Η διανομή της ηλεκτρικής ενέργειας (Η.Ε.) βρίσκεται σε μία εξελισσόμενη επανάσταση, καθώς η παραγωγή μετασχηματίζεται από συγκεντρωτικά σε διεσπαρμένα σχήματα. Αυτοί που κάποτε ήταν απλοί καταναλωτές, σήμερα μπορεί να είναι και παραγωγοί Η.Ε. (prosumers). Αυτή η επανάσταση οφείλεται στη χρήση τεχνολογιών πληροφορίας και επικοινωνιών (ΤΠΕ) που δημιουργούν τα έξυπνα δίκτυα Η.Ε. (smart-grids – ΕΔΗΕ), τα οποία βελτιώνουν την αξιοπιστία, την αποδοτικότητα και την οικονομία της αγοράς ηλεκτρικής ενέργειας. Ωστόσο, τo νέο τοπίο της διανομής Η.Ε. δημιουργεί διάφορα προβλήματα όπως ανισορροπία μεταξύ της παροχής και της ζήτησης, αστάθεια τάσης και διακοπές παροχής, ενώ ιδιαίτερα σημαντικές είναι οι επιπτώσεις στην εισαγωγή Ανανεώσιμων Πηγών Ενέργειας (ΑΠΕ) όπου η απόδοση Volt/VAr και η ευστάθεια τάσης επηρεάζονται αρνητικά
Η λύση για την αντιμετώπιση των ανωτέρω προβλημάτων έρχεται μέσα από την καινοτόμο πρόταση του παρόντος έργου. Σύμφωνα με αυτό, προβλέπεται η ανάπτυξη και εισαγωγή 
στην αγορά ενός Συστήματος Υποστήριξης Λήψης Αποφάσεων (ΣΥΛΑ) σε πραγματικό χρόνο (iReact-NG) για την επίτευξη βέλτιστης λειτουργίας σε δίκτυα διανομής Η.Ε. με εκτέλεση παράλληλων προσομοιώσεων των υπό εξέταση επιχειρησιακών σεναρίων ΕΔΗΕ, με συγχώνευση ιστορικών δεδομένων (παρελθόν), τρεχόντων καταστάσεων και αυτοματισμού (παρόν), καθώς και υπηρεσιών συνεργατικής προσομοίωσης (co-simulation – μέλλον). Το ΣΥΛΑ που θα αναπτυχθεί θα κάνει εκτεταμένη χρήση μεθόδων υπολογιστικής νοημοσύνης τόσο για την μοντελοποίηση, όσο και για τη βελτιστοποίηση του δικτύου.
Στόχοι της προτεινόμενης έρευνας είναι οι ακόλουθοι:
- Παραγωγή αξιόπιστων βραχυπρόθεσμων προβλέψεων της συμπεριφοράς ενός ΕΔΗΕ με χρήση συνεργατικής προσομοίωσης και μεθόδων μηχανικής μάθησης.
- Αξιοποίηση των προβλέψεων για βέλτιστη διαχείριση πόρων.
- Ανάπτυξη ενός εργαστηρίου προσομοιώσεων ΕΔΗΕ για τη μελέτη προσεγγίσεων βελτιστοποίησης για την ισορροπία φορτίου, τον έλεγχο Volt/VAr, τον προγραμματισμό των διεσπαρμένων ΑΠΕ.
- Παραγωγή νέας γνώσης.
- Βελτίωση της ανταγωνιστικότητας της επιχείρησης.
- Δημιουργία νέων θέσεων εργασίας.
- Επίτευξη ενεργειακής αποδοτικότητας μέσα από την πρόσθετη βελτιστοποίηση στην μείωση των θερμικών απωλειών και την απελευθέρωση χωρητικότητας, τη μείωση των εξόδων λειτουργίας και συντήρησης και την αύξηση της διείσδυσης των ΑΠΕ.
Τίτλος Ερευνητικού έργου: iReact – Next Generation
Συνεργαζόμενοι Φορείς: Στο έργο συμμετέχουν:
- Εργαστήριο Τηλεπικοινωνιών, Επεξεργασίας Σήματος και Ευφυών Συστημάτων, Τμήμα Ηλεκτρολόγων και Ηλεκτρονικών Μηχανικών Σχολής Μηχανικών, Πανεπιστήμιο Δυτικής Αττικής
- EMTech Διαστημική (Συντονιστής φορέας)
Πηγή
Η εργασία υλοποιείται στο πλαίσιο της Δράσης ΕΡΕΥΝΩ – ΔΗΜΙΟΥΡΓΩ – ΚΑΙΝΟΤΟΜΩ και συγχρηματοδοτείται από το Ευρωπαϊκό Ταμείο Περιφερειακής Ανάπτυξης (ΕΤΠΑ) της Ευρωπαϊκής Ένωσης και εθνικούς πόρους μέσω του Ε.Π. Ανταγωνιστικότητα, Επιχειρηματικότητα & Καινοτομία (ΕΠΑνΕΚ) (κωδικός έργου: T1ΕΔΚ-00244)
Ποσό Χρηματοδότησης
Συνολικός προϋπολογισμός: 461.460,00€
Προϋπολογισμός για το ΠAΔΑ: 163.960,85€
Χρονική Διάρκεια: 01/11/2018 – 30/04/2021
Επιστημονικά Υπεύθυνος για το ΠΑΔΑ: Δρ. Αλεξανδρίδης Αλέξανδρος, Καθηγητής, Τμήμα Ηλεκτρολόγων και Ηλεκτρονικών Μηχανικών, Πανεπιστήμιο Δυτικής Αττικής, Γραφείο: A115, Πανεπιστημιούπολη 2, Τηλ. Γραφείου: 2105381571
Εργαστήριο: A109β, Πανεπιστημιούπολη 2, Τηλ. Εργαστηρίου: 2105381336, E-mail: alexx@uniwa.gr, Ιστοσελίδα: users.uniwa.gr/alexx
Επιστημονικά Υπεύθυνος για την EMTech και συνολικά για το Έργο:
Νικόλαος – Αντώνιος Λιβανός, Managing Director, EMTech Διαστημική
Κορίθνου 32 και Στ. Δαβάκη, 14451, Μεταμόρφωση, Τηλ. 2106528527
E-mail: nikolaos.livanos@emtech.global
Ιστοσελίδα: emtech.global/
Ενδεικτικές Δημοσιεύσεις
- Alexandridis, A., E. Chondrodima, N. Giannopoulos, H. Sarimveis, “A Fast and Efficient Method for Training Categorical Radial Basis Function Networks”, IEEE Transactions on Neural Networks and Learning Systems, 28(11) (2017), pp. 2831 – 2836.
- Alexandridis, A., E. Chondrodima, H. Sarimveis, “Cooperative learning for radial basis function networks using particle swarm optimization”, Applied Soft Computing, 49 (2016), pp. 485-497.
- Alexandridis, A., E. Chondrodima, H. Sarimveis, “Radial Basis Function network training using a non-symmetric partition of the input space and Particle Swarm Optimization”, IEEE Transactions on Neural Networks and Learning Systems, 24 (2013), pp. 219-230.
