Μοντέλα Τεχνητής Νοημοσύνης και Αλγόριθμοι Βελτιστοποίησης για Κατανεμημένη Παραγωγή, Ευελιξία σε Μικροδίκτυα και Εξοικονόμηση Ενέργειας σε Κτίρια

Σαρμάς, Ελισσαίος; Sarmas, Elissaios

dc.contributor.author	Σαρμάς, Ελισσαίος	el
dc.contributor.author	Sarmas, Elissaios	en
dc.date.accessioned	2024-02-09T07:22:11Z
dc.identifier.uri	https://dspace.lib.ntua.gr/xmlui/handle/123456789/58805
dc.identifier.uri	http://dx.doi.org/10.26240/heal.ntua.26501
dc.rights	Αναφορά Δημιουργού - Παρόμοια Διανομή 3.0 Ελλάδα	*
dc.rights.uri	http://creativecommons.org/licenses/by-sa/3.0/gr/	*
dc.subject	Τεχνητή νοημοσύνη	el
dc.subject	Μηχανική μάθηση	el
dc.subject	Ενεργειακός τομέας	el
dc.subject	Βελτιστοποίηση	el
dc.subject	Κτίρια	el
dc.subject	Artificial intelligence	en
dc.subject	Machine learning	en
dc.subject	Energy sector	en
dc.subject	Optimization	en
dc.subject	Buildings	en
dc.title	Μοντέλα Τεχνητής Νοημοσύνης και Αλγόριθμοι Βελτιστοποίησης για Κατανεμημένη Παραγωγή, Ευελιξία σε Μικροδίκτυα και Εξοικονόμηση Ενέργειας σε Κτίρια	el
dc.title	Artificial Intelligence Models and Optimization Algorithms for Distributed Generation, Flexibility in Microgrids and Energy Efficiency in Buildings	en
heal.type	doctoralThesis
heal.classification	Τεχνητή Νοημοσύνη	el
heal.classification	Artificial Intelligence	en
heal.dateAvailable	2025-02-08T22:00:00Z
heal.language	el
heal.access	embargo
heal.recordProvider	ntua	el
heal.publicationDate	2023-11-24
heal.abstract	Ο ενεργειακός τομέας βιώνει σήμερα σημαντικές και πρωτοφανείς αλλαγές λόγω διαφόρων παραγόντων, μεταξύ των οποίων η έντονη ανησυχία για τη βιωσιμότητα του πλανήτη. Η Συμφωνία του Παρισιού του 2015, η οποία απαιτεί τον σχεδιασμό και την εφαρμογή βιώσιμων, ισχυρών και κοινωνικά αποδεκτών πολιτικών για την καταπολέμηση της κλιματικής αλλαγής σε παγκόσμιο επίπεδο, αποτελεί σαφή ένδειξη αυτής της ανησυχίας. Η αντιμετώπιση αυτής της πρόκλησης απαιτεί μια συντονισμένη προσπάθεια μετασχηματισμού και μετατόπισης του ενεργειακού τομέα από τα συστήματα παραγωγής και κατανάλωσης που βασίζονται στα ορυκτά καύσιμα σε εναλλακτικές πηγές ενέργειας, όπως η ηλιακή, η αιολική, το υδρογόνο και οι μπαταρίες ιόντων λιθίου, μεταξύ άλλων. Αυτή η διαδικασία ενεργειακής μετάβασης είναι πολύπλοκη και έχει πολλαπλές κοινωνικές, τεχνολογικές και περιβαλλοντικές επιπτώσεις πέραν του στόχου της απαλλαγής από τον άνθρακα. Η παρούσα διδακτορική διατριβή έχει ως στόχο να συμβάλει σε αυτόν τον παγκόσμιο στόχο με την ανάπτυξη σύγχρονων μεθόδων μάθησης και μαθηματικών αλγορίθμων βελτιστοποίησης για τον τομέα της ενέργειας και των κτιρίων, με ιδιαίτερη έμφαση σε τρεις μεγάλες κατηγορίες (Ανανεώσιμες πηγές ενέργειας, Κατανεμημένοι ενεργειακοί πόροι σε επίπεδο μικροδικτύων και Ενεργειακή απόδοση κτιρίων). Μέσω της ανάπτυξης μοντέλων τεχνητής νοημοσύνης και μαθηματικής βελτιστοποίησης, η διατριβή παρουσιάζει λύσεις που αντιμετωπίζουν προβλήματα σε κάθε μία από αυτές τις κατηγορίες αναλύοντας διεξοδικά τις βασικές παραμέτρους και τις αλληλεπιδράσεις μεταξύ τους. Η συμβολή της διατριβής στην ανθρωπότητα έγκειται στην ανάπτυξη μιας ολοκληρωμένης βιβλιοθήκης μοντέλων τεχνητής νοημοσύνης και αλγορίθμων βελτιστοποίησης που μπορούν να βελτιώσουν σημαντικά την αποδοτικότητα και την αποτελεσματικότητα της διαχείρισης της ενέργειας, των ανανεώσιμων πηγών ενέργειας και της ενεργειακής απόδοσης των κτιρίων. Η διατριβή προτείνει μια ολοκληρωμένη μεθοδολογία για την επιλογή μοντέλων, αλγορίθμων και χαρακτηριστικών εισόδου για ενεργειακά προβλήματα διαφορετικών κατηγοριών προβλημάτων και την ενσωμάτωσή τους σε ένα ενιαίο μεθοδολογικό πλαίσιο. Επιπλέον, η διατριβή παρέχει μια διεξοδική ανάλυση της αλληλεξάρτησης των τριών κύριων τομέων εφαρμογής, η οποία είναι απαραίτητη για την ανάπτυξη αποτελεσματικών μοντέλων και αλγορίθμων. Παρέχοντας πρακτική επικύρωση των προτεινόμενων μοντέλων και αλγορίθμων με τη χρήση πραγματικών δεδομένων και περιπτώσεων δοκιμής, η διατριβή προσφέρει μια απτή συμβολή στην παγκόσμια προσπάθεια καταπολέμησης της κλιματικής αλλαγής μέσω της ενεργειακής μετάβασης. Οι προτεινόμενες λύσεις μπορούν να διευκολύνουν τη μετάβαση σε βιώσιμα ενεργειακά συστήματα, αντιμετωπίζοντας τις προκλήσεις που σχετίζονται με την αποανθρακοποίηση, την ψηφιοποίηση, την αποκέντρωση και τον εκδημοκρατισμό της ενέργειας. Τελικά, το παρόν ερευνητικό έργο στοχεύει να έχει ουσιαστικό και διαρκή αντίκτυπο στην ανθρωπότητα, προωθώντας την κατανόηση της ενέργειας και των κτιρίων και παρέχοντας πρακτικές λύσεις για την αντιμετώπιση των πιεστικών προκλήσεων που αντιμετωπίζουμε σήμερα. Τέλος, εκτός από τη συμβολή στον τομέα της βελτιστοποίησης του ενεργειακού και κτιριακού τομέα, η διατριβή προτείνει νέες τεχνικές στην εφαρμογή της τεχνητής νοημοσύνης. Η μάθηση μεταφοράς, η αυξητική μάθηση και η μετα-μάθηση παρουσιάζονται ως νέες προσεγγίσεις για την επίλυση των προβλημάτων που σχετίζονται με τις ανανεώσιμες πηγές ενέργειας, τους κατανεμημένους ενεργειακούς πόρους και την ενεργειακή απόδοση των κτιρίων. Οι τεχνικές αυτές επιτρέπουν την ανάπτυξη μοντέλων που μπορούν να προσαρμοστούν σε διαφορετικές εφαρμογές, επιτρέποντας τη βελτιστοποίηση του ενεργειακού τομέα με πιο αποδοτικό και αποτελεσματικό τρόπο, ανοίγοντας το δρόμο για μελλοντική έρευνα στον τομέα αυτό.	el
heal.abstract	The energy sector is currently experiencing significant and unprecedented changes due to several factors, including the pressing concern about the sustainability of the planet. The Paris Agreement of 2015, which calls for the design and implementation of sustainable, strong, and socially acceptable policies to combat climate change globally, is a clear indication of this concern. Addressing this challenge requires a concerted effort to transform and shift the energy sector from fossil fuel-based production and consumption systems to alternative energy sources such as solar, wind, hydrogen, and lithium-ion batteries, among others. This process of energy transition is complex and has multiple social, technological, and environmental implications beyond the goal of decarbonization. This PhD thesis aims to contribute to this global goal by developing modern learning methods and mathematical optimization algorithms for the energy and building sector, with a specific focus on three broad categories (Renewable Energy Sources, Distributed Energy Resources at the microgrid level, and Energy Efficiency of Buildings). Through the development of artificial intelligence and mathematical optimization models, the thesis presents solutions that address problems in each of these categories by thoroughly analyzing the key parameters and interactions between them. The contribution of the thesis to humanity lies in the development of an integrated library of artificial intelligence models and optimization algorithms that can significantly improve the efficiency and effectiveness of energy management, renewable energy sources, and energy efficiency of buildings. The thesis proposes an integrated methodology for the selection of models, algorithms, and input features for energy problems of different problem classes and their integration into a single methodological framework. In addition, the thesis provides a thorough analysis of the interdependence of the three main application areas, which is essential for the development of effective models and algorithms. By providing practical validation of the proposed models and algorithms using real-world data and test cases, the thesis offers a tangible contribution to the global effort to combat climate change through energy transition. The proposed solutions can facilitate the transition to sustainable energy systems by addressing challenges related to the Decarbonization, Digitization, Decentralization, and Democratization of energy. Ultimately, this research project aims to make a meaningful and lasting impact on humanity by advancing our understanding of energy and buildings and by providing practical solutions to address the pressing challenges we face today. Finally, in addition to the contribution to the field of energy and building sector optimization, the thesis proposes novel techniques in the application of artificial intelligence. Transfer learning, incremental learning and meta-learning are introduced as novel approaches for solving the problems related to renewable energy sources, distributed energy resources and energy efficiency of buildings. These techniques enable the development of models that can be adapted to different applications, allowing for the optimization of the energy sector in a more efficient and effective manner, paving the way for future research in this field.	en
heal.advisorName	Ψαρράς, Ιωάννης	el
heal.advisorName	Psarras, Ioannis	en
heal.committeeMemberName	Ασκούνης, Δημήτριος	el
heal.committeeMemberName	Δούκας, Χάρης	el
heal.committeeMemberName	Μέντζας, Γρηγόριος	el
heal.committeeMemberName	Φλάμος, Αλέξανδρος	el
heal.committeeMemberName	Μαρινάκης, Ευάγγελος	el
heal.committeeMemberName	Τσιχριντής, Γεώργιος	el
heal.academicPublisher	Εθνικό Μετσόβιο Πολυτεχνείο. Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών	el
heal.academicPublisherID	ntua
heal.fullTextAvailability	false