Συντάχθηκε 02-03-2026 10:32
Τόπος:
Σύνδεσμος τηλεδιάσκεψης
Έναρξη: 17/03/2026 11:30
Λήξη: 17/03/2026 12:30
ΠΟΛΥΤΕΧΝΕΙΟ ΚΡΗΤΗΣ
Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών
Πρόγραμμα Προπτυχιακών Σπουδών
ΠΑΡΟΥΣΙΑΣΗ ΔΙΠΛΩΜΑΤΙΚΗΣ ΕΡΓΑΣΙΑΣ
Φωτίου Κατσάρη
με θέμα
Πρόβλεψη Φορτίου Συστήματος Ηλεκτρικής Ενέργειας με χρήση Τεχνητής Νοημοσύνης
Electric Power System Load Forecast using Artificial Intelligence
Εξεταστική Επιτροπή
Καθηγητής Γεώργιος Χαλκιαδάκης (Επιβλέπων)
Επίκουρος Καθηγητής Γεώργιος Πέππας
Καθηγητής Φώτιος Κανέλλος (Πολυτεχνείο Κρήτης, Σχολή ΜΠΔ)
Περίληψη
Η παρούσα διπλωματική εργασία πραγματεύεται την πρόβλεψη του ηλεκτρικού φορτίου σε ένα Σύστημα Ηλεκτρικής Ενέργειας με τη χρήση μεθόδων Τεχνητής Νοημοσύνης. Αρχικά, παρουσιάζεται 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 πρόβλεψης φορτίου, με έμφαση στις μεθόδους χρονοσειρών και σε άλλα κλασικά μαθηματικά μοντέλα.
Ιδιαίτερη έμφαση δίνεται στην Τεχνητή Νοημοσύνη και στις σύγχρονες εξελίξεις της, με αναλυτική παρουσίαση των τεχνητών νευρωνικών δικτύων, της δομής, της λειτουργίας και των πλεονεκτημάτων τους έναντι των παραδοσιακών μεθόδων πρόβλεψης. Παρουσιάζεται επίσης ο ρόλος της Τεχνητής Νοημοσύνης στα σύγχρονα συστήματα ηλεκτρικής ενέργειας και ειδικότερα στη διαδικασία πρόβλεψης του ηλεκτρικού φορτίου.
Στο πειραματικό μέρος της εργασίας χρησιμοποιούνται δύο εφαρμογές του περιβάλλοντος MATLAB, συγκεκριμένα τα εργαλεία Neural Network Fitting και Neural Network Time Series. Τα δεδομένα ηλεκτρικού φορτίου αντλήθηκαν από τον ιστότοπο του ΑΔΜΗΕ και αφορούν τα ημερήσια φορτία για το έτος 2024, ενώ χρησιμοποιήθηκαν και αντίστοιχα μετεωρολογικά δεδομένα για την ίδια χρονική περίοδο. Πραγματοποιείται ημερήσια πρόβλεψη φορτίου εξετάζοντας δύο διαφορετικές περιπτώσεις, καθώς και διαφορετικό αριθμό νευρώνων στο κρυφό στρώμα των νευρωνικών δικτύων, με στόχο τη σύγκριση της ακρίβειας και της απόδοσης των μοντέλων. Τα αποτελέσματα αναλύονται και αξιολογούνται, αναδεικνύοντας την αποτελεσματικότητα των τεχνητών νευρωνικών δικτύων στην πρόβλεψη ηλεκτρικού φορτίου.
Abstract
This diploma thesis focuses on electric power system load forecasting using Artificial Intelligence techniques. Initially, the structure and operation of the electric power system are presented, highlighting the importance of accurate load forecasting 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.
Special attention is given to Artificial Intelligence and its modern developments, with a detailed analysis of Artificial Neural Networks, including their structure, operation, and advantages compared to traditional forecasting methods. The role of Artificial Intelligence in modern power systems and specifically in load forecasting applications is also discussed.
In the experimental part of the thesis, two MATLAB applications are employed, namely Neural Network Fitting and Neural Network Time Series. The electric load data were obtained from the official website of the Independent Power Transmission Operator (IPTO – ADMIE) and correspond to daily load values for the year 2024, while relevant meteorological data for the same period were also incorporated. Daily load forecasting is performed by examining two different scenarios and varying the number of neurons in the hidden layer of the neural networks, aiming to evaluate and compare the performance and accuracy of the developed models. The results are analyzed and assessed, demonstrating the effectiveness of artificial neural networks in electric load forecasting.
