Torna ai risultati della ricercaBando per assegno di ricerca
| Titolo del progetto di ricerca in italiano | Sistemi Gerarchici e Modulari per la Gestione di Comunità Energetiche Rinnovabili tramite tecniche di Machine Learning |
|---|---|
| Titolo del progetto di ricerca in inglese | Hierarchical and Modular Management Systems for Renewable Energy Communities by Machine Learning Techniques |
| Campo principale della ricerca | Engineering |
| Sottocampo della ricerca | Electrical engineering |
| Settore Concorsuale | 09 - Ingegneria industriale e dell'informazione |
| S.S.D | ING-IND/31 - ELETTROTECNICA |
| Descrizione sintetica in italiano | L'obiettivo principale di questa ricerca è la sintesi di un sistema di gestione dell'energia gerarchico e modulare (HEMS) per un controllo ottimale del flusso di energia, basato sulle più recenti tecniche di intelligenza artificiale. HEMS è concepito per massimizzare l'autoconsumo comunitario, il che implica la minimizzazione dei costi di acquisto di energia dalla rete principale. La stocasticità delle fonti rinnovabili richiede che ogni microrete atomica sia dotata di un sistema di accumulo di energia a batteria locale. La complessità di un tale sistema suggerisce l'uso di Fuzzy Inference Systems (FIS) per l'implementazione di EMS e Evolutionary Computation (EC) per la loro sintesi guidata dai dati. Algoritmi di previsione all'avanguardia (famiglia di deep learning) saranno impiegati per la previsione del giorno prima delle serie temporali correlate (come carichi energetici, produzione di energia, segnali di prezzo). Il risultato principale finale sarà un software riutilizzabile open- |
| Descrizione sintetica in inglese | The main objective of this research is the synthesis of a general-purpose Hierarchical and Modular Energy Management System (HEMS) for optimal energy flow control, relying on the latest Artificial Intelligence techniques. HEMS is conceived for maximizing the Community self-consumption, which implies the minimization of energy purchase costs from Main Grid. The stochasticity of renewable sources requires each atomic microgrid to be provided with a local Battery Energy Storage System. The complexity of such a system suggests the use of Fuzzy Inference Systems (FISs) for EMS implementation and Evolutionary Computation (EC) for their data driven synthesis. State-of-the-art prediction algorithms (deep learning family) will be employed for day ahead forecasting of related time series (such as, energy loads, energy production, price signals). The final main deliverable will be an open-source reusable software for simulating the whole Energy Community system and for synthetizing all EMSs. |
| Data del bando | 19/04/2023 |
| Paesi in cui può essere condotta la ricerca |
Italy |
| Paesi di residenza dei candidati |
EUROPE |
| Nazionalità dei candidati |
Italy |
| Sito web del bando | https://web.uniroma1.it/trasparenza/bandi_trasparenza |
| Destinatari dell'assegno di ricerca (of target group) |
Experienced researcher or 4-10 yrs (Post-Doc) |
|---|
| Nome dell'Ente finanziatore | Dipartimento di Ingegneria dell'informazione, elettronica e telecomunicazioni |
|---|---|
| Tipologia dell'Ente | Academic |
| Paese dell'Ente | Italy |
| Città | ROME |
| Sito web | https://web.uniroma1.it/dip_diet |
| g.giannini@uniroma1.it |
| L'assegno finanziato/cofinanziato attraverso un EU Research Framework Programme? | No |
|---|
| Data di scadenza del bando | 19/05/2023 - alle ore 00:00 |
|---|---|
| Come candidarsi | https://xup-diet.cloud |