{"id":{"repo_id":"athens","oai_identifier":"oai:lib.uoa.gr:uoadl:3218652"},"canonical_url":"https://search.ndltd.org/etd/athens/oai:lib.uoa.gr:uoadl:3218652","repository":{"repo_id":"athens","name":"National and Kapodistrian University of Athens","base_url":"https://pergamos.lib.uoa.gr/uoa/dl/frontend/oaipmh"},"display":{"title":"Machine Learning Algorithms for Very-Short Term Load Forecasting","abstract":"Η ακριβής πρόβλεψη της ζήτησης ηλεκτρικής ενέργειας πολύ βραχυπρόθεσμα, είναι πολύ σημαντική για τη σταθερότητα και τον προγραμματισμό ανά ώρα με την ώρα ή την ημέρα, τη λειτουργία, τον προγραμματισμό του συστήματος ηλεκτρικής ενέργειας. Σε αυτή τη μελέτη, εστιάζουμε στην πρόβλεψη της ενεργού ισχύος για οικιακή κατανάλωση ηλεκτρικής ενέργειας, καθώς πιστεύουμε ότι, παρά τη συνολική πολυπλοκότητά τους, τα ακριβή μοντέλα υψηλής ευαισθησίας μπορούν να βοηθήσουν τις διαδικασίες ελέγχου στο περίπλοκο και σε μεγάλο βαθμό άγνωστο τοπίο των αγορών ηλεκτρικής ενέργειας, να οδηγήσουν σε ακριβείς αποτελέσματα. Κατά την ανάπτυξη αυτών των μοντέλων, χρησιμοποιούμε μοντέλα Machine Learning, Neural Networks και Time Series. Το σύνολο δεδομένων που χρησιμοποιούμε αποτελείται από δεδομένα κατανάλωσης ηλεκτρικής ενέργειας με ανάλυση λεπτού, κάποιων νοικοκυριών που ανακτήθηκαν από την πλατφόρμα UCI - The Center for Machine Learning and Intelligent Systems στο UC Irvine. Ο κύριος σκοπός αυτού του έργου είναι να συγκρίνει την απόδοση κάθε μοντέλου στο ίδιο σύνολο δεδομένων και να παρέχει χρήσιμες παρατηρήσεις σχετικά με τη διαδικασία εκπαίδευσης κάθε μοντέλου. Για αυτήν τη σύγκριση, θα προβλέψουμε την κατανάλωση ενέργειας μιας εβδομάδας, μίας ημέρας και μερικών ωρών και τέλος θα συγκρίνουμε τα μοντέλα. Υπάρχει πολύ λίγη βιβλιογραφία στον τομέα της πολύς βραχυπρόθεσμης πρόβλεψης και η μελέτη μας είναι μια από τις πρώτες συνοπτικές συγκρίσεις των τύπων νέων νευρωνικών δικτύων και ορισμένων μοντέλων Μηχανικής Μάθησης σε αυτόν τον ορίζοντα πρόβλεψης. Τα αποτελέσματά μας δείχνουν ότι τέτοια μοντέλα παλινδρόμησης και μοντέλα νευρωνικών δικτύων που χρησιμοποιήσαμε στο έργο μας για τα συγκεκριμένα δεδομένα λειτουργούν πολύ καλά. Η απόδοση των μοντέλων παλινδρόμησης εξαρτάται κυρίως από την ακρίβεια των χαρακτηριστικών και από την άλλη πλευρά, η απόδοση των νευρωνικών δικτύων εξαρτάται από την ομοιότητα δεδομένων μεταξύ της εκπαίδευσης και του συνόλου δοκιμών. Στο Κεφάλαιο 1, παρουσιάζουμε τα βασικά χαρακτηριστικά Machine Learning και τα μοντέλα Machine Learning που θα χρησιμοποιήσουμε στο έργο μας. Στο Κεφάλαιο 2, παρέχουμε μια επισκόπηση της ακαδημαϊκής έρευνας σχετικά με την πολύ βραχυπρόθεσμη πρόβλεψη φορτίου (VSTLF) με τη χρήση διαφορετικών μεθόδων Μηχανικής Μάθησης. Επιπλέον, σε αυτό το κεφάλαιο παρουσιάζουμε τις πλατφόρμες ανάπτυξης ανάλυσης δεδομένων και μηχανικής μάθησης και τις βασικές μετρήσεις αξιολόγησης μοντέλων. Στο Κεφάλαιο 3, εξηγούμε τα χαρακτηριστικά των δεδομένων, τη μεθοδολογία και τις έννοιες που χρησιμοποιήθηκαν για τη διεξαγωγή των προσομοιωμένων πειραμάτων. Επιπλέον, παρουσιάζουμε τα αποτελέσματα των πειραμάτων μας μέσω μετρήσεων αξιολόγησης που σχετίζονται με τη διαδικασία εκπαίδευσης και την ποιότητα πρόβλεψης κάθε μοντέλου. Επίσης, αναλύουμε και εντοπίζουμε την ποιότητα κάθε μεθόδου σε σύγκριση με τις άλλες και επιλέγουμε την καταλληλότερη για την περίπτωση χρήσης μας. Τέλος, στο Κεφάλαιο 4, συζητάμε τα αποτελέσματα που προέκυψαν και προτείνουμε κάποιες κατευθύνσεις για μελλοντική εργασία.","abstract_html":"Η ακριβής πρόβλεψη της ζήτησης ηλεκτρικής ενέργειας πολύ βραχυπρόθεσμα, είναι πολύ σημαντική για τη σταθερότητα και τον προγραμματισμό ανά ώρα με την ώρα ή την ημέρα, τη λειτουργία, τον προγραμματισμό του συστήματος ηλεκτρικής ενέργειας. Σε αυτή τη μελέτη, εστιάζουμε στην πρόβλεψη της ενεργού ισχύος για οικιακή κατανάλωση ηλεκτρικής ενέργειας, καθώς πιστεύουμε ότι, παρά τη συνολική πολυπλοκότητά τους, τα ακριβή μοντέλα υψηλής ευαισθησίας μπορούν να βοηθήσουν τις διαδικασίες ελέγχου στο περίπλοκο και σε μεγάλο βαθμό άγνωστο τοπίο των αγορών ηλεκτρικής ενέργειας, να οδηγήσουν σε ακριβείς αποτελέσματα. Κατά την ανάπτυξη αυτών των μοντέλων, χρησιμοποιούμε μοντέλα Machine Learning, Neural Networks και Time Series. Το σύνολο δεδομένων που χρησιμοποιούμε αποτελείται από δεδομένα κατανάλωσης ηλεκτρικής ενέργειας με ανάλυση λεπτού, κάποιων νοικοκυριών που ανακτήθηκαν από την πλατφόρμα UCI - The Center for Machine Learning and Intelligent Systems στο UC Irvine. Ο κύριος σκοπός αυτού του έργου είναι να συγκρίνει την απόδοση κάθε μοντέλου στο ίδιο σύνολο δεδομένων και να παρέχει χρήσιμες παρατηρήσεις σχετικά με τη διαδικασία εκπαίδευσης κάθε μοντέλου. Για αυτήν τη σύγκριση, θα προβλέψουμε την κατανάλωση ενέργειας μιας εβδομάδας, μίας ημέρας και μερικών ωρών και τέλος θα συγκρίνουμε τα μοντέλα. Υπάρχει πολύ λίγη βιβλιογραφία στον τομέα της πολύς βραχυπρόθεσμης πρόβλεψης και η μελέτη μας είναι μια από τις πρώτες συνοπτικές συγκρίσεις των τύπων νέων νευρωνικών δικτύων και ορισμένων μοντέλων Μηχανικής Μάθησης σε αυτόν τον ορίζοντα πρόβλεψης. Τα αποτελέσματά μας δείχνουν ότι τέτοια μοντέλα παλινδρόμησης και μοντέλα νευρωνικών δικτύων που χρησιμοποιήσαμε στο έργο μας για τα συγκεκριμένα δεδομένα λειτουργούν πολύ καλά. Η απόδοση των μοντέλων παλινδρόμησης εξαρτάται κυρίως από την ακρίβεια των χαρακτηριστικών και από την άλλη πλευρά, η απόδοση των νευρωνικών δικτύων εξαρτάται από την ομοιότητα δεδομένων μεταξύ της εκπαίδευσης και του συνόλου δοκιμών. Στο Κεφάλαιο 1, παρουσιάζουμε τα βασικά χαρακτηριστικά Machine Learning και τα μοντέλα Machine Learning που θα χρησιμοποιήσουμε στο έργο μας. Στο Κεφάλαιο 2, παρέχουμε μια επισκόπηση της ακαδημαϊκής έρευνας σχετικά με την πολύ βραχυπρόθεσμη πρόβλεψη φορτίου (VSTLF) με τη χρήση διαφορετικών μεθόδων Μηχανικής Μάθησης. Επιπλέον, σε αυτό το κεφάλαιο παρουσιάζουμε τις πλατφόρμες ανάπτυξης ανάλυσης δεδομένων και μηχανικής μάθησης και τις βασικές μετρήσεις αξιολόγησης μοντέλων. Στο Κεφάλαιο 3, εξηγούμε τα χαρακτηριστικά των δεδομένων, τη μεθοδολογία και τις έννοιες που χρησιμοποιήθηκαν για τη διεξαγωγή των προσομοιωμένων πειραμάτων. Επιπλέον, παρουσιάζουμε τα αποτελέσματα των πειραμάτων μας μέσω μετρήσεων αξιολόγησης που σχετίζονται με τη διαδικασία εκπαίδευσης και την ποιότητα πρόβλεψης κάθε μοντέλου. Επίσης, αναλύουμε και εντοπίζουμε την ποιότητα κάθε μεθόδου σε σύγκριση με τις άλλες και επιλέγουμε την καταλληλότερη για την περίπτωση χρήσης μας. Τέλος, στο Κεφάλαιο 4, συζητάμε τα αποτελέσματα που προέκυψαν και προτείνουμε κάποιες κατευθύνσεις για μελλοντική εργασία.","abstract_has_math":false,"creators":["Τσότσος Ευάγγελος","Tsotsos Evangelos"],"institution":null,"degree_name":null,"degree_level":null,"degree_discipline":null,"degree_department":null,"school":null,"contributors":[],"advisors":[],"committee_chairs":[],"committee_members":[],"year":2022,"date_issued":"2022","date_published":"2022","updated_at":"2026-11-19T05:47:02Z","subjects":["Τεχνολογία – Πληροφορική","Technology - Computer science"],"languages":["English"],"rights":[],"rights_urls":[],"identifier_entries":[{"key":"dc:identifier","label":"Identifier","values":["uoadl:3218652"],"render_values":[{"text":"uoadl:3218652","href":null,"code":true}]}],"person_identifier_entries":[]},"links":{"outbound_url":"https://pergamos.lib.uoa.gr/uoa/dl/object/3218652","outbound_label":"Repository record","outbound_source":"dc:identifier","record_url":"https://pergamos.lib.uoa.gr/uoa/dl/object/3218652","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%3A3218652","prefix":"oai_dc"},"metadata_groups":[{"id":"people","label":"People","entries":[{"key":"dc:creator","label":"Author","values":["Τσότσος Ευάγγελος","Tsotsos Evangelos"]}]},{"id":"academic_context","label":"Academic Context","entries":[{"key":"dc:date","label":"Dc Date","values":["2022"]},{"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":["Τεχνολογία – Πληροφορική","Technology - Computer science"]}]},{"id":"language_rights","label":"Language and Rights","entries":[{"key":"dc:language","label":"Dc Language","values":["English"]}]},{"id":"identifiers","label":"Identifiers","entries":[{"key":"dc:identifier","label":"Identifier","values":["uoadl:3218652","https://pergamos.lib.uoa.gr/uoa/dl/object/3218652"]}]},{"id":"additional","label":"Additional Metadata","entries":[{"key":"dc:description","label":"Description","values":["Η ακριβής πρόβλεψη της ζήτησης ηλεκτρικής ενέργειας πολύ βραχυπρόθεσμα, είναι πολύ σημαντική για τη σταθερότητα και τον προγραμματισμό ανά ώρα με την ώρα ή την ημέρα, τη λειτουργία, τον προγραμματισμό του συστήματος ηλεκτρικής ενέργειας. Σε αυτή τη μελέτη, εστιάζουμε στην πρόβλεψη της ενεργού ισχύος για οικιακή κατανάλωση ηλεκτρικής ενέργειας, καθώς πιστεύουμε ότι, παρά τη συνολική πολυπλοκότητά τους, τα ακριβή μοντέλα υψηλής ευαισθησίας μπορούν να βοηθήσουν τις διαδικασίες ελέγχου στο περίπλοκο και σε μεγάλο βαθμό άγνωστο τοπίο των αγορών ηλεκτρικής ενέργειας, να οδηγήσουν σε ακριβείς αποτελέσματα. Κατά την ανάπτυξη αυτών των μοντέλων, χρησιμοποιούμε μοντέλα Machine Learning, Neural Networks και Time Series. Το σύνολο δεδομένων που χρησιμοποιούμε αποτελείται από δεδομένα κατανάλωσης ηλεκτρικής ενέργειας με ανάλυση λεπτού, κάποιων νοικοκυριών που ανακτήθηκαν από την πλατφόρμα UCI - The Center for Machine Learning and Intelligent Systems στο UC Irvine. Ο κύριος σκοπός αυτού του έργου είναι να συγκρίνει την απόδοση κάθε μοντέλου στο ίδιο σύνολο δεδομένων και να παρέχει χρήσιμες παρατηρήσεις σχετικά με τη διαδικασία εκπαίδευσης κάθε μοντέλου. Για αυτήν τη σύγκριση, θα προβλέψουμε την κατανάλωση ενέργειας μιας εβδομάδας, μίας ημέρας και μερικών ωρών και τέλος θα συγκρίνουμε τα μοντέλα. Υπάρχει πολύ λίγη βιβλιογραφία στον τομέα της πολύς βραχυπρόθεσμης πρόβλεψης και η μελέτη μας είναι μια από τις πρώτες συνοπτικές συγκρίσεις των τύπων νέων νευρωνικών δικτύων και ορισμένων μοντέλων Μηχανικής Μάθησης σε αυτόν τον ορίζοντα πρόβλεψης. Τα αποτελέσματά μας δείχνουν ότι τέτοια μοντέλα παλινδρόμησης και μοντέλα νευρωνικών δικτύων που χρησιμοποιήσαμε στο έργο μας για τα συγκεκριμένα δεδομένα λειτουργούν πολύ καλά. Η απόδοση των μοντέλων παλινδρόμησης εξαρτάται κυρίως από την ακρίβεια των χαρακτηριστικών και από την άλλη πλευρά, η απόδοση των νευρωνικών δικτύων εξαρτάται από την ομοιότητα δεδομένων μεταξύ της εκπαίδευσης και του συνόλου δοκιμών. Στο Κεφάλαιο 1, παρουσιάζουμε τα βασικά χαρακτηριστικά Machine Learning και τα μοντέλα Machine Learning που θα χρησιμοποιήσουμε στο έργο μας. Στο Κεφάλαιο 2, παρέχουμε μια επισκόπηση της ακαδημαϊκής έρευνας σχετικά με την πολύ βραχυπρόθεσμη πρόβλεψη φορτίου (VSTLF) με τη χρήση διαφορετικών μεθόδων Μηχανικής Μάθησης. Επιπλέον, σε αυτό το κεφάλαιο παρουσιάζουμε τις πλατφόρμες ανάπτυξης ανάλυσης δεδομένων και μηχανικής μάθησης και τις βασικές μετρήσεις αξιολόγησης μοντέλων. Στο Κεφάλαιο 3, εξηγούμε τα χαρακτηριστικά των δεδομένων, τη μεθοδολογία και τις έννοιες που χρησιμοποιήθηκαν για τη διεξαγωγή των προσομοιωμένων πειραμάτων. Επιπλέον, παρουσιάζουμε τα αποτελέσματα των πειραμάτων μας μέσω μετρήσεων αξιολόγησης που σχετίζονται με τη διαδικασία εκπαίδευσης και την ποιότητα πρόβλεψης κάθε μοντέλου. Επίσης, αναλύουμε και εντοπίζουμε την ποιότητα κάθε μεθόδου σε σύγκριση με τις άλλες και επιλέγουμε την καταλληλότερη για την περίπτωση χρήσης μας. Τέλος, στο Κεφάλαιο 4, συζητάμε τα αποτελέσματα που προέκυψαν και προτείνουμε κάποιες κατευθύνσεις για μελλοντική εργασία.","Accurate electricity demand forecasting for a short horizon is very important for the stability and hour-to-hour or day-to-day scheduling, operation, planning of the power system. In this study, we focus on the minutely active power forecasting for residential electricity consumption, since we believe that, despite their overall complexity, accurate high granularity models can assist control procedures and, in the complex and largely unknown landscape of the electricity markets, lead to fine-grained price signal adjustments. In the development of those models, we use Machine Learning, Neural Networks and Time Series models. The dataset that we use consists of individual household’s electric power consumption minutely data retrieved from the UCI platform - The Center for Machine Learning and Intelligent Systems at UC Irvine. The main purpose of this project is to compare the baseline performance of each model on the same dataset and provide useful remarks on the training process of each model. For this comparison, we will forecast one week’s power consumption with minutely resolution and finally compare the used models. There is little work in the area of minute power forecasting and our study is one of the first concise comparisons of the core neural network types and of some Machine Learning models on this prediction horizon with experiments conducted on residential active power data. Our results show that such the regression models and the neural network models that we used in our project for the specific data operates very well. The regression models performance mainly depends on the features accuracy and one the other side, neural networks performance depends on the pattern similarity between the training and the testing set. In Chapter 1, we present the basic Machine Learning characteristics and the Machine Learning models that we will use in our project. In Chapter 2, we provide an overview of the academic research on Very Short-Term Load Forecasting (VSTLF) with the use of different of Machine Learning methods. The different case studies used in those studies do not allow a comparison of their results. Furthermore, in this chapter we present the data analysis and machine learning development platforms and the basic model evaluation metrics. In Chapter 3, we explain the datasets characteristics, the methodology and the concepts that were used to conduct the simulated experiments. Moreover, we present the results of our experiments through evaluation metrics relevant to the training process and the prediction quality of each model. Also, we analyze and identify the quality of each method compared to the others and select the most suitable for our use case. Finally, in Chapter 4, we discuss the results obtained and suggest some directions for future work."]},{"key":"dc:title","label":"Title","values":["Machine Learning Algorithms for Very-Short Term Load Forecasting"]}]}],"canonical_facts":{"dc:creator":["Τσότσος Ευάγγελος","Tsotsos Evangelos"],"dc:date":["2022"],"dc:description":["Η ακριβής πρόβλεψη της ζήτησης ηλεκτρικής ενέργειας πολύ βραχυπρόθεσμα, είναι πολύ σημαντική για τη σταθερότητα και τον προγραμματισμό ανά ώρα με την ώρα ή την ημέρα, τη λειτουργία, τον προγραμματισμό του συστήματος ηλεκτρικής ενέργειας. Σε αυτή τη μελέτη, εστιάζουμε στην πρόβλεψη της ενεργού ισχύος για οικιακή κατανάλωση ηλεκτρικής ενέργειας, καθώς πιστεύουμε ότι, παρά τη συνολική πολυπλοκότητά τους, τα ακριβή μοντέλα υψηλής ευαισθησίας μπορούν να βοηθήσουν τις διαδικασίες ελέγχου στο περίπλοκο και σε μεγάλο βαθμό άγνωστο τοπίο των αγορών ηλεκτρικής ενέργειας, να οδηγήσουν σε ακριβείς αποτελέσματα. Κατά την ανάπτυξη αυτών των μοντέλων, χρησιμοποιούμε μοντέλα Machine Learning, Neural Networks και Time Series. Το σύνολο δεδομένων που χρησιμοποιούμε αποτελείται από δεδομένα κατανάλωσης ηλεκτρικής ενέργειας με ανάλυση λεπτού, κάποιων νοικοκυριών που ανακτήθηκαν από την πλατφόρμα UCI - The Center for Machine Learning and Intelligent Systems στο UC Irvine. Ο κύριος σκοπός αυτού του έργου είναι να συγκρίνει την απόδοση κάθε μοντέλου στο ίδιο σύνολο δεδομένων και να παρέχει χρήσιμες παρατηρήσεις σχετικά με τη διαδικασία εκπαίδευσης κάθε μοντέλου. Για αυτήν τη σύγκριση, θα προβλέψουμε την κατανάλωση ενέργειας μιας εβδομάδας, μίας ημέρας και μερικών ωρών και τέλος θα συγκρίνουμε τα μοντέλα. Υπάρχει πολύ λίγη βιβλιογραφία στον τομέα της πολύς βραχυπρόθεσμης πρόβλεψης και η μελέτη μας είναι μια από τις πρώτες συνοπτικές συγκρίσεις των τύπων νέων νευρωνικών δικτύων και ορισμένων μοντέλων Μηχανικής Μάθησης σε αυτόν τον ορίζοντα πρόβλεψης. Τα αποτελέσματά μας δείχνουν ότι τέτοια μοντέλα παλινδρόμησης και μοντέλα νευρωνικών δικτύων που χρησιμοποιήσαμε στο έργο μας για τα συγκεκριμένα δεδομένα λειτουργούν πολύ καλά. Η απόδοση των μοντέλων παλινδρόμησης εξαρτάται κυρίως από την ακρίβεια των χαρακτηριστικών και από την άλλη πλευρά, η απόδοση των νευρωνικών δικτύων εξαρτάται από την ομοιότητα δεδομένων μεταξύ της εκπαίδευσης και του συνόλου δοκιμών. Στο Κεφάλαιο 1, παρουσιάζουμε τα βασικά χαρακτηριστικά Machine Learning και τα μοντέλα Machine Learning που θα χρησιμοποιήσουμε στο έργο μας. Στο Κεφάλαιο 2, παρέχουμε μια επισκόπηση της ακαδημαϊκής έρευνας σχετικά με την πολύ βραχυπρόθεσμη πρόβλεψη φορτίου (VSTLF) με τη χρήση διαφορετικών μεθόδων Μηχανικής Μάθησης. Επιπλέον, σε αυτό το κεφάλαιο παρουσιάζουμε τις πλατφόρμες ανάπτυξης ανάλυσης δεδομένων και μηχανικής μάθησης και τις βασικές μετρήσεις αξιολόγησης μοντέλων. Στο Κεφάλαιο 3, εξηγούμε τα χαρακτηριστικά των δεδομένων, τη μεθοδολογία και τις έννοιες που χρησιμοποιήθηκαν για τη διεξαγωγή των προσομοιωμένων πειραμάτων. Επιπλέον, παρουσιάζουμε τα αποτελέσματα των πειραμάτων μας μέσω μετρήσεων αξιολόγησης που σχετίζονται με τη διαδικασία εκπαίδευσης και την ποιότητα πρόβλεψης κάθε μοντέλου. Επίσης, αναλύουμε και εντοπίζουμε την ποιότητα κάθε μεθόδου σε σύγκριση με τις άλλες και επιλέγουμε την καταλληλότερη για την περίπτωση χρήσης μας. Τέλος, στο Κεφάλαιο 4, συζητάμε τα αποτελέσματα που προέκυψαν και προτείνουμε κάποιες κατευθύνσεις για μελλοντική εργασία.","Accurate electricity demand forecasting for a short horizon is very important for the stability and hour-to-hour or day-to-day scheduling, operation, planning of the power system. In this study, we focus on the minutely active power forecasting for residential electricity consumption, since we believe that, despite their overall complexity, accurate high granularity models can assist control procedures and, in the complex and largely unknown landscape of the electricity markets, lead to fine-grained price signal adjustments. In the development of those models, we use Machine Learning, Neural Networks and Time Series models. The dataset that we use consists of individual household’s electric power consumption minutely data retrieved from the UCI platform - The Center for Machine Learning and Intelligent Systems at UC Irvine. The main purpose of this project is to compare the baseline performance of each model on the same dataset and provide useful remarks on the training process of each model. For this comparison, we will forecast one week’s power consumption with minutely resolution and finally compare the used models. There is little work in the area of minute power forecasting and our study is one of the first concise comparisons of the core neural network types and of some Machine Learning models on this prediction horizon with experiments conducted on residential active power data. Our results show that such the regression models and the neural network models that we used in our project for the specific data operates very well. The regression models performance mainly depends on the features accuracy and one the other side, neural networks performance depends on the pattern similarity between the training and the testing set. In Chapter 1, we present the basic Machine Learning characteristics and the Machine Learning models that we will use in our project. In Chapter 2, we provide an overview of the academic research on Very Short-Term Load Forecasting (VSTLF) with the use of different of Machine Learning methods. The different case studies used in those studies do not allow a comparison of their results. Furthermore, in this chapter we present the data analysis and machine learning development platforms and the basic model evaluation metrics. In Chapter 3, we explain the datasets characteristics, the methodology and the concepts that were used to conduct the simulated experiments. Moreover, we present the results of our experiments through evaluation metrics relevant to the training process and the prediction quality of each model. Also, we analyze and identify the quality of each method compared to the others and select the most suitable for our use case. Finally, in Chapter 4, we discuss the results obtained and suggest some directions for future work."],"dc:identifier":["uoadl:3218652","https://pergamos.lib.uoa.gr/uoa/dl/object/3218652"],"dc:language":["English"],"dc:subject":["Τεχνολογία – Πληροφορική","Technology - Computer science"],"dc:title":["Machine Learning Algorithms for Very-Short Term Load Forecasting"],"dc:type":["born_digital_postgraduate_thesis","Διπλωματική Εργασία","Postgraduate Thesis"]},"updated_at":"2026-11-19T05:47:02Z"}