Πρακτικά 4ου Φοιτητικού Συνεδρίου...

Πρακτικά 4ου Πανελληνίου Φοιτητικού Συνεδρίου Ε.Ε.Ε.Ε

«Επιχειρησιακή Έρευνα: Ευκαιρίες & Προκλήσεις μέσα στην Κρίση»

17-18 Δεκεμβρίου 2015, Κεντρική Βιβλιοθήκη ΕΜΠ

ISBN: 978-618-80361-5-4

4Ο

ΦΟΙΤΗΤΙΚΟ ΣΥΝΕΔΡΙΟ ΕΕΕE

ΕΠΙΧΕΙΡΗΣΙΑΚΗ ΕΡΕΥΝΑ: ΕΥΚΑΙΡΙΕΣ ΚΑΙ ΠΡΟΚΛΗΣΕΙΣ ΜΕΣΑ ΣΤΗΝ ΚΡΙΣΗ

4eeee-student.epu.ntua.gr/

ΧΟΡΗΓΟI ΥΠΟΣΤΗΡΙΚΤΕΣ ΠΡΟΩΘΗΣΗΣ

ΔΙΟΡΓΑΝΩΣΗ

ΤΟΜΟΣ ΠΡΑΚΤΙΚΩΝ ΣΥΝΕΔΡΙΟΥ

4Ο ΦΟΙΤΗΤΙΚΟ ΣΥΝΕΔΡΙΟ ΤΗΣ ΕΕΕΕ

ΕΠΙΜΕΛΕΙΑ ΕΚΔΟΣΗΣ: Ι. ΨΑΡΡΑΣ – ΚΑΘΗΓΗΤΗΣ ΕΜΠ, Χ. ΔΟΥΚΑΣ – ΕΠ. ΚΑΘΗΓΗΤΗΣ ΕΜΠ

http://4eeee-student.epu.ntua.gr/http://4eeee-student.epu.ntua.gr/




ISBN: 978-618-80361-5-4

Έκδοση 1η ,

Copyright © 2016

ISBN: 978-618-80361-5-4

Εκδόσεις Ελληνικής Εταιρείας Επιχειρησιακών Ερευνών (Ε.Ε.Ε.Ε.)

Αχαρνών 427, 111 43 Αθήνα

Τηλ.: 210-3807532

Fax: 210-3807807

http://www.eeee.org.gr

email: [email protected]

Απαγορεύεται η με οποιανδήποτε τρόπο ανατύπωση, καταχώρηση, σε σύστημα

αποθήκευσης και επανάκτησης ή μετάδοση με κάθε μορφή και μέσο (ηλεκτρονικό,

μηχανικό, φωτοαντιγραφικό κτλ.) του συνόλου ή μέρους του βιβλίου αυτού, χωρίς την

έγγραφη άδεια του εκδότη.

http://www.eeee.org.gr/mailto:[email protected]




ISBN: 978-618-80361-5-4

Πρόλογος Το 4ο Πανελλήνιο Φοιτητικό Συνέδριο με τίτλο «Επιχειρησιακή Έρευνα: Ευκαιρίες και

προκλήσεις μέσα στην κρίση» έλαβε χώρα στις 17-18 Δεκεμβρίου 2015 στο Εθνικό Μετσόβιο

Πολυτεχνείο. Η έννοια της επιχειρησιακής έρευνας κερδίζει ολοένα και περισσότερο την

προσοχή της νεανικής κοινότητας σε παγκόσμιο επίπεδο, ενώ ταυτόχρονα, πληθώρα

μεθοδολογιών και αλγορίθμων αναπτύσσονται με στόχο την αντιμετώπιση περίπλοκων

επιχειρησιακών προβλημάτων. Παράλληλα εν μέσω της οικονομικής και κοινωνικής κρίσης

που διανύει η χώρα μας τα τελευταία χρόνια, η επιχειρησιακή έρευνα εμφανίζεται να παρέχει

τα μέσα στους νέους για τη δημιουργία σημαντικών προοπτικών και ευκαιριών.

Το Συνέδριο αυτό προσέφερε ένα ακόμα βήμα για την επικοινωνία και συνεργασία μεταξύ

ερευνητών από διάφορους επιστημονικούς κλάδους και έδωσε τη δυνατότητα σε

προπτυχιακούς, μεταπτυχιακούς και διδακτορικούς φοιτητές, καθώς επίσης και σε νέους

απόφοιτους, να παρουσιάσουν στην ακαδημαϊκή κοινότητα τις επιστημονικές τους εργασίες.

Με τον τρόπο αυτό, φοιτητές και νέοι απόφοιτοι αντάλλαξαν εμπειρίες και απόψεις και

ενημερώθηκαν για τα τελευταία ερευνητικά επιτεύγματα σε διάφορους τομείς ειδικού

ενδιαφέροντος. Απώτερος σκοπός του συνεδρίου ήταν η προαγωγή της επιχειρησιακής

έρευνας σε εθνικό επίπεδο, μέσω της ενθάρρυνσης και ενίσχυσης της συνεργασίας μεταξύ

των μελλοντικών Ελλήνων ερευνητών.

Η διοργάνωση του Συνεδρίου κρίθηκε ως επιτυχής καθώς παρουσιάστηκαν σε αυτό, κατά την

διήμερη διάρκειά του, εργασίες υψηλής ποιότητας που προήγαγαν την επιστήμη της

επιχειρησιακής έρευνας. Συγκεκριμένα, συμμετείχαν κοντά στους 200 νέους ερευνητές, και

έλαβαν χώρα περισσότερες από 40 παρουσιάσεις από ερευνητές 11 Σχολών και 8

εκπαιδευτικών ιδρυμάτων της χώρας.

Οι 8 συνεδρίες πραγματοποιήθηκαν σε δύο αίθουσες και αφορούσαν θεματολογία

Επιχειρησιακή Έρευνα και Επιχειρηματικότητα, Μαθηματικός Προγραμματισμός,

Πολυκριτηριακή Ανάλυση Αποφάσεων, Επιχειρησιακή Έρευνα και Ενέργεια, Καινοτόμες

Εφαρμογές Επιχειρησιακής Έρευνας, Συστήματα Υποστήριξης Αποφάσεων, Επιχειρησιακή

Έρευνα και Περιβάλλον, Προβλήματα Εφοδιαστικής Αλυσίδας. Επίσης, πραγματοποιήθηκαν

ειδικές συνεδρίες των χορηγών, καθώς και στρογγυλό τραπέζι φοιτητικών οργανώσεων των

φοιτητικών οργανώσεων EESTEC LC Athens, AIΔSEC, Best Athens, IEEE NTUA SB.

Ελπίζουμε ο ειδικός αυτός τόμος να αποτελέσει ένα ακόμα βήμα για την επικοινωνία και

συνέργεια επιστημόνων που προέρχονται από διαφορετικούς κλάδους, αλλά έχουν ως κοινή

συνισταμένη έρευνας τη χρήση μεθοδολογιών της επιχειρησιακής έρευνας για τη

μοντελοποίηση πραγματικών προβλημάτων.

Κλείνοντας, θα θέλαμε να ευχαριστήσουμε όλους του συμμετέχοντες στο Συνέδριο, τους

χορηγούς, τους φοιτητικούς συλλόγους για τι δράσεις προώθησης και όλους του συγγραφείς

των άρθρων που συνετέλεσαν στη δημιουργία του τόμου αυτού.

I. Ψαρράς, X. Δούκας

Μάρτιος, 2016




ISBN: 978-618-80361-5-4

Περιεχόμενα 1. Μοντελοποίηση οικιακής ζήτησης ηλεκτρικής ενέργειας για χρήση σε προσομοιώσεις:

Μια υλοποίηση σε Python ........................................................................................... 4

2. Η μεθοδολογία 6 σίγμα στη μέτρηση ικανοποίησης πελατών................................... 11

3. Ένας αλγόριθμος branch and bound για μια ειδική περίπτωση του ακέραιου προβλήματος σακιδίου με περιορισμούς πολλαπλών επιλογών ................................ 18

4. Μελέτη Περίπτωσης Συλλογής και Ενδιάμεσης Αποθήκευσης Γεωργικών

Υπολειμμάτων για την Παραγωγή́ Βιοαιθανόλης ..................................................... 24

5. Πολυκριτήρια λήψη απόφασης στο θαλάσσιο περιβάλλον: Εφαρμογή για επιλογή περιοχής μεταφόρτωσης πλοίων στη θάλασσα .......................................................... 30

6. Αξιολόγηση της λειτουργικότητας των ιστοσελίδων των ελληνικών πανεπιστημίων μέσω μεθοδολογίας λήψης αποφάσεων ..................................................................... 37

7. Διερεύνηση Του Κόστους Συμμόρφωσης Του Τομέα Των Αεροπορικών Μεταφορών Στο Σύστημα Εμπορίας Δικαιωμάτων Εκπομπών ..................................................... 48

8. Ένα Σύστημα Υποστήριξης Προδραστικών Αποφάσεων για την Ελαχιστοποίηση του Κόστους Συντήρησης στις Βιομηχανικές Επιχειρήσεις ............................................. 60

9. Προς ένα σύστημα συστάσεων ανταγωνισμού προϊόντων με βάση την πολυκριτήρια

ανάλυση συμπεριφοράς των καταναλωτών ............................................................... 66

10. Αγορά Εργασίας και Διοίκηση Ανθρώπινών Πόρων στην Κίνα ............................... 70

11. Περιβάλλουσα Ανάλυση Δεδομένων σε παραγωγικές διαδικασίες δύο σταδίων ..... 75

12. Αξιολόγηση των παρεχόμενων τραπεζικών υπηρεσιών την περίοδο της οικονομικής κρίσης στην Ελλάδα ................................................................................................... 80

13. Μέθοδος Προβλεπτικού Μοντέλου Δρομολόγησης και Ρύθμισης Αποθεμάτων στα

Τελικά Σημεία Κατανάλωσης: Εφαρμογή στην Διανομή Βιομηχανικών Αερίων .... 89

14. Ανάπτυξη Μεθοδολογίας για τον Περιορισμό των Ουρών Αναμονής στα Καταστήματα

Τραπέζης .................................................................................................................... 95

15. Συγκριτική αξιολόγηση αλγορίθμων μηχανικής εκμάθησης για την ανάπτυξη μοντέλων

πρόβλεψης αποχώρησης πελατών............................................................................ 101

16. Καινοτομία, Έρευνα και Ανάπτυξη Στις Ευρωπαϊκές Επιχειρήσεις ....................... 108

17. Βελτιστοποίηση ενεργειακής εκμετάλλευσης Στερεών Αστικών Απορριμμάτων Αττικής

114

18. Σχεδιασμός και Υλοποίηση υβριδικού Μεταευρετικού Αλγορίθμου Βελτιστοποίησης

για το Πράσινο Πρόβλημα Δρομολόγησης Στόλου Ετερογενών Οχημάτων σε Αστικό

Περιβάλλον .............................................................................................................. 120

19. Πολυκριτηριακή Αξιολόγηση Εναλλακτικών Στρατηγικών Σεναρίων για την επίτευξη

του στόχου ΑΠΕ της ΕΕ ως το 2030 ....................................................................... 125

20. Σύγκριση εναλλακτικών μονοπατιών μετάβασης των χωρών της Ε.Ε. σε κοινωνίες

χαμηλών εκπομπών άνθρακα με την χρήση Ασαφών Γνωστικών Χαρτών ............ 142

21. «Energagement Tool»: Ένα Διαδικτυακό Εργαλείο για την Ενεργειακή Διαχείριση Κτιρίων, Οδικού Φωτισμού και Ηλεκτρικών Οχημάτων των «Έξυπνων» Πόλεων 150

Κοντοχριστόπουλος Γ., Σταύρακας Β., Παπαδέλης Σ., Φλάμος Α.| Μοντελοποίηση οικιακής ζήτησης ηλεκτρικής ενέργειας για χρήση σε προσομοιώσεις: Μια υλοποίηση σε Python




ISBN: 978-618-80361-5-4

Μοντελοποίηση οικιακής ζήτησης ηλεκτρικής ενέργειας για χρήση

σε προσομοιώσεις: Μια υλοποίηση σε Python

Γιάννης Κοντοχριστόπουλος1, Βασίλης Σταύρακας, Σωτήρης Παπαδέλης2 και Αλέξανδρος Φλάμος2*

1Εργαστήριο Συστημάτων Αποφάσεων και Διοίκησης, Εθνικό Μετσόβιο Πολυτεχνείο,

Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών, οδός Ηρώων Πολυτεχνείου 9, Ζωγράφου,

15780, Αθήνα, Ελλάδα; E-Mail: [email protected]

2Τμήμα Βιομηχανικής Διοίκησης και Τεχνολογίας, Πανεπιστήμιο Πειραιά, Καραολή & Δημητρίου 80, Πειραιάς,

18534, Αθήνα, Ελλάδα; E-Mails: [email protected]; [email protected];[email protected]

* Αλληλογραφία: [email protected]

ΠΕΡΙΛΗΨΗ

Ο οικιακός τομέας αποτελεί έναν από τους βασικούς καταναλωτές ενέργειας, απαιτώντας περίπου το 20% της παγκόσμιας

παραγωγής και εκπέμποντας αντίστοιχες ποσότητες CO2. Στη μείωση της κατανάλωσης ενέργειας, η πρόβλεψη της ζήτησης

και κυρίως των αιχμών της, έχουν βασικότατο ρόλο. Προς αυτό το σκοπό, η καλύτερη ανάλυση της εξέλιξης της ζήτησης ως

προς το χρόνο, μπορεί να ανοίξει νέους δρόμους στο πεδίο της διεσπαρμένης παραγωγής, παρέχοντας δυνατότητες

καλύτερου συγχρονισμού παραγωγής – ζήτησης, κάνοντας έτσι ρεαλιστικές τις διασυνδέσεις μικρής κλίμακας και τα

μικροδίκτυα. Σε αυτή την εργασία παρουσιάζεται ένα μοντέλο οικιακής ζήτησης ηλεκτρικής ενέργειας, βασισμένο στο

γεγονός πως η ζήτηση σε μια κατοικία εξαρτάται έντονα από τις δραστηριότητες των κατοίκων. Πιο συγκεκριμένα, γίνεται

χρήση στατιστικών δεδομένων με σκοπό τη στοχαστική δημιουργία, σεναρίων ζήτησης ηλεκτρικής ενέργειας ανάλογα με τις

δραστηριότητες των κατοίκων, τις εγκατεστημένες οικιακές συσκευές και τις ανάγκες φωτισμού. Το μοντέλο είναι αποδοτικό

στη δημιουργία δεδομένων ζήτησης ισχύος για μεγάλους αριθμούς κατοικιών, τα οποία αντιστοιχούν σε κάθε εξεταζόμενο

δεκάλεπτο. Στη συνέχεια θα παρουσιαστεί μια καινοτόμα και αποδοτική μέθοδος για τη μοντελοποίηση της κατανάλωσης

ηλεκτρικής ενέργειας, αποσκοπώντας κυρίως στην προσομοίωση και τον προβλεπτικό έλεγχο μικροδικτύων, αναλύοντας

παράλληλα τις επιπτώσεις της εισαγωγής τους στην αγορά ηλεκτρικής ενέργειας

ΕΙΣΑΓΩΓΗ Η δυνατότητα παραγωγής δεδομένων οικιακής ζήτησης αναμένεται στο μέλλον να είναι μεγάλης σημασίας στον

τομέα της ενέργειας, ωφελώντας ιδιαίτερα τις νέες τεχνολογίες και στρατηγικές ενεργειακής απόδοσης -

χαμηλών εκπομπών ρύπων, όπως η διεσπαρμένη παραγωγή και η διαχείριση της ζήτησης (Demand Side

Management - DSM). Τα περισσότερα σχετικά προβλεπτικά μοντέλα είναι μακροσκοπικά και βασίζονται

συνήθως στη στατιστική ανάλυση της ζήτησης τόσο του πρόσφατου παρελθόντος (προηγούμενες

ώρες/ημέρες/εβδομάδες), όσο και του μακρινότερου παρελθόντος (της αντίστοιχης χρονικής περιόδου σε

προηγούμενα έτη), λαμβάνοντας παράλληλα υπόψη και παράγοντες όπως τυχόν ευρύτερες τάσεις μεταβολής

στη ζήτηση και εποχιακές διακυμάνσεις στο κόστος της ηλεκτρικής ενέργειας. Μειονέκτημα αυτών των

μεθόδων είναι η μη θεώρηση των μικροσκοπικών παραγόντων που αναφέρθηκαν παραπάνω, με πιθανή

συνέπεια εσφαλμένες προβλέψεις όταν εξετάζονται δίκτυα μικρής κλίμακας. Επιπρόσθετα, η επίλυση του

προβλήματος με αυτόν τον τρόπο απαιτεί σημαντική επεξεργαστική ισχύ, η οποία δεν είναι αποδοτικό να

χρησιμοποιείται για να λυθεί ξανά και ξανά το ίδιο πρόβλημα για μεγάλους αριθμούς διαφορετικών μικρών

δικτύων. Όπως υποστηρίζεται από τη βιβλιογραφία [1][2][3][4][5], το πρόβλημα αυτό μπορεί να λυθεί με

εναλλακτικό τρόπο, διότι η ζήτηση ενέργειας μιας κατοικίας έχει στενή σχέση με τη χρήση των συσκευών, της

θέρμανσης και του ζεστού νερού, η οποία μεταβάλλεται σημαντικά, εν γένει ανάλογα με τις δραστηριότητες

των κατοίκων. Στον οικιακό τομέα οι δραστηριότητες δεν εξαρτώνται μόνο από τον αριθμό των κατοίκων, αλλά

mailto:[email protected];[email protected]





ISBN: 978-618-80361-5-4

επίσης και από το αν βρίσκονται στο σπίτι και είναι ‘ενεργοί’. Έτσι η παραγωγή ορθών δεδομένων γίνεται εφικτή

εφόσον μοντελοποιηθούν η συμπεριφορά και οι δραστηριότητες των κατοίκων, καθώς και ο τρόπος χρήσης των

συσκευών και των φωτιστικών σωμάτων του κτιρίου. Σε αυτή τη μοντελοποίηση θα πρέπει επίσης να ληφθεί

υπόψη ένας αριθμός παραγόντων όπως για παράδειγμα η ώρα της ημέρας, η εποχή του έτους, ο αριθμός και η

τεχνολογία των συσκευών που είναι εγκατεστημένες και η περιοχή την οποία εξετάζουμε. Στην εργασία

παρουσιάζεται μια υλοποίηση που προκύπτει από ενσωμάτωση και βελτίωση των υπαρχόντων σχετικών

μοντέλων, με δυνατότητα παραγωγής συνθετικών δεδομένων ζήτησης ενέργειας υψηλής χρονικής ανάλυσης,

για μεγάλο αριθμό κατοικιών.

ΜΕΘΟΔΟΙ A. Ορισμοί

Α.1 Μαρκοβιανές Αλυσίδες Μόντε Κάρλο (Markov Chain Monte Carlo – MCMC)

Στη μοντελοποίηση χρησιμοποιήθηκαν τεχνικές Μαρκοβιανών Αλυσίδων, οι οποίες περιγράφουν μια διεργασία

μέσω των διαφορετικών διακριτών καταστάσεων στις οποίες μπορεί να βρίσκεται. Διακρίνοντας μεταξύ των

διαφορετικών καταστάσεων μιας διεργασίας και με γνωστές τις πιθανότητες μετάβασης από τη μια κατάσταση

στην άλλη, προσομοιώνεται η εξέλιξη μιας διεργασίας με μεθόδους Μόντε Κάρλο. Αυτή η μέθοδος αποτελεί

υποκατηγορία των τεχνικών Μαρκοβιανών αλυσίδων και ονομάζεται μέθοδος Μαρκοβιανών Αλυσίδων Μόντε

Κάρλο[7] και ενδείκνυται για την ανάλυση του εξεταζόμενου προβλήματος, καθώς η κάθε κατάσταση στην

οποία μπορεί να βρίσκεται μια κατοικία αποτελεί μια διακριτή κατάσταση ζήτησης ενέργειας, ενώ οι

μεταβάσεις από τη μια κατάσταση στην άλλη αποτελούν ‘γεγονότα’ τα οποία προκαλούνται από τους

παράγοντες που επηρεάζουν την κατανάλωση.

Α.2. Κάτοικοι

Ως ‘κάτοικοι’ του κτηρίου ορίζεται το σύνολο των κατοίκων της κατοικίας που εξετάζεται.

Α.3. Ενεργοί κάτοικοι

Ως ‘ενεργοί κάτοικοι’ ορίζονται οι κάτοικοι που είναι σε θέση να έχουν μια δραστηριότητα. Οι δραστηριότητες

των ενεργών κατοίκων αποτελούν τον κυριότερο παράγοντα οικιακής ζήτησης ενέργειας [2]. Ενεργοί

θεωρούνται γενικά οι κάτοικοι που βρίσκονται στο σπίτι και δεν κοιμούνται τη στιγμή που εξετάζουμε.

Α.4. Συσκευές και Φωτιστικά Σώματα

Ως συσκευή ορίζουμε κάθε πιθανή ηλεκτρική συσκευή που συνεισφέρει στη ζήτηση ενέργειας από μια κατοικία

και υποκατηγορία συσκευών αποτελούν και τα φωτιστικά σώματα. Για να παραχθούν τα τελικά συνθετικά

δεδομένα ζήτησης ηλεκτρικής ενέργειας απαιτείται επίσης η γνώση της ‘ζήτησης συσκευών’ και ‘ζήτησης

φωτισμού’, που αντιστοιχούν στη ζήτηση ισχύος των συσκευών και των φωτιστικών σωμάτων του κτιρίου.

Α.5. Στατιστικά δεδομένα

Κάθε μέθοδος που επιχειρεί να μοντελοποιήσει το πρόβλημα ως συνέπεια των παραγόντων που το επηρεάζουν

εξαρτάται ιδιαιτέρως από την ακρίβεια με την οποία μπορούν να επιλεγούν οι παράγοντες αυτοί και την

ανάλυσή τους. Στο συγκεκριμένο μοντέλο βασιζόμαστε σε στατιστικά δεδομένα για να εξετάσουμε τη

συμπεριφορά της ζήτησης ως προς τους παράγοντες που την επηρεάζουν. Αυτά τα δεδομένα εκφράζουν

ανθρώπινους παράγοντες όπως η συμπεριφορά, οι δραστηριότητες και οι συνήθειες των κατοίκων του κτηρίου,

τεχνικούς παράγοντες όπως οι εγκατεστημένες συσκευές στο κτήριο, αλλά και χρονικούς/εποχιακούς

παράγοντες όπως η σχέση των δραστηριοτήτων με την εποχή, τη μέρα, την ώρα, τον ηλιασμό. Τα δεδομένα

αυτά είναι πρωταρχικής σημασίας για την παραγωγή ρεαλιστικών δεδομένων ζήτησης, αλλά ταυτόχρονα η

μέθοδος αυτή αυξάνει σημαντικά την ευελιξία του μοντέλου. Αυτό γίνεται διότι, αλλάζοντας μόνο τα στατιστικά





ISBN: 978-618-80361-5-4

δεδομένα εισόδου, το μοντέλο μπορεί να εφαρμοστεί σε ένα ευρύ πεδίο διαφορετικών εκδοχών του

προβλήματος.

B. Αλγοριθμική Διαδικασία

Το βασικότερο σημείο του μοντέλου είναι η ισχυρή εξάρτηση της οικιακής ζήτησης ενέργειας από τη

δραστηριότητα των κατοίκων. Συνεπώς απαιτείται η μοντελοποίηση αυτών των δραστηριοτήτων, καθώς και

των παραγόντων που οδηγούν σε αυτές.

Β.1. Ενεργοί Κάτοικοι

Στο μοντέλο, η εξέλιξη του αριθμού των ενεργών κατοίκων προσομοιώνεται ως μια Μαρκοβιανή αλυσίδα, της

οποίας το σύνολο των καταστάσεων περιλαμβάνει όλες τις πιθανές καταστάσεις του αριθμού των ενεργών

κατοίκων, δηλαδή από 0 έως τον αριθμό των κατοίκων του κτιρίου. Η κάθε κατάσταση διαρκεί 10 λεπτά, δηλαδή

όσο ο χρόνος ανάλυσης που επιλέχθηκε για το μοντέλο. Ο αριθμός των ενεργών κατοίκων υπολογίζεται

στοχαστικά μέσω μεθόδου Μαρκοβιανής Αλυσίδας Μόντε Κάρλο για κάθε ζητούμενη χρονική περίοδο. Για αυτό

το σκοπό χρησιμοποιούνται στατιστικά στοιχεία που περιγράφουν πιθανότητες μετάβασης σε διαφορετικές

καταστάσεις, τα οποία παράγονται με πολλαπλασιασμό πινάκων, καθένας από τους οποίους αντιπροσωπεύει

έναν από τους παράγοντες που επηρεάζουν τις πιθανότητες μετάβασης. Τέτοιοι παράγοντες είναι η ώρα της

ημέρας, το αν η ημέρα είναι καθημερινή ή αργία, ο αριθμός των ενεργών κατοίκων στο παρελθόν και ο

συνολικός αριθμός κατοίκων του κτιρίου. Στη αλυσίδα μεταβάσεων, το σημαντικότερο ζήτημα είναι ο

προσδιορισμός της μήτρας πιθανοτήτων μετάβασης. Προς αυτό το σκοπό χρησιμοποιήθηκε η ακόλουθη

πιθανοτική μέθοδος: Καταρχήν κατασκευάστηκαν πίνακες που προσδιορίζουν τις πιθανότητες μετάβασης από

κατάσταση σε κατάσταση ανάλογα με τον ανεξάρτητο παράγοντα που μας ενδιαφέρει. Στη συνέχεια με

πολλαπλασιασμό αυτών των πινάκων και αναγωγή των τιμών στο ένα, παράγεται η συνολική μήτρα

μεταβάσεων (δεδομένου οποιουδήποτε συνδυασμού των ανεξαρτήτων παραγόντων). Τελικά, κάνοντας χρήση

αυτού του πίνακα σε συνδυασμό με μια γεννήτρια ψευδοτυχαίων αριθμών μπορούμε να προσομοιώσουμε με

στατιστικά ορθό τρόπο τις μεταβάσεις από κατάσταση σε κατάσταση. Επειδή το μοντέλο βασίζεται, ανάμεσα

στα άλλα, στη γνώση του αριθμού ενεργών κατοίκων στο προηγούμενο δεκάλεπτο, ο οποίος στην αρχή είναι

άγνωστος, είναι απαραίτητη η εκκίνηση της προσομοίωσης με μια αρχική τιμή. Επιλέγεται πάντοτε η αρχή κάθε

ημέρας να είναι στις 00:00, συνεπώς το πρώτο δεκάλεπτο θα είναι το 00:00 – 00:10. Η τιμή των ενεργών

κατοίκων ακριβώς πριν από αυτό το πρώτο δεκάλεπτο υπολογίζεται με την ίδια μέθοδο, αλλά οι πιθανότητες

δίνονται από το συνδυασμό των αρχικών πινάκων μετάβασης καθημερινής/αργίας και συνολικού αριθμού

κατοίκων. Στο μοντέλο, ο μέγιστος συνολικός αριθμός κατοίκων μπορεί να είναι έως 5, μια και δεν υπάρχει

σημαντικός αριθμός κατοικιών με 6 ή περισσότερους κατοίκους και συνεπώς δεν υπάρχουν αξιόπιστα

στατιστικά δεδομένα για αυτές τις περιπτώσεις.

B.2. Συσκευές

Αρχικά, σε κάθε σπίτι που προσομοιώνεται, εκχωρείται ένας αριθμός συσκευών. Η κάθε συσκευή έχει μια

συγκεκριμένη πιθανότητα εκχώρησης σε κάθε κτίριο (ή κτιριακή μονάδα), βασισμένη σε στατιστικά δεδομένα,

συνεπώς αρκεί η χρήση μιας γεννήτριας ψευδοτυχαίων αριθμών για την επιλογή ενός συνδυασμού συσκευών

για το κάθε κτίριο. Οι συσκευές έχουν χωριστεί σε κατηγορίες (πχ. ψυγεία, πλυντήρια, μαγείρεμα κλπ.) για να

απλουστευτεί η περεταίρω ανάλυση. Η κάθε συσκευή, εκτός από τον τύπο και το όνομά της, έχει

χαρακτηριστικά που την προσδιορίζουν όπως για παράδειγμα η ζήτηση ισχύος σε κατάσταση λειτουργίας, η

ζήτηση ισχύος σε κατάσταση αναμονής, ο τυπικός χρόνος κύκλου λειτουργίας, ο τυπικός χρόνος κύκλου

αναμονής, η πληροφορία αν η λειτουργία συσχετίζεται με ανθρώπινες δραστηριότητες, η πιθανότητα

εκχώρησής της σε μια κατοικία κ.α. Για συσκευές των οποίων η ζήτηση ενέργειας διαφέρει σημαντικά ανάλογα

με το σημείο του κύκλου στον οποίο βρίσκονται (πχ. πλυντήριο), τα δεδομένα ζήτησης ενέργειας σε κάθε σημείο

του κύκλου λειτουργίας δίνονται επίσης, με βάση πραγματικές τυπικές συσκευές που κυκλοφορούν στο

εμπόριο. Τέλος, η ζήτηση ενέργειας κάθε συσκευής πολλαπλασιάζεται με ένα ρυθμιστικό συντελεστή με σκοπό





ISBN: 978-618-80361-5-4

τη δυνατότητα διόρθωσης των αποτελεσμάτων. Η κατάσταση λειτουργίας των συσκευών του κτιρίου μπορεί να

αναπαρασταθεί ως μια Μαρκοβιανή αλυσίδα, της οποίας η κάθε κατάσταση αντιστοιχεί σε ένα συγκεκριμένο

συνδυασμό καταστάσεων των συσκευών και συνεπώς σε μια συγκεκριμένη ζήτηση ενέργειας. Οι μεταβάσεις

μεταξύ των καταστάσεων εξαρτώνται από τα χαρακτηριστικά των συσκευών, καθώς και μια μήτρα

‘δραστηριοτήτων’. Από αυτή τη μήτρα μπορούμε να αντλήσουμε την πιθανότητα να εκτελεστεί μια

συγκεκριμένη δραστηριότητα, με δεδομένα την ώρα της ημέρας, τον αριθμό των ενεργών κατοίκων και το είδος

της ημέρας (αργία ή καθημερινή). Για να εκτελεστούν αυτές οι δραστηριότητες απαιτείται η χρήση μιας

αντίστοιχης συσκευής (επιλεγμένης βάσει του τύπου της). Για παράδειγμα, αν η δραστηριότητα είναι το

μαγείρεμα, ο τύπος συσκευών που απαιτείται να ενεργοποιηθεί είναι ‘συσκευές μαγειρέματος’ (πχ. φούρνος,

μάτι κουζίνας, τοστιέρα κλπ). Η προσομοίωση εκτελείται για κάθε δεκάλεπτο και κατά την εκτέλεση ελέγχεται

κάθε συσκευή του κτιρίου ώστε να προκύψει η κατάσταση ζήτησης ενέργειάς της στο επόμενο δεκάλεπτο.

Προφανώς, αρκεί να εξεταστεί αν υπάρχει γεγονός έναυσης ή σβέσης και η ζήτηση προκύπτει. Αν η συσκευή

βρισκόταν σε κατάσταση σβέσης, γίνεται έλεγχος για το αν θα υπάρξει έναυση. Συσκευές που εξαρτώνται από

την ανθρώπινη δραστηριότητα (πχ. μαγείρεμα) εκκινούν αν επιλεγεί η δραστηριότητα που απαιτεί τη χρήση

τους και λειτουργούν έως την ολοκλήρωση του κύκλου τους (άρα και της δραστηριότητας). Αν στο μεταξύ ο

αριθμός των ενεργών κατοίκων μηδενιστεί, αναγκαστικά θα έχουμε σβέση της συσκευής και η δραστηριότητα

θα ολοκληρωθεί όταν υπάρξει ξανά τουλάχιστον ένας ενεργός κάτοικος. Αντίθετα, συσκευές των οποίων η

λειτουργία δεν εξαρτάται από την ανθρώπινη δραστηριότητα (πχ. ψυγείο) λειτουργούν ανεξάρτητα, δηλαδή

εκκινούν όταν ο κύκλος αναμονής τους ολοκληρωθεί και λειτουργούν όσο ορίζεται από τα χαρακτηριστικά του

κύκλου λειτουργίας τους. Σε εποχιακές συσκευές όπως θερμοπομποί, που λειτουργούν όλο το χειμώνα,

υπολογίζεται στοχαστικά ο χρόνος έναυσης & σβέσης και για το διάστημα που είναι ενεργές, η ζήτηση ενέργειάς

τους βασίζεται στα χαρακτηριστικά κύκλων λειτουργίας και αναμονής τους.

Β.3. Φωτισμός

Τα φωτιστικά σώματα, παρόλο και αυτά ανήκουν στην ευρύτερη κατηγορία των συσκευών, απαιτείται να

εξεταστούν ξεχωριστά, διότι ο τρόπος λειτουργίας τους είναι σημαντικά διαφορετικός από αυτόν των

υπολοίπων συσκευών. Τα φωτιστικά σώματα εξαρτώνται τόσο από τη στάθμη του εξωτερικού φωτισμού όσο

και από τη δραστηριότητα των κατοίκων. Επιπλέον το σημείο στο οποίο έχουν εγκατασταθεί παίζει σημαντικό

ρόλο στο πόσο χρησιμοποιούνται, ενώ ο κύκλος λειτουργίας τους διαφέρει αυτόν των άλλων συσκευών διότι

σχετίζεται απευθείας με την ύπαρξη ή μη ενεργών κατοίκων στο δωμάτιο. Στο κάθε σπίτι αρχικά εκχωρείται

ένας συνδυασμός φωτιστικών με τυχαία επιλογή ενός από 100 διαφορετικούς ‘τύπους’, ο καθένας με

συγκεκριμένο αριθμό, ισχύ και τεχνολογία φωτιστικών σωμάτων. Τα κτίρια αυτά έχουν παραχθεί βάσει

στατιστικών δεδομένων και είναι αντιπροσωπευτικά. Η λειτουργία των φωτιστικών και πάλι μπορεί να

προσομοιωθεί ως Μαρκοβιανή αλυσίδα, με κάθε συνδυασμό καταστάσεων λειτουργίας των φωτιστικών

(αναμμένα/σβηστά) να αποτελεί μια Μαρκοβιανή κατάσταση. Η μετάβαση από τη μια κατάσταση στην άλλη

εξαρτάται από τον εξωτερικό φωτισμό, τον αριθμό των ενεργών κατοίκων και ένα συντελεστή ‘χρήσης’ του

φωτιστικού που προσομοιώνει τη διαφορετική πιθανότητα χρήσης που έχουν τα φωτιστικά ανάλογα με το

σημείο που έχουν εγκατασταθεί. Ο εξωτερικός φωτισμός βασίζεται σε στατιστικά δεδομένα για κάθε λεπτό της

ημέρας και μήνα του έτους. Έχει γίνει η υπόθεση ότι ο εξωτερικός φωτισμός δεν αλλάζει χαρακτηριστικά κατά

τη διάρκεια ενός μήνα. Με επιλογή ενός επιπέδου εξωτερικού φωτισμού ως η βάση κάτω από την οποία

απαιτείται τεχνητός φωτισμός και χρήση των ανωτέρω, για κάθε δεκάλεπτο της ημέρας γίνεται έλεγχος για το

αν ο φυσικός φωτισμός είναι επαρκής. Ακόμα και αν ο φυσικός φωτισμός είναι επαρκής, πάντα θα υπάρχει

κάποια πιθανότητα να απαιτείται τεχνητός φωτισμός (πχ. σε δωμάτια χωρίς παράθυρο). Τελικά η απαίτηση ή

μη τεχνητού φωτισμού αποτελεί μια μεταβλητή αλήθειας (ναι/οχι). Επιπλέον, λαμβάνεται υπόψη το φαινόμενο

της ‘κοινής χρήσης φωτιστικών’, δηλαδή το φαινόμενο της τάσης για συνύπαρξη στο φωτισμένο δωμάτιο των

κατοίκων του κτηρίου, εισάγοντας την έννοια των ‘πραγματικών ενεργών κατοίκων’, δηλαδή των ενεργών

κατοίκων που έχουν ανάγκη για ανεξάρτητο μεταξύ τους φωτισμό. Αυτός ο αριθμός προκύπτει από τον αριθμό

των ενεργών κατοίκων βάσει ενός πίνακα αναγωγής και είναι πάντα μικρότερος ή ίσος με τον αριθμό ενεργών





ISBN: 978-618-80361-5-4

κατοίκων του δεκαλέπτου. Τελικά η προσομοίωση λειτουργεί ως εξής: Για κάθε φωτιστικό σώμα και για κάθε

δεκάλεπτο εξετάζουμε την κατάστασή του. Αν είναι σβηστό, βρίσκουμε την πιθανότητα έναυσης ως το

πολλαπλάσιο της απαίτησης τεχνητού φωτισμού, του συντελεστή χρήσης του φωτιστικού, του αριθμού

‘πραγματικών ενεργών κατοίκων’ και ενός ρυθμιστικού συντελεστή που εισάγεται με σκοπό την διόρθωση των

αποτελεσμάτων αν αυτό απαιτείται. Από τη στιγμή που υπάρχει γεγονός έναυσης, υπολογίζεται ο χρόνος

λειτουργίας του φωτιστικού με βάση μια καμπύλη χρόνου λειτουργίας που προέρχεται από στατιστικά

δεδομένα, με διάρκεια τυπικά από λίγα λεπτά έως μερικές ώρες. Γεγονός σβέσης έχουμε όταν ολοκληρωθεί ο

κύκλος λειτουργίας του κάθε φωτιστικού ή αν ο αριθμός των ενεργών κατοίκων γίνει 0.

Β.4. Συνολική ζήτηση ισχύος

Τελικά, με χρήση όσων που προαναφέρθηκαν, παράγονται συνολικά δεδομένα ενεργειακής ζήτησης, μετά από

αναλυτική μοντελοποίηση της συμπεριφοράς κατοίκων, συσκευών και φωτιστικών. Βάσει αυτών μπορούμε να

παρακολουθήσουμε την καμπύλη ζήτησης ηλεκτρικής ισχύος από ένα κτίριο για το διάστημα που εξετάζουμε.

Η ζήτηση αυτή από μόνη της δεν αρκεί για την εξαγωγή ασφαλών συμπερασμάτων σχετικά με το εξεταζόμενο

δίκτυο, αλλά η χρήση του μοντέλου για την προσομοίωση της ζήτησης πολλών διαφορετικών κτιρίων στο

εξεταζόμενο χρονικό διάστημα λύνει αυτό το πρόβλημα.

ΥΛΟΠΟΙΗΣΗ Η Υλοποίηση του μοντέλου έγινε με χρήση της γλώσσας προγραμματισμού Python και χρησιμοποιώντας

τεχνικές σπονδυλωτού (modular) και αντικειμενοστραφή (object-oriented) προγραμματισμού. Η επιλογή αυτή

έγινε με σκοπό την ταχεία ανάπτυξη της εφαρμογής, τηρώντας ωστόσο τεχνικές ορθού προγραμματισμού και

επαναχρησιμοποίησης κώδικα, πετυχαίνοντας έτσι ικανοποιητικές ταχύτητες εκτέλεσης. Λόγω των παραπάνω,

η διαδικασία προσθήκης νέων παραμέτρων ή λειτουργιών στην εφαρμογή είναι εύκολη και γρήγορη, δηλαδή

ακριβώς αυτό που χρειάζεται για την μελλοντική περεταίρω εξέλιξη της εφαρμογής. Τα δεδομένα που

εισάγονται στην εφαρμογή ή εξάγονται από αυτήν είναι της μορφής .csv ή .xlsx, λόγω της καλής συμβατότητας

των μορφών αυτών με άλλες εφαρμογές και της ευκολίας στην οπτικοποίηση δεδομένων αλλά και περεταίρω

επεξεργασία που αυτές παρέχουν. Στην εφαρμογή έγινε εκτεταμένη χρήση των βιβλιοθηκών της python

“numpy” και “pandas” διότι οι βιβλιοθήκες αυτές ενδείκνυνται για την επεξεργασία και ανάλυση του μεγάλου

όγκου δεδομένων που εισάγονται αλλά και παράγονται από την εφαρμογή. Η δομή της εφαρμογής φαίνεται

αφαιρετικά στο Σχ. 1. Η εφαρμογή λειτουργεί ως εξής: Η κύρια συνάρτηση, αφού καλέσει τις συναρτήσεις

εισαγωγής δεδομένων (Occupancy data, Electricity data, Lighting data) που είναι υπεύθυνες για τη φόρτωση

στατικών δεδομένων από .csv αρχεία και τυχόν αναδημιουργία μητρών μεταβάσεων, χρησιμοποιείται για την

κατασκευή “Κατοικιών” (House) οι οποίες περιλαμβάνουν δεδομένο αριθμό (και τεχνολογίες) κατοίκων,

συσκευών (Appliance) και φωτιστικών σωμάτων (Luminaire). Στη συνέχεια η κλάση “κατοικία” (House)

χρησιμοποιεί τις κλάσεις “ενεργών κατοίκων” (Occupancy), “ηλεκτρισμού” (Electricity) και “φωτισμού”

(Lighting), ανάλογα με τις απαιτήσεις. Σημειώνεται πως για την παραγωγή δεδομένων ζήτησης για το κτίριο

(Electricity & Lighting) είναι απαραίτητη η πρότερη ύπαρξη δεδομένων “ενεργών κατοίκων” (Occupancy) για το

διάστημα που εξετάζεται, συνεπώς οι συναρτήσεις δεν εκτελούνται παράλληλα. Κατ’ αυτόν τον τρόπο

παράγονται τελικά συνθετικά δεδομένα ζήτησης ισχύος στο εξεταζόμενο χρονικό διάστημα για κάθε κατοικία

που προσομοιώνεται, τα οποία στη συνέχεια αθροίζονται μεταξύ τους και παράγουν συνολικές καμπύλες

ζήτησης ισχύος.

Σχ. 1: Εφαρμογή





ISBN: 978-618-80361-5-4

ΣΥΜΠΕΡΑΣΜΑΤΑ Τα χρησιμοποιούμενα μοντέλα, όπως φαίνεται στη βιβλιογραφία [1][2][6], παράγουν δεδομένα τα οποία

συσχετίζονται πολύ ευνοϊκά με πραγματικά δεδομένα. Η υλοποίηση αυτών των μοντέλων σε μια γλώσσα

προγραμματισμού όπως η python με αρχικά δεδομένα που εισάγονται από αρχεία .csv, σημαίνει πως η

εφαρμογή είναι ανεξάρτητη από τα στατιστικά δεδομένα. Αυτό έχει ως αποτέλεσμα η εφαρμογή να μπορεί να

λειτουργήσει για κάθε χώρα ή κουλτούρα για την οποία μπορούν να αποκτηθούν στατιστικά δεδομένα οικιακών

δραστηριοτήτων και συσκευών. Κατά συνέπεια το πρόβλημα πρόβλεψης της οικιακής ζήτησης ηλεκτρικής

ισχύος μπορεί να μετασχηματιστεί στο ζήτημα χρήσης χρόνου των κατοίκων και εγκατεστημένων τεχνολογιών

στα κτίρια, το οποίο είναι σαφώς ευκολότερο να αντιμετωπιστεί (πχ. με στατιστικές έρευνες)

ΜΕΛΛΟΝΤΙΚΗ ΕΡΕΥΝΑ & ΕΦΑΡΜΟΓΕΣ Μια σημαντική βελτίωση στην ακρίβεια πρόβλεψης του μοντέλου θα μπορούσε να επιφέρει η προσθήκη ενός

μοντέλου ζήτησης θερμικής/ ψυκτικής ενέργειας για κάθε κατοικία, δεδομένης της εξωτερικής θερμοκρασίας

αλλά και της τεχνολογίας μόνωσης. Αυτός ο παράγοντας μοντελοποιείται αφαιρετικά μόνο στην τρέχουσα

υλοποίηση, αλλά δεδομένου του γεγονότος πως η απαιτούμενη ενέργεια για θέρμανση και ψύξη ενός κτηρίου

αποτελεί βασικό τμήμα της συνολικής ζήτησης ενέργειας, η λεπτομερής προσομοίωσή του αναμένεται να

επιφέρει αξιόλογες βελτιώσεις στη συνολική ακρίβεια του μοντέλου.

Μια ακόμη πιθανή βελτίωση στην ακρίβεια του μοντέλου αναμένεται να επιφέρει η χρήση των μετεωρολογικών

προγνώσεων της επόμενης ημέρας ή εβδομάδας, με σκοπό την άντληση και χρήση δεδομένων όπως μέση

θερμοκρασία ημέρας, ημερήσιο θερμοκρασιακό εύρος, ηλιακά θερμικά κέρδη, επίπεδα και χρόνος φωτισμού,

καθώς τα δεδομένα αυτά έχουν έμμεση αλλά σημαντική επιρροή στη συνολική ζήτηση ενέργειας όλων των

κτηρίων μιας περιοχής.

Πέραν των βελτιώσεων, ο λόγος για τον οποίο δημιουργήθηκε το μοντέλο, δεν είναι αυτή καθαυτή η πρόβλεψη

της ζήτησης, αλλά η ενσωμάτωση του προβλεπτικού μοντέλου σε άλλα μοντέλα και εφαρμογές που χρειάζονται

τη ζήτηση ενέργειας ως δεδομένο. Προς αυτό το σκοπό, η ενσωμάτωση σε υπάρχουσες ή μελλοντικές

εφαρμογές μεγάλης κλίμακας, είναι εφικτή διότι, όπως αναφέρθηκε, η υλοποίηση είναι σε μορφή εφαρμογής

python στην οποία μπορούν να γίνουν κλήσεις με οποιαδήποτε ψηφιακή μέθοδο και αυτή να απαντήσει με τα

απαιτούμενα δεδομένα κατά τις ανάγκες. Επίσης, επειδή οι παραγόμενες τιμές είναι υψηλής χρονικής





ISBN: 978-618-80361-5-4

ανάλυσης (ανά δέκα λεπτά), τα δεδομένα εξόδου είναι ιδιαίτερα συμβατά με αιολικές εφαρμογές, οι οποίες

γενικά έχουν ανάλυση ανά δεκάλεπτο.

Μια ιδανική τέτοια εφαρμογή είναι τα οικιακά μικροδίκτυα με ανάγκη ανεξάρτητης από το δίκτυο λειτουργίας,

στα οποία λόγω μικρού συνολικού αριθμού κατοικιών, και ελάχιστων προϋπαρχόντων στατιστικών δεδομένων,

οι συμβατικοί τρόποι πρόβλεψης δεν επαρκούν. Η μελλοντική επέκταση του μοντέλου και της εφαρμογής θα

μπορούσε να αποτελέσει τμήμα μιας ευρύτερης προσομοίωσης ενός μικροδικτύου και ενός μοντέλου

πρόβλεψης-και-εξισορρόπησης φορτίου[8], παρέχοντας έτσι τη δυνατότητα εκτίμησης των επιπτώσεων της

ουσιαστικής ενσωμάτωσης των μικροδικτύων στην ενεργειακή αγορά και ανοίγοντας το δρόμο για την αύξηση

της διεσπαρμένης παραγωγή ενέργειας σε δίκτυα μικρής κλίμακας. Αυτό αναμένεται να έχει σαν συνέπεια τόσο

την ελάφρυνση των σημερινών αλλά και μελλοντικών υπερφορτωμένων δικτύων μεταφοράς ενέργειας, όσο και

τη σημαντική βελτίωση της αποτελεσματικής λειτουργίας των μη διασυνδεδεμένων δικτύων όπως αυτά στο

Ελληνικό νησιωτικό σύστημα.

Επιπλέον, η ενσωμάτωση σε εφαρμογές διαχείρισης της ζήτησης (DSM) είναι μια ενδιαφέρουσα προοπτική,

καθώς η πρόβλεψη της οικιακής ζήτησης ισχύος αποτελεί αναπόσπαστο τμήμα της μοντελοποίησης,

προσομοίωσης και σχεδιασμού τέτοιων εφαρμογών.

ΒΙΒΛΙΟΓΡΑΦΙΑ [1] RICHARDSON,I., et al, 2010. Domestic electricity use: a high-resolution energy demand model. Energy and Buildings,

42 (10), pp.1878-1887.

[2] RICHARDSON, I., THOMSON, M. and INFIELD, D., 2008. A high-resolution domestic building occupancy model for

energy demand simulations. Energy and Buildings, 40 (8), pp.1560-1566.

[3] J. V. Paatero, P.D. Lund, A model for generating household electricity load profiles, International Journal of Energy

Research 30 (5) (2006) 273-290

[4] [1] S. Abu-Sharkh, R. Li, T. Markvart, N. Ross, P. Wilson, R. Yao, K. Steemers, J. Kohler, R. Arnold, Microgrids:

distributed on-site generation, Technical Report 22, Tyndall Centre for Climate Change Research, 2005

[5] M. Nijhuis, M. Gibescu, J.F.G. Cobben, 2015, Bottom-up Markov Chain Monte Carlo approach for scenario based

residential load modelling with publicly available data.

[6] RICHARDSON,I., et al, 2009. Domestic lighting: a high-resolution energy demand model. Energy and Buildings, 41

(7), pp. 781-789.

[7] W.R. Gilks, S. Richardson, D. Spiegelhalter, Markov Chain Monte Carlo in Practice, Chapman and Hall, 1995

[8] RICHARDSON, I. and THOMSON, M., 2011. Integrated simulation of photovoltaic micro-generation and domestic

electricity demand: a one-minute resolution open source model. IN: Microgen II: 2nd International Conference on

Microgeneration and Related Technologies, Glasgow, 4 - 6 April.

Κούδα Α., Πολογιώργη Ι., Γρηγορούδης Ε.| Η μεθοδολογία 6 σίγμα στη μέτρηση ικανοποίησης πελατών




ISBN: 978-618-80361-5-4

Η μεθοδολογία 6 σίγμα στη μέτρηση ικανοποίησης πελατών

Κούδα Αγγελική Πολυτεχνείο Κρήτης

Σχολή Μηχανικών Παραγωγής και

Διοίκησης

Πολυτεχνειούπολη, Κουνουπιδιανά

73100 Χανιά

Ιφιγένεια Πολογιώργη Πολυτεχνείο Κρήτης


Διοίκησης


73100 Χανιά

Ευάγγελος Γρηγορούδης Πολυτεχνείο Κρήτης


Διοίκησης


73100 Χανιά

Περίληψη

Σκοπός της εργασίας είναι η ενσωμάτωση της φιλοσοφίας 6 σίγμα στην πολυκριτήρια μέθοδο μέτρησης και ανάλυσης της

ικανοποίησης πελατών MUSA (Multicriteria Satisfaction Analysis). Αρχικά, έγινε επιλογή της συγκεκριμένης υπηρεσίας

(υπηρεσίες παροχής Internet) και σχεδιάστηκε η έρευνα ικανοποίησης πελατών. Στη συνέχεια διεξήχθη η έρευνα σε ένα

αντιπροσωπευτικό δείγμα πελατών. Σε επόμενο στάδιο αναλύθηκαν τα δεδομένα της έρευνας με τη μέθοδο MUSA και

αναπτύχθηκαν τα διαγράμματα δράσης (απόδοσης/σημαντικότητας) και εκτίμησης του χάσματος (gap) για κάθε κριτήριο

ικανοποίησης (απόσταση από την κύρια διαγώνιο του διαγράμματος). Τέλος υπολογίστηκε το επίπεδο σίγμα για κάθε

κριτήριο ικανοποίησης και η συσχέτισή του με την ικανοποίηση, την απαιτητικότητα και τις προσδοκίες των πελατών, μέσω

της ανάπτυξης κατάλληλων αντιληπτικών διαγραμμάτων. Τα συγκεκριμένα αποτελέσματα είναι σε θέση, όχι μόνο να

εκτιμήσουν το επίπεδο αστοχιών στην περίπτωση παροχής υπηρεσιών, αλλά και να προσδιορίσουν τα χαρακτηριστικά

ποιότητας που επηρεάζουν περισσότερο τη δυσαρέσκεια των πελατών.

ΛΕΞΕΙΣ ΚΛΕΙΔΙΑ

Μεθοδολογία 6 σίγμα, Ικανοποίηση πελατών, Μέθοδος MUSA, Πολυκριτήρια Ανάλυση.

ΕΙΣΑΓΩΓΗ

Η μέτρηση της ικανοποίησης των πελατών είναι ένα από τα σημαντικότερα θέματα που πρέπει να μελετήσει

μια επιχείρηση ή ένας οργανισμός. Ως ικανοποίηση ορίζεται το μέτρο για το πόσο το προσφερόμενο ολικό

προϊόν ή υπηρεσία εκπληρώνει τις προσδοκίες του πελάτη. Το γεγονός ότι η ικανοποίηση είναι μια αντίληψη

των πελατών σημαίνει ότι η συγκεκριμένη πληροφορία δεν είναι άμεσα διαθέσιμη, για το λόγο αυτό πρέπει να

γίνουν επιπλέον προσπάθειες για να μετρηθεί, να αναλυθεί και να εξηγηθεί.

Η μεθοδολογία 6 σίγμα, έκανε την εμφάνισή της το 1985 από μηχανικούς της Motorola που θέλησαν να

εντάξουν στατιστικές μεθόδους στη διοίκηση ολικής ποιότητας. Η συγκεκριμένη προσέγγιση ορίζεται συχνά ως

μια τεχνική που χρησιμοποιείται από μηχανικούς και στατιστικολόγους προκείμενου να μηδενίσουν τις

αστοχίες σε προϊόντα και υπηρεσίες. Θα μπορούσε κανείς να χαρακτηρίσει την μεθοδολογία 6 σίγμα ως μια

αυστηρή και εξαιρετικά πειθαρχημένη επιχειρηματική διαδικασία έχοντας ως στόχο την “αλλαγή της εταιρικής

κουλτούρας” ώστε να αυξηθεί η ικανοποίηση των πελατών, η κερδοφορία και η ανταγωνιστικότητά μιας

επιχείρησης ή ενός οργανισμού. Η συγκεκριμένη προσέγγιση βασίζεται στην εκτίμηση των αστοχιών (ποσοστό

προϊόντων/υπηρεσιών έξω από τις προδιαγραφές) σε περίπτωση μεταβολής της μέσης τιμής μια διαδικασίας

κατά 1,5 τυπικές αποκλίσεις. Σε αυτό το πλαίσιο, το επίπεδο 6 σίγμα αντιπροσωπεύει 3,4 ελαττωματικά σε ένα

δείγμα ενός εκατομμυρίου, όπως προκύπτει από την κανονική κατανομή.

Μια από της περιοχές στις οποίες επικεντρώνεται η προσέγγιση 6 σίγμα είναι η ικανοποίηση του πελάτη. Η

φιλοσοφία των “μηδενικών σφαλμάτων ” μπορεί να επεκταθεί και στον χώρο της ικανοποίησης με αύξηση της

αφοσίωσης του πελάτη (μηδέν απώλειες πελατών). Στην περίπτωση αυτή όμως το πρόβλημα που

δημιουργείται είναι ο προσδιορισμός της σχέσης ανάμεσα στην ικανοποίηση και την αφοσίωση του πελάτη. Η





ISBN: 978-618-80361-5-4

εφαρμογή της μεθόδου 6 σίγμα στο πρόβλημα της μέτρησης της ικανοποίησης είναι πολύ χρήσιμη ιδιαίτερα σε

οργανισμούς παροχής υπηρεσιών.

Το συγκεκριμένο άρθρο αποτελείται από 4 άλλες ενότητες. Στην επόμενη ενότητα παρουσιάζεται συνοπτικά

η φιλοσοφία της μεθοδολογίας 6 σίγμα, ενώ στην ενότητα 3 δίνονται συνοπτικά οι βασικές αρχές και τα

αποτελέσματα της μεθόδου MUSA. Η ενότητα 4 παρουσιάζει τα κύρια αποτελέσματα της μελέτης εφαρμογής,

ενώ στην τελευταία ενότητα συνοψίζονται τα κύρια συμπεράσματα και δίνονται πιθανές μελλοντικές

επεκτάσεις.

ΜΕΘΟΔΟΛΟΓΙΑ 6 ΣΙΓΜΑ

2.1 Ορισμός και βασικές αρχές

H ακριβής έννοια του «σίγμα» προέρχεται από το γράμμα «σ» της ελληνικής αλφάβητου. Το γράμμα

υποδηλώνει τη μεταβλητότητα και την τυπική απόκλιση μίας διαδικασίας. Σύμφωνα με τους Goh (2003) και

Breyfogle (2003), το ποιοτικό επίπεδο σίγμα παράγει έναν δείκτη, ο οποίος δείχνει το πόσο πιθανό είναι να

εμφανιστούν ατέλειες σε μία υπό εξέταση διαδικασία. Όσο ψηλότερο είναι το επίπεδο σίγμα τόσο λιγότερο

πιθανό είναι η διαδικασία αύτη να δημιουργήσει ελαττωματικά μέρη. Τα επίπεδα σίγμα και τα αντίστοιχα

επίπεδα αστοχιών παράγονται από την κανονική κατανομή για μία διαδικασία. Όπως είναι φανερό, ο όρος «6

σίγμα» έχει αναπτυχθεί ως μέτρο ποιότητας για τις οργανωτικές διαδικασίες, μια «σωστή» επιχείρηση συνήθως

έχει σίγμα ίσο με τέσσερα ή υψηλότερο. Σύμφωνα με τον Antony (2006) το κύριο θέμα της πολιτικής ποιότητας

6 σίγμα είναι αυτό της εστίασης στη μείωση της μεταβλητότητας των διαδικασιών.

Πιο συγκεκριμένα η πολιτική ποιότητας 6 σίγμα ορίζεται από τους Harry and Schroeder (2000) ως μια ευρεία

διοικητική στρατηγική η οποία εφαρμόζεται από πάνω προς τα κάτω, δηλαδή ξεκινά από τη διοίκηση και

προχωρά προς τους υπαλλήλους.

Θα πρέπει να προστεθεί στο σημείο αυτό ότι έχουν αναπτυχθεί τρείς διαφορετικές προσεγγίσεις ανάλυσης

της μεθοδολογίας 6 σίγμα. Η πρώτη προσέγγιση θεωρηθεί τη μέθοδο μια ευρεία στρατηγική της επιχείρησης

(company-wide strategy), όπου ένας οργανισμός είναι διατεθειμένος να χρησιμοποιήσει όλα τα μέσα που

χρειάζονται για να την εφαρμόσει. Αυτό σημαίνει ότι το 6 σίγμα θα γίνει μέρος της κουλτούρας της επιχείρησης

και θα αποτελέσει μια στρατηγική πρωτοβουλία από τα υψηλότερα επίπεδα της ιεραρχίας μια επιχείρησης. Το

γεγονός ότι οι αλλαγές αρχίζουν από την ανώτατη διοίκηση, θεωρείται μια προσέγγιση «από πάνω προς τα

κάτω». Στην δεύτερη προσέγγιση η μέθοδος θεωρείται ως ένα πρόγραμμα βελτίωσης (improvement program).

Σε αντίθεση με την πρώτη προσέγγιση, το 6 σίγμα εφαρμόζεται σε κάποια τμήματα ή συγκεκριμένες λειτουργίες

της επιχείρησης και όχι σε όλη την δομή της. Τέλος, έχουμε την προσέγγιση όπου η μέθοδος θεωρείται ως ένα

μέρος της εργαλειοθήκης (toolbox) που έχει αναπτύξει και χρησιμοποιεί μια επιχείρηση στα ήδη υπάρχοντα

προγράμματα βελτίωσης που εφαρμόζει. Δηλαδή ουσιαστικά δεν εφαρμόζει την μεθοδολογία του 6 σίγμα αλλά

χρησιμοποιεί τα εργαλεία της για την βελτίωση των διαδικασιών της (π.χ. μεθοδολογία DMAIC).Με τον τρόπο

αυτό η επιχείρηση επωφελείται από το 6 σίγμα χωρίς να κάνει σημαντικές αλλαγές στην οργάνωση και την δομή

της.

Η μαθηματική ερμηνεία της μεθοδολογίας 6 σίγμα προέρχεται από τις 6 τυπικές αποκλίσεις σε κάθε πλευρά

ενός παραθύρου προδιαγραφών (Chen et al., 2007). Όπως φαίνεται στο Σχήμα 1, η κανονική κατανομή έχει ένα

μέσο μ ο οποίος χωρίζει την κατανομή σε 2 ίσα παράθυρα προδιαγραφών. Κάθε παράθυρο προδιαγραφών

χωρίζεται σε 6 τυπικές αποκλίσεις, κάθε διάστημα αντιστοιχεί σε ένα ποσοστό της αξίας του δείγματος (Πίνακας

1).

Ουσιαστικά το 6 σίγμα είναι η απόσταση του μέσου όρου μιας διαδικασίας και του πιο κοντινού αποδεκτού

ορίου. Στόχος του 6 σίγμα είναι η επίτευξη 3.4 ελαττωματικών ανά εκατομμύριο προϊόντα (DPMO) με την

προϋπόθεση ότι η διαδικασία θα μετατοπίζεται κατά 1.5 σταθερές αποκλίσεις από την αξία του στόχου

(Wiklund and Wiklund, 2002).





ISBN: 978-618-80361-5-4

2.2 Ικανοποίηση πελατών και 6 σίγμα

Οι Oliver and Westbrook (1993) ορίζουν την ικανοποίηση του καταναλωτή ως τη συνολική στάση που αυτός

διαμορφώνει για ένα προϊόν ή υπηρεσία που χρησιμοποίησε. Πρόκειται δηλαδή για την αξιολόγηση του χρήστη

για μια συγκεκριμένη αγορά μέσα από την εμπειρία χρήσης της. Σε αυτό το πλαίσιο. η ικανοποίηση είναι η

υποκειμενική σχέση απόδοσης και προσδοκιών. Πιο αναλυτικά, αν η απόδοση είναι μικρότερη από τις

προσδοκίες ο καταναλωτής είναι δυσαρεστημένος. Αν η απόδοση συμπίπτει με τις προσδοκίες, ο καταναλωτής

είναι ικανοποιημένος. Αν η απόδοση υπερβαίνει τις προσδοκίες ο καταναλωτής είναι πολύ ικανοποιημένος ή

ενθουσιασμένος.

Σχήμα 1 Επίπεδα ποιότητας σίγμα και κανονική κατανομή

Πίνακας 1 Ποσοστά κανονικής κατανομής 6 σίγμα

Επίπεδο σίγμα Μη ελαττωματικά

(%)

Ελαττωματικά

(%)

Ελαττωματικά ανά εκατομμύριο προϊόντα

(DPMO)

1 30.9 60.1 691462

2 69.1 30.9 308538

3 93.3 6.7 66807

4 99.38 0.62 6210

5 99.977 0.023 233

6 99.9997 0.00034 3.4

Η μέτρηση ικανοποίησης θεωρείται ως το πιο βασικό μέσο ανατροφοδότησης καθώς παρέχει με έναν

αποτελεσματικό, άμεσο, ουσιαστικό και αντικειμενικό τρόπο τις προτιμήσεις και τις προσδοκίες των πελατών.

Όπως είναι φυσικό λοιπόν όλο και περισσότερες επιχειρήσεις στρέφονται προς τη μέτρηση ικανοποίησης και

την χρησιμοποιούν ως τον κύριο δείκτη απόδοσης τους. Βέβαια για να μπορέσει κάνεις να αξιοποιήσει πλήρως

τα αποτελέσματα μια έρευνας ικανοποίησης πρέπει να τα «μεταφράσει» σε ένα σύνολο μετρήσιμων δεικτών

και παραμέτρων που θα εφαρμόζονται σε όλους τους τομείς μιας επιχείρησης, με σκοπό να γίνει κατανοητή και

εφαρμόσιμη από όλους τους υπαλλήλους.

Από την αρχική εμφάνιση του 6 σίγμα, υπήρξε μια μη ορθή αλλά κοινή αντίληψη ότι η μεθοδολογία αυτή

μπορεί να βελτιώσει μόνο καθαρά παραγωγικές διαδικασίες απτών προϊόντων, ενώ δεν μπορεί να

ανταπεξέλθει σωστά σε περιπτώσεις υπηρεσιών ή στην επίλυση προβλημάτων βασισμένα σε γεγονότα, όπως

για παράδειγμα πωλήσεις και μάρκετινγκ. Στις συγκεκριμένες περιπτώσεις, αρκετοί πιστεύουν ότι το





ISBN: 978-618-80361-5-4

περιβάλλον είναι πολύ δυναμικό και νεφελώδες και για τον λόγο αυτό μια αυστηρά δομημένη προσέγγιση με

μετρήσεις και δεδομένα θα εμποδίσει τη μαγεία της δημιουργικότητας που απαιτείται για τη συνολική επιτυχία

μιας τέτοιας προσπάθειας.

Βέβαια κάτι τέτοια δεν ισχύει, το 6 σίγμα δεν καταστέλλει τη δημιουργικότητα, αλλά παρέχει πλαίσια για να

τη διοχετεύσει. Το σ σίγμα παρέχει πρακτική καθοδήγηση στην προσέγγιση επίλυσης ενός προβλήματος,

εφοδιάζοντας με ερωτήσεις που θα δημιουργηθούν κατά την διάρκεια της συγκεκριμένης διαδικασίας. Η

δημιουργικότητα ευδοκιμεί στο περιεχόμενο συνεισφέροντας σε μια επιτυχημένη λύση, χωρίς να εστιάζεται

κατ’ ανάγκη στα εργαλεία που χρησιμοποιούνται για να επιτευχθεί το αποτέλεσμα. Η μεθοδολογία 6 σίγμα

είναι η μηχανή που οδηγεί στο αποτέλεσμα και η δημιουργικότητα είναι το καύσιμο.

ΜΕΘΟΔΟΣ MUSA

Η μέθοδος ΜUSA (MUlticriteria Satisfaction Analysis) είναι μια πολυκριτήρια αναλυτική-συνθετική

προσέγγιση που χρησιμοποιείται για τη μέτρηση και την ανάλυση της ικανοποίησης πελατών. Η πρωτότυπη

αυτή μεθοδολογία βασίζεται στην πολυκριτήρια ανάλυση αποφάσεων, υιοθετώντας τις βασικές αρχές της

αναλυτικής-συνθετικής προσέγγισης και της θεωρίας των συστημάτων αξιών ή χρησιμότητας (Jacquet-Lagrèze

and Siskos,1982; Siskos and Yannacopoulos,1985; Siskos,1985). Στόχος της μεθόδου ΜUSA είναι η σύνθεση των

προτιμήσεων ενός συνόλου πελατών σε μια ποσοτική μαθηματική συνάρτηση αξιών. Πιο συγκεκριμένα, θεωρεί

ότι η ικανοποίηση ενός πελάτη εξαρτάται από ένα σύνολο μεταβλητών, οι οποίες αντιπροσωπεύουν τα

χαρακτηριστικά του προσφερόμενου προϊόντος ή υπηρεσίας.

Η εκτίμηση της ικανοποίησης ενός συνόλου πελατών μπορεί να θεωρηθεί σαν ένα πρόβλημα στο

επιστημονικό πεδίο της πολυκριτήριας ανάλυσης, υποθέτοντας ότι η συνολική ικανοποίηση ενός πελάτη

εξαρτάται από ένα σύνολο κριτηρίων: Χ = (Χ1, Χ2, ..., Χn). Τα κριτήρια αυτά ονομάζονται διαστάσεις ικανοποίησης

και αιτιολογούν την έννοια της αναλυτικής-συνθετικής προσέγγισης της μεθοδολογίας. Η μέθοδος ΜUSA

ακολουθεί τις γενικές αρχές της ποιοτικής ανάλυσης παλινδρόμησης υπό περιορισμούς, χρησιμοποιώντας

τεχνικές γραμμικού προγραμματισμού για την επίλυση της.

Η μέθοδος MUSA εκτιμά την ολική και τις μερικές συναρτήσεις αξιών Υ* και Χi* αντίστοιχα, δεδομένης της

αξιολόγησης που δίνουν οι πελάτες για την ολική ικανοποίησή τους Υ και την ικανοποίησή τους από τα

επιμέρους χαρακτηριστικά του προϊόντος/υπηρεσίας Xi. Με βάση τα προηγούμενα, η βασική εξίσωση ποιοτικής

παλινδρόμησης έχει την ακόλουθη μορφή:

* *

1

n

i i

i

Y b X με

1

1n

i

i

b (1)

όπου οι συναρτήσεις αξιών Υ* και Χi* είναι κανονικοποιημένες στο διάστημα [0, 100] και bi είναι το βάρος του

κριτηρίου i. Οι Υ* και Χi* είναι μονότονες συναρτήσεις ως προς τις βαθμωτές κλίμακες Υ και Xi.

Ο βασικός στόχος της μεθόδου είναι η επίτευξη της μέγιστης δυνατής συμφωνίας μεταξύ της συνάρτησης

αξιών Υ* και των αξιολογήσεων των πελατών Y. Εισάγοντας μια διπλή μεταβλητή σφάλματος, η εξίσωση (1)

γίνεται:

* *

1

n

i i

i

Y b X

(2)

όπου *Y είναι η εκτίμηση της Υ*, ενώ σ+ και σ− είναι τα σφάλματα υπερεκτίμησης και υποεκτίμησης, αντίστοιχα.

Για την εκτίμηση των παραμέτρων Υ*, Χi* και bi η μέθοδος MUSA χρησιμοποιεί ειδι

Πρακτικά 4ου Φοιτητικού Συνεδρίου...

Documents

Transcript of Πρακτικά 4ου Φοιτητικού Συνεδρίου...