Συντάχθηκε 29-07-2026 09:38
Τόπος:
Σύνδεσμος τηλεδιάσκεψης
Έναρξη: 31/07/2026 13:00
Λήξη: 31/07/2026 14:00
ΠΟΛΥΤΕΧΝΕΙΟ ΚΡΗΤΗΣ
Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών
Πρόγραμμα Προπτυχιακών Σπουδών
ΠΑΡΟΥΣΙΑΣΗ ΔΙΠΛΩΜΑΤΙΚΗΣ ΕΡΓΑΣΙΑΣ
Κωνσταντίνου Γανωτή
με θέμα
Πρόβλεψη Φωτοβολταϊκής Παραγωγής και Βελτιστοποίηση Διαχείρισης Ενέργειας σε Συστήματα με Αποθήκευση
Forecasting Photovoltaic Power Generation and Optimizing Energy Management in Systems with Energy Storage
Εξεταστική Επιτροπή
Καθηγητής Βασίλειος Διγαλάκης (επιβλέπων)
Καθηγητής Ευτύχιος Κουτρούλης
Καθηγητής Κωνσταντίνος Γυφτάκης
Περίληψη
Η αυξανόμενη διείσδυση των Ανανεώσιμων Πηγών Ενέργειας και ιδιαίτερα των φωτοβολταϊκών συστημάτων δημιουργεί νέες απαιτήσεις για την αποτελεσματική διαχείριση της παραγόμενης ενέργειας, λόγω της μεταβλητότητας της φωτοβολταϊκής παραγωγής και της χρονικής ασυμφωνίας μεταξύ παραγωγής και ζήτησης. Η παρούσα διπλωματική εργασία αναπτύσσει ένα ολοκληρωμένο πλαίσιο πρόβλεψης φωτοβολταϊκής παραγωγής και βελτιστοποιημένης ενεργειακής διαχείρισης για ένα υποθετικό σενάριο εμπορικής εγκατάστασης τύπου σούπερ μάρκετ, η οποία διαθέτει φωτοβολταϊκό σύστημα, σύστημα αποθήκευσης ενέργειας και σύνδεση με το ηλεκτρικό δίκτυο.
Για τη φωτοβολταϊκή παραγωγή χρησιμοποιούνται ωριαίες χρονοσειρές από το PVGIS. Η καταλληλότητά τους εξετάζεται μέσω σύγκρισης με δεδομένα πραγματικής λειτουργούσας φωτοβολταϊκής εγκατάστασης για την περίοδο 2018–2020, με στόχο τον έλεγχο της εποχικότητας και της γενικής μορφής του προφίλ παραγωγής.
Για τη βραχυχρόνια πρόβλεψη συγκρίνονται δύο μοντέλα: η Γραμμική Παλινδρόμηση και ένα μοντέλο Long Short-Term Memory (LSTM). Και τα δύο μοντέλα χρησιμοποιούν ιστορικό παράθυρο 168 ωρών και κοινό χρονολογικό διαχωρισμό σε σύνολα εκπαίδευσης και ελέγχου. Στην πρόβλεψη ενός βήματος τα δύο μοντέλα παρουσιάζουν παρόμοια επίδοση. Στην αναδρομική πρόβλεψη 12 ωρών, όμως, η Γραμμική Παλινδρόμηση εμφανίζει μικρότερο MAE, ίσο με 27,63 kW έναντι 29,69 kW, μικρότερο RMSE, ίσο με 53,77 kW έναντι 54,93 kW, και μεγαλύτερο R², ίσο με 0,8218 έναντι 0,8139. Σε συνδυασμό με τον σημαντικά μικρότερο χρόνο εκπαίδευσης, η Γραμμική Παλινδρόμηση επιλέγεται για την τροφοδότηση της διαδικασίας ενεργειακής διαχείρισης.
Το πρόβλημα ενεργειακής διαχείρισης διατυπώνεται ως πρόβλημα διαδοχικών αποφάσεων και επιλύεται με Δυναμικό Προγραμματισμό. Ως βασική μεταβλητή κατάστασης χρησιμοποιείται η κατάσταση φόρτισης της μπαταρίας, ενώ λαμβάνονται υπόψη τα όρια φόρτισης και εκφόρτισης, οι αποδόσεις μετατροπής, η πλήρης κάλυψη του φορτίου και ο επιχειρησιακός κύκλος λήψης αποφάσεων. Η πραγματική κατάσταση φόρτισης διατηρείται συνεχής, ενώ το διακριτό πλέγμα χρησιμοποιείται για τον υπολογισμό της συνάρτησης αξίας με γραμμική παρεμβολή στις ενδιάμεσες καταστάσεις.
Η τελική αξιολόγηση πραγματοποιείται σε ενιαίο εβδομαδιαίο χρονικό ορίζοντα 168 ωρών μέσω 14 διαδοχικών κύκλων κυλιόμενου ορίζοντα. Σε κάθε κύκλο παράγεται αναδρομική πρόβλεψη διάρκειας 36 ωρών. Οι πρώτες 12 ώρες αντιστοιχούν στην καθυστέρηση εφαρμογής και οι επόμενες 24 ώρες στον ορίζοντα βελτιστοποίησης. Από το πρόγραμμα που υπολογίζεται εφαρμόζονται οι πρώτες 12 αποφάσεις και στη συνέχεια η διαδικασία επαναλαμβάνεται με ενημερωμένη κατάσταση φόρτισης.
Η στρατηγική Δυναμικού Προγραμματισμού παρουσιάζει καθαρό εβδομαδιαίο κόστος 1.312,52 €, έναντι 4.993,69 € για τη στρατηγική χωρίς μπαταρία και 4.722,78 € για τη στρατηγική Fill Battery First. Συνεπώς, επιτυγχάνεται μείωση κόστους κατά περίπου 73,7% σε σχέση με τη λειτουργία χωρίς μπαταρία και κατά 72,2% σε σχέση με την απλή στρατηγική φόρτισης κατά προτεραιότητα. Η τελική κατάσταση φόρτισης της στρατηγικής Δυναμικού Προγραμματισμού είναι 2.534,57 kWh, δηλαδή παραμένει πολύ κοντά στην αρχική τιμή των 2.500 kWh.
Τα αποτελέσματα δείχνουν ότι ο συνδυασμός πρόβλεψης, αποθήκευσης και βελτιστοποίησης μπορεί να περιορίσει σημαντικά το λειτουργικό ενεργειακό κόστος. Ωστόσο, το μέγεθος του οικονομικού οφέλους εξαρτάται από τις τιμές αγοράς και πώλησης ηλεκτρικής ενέργειας, καθώς και από τις επιτρεπόμενες ενεργειακές ροές μεταξύ του δικτύου και της μπαταρίας. Επομένως, τα αριθμητικά αποτελέσματα αφορούν το συγκεκριμένο εξεταζόμενο σενάριο και δεν αποτελούν γενικεύσιμη εκτίμηση για κάθε πραγματική εγκατάσταση.
Λέξεις-κλειδιά: Ανανεώσιμες Πηγές Ενέργειας, φωτοβολταϊκή παραγωγή, πρόβλεψη χρονοσειρών, Γραμμική Παλινδρόμηση, LSTM, PVGIS, αποθήκευση ενέργειας, Δυναμικός Προγραμματισμός, ενεργειακή διαχείριση.
Abstract
The increasing penetration of Renewable Energy Sources, particularly photovoltaic systems, creates new requirements for the effective management of generated energy due to the variability of photovoltaic production and the temporal mismatch between generation and demand. This thesis develops an integrated framework for photovoltaic power forecasting and optimized energy management for a hypothetical commercial facility represented by a supermarket equipped with a photovoltaic system, battery energy storage, and a connection to the electrical grid.
Hourly photovoltaic generation time series obtained from the Photovoltaic Geographical Information System (PVGIS) are used as the main data source. Their suitability is examined through comparison with operational data from an actual photovoltaic installation for the period 2018–2020, focusing on the seasonal behavior and the general shape of the production profile.
Two forecasting models are compared: Linear Regression and a Long Short-Term Memory (LSTM) model. Both models use a 168-hour historical input window and the same chronological training and test split. For one-step-ahead forecasting, the two models achieve similar performance. However, for the recursive 12-hour forecasting horizon, Linear Regression achieves a lower MAE of 27.63 kW compared with 29.69 kW, a lower RMSE of 53.77 kW compared with 54.93 kW, and a higher R² value of 0.8218 compared with 0.8139. Combined with its significantly lower training time, Linear Regression is selected as the forecasting model used by the energy management process.
The energy management problem is formulated as a sequential decision-making problem and is solved using Dynamic Programming. The battery State of Charge is used as the main state variable, while charging and discharging power limits, conversion efficiencies, full load coverage, and the operational decision cycle are incorporated into the model. The actual State of Charge is maintained as a continuous quantity, while the discrete state grid is used for the value function, with linear interpolation applied to intermediate states.
The final evaluation is conducted over a continuous weekly horizon of 168 hours through 14 consecutive rolling-horizon cycles. In each cycle, a 36-hour recursive photovoltaic forecast is generated. The first 12 hours correspond to the implementation delay, while the following 24 hours form the optimization horizon. Only the first 12 decisions of the calculated schedule are implemented before the forecasting and optimization processes are repeated using the updated battery State of Charge.
The Dynamic Programming strategy results in a weekly net cost of €1,312.52, compared with €4,993.69 for the No Battery strategy and €4,722.78 for the Fill Battery First strategy. Therefore, the proposed strategy achieves a cost reduction of approximately 73.7% compared with the No Battery scenario and 72.2% compared with the Fill Battery First strategy. The final State of Charge under the Dynamic Programming strategy is 2,534.57 kWh, which remains close to the initial value of 2,500 kWh.
The results demonstrate that the integration of forecasting, battery storage, and optimization can significantly reduce operational energy costs. However, the magnitude of the economic benefit depends on the electricity purchase and selling prices and on the energy flows permitted between the grid and the battery. Consequently, the numerical results apply to the specific scenario considered and should not be interpreted as a general estimate for every real-world installation.
Keywords: Renewable Energy Sources, photovoltaic generation, time-series forecasting, Linear Regression, LSTM, PVGIS, battery energy storage, Dynamic Programming, energy management.
Meeting ID: 920 6397 3040
Password: 840767
