Η παρούσα εργασία διερευνά την εφαρμογή της ενεργητικής μάθησης (active learning)
ως μεθοδολογικό και υπολογιστικό εργαλείο για την πρόβλεψη και τη διαχείριση της
ενεργειακής ζήτησης σε σύγχρονα ενεργειακά συστήματα. Μέσω συνδυαστικής
ανάλυσης της τρέχουσας επιστημονικής βιβλιογραφίας και της υλοποίησης
πειραματικού πλαισίου σε πραγματικά δεδομένα κατανάλωσης (UCI Energy Dataset),
επιβεβαιώνεται η λειτουργική υπεροχή της ενεργητικής επιλογής δειγμάτων έναντι της
τυχαίας δειγματοληψίας, όσον αφορά την ακρίβεια πρόβλεψης, το υπολογιστικό
κόστος και την ανάγκη για περιορισμένο αριθμό επισημασμένων δεδομένων. Η
εργασία εστιάζει σε δείκτες όπως το μέσο τετραγωνικό σφάλμα (MSE) και αποτυπώνει
συγκριτικά την απόδοση διαφορετικών προσεγγίσεων ενεργητικής μάθησης, όπως οι
uncertainty-based, graph-based και semi-supervised τεχνικές. Ιδιαίτερη έμφαση
δόθηκε στην υλοποίηση Python κώδικα και στην ανάλυση της συμπεριφοράς του
μοντέλου σε κάθε βήμα ενεργητικής εκπαίδευσης. Τέλος, διατυπώνονται οι βασικές
προκλήσεις και οι περιορισμοί της μεθοδολογίας, όπως η επεκτασιμότητα, η
πολυπλοκότητα υποδομής και η ευαισθησία σε δυναμικές κατανομές, ενώ προτείνονται
κατευθύνσεις μελλοντικής έρευνας που περιλαμβάνουν την ομοσπονδιακή ενεργητική
μάθηση, την πολυκριτηριακή βελτιστοποίηση και την ενσωμάτωσή της σε πλατφόρμες
λήψης αποφάσεων σε πραγματικό χρόνο.

This paper explores the application of active learning as a methodological and computational tool for forecasting and managing energy demand in modern energy systems. Through a combined analysis of current scientific literature and the implementation of an experimental framework using real consumption data (UCI Energy Dataset), the functional superiority of active sample selection over random sampling is confirmed in terms of prediction accuracy, computational cost, and the need for a limited number of labeled data.The study focuses on metrics such as mean squared error (MSE) and comparatively evaluates the performance of different active learning approaches, including uncertainty-based, graph-based, and semi-supervised techniques. Particular emphasis was placed on the implementation of Python code and the analysis of model behavior at each step of the active training process.Finally, the paper outlines the key challenges and limitations of the methodology, such as scalability, infrastructure complexity, and sensitivity to dynamic distributions, while proposing future research directions that include federated active learning, multi-criteria optimization, and its integration into real-time decision-making platforms.