{"id":{"repo_id":"athens","oai_identifier":"oai:lib.uoa.gr:uoadl:2940491"},"canonical_url":"https://search.ndltd.org/etd/athens/oai:lib.uoa.gr:uoadl:2940491","repository":{"repo_id":"athens","name":"National and Kapodistrian University of Athens","base_url":"https://pergamos.lib.uoa.gr/uoa/dl/frontend/oaipmh"},"display":{"title":"ΜΕΘΟΔΟΙ ΠΡΟΒΛΕΨΗΣ ΓΙΑ ΖΗΤΗΣΗ ΗΛΕΚΤΡΙΚΟΥ ΦΟΡΤΙΟΥ ΚΑΙ ΕΝΕΡΓΕΙΑΣ","abstract":"Τα κύρια χαρακτηριστικά της ενέργειας πρέπει να είναι η βιωσιμότητα, η αξιοπιστία και η αποτελεσματικότητά της. Στη σύγχρονη κοινωνία, η ενεργειακή παραγωγή αποτελεί πρωταρχικό μέλημα για κάθε κράτος, καθώς πλέον η ηλεκτρική ενέργεια είναι ένας κρίσιμος παράγοντας στην εύρυθμη λειτουργία της οικονομίας. Τις τελευταίες δεκαετίες, η κατανάλωση ηλεκτρικής ενέργειας έχει αυξηθεί κατά τρόπο ραγδαίο, μια αύξηση που συμβαδίζει με τη γενικότερη βελτίωση του βιοτικού επιπέδου. Εξ αιτίας του γεγονότος ότι η ηλεκτρική ενέργεια δεν είναι εύκολα αποθηκεύσιμη, ιδανικά πρέπει να καταναλώνεται την ίδια στιγμή που παράγεται. Γι’ αυτόν το λόγο, η συνολική ζήτηση των καταναλωτών είναι αυτή που υπαγορεύει τον αριθμό των μονάδων παραγωγής που πρέπει να βρίσκονται σε λειτουργία κάθε στιγμή. Αναγκαίος για τις συμβατικές, μεγάλες μονάδες παραγωγής κρίνεται και ο προγραμματισμός, εξαιτίας των πολλαπλών λειτουργικών και τεχνικών τους δυσκολιών. Πολλοί από τους άνωθι περιορισμούς καταργούνται μέσω της σωστής πρόβλεψης της ζήτησης του φορτίου, καθιστώντας έτσι εφικτή και οικονομική τη λειτουργία του συστήματος παραγωγής της ηλεκτρικής ενέργειας. Αντικείμενο αυτής της εργασίας είναι η καταγραφή, με βάση τη σύγχρονη διεθνή βιβλιογραφία, των διαφόρων μεθόδων οι οποίες χρησιμοποιούνται στην πρόβλεψη της ζήτησης φορτίου και ενέργειας. Θα πραγματοποιηθεί, μια καταγραφή των διαφόρων μεθόδων και η ανάλυση των χαρακτηριστικών και της αξιοπιστίας τους. Τα αποτελέσματά της παρούσας μελέτης θα είναι χρήσιμα, ώστε να είναι δυνατή η κατάλληλη επιλογή του βέλτιστου μοντέλου πρόβλεψης ανάλογα με τα χαρακτηριστικά του δικτύου και τον χρονικό ορίζοντα της πρόβλεψης. Στο Κεφάλαιο 1, γίνεται αναφορά στα διαφορετικά, με βάση τον χρονικό ορίζοντα, μοντέλα πρόβλεψης για τη ζήτηση φορτίου (βραχυπρόθεσμη πρόβλεψη, μεσοπρόθεσμη πρόβλεψη, μακροπρόθεσμη πρόβλεψη). Παρουσιάζονται, λοιπόν, συγκεντρωτικά όλες οι μέθοδοι πρόβλεψης φορτίου που αναφέρονται σε διεθνείς μελέτες και κατηγοριοποιούνται σε βραχυπρόθεσμες, μεσοπρόθεσμες και μακροπρόθεσμες μεθόδους πρόβλεψης φορτίου και ενέργειας. Στη συνέχεια, παρουσιάζονται τα αποτελέσματα της βιβλιογραφικής ανασκόπησης που πραγματοποιήθηκε σε θέματα σχετικά με την πρόβλεψη φορτίου και ενέργειας. Τέλος, αναλύονται οι παράγοντες που επηρεάζουν τη ζήτηση φορτίου. Στο Κεφάλαιο 2, γίνεται ταξινόμηση των μεθόδων πρόβλεψης για τη ζήτηση φορτίου σε: α) στατιστικές μεθόδους, β) μεθόδους τεχνητής νοημοσύνης και γ) υβριδικές μεθόδους. Οι πρώτες περιγράφονται στο Κεφάλαιο 2, ενώ οι μέθοδοι τεχνητής νοημοσύνης και οι υβριδικές μέθοδοι περιγράφονται στο Κεφάλαιο 3. Η κάθε μέθοδος αναλύεται ξεχωριστά και συνοδεύεται από ένα σύντομο ενδεικτικό παράδειγμα της εφαρμογής της. Στο Κεφάλαιο 4 παρουσιάζονται κάποια ενδεικτικά παραδείγματα εφαρμογών για πρόβλεψη φορτίου και ενέργειας από την παγκόσμια βιβλιογραφία. Τέλος, γίνεται αναφορά σε αποτελέσματα που προκύπτουν με βάση μοντέλο που αναπτύχθηκε για την πρόβλεψη παραγωγής αιολικής ενέργειας στην Ελλάδα, με την εφαρμογή τεχνητών νευρωνικών δικτύων. Είναι αξιοσημείωτο το γεγονός ότι το 2018 η αιολική ενέργεια ήταν η μεγαλύτερη πηγή ηλεκτρικής ενέργειας από ανανεώσιμες πηγές στην ΕΕ.","abstract_html":"Τα κύρια χαρακτηριστικά της ενέργειας πρέπει να είναι η βιωσιμότητα, η αξιοπιστία και η αποτελεσματικότητά της. Στη σύγχρονη κοινωνία, η ενεργειακή παραγωγή αποτελεί πρωταρχικό μέλημα για κάθε κράτος, καθώς πλέον η ηλεκτρική ενέργεια είναι ένας κρίσιμος παράγοντας στην εύρυθμη λειτουργία της οικονομίας. Τις τελευταίες δεκαετίες, η κατανάλωση ηλεκτρικής ενέργειας έχει αυξηθεί κατά τρόπο ραγδαίο, μια αύξηση που συμβαδίζει με τη γενικότερη βελτίωση του βιοτικού επιπέδου. Εξ αιτίας του γεγονότος ότι η ηλεκτρική ενέργεια δεν είναι εύκολα αποθηκεύσιμη, ιδανικά πρέπει να καταναλώνεται την ίδια στιγμή που παράγεται. Γι’ αυτόν το λόγο, η συνολική ζήτηση των καταναλωτών είναι αυτή που υπαγορεύει τον αριθμό των μονάδων παραγωγής που πρέπει να βρίσκονται σε λειτουργία κάθε στιγμή. Αναγκαίος για τις συμβατικές, μεγάλες μονάδες παραγωγής κρίνεται και ο προγραμματισμός, εξαιτίας των πολλαπλών λειτουργικών και τεχνικών τους δυσκολιών. Πολλοί από τους άνωθι περιορισμούς καταργούνται μέσω της σωστής πρόβλεψης της ζήτησης του φορτίου, καθιστώντας έτσι εφικτή και οικονομική τη λειτουργία του συστήματος παραγωγής της ηλεκτρικής ενέργειας. Αντικείμενο αυτής της εργασίας είναι η καταγραφή, με βάση τη σύγχρονη διεθνή βιβλιογραφία, των διαφόρων μεθόδων οι οποίες χρησιμοποιούνται στην πρόβλεψη της ζήτησης φορτίου και ενέργειας. Θα πραγματοποιηθεί, μια καταγραφή των διαφόρων μεθόδων και η ανάλυση των χαρακτηριστικών και της αξιοπιστίας τους. Τα αποτελέσματά της παρούσας μελέτης θα είναι χρήσιμα, ώστε να είναι δυνατή η κατάλληλη επιλογή του βέλτιστου μοντέλου πρόβλεψης ανάλογα με τα χαρακτηριστικά του δικτύου και τον χρονικό ορίζοντα της πρόβλεψης. Στο Κεφάλαιο 1, γίνεται αναφορά στα διαφορετικά, με βάση τον χρονικό ορίζοντα, μοντέλα πρόβλεψης για τη ζήτηση φορτίου (βραχυπρόθεσμη πρόβλεψη, μεσοπρόθεσμη πρόβλεψη, μακροπρόθεσμη πρόβλεψη). Παρουσιάζονται, λοιπόν, συγκεντρωτικά όλες οι μέθοδοι πρόβλεψης φορτίου που αναφέρονται σε διεθνείς μελέτες και κατηγοριοποιούνται σε βραχυπρόθεσμες, μεσοπρόθεσμες και μακροπρόθεσμες μεθόδους πρόβλεψης φορτίου και ενέργειας. Στη συνέχεια, παρουσιάζονται τα αποτελέσματα της βιβλιογραφικής ανασκόπησης που πραγματοποιήθηκε σε θέματα σχετικά με την πρόβλεψη φορτίου και ενέργειας. Τέλος, αναλύονται οι παράγοντες που επηρεάζουν τη ζήτηση φορτίου. Στο Κεφάλαιο 2, γίνεται ταξινόμηση των μεθόδων πρόβλεψης για τη ζήτηση φορτίου σε: α) στατιστικές μεθόδους, β) μεθόδους τεχνητής νοημοσύνης και γ) υβριδικές μεθόδους. Οι πρώτες περιγράφονται στο Κεφάλαιο 2, ενώ οι μέθοδοι τεχνητής νοημοσύνης και οι υβριδικές μέθοδοι περιγράφονται στο Κεφάλαιο 3. Η κάθε μέθοδος αναλύεται ξεχωριστά και συνοδεύεται από ένα σύντομο ενδεικτικό παράδειγμα της εφαρμογής της. Στο Κεφάλαιο 4 παρουσιάζονται κάποια ενδεικτικά παραδείγματα εφαρμογών για πρόβλεψη φορτίου και ενέργειας από την παγκόσμια βιβλιογραφία. Τέλος, γίνεται αναφορά σε αποτελέσματα που προκύπτουν με βάση μοντέλο που αναπτύχθηκε για την πρόβλεψη παραγωγής αιολικής ενέργειας στην Ελλάδα, με την εφαρμογή τεχνητών νευρωνικών δικτύων. Είναι αξιοσημείωτο το γεγονός ότι το 2018 η αιολική ενέργεια ήταν η μεγαλύτερη πηγή ηλεκτρικής ενέργειας από ανανεώσιμες πηγές στην ΕΕ.","abstract_has_math":false,"creators":["Τράγκας Ιωάννης","Tragkas Ioannis"],"institution":null,"degree_name":null,"degree_level":null,"degree_discipline":null,"degree_department":null,"school":null,"contributors":[],"advisors":[],"committee_chairs":[],"committee_members":[],"year":2021,"date_issued":"2021","date_published":"2021","updated_at":"2026-11-19T05:42:29Z","subjects":["Ενέργεια","Energy"],"languages":["Ελληνικά","Greek","English"],"rights":[],"rights_urls":[],"identifier_entries":[{"key":"dc:identifier","label":"Identifier","values":["uoadl:2940491"],"render_values":[{"text":"uoadl:2940491","href":null,"code":true}]}],"person_identifier_entries":[]},"links":{"outbound_url":"https://pergamos.lib.uoa.gr/uoa/dl/object/2940491","outbound_label":"Repository record","outbound_source":"dc:identifier","record_url":"https://pergamos.lib.uoa.gr/uoa/dl/object/2940491","record_label":"Repository record","record_kind":"record","record_source":"dc:identifier","download_url":null,"download_label":null,"download_source":null,"access_status":null,"embargo_until":null,"access_note":null},"source_record":{"url":"https://pergamos.lib.uoa.gr/uoa/dl/frontend/oaipmh?verb=GetRecord&metadataPrefix=oai_dc&identifier=oai%3Alib.uoa.gr%3Auoadl%3A2940491","prefix":"oai_dc"},"metadata_groups":[{"id":"people","label":"People","entries":[{"key":"dc:creator","label":"Author","values":["Τράγκας Ιωάννης","Tragkas Ioannis"]}]},{"id":"academic_context","label":"Academic Context","entries":[{"key":"dc:date","label":"Dc Date","values":["2021"]},{"key":"dc:type","label":"Dc Type","values":["born_digital_postgraduate_thesis","Διπλωματική Εργασία","Postgraduate Thesis"]}]},{"id":"subjects_keywords","label":"Subjects and Keywords","entries":[{"key":"dc:subject","label":"Dc Subject","values":["Ενέργεια","Energy"]}]},{"id":"language_rights","label":"Language and Rights","entries":[{"key":"dc:language","label":"Dc Language","values":["Ελληνικά","Greek","English"]}]},{"id":"identifiers","label":"Identifiers","entries":[{"key":"dc:identifier","label":"Identifier","values":["uoadl:2940491","https://pergamos.lib.uoa.gr/uoa/dl/object/2940491"]}]},{"id":"additional","label":"Additional Metadata","entries":[{"key":"dc:description","label":"Description","values":["Τα κύρια χαρακτηριστικά της ενέργειας πρέπει να είναι η βιωσιμότητα, η αξιοπιστία και η αποτελεσματικότητά της. Στη σύγχρονη κοινωνία, η ενεργειακή παραγωγή αποτελεί πρωταρχικό μέλημα για κάθε κράτος, καθώς πλέον η ηλεκτρική ενέργεια είναι ένας κρίσιμος παράγοντας στην εύρυθμη λειτουργία της οικονομίας. Τις τελευταίες δεκαετίες, η κατανάλωση ηλεκτρικής ενέργειας έχει αυξηθεί κατά τρόπο ραγδαίο, μια αύξηση που συμβαδίζει με τη γενικότερη βελτίωση του βιοτικού επιπέδου. Εξ αιτίας του γεγονότος ότι η ηλεκτρική ενέργεια δεν είναι εύκολα αποθηκεύσιμη, ιδανικά πρέπει να καταναλώνεται την ίδια στιγμή που παράγεται. Γι’ αυτόν το λόγο, η συνολική ζήτηση των καταναλωτών είναι αυτή που υπαγορεύει τον αριθμό των μονάδων παραγωγής που πρέπει να βρίσκονται σε λειτουργία κάθε στιγμή. Αναγκαίος για τις συμβατικές, μεγάλες μονάδες παραγωγής κρίνεται και ο προγραμματισμός, εξαιτίας των πολλαπλών λειτουργικών και τεχνικών τους δυσκολιών. Πολλοί από τους άνωθι περιορισμούς καταργούνται μέσω της σωστής πρόβλεψης της ζήτησης του φορτίου, καθιστώντας έτσι εφικτή και οικονομική τη λειτουργία του συστήματος παραγωγής της ηλεκτρικής ενέργειας. Αντικείμενο αυτής της εργασίας είναι η καταγραφή, με βάση τη σύγχρονη διεθνή βιβλιογραφία, των διαφόρων μεθόδων οι οποίες χρησιμοποιούνται στην πρόβλεψη της ζήτησης φορτίου και ενέργειας. Θα πραγματοποιηθεί, μια καταγραφή των διαφόρων μεθόδων και η ανάλυση των χαρακτηριστικών και της αξιοπιστίας τους. Τα αποτελέσματά της παρούσας μελέτης θα είναι χρήσιμα, ώστε να είναι δυνατή η κατάλληλη επιλογή του βέλτιστου μοντέλου πρόβλεψης ανάλογα με τα χαρακτηριστικά του δικτύου και τον χρονικό ορίζοντα της πρόβλεψης. Στο Κεφάλαιο 1, γίνεται αναφορά στα διαφορετικά, με βάση τον χρονικό ορίζοντα, μοντέλα πρόβλεψης για τη ζήτηση φορτίου (βραχυπρόθεσμη πρόβλεψη, μεσοπρόθεσμη πρόβλεψη, μακροπρόθεσμη πρόβλεψη). Παρουσιάζονται, λοιπόν, συγκεντρωτικά όλες οι μέθοδοι πρόβλεψης φορτίου που αναφέρονται σε διεθνείς μελέτες και κατηγοριοποιούνται σε βραχυπρόθεσμες, μεσοπρόθεσμες και μακροπρόθεσμες μεθόδους πρόβλεψης φορτίου και ενέργειας. Στη συνέχεια, παρουσιάζονται τα αποτελέσματα της βιβλιογραφικής ανασκόπησης που πραγματοποιήθηκε σε θέματα σχετικά με την πρόβλεψη φορτίου και ενέργειας. Τέλος, αναλύονται οι παράγοντες που επηρεάζουν τη ζήτηση φορτίου. Στο Κεφάλαιο 2, γίνεται ταξινόμηση των μεθόδων πρόβλεψης για τη ζήτηση φορτίου σε: α) στατιστικές μεθόδους, β) μεθόδους τεχνητής νοημοσύνης και γ) υβριδικές μεθόδους. Οι πρώτες περιγράφονται στο Κεφάλαιο 2, ενώ οι μέθοδοι τεχνητής νοημοσύνης και οι υβριδικές μέθοδοι περιγράφονται στο Κεφάλαιο 3. Η κάθε μέθοδος αναλύεται ξεχωριστά και συνοδεύεται από ένα σύντομο ενδεικτικό παράδειγμα της εφαρμογής της. Στο Κεφάλαιο 4 παρουσιάζονται κάποια ενδεικτικά παραδείγματα εφαρμογών για πρόβλεψη φορτίου και ενέργειας από την παγκόσμια βιβλιογραφία. Τέλος, γίνεται αναφορά σε αποτελέσματα που προκύπτουν με βάση μοντέλο που αναπτύχθηκε για την πρόβλεψη παραγωγής αιολικής ενέργειας στην Ελλάδα, με την εφαρμογή τεχνητών νευρωνικών δικτύων. Είναι αξιοσημείωτο το γεγονός ότι το 2018 η αιολική ενέργεια ήταν η μεγαλύτερη πηγή ηλεκτρικής ενέργειας από ανανεώσιμες πηγές στην ΕΕ.","The main characteristics of energy must be its sustainability, reliability, and efficiency. In modern societies, the production of energy is of primary concern for every state, as electricity is now a crucial link in the proper functioning of the economy. During recent decades, electricity consumption has increased rapidly. This increase is in line with the overall improvement in living standards. Because electricity cannot be stored, it must be consumed in parallel with its production. For this reason, there is an overall demand among consumers, which dictates the number of production units required. What is also considered necessary for conventional, large production units is primary programming, due to their multiple operational and technical difficulties. Many of the above restrictions are lifted by predicting the demand for cargo, thus making the operation of the electricity generation system possible and economical. The purpose of this work is to record the various methods used to predict the demand for energy and cargo, making use of contemporary international literature. A recording of the various methods and an analysis of their characteristics and reliability will be carried out. The results of this study will be useful in providing the option to select the optimal predicting model according to the characteristics of the network and the time frame of the prediction. In Chapter 1, reference is made to the different, based on the time horizon, forecast models for cargo demand (short-term forecast, medium-term forecast, long-term forecast). Therefore, all load forecasting methods that are mentioned in international studies and are categorized into short-term, medium-term, and long-term load and energy forecasting methods are presented collectively. The following are the results of a literature review on load and energy forecasting. Finally, the factors that affect the demand for cargo are analyzed. In Chapter 2, load predicting methods are classified into a) statistical methods, b) artificial intelligence methods, and c) hybrid methods. The former are described in Chapter 2, while artificial intelligence methods and hybrid methods are described in Chapter 3. Each method is analyzed separately and is accompanied by a brief indicative example of its application. Chapter 4 presents some indicative examples of applications for load and energy forecasting from world literature. Finally, reference is made to results obtained for the prediction of wind energy production in Greece, with the application of artificial neural networks. In 2018, wind energy was the largest source of electricity coming from renewable sources in the EU."]},{"key":"dc:title","label":"Title","values":["ΜΕΘΟΔΟΙ ΠΡΟΒΛΕΨΗΣ ΓΙΑ ΖΗΤΗΣΗ ΗΛΕΚΤΡΙΚΟΥ ΦΟΡΤΙΟΥ ΚΑΙ ΕΝΕΡΓΕΙΑΣ"]}]}],"canonical_facts":{"dc:creator":["Τράγκας Ιωάννης","Tragkas Ioannis"],"dc:date":["2021"],"dc:description":["Τα κύρια χαρακτηριστικά της ενέργειας πρέπει να είναι η βιωσιμότητα, η αξιοπιστία και η αποτελεσματικότητά της. Στη σύγχρονη κοινωνία, η ενεργειακή παραγωγή αποτελεί πρωταρχικό μέλημα για κάθε κράτος, καθώς πλέον η ηλεκτρική ενέργεια είναι ένας κρίσιμος παράγοντας στην εύρυθμη λειτουργία της οικονομίας. Τις τελευταίες δεκαετίες, η κατανάλωση ηλεκτρικής ενέργειας έχει αυξηθεί κατά τρόπο ραγδαίο, μια αύξηση που συμβαδίζει με τη γενικότερη βελτίωση του βιοτικού επιπέδου. Εξ αιτίας του γεγονότος ότι η ηλεκτρική ενέργεια δεν είναι εύκολα αποθηκεύσιμη, ιδανικά πρέπει να καταναλώνεται την ίδια στιγμή που παράγεται. Γι’ αυτόν το λόγο, η συνολική ζήτηση των καταναλωτών είναι αυτή που υπαγορεύει τον αριθμό των μονάδων παραγωγής που πρέπει να βρίσκονται σε λειτουργία κάθε στιγμή. Αναγκαίος για τις συμβατικές, μεγάλες μονάδες παραγωγής κρίνεται και ο προγραμματισμός, εξαιτίας των πολλαπλών λειτουργικών και τεχνικών τους δυσκολιών. Πολλοί από τους άνωθι περιορισμούς καταργούνται μέσω της σωστής πρόβλεψης της ζήτησης του φορτίου, καθιστώντας έτσι εφικτή και οικονομική τη λειτουργία του συστήματος παραγωγής της ηλεκτρικής ενέργειας. Αντικείμενο αυτής της εργασίας είναι η καταγραφή, με βάση τη σύγχρονη διεθνή βιβλιογραφία, των διαφόρων μεθόδων οι οποίες χρησιμοποιούνται στην πρόβλεψη της ζήτησης φορτίου και ενέργειας. Θα πραγματοποιηθεί, μια καταγραφή των διαφόρων μεθόδων και η ανάλυση των χαρακτηριστικών και της αξιοπιστίας τους. Τα αποτελέσματά της παρούσας μελέτης θα είναι χρήσιμα, ώστε να είναι δυνατή η κατάλληλη επιλογή του βέλτιστου μοντέλου πρόβλεψης ανάλογα με τα χαρακτηριστικά του δικτύου και τον χρονικό ορίζοντα της πρόβλεψης. Στο Κεφάλαιο 1, γίνεται αναφορά στα διαφορετικά, με βάση τον χρονικό ορίζοντα, μοντέλα πρόβλεψης για τη ζήτηση φορτίου (βραχυπρόθεσμη πρόβλεψη, μεσοπρόθεσμη πρόβλεψη, μακροπρόθεσμη πρόβλεψη). Παρουσιάζονται, λοιπόν, συγκεντρωτικά όλες οι μέθοδοι πρόβλεψης φορτίου που αναφέρονται σε διεθνείς μελέτες και κατηγοριοποιούνται σε βραχυπρόθεσμες, μεσοπρόθεσμες και μακροπρόθεσμες μεθόδους πρόβλεψης φορτίου και ενέργειας. Στη συνέχεια, παρουσιάζονται τα αποτελέσματα της βιβλιογραφικής ανασκόπησης που πραγματοποιήθηκε σε θέματα σχετικά με την πρόβλεψη φορτίου και ενέργειας. Τέλος, αναλύονται οι παράγοντες που επηρεάζουν τη ζήτηση φορτίου. Στο Κεφάλαιο 2, γίνεται ταξινόμηση των μεθόδων πρόβλεψης για τη ζήτηση φορτίου σε: α) στατιστικές μεθόδους, β) μεθόδους τεχνητής νοημοσύνης και γ) υβριδικές μεθόδους. Οι πρώτες περιγράφονται στο Κεφάλαιο 2, ενώ οι μέθοδοι τεχνητής νοημοσύνης και οι υβριδικές μέθοδοι περιγράφονται στο Κεφάλαιο 3. Η κάθε μέθοδος αναλύεται ξεχωριστά και συνοδεύεται από ένα σύντομο ενδεικτικό παράδειγμα της εφαρμογής της. Στο Κεφάλαιο 4 παρουσιάζονται κάποια ενδεικτικά παραδείγματα εφαρμογών για πρόβλεψη φορτίου και ενέργειας από την παγκόσμια βιβλιογραφία. Τέλος, γίνεται αναφορά σε αποτελέσματα που προκύπτουν με βάση μοντέλο που αναπτύχθηκε για την πρόβλεψη παραγωγής αιολικής ενέργειας στην Ελλάδα, με την εφαρμογή τεχνητών νευρωνικών δικτύων. Είναι αξιοσημείωτο το γεγονός ότι το 2018 η αιολική ενέργεια ήταν η μεγαλύτερη πηγή ηλεκτρικής ενέργειας από ανανεώσιμες πηγές στην ΕΕ.","The main characteristics of energy must be its sustainability, reliability, and efficiency. In modern societies, the production of energy is of primary concern for every state, as electricity is now a crucial link in the proper functioning of the economy. During recent decades, electricity consumption has increased rapidly. This increase is in line with the overall improvement in living standards. Because electricity cannot be stored, it must be consumed in parallel with its production. For this reason, there is an overall demand among consumers, which dictates the number of production units required. What is also considered necessary for conventional, large production units is primary programming, due to their multiple operational and technical difficulties. Many of the above restrictions are lifted by predicting the demand for cargo, thus making the operation of the electricity generation system possible and economical. The purpose of this work is to record the various methods used to predict the demand for energy and cargo, making use of contemporary international literature. A recording of the various methods and an analysis of their characteristics and reliability will be carried out. The results of this study will be useful in providing the option to select the optimal predicting model according to the characteristics of the network and the time frame of the prediction. In Chapter 1, reference is made to the different, based on the time horizon, forecast models for cargo demand (short-term forecast, medium-term forecast, long-term forecast). Therefore, all load forecasting methods that are mentioned in international studies and are categorized into short-term, medium-term, and long-term load and energy forecasting methods are presented collectively. The following are the results of a literature review on load and energy forecasting. Finally, the factors that affect the demand for cargo are analyzed. In Chapter 2, load predicting methods are classified into a) statistical methods, b) artificial intelligence methods, and c) hybrid methods. The former are described in Chapter 2, while artificial intelligence methods and hybrid methods are described in Chapter 3. Each method is analyzed separately and is accompanied by a brief indicative example of its application. Chapter 4 presents some indicative examples of applications for load and energy forecasting from world literature. Finally, reference is made to results obtained for the prediction of wind energy production in Greece, with the application of artificial neural networks. In 2018, wind energy was the largest source of electricity coming from renewable sources in the EU."],"dc:identifier":["uoadl:2940491","https://pergamos.lib.uoa.gr/uoa/dl/object/2940491"],"dc:language":["Ελληνικά","Greek","English"],"dc:subject":["Ενέργεια","Energy"],"dc:title":["ΜΕΘΟΔΟΙ ΠΡΟΒΛΕΨΗΣ ΓΙΑ ΖΗΤΗΣΗ ΗΛΕΚΤΡΙΚΟΥ ΦΟΡΤΙΟΥ ΚΑΙ ΕΝΕΡΓΕΙΑΣ"],"dc:type":["born_digital_postgraduate_thesis","Διπλωματική Εργασία","Postgraduate Thesis"]},"updated_at":"2026-11-19T05:42:29Z"}