Συντάχθηκε 03-03-2026 10:57
Τόπος: Δ5 - Κτίριο ΜΠΔ
Έναρξη: 11/03/2026 12:00
Λήξη: 11/03/2026 13:00
ΠΟΛΥΤΕΧΝΕΙΟ ΚΡΗΤΗΣ
Σχολή Μηχανικών Παραγωγής και Διοίκησης
Πρόγραμμα Προπτυχιακών Σπουδών
ΠΑΡΟΥΣΙΑΣΗ ΔΙΠΛΩΜΑΤΙΚΗΣ ΕΡΓΑΣΙΑΣ
Ημερομηνία: Τετάρτη, 11 Μαρτίου 2026, 12:00
Αίθουσα: Δ5 Eργαστήριο Επιστημονικών Δεδομένων
Ονοματεπώνυμο: ΣΚΛΑΠΑΝΗΣ ΠΑΝΑΓΙΩΤΗΣ
Θέμα: ΠΡΟΒΛΕΨΗ ΠΡΑΣΙΝΗΣ ΕΝΕΡΓΕΙΑΣ (ΑΙΟΛΙΚΗΣ ΚΑΙ ΗΛΙΑΚΗΣ).
Title:
Εξεταστική Επιτροπή
- ΑΤΣΑΛΑΚΗΣ ΓΕΩΡΓΙΟΣ, Αναπληρωτής Καθηγητής (επιβλέπων)
- ΖΟΠΟΥΝΙΔΗΣ ΚΩΝΣΤΑΝΤΙΝΟΣ, Καθηγητής
- ΤΣΑΦΑΡΑΚΗΣ ΣΤΕΛΙΟΣ, Αναπληρωτής Καθηγητής
Περίληψη
Στην συγκεκριμένη διπλωματική εργασία έχουμε ως στόχο την πρόβλεψη της πράσινης ενέργειας, και συγκεκριμένα στην αιολική και ηλιακή μορφή της, με την εφαρμογή ενός προσαρμοστικού νεύρo-ασαφούς συστήματος (Adaptive Neuro-Fuzzy System - ANFIS). Με την ενεργειακή κρίση και τα αποθέματα των μη ανανεώσιμων πηγών ενέργειας στις μέρες μας να μειώνετε, τα κράτη και οι εταιρείες στρέφονται ολοένα και περισσότερο σε πράσινες μορφές ενέργειας για την παραγωγή κυρίως ηλεκτρικής ενέργειας ,με βασικές την αιολική , την ηλιακή, την υδραυλική, την βιομάζα και την γεωθερμική. Σύμφωνα με τον διεθνή οργανισμό ενέργειας (International Energy Agency (IEA) ), τα τελευταία χρονιά αυξάνονται με μεγάλους ρυθμούς οι επενδύσεις σε τεχνολογίες πράσινης ενέργειας έχοντας ξεπεράσει κατά πολύ τις επενδύσεις σε τεχνολογίες για ορυκτά καύσιμα. Επιλέγω το σύστημα ANFIS από μία πληθώρα μεθόδων πρόβλεψης, για τις δυνατότητες που παρέχει ο συνδυασμός ασαφούς λογικής και τεχνητών νευρωνικών δικτύων που δομούν κάθε αλγόριθμο ANFIS. Τέλος θα γίνει σύγκριση του αποτελέσματος που θα βρεθεί με τις παραδοσιακές μεθόδους πρόβλεψης Αυτοπαλινδρόμησης–(Autoregressive model) και Αυτοπαλινδρόμησης κινούμενου μέσου όρου (Auto Regression Moving Average).
Abstract
This diploma thesis aims to predict green energy specifically in its wind and solar forms using an Adaptive Neuro-Fuzzy Inference System (ANFIS). Amidst the current energy crisis and the depletion of non-renewable energy sources, governments and companies are increasingly turning to green energy sources for electricity production. The primary forms of green energy include wind, solar, hydro, biomass, and geothermal energy. According to the International Energy Agency (IEA), investments in green energy technologies have been growing rapidly in recent years, significantly surpassing investments in fossil fuel technologies. The ANFIS system was selected from a wide range of forecasting methods due to the capabilities it offers by combining fuzzy logic and artificial neural networks, which form the foundation of every ANFIS algorithm. The results obtained through ANFIS will be compared to those derived from traditional forecasting methods, such as Autoregressive model (AR) and Auto Regression Moving Average (ARMA), to evaluate and compare the outcomes.
