This dissertation explores the electricity demand in Greece over the period 2015
2023, utilizing the hourly electricity total load data from the ENTSO-E Transparency
Platform. By combining exploratory data analysis, regression modeling, and traditional
time-series techniques, it aims to identify the statistical properties of electricity demand,
develop robust forecasting models, and evaluate their predictive capabilities to enhance the
understanding and management of electricity demand in Greece. The analysis begins with
a descriptive examination of the data through statistical and graphical tools for demand
patterns, such as trends and seasonality at hourly, daily, and monthly intervals, seeking to
uncover the key properties of electricity consumption in order to lay the foundation for the
development of estimation models. Based on these findings, regression analysis is employed
to quantify the impact of various factors, including time trends, seasonal variations, but also
lagged-time variables and to design models that capture the dynamic features of electricity
demand of Greece. Building upon these models, the study evaluates their short-term
predictive capabilities and compares their performance against traditional time-series
forecasting techniques, including Simple Moving Average (SMA) and Exponentially
Weighted Moving Average (EWMA). The forecasting accuracy of the various models is
assessed using metrics such as Mean Absolute Error (MAE), Mean Absolute Percentage
Error (MAPE), and Root Mean Square Error (RMSE) highlighting the strengths and
limitations of the various models under different conditions. Overall, the findings of this
dissertation seek to contribute to a deeper understanding of electricity demand dynamics in
Greece and its fundamental characteristics enhancing the theoretical understanding of the
topic but also potentially providing some valuable insights for practical implications.

Η παρούσα διπλωματική εργασία εξετάζει τη ζήτηση ηλεκτρικής ενέργειας στην
Ελλάδα κατά την περίοδο 2015–2023, αξιοποιώντας τα δεδομένα ωριαίου συνολικού
ηλεκτρικού φορτίου από την ENTSO-E Transparency Platform. Συνδυάζοντας την ανάλυση
δεδομένων, τη δημιουργία μοντέλων παλινδρόμησης και τις παραδοσιακές τεχνικές
χρονοσειρών, στοχεύει να αποκαλύψει τις στατιστικές ιδιότητες της ζήτησης ηλεκτρικής
ενέργειας, να αναπτύξει αξιόπιστα μοντέλα πρόβλεψης και να αξιολογήσει τις προβλεπτικές
τους δυνατότητες, με στόχο την ενίσχυση της κατανόησης και της διαχείρισης της
ηλεκτρικής ενέργειας στην Ελλάδα. Η ανάλυση ξεκινά με την περιγραφική εξέταση των
δεδομένων μέσω στατιστικών και γραφικών εργαλείων, των μοτίβων ζήτησης, όπως οι
τάσεις και η εποχικότητα σε ωριαία, ημερήσια και μηνιαία διαστήματα, με στόχο την
αποκάλυψη βασικών μοτίβων κατανάλωσης ηλεκτρικής ενέργειας για την δημιουργία της
βάσης στην ανάπτυξη των μοντέλων εκτίμησης. Βάσει αυτών των ευρημάτων,
χρησιμοποιείται παλινδρόμηση για την ποσοτικοποίηση της επίδρασης διαφόρων
παραγόντων, όπως οι τάσεις, οι εποχικές διακυμάνσεις αλλά και οι μεταβλητές χρονικής
υστέρησης και για τον σχεδιασμό μοντέλων που αποτυπώνουν τα δυναμικά χαρακτηριστικά
της ζήτησης ηλεκτρικής ενέργειας στην Ελλάδα. Βασιζόμενη σε αυτά τα μοντέλα, η μελέτη
αξιολογεί τις βραχυπρόθεσμες προβλεπτικές τους δυνατότητες και συγκρίνει την απόδοσή
τους με παραδοσιακές τεχνικές πρόβλεψης χρονοσειρών, συμπεριλαμβανομένων του
Απλού Κινούμενου Μέσου (SMA) και του Εκθετικού Σταθμισμένου Κινούμενου Μέσου
(EWMA). Η ακρίβεια πρόβλεψης των διάφορων μοντέλων αξιολογείται χρησιμοποιώντας
δείκτες όπως το Μέσο Απόλυτο Σφάλμα (MAE), το Μέσο Απόλυτο Ποσοστιαίο Σφάλμα
(MAPE) και το Τετραγωνικό Μέσο Σφάλμα (RMSE), επισημαίνοντας τα πλεονεκτήματα και τις αδυναμίες των διάφορων μοντέλων υπό διαφορετικές συνθήκες. Συνολικά, τα
ευρήματα αυτής της εργασίας αποσκοπούν να συμβάλουν σε μια βαθύτερη κατανόηση των
δυναμικών της ζήτησης ηλεκτρικής ενέργειας στην Ελλάδα και των θεμελιωδών
χαρακτηριστικών της, ενισχύοντας τόσο τη θεωρητική κατανόηση όσο και παρέχοντας
πολύτιμες πληροφορίες για πρακτικές εφαρμογές.