Μεταπτυχιακές Εργασίες
Μόνιμο URI για αυτήν τη συλλογήhttps://pyxida.aueb.gr/handle/123456789/7
Περιήγηση
Πλοήγηση Μεταπτυχιακές Εργασίες ανά Επιβλέπων "Burnetas, Apostolos"
A B C D E F G H I J K L M N O P Q R S T U V W X Y Z
Α Β Γ Δ Ε Ζ Η Θ Ι Κ Λ Μ Ν Ξ Ο Π Ρ Σ Τ Υ Φ Χ Ψ Ω
Τώρα δείχνει 1 - 2 από 2
- Αποτελέσματα ανά σελίδα
- Επιλογές ταξινόμησης
Τεκμήριο Demand estimation and stock management with sales information(10-07-2023) Σκαρτσίλας, Παναγιώτης; Skartsilas, Panagiotis; Athens University of Economics and Business, Department of Informatics; Dimitrakopoulos, Yiannis; Burnetas, ApostolosΣτην παρούσα εργασία μελετάται ο τρόπος με τον οποίο μπορούμε να εκτιμήσουμε προσεγγιστικά την στοχαστικη ζήτηση σε οποιοδήποτε πρόβλημα εφημεριδοπώλη. Συγκρίνουμε για το παρόν πρόβλημα μια σειρά απο μοντέλα και διακρίνουμε το καλύτερο μεταξύ αυτών για την εκτίμηση της ζήτησης αλλα και τη βελτιστοποίηση των κερδών.Τεκμήριο Optimized electrical load forecasting with automated machine learning: economic impacts in the Greek wholesale energy market leveraging an automated optimal allocation framework(14-02-2025) Κουτάντος, Νικόλαος; Koutantos, Nikolaos; Athens University of Economics and Business, Department of Informatics; Manou, Athanasia; Vassalos, Paris; Burnetas, ApostolosΑυτή η μελέτη διερευνά τη χρήση αυτόνομων αυτοματοποιημένων πλαισίων μηχανικής μάθησης για την πρόβλεψη ηλεκτρικών φορτίων με ουδέτερη μεθοδολογική προσέγγιση. Ένας στοχαστικός αλγόριθμος βελτιστοποίησης προτείνεται για την περαιτέρω ελαχιστοποίηση του κόστους και του κινδύνου της διαπραγματευόμενης ενέργειας ως ενός ενιαίου περιουσιακού στοιχείου σε διαφορετικές αγορές ενέργειας. Αυτός ο αλγόριθμος παρέχει ένα γενικό πλαίσιο για τις εμπορικές δραστηριότητες χαρτοφυλακίων φορτίου. Υπό την υπόθεση μιας διαρκώς υπεραγορασμένης κατάστασης τόσο στην Προ-Ημερήσια όσο και στις Αγορές Συμβολαίων Μελλοντικής Εκπλήρωσης, η πλεονάζουσα ενέργεια επιστρέφεται στην αγορά χωρίς έσοδα. Τα αποτελέσματα συγκρίνονται με ένα τυπικό συμβόλαιο στην Ελλάδα, το οποίο προσφέρει τη χαμηλότερη τιμή χρέωσης. Η ανάλυση πέτυχε Μέσο Απόλυτο Ποσοστιαίο Σφάλμα (MAPE) 12,89% με το βέλτιστο μοντέλο, χωρίς τη χρήση μεθόδων προεπεξεργασίας.