{"id":{"repo_id":"athens","oai_identifier":"oai:lib.uoa.gr:uoadl:5452702"},"canonical_url":"https://search.ndltd.org/etd/athens/oai:lib.uoa.gr:uoadl:5452702","repository":{"repo_id":"athens","name":"National and Kapodistrian University of Athens","base_url":"https://pergamos.lib.uoa.gr/uoa/dl/frontend/oaipmh"},"display":{"title":"Πρόβλεψη τιμών ηλεκτρικής ενέργειας στην προημερισία αγορά (DAM) με LSTM, GRU και SEQ-SEQ: συγκριτική εμπειρική αξιολόγηση.","abstract":"Η προημερήσια αγορά ηλεκτρικής ενέργειας (Day-Ahead Market, DAM) εμφανίζει έντονη μεταβλητότητα, ισχυρή ημερήσια και εβδομαδιαία εποχικότητα, καθώς και αιχμές τιμών. Οι αιχμές αυτές διαμορφώνονται από θεμελιώδεις παράγοντες όπως η ζήτηση, η διαθεσιμότητα των μονάδων παραγωγής και η είσοδος των ανανεώσιμων πηγών ενέργειας (ΑΠΕ) αλλά και από τους κανόνες λειτουργίας της αγοράς και τις διασυνδέσεις. Σκοπός της παρούσας διπλωματικής είναι η ανάπτυξη και η κριτική, συγκριτική αξιολόγηση μοντέλων βαθιάς μάθησης για την πρόβλεψη της ωριαίας τιμής (€/MWh) στην ελληνική DAM, με έμφαση σε LSTM, GRU και αρχιτεκτονικές encoder – decoder τύπου Seq-Seq. Στο εμπειρικό μέρος εφαρμόζεται ενιαίο πρωτόκολλο προεπεξεργασίας δεδομένων, διαχωρισμού σε train/validation/test και αξιολόγησης. Τα αποτελέσματα αποτιμώνται με MAE (Mean Absolute Error – μέσο απόλυτο σφάλμα) και με ανάλυση του σφάλματος ανά ώρα, ώστε να αναδειχθούν τόσο οι συνθήκες όπου τα μοντέλα αποδίδουν καλύτερα όσο και οι περιορισμοί τους, ιδιαίτερα σε ώρες υψηλής μεταβλητότητας.","abstract_html":"Η προημερήσια αγορά ηλεκτρικής ενέργειας (Day-Ahead Market, DAM) εμφανίζει έντονη μεταβλητότητα, ισχυρή ημερήσια και εβδομαδιαία εποχικότητα, καθώς και αιχμές τιμών. Οι αιχμές αυτές διαμορφώνονται από θεμελιώδεις παράγοντες όπως η ζήτηση, η διαθεσιμότητα των μονάδων παραγωγής και η είσοδος των ανανεώσιμων πηγών ενέργειας (ΑΠΕ) αλλά και από τους κανόνες λειτουργίας της αγοράς και τις διασυνδέσεις. Σκοπός της παρούσας διπλωματικής είναι η ανάπτυξη και η κριτική, συγκριτική αξιολόγηση μοντέλων βαθιάς μάθησης για την πρόβλεψη της ωριαίας τιμής (€/MWh) στην ελληνική DAM, με έμφαση σε LSTM, GRU και αρχιτεκτονικές encoder – decoder τύπου Seq-Seq. Στο εμπειρικό μέρος εφαρμόζεται ενιαίο πρωτόκολλο προεπεξεργασίας δεδομένων, διαχωρισμού σε train/validation/test και αξιολόγησης. Τα αποτελέσματα αποτιμώνται με MAE (Mean Absolute Error – μέσο απόλυτο σφάλμα) και με ανάλυση του σφάλματος ανά ώρα, ώστε να αναδειχθούν τόσο οι συνθήκες όπου τα μοντέλα αποδίδουν καλύτερα όσο και οι περιορισμοί τους, ιδιαίτερα σε ώρες υψηλής μεταβλητότητας.","abstract_has_math":false,"creators":["ΚΑΡΚΑΝΤΕΛΙΔΗΣ ΘΕΟΔΩΡΟΣ","KARKANTELIDIS THEODOROS"],"institution":null,"degree_name":null,"degree_level":null,"degree_discipline":null,"degree_department":null,"school":null,"contributors":[],"advisors":[],"committee_chairs":[],"committee_members":[],"year":2026,"date_issued":"2026","date_published":"2026","updated_at":"2026-11-19T05:20:52Z","subjects":["Τεχνολογία – Πληροφορική","Technology - Computer science"],"languages":["Ελληνικά","Greek","English"],"rights":[],"rights_urls":[],"identifier_entries":[{"key":"dc:identifier","label":"Identifier","values":["uoadl:5452702"],"render_values":[{"text":"uoadl:5452702","href":null,"code":true}]}],"person_identifier_entries":[]},"links":{"outbound_url":"https://pergamos.lib.uoa.gr/uoa/dl/object/5452702","outbound_label":"Repository record","outbound_source":"dc:identifier","record_url":"https://pergamos.lib.uoa.gr/uoa/dl/object/5452702","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%3A5452702","prefix":"oai_dc"},"metadata_groups":[{"id":"people","label":"People","entries":[{"key":"dc:creator","label":"Author","values":["ΚΑΡΚΑΝΤΕΛΙΔΗΣ ΘΕΟΔΩΡΟΣ","KARKANTELIDIS THEODOROS"]}]},{"id":"academic_context","label":"Academic Context","entries":[{"key":"dc:date","label":"Dc Date","values":["2026"]},{"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":["Ελληνικά","Greek","English"]}]},{"id":"identifiers","label":"Identifiers","entries":[{"key":"dc:identifier","label":"Identifier","values":["uoadl:5452702","https://pergamos.lib.uoa.gr/uoa/dl/object/5452702"]}]},{"id":"additional","label":"Additional Metadata","entries":[{"key":"dc:description","label":"Description","values":["Η προημερήσια αγορά ηλεκτρικής ενέργειας (Day-Ahead Market, DAM) εμφανίζει έντονη μεταβλητότητα, ισχυρή ημερήσια και εβδομαδιαία εποχικότητα, καθώς και αιχμές τιμών. Οι αιχμές αυτές διαμορφώνονται από θεμελιώδεις παράγοντες όπως η ζήτηση, η διαθεσιμότητα των μονάδων παραγωγής και η είσοδος των ανανεώσιμων πηγών ενέργειας (ΑΠΕ) αλλά και από τους κανόνες λειτουργίας της αγοράς και τις διασυνδέσεις. Σκοπός της παρούσας διπλωματικής είναι η ανάπτυξη και η κριτική, συγκριτική αξιολόγηση μοντέλων βαθιάς μάθησης για την πρόβλεψη της ωριαίας τιμής (€/MWh) στην ελληνική DAM, με έμφαση σε LSTM, GRU και αρχιτεκτονικές encoder – decoder τύπου Seq-Seq. Στο εμπειρικό μέρος εφαρμόζεται ενιαίο πρωτόκολλο προεπεξεργασίας δεδομένων, διαχωρισμού σε train/validation/test και αξιολόγησης. Τα αποτελέσματα αποτιμώνται με MAE (Mean Absolute Error – μέσο απόλυτο σφάλμα) και με ανάλυση του σφάλματος ανά ώρα, ώστε να αναδειχθούν τόσο οι συνθήκες όπου τα μοντέλα αποδίδουν καλύτερα όσο και οι περιορισμοί τους, ιδιαίτερα σε ώρες υψηλής μεταβλητότητας.","The Day-Ahead electricity market (DAM) exhibits high volatility, pronounced seasonality and price spikes driven by fundamentals, market rules and interconnections. This thesis develops and critically benchmarks deep learning models for hourly Greek DAM price forecasting, focusing on LSTM, GRU and encoder–decoder (Seq-Seq) architectures for 24-step forecasting. A consistent preprocessing pipeline, train/validation/test split and evaluation protocol are applied. Results are reported with MAE and hour-of-day error analysis."]},{"key":"dc:title","label":"Title","values":["Πρόβλεψη τιμών ηλεκτρικής ενέργειας στην προημερισία αγορά (DAM) με LSTM, GRU και SEQ-SEQ: συγκριτική εμπειρική αξιολόγηση."]}]}],"canonical_facts":{"dc:creator":["ΚΑΡΚΑΝΤΕΛΙΔΗΣ ΘΕΟΔΩΡΟΣ","KARKANTELIDIS THEODOROS"],"dc:date":["2026"],"dc:description":["Η προημερήσια αγορά ηλεκτρικής ενέργειας (Day-Ahead Market, DAM) εμφανίζει έντονη μεταβλητότητα, ισχυρή ημερήσια και εβδομαδιαία εποχικότητα, καθώς και αιχμές τιμών. Οι αιχμές αυτές διαμορφώνονται από θεμελιώδεις παράγοντες όπως η ζήτηση, η διαθεσιμότητα των μονάδων παραγωγής και η είσοδος των ανανεώσιμων πηγών ενέργειας (ΑΠΕ) αλλά και από τους κανόνες λειτουργίας της αγοράς και τις διασυνδέσεις. Σκοπός της παρούσας διπλωματικής είναι η ανάπτυξη και η κριτική, συγκριτική αξιολόγηση μοντέλων βαθιάς μάθησης για την πρόβλεψη της ωριαίας τιμής (€/MWh) στην ελληνική DAM, με έμφαση σε LSTM, GRU και αρχιτεκτονικές encoder – decoder τύπου Seq-Seq. Στο εμπειρικό μέρος εφαρμόζεται ενιαίο πρωτόκολλο προεπεξεργασίας δεδομένων, διαχωρισμού σε train/validation/test και αξιολόγησης. Τα αποτελέσματα αποτιμώνται με MAE (Mean Absolute Error – μέσο απόλυτο σφάλμα) και με ανάλυση του σφάλματος ανά ώρα, ώστε να αναδειχθούν τόσο οι συνθήκες όπου τα μοντέλα αποδίδουν καλύτερα όσο και οι περιορισμοί τους, ιδιαίτερα σε ώρες υψηλής μεταβλητότητας.","The Day-Ahead electricity market (DAM) exhibits high volatility, pronounced seasonality and price spikes driven by fundamentals, market rules and interconnections. This thesis develops and critically benchmarks deep learning models for hourly Greek DAM price forecasting, focusing on LSTM, GRU and encoder–decoder (Seq-Seq) architectures for 24-step forecasting. A consistent preprocessing pipeline, train/validation/test split and evaluation protocol are applied. Results are reported with MAE and hour-of-day error analysis."],"dc:identifier":["uoadl:5452702","https://pergamos.lib.uoa.gr/uoa/dl/object/5452702"],"dc:language":["Ελληνικά","Greek","English"],"dc:subject":["Τεχνολογία – Πληροφορική","Technology - Computer science"],"dc:title":["Πρόβλεψη τιμών ηλεκτρικής ενέργειας στην προημερισία αγορά (DAM) με LSTM, GRU και SEQ-SEQ: συγκριτική εμπειρική αξιολόγηση."],"dc:type":["born_digital_postgraduate_thesis","Διπλωματική Εργασία","Postgraduate Thesis"]},"updated_at":"2026-11-19T05:20:52Z"}