Συμβολή της τεχνητής νοημοσύνης στη βελτιστοποίηση των συστημάτων αποθήκευσης ενέργειας

Abstract

Η εργασία αυτή επικεντρώνεται στη συμβολή της Τεχνητής Νοημοσύνης στη βελτιστοποίηση των συστημάτων αποθήκευσης ενέργειας, αξιοποιώντας δύο βασικές προσεγγίσεις της Μηχανικής Μάθησης: το Supervised Learning και το Reinforcement Learning. Αρχικά, πραγματοποιείται βιβλιογραφική ανασκόπηση των εφαρμογών της Τεχνητής Νοημοσύνης στα ενεργειακά δίκτυα. Μελέτες έχουν δείξει ότι η χρήση αλγορίθμων Μηχανικής Μάθησης μπορεί να συμβάλει στη βελτίωση της ενεργειακής απόδοσης, τη διαχείριση φορτίων και την πρόβλεψη της ζήτησης. Ειδικά, τα Τεχνητά Νευρωνικά Δίκτυα (ANNs), τα Random Forest και οι τεχνικές παλινδρόμησης έχουν χρησιμοποιηθεί ευρέως για την ανάλυση δεδομένων και τη λήψη αποφάσεων, επιτυγχάνοντας σημαντική μείωση του ενεργειακού κόστους. Στη συνέχεια, στο επόμενο κεφάλαιο, μέσω της εφαρμογής διαφόρων αλγορίθμων, αναλύθηκε η αποτελεσματικότητα καθεμίας μεθόδου στη διαχείριση της ενέργειας και στην πρόβλεψη κρίσιμων παραμέτρων όπως η κατανάλωση και η αποθηκευμένη ενέργεια με τη μελέτη του Supervised Learning, το οποίο χρησιμοποιεί ιστορικά δεδομένα για προβλέψεις και ταξινομήσεις. Στην εργασία εφαρμόστηκαν έξι διαφορετικοί αλγόριθμοι, συμπεριλαμβανομένων των Decision Tree Regression, Random Forest Classification, Linear Regression, SVM Classification, Neural Network Classification και XGBoost Regression. Τα αποτελέσματα έδειξαν ότι οι μέθοδοι παλινδρόμησης (Linear Regression, XGBoost) ήταν ιδιαίτερα χρήσιμες για την πρόβλεψη της ενεργειακής κατανάλωσης και της απόδοσης των αποθηκευτικών συστημάτων, ενώ οι αλγόριθμοι ταξινόμησης (SVM, Random Forest) επέτρεψαν τη διάκριση μεταξύ διαφορετικών ενεργειακών συνθηκών. Ιδιαίτερα, τα Νευρωνικά Δίκτυα αποδείχθηκαν αποδοτικά στην ανίχνευση ανωμαλιών στη λειτουργία των συστημάτων . Στη συνέχεια, μελετάται ο ρόλους του Reinforcement Learning (RL), το οποίο επιτρέπει στους πράκτορες να προσαρμόζονται σε πραγματικό χρόνο σε δυναμικές μεταβολές του ενεργειακού περιβάλλοντος. Σε αυτή την εργασία, τρεις διαφορετικοί αλγόριθμοι RL (Q-Learning, DQN και PPO) δοκιμάστηκαν για τη βελτιστοποίηση των στρατηγικών φόρτισης και εκφόρτισης των συστημάτων αποθήκευσης ενέργειας. Τα αποτελέσματα έδειξαν ότι το PPO ήταν ο πιο σταθερός και αποτελεσματικός αλγόριθμος για περιβάλλοντα με συνεχείς καταστάσεις, ενώ το DQN προσέφερε υψηλή ακρίβεια σε πιο περίπλοκα ενεργειακά σενάρια.