Μηχανική μάθηση για έξυπνα δίκτυα ενέργειας-Vehicle-to-Grid-Services

Λουλάκης, Παναγιώτης; Loulakis, Panagiotis

dc.contributor.author	Λουλάκης, Παναγιώτης	el
dc.contributor.author	Loulakis, Panagiotis	en
dc.date.accessioned	2022-03-13T12:18:14Z
dc.date.available	2022-03-13T12:18:14Z
dc.identifier.uri	https://dspace.lib.ntua.gr/xmlui/handle/123456789/54957
dc.identifier.uri	http://dx.doi.org/10.26240/heal.ntua.22655
dc.rights	Αναφορά Δημιουργού-Μη Εμπορική Χρήση 3.0 Ελλάδα	*
dc.rights.uri	http://creativecommons.org/licenses/by-nc/3.0/gr/	*
dc.subject	Κλιματική αλλαγή	el
dc.subject	Φθορά μπαταρίας	el
dc.subject	Συστήματα ελεγχόμενης φόρτισης	el
dc.subject	Ενισχυτική μάθηση	el
dc.subject	Μαρκοβιανή διαδικασία απόφασης	el
dc.subject	Climate change	en
dc.subject	Controlled charging systems	en
dc.subject	Battery Degradation	en
dc.subject	Reinforcement learning	en
dc.subject	Markovian Decision process	en
dc.title	Μηχανική μάθηση για έξυπνα δίκτυα ενέργειας-Vehicle-to-Grid-Services	el
heal.type	bachelorThesis
heal.classification	Machine Learning	en
heal.language	el
heal.access	free
heal.recordProvider	ntua	el
heal.publicationDate	2021-10-18
heal.abstract	Σκοπός αυτής της εργασίας είναι η μελέτη και σύγκριση μεθόδων τεχνητής νοημοσύνης σε δίκτυα ελεγχόμενης και αμφίδρομης φόρτισης ηλεκτρικών αυτοκινήτων. Συγκεκριμένα, θεωρήσαμε ένα μοντέλο σταθμού φόρτισης και parking ηλεκτρικών αυτοκινήτων το οποίο εφάρμοζε τεχνικές vehicle-to-grid. Στη συνέχεια δοκιμάσαμε τη χρήση διαφορετικών αλγορίθμων ενισχυτικής μάθησης από όλες τις κατηγορίες (διακριτούς, συνεχείς και πολυδιάστατους) τους οποίους συγκρίναμε τόσο με το χρηματικό κέρδος που αποδίδουν όσο και στην φθορά της μπαταρίας των αυτοκινήτων που προκαλούν. Η μελέτη αυτή έγινε σε μεταβλητά μεγέθη parking καθώς και σε διαφορετικές κατανομές άφιξης αυτοκινήτων. Τέλος όλα τα αποτελέσματα συγκρίθηκαν με μια παραδοσιακή πολιτική φόρτισης, η οποία δεν κάνει χρήση μεθόδων τεχνητής νοημοσύνης, και αποδείξαμε ότι η χρήση κατάλληλων αλγορίθμων μηχανικής μάθησης μπορεί να φέρει πολύ καλύτερα αποτελέσματα.	el
heal.abstract	The goal of this thesis is to study and compare different machine learning techniques when applied to controlled, two-way electric car charging systems. Firstly, we introduced an electric car parking and charging station which applied vehicle-to-grid techniques. Then we tested different reinforcement learning algorithms from multiple categories (discrete, continues, multi-dimensional) and compared them based on both the monetary profit they managed to acquire, and the battery degradation they caused. This study was then repeated on different parking station sizes and with different vehicle arrival distributions. Finally, the algorithms were compared with a traditional charging policy, which doesn’t utilize artificial intelligence, in order to prove the advantages of utilizing machine learning algorithms to achieve better results.	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	101 σ.	el
heal.fullTextAvailability	false