Η παρούσα διπλωματική εργασία πραγματεύεται τη σχεδίαση, ανάπτυξη και αξιολόγηση ενός Ευφυούς Συστήματος Ενεργειακής Παρακολούθησης (Intelligent Energy Management System – IEMS) για επιχείρηση που αξιοποιεί Ανανεώσιμες Πηγές Ενέργειας (ΑΠΕ), συγκεκριμένα φωτοβολταϊκά και αιολικά συστήματα. Το αναπτυχθέν σύστημα παρέχει real-time παρακολούθηση ενεργειακών δεδομένων, πρόβλεψη φωτοβολταϊκής παραγωγής μέσω Γραμμικής Παλινδρόμησης, αυτοματοποιημένη ανίχνευση ανωμαλιών και διαφοροποιημένη πρόσβαση ανά ρόλο χρήστη.
Η αρχιτεκτονική του συστήματος βασίζεται σε σύγχρονες τεχνολογίες IoT και ακολουθεί πολυεπίπεδη προσέγγιση: ο προσομοιωτής IoT (Python) παράγει συνθετικά δεδομένα τηλεμετρίας και τα μεταδίδει μέσω MQTT. Ο MQTT broker (Eclipse Mosquitto) λειτουργεί ως κεντρικός διαμεσολαβητής. Το ενδιάμεσο επίπεδο (Node-RED) επεξεργάζεται, μετασχηματίζει και δρομολογεί τα δεδομένα. Η αποθήκευση πραγματοποιείται σε SurrealDB. Τα διαδραστικά dashboards υλοποιούνται μέσω Grafana. Το σύστημα ανάλυσης και πρόβλεψης βασίζεται σε Python microservice με μοντέλο Γραμμικής Παλινδρόμησης. Ολόκληρη η υποδομή είναι containerized μέσω Docker Compose.
Η αξιολόγηση πραγματοποιήθηκε μέσω αυτοματοποιημένων δοκιμών που καλύπτουν unit tests, integration tests και σενάρια πραγματικών συνθηκών. Τα αποτελέσματα επιβεβαιώνουν την αποτελεσματικότητα του συστήματος στην ανίχνευση ανωμαλιών, την ακρίβεια των προβλέψεων και τη λειτουργική ορθότητα του μηχανισμού ειδοποιήσεων.

This thesis presents the design, development, and evaluation of an Intelligent Energy Management System (IEMS) for a business leveraging Renewable Energy Sources (RES), specifically photovoltaic and wind systems. The developed system provides real-time energy monitoring, photovoltaic production forecasting via Linear Regression, automated anomaly detection, and differentiated role-based user access.
The system architecture is based on modern IoT technologies following a multi-layered approach: an IoT simulator (Python) generates synthetic telemetry data transmitted via MQTT. The MQTT broker (Eclipse Mosquitto) acts as the central intermediary. The middleware layer (Node-RED) processes, transforms, and routes data. Storage is implemented in SurrealDB. Interactive dashboards are built with Grafana. The analytics and forecasting subsystem is a Python microservice with a Linear Regression model. The entire infrastructure is containerized via Docker Compose.
Evaluation was conducted through automated tests covering unit tests, integration tests, and real-world scenario testing. Results confirm the system's effectiveness in anomaly detection, prediction accuracy, and correct operation of the alert mechanism.