![Ιδρυματικό Αποθετήριο [SANDBOX]](images/dias.logo.png "Ιδρυματικό Αποθετήριο [SANDBOX]"){kind=logo}
Ιδρυματικό Αποθετήριο [SANDBOX]
Πολυτεχνείο Κρήτης
Πολυτεχνείο Κρήτης
EN
|
EL
| URI | http://purl.tuc.gr/dl/dias/626BF9EC-ADE9-49E9-9232-5C435DD526A9 | - |
| Αναγνωριστικό | https://doi.org/10.26233/heallink.tuc.101211 | - |
| Γλώσσα | el | - |
| Μέγεθος | 6.3 megabytes | en |
| Μέγεθος | 89 σελίδες | el |
| Τίτλος | Βελτιστοποίηση υβριδικού συστήματος ανανεώσιμων πηγών ενέργειας με την ενσωμάτωση τεχνικών διαχείρισης ενέργειας τροφοδοτούμενες από μοντέλα τεχνητής νοημοσύνης | el |
| Τίτλος | Hybrid renewable energy system optimization incorporating AI-driven energy management techniques | en |
| Δημιουργός | Galyfianakis Nikolaos | en |
| Δημιουργός | Γαλυφιανακης Νικολαος | el |
| Συντελεστής [Επιβλέπων Καθηγητής] | Gyftakis Konstantinos | en |
| Συντελεστής [Επιβλέπων Καθηγητής] | Γυφτακης Κωνσταντινος | el |
| Συντελεστής [Μέλος Εξεταστικής Επιτροπής] | Koutroulis Eftychios | en |
| Συντελεστής [Μέλος Εξεταστικής Επιτροπής] | Κουτρουλης Ευτυχιος | el |
| Συντελεστής [Μέλος Εξεταστικής Επιτροπής] | Arampatzis Georgios | en |
| Συντελεστής [Μέλος Εξεταστικής Επιτροπής] | Αραμπατζης Γεωργιος | el |
| Εκδότης | Πολυτεχνείο Κρήτης | el |
| Εκδότης | Technical University of Crete | en |
| Ακαδημαϊκή Μονάδα | Technical University of Crete::School of Electrical and Computer Engineering | en |
| Ακαδημαϊκή Μονάδα | Πολυτεχνείο Κρήτης::Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών | el |
| Περίληψη | Στις μέρες μας εξαιτίας της ολοένα και αυξανόμενης ζήτησης σε ηλεκτρική ενέργεια καθώς και της αύξησής του κόστους λειτουργίας των δικτύων διανομής, η χρήση μεθόδων και τεχνολογιών για συστήματα διαχείρισης ενέργειας κρίνεται αναγκαία. Η ενσωμάτωση Ανανεώσιμων Πηγών Ενέργειας είναι υψίστης σημασίας για την επίτευξη της μείωσης του κόστους ενέργειας. Ωστόσο η χρήση των ΑΠΕ παρουσιάζει τις δικές της προκλήσεις καθώς η παραγωγή ενέργειας τους είναι διεσπαρμένη και εισάγει τεχνικές δυσκολίες και αυξάνει την πολυπλοκότητα του συστήματος. Η παρούσα διπλωματική διατριβή μελετάει την βελτιστοποίηση ενός υβριδικού συστήματος Ανανεώσιμων Πηγών Ενέργειας εφαρμόζοντας τεχνικές βασισμένες σε τεχνολογίες τεχνητής νοημοσύνης. Αρχικά, συλλέγονται από την ιστοσελίδα της ΝΑSA και του PVGIS τα μετεωρολογικά δεδομένα της περιοχής καθώς και τα ωριαία δεδομένα κατανάλωσης ηλεκτρικής ενέργειας ώστε να προσδιοριστεί το ενεργειακό προφίλ της περιοχής μελέτης. Στην συνέχεια τα δεδομένα αξιοποιήθηκαν από το λογισμικό Homer Pro, ψάχνοντας την μέγιστη λύση για την μείωση του ενεργειακού κόστους. Οι κύριες ρυθμιστικές παράμετροι των σεναρίων προσομοίωσης απευθύνονταν στις πηγές παραγωγής ενέργειας (Φωτοβολταϊκά πλαίσια, ανεμογεννήτριες, υδροκινητικές γεννήτριες) καθώς και στην εφαρμογή ή όχι της τεχνολογίας Net Metering. Έπειτα έγινε βελτιστοποίηση με την χρήση γενετικών αλγορίθμων(Genetic Algorithms,GA) και σύγκριση των δυο μεθόδων με βάση οικονομικούς δείκτες. Τα αποτελέσματα των προσομοιώσεων παρουσιάζονται λεπτομερώς, με σκοπό να αξιολογηθεί η αποτελεσματικότητα της μεθόδου των γενετικών αλγορίθμων(GA). Τέλος αναφέρονται ενδεικτικά ιδέες προς μελλοντική έρευνα. | el |
| Περίληψη | Due to the ever-increasing demand for electricity and the rising cost of operating distribution networks, the use of methods and technologies for energy management systems is deemed necessary. The integration of Renewable Energy Sources (RES) is of utmost importance for achieving the reduction of energy costs. However, the use of RES presents its own challenges, as their energy production is dispersed, introducing technical difficulties, and increasing the complexity of the system. This thesis studies the optimization of a hybrid Renewable Energy Sources system by applying techniques based on artificial intelligence technologies. Initially, meteorological data from the NASA website and PVGIS, as well as hourly electricity consumption data, are collected to determine the energy profile of the study area. Then, the data is utilized by the Homer Pro software, seeking the optimal solution for reducing energy costs. The main regulatory parameters of the simulation scenarios addressed the energy production sources (Photovoltaic panels, wind turbines, hydrokinetic generators), as well as the application or absence Net Metering technology. Subsequently, optimization was performed using Genetic Algorithms (GA), and the two methods were compared based on economic indicators. The simulation results are presented in detail, aiming to evaluate the effectiveness of the Genetic Algorithms (GA) method. Finally, indicative ideas for future research are mentioned. | en |
| Τύπος | Διπλωματική Εργασία | el |
| Τύπος | Diploma Work | en |
| Άδεια Χρήσης | http://creativecommons.org/licenses/by-nc-nd/4.0/ | en |
| Ημερομηνία | 2024-10-09 | - |
| Ημερομηνία Δημοσίευσης | 2024 | - |
| Θεματική Κατηγορία | Συστήματα διαχείρισης ενέργειας | el |
| Θεματική Κατηγορία | Ενέργεια | el |
| Θεματική Κατηγορία | Ανανεώσιμες Πηγές Ενέργειας | el |
| Βιβλιογραφική Αναφορά | Νικόλαος Γαλυφιανάκης, "Βελτιστοποίηση υβριδικού συστήματος ανανεώσιμων πηγών ενέργειας με την ενσωμάτωση τεχνικών διαχείρισης ενέργειας τροφοδοτούμενες από μοντέλα τεχνητής νοημοσύνης", Διπλωματική Εργασία, Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών, Πολυτεχνείο Κρήτης, Χανιά, Ελλάς, 2024 | el |
| Βιβλιογραφική Αναφορά | Nikolaos Galyfianakis, "Hybrid renewable energy system optimization incorporating AI-driven energy management techniques", Diploma Work, School of Electrical and Computer Engineering, Technical University of Crete, Chania, Greece, 2024 | en |
Copyright © DIAS 2013
