Περίληψη
Η μετάβαση προς ένα βιώσιμο και στηβαρό ενεργειακό σύστημα στην Ευρωπαϊκή Ένωση (ΕΕ) έχει επιταχύνει την ενσωμάτωση διανεμημένων ενεργειακών πόρων, όπως οι Ανανεώσιμες Πηγές Ενέργειας (ΑΠΕ), τα συστήματα αποθήκευσης ενέργειας και τα ηλεκτρικά οχήματα. Παρόλο που αυτή η μετάβαση είναι αναγκαία για την επίτευξη των φιλόδοξων κλιματικών στόχων της ΕΕ, εισάγει σημαντικές προκλήσεις ως προς τη διατήρηση της ευστάθειας και αξιοπιστίας του δικτύου. Η Διαχείριση Ζήτησης (Demand-Side Management – DSM) αναδεικνύεται σε κρίσιμη στρατηγική για την εξισορρόπηση προσφοράς και ζήτησης, αξιοποιώντας ευέλικτα φορτία. Η παρούσα διδακτορική πραγματεύεται την ενσωμάτωση ευέλικτων οικιακών και εμπορικών φορτίων, όπως είναι τα ηλεκτρικά οχήματα και οι μονάδες κλιματισμού, σε σχήματα διαχείρισης ζήτησης για παροχή ευελιξίας. Στο πλαίσιο της έρευνας που εκπονήθηκε με τη στήριξη του Ευρωπαϊκού Marie-Curie έργου GECKO, η παρούσα διδακτορική διατριβή εστίασε στα παρακάτω τρία βασικά ερευνητικά ερωτήματα: (1) Πώς ...
Η μετάβαση προς ένα βιώσιμο και στηβαρό ενεργειακό σύστημα στην Ευρωπαϊκή Ένωση (ΕΕ) έχει επιταχύνει την ενσωμάτωση διανεμημένων ενεργειακών πόρων, όπως οι Ανανεώσιμες Πηγές Ενέργειας (ΑΠΕ), τα συστήματα αποθήκευσης ενέργειας και τα ηλεκτρικά οχήματα. Παρόλο που αυτή η μετάβαση είναι αναγκαία για την επίτευξη των φιλόδοξων κλιματικών στόχων της ΕΕ, εισάγει σημαντικές προκλήσεις ως προς τη διατήρηση της ευστάθειας και αξιοπιστίας του δικτύου. Η Διαχείριση Ζήτησης (Demand-Side Management – DSM) αναδεικνύεται σε κρίσιμη στρατηγική για την εξισορρόπηση προσφοράς και ζήτησης, αξιοποιώντας ευέλικτα φορτία. Η παρούσα διδακτορική πραγματεύεται την ενσωμάτωση ευέλικτων οικιακών και εμπορικών φορτίων, όπως είναι τα ηλεκτρικά οχήματα και οι μονάδες κλιματισμού, σε σχήματα διαχείρισης ζήτησης για παροχή ευελιξίας. Στο πλαίσιο της έρευνας που εκπονήθηκε με τη στήριξη του Ευρωπαϊκού Marie-Curie έργου GECKO, η παρούσα διδακτορική διατριβή εστίασε στα παρακάτω τρία βασικά ερευνητικά ερωτήματα: (1) Πώς μπορούν να αξιοποιηθούν αποτελεσματικά δεδομένα από έξυπνους μετρητές και συσκευές του Διαδικτύου των Πραγμάτων (IoT), ώστε να προταθούν βέλτιστες στρατηγικές προγραμματισμού ευέλικτων φορτίων σε οικιακά περιβάλλοντα; (2) Πώς αποδίδουν διαφορετικές μεθόδοι βασισμένες σε δεδομένα (στατιστικά μοντέλα και μέθοδοι τεχνητής νοημοσύνης) στην πρόβλεψη μεμονωμένων αθροιστικών οικιακών φορτίων για την ποσοτικοποίηση της ευελιξίας τους; (3) Ποιες στρατηγικές μπορούν να μεγιστοποιήσουν την παροχή οικιακής ευελιξίας μέσω αποδοτικών σχημάτων σωρευτικής εκπροσώπησης φορτίων σε προγράμματα Απόκρισης Ζήτησης και σε νέες αγορές ενέργειας; Υιοθετείται μια πολυδιάστατη προσέγγιση, ξεκινώντας με μια εκτενή βιβλιογραφική ανασκόπηση των μεθόδων βελτιστοποίησης σμήνους σωματιδίων (Particle Swarm Optimization - PSO) στην οικιακή ενεργειακή διαχείριση. Προτείνεται ένα νέο πλαίσιο ταξινόμησης, δίνοντας έμφαση σε κρίσιμους στόχους βελτιστοποίησης όπως η ελαχιστοποίηση του κόστους ενέργειας, η διατήρηση της χρονικής και θερμικής άνεσης των χρηστών καθώς και περιορισμοί που λαμβάνονται υπόψη κατά τη μοντελοποίηση. Εν συνεχεία, προτείνονται δύο καινοτόμες στρατηγικές έξυπνης φόρτισης ηλεκτρικών οχημάτων χρησιμοποιώντας μοντέλα βαθιών Q-δικτύων (Deep Q-Networks - DQN). Οι προτεινόμενες στρατηγικές προσφέρουν στους χρήστες την επιλογή μεταξύ μιας πολιτικής «εξοικονόμησης κόστους», που δίνει προτεραιότητα στη μείωση του λογαριασμού ρεύματος, και μιας «προσανατολισμένης στον χρήστη» πολιτικής, που λαμβάνει υπόψη και τις ιστορικές συνήθειες φόρτισης του εκάστοτε χρήστη καθώς και τη δυνατότητα ιδιοκατανάλωσής του. Η δεύτερη στρατηγική σημειώνει αξιόλογα αποτελέσματα, επιτυγχάνοντας εξοικονόμηση έως και 49,83% με ταυτόχρονη διατήρηση συνέπειας 86,22% με τις ιστορικές συνήθειες. Για την αντιμετώπιση της πρόκλησης της πρόβλεψης φορτίου πολύ βραχυπρόθεσμου ορίζοντα σε επίπεδο οικιακών φορτίων, προτείνεται ένα μοντέλο Μακράς Βραχύχρονης Μνήμης (Long Short-Term Memory - LSTM) με μηχανισμό ανατροφοδότησης σφάλματος. Το μοντέλο προβλέπει αθροιστικά φορτία ηλεκτρικών οχημάτων και κλιματισμού ανά 15 λεπτά. Σε συγκριτική αξιολόγηση με προηγμένες μεθόδους όπως οι XGBoost, LightGBM και N-BEATS, το LSTM παρουσιάζει υψηλότερη ακρίβεια στην πρόβλεψη φορτίου ηλεκτρικών οχημάτων, συμβάλλοντας στη βελτίωση της διαχείρισης φορτίου και της ποσοτικοποίησης της ευελιξίας. Στην πρόβλεψη φορτίου κλιματισμού, τα LightGBM και XGBoost υπερέχουν οριακά του LSTM, επιτυγχάνοντας τη μεγαλύτερη ακρίβεια μεταξύ των εξεταζόμενων μοντέλων. Έμφαση δόθηκε και στον ρόλο των Φορέων Σωρευτικής Εκπροσώπησης Φορτίου Ηλεκτρικών Οχημάτων (Φ.Ο.Σ.Ε.Φ.Η.Ο.) στο πλαίσιο μιας νέας αγοράς ενεργειακών εφεδρειών (Energy Reserves Market) η οποία προτάθηκε στη βιβλιογραφία για να καλύψει θέματα αξιο