Τοπική αγορά ευελιξίας

Μανιτάρης, Ηλίας; Manitaris, Ilias

dc.contributor.author	Μανιτάρης, Ηλίας	el
dc.contributor.author	Manitaris, Ilias	en
dc.date.accessioned	2025-08-29T09:09:40Z
dc.date.available	2025-08-29T09:09:40Z
dc.identifier.uri	https://dspace.lib.ntua.gr/xmlui/handle/123456789/62248
dc.identifier.uri	http://dx.doi.org/10.26240/heal.ntua.29944
dc.description	Εθνικό Μετσόβιο Πολυτεχνείο--Μεταπτυχιακή Εργασία. Διεπιστημονικό-Διατμηματικό Πρόγραμμα Μεταπτυχιακών Σπουδών (Δ.Π.Μ.Σ.) “Παραγωγή και Διαχείριση Ενέργειας”	el
dc.rights	Default License
dc.subject	Ευελιξία	el
dc.subject	Γραμμικός προγραμματισμός	el
dc.subject	Βελτιστοποίηση	el
dc.subject	Διεσπαρμένη παραγωγή	el
dc.subject	Τοπική ενεργειακή κοινότητα	el
dc.subject	Flexibility	en
dc.subject	Linear programming	en
dc.subject	Optimization	en
dc.subject	Distributed generation	en
dc.subject	Local energy community	en
dc.subject	Monte Carlo	en
dc.title	Τοπική αγορά ευελιξίας	el
dc.title	Local Flexibility Market	en
heal.type	masterThesis
heal.classification	Συστήματα Ηλεκτρικής Ενέργειας	el
heal.classification	Μαθηματικός προγραμματισμός	el
heal.language	el
heal.access	campus
heal.recordProvider	ntua	el
heal.publicationDate	2025-02-25
heal.abstract	Η παραγωγή της ηλεκτρικής ενέργειας βρίσκεται σε μια διαδικασία μετάβασης από την κλασική καύση ορυκτών καυσίμων σε μία πιο φιλική προς το περιβάλλον παραγωγή με τη συνεχή εισαγωγή Ανανεώσιμων Πηγών Ενέργειας. Αντίστοιχα με τη μετάβαση της παραγωγής, τα δίκτυα μεταφοράς και διανομής της ηλεκτρικής ενέργειας θα πρέπει να προσαρμοστούν στην ενσωμάτωση διαφόρων Διεσπαρμένων Πηγών Ενέργειας. Στη μετάβαση αυτή των δικτύων έρχονται να συμβάλουν οι Τοπικές Αγορές Ευελιξίας με την εξισορρόπηση της προσφοράς και της ζήτησης της ενέργειας σε πιο τοπικό επίπεδο. Οι αγορές αυτές βοηθούν στην καλύτερη ενσωμάτωση περισσότερων διασπαρμένων Ανανεώσιμων Πηγών Ενέργειας έχοντας βασικό ρόλο στη διαχείριση της συμφόρησης και στη διασφάλιση της σταθερότητας του δικτύου. Αξιοποιώντας το νέο μοντέλο τοπικών αγορών ευελιξίας οι Διαχειριστές Δικτύου, τόσο Μεταφοράς όσο και Διανομής, έχουν πλέον τη δυνατότητα να προμηθεύονται ευελιξία ώστε να διαχειριστούν τη συμφόρηση του δικτύου και να βελτιώσουν τη αποδοτικότητά του. Με τον τρόπο αυτό οι υπάρχουσες υποδομές δικτύου γίνονται αποδοτικότερες, αυξάνεται η χωρητικότητα των δικτύων στην εγκατάσταση περισσότερων Ανανεώσιμων Πηγών Ενέργειας οι οποίες συμβάλλουν στην αναγκαία μείωση των εκπομπών άνθρακα και εξοικονομούνται παράλληλα αρκετά χρήματα από επεκτάσεις του ηλεκτρικού δικτύου που σε διαφορετική περίπτωση θα ήταν αναγκαίες. Παράλληλα νέοι φορείς έρχονται να συμμετέχουν στην παραγωγή της ενέργειας σε πιο τοπικό επίπεδο αλλά και στην παροχή επικουρικών υπηρεσιών προς τους διαχειριστές. Φορείς όπως αυτοκαταναλωτές και ενεργειακές κοινότητες έχουν τη δυνατότητα πλέον να βελτιστοποιούν την παραγωγή τους από ανανεώσιμες πηγές αλλά και την κατανάλωση των ευέλικτων φορτίων τους προκειμένου να αυξάνουν τα κέρδη τους από την πώληση ενέργειας ή/και υπηρεσιών αλλά και να μειώνουν τα έξοδα τους από την αγορά ενέργειας από το κεντρικό δίκτυο. Αντικείμενο της παρούσας διπλωματικής είναι η μελέτη και ανάλυση μιας τοπικής αγοράς ευελιξίας για την προσφορά επικουρικών υπηρεσιών στο σύστημα μεταφοράς ενέργειας. Αναπτύσσεται ένα μοντέλο βελτιστοποίησης γραμμικού προγραμματισμού με αντικείμενο τη μεγιστοποίηση της διαθέσιμης ευελιξίας για την προσφορά της στην αγορά εξισορρόπησης της επόμενης ημέρας. Το μοντέλο θα καθορίζει πόση ισχύς θα υπάρχει διαθέσιμη για να προσφερθεί ως ευελιξία, είτε ανοδική προς το δίκτυο είτε καθοδική από το δίκτυο, για κάθε μία ώρα της επόμενης ημέρας. Η μαθηματική μοντελοποίηση του προβλήματος πραγματοποιήθηκε σε περιβάλλον Python, με χρήση του επιλυτή Gurobi. Για την εύρεση του καθαρού φορτίου της επόμενης ημέρας έγινε χρήση της προσομοίωσης Monte Carlo για την παραγωγή τυχαίων σεναρίων βάσει καμπυλών παραγωγής και κατανάλωσης και εύρεση των πιθανοτήτων κάθε σεναρίου. Στο τέλος έγινε εισαγωγή δεδομένων παραγωγής ανανεώσιμων πηγών ενέργειας και κατανάλωσης φορτίων από πραγματικές μετρήσεις μιας ενεργειακής κοινότητας, ώστε να εξεταστούν τα αποτελέσματα του μοντέλου με πραγματικά δεδομένα δικτύου.	el
heal.abstract	The production of electricity is in the process of transition from the classical burning of fossil fuels to a more environmentally friendly production with the continuous introduction of Renewable Energy Sources. Corresponding to the transition of electricity production, transmission and distribution networks will have to adapt to the integration of different Distributed Energy Sources. Local Flexibility Markets can contribute to this transition of networks by balancing energy supply and demand at a more local level. These markets help to better integrate more distributed Renewable Energy Sources, playing a key role in managing congestion and ensuring grid stability. By exploiting the new model of local flexibility markets, Network Operators, both Transmission and Distribution, are now able to procure flexibility to manage grid congestion and improve grid efficiency. This makes existing network infrastructure more efficient, increases the capacity of the networks to install more Renewable Energy Sources which contribute to the necessary reduction of carbon emissions and saves a lot of money on grid extensions that would otherwise be necessary. At the same time, new actors are coming to participate in the production of energy at a more local level and in the provision of ancillary services to the operators. Entities such as prosumers and energy communities are now able to optimize their renewable generation and the consumption of their flexible loads in order to increase their profits from the sale of energy and/or services and to reduce their costs from buying energy from the central grid. The subject of this thesis is the study and analysis of a local flexibility market for the provision of ancillary services in the energy transmission system. A linear programming optimization model is developed to maximize the available flexibility to be offered in the day-ahead balancing market. The model will determine how much power will be available to be offered as flexibility, either upwards to the grid or downwards from the grid, for each hour of the following day. The mathematical modelling of the problem was carried out in a Python environment, using the Gurobi solver. To find the net load for the next day, Monte Carlo simulation was utilized to generate random scenarios based on generation and consumption curves and find the probabilities of each scenario. Finally, renewable energy production and load consumption data from real measurements of an energy community were imported to test the model results with real grid data.	en
heal.advisorName	Δημέας, Άρης-Ευάγγελος	el
heal.committeeMemberName	Γκόνος, Ιωάννης	el
heal.committeeMemberName	Γεωργιλάκης, Παύλος	el
heal.academicPublisher	Εθνικό Μετσόβιο Πολυτεχνείο. Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών	el
heal.academicPublisherID	ntua
heal.numberOfPages	70 σ.	el
heal.fullTextAvailability	false