Τα νευρωνικά δίκτυα ως υποκατάστατα μοντέλα για την προσομοίωση υβριδικού συστήματος νερού και ενέργειας

Ανυφαντή, Ιωάννα; Anyfanti, Ioanna

dc.contributor.author	Ανυφαντή, Ιωάννα	el
dc.contributor.author	Anyfanti, Ioanna	en
dc.date.accessioned	2018-11-05T10:25:52Z
dc.date.available	2018-11-05T10:25:52Z
dc.date.issued	2018-11-05
dc.identifier.uri	https://dspace.lib.ntua.gr/xmlui/handle/123456789/47894
dc.identifier.uri	http://dx.doi.org/10.26240/heal.ntua.8825
dc.description	Εθνικό Μετσόβιο Πολυτεχνείο--Μεταπτυχιακή Εργασία. Διεπιστημονικό-Διατμηματικό Πρόγραμμα Μεταπτυχιακών Σπουδών (Δ.Π.Μ.Σ.) “Επιστήμη και Τεχνολογία Υδατικών Πόρων”	el
dc.rights	Αναφορά Δημιουργού-Μη Εμπορική Χρήση 3.0 Ελλάδα	*
dc.rights	Αναφορά Δημιουργού - Μη Εμπορική Χρήση - Παρόμοια Διανομή 3.0 Ελλάδα	*
dc.rights	Αναφορά Δημιουργού-Μη Εμπορική Χρήση 3.0 Ελλάδα	*
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	Υβριδικό σύστημα νερού - ενέργειας	el
dc.subject	Υποκατάστατα μοντέλα	el
dc.subject	Τεχνητά νευρωνικά δίκτυα	el
dc.subject	Αντλησοταμίευση	el
dc.subject	Hybrid water - energy system	en
dc.subject	Surrogate models	el
dc.subject	Artificial neural networks	el
dc.subject	Pumped - storage systems	el
dc.subject	Ανανεώσιμες πηγές ενέργειας	el
dc.subject	Renewable energy sources	en
dc.title	Τα νευρωνικά δίκτυα ως υποκατάστατα μοντέλα για την προσομοίωση υβριδικού συστήματος νερού και ενέργειας	el
dc.title	Neural networks as surrogate models for simulating a hybrid water-energy system	en
heal.type	masterThesis
heal.classification	Προσομοίωση συστημάτων υδατικών πόρων	el
heal.classification	Simulation of water resources systems	en
heal.language	el
heal.access	free
heal.recordProvider	ntua	el
heal.publicationDate	2018-10-01
heal.abstract	Ο δυναμικά εξελισσόμενος ενεργειακός τομέας, καθώς και η αυξανόμενη ζήτηση νερού και ενέργειας, καθιστούν επιτακτική την ανάγκη για την ανάπτυξη μεθόδων που είναι ικανές να διαχειριστούν αποτελεσματικά τις δύο παραπάνω ανάγκες. Μια από τις διαθέσιμες τεχνικές για την ταυτόχρονη εκπλήρωση των αναγκών αυτών αποτελεί η αντλησοταμίευση, που εφαρμόζεται στα υβριδικά συστήματα νερού και ενέργειας. Το γεγονός ότι τα συστήματα αυτά διαχειρίζονται ταυτόχρονα τις ροές νερού και ενέργειας, καθώς και άλλοι παράγοντες όπως, για παράδειγμα, το απαιτούμενο χρονικό βήμα των υπολογισμών, συνθέτουν ένα υπολογιστικά απαιτητικό πρόβλημα προσομοίωσης και βελτιστοποίησης. Στην παρούσα μεταπτυχιακή εργασία, η πρόκληση αυτή προσεγγίζεται μέσω υποκατάστατης μοντελοποίησης με τη χρήση νευρωνικών δικτύων, που αποσκοπεί στη μείωση του υπολογιστικού χρόνου της προσομοίωσης. Η ανάπτυξη της συγκεκριμένης μεθοδολογίας βασίζεται στην παραγωγή δεδομένων εκπαίδευσης των νευρωνικών δικτύων βάσει ιστορικών δεδομένων, και στην παραγωγή δεδομένων επαλήθευσής τους βάσει συνθετικών χρονοσειρών των αντίστοιχων μεταβλητών από την εφαρμογή ενός αναλυτικού μοντέλου προσομοίωσης των εμπλεκόμενων συστημάτων. Πεδίο εφαρμογής της μεθοδολογίας αποτελεί ένα υποθετικό υβριδικό σύστημα νερού και ενέργειας στο μη διασυνδεδεμένο νησί της Αστυπάλαιας. Έπειτα από την επαλήθευση των νευρωνικών δικτύων επιλέγονται τα καταλληλότερα για την επιδιωκόμενη χρήση και αξιολογείται βάσει χρονομέτρησης η απόδοσή τους ως υποκατάστατα μοντέλα. Τα αποτελέσματα έδειξαν ότι με τη χρήση των νευρωνικών δικτύων ως υποκατάστατα μοντέλα επιτυγχάνεται σημαντική εξοικονόμηση του υπολογιστικού φόρτου, δίνοντας έναυσμα για τη διερεύνηση της χρήσης τους και σε άλλες εφαρμογές στο μέλλον.	el
heal.abstract	The dynamically changing energy field, as well as the ever increasing water and energy demand, pose a strong need for developing new methods that are capable of managing them effectively. In the last decades, economy stresses and environmental needs have orientated the energy sector towards the use of renewable energy resources and the reduction of fossil fuel use. In addition, the Directive 2009/28/EC promotes the use of energy from renewable resources making their penetration to the energy mix even more necessary. Due to the unpredictable nature of the stochastic meteorological processes (i.e., solar radiation, wind speed etc.), the renewable energy sources are characterized by inherent uncertainty. This fact results in significant fluctuations of the produced energy, and therefore instability to the energy grid; moreover, it poses an obstacle to the effective penetration of renewable energy resources. Pumped-storage systems, as components of broader hybrid water - energy systems, are considered as one of the best available techniques for the mitigation of the renewable energy resources uncertainty and the fulfillment of both water and energy demands. These schemes play a key role to the regulation of the energy balance of electric systems, as they provide the means for storing the excess of the produced energy and making it available during the demand peaks. Therefore, most of uncertainties concerning renewable energy production are drastically lessened. What is necessary for the operation of the pumped-hydroelectric-energy-storage is the use of interconnected water storage infrastructures (i.e. tanks, reservoirs) in different altitudes in order to form a scheme aiming at the integrated management of water and energy fluxes, contributing to better meeting the corresponding needs. The management of pumped – storage systems is implemented through the simulation and optimization of their operational characteristics so that their optimum efficiency is achieved. During the simulation – optimization procedure, synthetic time series accounting for the stochastic regime of the physical system are used, the length of which is long enough to obtain the desirable accuracy for the uncertainty assessments. Given that the meteorological processes as well as energy demand are characterized by significant fluctuations during small time periods, the typical time step of the analysis of hybrid water – energy systems is that of the hour. The complexity of the combined management of water and energy fluxes, the hourly time step of the computations and the long horizon of the time series used introduce a highly demanding and challenging computational burden to the simulation and optimization procedures. The present work approaches the aforementioned challenge through the use of artificial neural networks as surrogate models (metamodels) in an attempt to reduce the computational time of the simulation procedure. Simulation through surrogate modeling refers to the development and use of models that are faster in computations and surrogate/substitute the slower analytical simulation models by imitating their behavior without being so computationally “expensive” as them. In the literature, many applications of surrogate modeling in water resources can be found, meanwhile a limited number of them refer to reservoir management applications. Generally, in many of them, the role of the surrogate model is held by neural networks. However, there was not found any application of artificial neural networks (ANNs) concerning reservoir management. In the current work, ANNs are used for the simulation of the response surface of the energy balance as it is reformed after the pump – storage procedure of the system. The results showed that, through the use of neural networks as surrogate models, a significant amount of the computational effort and time can be saved, thus triggering the investigation of their use in further applications.	en
heal.advisorName	Ευστρατιάδης, Ανδρέας	el
heal.committeeMemberName	Μακρόπουλος, Χρήστος	el
heal.committeeMemberName	Νάνου, Αικατερίνη	el
heal.committeeMemberName	Makropoulos, Christos	en
heal.committeeMemberName	Efstratiadis, Andreas	en
heal.committeeMemberName	Ευστρατιάδης, Ανδρέας	el
heal.academicPublisher	Εθνικό Μετσόβιο Πολυτεχνείο. Σχολή Πολιτικών Μηχανικών	el
heal.academicPublisherID	ntua
heal.fullTextAvailability	true