Please use this identifier to cite or link to this item: http://hdl.handle.net/2307/4394
DC FieldValueLanguage
dc.contributor.advisorLeccese, Fabio-
dc.contributor.advisorDel Vecchio, Paolo-
dc.contributor.authorFederica, Mangiatordi-
dc.date.accessioned2015-05-05T07:47:26Z-
dc.date.available2015-05-05T07:47:26Z-
dc.date.issued2014-05-13-
dc.identifier.urihttp://hdl.handle.net/2307/4394-
dc.description.abstractLa crescita continua della domanda di energia a livello mondiale e la progressiva diminuzione delle risorse energetiche tradizionali hanno spinto la comunità internazionale a concentrare i propri interessi di ricerca sulle tecnologie e metodologie per migliorare l’efficienza energetica e la sostenibibilità ambientale. In questo contesto gli algoritmi di intelligenza artificiale applicati alle tecnologie microgrids rappresentano l’elemento più innovativo per favorire il decentramento energetico e ottimizzare l’efficienza dei sistemi di generazione e distribuzione locale dell’energia. L’adozione di tecniche di intelligenza computazionale e di metodologie di profilazione automatica degli utenti finali consente di motivare il cambiamento comportamentale degli utenti utilizzando adeguati incentivi economici. Inoltre la realizzazione di unità di gestione e controllo, fisicamente vicine alle risorse energetiche distribuite (DER) consente di realizzare efficacemente il bilanciamento tra la produzione e il consumo di energia. D’altra parte i sistemi di intelligenza artificiale sono facilmente implementabili con tecnologie software distribuite e architetture SOA. Questo facilita la diffusione di questi sistemi grazie al superamento dei problemi di complessità computazionale e abilita l’implementazione distribuita delle operazioni di controllo su distretti energetici di dimensione variabile. Il risultato è un incremento della responsività, sicurezza, affidabilità dell’intero sistema elettrico, nonché la minimizzazione delle perdite connesse alla distribuzione dell’energia generata da centrali remote a vantaggio di una maggiore sostenibilità ambientale.it_IT
dc.language.isoitit_IT
dc.publisherUniversità degli studi Roma Treit_IT
dc.subjectmicrogridit_IT
dc.subjectuser profilingit_IT
dc.subjectalgoritmi geneticiit_IT
dc.titleTecniche di intelligenza artificiale per l'ottimizzazione energetica di una microgridit_IT
dc.typeDoctoral Thesisit_IT
dc.subject.miurSettori Disciplinari MIUR::Ingegneria industriale e dell'informazione::ELETTROTECNICAit_IT
dc.subject.isicruiCategorie ISI-CRUI::Ingegneria industriale e dell'informazione::Electrical & Electronics Engineeringit_IT
dc.subject.anagraferoma3Ingegneria industriale e dell'informazioneit_IT
dc.rights.accessrightsinfo:eu-repo/semantics/openAccess-
dc.description.romatrecurrentDipartimento di Scienze*
item.languageiso639-1other-
item.grantfulltextrestricted-
item.fulltextWith Fulltext-
Appears in Collections:Dipartimento di Scienze
T - Tesi di dottorato
Files in This Item:
File Description SizeFormat
Tesi-PhD-Federica-Mangiatordi.pdf6.06 MBAdobe PDFView/Open
Show simple item record Recommend this item

Page view(s)

222
Last Week
0
Last month
0
checked on Mar 18, 2024

Download(s)

920
checked on Mar 18, 2024

Google ScholarTM

Check


Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.