Marios SaleptsisΔιδάκτωρ Ηλεκτρολόγος Μηχανικός · Politecnico di Milano

Έρευνα

Προβλέψεις που κρίνονται από τις αποφάσεις που καθιστούν δυνατές

Τα ενεργειακά συστήματα λειτουργούν με προβλέψεις. Η έρευνά μου κάνει αυτές τις προβλέψεις να υπηρετούν τις αποφάσεις που εξαρτώνται από αυτές: προγραμματισμό μπαταριών, ενσωμάτωση φωτοβολταϊκών και λειτουργία μικροδικτύων με χαμηλότερο κόστος.

Σύνοψη

Η διατριβή εν συντομία

Η διδακτορική μου διατριβή, Advanced Photovoltaic and Load Power Forecasting Methods for Optimal Microgrid Scheduling, μελετά πώς η πρόβλεψη και η βελτιστοποίηση πρέπει να σχεδιάζονται μαζί. Η συμβατική πρακτική εκπαιδεύει τα μοντέλα πρόβλεψης για στατιστική ακρίβεια και παραδίδει την έξοδό τους σε έναν προγραμματιστή. Δείχνω ότι αυτός ο διαχωρισμός αφήνει αξία ανεκμετάλλευτη και αναπτύσσω μεθόδους πρόβλεψης που εκπαιδεύονται στο κόστος των αποφάσεων που τροφοδοτούν.

Η δουλειά εκτείνεται από τη μέθοδο έως την εφαρμογή: πρόβλεψη ευαίσθητη στο κόστος και προσανατολισμένη στην απόφαση, εγγυήσεις για μοντέλα που συνεχίζουν να μαθαίνουν ενώ το σύστημα λειτουργεί, συντονισμός πολλών προβλεπτών μέσα σε ένα σύστημα διαχείρισης ενέργειας, εκπαίδευση με επίγνωση του κινδύνου για τις ημέρες που μετρούν περισσότερο, και διαγνωστικά εργαλεία που δείχνουν στον διαχειριστή ποια σφάλματα πρόβλεψης κοστίζουν πραγματικά. Κάθε μέθοδος επικυρώνεται σε ένα πραγματικό εργαστηριακό μικροδίκτυο με φωτοβολταϊκή παραγωγή, αποθήκευση σε μπαταρίες και φόρτιση ηλεκτρικών οχημάτων, και στο πλαίσιο ευρωπαϊκών ερευνητικών έργων.

Ιδρύματα

Πού έγινε η δουλειά

  • Λογότυπο Politecnico di MilanoPolitecnico di MilanoΜιλάνο, Ιταλία
  • Λογότυπο Polytechnique MontréalPolytechnique MontréalΜόντρεαλ, Καναδάς
  • Λογότυπο Universidad Politécnica de MadridUniversidad Politécnica de MadridΜαδρίτη, Ισπανία
  • Λογότυπο Πανεπιστημίου Δυτικής ΜακεδονίαςΠανεπιστήμιο Δυτικής ΜακεδονίαςΚοζάνη, Ελλάδα

Εξειδίκευση

Ερευνητικές περιοχές

Πρόβλεψη

  • Πρόβλεψη φωτοβολταϊκής παραγωγής και ζήτησης
  • Πιθανοτική πρόβλεψη και αβεβαιότητα
  • Πρόβλεψη τιμών ηλεκτρικής ενέργειας
  • Επιλογή και συνδυασμός προβλέψεων

Πρόβλεψη για αποφάσεις

  • Εκπαίδευση προβλέψεων μέσα από τη βελτιστοποίηση που τροφοδοτούν
  • Μάθηση κατά τη λειτουργία, με εγγυήσεις
  • Συντονισμός πολλών προβλεπτών σε ένα σύστημα
  • Στόχοι με επίγνωση του κινδύνου

Βελτιστοποίηση και διαγνωστικά

  • Προγραμματισμός μπαταριών και φόρτισης ηλεκτρικών οχημάτων
  • Προγραμματισμός υπό αβεβαιότητα και απαιτήσεις εφεδρείας
  • Απόδοση κόστους στα σφάλματα πρόβλεψης

Πεδία

Πεδία εφαρμογής

Μικροδίκτυα Αποθήκευση ενέργειας σε μπαταρίες Φωτοβολταϊκή παραγωγή Φόρτιση ηλεκτρικών οχημάτων Συστήματα διαχείρισης ενέργειας Αγορές ηλεκτρικής ενέργειας και τιμολόγια Παρακολούθηση στόλων φωτοβολταϊκών Εργαστηριακή επικύρωση

Δημοσιεύσεις

Υπό κρίση και αποδεκτές

Πλήρης κατάλογος στο Google Scholar και ResearchGate.

  • 2026
    Decision-Focused Learning for Optimal BESS Scheduling Under Load and PV Uncertainty in Microgrids
    M. Saleptsis, A. Lesage-Landry, M. Mussetta, S. Leva
    Energy, ElsevierΥπό κρίση
  • 2026
    Bridging the Gap between Predictive Accuracy and Operational Optimality: A Cost-Aware PV Forecasting Framework
    M. Saleptsis, R. Ramaschi, A. Fusco, M. Mussetta, S. Leva
    Applied Energy, ειδικό τεύχος Microgrids 2027Υπό κρίση
  • 2026
    Game-Theoretic Decision-Focused Learning for Microgrid Scheduling Under Multi-Source Uncertainty
    M. Saleptsis, A. Lesage-Landry, M. Mussetta, S. Leva
    IEEE Transactions on Smart GridΥπό κρίση
  • 2026
    A Novel Hierarchical Stacked Framework for Short-Term Load Forecasting: An Extreme Learning Machine and Extreme Gradient Boosting Ensemble Method
    M. Saleptsis, M. Mussetta, S. Leva
    IEEE Transactions on Industry ApplicationsΥπό κρίση
  • 2026
    A Stacked Ensemble Approach for Probabilistic PV Forecasting: Combining Physical Hybrid Neural Networks with Natural Gradient Boosting
    M. Saleptsis, M. Mussetta, S. Leva
    ELECTRIMACS 2026, Παλέρμο, Ιταλία, Μάιος 2026Αποδεκτή
  • 2026
    Towards a Peer-Based Probabilistic Framework for Photovoltaic Performance Monitoring with Aggregated Data
    R. Ramaschi, M. Saleptsis, E. Ogliari, S. Leva
    ELECTRIMACS 2026, Παλέρμο, Ιταλία, Μάιος 2026Αποδεκτή

Δημοσιεύσεις

Δημοσιευμένες

  • 2025
    State of Health Resistance Estimation Based on a Feed Forward Neural Network
    P. Eleftheriadis, M. Saleptsis, S. Leva
    Άρθρο συνεδρίου, Ιούλιος 2025
  • 2025
    Data-Driven Timestep Analysis for State of Health Estimation Using BiLSTM Neural Networks
    P. Eleftheriadis, M. Saleptsis, S. Leva
    Άρθρο συνεδρίου, Ιούλιος 2025
  • 2025
    Extreme Gradient Boosting for Day-Ahead Photovoltaic Output Power Forecast Refinement
    M. Saleptsis, R. Ramaschi, M. Mussetta, S. Leva
    Άρθρο συνεδρίου, Ιούνιος 2025
  • 2025
    Gradient Boosting Algorithms for Day-Ahead Residential Load Forecasting of Individual Household
    M. Saleptsis, M. Mussetta, S. Leva
    Άρθρο συνεδρίου, Ιούνιος 2025
  • 2024
    Comparative Analysis of Wireless Protocols in Smart Home Energy Management Systems
    M. Saleptsis, M. Mussetta, S. Leva
    Άρθρο συνεδρίου, Οκτώβριος 2024
  • 2024
    Impact of PV and EV Forecasting in the Operation of a Microgrid
    M. Saleptsis, G. Manzolini, A. Fusco, D. Gioffrè, S. Leva
    Forecasting, τόμ. 6, αρ. 3, 2024Περιοδικό
  • 2024
    An Overview of Optimization Methods for Home Energy Management Systems
    M. Saleptsis, M. Mussetta, S. Leva
    Άρθρο συνεδρίου, Ιούνιος 2024

Διατριβή

Διδακτορική διατριβή

  • 2026
    Advanced Photovoltaic and Load Power Forecasting Methods for Optimal Microgrid Scheduling
    M. Saleptsis · Επιβλέποντες: S. Leva, M. Mussetta
    Politecnico di Milano, 39ος κύκλοςΥποστήριξη αναμένεται Νοέμβριο 2026