dc.contributor.author |
Σταμούλης, Κωνσταντίνος
|
el |
dc.contributor.author |
Stamoulis, Konstantinos
|
en |
dc.date.accessioned |
2022-04-05T10:14:13Z |
|
dc.date.available |
2022-04-05T10:14:13Z |
|
dc.identifier.uri |
https://dspace.lib.ntua.gr/xmlui/handle/123456789/55028 |
|
dc.identifier.uri |
http://dx.doi.org/10.26240/heal.ntua.22726 |
|
dc.rights |
Default License |
|
dc.subject |
Μηχανική μάθηση |
el |
dc.subject |
Ενισχυτική μάθηση |
el |
dc.subject |
Σύστημα αποθήκευσης ενέργειας |
el |
dc.subject |
Αγορές ενέργειας |
el |
dc.subject |
Αποθήκευση ηλεκτρικής ενέργειας |
el |
dc.subject |
Reinforcement learning |
en |
dc.subject |
Energy storage system |
en |
dc.subject |
Energy markets |
en |
dc.subject |
Imbalance price |
en |
dc.subject |
Machine learning |
en |
dc.title |
Έλεγχος συστήματος αποθήκευσης ενέργειας με χρήση μεθόδων ενισχυτικής μάθησης |
el |
heal.type |
bachelorThesis |
|
heal.classification |
Μηχανική Μάθηση |
el |
heal.classification |
Αποθήκευση Ενέργειας |
el |
heal.language |
el |
|
heal.access |
free |
|
heal.recordProvider |
ntua |
el |
heal.publicationDate |
2021-12-08 |
|
heal.abstract |
Η μεγάλη διείσδυση των Ανανεώσιμων Πηγών Ενέργειας στις αγορές τα τελευταία χρόνια απαιτεί εξίσου μεγάλη ευελιξία από τα δίκτυα ενέργειας για να μπορέσουν να εξισορροπήσουν την αστάθεια και τους κινδύνους που προκαλούν σε αυτά. Η μεγάλη ευελιξία που παρέχουν τα Συστήματα Αποθήκευσης Ενέργειας (Energy Storage Systems), σε συνδυασμό με την συνεχή μείωση του κόστους κατασκευής τους, έχουν ευνοήσει την ενσωμάτωσή τους στα δίκτυα, με σκοπό την αντιμετώπιση αυτών των ανισορροπιών. Στόχος της παρούσας διπλωματικής εργασίας είναι η μελέτη, ο σχεδιασμός και η αξιολόγηση της απόδοσης μεθόδων Μηχανικής Μάθησης (Machine Learning) για έναν οικονομικά βέλτιστο έλεγχο ενός Συστήματος Αποθήκευσης Ενέργειας που συμμετέχει στην εξισορρόπηση της ηλεκτρικής ενέργειας σε ένα δίκτυο. Με την εφαρμογή των αλγορίθμων, λαμβάνονται υπόψη οι τιμές ανισορροπίας και μελετάται η ποσότητα ενέργειας που πρέπει να αποθηκεύσει στο σύστημα ο χειριστής, ή αντίστοιχα η ποσότητα που πρέπει να διοχετεύσει στο δίκτυο, με στόχο πάντα να μεγιστοποιήσει το τελικό κέρδος. Πιο συγκεκριμένα το πρόβλημα μοντελοποιήθηκε ως μια Μαρκοβιανή Διαδικασία Αποφάσεων (MDP) και αναπτύχθηκαν μέθοδοι Ενισχυτικής Μάθησης για τον έλεγχο του συστήματος. Από τα αποτελέσματα προκύπτει ότι η απόδοση που προσφέρουν είναι αρκετά υψηλότερη έναντι μιας κοινής προσέγγισης που θα μπορούσε να έχει το πρόβλημα. |
el |
heal.advisorName |
Βαρβαρίγος, Εμμανουήλ |
el |
heal.committeeMemberName |
Βαρβαρίγου, Θεοδώρα |
el |
heal.committeeMemberName |
Αβραμόπουλος, Ηρακλής |
el |
heal.academicPublisher |
Εθνικό Μετσόβιο Πολυτεχνείο. Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών. Τομέας Επικοινωνιών, Ηλεκτρονικής και Συστημάτων Πληροφορικής |
el |
heal.academicPublisherID |
ntua |
|
heal.numberOfPages |
67 σ. |
el |
heal.fullTextAvailability |
false |
|