Βελτιστοποίηση κόστους και ποιότητας ζωής των μπαταριών συστήματος V2G μέσω χρήσης Ενισχυτικής Μηχανικής Μάθησης

Βαλμάς, Αντώνιος; Valmas, Antonios

dc.contributor.author	Βαλμάς, Αντώνιος	el
dc.contributor.author	Valmas, Antonios	en
dc.date.accessioned	2021-11-03T12:19:12Z
dc.date.available	2021-11-03T12:19:12Z
dc.identifier.uri	https://dspace.lib.ntua.gr/xmlui/handle/123456789/54025
dc.identifier.uri	http://dx.doi.org/10.26240/heal.ntua.21723
dc.rights	Default License
dc.subject	Αγορά ηλεκτρικής ενέργειας	el
dc.subject	Ηλεκτρικά οχήματα	el
dc.subject	Φθορά μπαταρίας	el
dc.subject	Ενισχυτική μάθηση	el
dc.subject	Διπλή βαθιά Q-μάθηση	el
dc.subject	Electric market	en
dc.subject	Electric vehicles	en
dc.subject	Battery degradation	en
dc.subject	Reinforcement learning	en
dc.subject	Double deep Q-Learning	en
dc.title	Βελτιστοποίηση κόστους και ποιότητας ζωής των μπαταριών συστήματος V2G μέσω χρήσης Ενισχυτικής Μηχανικής Μάθησης	el
heal.type	bachelorThesis
heal.classification	Μηχανική Μάθηση	el
heal.language	el
heal.access	free
heal.recordProvider	ntua	el
heal.publicationDate	2021-09-09
heal.abstract	Σκοπός της παρούσας διπλωματική είναι η βελτιστοποίηση του ελεγχόμενου συστήματος αμφίδρομης φόρτισης ως προς το κόστος φόρτισης αλλά και τη φθορά που προκαλείται στην μπαταρία. Αρχικά γίνεται εισαγωγή στην έννοια των ανανεώσιμων πηγών ενέργειας, στη φύση τους καθώς και τα πλεονεκτήματα και μειονεκτήματα που έχουν. Ύστερα παρουσιάζουμε τη μορφή της αγοράς ενέργειας και πως αυτή έχει τη δυνατότητα ρύθμισης και ελέγχου των ανανεώσιμων πηγών ενέργειας. Επιπλέον, κάνουμε μια μικρή εισαγωγή στη λειτουργία των ηλεκτρικών οχημάτων, στους λόγους φθοράς των μπαταριών τους καθώς και στους τρόπους που αυτή μπορεί να μειωθεί μέσα από ελεγχόμενα συστήματα φόρτισης όπως το σύστημα έξυπνου φορτιστή, και τα συστήματα αμφίδρομης φόρτισης. Ολοκληρώνουμε την εισαγωγή μας αναφέροντας την ενισχυτική μάθηση και συγκεκριμένα τη λειτουργία δύο βασικών αλγορίθμων: τη βαθιά Q-μάθηση και τη διπλή βαθιά Q-μάθηση. Παρουσιάζουμε την υλοποίηση του περιβάλλοντος μας, η οποία έχει ως στόχο την απλοποίηση της διαδικασίας αποφάσεων δίνοντας στο σύστημα τη δυνατότητα να πάρει αποφάσεις για το σύνολο του πάρκινγκ και όχι για κάθε όχημα ξεχωριστά. Με τον τρόπο αυτό έχουμε τη δυνατότητα εφαρμογής τους αλγορίθμου μας σε οποιοδήποτε πάρκινγκ ανεξάρτητα από τον αριθμό των εισερχόμενων οχημάτων. Για το παραπάνω περιβάλλον δημιουργούμε τρεις πολιτικές: Μια πολιτική έξυπνου φορτιστή, μια απλοποιημένη πολιτική αμφίδρομης φόρτισης και μια βελτιστοποιημένη πολιτική αμφίδρομης φόρτισης κάνοντας χρήση του αλγορίθμου διπλής βαθιάς Q-μάθησης. Τέλος, συγκρίνουμε τα αποτελέσματα των τριών αυτών διαφορετικών πολιτικών προκειμένου να συμπεράνουμε αν η ενισχυτική μάθηση μπορεί να συμβάλει στη βελτιστοποίηση του V2G συστήματος.	el
heal.abstract	The purpose of this thesis is to optimize the controlled two-way charging system (V2G) in terms of charging costs and damage caused to the battery. Firstly, we introduce the concept of renewable energy sources, their nature as well as the advantages and disadvantages they have. Then we present the energy market and how it has the ability to regulate and control the renewable energy sources. In addition, we make a brief introduction to the operation of electric vehicles, the reasons for the wear of their batteries and the ways in which it can be reduced through controlled charging systems such as the smart charger system (V1G), and two-way charging systems (V2G, V2V etc.). We conclude our introduction by mentioning reinforcement learning and in particular the operation of two basic algorithms: deep Q- learning and double deep Q-learning. We present the implementation of our environment, which aims to simplify the decision process by enabling the system to make decisions for the entire parking lot and not for each vehicle separately. In this way we have the ability to apply our algorithm in any parking lot regardless of the number of incoming vehicles. For the above environment we create three policies: A smart charger policy, a simplified two-way charging policy and an optimized two-way charging policy using the double deep Q-learning algorithm. Finally, we compare the results of these three different policies in order to conclude whether reinforcement learning can contribute to the optimization of the V2G system.	en
heal.advisorName	Βαρβαρίγος, Εμμανουήλ	el
heal.committeeMemberName	Βαρβαρίγου, Θεοδώρα	el
heal.committeeMemberName	Παπαβασιλείου, Συμεών	el
heal.academicPublisher	Εθνικό Μετσόβιο Πολυτεχνείο. Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών. Τομέας Επικοινωνιών, Ηλεκτρονικής και Συστημάτων Πληροφορικής	el
heal.academicPublisherID	ntua
heal.numberOfPages	103 σ.	el
heal.fullTextAvailability	false