Συντάχθηκε 29-11-2022 15:20
Τόπος:
Σύνδεσμος τηλεδιάσκεψης
Έναρξη: 30/11/2022 11:15
Λήξη: 30/11/2022 12:15
ΠΟΛΥΤΕΧΝΕΙΟ ΚΡΗΤΗΣ
Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών
Πρόγραμμα Μεταπτυχιακών Σπουδών
ΠΑΡΟΥΣΙΑΣΗ ΜΕΤΑΠΤΥΧΙΑΚΗΣ ΕΡΓΑΣΙΑΣ
ΣΤΑΥΡΟΥ ΟΡΦΑΝΟΥΔΑΚΗ
με θέμα
Ένα Καινοτόμο Πλαίσιο Συνάθροισης της Ευελιξίας Έξυπνου Ηλεκτρικού Δικτύου
A Novel Smart Grid Flexibility Aggregation Framework
Εξεταστική Επιτροπή
Αναπληρωτής Καθηγητής Γεώργιος Χαλκιαδάκης (επιβλέπων)
Αναπληρωτής Καθηγητής Φώτιος Κανέλλος
Καθηγητής Μιχαήλ Λαγουδάκης
Περίληψη
Ο αυξανόμενος αριθμός εισαγωγής ολοένα και περισσότερων Κατανεμημένων Ενεργειακών Πόρων (ΚΕΠ) στο μελλοντικό Έξυπνο Δίκτυο Ηλεκτροδότησης (ΕΔΗ) έχει δημιουργήσει την ανάγκη για την δημιουργία ευφυών πολυπρακτορικών συστημάτων ικανά να αξιοποιήσουν αποτελεσματικά αυτούς τους ενεργειακούς πόρους. Επιπλέον, η επικείμενη εξάντληση των ορυκτών καυσίμων και οι αυξανόμενες εκπομπές διοξειδίου του άνθρακα έχουν καταστήσει τη μετάβαση στο Έξυπνο Δίκτυο μια πρώτιστος ερευνητική, αλλά και πρακτική, διαδικασία υψίστης σημασίας. Μερικά παραδείγματα ΚΕΠ που θα βοηθήσουν στην μετάβαση στο ΕΔΗ είναι: τα ηλεκτρικά οχήματα, τα συστήματα αποθήκευσης ενέργειας μπαταριών, οι καταναλωτές διακοπτόμενου φορτίου και οι γεννήτριες ανανεώσιμων πηγών ενέργειας, όπως τα φωτοβολταϊκά πάνελ και οι ανεμογεννήτριες. Ειδικότερα, τα ΚΕΠ είναι απαραίτητα για την ομαλή λειτουργία του μελλοντικού ΕΔΗ, καθώς τα ΚΕΠ επιτρέπουν τη χρήση ευέλικτων φορτίων, βελτιώνοντας έτσι τη σταθερότητα του Ηλεκτρικού Δικτύου και επιτρέποντας τη διαχείριση της ζήτησης από την πλευρά των καταναλωτών.
Για την αντιμετώπιση των προαναφερθέντων προβλημάτων, σε αυτή τη μεταπτυχιακή διατριβή προτείνουμε ένα νέο πλαίσιο συνάθροισης ενεργειακής ευελιξίας προερχόμενη από ΚΕΠ, που περιλαμβάνει μια πολυπρακτορική αρχιτεκτονική και διάφορους τύπους μηχανισμών για την αποτελεσματική διαχείριση και την ομαλή ενσωμάτωση των ΚΕΠ στο υπάρχον Δίκτυο Ηλεκτροδότησης. Ένα σημαντικό συστατικό της αρχιτεκτονικής μας είναι οι πράκτορες Εκτίμησης Τοπικής Ευελιξίας (ΕΤΕ), οι οποίοι βοηθούν στην μείωση των ευθυνών και των λειτουργιών του Συναθροιστή ευελιξίας (Aggregator), όπως η αντιμετώπιση προβλημάτων απορρήτου σχετικά με τα προσωπικά στοιχεία κατανάλωσης και συναλλαγών των ΚΕΠ, καθώς και η υπολογιστικά κοστοβόρα εκτίμηση της ευελιξίας του κάθε ΕΤΕ.
Το προτεινόμενο πλαίσιο συνάθροισης επιτρέπει τη δημιουργία συνασπισμών ΕΤΕ με στόχο την αποτελεσματική χρήση τους για τις ανάγκες του ΕΔΗ, αλλά και για την αύξηση των χρηματικών απολαβών τους. Για το σκοπό αυτό, αναπτύξαμε και εφαρμόσαμε μια ποικιλία μηχανισμών επιλογής μελών συνασπισμού, συμπεριλαμβανομένων μεταξύ άλλων κανόνων βαθμολόγησης και αξιολόγησης μέσω βαθιάς ενισχυτικής μάθησης. Για να επιτύχουμε μια συστηματική και ενδελεχή πειραματική διαδικασία αξιολόγησης του προτεινόμενου καινοτόμου πλαισίου συνάθροισης ευελιξίας ΚΕΠ, σχεδιάσαμε και αξιολογήσαμε την υλοποίηση μας σε διάφορα σενάρια που βασίζονται σε περιβάλλοντα ΕΔΗ, έτσι ώστε να προκύπτει μια σφαιρική εικόνα σχετικά με την αποτελεσματικότητα του πλαισίου μας. Η πειραματική μας διαδικασία αξιοποιεί δεδομένα από τον γνωστό προσομοιωτή για το ΕΔΗ, PowerTAC.
Εν τέλει, τα πειράματά μας επαληθεύουν την αποτελεσματικότητά του καινοτόμου πλαισίου συνάθροισης ευελιξίας που προτείνουμε για την ενσωμάτωση ετερογενών ΚΕΠ στο Δίκτυο Ηλεκτροδότησης, δεικνύοντας ότι η χρήση των κατάλληλων μηχανισμών έχει ως αποτέλεσμα υψηλότερες πληρωμές για τα αρμόδια ΕΤΕ που διαχειρίζεται ο προτεινόμενος Συναθροιστής ενεργειακής ευελιξίας.
Abstract
The increasing number of Distributed Energy Resources (DERs) in the emerging Smart Grid, has created an imminent need for intelligent multiagent frameworks able to utilize these assets efficiently. Additionally, the constant depletion of fossil fuels and carbon dioxide emissions have rendered the transition to Smart Grid a definite necessity. Electric vehicles, Battery Energy Storage Systems (BESS), interruptible load users, and renewable energy generators, such as solar panels and wind turbines, are only a few of the most common examples of DERs that will help in the transition to Smart Grid. In particular, DERs are essential for the smooth operation of the future Smart Grid since DERs enable flexible loads to be utilized, hence improving the stability of the Grid and enabling consumer-side demand management.
To address the significant aforementioned problems, in this MSc thesis we propose a novel DER aggregation framework, encompassing a multiagent architecture and various types of mechanisms for the effective management and efficient integration of DERs in the Grid. One critical component of our architecture is the Local Flexibility Estimators (LFEs) agents, which are key for offloading the Aggregator from serious or resource-intensive responsibilities--such as addressing privacy concerns and predicting the accuracy of DER statements regarding their offered demand response services.
The proposed aggregation framework allows the formation of efficient and effective LFE cooperatives. To this end, we developed and deployed a variety of cooperative member selection mechanisms, including scoring rules, and (deep) reinforcement learning. We use data from the well-known PowerTAC simulator to systematically evaluate our framework in various scenarios based on Smart Grid settings, so the efficiency of the framework can be properly assessed. Our experiments verify its effectiveness for incorporating heterogeneous DERs into the Grid in an efficient manner--showing that the use of appropriate mechanisms results in higher payments for competent LFEs managed by the Aggregator.
Meeting ID: 975 5697 1584
Password: 654352
