Optimizing short-term electricity load predictions : a study of feed-forward and recurrent neural network models

Kaltsas, Georgios; Καλτσάς, Γεώργιος

dc.contributor.advisor	Filippakis, Michael
dc.contributor.advisor	Φιλιππάκης, Μιχαήλ
dc.contributor.author	Kaltsas, Georgios
dc.contributor.author	Καλτσάς, Γεώργιος
dc.date.accessioned	2024-11-25T13:54:23Z
dc.date.available	2024-11-25T13:54:23Z
dc.date.issued	2024-09
dc.identifier.uri	https://dione.lib.unipi.gr/xmlui/handle/unipi/17106
dc.identifier.uri	http://dx.doi.org/10.26267/unipi_dione/4529
dc.format.extent	86	el
dc.language.iso	en	el
dc.publisher	Πανεπιστήμιο Πειραιώς	el
dc.rights	Αναφορά Δημιουργού-Μη Εμπορική Χρήση-Όχι Παράγωγα Έργα 3.0 Ελλάδα	*
dc.rights.uri	http://creativecommons.org/licenses/by-nc-nd/3.0/gr/	*
dc.title	Optimizing short-term electricity load predictions : a study of feed-forward and recurrent neural network models	el
dc.type	Master Thesis	el
dc.contributor.department	Σχολή Τεχνολογιών Πληροφορικής και Επικοινωνιών. Τμήμα Ψηφιακών Συστημάτων	el
dc.description.abstractEN	This thesis aims to focus on the usage of recurrent neural networks (RNNs) for the exact short-term electrical load forecasting in Greece	el
dc.contributor.master	Πληροφοριακά Συστήματα και Υπηρεσίες	el
dc.subject.keyword	Electric load demand	el
dc.subject.keyword	Recurrent neural networks	el
dc.subject.keyword	Short-term forecast	el
dc.subject.keyword	Historical electricity usage data	el
dc.date.defense	2024-10-24

Αρχεία σε αυτό το τεκμήριο

Name:: Kaltsas_me2214.pdf
Μέγεθος:: 5.738Mb
Τύπος:: PDF
Description:: Master thesis

Προβολή/Άνοιγμα

Αυτό το τεκμήριο εμφανίζεται στις ακόλουθες συλλογές

Τμήμα Ψηφιακών Συστημάτων
Department of Digital Systems

Εμφάνιση απλής εγγραφής

Αναφορά Δημιουργού-Μη Εμπορική Χρήση-Όχι Παράγωγα Έργα 3.0 Ελλάδα

Εκτός από όπου διευκρινίζεται διαφορετικά, το τεκμήριο διανέμεται με την ακόλουθη άδεια:
Αναφορά Δημιουργού-Μη Εμπορική Χρήση-Όχι Παράγωγα Έργα 3.0 Ελλάδα