Στο πλαίσιο αυτής της διπλωματικής εργασίας αναπτύχθηκαν διαφορετικά μοντέλα βαθιάς μάθησης για την πρόβλεψη κατανάλωσης ενέργειας. Η πρόβλεψη της ενέργειας είναι ένας πολύ σημαντικός παράγοντας την σήμερον ημέρα καθώς βοηθάει πολύ στην βέλτιστη λειτουργία των σύγχρονων ενεργειακών συστημάτων, των έξυπνων δικτύων ακόμα και στις ανανεώσιμες πηγές ενέργειας οι οποίες μπαίνουν όλο και περισσότερο στην ζωή μας. Ο σκοπός αυτής της εργασίας είναι η σύγκριση και αξιολόγηση σύγχρονων αρχιτεκτονικών νευρωνικών δικτύων, με έμφαση την ακρίβεια της πρόβλεψης και την δυνατότητα της γενίκευσης των μοντέλων για την πρόβλεψη της κατανάλωσης ενέργειας. 

Αρχικά παρουσιάζεται το θεωρητικό υπόβαθρο των νευρωνικών δικτύων, των μηχανισμών τους εκπαίδευσης και των αλγορίθμων βελτιστοποίησης. Στην συνέχεια ακολουθεί η θεωρητική ανάλυση των μοντέλων που χρησιμοποιήθηκαν στην συγκεκριμένη εργασία. Επίσης παρουσιάζεται η επίδραση του καιρού και της θερμοκρασίας στην κατανάλωση της ενέργειας και τέλος ακολουθεί η υλοποίηση των μοντέλων και η παρουσίαση των καλύτερων αποτελεσμάτων για κάθε χρονικό ορίζοντα. 

Η αξιολόγηση των μοντέλων βασίζεται στις μετρικές σφάλματος RMSE και ΜΑΕ. Έτσι επιτυγχάνεται μια αντικειμενική ανάλυση και αξιολόγηση των επιδόσεων των μοντέλων πρόβλεψης. Η εργασία ολοκληρώνεται με την συζήτηση των αποτελεσμάτων, την παρουσίαση του καλύτερου μοντέλου καθώς και προτάσεις βελτίωσης των τεχνικών της πρόβλεψης ενέργειας. 

In the context of this thesis, different deep learning models were developed for predicting energy consumption. Energy prediction is a very important factor nowadays as it greatly aids in the optimal operation of modern energy systems, smart grids, and even renewable energy sources, which are increasingly becoming part of our lives. The purpose of this work is the comparison and evaluation of modern neural network architectures, with an emphasis on prediction accuracy and the generalization capability of the models for energy consumption prediction. 

Initially, the theoretical background of neural networks, their training mechanisms, and optimization algorithms are presented. This is followed by the theoretical analysis of the models used in this specific work. Additionally, the influence of weather and temperature on energy consumption is presented, and finally, the implementation of the models and the presentation of the best results for each time horizon follow. 

The evaluation of the models is based on the RMSE and MAE error metrics. Thus, an objective analysis and evaluation of the performance of the prediction models is achieved. The work concludes with the discussion of the results, the presentation of the best model, as well as suggestions for improving energy prediction techniques.