Η ανάπτυξη των microgrids επέτρεψε στους καταναλωτές να αναπτύξουν βέλτιστες στρατηγικές διαχείρισης της κατανάλωσης ενέργειας και ανταπόκρισης στη ζήτηση. Με βάση αυτή την ιδέα, εικονικοί καταναλωτές και microgrids μπορούν να δημιουργηθούν σε μια παραδοσιακή πολεοδομική δομή, εκμεταλλευόμενοι την ικανότητα των microgrids να λειτουργούν συνδεδεμένα ή αποσυνδεδεμένα στο δίκτυο. Ως εκ τούτου, καθίσταται αναγκαία η ανάπτυξη πιο πολύπλοκων συστημάτων ελέγχου και διαχείρισης της ενέργειας. Σε αυτή τη διπλωματική εργασία, αναπτύχθηκε ένα πολύ εύκολο στην εφαρμογή και υπολογιστικά αποτελεσματικό σύστημα διαχείρισης ενέργειας (ΣΔΕ) στο Matlab. Βασίζεται σε ένα ιεραρχικό σύστημα πολλαπλών πρακτόρων που στοχεύει στην ελαχιστοποίηση του λειτουργικού κόστους ενός microgrid, το οποίο αποτελείται από μια ομάδα κτιρίων, από ανανεώσιμες πηγές ενέργειας (ΑΠΕ), από συστήματα αποθήκευσης ενέργειας (ΣΑΕ) και ηλεκτρικά οχήματα (ΗΟ). Το εξεταζόμενο πρόβλημα βελτιστοποίησης επιλύεται με τη χρήση του αλγόριθμου particle swarm optimization (PSO), που εξασφαλίζει τη βέλτιστη χρήση κάθε συνιστώσας του microgrid. Βάσει των αποτελεσμάτων που προκύπτουν από την εφαρμογή του αλγορίθμου στη λειτουργία του microgrid, τόσο στο χρονικό πλαίσιο μιας ημέρας όσο και μιας εβδομάδας, μπορεί να επιτευχθεί εξοικονόμηση κόστους 40%, ενώ ικανοποιούνται όλες οι ενεργειακές ανάγκες και οι περιορισμοί λειτουργίας του microgrid.

The development of microgrids has enabled prosumers to develop optimal power management and demand response (DR) strategies. Based on this idea, virtual prosumers and microgrids can be created in a traditional city structure, exploiting microgrids’ ability to operate connected or disconnected to the grid. Therefore, the development of more complex energy control and management systems becomes necessary. In this thesis, an easy to apply and computationally efficient energy management system (EMS) has been developed in Matlab. It is based on a hierarchical multi-agent system aiming to minimize the operating cost of a microgrid, that consists of a group of buildings, renewable energy sources (RES), energy storage systems (ESS) and electric vehicles (EVs). The examined optimization problem is solved using the particle swarm optimization algorithm (PSO), that ensures the optimum use of every microgrid’s component. Based on the results obtained by applying the algorithm to the operation of the microgrid, both in the time frame of one day and one week, cost savings of 40% can be achieved while all the microgrid’s energy needs and operation constraints are met.