Συντάχθηκε 09-07-2026 14:30
Τόπος:
Σύνδεσμος τηλεδιάσκεψης
Έναρξη: 14/07/2026 10:00
Λήξη: 14/07/2026 11:00
ΠΟΛΥΤΕΧΝΕΙΟ ΚΡΗΤΗΣ
Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών
Πρόγραμμα Προπτυχιακών Σπουδών
ΠΑΡΟΥΣΙΑΣΗ ΔΙΠΛΩΜΑΤΙΚΗΣ ΕΡΓΑΣΙΑΣ
Ευαγγελίας Τιτάκη
με θέμα
Διαχείριση Ενέργειας Κτηρίων με Τεχνικές Μηχανικής Μάθησης
Energy Management of Buildings based on Machine Learning Techniques
Εξεταστική Επιτροπή
Καθηγητής Ευτύχης Κουτρούλης (επιβλέπων)
Επίκουρος Καθηγητής Γεώργιος Πέππας
Καθηγητής Μιχαήλ Γ. Λαγουδάκης
Περίληψη
Η αυξανόμενη ζήτηση ηλεκτρικής ενέργειας, η ραγδαία διείσδυση ανανεώσιμων πηγών ενέργειας και η ανάγκη περιορισμού του ενεργειακού κόστους καθιστούν απαραίτητη την ανάπτυξη αποδοτικών συστημάτων διαχείρισης ενέργειας για τη σταδιακή μετάβαση στα Έξυπνα Δίκτυα (Smart Grids). Στο πλαίσιο αυτής της ενεργειακής μετάβασης, η αξιοποίηση αλγορίθμων βελτιστοποίησης μπορεί να συμβάλει στη βελτίωση της ενεργειακής απόδοσης και στη μείωση της εξάρτησης από το ηλεκτρικό δίκτυο.
Η παρούσα διπλωματική εργασία επικεντρώνεται στη μελέτη ενός Συστήματος Διαχείρισης Ενέργειας Κτηρίου (Building Energy Management System - BEMS), με στόχο τη μείωση του συνολικού λειτουργικού κόστους, διασφαλίζοντας παράλληλα την άνεση των χρηστών. Το υπό μελέτη σύστημα ενσωματώνει μονάδα παραγωγής φωτοβολταϊκής ενέργειας (PV), σύστημα αποθήκευσης ενέργειας με μπαταρίες (BESS), ηλεκτρικό όχημα (EV), οικιακά φορτία καθώς και σύστημα θέρμανσης και κλιματισμού (HVAC). Η λειτουργία αυτού του συστήματος μελετάται υπό διάφορες εποχικές συνθήκες λειτουργίας και για δύο σενάρια τιμολόγησης ηλεκτρικής ενέργειας, Τιμολόγηση Ώρας Χρήσης (Time of Use - ToU) και Τιμολόγηση Πραγματικού Χρόνου (Real Time Pricing - RTP).
Για την αντιμετώπιση του προβλήματος βελτιστοποίησης, μοντελοποιήθηκε η δυναμική συμπεριφορά του κτηρίου και εξετάστηκαν τρεις στρατηγικές ελέγχου. Αρχικά, υλοποιήθηκε ένας στατικός ημερήσιος προγραμματισμός μέσω του αλγορίθμου Βελτιστοποίησης Σμήνους Σωματιδίων (Particle Swarm Optimization - PSO). Στη συνέχεια, αναπτύχθηκε η Στρατηγική Προβλεπτικού Ελέγχου με Μοντέλο (Model Predictive Control - MPC) για διαχείριση σε πραγματικό χρόνο μέσω κυλιόμενου ορίζοντα. Τέλος, μοντελοποιήθηκε και εκπαιδεύτηκε ο αλγόριθμος Ενισχυτικής Μάθησης Q-Learning, ο οποίος λειτουργεί χωρίς εκ των προτέρων γνώση του μοντέλου (model-free) και μαθαίνει τη βέλτιστη πολιτική ελέγχου μέσω της συνεχούς αλληλεπίδρασης με το περιβάλλον. Οι παραπάνω αλγόριθμοι αξιολογήθηκαν σε σύγκριση με ένα σενάριο αναφοράς, στο οποίο τα φορτία λειτουργούν χωρίς εφαρμογή βελτιστοποίησης.
Από τα αποτελέσματα των προσομοιώσεων προκύπτει ότι οι στρατηγικές ελέγχου που υλοποιήθηκαν προσφέρουν βελτιωμένες ενεργειακές επιδόσεις σε σύγκριση με το σενάριο αναφοράς και χαμηλότερη απορρόφηση ισχύος από το ηλεκτρικό δίκτυο. Παράλληλα, η εσωτερική θερμοκρασία του κτηρίου διατηρείται εντός των αποδεκτών ορίων άνεσης του χρήστη, ενώ επιτυγχάνεται πιο αποδοτικός προγραμματισμός των φορτίων και καλύτερη διαχείριση των τοπικών μονάδων παραγωγής και αποθήκευσης ενέργειας.
Abstract
The growing demand for electricity, the rapid penetration of renewable energy sources, and the need to reduce energy costs make it essential to develop efficient energy management systems for the gradual transition to Smart Grids. Within the context of this energy transition, the use of optimization algorithms can help improve energy efficiency and reduce dependence on the power grid.
This thesis focuses on the development of a Building Energy Management System (BEMS), with the aim of reducing total operating costs while ensuring user comfort. The system under study integrates a photovoltaic (PV) power generation unit, a battery energy storage system (BESS), an electric vehicle (EV), household loads, and a heating, ventilation, and air conditioning (HVAC) system. The operation of this system is studied under various seasonal operating conditions and for two electricity pricing scenarios: Time-of-Use (ToU) pricing and Real-Time Pricing (RTP).
To address the optimization problem, the dynamic behavior of the building was modeled, and three control strategies were examined. Initially, a static daily schedule was implemented using the Particle Swarm Optimization (PSO) algorithm. Next, a Model Predictive Control (MPC) strategy was developed for real-time management using a rolling horizon. Finally, the Q-Learning Reinforcement Learning algorithm was modeled and trained. This algorithm operates without prior knowledge of the model (model-free) and learns the optimal control policy through continuous interaction with the environment. The above algorithms were evaluated in comparison with a reference scenario, in which the loads operate without optimization.
The simulation results show that the proposed control strategies that were implemented offer improved energy performance compared to the reference scenario and lower power consumption from the electrical grid. At the same time, the building’s internal temperature is maintained within the occupants’ acceptable comfort limits, while more efficient load scheduling and better management of local energy generation and storage units are achieved.
Meeting ID: 967 8767 2714
Password: 259569
