Βέλτιστη επιλογή εταιρείας ηλεκτρικής ενέργειας & διαχείριση της απόκρισης της ζήτησης βασισμένη στη μηχανική μάθηση και στη θεωρία παιγνίων

Αποστολόπουλος, Παύλος Αθανάσιος; Apostolopoulos, Pavlos Athanasios

dc.contributor.author	Αποστολόπουλος, Παύλος Αθανάσιος	el
dc.contributor.author	Apostolopoulos, Pavlos Athanasios	en
dc.date.accessioned	2018-03-23T12:36:51Z
dc.date.available	2018-03-23T12:36:51Z
dc.date.issued	2018-03-23
dc.identifier.uri	https://dspace.lib.ntua.gr/xmlui/handle/123456789/46771
dc.identifier.uri	http://dx.doi.org/10.26240/heal.ntua.15235
dc.rights	Default License
dc.subject	Συνάρτηση ευχαρίστησης	el
dc.subject	Σύστημα εκμάθησης	el
dc.subject	Θεωρία παιγνίων	el
dc.subject	Βέλτιστη κατανάλωση	el
dc.subject	Βέλτιστη τιμολόγηση	el
dc.subject	Utility function	el
dc.subject	Learning system	el
dc.subject	Game theory	el
dc.subject	Optimal consumption	el
dc.subject	Optimal pricing	el
dc.title	Βέλτιστη επιλογή εταιρείας ηλεκτρικής ενέργειας & διαχείριση της απόκρισης της ζήτησης βασισμένη στη μηχανική μάθηση και στη θεωρία παιγνίων	el
heal.type	bachelorThesis
heal.classification	Διαχείριση ενέργειας	el
heal.classificationURI	http://data.seab.gr/concepts/6424e9f5e2346b11143743343eba1341c52b9f25
heal.language	el
heal.access	free
heal.recordProvider	ntua	el
heal.publicationDate	2017-10-31
heal.abstract	Σκοπός της παρούσας διπλωματικής εργασίας είναι η μελέτη του σύνθετου προβλήματος βέλτιστης επιλογής εταιρείας ηλεκτρικής ενέργειας σε συνδυασμό με τη διαχείριση της απόκρισης της ζήτησης σε ένα έξυπνο δίκτυο διανομής που αποτελείται από πολλαπλές εταιρείες ηλεκτροπαραγωγής και πολλαπλούς χρήστες - καταναλωτές, με την εν λόγω διαχείριση να είναι βασισμένη στην μηχανική μάθηση και στη θεωρία παιγνίων. Στα πλαίσια αυτής της εργασίας, κάθε εταιρεία ηλεκτρικής ενέργειας χαρακτηρίζεται από τη φήμη και την ανταγωνιστικότητα της. Οι πελάτες που ενεργούν ως αυτοματοποιημένα συστήματα εκμάθησης προσπαθούν ανεξάρτητα να μεγιστοποιήσουν το όφελος τους, το οποίο εκφράζεται με μία συνάρτηση ευχαρίστησης. Από την άλλη πλευρά οι εταιρείες ηλεκτρικής ενέργειας προσπαθούν εξίσου ανεξάρτητα να μεγιστοποιήσουν τη δική τους συνάρτηση ευχαρίστησης, η οποία είναι άμεσα συνδεδεμένη με το κέρδος που επιτυγχάνουν από την πώληση της ηλεκτρικής ενέργειας. Επομένως, οι καταναλωτές επιλέγουν την πιο κατάλληλη εταιρεία παροχής ηλεκτρικού ρεύματος σύμφωνα με την προσφερόμενη τιμή και τις ανάγκες τους σε ηλεκτρική ενέργεια. Η βέλτιστη επιλογή αυτή επιτυγχάνεται με την εφαρμογή τεχνικής μάθησης. Δεδομένης της επιλογής της εταιρείας της ηλεκτρικής ενέργειας των πελατών, το πρόβλημα διαχείρισης της απόκρισης της ζήτησης (Demand Response Management - DRM) διατυπώνεται ως ένα πλαίσιο θεωρητικής βελτιστοποίησης παιγνίου δύο σταδίων, όπου στο πρώτο στάδιο προσδιορίζεται η βέλτιστη κατανάλωση ηλεκτρικής ενέργειας από τους πελάτες και στο δεύτερο στάδιο υπολογίζεται η βέλτιστη τιμολόγηση από την πλευρά των εταιρειών ηλεκτρικής ενέργειας. Η έξοδος του προβλήματος διαχείρισης της απόκρισης της ζήτησης τροφοδοτεί το σύστημα εκμάθησης με σκοπό τη δημιουργία γνώσης και την ολοκλήρωση της βέλτιστης επιλογής της εταιρείας ηλεκτρικής ενέργειας. Για το σκοπό αυτό προτείνεται ένας επαναληπτικός αλγόριθμος για την εκμάθηση της μάθησης της βέλτιστης επιλογής από την πλευρά των πελατών καθώς επίσης και για την βέλτιστη διαχείριση της ζήτησης του δικτύου από την πλευρά των εταιρειών. Ο αλγόριθμος αυτός προτείνει ένα βέλτιστο πλάνο κατανάλωσης για τους πελάτες το οποίο μεγιστοποιεί την συνάρτηση ευχαρίστησης τους, ενώ συγχρόνως προσδιορίζει την πιο επωφελούμενη τιμολόγηση της ηλεκτρικής ενέργειας από την πλευρά των εταιρειών. Η απόδοση της προτεινόμενης προσέγγισης αξιολογείται μέσω μοντελοποίησης και προσομοίωσης .	el
heal.abstract	In this diploma thesis, the combined problem of power company selection and Demand Response Management in a smart grid network consisting of multiple power companies and multiple customers is studied via adopting a machine learning and game-theoretic technique. Each power company is characterized by its reputation and competitiveness. The customers who act as learning automata select the most appropriate power company to be served, in terms of price and electricity needs’ fulfillment, via a machine learning based mechanism. Given customer's power company selection, the Demand Response Management problem is formulated as a two-stage game theoretic optimization framework, where at the first stage the optimal customer's electricity consumption is determined and at the second stage the optimal power companies’ pricing is calculated. The output of the DRM problem feeds the learning system in order to build knowledge and conclude to the optimal power company selection. A two-stage Power Company learning selection and Demand Response Management (PC-DRM) iterative algorithm is proposed in order to realize the machine learning power company selection and the two-stage distributed Demand Response Management framework. The performance of the proposed approach is evaluated via modeling and simulation and its superiority against other state of the art approaches is illustrated.	en
heal.advisorName	Παπαβασιλείου, Συμεών	el
heal.committeeMemberName	Βαρβαρίγου, Θεοδώρα	el
heal.committeeMemberName	Ρουσσάκη, Ιωάννα	el
heal.academicPublisher	Εθνικό Μετσόβιο Πολυτεχνείο. Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών. Τομέας Επικοινωνιών, Ηλεκτρονικής και Συστημάτων Πληροφορικής	el
heal.academicPublisherID	ntua
heal.numberOfPages	86 σ.
heal.fullTextAvailability	true