Data-driven applications for reliable smart grids in the framework of energy communities and distributed energy resources

View at publisher Summarise with VIRAT
Authors: Αθανάσιος Μπαχούμης
Cited by: 0

Summary

No summary yet. VIRAT can read this paper and write a plain-language summary of its aim, methods, key findings and limitations.

Summarise with VIRAT Free to try with your Science Catalogs account.

Abstract

Εισαγωγή και ανάγκες: Η ψηφιοποίηση των ενεργειακών συστημάτων και η αύξηση της διείσδυσης της Διεσπαρμένης Παραγωγής (ΔΠ) μετασχηματίζουν τα δίκτυα ηλεκτρικής ενέργειας, δημιουργώντας νέες προκλήσεις και ευκαιρίες για την αξιοπιστία και τη βιωσιμότητα. Η μαζική ενσωμάτωση της ΔΠ που βασίζεται σε Ανανεώσιμες Πηγές Ενέργειας (ΑΠΕ) έχει επιφέρει σημαντικές αβεβαιότητες στη λειτουργία του δικτύου, ασκώντας πίεση στις παραδοσιακές προσεγγίσεις για τη διατήρηση σταθερής και αδιάλειπτης παροχής ηλεκτρικής ενέργειας. Ταυτόχρονα, η πρόοδος στα μετρητικά στοιχεία, στην ανάλυση δεδομένων και το υπολογιστικό συνεχές (από το νέφος έως την παρυφή), έχουν ανοίξει νέους δρόμους για εφαρμογές βασισμένες σε δεδομένα που μπορούν να ενισχύσουν την ανθεκτικότητα των έξυπνων δικτύων. Σε αυτό το πλαίσιο, η παρούσα διδακτορική διατριβή υποκινείται από την ανάγκη αξιοποίησης των πλέον σύγχρονων ψηφιακών τεχνολογιών, συμπεριλαμβανομένης της Μηχανικής Μάθησης και των πλατφόρμων νέφους/παρυφής, ώστε να διασφαλιστεί η αξιόπιστη λειτουργία των έξυπνων δικτύων στο πλαίσιο των σύγχρονων ενεργειακών κοινοτήτων και των αποκεντρωμένων λειτουργικών πρακτικών που υιοθετούνται από τους διαχειριστές δικτύου την τελευταία δεκαετία. Ερευνητικοί στόχοι και ερωτήματα: Η διατριβή στοχεύει στην ανάπτυξη και αξιολόγηση νέων μεθοδολογιών βασισμένων σε δεδομένα, οι οποίες ενισχύουν την αξιοπιστία και τη λήψη αποφάσεων σε έξυπνα δίκτυα με υψηλή διείσδυση ΑΠΕ και ενεργές τοπικές ενεργειακές κοινότητες. Βασικά ερευνητικά ερωτήματα που αντιμετωπίζονται περιλαμβάνουν: (1) Πώς μπορούν η Μηχανική Μάθηση και η ανάλυση δεδομένων να αξιοποιηθούν για τη βελτίωση της αξιοπιστίας του συστήματος ενεργών κτηρίων ενσωματωμένα στο δίκτυο; (2) Τι είδους αρχιτεκτονική υπολογισμού νέφους/ παρυφής μπορεί να παρέχει αποδοτικά υπηρεσίες δικτύου σε πραγματικό χρόνο (όπως η ταχεία απόκριση συχνότητας) σε ένα περιβάλλον πλούσιο σε ΑΠΕ; (3) Πώς μπορούν οι τεχνικές βαθιάς μάθησης να επιτρέψουν τον ακριβή εντοπισμό και την ταξινόμηση βλαβών σε ενεργά δίκτυα διανομής; (4) Με ποιους τρόπους μπορούν οι ολοκληρωμένες πλατφόρμες νέφους παρυφής να καταστήσουν δυνατή την αξιόπιστη και οικονομικά αποδοτική αυτοματοποιημένη επιθεώρηση στοιχείων του δικτύου, υποστηρίζοντας έτσι τον σχεδιασμό βιώσιμων επενδύσεων σε έξυπνα δίκτυα; Μεθοδολογική προσέγγιση: Χρησιμοποιείται ένας συνδυασμός ανάλυσης βιβλιογραφίας, πειραματικής προσομοίωσης και ανάπτυξης πρωτότυπων συστημάτων. Διενεργείται συστηματική ανασκόπηση με τεχνικές εξόρυξης κειμένου σε 10.500 άρθρα, αξιοποιώντας μοντελοποίηση θεμάτων με BERTopic και στατιστική ανάλυση για τη δημιουργία ταξινομίας εφαρμογών αξιοπιστίας. Αναπτύσσεται αρχιτεκτονική νέφους/παρυφής για υπηρεσίες ταχείας απόκρισης συχνότητας βασισμένη σε δίκτυα πέμπτης γενιάς (5G), επιτρέποντας υποδεκαδευτερόλεπτη απόκριση με αξιοποίηση ΑΠΕ μέσω απόκρισης ζήτησης. Εφαρμόζεται τεχνική βαθιάς μάθησης (Συνελικτικά Νευρωνικά Δίκτυα) για ταξινόμηση και εντοπισμό βλαβών σε γραμμές διανομής, με χρήση δεδομένων από έξυπνους μετρητές. Τέλος, ένα ιεραρχικό πλαίσιο επιθεώρησης με μη επανδρωμένα σκάφη και μοντέλα που υπολογιστικά εκτελούνται στην παρυφή ενισχύει την επεξεργασία με χαμηλή κατανάλωση ενέργειας και καθυστέρηση, προσφέροντας μία αξιόπιστη και αποδοτική μέθοδο για εφαρμογή σε κρίσιμες υποδομές. Αποτελέσματα και συνεισφορές: Οι ερευνητικές συνεισφορές οργανώνονται σε τέσσερα κύρια μέρη (Κεφάλαια 2–5), καθένα από τα οποία παρέχει καινοτόμες γνώσεις: • Η ανάλυση βιβλιογραφίας εντόπισε τάσεις και κενά στην αξιοπιστία δικτύων, δημιουργώντας ταξινόμηση εφαρμογών Μηχανικής Μάθησης και ερευνητικές κατευθύνσεις. • Η αρχιτεκτονική νέφους/παρυφής επέτρεψε ταχεία απόκριση σε συμβάντα συχνότητας και απέδειξε επεκτασιμότητα σε σενάρια με ΑΠΕ και απόκριση ζήτησης. • Η εφαρμογή πέτυχε >91% ακρίβεια στην ανίχνευση βλαβών και >94% στην ταξινόμηση τύπου βλάβης. • Το σύστημα με πλατφόρμες υλικού επιτάχυνσης στην παρυφή, όπως π.χ. Hailo και Orca, ξεπέρασε το 94% ακρίβεια με ευνοϊκές αποδόσεις ενεργειακά και υπολογιστικά, καταδεικνύοντας την ανάγκη για προσαρμοστικές στρατηγικές διαμοιρασμού του υπολογιστικού φορτίου μεταξύ των διαθέσιμων πόρων. Συμπεράσματα και αντίκτυπος: Η διατριβή αποδεικνύει ότι η σύνθεση τεχνολογιών δεδομένων, Μηχανικής Μάθησης και υπολογιστικών πλατφόρμων μπορεί να ενισχύσει την αξιοπιστία και τη λήψη αποφάσεων σε έξυπνα δίκτυα. Προσφέρει επιστημονικές και τεχνολογικές συνεισφορές, παρέχοντας νέες μεθόδους, αλγορίθμους και αρχιτεκτονικές για τη στήριξη της βιώσιμης μετάβασης σε κοινότητες με αποκεντρωμένη παραγωγή και κατανάλωση ενέργειας.

Fields of Study & Subjects

Smart Grid and Power Systems Smart Grid Energy Management Optimal Power Flow Distribution

Publication details

Publication date
1 March 2026
Language
EL
Document type
Thesis