| dc.contributor.advisor | Φιλιππάκης, Μιχαήλ | |
| dc.contributor.author | Χαιρέτης, Λυκούργος | |
| dc.date.accessioned | 2026-01-09T16:10:37Z | |
| dc.date.available | 2026-01-09T16:10:37Z | |
| dc.date.issued | 2025 | |
| dc.identifier.uri | https://dione.lib.unipi.gr/xmlui/handle/unipi/18740 | |
| dc.description.abstract | Η παρούσα διπλωματική πραγματεύεται την δημιουργία μιας βάσης δεδομένων για την αγορά
της ηλεκτρικής ενέργειας, την εισαγωγή των δεδομένων στην βάση, την ανάλυση της αγοράς
ηλεκτρικής ενέργειας στην Ελλάδα καθώς και την δημιουργία μοντέλου πρόβλεψης της τιμής
ηλεκτρικής ενέργειας με μηχανική μάθηση. Πιο συγκεκριμένα, εμπεριέχει την δημιουργία μιας
βάσης, μέσω του λογισμικού MySQL, με όλα τα απαραίτητα δεδομένα που συλλέχτηκαν από
τον ENTSO-E με την χρήση API και την ιστοσελίδα Investing. Για τα δεδομένα αυτά, με την
βοήθεια της γλώσσας προγραμματισμού της Python, έγινε εισαγωγή τους στην βάση
δεδομένων, καθαρισμός αυτών, ανάλυση με σκοπό την κατανόηση της αγοράς ηλεκτρικής
ενέργειας στην Ελλάδα, ώστε να χρησιμοποιηθούν τα κατάλληλα για την δημιουργία του
μοντέλου πρόβλεψης. Όπως και για την συνολική διαχείριση των δεδομένων έτσι και για την
δημιουργία του μοντέλου πρόβλεψης χρησιμοποιήθηκε η γλώσσα προγραμματισμού της
Python. Το μοντέλο μηχανικής μάθησης που κατασκευάστηκε είναι αναδρομικά νευρωνικά
δίκτυα. | el |
| dc.format.extent | 64 | el |
| dc.language.iso | el | el |
| dc.publisher | Πανεπιστήμιο Πειραιώς | el |
| dc.title | Πρόβλεψη τιμών οριακής τιμής συστήματος ηλεκτρικής ενέργειας στην Ελλάδα με χρήση εξόρυξης δεδομένων και μηχανικής μάθησης | el |
| dc.type | Master Thesis | el |
| dc.contributor.department | Σχολή Τεχνολογιών Πληροφορικής και Επικοινωνιών. Τμήμα Ψηφιακών Συστημάτων | el |
| dc.description.abstractEN | This aim of this thesis is the creation of a database for the electricity market, the insertion of
data into the database, the analysis of the electricity market in Greece, and the development of
a machine learning model for forecasting electricity prices in the analyzed country. More
specifically, it involves the creation of a database using MySQL software, containing all the
necessary data collected from ENTSO-E via API and from the Investing website. Using the
Python programming language, the data were imported into the database, cleaned, and analyzed
to gain insights into the electricity market in Greece, in order to select the appropriate data for
building the forecasting model. Python was used for both the overall data management as well
as for the development of the forecasting model. The machine learning model constructed is
based on recurrent neural networks. | el |
| dc.contributor.master | Προηγμένα Συστήματα Πληροφορικής | el |
| dc.subject.keyword | Data | el |
| dc.subject.keyword | Electricity market | el |
| dc.subject.keyword | Machine learning | el |
| dc.subject.keyword | Analysis | el |
| dc.subject.keyword | Python | el |
| dc.subject.keyword | MySQL | el |
| dc.subject.keyword | API | el |
| dc.date.defense | 2025-11-04 | |
