Συγκριτική μελέτη τεχνικών και αλγορίθμων βέλτιστης διαχείρισης ελαστικών φορτίων σε επίπεδο μικροδικτύου και ανάπτυξη συστήματος αποφάσεων επιλογής

Σαμαράς, Κωνσταντινός; Samaras, Konstantinos

dc.contributor.author	Σαμαράς, Κωνσταντινός	el
dc.contributor.author	Samaras, Konstantinos	en
dc.date.accessioned	2024-06-07T09:13:30Z
dc.identifier.uri	https://dspace.lib.ntua.gr/xmlui/handle/123456789/59679
dc.identifier.uri	http://dx.doi.org/10.26240/heal.ntua.27375
dc.rights	Αναφορά Δημιουργού-Μη Εμπορική Χρήση 3.0 Ελλάδα	*
dc.rights.uri	http://creativecommons.org/licenses/by-nc/3.0/gr/	*
dc.subject	Particle Swarm Optimization	en
dc.subject	Dynamic Programming	en
dc.subject	Microgrids	en
dc.subject	Μείωση κόστους	el
dc.subject	Ευέλικτα φορτία	el
dc.subject	Μπαταρία	el
dc.title	Συγκριτική μελέτη τεχνικών και αλγορίθμων βέλτιστης διαχείρισης ελαστικών φορτίων σε επίπεδο μικροδικτύου και ανάπτυξη συστήματος αποφάσεων επιλογής	el
heal.type	bachelorThesis
heal.classification	Εξοικονόμηση Ενέργειας	el
heal.dateAvailable	2025-06-06T21:00:00Z
heal.language	el
heal.access	embargo
heal.recordProvider	ntua	el
heal.publicationDate	2024-03-01
heal.abstract	Σε μια εποχή όπου οι ενεργειακές απαιτήσεις μεγαλώνουν παράλληλα με τη μείωση των πόρων, η ανάγκη για αποτελεσματική διαχείριση της ενέργειας δεν ήταν ποτέ πιο σημαντική. Η παρούσα εργασία αντιμετωπίζει την ανάγκη για βιώσιμες ενεργειακές λύσεις, εστιάζοντας στη διαχείριση των ευέλικτων φορτίων εντός μικροδικτύου. Στο επίκεντρο της μελέτης βρίσκεται ένα σύστημα που συνδυάζει την καθορισμένη κατανάλωση ενέργειας λόγω των σταθερών φορτίων, την παραγωγή ενέργειας από ανανεώσιμες πηγές ενέργειας, ενώ παράλληλα χρησιμοποιούνται ευέλικτα φορτία και ενσωματώνεται ένα σύστημα αποθήκευση ενέργειας (μπαταρία). Ο σκοπός της έρευνάς είναι ο προσδιορισμός της βέλτιστης τοποθέτησης των ευέλικτων φορτίων κατά την διάρκεια της ημέρας, συμβάλλοντας έτσι στην αποτελεσματικότερη αξιοποίηση της ενέργειας και στη ταυτόχρονη μείωση του κόστους που αποτελεί το κύριο στόχο. Μετά από λεπτομερή επισκόπηση της θεωρίας αλλά και μελέτη διατριβών με αντίστοιχες προκλήσεις, επιλέχτηκε ο αλγόριθμος Particle Swarm Optimization (PSO). Η ικανότητά του να ψάχνει και να βρίσκει αποτελεσματικές λύσεις σε πολύπλοκους, πολυδιάστατους χώρους αναζήτησης, αποτελεί ένα από τα βασικά χαρακτηριστικά του, επηρέασε στην απόφαση επιλογής του. Επιπλέον, χρησιμοποιήθηκε η μέθοδος του Δυναμικού Προγραμματισμού (DP) για το προσδιορισμό της στάθμης της μπαταρίας κάθε χρονική στιγμή, αξιοποιώντας την αποτελεσματικότητα της στη λήψη αποφάσεων σε προβλήματα πολλαπλών σταδίων. Το πειραματικό τμήμα της εργασίας διευκρινίζει τα αποτελέσματα των διαφορετικών εκδοχών του κώδικα που υλοποιήθηκαν και εκτελέστηκαν σε ένα συγκεκριμένο σενάριο, παρέχοντας επίσης και μια συγκριτική ανάλυση των αποτελεσμάτων αυτών. Διερευνήθηκε, επιπλέον η επίδραση διαφόρων παραμέτρων ,όπως ο αριθμός των σωματιδίων (n_particles), ο αριθμός των επαναλήψεων (n_iterations) και η μέγιστη χωρητικότητα της μπαταρίας (B_max) στην αποτελεσματικότητα των λύσεων. Επιπρόσθετα, εξετάστηκε ο τρόπος με τον οποίο οι εποχιακές διακυμάνσεις επηρεάζουν την απόδοση του συστήματος. Τέλος, αναλύθηκαν τα συμπεράσματα τα οποία εξήχθησαν από την εκπόνηση της διπλωματικής εργασίας, καθώς και προτάσεις για περαιτέρω εξέλιξη. Λέξεις κλειδιά: Particle Swarm Optimization, Δυναμικός Προγραμματισμός, Ευέλικτα φορτία, Μικροδυκτια, Μείωση κόστους, Μπαταρία, Κατανάλωση ενέργειας, Παραγωγή ενέργειας	el
heal.abstract	In an era of increasing energy demand and decreasing resources, the need for efficient energy management has never been more critical. This paper addresses the need for sustainable energy solutions by focusing on the management of flexible loads within the microgrid. The focus of the study is on a system that combines fixed energy consumption due to fixed loads, the generation of renewable energy, the parallel use of flexible loads and the integration of an energy storage system (battery). The aim of the research is to determine the optimal placement of the flexible loads during the day, thus contributing to a more efficient use of energy while reducing costs, which is the main objective. After a detailed review of theory and a study of work with similar challenges, the Particle Swarm Optimisation (PSO) algorithm was selected. Its ability to search and find efficient solutions in complex, multi-dimensional search spaces is one of its key features that influenced the selection decision. Furthermore, the Dynamic Programming (DP) method was used to determine the battery level at each point in time, exploiting its effectiveness in decision making in multi-stage problems. The experimental part of the paper specifies the results of the different versions of the code implemented and executed in a given scenario, and also provides a comparative analysis of these results. In addition, the influence of different parameters such as the number of particles (n_particles), the number of iterations (n_iterations) and the maximum battery capacity (B_max) on the effectiveness of the solutions has been studied. The effect of seasonal variations on the performance of the system was also studied. Finally, the conclusions drawn from the work were analysed and suggestions for further development were discussed. Keywords: Particle Swarm Optimization, Dynamic Programming, Flexible Loads, Microgrids, Cost Reduction, Battery, Energy Consumption, Energy Production	en
heal.advisorName	Μαρινάκης, Ευάγγελος	el
heal.committeeMemberName	Ψαρράς, Ιωάννης	el
heal.committeeMemberName	Ασκούνης, Δημήτριος	el
heal.academicPublisher	Εθνικό Μετσόβιο Πολυτεχνείο. Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών. Τομέας Ηλεκτρικών Βιομηχανικών Διατάξεων και Συστημάτων Αποφάσεων	el
heal.academicPublisherID	ntua
heal.numberOfPages	86 σ.	el
heal.fullTextAvailability	false