Εφαρμογές συσταδοποίησης στις χρεώσεις χρήσης δικτύου διανομής

Πεδιαδίτης, Παναγιώτης; Pediaditis, Panagiotis

dc.contributor.author	Πεδιαδίτης, Παναγιώτης	en
dc.contributor.author	Pediaditis, Panagiotis	en
dc.date.accessioned	2022-06-03T10:06:25Z
dc.date.available	2022-06-03T10:06:25Z
dc.identifier.uri	https://dspace.lib.ntua.gr/xmlui/handle/123456789/55233
dc.identifier.uri	http://dx.doi.org/10.26240/heal.ntua.22931
dc.description	Εθνικό Μετσόβιο Πολυτεχνείο--Μεταπτυχιακή Εργασία. Διεπιστημονικό-Διατμηματικό Πρόγραμμα Μεταπτυχιακών Σπουδών (Δ.Π.Μ.Σ.) "Επιστήμη Δεδομένων και Μηχανική Μάθηση"	el
dc.rights	Default License
dc.subject	Clustering	en
dc.subject	Distribution use-of-system tariffs	en
dc.subject	Bilevel optimization	en
dc.subject	Smart grid	en
dc.subject	Distributed energy resources	en
dc.subject	Συσταδοποίηση	el
dc.subject	Χρεώσεις χρήσης δικτύου διανομής	el
dc.subject	Διεπίπεδη βελτιστοποίηση	el
dc.subject	Έξυπνα δίκτυα ηλεκτρικής ενέργειας	el
dc.subject	Διεσπαρμένες πηγές ενέργειας	el
dc.title	Εφαρμογές συσταδοποίησης στις χρεώσεις χρήσης δικτύου διανομής	el
dc.title	Applications of Clustering on Distribution Use-of-System Τariff Design	en
heal.type	masterThesis
heal.classification	Machine Learning	en
heal.classification	Συστήματα Ηλεκτρικής Ενέργειας	el
heal.classification	Power Systems	en
heal.classification	Μηχανική Μάθηση	el
heal.language	en
heal.access	campus
heal.recordProvider	ntua	el
heal.publicationDate	2022-01-19
heal.abstract	Τα μοντέρνα συστήματα διανομής ηλεκτρικής ενέργειας διαθέτουν πόρους που, αν η διαχείριση τους γίνει σωστά, το συνολικό κοινωνικό όφελος μπορεί να μεγιστοποιηθεί. Ένας διαχειριστής συστήματος διανομής ηλεκτρικής ενέργειας μπορεί μόνο έμμεσα να διαχειριστεί και να κινητοποιήσει ευελιξία από αυτούς τους διεσπαρμένους πόρους χρησιμοποιόντας σήματα τιμής, π.χ. οι νέες μορφές χρεώσεων χρήσης δικτύου διανομής (ΧΧΔΔ). Η χρεώσεις αυτές, παρότι νέες, θα πρέπει να διατηρούν κάποια βασικά χαρακτηριστηκά που παραδοσιακά οι χρεώσεις αυτές έχουν, όπως η απλότητα και η ερμηνευσιμότητα. Με αυτό ως παράμετρο, πρόσφατες εργασίες προτείνουν την χρήση Συσταδοποίησης για την εκμετάλλευση επαναλαμβανόμενων μοτίβων στην ζήτηση και την παραγωγή στα δίκτυα διανομής, με σκοπό να σχεδιαστούν λίγα και απλά μοτίβα ΧΧΔΔ, που έχουν επικοινωνηθεί σε αρκούντως προγενέστερο χρόνο και που ταυτόχρονα κινητοποιούν τη διαθέσιμη ευελιξία προς τη μέγιστη δυνατή αύξηση της οικονομικής απόδοσης. Η παρούσα μεταπτυχιακή εργασία επεκτείνει πάνω στο θέμα της χρήσης Συσταδοποίησης στη βέλτιστη λειτουργία των συστημάτων διανομής ηλεκτρικής ενέργειας. Συγκεκριμένα, ερευνά διάφορες μεθόδους Συσταδοποίησης με σκοπό να βελτιώσει την απόδοση που η ΧΧΔΔ μπορούν να πετύχουν. Οι μέθοδοι που διερευνόνται περιλαμβάνουν της K-means, K-medoids, Hierarchical and Spectral Clustering. Το κύριο περιβάλλον ανάπτυξης είναι η γλώσσα προγραμματισμού Julia. Επιπλέον, αναπτύχθηκε περιβάλλον συνεργασίας της γλώσσας αυτής με την γλώσσα Python, που είναι η καλύτερα εδραιωμένη για εφαρμογές μηχανικής μάθησης και της οποία η χρήση προσφέρει τις περισσότερες δυνατότητες. Τα πειράματα προσομοίωσης δείχνουν ότι έστω και μόνο 4 απλά μοτίβα ΧΧΔΔ είναι αρκετά για να πετύχουν το 80% της βέλτιστης ανακατανομής ευελιξίας που ένα (μη-ρεαλιστικά εφικτό) "τέλειο" σύστημα συντονισμού (όπου μία κεντρική οντότητας διαχειρίζεται κάθε πόρο κάθε μέρα του χρόνου ξεχωριστά) μπορεί να πετύχει. Επιπλέον, αποδεικνύεται ότι η έρευνα πάνω στις διάφορες μεθόδους Συσταδοποίησης αξίζει να συνεχιστεί καθώς η παρούσα εργασία προτείνει μεθόδους που βελτιώνουν τα καλύτερα αποτελέσματα αναφοράς της βιβλιογραφίας. Τέλος, η εργασία αποδεικνύει τα οφέλη από τις συνέργιες μεταξύ διαφορετικών εργαλείων και γλωσσών προγραμματισμού που επιτρέπουν τη βέλτιστη χρησιμοποίηση των διαθέσιμων δυνατοτήτων. Για παράδειγμα, η χρήση της Julia για μαθηματική βελτιστοποίηση και της Python για μηχανική μάθηση, με την καθεμία να είναι η καλύτερη επιλογή για το κάθε πεδίο.	el
heal.abstract	Modern electricity distribution networks have flexible resources that, if managed efficiently, can increase social welfare. From a Distribution System Operator perspective, incentives for managing flexibility can be solely indirect and are, usually, price signals, with the most straightforward being novel designs of Distribution Use-of-System (DUoS) tariffs. DUoS tariffs should retain, however, their most important characteristics, such as simplicity and intelligibility. To this end, recent works propose the use of Clustering for the exploitation of recurring patterns in consumption and generation in order to design few, simple tariffs, known well ahead in time, which at the same time incentivise as much efficient flexibility re-allocation as possible. This thesis expands on the proposed theme by investigation and validating different Clustering techniques with the aim of improving the state-of-the-art resource allocation efficiency score that DUoS tariffs can achieve. A number of Clustering methods are researched, including K-means, K-medoids, Hierarchical and Spectral Clustering. The main test environment is the Julia programming language. Additionally, special consideration is given to utilise the capabilities of the best established language on the topic of Machine Learning, namely Python. Case studies show that 4 simple DUOS tariffs patterns are enough to capture nearly 80% of the optimal flexibility, within a year, that a "God"-like perfect coordination scheme (365 days with full controllability by a central entity) can achieve. Additionally, different Clustering methods are worth exploring as this thesis develops alternatives that improve significantly on the literature benchmark Clustering method. Finally, the benefit of synergies between different programming languages is proven in this thesis. These synergies allow for the most efficient use of the available resources. For example, one can use Julia for mathematical programming and Python for machine learning, each being the best option in their respected fields.	en
heal.advisorName	Σιόλας, Γεώργιος	el
heal.advisorName	Σταφυλοπάτης, Ανδρέας-Γεώργιος	el
heal.advisorName	Siolas, Georgios	en
heal.advisorName	Stafylopatis, Andreas-Georgios	en
heal.committeeMemberName	Σταφυλοπάτης, Ανδρέας-Γεώργιος	el
heal.committeeMemberName	Κόλλιας, Στέϕανος	el
heal.committeeMemberName	Στάµου, Γιώϱγος	el
heal.academicPublisher	Εθνικό Μετσόβιο Πολυτεχνείο. Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών	el
heal.academicPublisherID	ntua
heal.numberOfPages	70 σ.	el
heal.fullTextAvailability	false