
 lications are employed, namely Neura
 l Network Fitting and Neural Network
  Time Series. The electric load data
  were obtained from the official web
 site of the Independent Power Transm
 ission Operator (IPTO – ADMIE) and c
 orrespond to daily load values for t
 he year 2024, while relevant meteoro
 logical data for the same period wer
 e also incorporated. Daily load fore
 casting is performed by examining tw
 o different scenarios and varying th
 e number of neurons in the hidden la
 yer of the neural networks, aiming t
 o evaluate and compare the performan
 ce and accuracy of the developed mod
 els. The results are analyzed and as
 sessed, demonstrating the effectiven
 ess of artificial neural networks in
  electric load 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