Modeling and optimizing of an island’s energy system

Αχιλλέως, Αχιλλέας; Achilleos, Achilleas

dc.contributor.author	Αχιλλέως, Αχιλλέας	el
dc.contributor.author	Achilleos, Achilleas	en
dc.date.accessioned	2021-04-15T08:07:30Z
dc.identifier.uri	https://dspace.lib.ntua.gr/xmlui/handle/123456789/53345
dc.identifier.uri	http://dx.doi.org/10.26240/heal.ntua.21043
dc.rights	Αναφορά Δημιουργού-Μη Εμπορική Χρήση-Όχι Παράγωγα Έργα 3.0 Ελλάδα	*
dc.rights	Αναφορά Δημιουργού-Μη Εμπορική Χρήση-Όχι Παράγωγα Έργα 3.0 Ελλάδα	*
dc.rights	Αναφορά Δημιουργού-Μη Εμπορική Χρήση-Όχι Παράγωγα Έργα 3.0 Ελλάδα	*
dc.rights	Αναφορά Δημιουργού-Μη Εμπορική Χρήση-Όχι Παράγωγα Έργα 3.0 Ελλάδα	*
dc.rights.uri	http://creativecommons.org/licenses/by-nc-nd/3.0/gr/	*
dc.subject	Σύστημα αποθήκευσης ενέργειας	el
dc.subject	Προβλεπτικός αλγόριθμος	el
dc.subject	Νευρωνικά δίκτυα	el
dc.subject	Neural networks	en
dc.subject	Predictive control	en
dc.subject	Renewable sources	en
dc.subject	Deep learning	en
dc.subject	Power systems simulation	en
dc.title	Modeling and optimizing of an island’s energy system	en
dc.title	Σχεδιασμός και βελτιστοποίηση συστήματος ενέργειας νήσων	el
heal.type	bachelorThesis
heal.classification	Βιομηχανικές εγκαταστάσεις	el
heal.dateAvailable	2022-04-14T21:00:00Z
heal.language	en
heal.access	embargo
heal.recordProvider	ntua	el
heal.publicationDate	2021-03-04
heal.abstract	The ever expanding of greenhouse gas emission and limitation of fossil energy sources are driving demand for the green energies. Among the variety of the renewable energy sources, the wind power and PV in large scale is known as the best replacement for the conventional source of energies. In this study, two smart algorithms have been built to manage an islandic power system. The algorithms are based in the idea of battery energy storage system (BESS). At first, a forecasting of the productions took place, as it was necessary to build the predictive management algorithms. Τhe prediction algorithm was built in Python. The forecasting used Deep learning methods and especially, Convolutional Neural Networks and Recurrent Neural Networks. In case of wind energy, a new control strategy is presented to manage the amount of energy that is generated by wind farm plant. As the battery plays a fundamental role in the control system. The control method reduces the fluctuation of supplied wind power while it empowers the operator to make a balance between energy supply and demand in a profitable way using battery energy storage. After that, a predictive energy management (EMS) algorithm was developed, capable of load smoothing and peak shaving of the maximum demand values, simultaneously. In this way, the maximum demand of the island’s system, was covered from stored renewable energy, while the operation of the diesel engines remained stable, diminishing the ramp up and the steep gradients before the night hours’ peak demand. Additionally, considering the system’s ability for energy storage, as a result of the BESS installation, a portion of the PV energy produced in daylight time period could be shifted for later use and therefore the diesel engines could avoid abrupt load changes. Through the forecasting, it was possible to estimate an hourly based trajectory for the thermal energy generator operation and acquire the BESS setpoints which would result in the desired peak shaving and smoothing level. This analysis is followed by a simulation of the model to show how it works.	en
heal.abstract	Στην παρούσα διπλωματική εργασία μελετήθηκαν δύο θέματα. Αρχικά μελετήθηκαν και συγκρίθηκαν μέθοδοι πρόβλεψης χρονοσειρών οι οποίες βασίζονταν σε μεθόδους βαθιάς μάθησης (Deep Learning). Έπειτα, μελετήθηκε η ενσωμάτωση «έξυπνων» αλγορίθμων στο σύστημα διαχείρισης ηλεκτρικής ενέργειας ενός νησιού. Η διπλωματική αυτή βασίστηκε σε πραγματικά δεδομένα κατανάλωσης και παραγωγής ενέργειας από το έτος 2014 έως και το 2016. Οι υλοποιήσεις των αλγορίθμων βασίστηκαν σε μοντέλα αποθήκευσης ηλεκτρικής ενέργειας (BESS). Οι πηγές παραγωγής ενέργειας ήταν η συμβατική μέθοδος παραγωγής μέσω θερμικής μηχανής (Diesel και LNG), αιολική και ηλιακή ενέργεια. Αφού έγινε η πρόβλεψη των χρονοσειρών ακολούθησε ο σχεδιασμός των δύο αλγορίθμων. Ο πρώτος αλγόριθμος αφορούσε την διαχείριση της αιολικής ενέργειας και την εξομάλυνση αυτής και κατ’ επέκταση την εξομάλυνση και τη σταθεροποίηση του παραγόμενου φορτίου από τη θερμική μηχανή. Ο δεύτερος αλγόριθμος αφορούσε το peak shaving με μεθόδους αποθήκευσης ενέργειας (BESS). Το σύστημα αποθηκεύει την ενέργεια στην BESS κάθε φορά που υπάρχει πλεόνασμα στην παραγωγή από το φωτοβολταϊκό σύστημα και το χρησιμοποιεί ως επιπλέον πηγή ενέργειας όταν χρειάζεται, για παράδειγμα κατά τη διάρκεια της νύχτας. Στην περίπτωση της Αιολικής Ενέργειας, μέσω ενός αλγορίθμου βελτιστοποίησης εντοπίζεται η βέλτιστη καμπύλη και η BESS λειτουργεί ως σταθεροποιητής παραγωγής σε αυτή την καμπύλη. Μια πρόκληση για την εξεύρεση λύσης έγκειται στην έλλειψη δεδομένων παραγωγής μεγάλων φωτοβολταϊκών και αιολικών σταθμών που είναι σε θέση να δημιουργήσουν διαταράξεις σε μικρότερα δίκτυα. Αυτά τα δεδομένα είναι απαραίτητα για την πρόβλεψη πιθανών μελλοντικών συμπεριφορών του εργοστασίου και τον έλεγχο της τάσης του συστήματος και των επιπέδων ισχύος (τόσο ενεργών όσο και αντιδραστικών) για την αποφυγή διαταραχών του δικτύου. Η ανάπτυξη αυτής της ιδέας βασίζεται στα Smart Grids. Το Smart Grid είναι μια έννοια για τη μετατροπή του δικτύου ηλεκτρικής ενέργειας χρησιμοποιώντας προηγμένες τεχνικές αυτόματου ελέγχου και επικοινωνιών και άλλες μορφές τεχνολογίας πληροφοριών. Ενσωματώνει καινοτόμα εργαλεία και τεχνολογίες από την παραγωγή, τη μεταφορά και τη διανομή μέχρι τις καταναλωτικές συσκευές και εξοπλισμό. Η έννοια αυτή ενσωματώνει τις ενεργειακές υποδομές, τις διαδικασίες, τις συσκευές, τις πληροφορίες και τις αγορές σε μια συντονισμένη και συνεργατική διαδικασία που επιτρέπει την παραγωγή, τη διανομή και την αποδοτικότερη κατανάλωση ενέργειας [2]. Πριν το σχεδιασμό του αλγορίθμου πραγματοποιήθηκε η πρόβλεψη χρονοσειρών. Οι προβλεπόμενες παράμετροι ήταν η συνολική ζήτηση φορτίου και οι παραγωγές θερμικής, ηλιακής και αιολικής ενέργειας. Η πρόβλεψη έγινε με αλγόριθμους νευρωνικού δικτύου που συνδυάζουν συνελικτικά και επαναλαμβανόμενα νευρωνικά δίκτυα (RNN και CNN αντίστοιχα). Σε σύγκριση με άλλες μελέτες, η παρούσα μελέτη διαφέρει καθώς μελετά την πρόβλεψη όλων των πηγών ενέργειας, τη διαχείριση αυτών των προβλεπόμενων τιμών μέσω ενός ευφυούς αλγορίθμου που χρησιμοποιεί μηχανική μάθηση και στη συνέχεια δοκιμάζει τη λειτουργία της σε ένα μοντέλο.	el
heal.advisorName	Αντωνιάδης, Ιωάννης	el
heal.committeeMemberName	Αντωνιάδης, Ιωάννης	el
heal.committeeMemberName	Προβατίδης, Χριστόφορος	el
heal.committeeMemberName	Σπιτάς, Βασίλειος	el
heal.academicPublisher	Εθνικό Μετσόβιο Πολυτεχνείο. Σχολή Μηχανολόγων Μηχανικών. Τομέας Μηχανολογικών Κατασκευών και Αυτομάτου Ελέγχου	el
heal.academicPublisherID	ntua
heal.numberOfPages	89 σ.	el
heal.fullTextAvailability	false
heal.fullTextAvailability	false
heal.fullTextAvailability	false