Συντάχθηκε 06-12-2021 12:40
Τόπος: Με τηλεδιάσκεψη
Σύνδεσμος τηλεδιάσκεψης
Έναρξη: 09/12/2021 13:00
Λήξη: 09/12/2021 14:00
Περιγραφή:
Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών
Πρόγραμμα Προπτυχιακών Σπουδών
ΠΑΡΟΥΣΙΑΣΗ ΔΙΠΛΩΜΑΤΙΚΗΣ ΕΡΓΑΣΙΑΣ
ΑΠΟΣΤΟΛΑΚΗ ΔΗΜΗΤΡΙΟ με θέμα: Βελτιστοποίηση διαχείρισης ηλεκτρικής ενέργειας σε κτήρια με τεχνικές μηχανικής μάθησης
Optimization of electric energy management in buildings based on machine learning techniques
Εξεταστική Επιτροπή:
Αναπληρωτής Καθηγητής Ευτύχιος Κουτρούλης (επιβλέπων)
Αναπληρωτής Καθηγητής Μιχαήλ Λαγουδάκης
Αναπληρωτής Καθηγητής Φώτιος Κανέλλος
Περίληψη: Οι διαρκώς αυξανόμενες ενεργειακές ανάγκες των οικιακών καταναλωτών προκαλούν αύξηση του κόστους ηλεκτρικής ενέργειας και επιπτώσεις στο περιβάλλον. Η εργασία αυτή αφορά την υλοποίηση αλγορίθμων μηχανικής μάθησης, με στόχο τη βέλτιστη διαχείριση της κατανάλωσης ηλεκτρικής ενέργειας σε συστήματα οικιακών καταναλωτών σε κτήρια. Το σύστημα που εξετάζεται περιλαμβάνει ένα φωτοβολταϊκό σύστημα παραγωγής ηλεκτρικής ενέργειας, μία διάταξη αποθήκευσης ενέργειας σε μπαταρίες και το ηλεκτρικό δίκτυο με το οποίο είναι διασυνδεδεμένα. Αναπτύχθηκε αλγόριθμος βελτιστοποίησης για τον υπολογισμό της βέλτιστης χρονοσειράς ηλεκτρικής ενέργειας που ανταλλάσσεται με το ηλεκτρικό δίκτυο έτσι ώστε να ελαχιστοποιείται το κόστος της ηλεκτρικής ενέργειας του οικιακού καταναλωτή. Παράλληλα, γίνεται επιπλέον μείωση του κόστους ηλεκτρικής ενέργειας με εφαρμογή αλγορίθμου χρονοπρογραμματισμού των ωρών λειτουργίας των επιμέρους ηλεκτρικών φορτίων του καταναλωτή. Ο βασικός αλγόριθμος μηχανικής μάθησης που ενσωματώνεται στη διαδικασία βελτιστοποίησης είναι ο Q-Learning, ενώ υλοποιούνται ακόμα δύο διαφορετικές εκδοχές του, ο αλγόριθμος Sarsa και ο Double-Q-Learning, με στόχο τη σύγκριση της απόδοσής τους στο πρόβλημα βελτιστοποίησης που εξετάζεται. Τα αποτελέσματα έδειξαν ότι με τον αλγόριθμο διαχείρισης ενέργειας που αναπτύχθηκε μπορεί να επιτευχθεί σημαντική μείωση του συνολικού κόστους ηλεκτρικής ενέργειας του καταναλωτή.
Meeting ID: 999 7350 1214
Password: 816767