Εφαρμογές Ανάλυσης Δεδομένων, Machine Learning (ML) και Ψηφιακών Υπηρεσιών (Digitalization) σε ’Έξυπνες Πόλεις και Ενεργειακές Κοινότητες (Smart City Cooperatives)
Διπλωματική Εργασία


Περιγραφή

Οι Έξυπνες Πόλεις είναι μία πραγματικότητα και η εκθετική άνοδος της εγκατάστασης smart sensors (IoT) αυξάνει ακόμα πιο πολύ την πολυπλοκότητα των δεδομένων που παράγονται από μία «Έξυπνη Πόλη». Επίσης, βάσει και του νέου θεσμικού πλαισίου, ένα Δήμος μπορεί να ιδρύσει μια Ενεργειακή Κοινότητα (Energy Cooperative) και να εμπλέξει του κατοίκους σε διάφορες ενεργειακές καινοτομίες (αποθήκευση ενέργειας, ηλεκτροκίνηση, ΑΠΕ, κλπ).

Αυτή η πολυπλοκότητα των παραγόμενων δεδομένων δημιουργεί και πολλές επιχειρηματικές ευκαιρίες για νέες καινοτόμες υπηρεσίες και προϊόντα, σε επίπεδο έξυπνης πόλης. Με μεθοδολογίες data fusion, πολλά ετερογενή data sets αναλύονται και χρησιμοποιώντας machine learning τεχνικές, από τα δεδομένα εξάγονται συμπεράσματα και συσχετίσεις, όσον αφορά διάφορες κάθετες περιοχές ενός έξυπνου Δήμου: ενεργειακές αναλύσεις, επίπεδα εξοικονόμησης ενέργειας σε υποδομές, επενδυτικές ευκαιρίες σε αποθήκευση ενέργειας, ευκαιρίες σε εγκατάσταση φορτιστών Ηλεκτρικών αυτοκινήτων, διάφορες υπηρεσίες και αναλύσεις για το περιβάλλον κα.

Η παρούσα industrial Διπλωματική Εργασία θα αφορά την ανάλυσης και μελέτη σε βάθος καινοτόμων μοντέλων έξυπνων πόλεων και μαθηματικά μοντέλα data fusion, για ανάλυση και συσχέτιση ετερογενών δεδομένων. Το μοντέλο της Ενεργειακής Κοινότητας θα μελετηθεί εις βάθος και βάσει πραγματικών δεδομένων (open data sets) που θα προμηθεύσει η Προτέργια από το πελάτη της Δήμο Τρικάλων (ενεργειακά, δημογραφικά,, περιβαλλοντικά, καιρικά, κλπ), θα αναλυθούν συσχετίσεις και θα δημιουργηθούν προχωρημένα μαθηματικά μοντέλα ML για συσταδοποίηση και συσχέτιση των data sets.

Επίσης, θα αναλυθούν όλα τα ενεργειακά data sets για την δημιουργία και υποστήριξη καινοτόμων ψηφιακών ενεργειακών υπηρεσιών, σε επίπεδο Ενεργειακή Κοινότητας (αποθήκευση ενέργειας, net metering, PV prosumer models, εγκατάσταση και χρήση φορτιστών για ηλεκτροκίνηση, εξοικονόμηση ενεργειακού κόστους στις υποδομές, κλπ)

Επιθυμητές Γνώσεις: MATLAB, Python, R, καλό μαθηματικό και αλγοριθμικό υπόβαθρο

Διάρκεια: 6 μήνες industrial placement @ Protergia R&D Innovation, Mytilineos

Επιβλέποντες: Καθ. Εμμανουήλ Βαρβαρίγος (ΕΜΠ), Δρ, Βασίλειος Νικολόπουλος (Head of Applied R&D, Innovation, Protergia)