{"id":{"repo_id":"athens","oai_identifier":"oai:lib.uoa.gr:uoadl:3420193"},"canonical_url":"https://search.ndltd.org/etd/athens/oai:lib.uoa.gr:uoadl:3420193","repository":{"repo_id":"athens","name":"National and Kapodistrian University of Athens","base_url":"https://pergamos.lib.uoa.gr/uoa/dl/frontend/oaipmh"},"display":{"title":"Προβλεπτική μοντελοποίηση των τιμών ηλεκτρικής ενέργειας στην ελληνική αγορά ενέργειας: ανάλυση χρονοσειρών με χρήση μοντέλων ARIMA, SARIMA και ETS","abstract":"Η παρούσα διπλωματική εργασία διερευνά τη δυναμική και την προγνωστική μοντελοποίηση των τιμών ηλεκτρικής ενέργειας στην ελληνική αγορά ενέργειας, ιδιαίτερα στο Ελληνικό Χρηματιστήριο Ενέργειας (ΕΧΑΕ). Ο πυρήνας της έρευνας περιλαμβάνει την εφαρμογή προηγμένων στατιστικών μεθόδων για την πρόβλεψη χρονοσειρών και συγκεκριμένα ARIMA (AutoRegressive Integrated Moving Average), SARIMA (Seasonal ARIMA) και ETS (Error, Trend, Seasonal). Αυτές οι μεθοδολογίες αναλύονται θεωρητικά και πρακτικά για την αποτελεσματικότητά τους στην πρόβλεψη ωριαίων τιμών ηλεκτρικής ενέργειας. Αξιοποιώντας δεδομένα από την Ελληνική Αγορά Επόμενης Ημέρας (DAM) από την 1η Νοεμβρίου 2020 έως τις 31 Αυγούστου 2023, τα μοντέλα εκπαιδεύονται και δοκιμάζονται. Η διαδικασία περιλαμβάνει λεπτομερή συλλογή δεδομένων, προεπεξεργασία και καθαρισμό, παράλληλα με τεχνικές βελτιστοποίησης και επικύρωσης παραμέτρων για την εξασφάλιση ισχυρών προβλέψεων. Τα αποτελέσματα υπογραμμίζουν τα πλεονεκτήματα και τους περιορισμούς κάθε μεθόδου, αποδεικνύοντας την αξιοπιστία τους στην παροχή ακριβών προβλέψεων απαραίτητων για στρατηγικό σχεδιασμό και λήψη επιχειρησιακών αποφάσεων στον ενεργειακό τομέα. Η εργασία ολοκληρώνεται με μια συζήτηση βασικών ευρημάτων, των επιπτώσεών τους και συστάσεων για μελλοντική έρευνα για τη βελτίωση της προγνωστικής ακρίβειας των τιμών ηλεκτρικής ενέργειας σε δυναμικές αγορές.","abstract_html":"Η παρούσα διπλωματική εργασία διερευνά τη δυναμική και την προγνωστική μοντελοποίηση των τιμών ηλεκτρικής ενέργειας στην ελληνική αγορά ενέργειας, ιδιαίτερα στο Ελληνικό Χρηματιστήριο Ενέργειας (ΕΧΑΕ). Ο πυρήνας της έρευνας περιλαμβάνει την εφαρμογή προηγμένων στατιστικών μεθόδων για την πρόβλεψη χρονοσειρών και συγκεκριμένα ARIMA (AutoRegressive Integrated Moving Average), SARIMA (Seasonal ARIMA) και ETS (Error, Trend, Seasonal). Αυτές οι μεθοδολογίες αναλύονται θεωρητικά και πρακτικά για την αποτελεσματικότητά τους στην πρόβλεψη ωριαίων τιμών ηλεκτρικής ενέργειας. Αξιοποιώντας δεδομένα από την Ελληνική Αγορά Επόμενης Ημέρας (DAM) από την 1η Νοεμβρίου 2020 έως τις 31 Αυγούστου 2023, τα μοντέλα εκπαιδεύονται και δοκιμάζονται. Η διαδικασία περιλαμβάνει λεπτομερή συλλογή δεδομένων, προεπεξεργασία και καθαρισμό, παράλληλα με τεχνικές βελτιστοποίησης και επικύρωσης παραμέτρων για την εξασφάλιση ισχυρών προβλέψεων. Τα αποτελέσματα υπογραμμίζουν τα πλεονεκτήματα και τους περιορισμούς κάθε μεθόδου, αποδεικνύοντας την αξιοπιστία τους στην παροχή ακριβών προβλέψεων απαραίτητων για στρατηγικό σχεδιασμό και λήψη επιχειρησιακών αποφάσεων στον ενεργειακό τομέα. Η εργασία ολοκληρώνεται με μια συζήτηση βασικών ευρημάτων, των επιπτώσεών τους και συστάσεων για μελλοντική έρευνα για τη βελτίωση της προγνωστικής ακρίβειας των τιμών ηλεκτρικής ενέργειας σε δυναμικές αγορές.","abstract_has_math":false,"creators":["Μαργαρίτης Σίμων","Margaritis Simon"],"institution":null,"degree_name":null,"degree_level":null,"degree_discipline":null,"degree_department":null,"school":null,"contributors":[],"advisors":[],"committee_chairs":[],"committee_members":[],"year":2024,"date_issued":"2024","date_published":"2024","updated_at":"2026-11-19T06:30:31Z","subjects":["Κοινωνικές, Πολιτικές και Οικονομικές επιστήμες","Social, Political and Economic sciences"],"languages":["Ελληνικά","Greek"],"rights":[],"rights_urls":[],"identifier_entries":[{"key":"dc:identifier","label":"Identifier","values":["uoadl:3420193"],"render_values":[{"text":"uoadl:3420193","href":null,"code":true}]}],"person_identifier_entries":[]},"links":{"outbound_url":"https://pergamos.lib.uoa.gr/uoa/dl/object/3420193","outbound_label":"Repository record","outbound_source":"dc:identifier","record_url":"https://pergamos.lib.uoa.gr/uoa/dl/object/3420193","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%3A3420193","prefix":"oai_dc"},"metadata_groups":[{"id":"people","label":"People","entries":[{"key":"dc:creator","label":"Author","values":["Μαργαρίτης Σίμων","Margaritis Simon"]}]},{"id":"academic_context","label":"Academic Context","entries":[{"key":"dc:date","label":"Dc Date","values":["2024"]},{"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":["Κοινωνικές, Πολιτικές και Οικονομικές επιστήμες","Social, Political and Economic sciences"]}]},{"id":"language_rights","label":"Language and Rights","entries":[{"key":"dc:language","label":"Dc Language","values":["Ελληνικά","Greek"]}]},{"id":"identifiers","label":"Identifiers","entries":[{"key":"dc:identifier","label":"Identifier","values":["uoadl:3420193","https://pergamos.lib.uoa.gr/uoa/dl/object/3420193"]}]},{"id":"additional","label":"Additional Metadata","entries":[{"key":"dc:description","label":"Description","values":["Η παρούσα διπλωματική εργασία διερευνά τη δυναμική και την προγνωστική μοντελοποίηση των τιμών ηλεκτρικής ενέργειας στην ελληνική αγορά ενέργειας, ιδιαίτερα στο Ελληνικό Χρηματιστήριο Ενέργειας (ΕΧΑΕ). Ο πυρήνας της έρευνας περιλαμβάνει την εφαρμογή προηγμένων στατιστικών μεθόδων για την πρόβλεψη χρονοσειρών και συγκεκριμένα ARIMA (AutoRegressive Integrated Moving Average), SARIMA (Seasonal ARIMA) και ETS (Error, Trend, Seasonal). Αυτές οι μεθοδολογίες αναλύονται θεωρητικά και πρακτικά για την αποτελεσματικότητά τους στην πρόβλεψη ωριαίων τιμών ηλεκτρικής ενέργειας. Αξιοποιώντας δεδομένα από την Ελληνική Αγορά Επόμενης Ημέρας (DAM) από την 1η Νοεμβρίου 2020 έως τις 31 Αυγούστου 2023, τα μοντέλα εκπαιδεύονται και δοκιμάζονται. Η διαδικασία περιλαμβάνει λεπτομερή συλλογή δεδομένων, προεπεξεργασία και καθαρισμό, παράλληλα με τεχνικές βελτιστοποίησης και επικύρωσης παραμέτρων για την εξασφάλιση ισχυρών προβλέψεων. Τα αποτελέσματα υπογραμμίζουν τα πλεονεκτήματα και τους περιορισμούς κάθε μεθόδου, αποδεικνύοντας την αξιοπιστία τους στην παροχή ακριβών προβλέψεων απαραίτητων για στρατηγικό σχεδιασμό και λήψη επιχειρησιακών αποφάσεων στον ενεργειακό τομέα. Η εργασία ολοκληρώνεται με μια συζήτηση βασικών ευρημάτων, των επιπτώσεών τους και συστάσεων για μελλοντική έρευνα για τη βελτίωση της προγνωστικής ακρίβειας των τιμών ηλεκτρικής ενέργειας σε δυναμικές αγορές.","This thesis investigates the dynamics and predictive modeling of electricity prices in the Greek energy market, particularly within the Hellenic Energy Exchange (HENEX). The core of the research involves the application of advanced statistical methods for time series forecasting, specifically ARIMA (AutoRegressive Integrated Moving Average), SARIMA (Seasonal ARIMA), and ETS (Error, Trend, Seasonal). These methodologies are theoretically and practically analyzed for their effectiveness in predicting hourly electricity prices. Utilizing data from the Greek Day-Ahead Market (DAM) from November 1, 2020, to August 31, 2023, the models are trained and tested. The process includes detailed data collection, preprocessing, and cleaning, alongside parameter optimization and validation techniques to ensure robust predictions. The results highlight the strengths and limitations of each method, demonstrating their reliability in providing accurate forecasts essential for strategic planning and operational decision-making in the energy sector. The thesis concludes with a discussion of key findings, their implications, and recommendations for future research to enhance the predictive accuracy of electricity prices in dynamic markets."]},{"key":"dc:title","label":"Title","values":["Προβλεπτική μοντελοποίηση των τιμών ηλεκτρικής ενέργειας στην ελληνική αγορά ενέργειας: ανάλυση χρονοσειρών με χρήση μοντέλων ARIMA, SARIMA και ETS"]}]}],"canonical_facts":{"dc:creator":["Μαργαρίτης Σίμων","Margaritis Simon"],"dc:date":["2024"],"dc:description":["Η παρούσα διπλωματική εργασία διερευνά τη δυναμική και την προγνωστική μοντελοποίηση των τιμών ηλεκτρικής ενέργειας στην ελληνική αγορά ενέργειας, ιδιαίτερα στο Ελληνικό Χρηματιστήριο Ενέργειας (ΕΧΑΕ). Ο πυρήνας της έρευνας περιλαμβάνει την εφαρμογή προηγμένων στατιστικών μεθόδων για την πρόβλεψη χρονοσειρών και συγκεκριμένα ARIMA (AutoRegressive Integrated Moving Average), SARIMA (Seasonal ARIMA) και ETS (Error, Trend, Seasonal). Αυτές οι μεθοδολογίες αναλύονται θεωρητικά και πρακτικά για την αποτελεσματικότητά τους στην πρόβλεψη ωριαίων τιμών ηλεκτρικής ενέργειας. Αξιοποιώντας δεδομένα από την Ελληνική Αγορά Επόμενης Ημέρας (DAM) από την 1η Νοεμβρίου 2020 έως τις 31 Αυγούστου 2023, τα μοντέλα εκπαιδεύονται και δοκιμάζονται. Η διαδικασία περιλαμβάνει λεπτομερή συλλογή δεδομένων, προεπεξεργασία και καθαρισμό, παράλληλα με τεχνικές βελτιστοποίησης και επικύρωσης παραμέτρων για την εξασφάλιση ισχυρών προβλέψεων. Τα αποτελέσματα υπογραμμίζουν τα πλεονεκτήματα και τους περιορισμούς κάθε μεθόδου, αποδεικνύοντας την αξιοπιστία τους στην παροχή ακριβών προβλέψεων απαραίτητων για στρατηγικό σχεδιασμό και λήψη επιχειρησιακών αποφάσεων στον ενεργειακό τομέα. Η εργασία ολοκληρώνεται με μια συζήτηση βασικών ευρημάτων, των επιπτώσεών τους και συστάσεων για μελλοντική έρευνα για τη βελτίωση της προγνωστικής ακρίβειας των τιμών ηλεκτρικής ενέργειας σε δυναμικές αγορές.","This thesis investigates the dynamics and predictive modeling of electricity prices in the Greek energy market, particularly within the Hellenic Energy Exchange (HENEX). The core of the research involves the application of advanced statistical methods for time series forecasting, specifically ARIMA (AutoRegressive Integrated Moving Average), SARIMA (Seasonal ARIMA), and ETS (Error, Trend, Seasonal). These methodologies are theoretically and practically analyzed for their effectiveness in predicting hourly electricity prices. Utilizing data from the Greek Day-Ahead Market (DAM) from November 1, 2020, to August 31, 2023, the models are trained and tested. The process includes detailed data collection, preprocessing, and cleaning, alongside parameter optimization and validation techniques to ensure robust predictions. The results highlight the strengths and limitations of each method, demonstrating their reliability in providing accurate forecasts essential for strategic planning and operational decision-making in the energy sector. The thesis concludes with a discussion of key findings, their implications, and recommendations for future research to enhance the predictive accuracy of electricity prices in dynamic markets."],"dc:identifier":["uoadl:3420193","https://pergamos.lib.uoa.gr/uoa/dl/object/3420193"],"dc:language":["Ελληνικά","Greek"],"dc:subject":["Κοινωνικές, Πολιτικές και Οικονομικές επιστήμες","Social, Political and Economic sciences"],"dc:title":["Προβλεπτική μοντελοποίηση των τιμών ηλεκτρικής ενέργειας στην ελληνική αγορά ενέργειας: ανάλυση χρονοσειρών με χρήση μοντέλων ARIMA, SARIMA και ETS"],"dc:type":["born_digital_postgraduate_thesis","Διπλωματική Εργασία","Postgraduate Thesis"]},"updated_at":"2026-11-19T06:30:31Z"}