Μοντελοποίηση οικιακής ζήτησης ηλεκτρικής ενέργειας για χρήση σε προσομοιώσεις: Μια υλοποίηση σε Python

Κοντοχριστόπουλος, Ιωάννης; Kontochristopoulos, Ioannis

dc.contributor.author	Κοντοχριστόπουλος, Ιωάννης	el
dc.contributor.author	Kontochristopoulos, Ioannis	en
dc.date.accessioned	2017-06-12T10:04:38Z
dc.date.available	2017-06-12T10:04:38Z
dc.date.issued	2017-06-12
dc.identifier.uri	https://dspace.lib.ntua.gr/xmlui/handle/123456789/45024
dc.identifier.uri	http://dx.doi.org/10.26240/heal.ntua.7017
dc.description	Εθνικό Μετσόβιο Πολυτεχνείο--Μεταπτυχιακή Εργασία. Διεπιστημονικό-Διατμηματικό Πρόγραμμα Μεταπτυχιακών Σπουδών (Δ.Π.Μ.Σ.) “Παραγωγή και Διαχείρηση Ενέργειας”	el
dc.rights	Αναφορά Δημιουργού - Μη Εμπορική Χρήση - Παρόμοια Διανομή 3.0 Ελλάδα	*
dc.rights.uri	http://creativecommons.org/licenses/by-nc-sa/3.0/gr/	*
dc.subject	Οικιακή ζήτηση ηλεκτρικής ενέργειας	el
dc.subject	Μοντελοποίηση ζήτησης	el
dc.subject	Αλυσίδες Μαρκόφ	el
dc.subject	Διαχείριση της ζήτησης	el
dc.subject	Μικροδίκτυα	el
dc.subject	Domestic electricity use	en
dc.subject	Energy demand modelling	en
dc.subject	Markov chains	en
dc.subject	Demand side management	en
dc.subject	Microgrids	en
dc.subject	Python	en
dc.title	Μοντελοποίηση οικιακής ζήτησης ηλεκτρικής ενέργειας για χρήση σε προσομοιώσεις: Μια υλοποίηση σε Python	el
dc.title	Residential electrical power demand modelling for use in simulations: A python application	en
heal.type	masterThesis
heal.classification	ΚΑΤΑΝΑΛΩΣΗ ΕΝΕΡΓΕΙΑΣ	el
heal.classification	Μαθηματικές μέθοδοι	el
heal.classification	Μοντέλα προγραμματισμού	el
heal.classification	Μαθηματικά μοντέλα	el
heal.classification	Μοντέλα προσομοιώσης	el
heal.classification	Python (Computer program language)	en
heal.classification	Energy use and consumption	en
heal.classification	Python	en
heal.classificationURI	http://data.seab.gr/concepts/c28befbd2f11a408192cdff0a30d8c5cc87e9baf
heal.classificationURI	http://data.seab.gr/concepts/6ca5fa29c7950767cbdff3b3c2db129576fe533a
heal.classificationURI	http://id.loc.gov/authorities/subjects/sh96008834
heal.classificationURI	http://lod.nal.usda.gov/28693
heal.classificationURI	http://lod.nal.usda.gov/60696
heal.language	el
heal.access	free
heal.recordProvider	ntua	el
heal.publicationDate	2016-09-30
heal.abstract	Στον οικιακό τομέα καταναλώνεται ένα ιδιαίτερα σημαντικό ποσοστό της παγκόσμιας παραγωγής ενέργειας, περί το 20% του συνόλου αυτής, προκαλώντας αντίστοιχες εκπομπές CO2. Για τη μείωση της κατανάλωσης ενέργειας, η πρόβλεψη της ζήτησης και κυρίως των αιχμών αυτής, έχει βασικότατο ρόλο. Προς αυτό το σκοπό, η καλύτερη ανάλυση της εξέλιξης της ζήτησης μπορεί να ανοίξει νέους δρόμους στο πεδίο της διεσπαρμένης παραγωγής, παρέχοντας δυνατότητες καλύτερου συγχρονισμού παραγωγής – ζήτησης και κάνοντας ρεαλιστική την εφαρμογή νέων τεχνολογιών όπως τα μικροδίκτυα. Σε αυτή τη μεταπτυχιακή εργασία παρουσιάζεται ένα μοντέλο προσομοίωσης της οικιακής ζήτησης ηλεκτρικής ενέργειας το οποίο υλοποιείται ως εφαρμογή ηλεκτρονικού υπολογιστή, γραμμένη στη γλώσσα προγραμματισμού Python. Το μοντέλο αποτελεί εξέλιξη προγενέστερων μοντέλων τα οποία βασίζονται στην ισχυρή σχέση που έχουν οι δραστηριότητες των κατοίκων με τη ζήτηση ηλεκτρικής ενέργειας σε κατοικίες. Πιο συγκεκριμένα, παράγονται δεδομένα ζήτησης ενέργειας με στοχαστικό τρόπο, κάνοντας χρήση τεχνικών Μαρκοβιανών αλυσίδων και μεθόδων Monte Carlo, λαμβάνοντας υπόψη τις δραστηριότητες των κατοίκων, τις εγκατεστημένες ηλεκτρικές συσκευές, τις ανάγκες φωτισμού καθώς και άλλους χρονικούς παράγοντες. Προστιθέμενη αξία στην εργασία αυτή δίνει η θεώρηση πως οι παράγοντες που επηρεάζουν τη συμπεριφορά των κατοίκων είναι ανεξάρτητοι μεταξύ τους αλλά και το γεγονός πως η υλοποίηση έγινε με τη μορφή εφαρμογής ηλεκτρονικού υπολογιστή, αυξάνοντας σημαντικά το πεδίο εφαρμογής της. Η εφαρμογή που αναπτύχθηκε έχει τη δυνατότητα δημιουργίας δεδομένων ζήτησης ισχύος ανάλυσης δεκαλέπτου, διατηρώντας ικανοποιητικές ταχύτητες εκτέλεσης και για μεγάλους αριθμούς κατοικιών. Συγκεκριμένα η μέθοδος είναι αποδοτική στη μοντελοποίηση συμπλεγμάτων κτιρίων μεσαίου μεγέθους και αναμένεται να έχει εφαρμογή στην προσομοίωση και τον προβλεπτικό έλεγχο μικροδικτύων, αναλύοντας παράλληλα τις επιπτώσεις της εισαγωγής τους στην αγορά ηλεκτρικής ενέργειας. Στην εργασία παρουσιάζονται αποτελέσματα από την εκτέλεση της εφαρμογής τα οποία αποδεικνύουν την αξία της μεθόδου.	el
heal.abstract	Residential housing is one of the most important energy consumption sectors, using about 20% of the global energy production, thus causing proportional CO2 emissions. In order to reduce energy consumption, electricity demand prediction, specifically of the demand peaks is of great importance. Such prediction of the demand can open new paths concerning the application of innovative energy efficiency – low carbon strategies and techniques such as distributed production and demand side management (DSM) as well as the optimization of synchronization of production and demand, enabling the application of technologies such as microgrids. In this master’s thesis, a model for domestic energy demand is presented and used as a basis for the development of a software application created with the Python programming language. The model is an evolution of pre-existing works and based on the strong correlation between domestic energy demand and the residents’ activities. Specifically, per-house synthetic electricity demand data are created stochastically by using Markov Chain techniques and Monte Carlo methods, taking into account factors such as the residents’ activities, the house appliances and luminaires and other temporal factors. The added value of this thesis, is in the assumption that the factors affecting the residents’ behavior are independent, as well as the fact that a computer application was developed, improving its applicability. The developed application can generate ten-minute resolution power demand data, with fast execution times for even large numbers of residences. More specifically the application is efficient in modeling medium-sized residence clusters and expected to be of use for microgrid modeling and predictive control, also analyzing the impact of their introduction in the electrical energy market. In this study, generated results from the execution of the application are presented, confirming the value of the method.	en
heal.advisorName	Δούκας, Χρυσόστομος	el
heal.committeeMemberName	Δούκας, Χρυσόστομος	el
heal.committeeMemberName	Ψαρράς, Ιωάννης	el
heal.committeeMemberName	Διαλυνάς, Ευάγγελος	el
heal.academicPublisher	Εθνικό Μετσόβιο Πολυτεχνείο. Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών	el
heal.academicPublisherID	ntua
heal.numberOfPages	67 σ.	el
heal.fullTextAvailability	true