Πρόβλεψη ζήτησης και προτάσεις κατανάλωσης ενέργειας για τη συμμετοχή καταναλωτών σε έξυπνα δίκτυα μέσω βαθιάς μάθησης και ενισχυτικής μάθησης

Περίληψη

Οι καταναλωτές διαδραματίζουν κρίσιμο ρόλο στη λειτουργία των Έξυπνων Δικτύων, καθώς οι δραστηριότητές τους αντιστοιχούν σε μεγάλο μέρος της συνολικής ενεργειακής ζήτησης. Συνεπώς, οι πάροχοι ενέργειας, οι δημόσιοι οργανισμοί και άλλες οντότητες με περιβαλλοντική ευαισθησία στοχεύουν στη μείωση και τη διαμόρφωση των προτύπων κατανάλωσης ενέργειας, ώστε να επιτευχθεί μείωση των φορτίων αιχμής, γενική εξομάλυνση του φορτίου και, κατ' επέκταση, περιορισμός των εκπομπών διοξειδίου του άνθρακα. Η πρόβλεψη της ενεργειακής ζήτησης σε επίπεδο καταναλωτή αποτελεί απαραίτητο συστατικό των μελλοντικών Έξυπνων Δικτύων, καθώς επιτρέπει την εφαρμογή μηχανισμών εξοικονόμησης ενέργειας, όπως η Απόκριση Ζήτησης (Demand Response), ο χρονικός προγραμματισμός δραστηριοτήτων και οι αγορές ενέργειας που περιλαμβάνουν καταναλωτές-παραγωγούς (prosumers). Επιπλέον, οι εξατομικευμένες προτάσεις ενεργειακής κατανάλωσης σε επίπεδο συσκευών με στόχο την ενεργειακή αποδοτικότητα μπορούν να έχουν αξιοσημείωτο αντίκτ ...
περισσότερα

Περίληψη σε άλλη γλώσσα

Consumers are crucial regarding the operation of Smart Grids, since their activities account for a large portion of the total energy demand. Therefore, utility companies, governmental agencies, and various other entities with environmental concerns aim at lowering and shaping energy consumption patterns to achieve peak load reduction, load smoothing, and hence carbon emission curtailment. Forecasting the energy demand of individual consumers is a vital component of future Smart Grids since it enables energy-saving mechanisms such as Demand Response (DR), activity scheduling, and prosumer energy markets. In addition, personalized device level energy consumption recommendations towards energy efficiency can have a notable impact both on electricity bills and on the overall energy supply-demand balance. However, end-user behavior regarding device activation is usually unknown a priori, thus giving rise to a highly dynamic environment. In this dissertation, we initially present an overview ...
περισσότερα

Όλα τα τεκμήρια στο ΕΑΔΔ προστατεύονται από πνευματικά δικαιώματα.

DOI
10.12681/eadd/59595
Διεύθυνση Handle
http://hdl.handle.net/10442/hedi/59595
ND
59595
Εναλλακτικός τίτλος
Demand forecasting and energy consumption recommendations for smart grid consumer engagement through deep learning and reinforcement learning
Συγγραφέας
Χαδουλός, Σπυρίδων (Πατρώνυμο: Αργύριος)
Ημερομηνία
2025
Ίδρυμα
Οικονομικό Πανεπιστήμιο Αθηνών. Σχολή Επιστημών και Τεχνολογίας της Πληροφορίας. Τμήμα Πληροφορικής
Εξεταστική επιτροπή
Πολύζος Γεώργιος
Κουτσόπουλος Ιορδάνης
Σύρης Βασίλειος
Ξυλωμένος Γεώργιος
Τουμπής Σταύρος
Παυλόπουλος Ιωάννης
Παπαβασιλείου Αντώνιος
Επιστημονικό πεδίο
Φυσικές ΕπιστήμεςΕπιστήμη Ηλεκτρονικών Υπολογιστών και Πληροφορική ➨ Τεχνητή νοημοσύνη
Λέξεις-κλειδιά
Βαθιά μάθηση; Ενισχυτική μάθηση; Πρόβλεψη ζήτησης; Έξυπνα δίκτυα ενέργειας
Χώρα
Ελλάδα
Γλώσσα
Αγγλικά
Άλλα στοιχεία
εικ., πιν., σχημ., γραφ.
Στατιστικά χρήσης
ΠΡΟΒΟΛΕΣ
Αφορά στις μοναδικές επισκέψεις της διδακτορικής διατριβής για την χρονική περίοδο 07/2018 - 07/2023.
Πηγή: Google Analytics.
ΞΕΦΥΛΛΙΣΜΑΤΑ
Αφορά στο άνοιγμα του online αναγνώστη για την χρονική περίοδο 07/2018 - 07/2023.
Πηγή: Google Analytics.
ΜΕΤΑΦΟΡΤΩΣΕΙΣ
Αφορά στο σύνολο των μεταφορτώσων του αρχείου της διδακτορικής διατριβής.
Πηγή: Εθνικό Αρχείο Διδακτορικών Διατριβών.
ΧΡΗΣΤΕΣ
Αφορά στους συνδεδεμένους στο σύστημα χρήστες οι οποίοι έχουν αλληλεπιδράσει με τη διδακτορική διατριβή. Ως επί το πλείστον, αφορά τις μεταφορτώσεις.
Πηγή: Εθνικό Αρχείο Διδακτορικών Διατριβών.