Εφαρμογή Μεθόδων Τεχνητής Νοημοσύνης (Deep learning NN) και Μηχανικής Μάθησης (ML) για την ανάλυση και βέλτιστη δρομολόγηση Ηλεκτρικών Αυτοκινήτων (EV) σε περιβάλλον «Έξυπνης Ενεργειακής πόλης» / Cooperative
Διπλωματική Εργασία
| Επιβλέπων | Εμμανουήλ Βαρβαρίγος |
|---|---|
| Συσχετιζόμενο μάθημα | Δίκτυα Κινητών και Προσωπικών Επικοινωνιών |
Περιγραφή
Τα ηλεκτρικά αυτοκίνητα (EVs) είναι ένα από τα μεγαλύτερα challenges της σύγχρονης ενεργειακής μετάβασης. Στα επόμενα χρόνια η Ηλεκτροκίνηση θα Το Ηλεκτρικό αυτοκίνητο μπορεί να χαρακτηριστεί σαν μία «έξυπνη κινούμενη μπαταρία», η οποία μέσω συγκεκριμένων υποδομών (φορτιστές ηλεκτρικών αυτοκινήτων) φορτίζεται και εκφορτίζεται (V2G: Vehicle-To-Grid) από και προς το ενεργειακό δίκτυο. Επίσης, μπορεί η φόρτιση και εκφόρτιση να συνδυαστεί με ένα μικροδίκτυο (micro grid) σε επίπεδο Πόλης (Smart City, Ενεργειακή Κοινότητα, Cooperative) και να προκύψουν διάφορες ενεργειακές διασυνδέσεις και ανταλλαγές φορτίων μεταξύ διαφόρων υποδομών (σπίτια, κτίρια, καταναλωτές) αλλά και σταθμών αποθήκευσης ενέργειας (peer2peer energy storage).
Αυτή η πολύπλοκη δυναμική αγορά (Ηλεκτροκίνηση) προϋποθέτει σωστή μοντελοποίηση αλλά και εφαρμογές Τεχνητής Νοημοσύνης/Machine Learning για την ανάλυση όλων των δεδομένων, την απλοποίηση των διαδικασιών απόφασης αλλά και την παροχή διαφόρων έξυπνων και διαδραστικών υπηρεσιών προς τους τελικούς καταναλωτές (επιλογή φορτιστών, δυναμική δρομολόγηση, κλπ).
Η παρούσα Industrial Διπλωματική Εργασία θα αφορά την σε βάθος μελέτη και ανάλυση της αγοράς ηλεκτροκίνησης, την μαθηματική μοντελοποίηση των ηλεκτρικών οχημάτων και των δικτύων φορτιστών και την μελέτη διάδρασής τους με τον ηλεκτρικό δίκτυο μίας έξυπνης συμμετοχικής πόλης (Cooperative). Με την χρήση machine learning αλγόριθμων και εκπαίδευση ενός νευρωνικού δικτύου, από συγκεκριμένα data sets, θα μελετηθεί και υλοποιηθεί ένα σύστημα και μέθοδος βέλτιστης δρομολόγησης και έξυπνης φόρτισης ηλεκτρικών αυτοκινήτων, με βάσει συγκεκριμένα constraints και στόχους που θα δοθούν από την Protergia .
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)