With increasing world tensions and improvements of satellites and their sensors, the interest and possibility of using space and satellites for defensive purposes has increased greatly. However, not much research has been conducted into the needs and possibilities of satellite constellations over Sweden, especially using SAR and optical sensors combined with AI object detection. This thesis provides insight in to the needs and requirements to achieve certain coverage and gap times and explores different constellation design methods to do so. This is done by combining large scale tests performed with genetic algorithm and a dual-axis propagator with theoretical and analytical methods. Results show that for micro-satellites under 100 kg based on current commercial technology, it is found that between 24 to 63 satellites are needed for 1 hour gap times depending on what combination of SAR and optical satellites are used. The genetic algorithm was found to not generate optimal constellations as the number of satellites increased beyond 12. It was however useful in mapping out possibilities and finding certain optimal parameters such as the inclination. The dual-axis propagator tested for its low processing load was found to be good for coverage analysis and estimating the shapes of the orbits. It was noted to have large positional errors however, limiting its use to analysis and not full constellation design. / Med ökande världsspänningar och förbättringar av satelliter och deras sensorer har intresset och möjligheterna att använda rymden och satelliter för försvarssyften ökat avsevärt. Dock har inte mycket forskning gjorts om behoven och möjligheterna med satellitkonstellationer över Sverige, särskilt när det gäller användningen av SAR och optiska sensorer i kombination med AI-objektdetektering. Denna avhandling ger insikt i behoven och kraven för att uppnå viss täckning och tidsgap samt utforskar olika metoder för konstellationsdesign för att uppnå detta. Detta görs genom att kombinera storskaliga tester med genetiska algoritmer och en dual-axis propagator med teoretiska och analytiska metoder. Resultaten visar att för mikrosatelliter under 100 kg, baserat på nuvarande kommersiell teknik, krävs mellan 24 och 63 satelliter för att uppnå gapptider på 1 timme, beroende på vilken kombination av SAR- och optiska satelliter som används. Det konstaterades att genetiska algoritmen inte tillförlitligt kunde hitta optimala konstellationer när antalet satelliter ökade bortom 12 st. Dualaxelpropagatorn, som testades för sin låga processbelastning, ansågs vara bra för täckningsanalys och uppskattning av omloppsbanornas former. Den hade dock stora positionsfel, vilket begränsade dess användning till analys och inte fullständig konstellationsdesign.

The increasing size and complexity of datasets have accelerated the development of machine learning models and exposed the need for more scalable solutions. This thesis explores challenges associated with large-scale machine learning under data privacy constraints. With the growth of machine learning models, traditional privacy methods such as data anonymization are becoming insufficient. Thus, we delve into alternative approaches, such as differential privacy. Our research addresses the following core areas in the context of scalable privacy-preserving machine learning: First, we examine the implications of data dimensionality on privacy for the application of medical image analysis. We extend the classification algorithm Private Aggregation of Teacher Ensembles (PATE) to deal with high-dimensional labels, and demonstrate that dimensionality reduction can be used to improve privacy. Second, we consider the impact of hyperparameter selection on privacy. Here, we propose a novel adaptive technique for hyperparameter selection in differentially gradient-based optimization. Third, we investigate sampling-based solutions to scale differentially private machine learning to dataset with a large number of records. We study the privacy-enhancing properties of importance sampling, highlighting that it can outperform uniform sub-sampling not only in terms of sample efficiency but also in terms of privacy. The three techniques developed in this thesis improve the scalability of machine learning while ensuring robust privacy protection, and aim to offer solutions for the effective and safe application of machine learning in large datasets. / Den ständigt ökande storleken och komplexiteten hos datamängder har accelererat utvecklingen av maskininlärningsmodeller och gjort behovet av mer skalbara lösningar alltmer uppenbart. Den här avhandlingen utforskar tre utmaningar förknippade med storskalig maskininlärning under dataskyddskrav. För stora och komplexa maskininlärningsmodeller blir traditionella metoder för integritet, såsom datananonymisering, otillräckliga. Vi undersöker därför alternativa tillvägagångssätt, såsom differentiell integritet. Vår forskning behandlar följande utmaningar inom skalbar och integitetsmedveten maskininlärning: För det första undersöker vi hur hög data-dimensionalitet påverkar integriteten för medicinsk bildanalys. Vi utvidgar klassificeringsalgoritmen Private Aggregation of Teacher Ensembles (PATE) för att hantera högdimensionella etiketter och visar att dimensionsreducering kan användas för att förbättra integriteten. För det andra studerar vi hur valet av hyperparametrar påverkar integriteten. Här föreslår vi en ny adaptiv teknik för val av hyperparametrar i gradient-baserad optimering med garantier på differentiell integritet. För det tredje granskar vi urvalsbaserade lösningar för att skala differentiellt privat maskininlärning till stora datamängder. Vi studerar de integritetsförstärkande egenskaperna hos importance sampling och visar att det kan överträffa ett likformigt urval av sampel, inte bara när det gäller effektivitet utan även för integritet. De tre teknikerna som utvecklats i denna avhandling förbättrar skalbarheten för integritetsskyddad maskininlärning och syftar till att erbjuda lösningar för effektiv och säker tillämpning av maskininlärning på stora datamängder. / <p>QC 20231101</p>

Since its inception, Marketing has always needed more clearly defined incrementality, i.e., a measurement of advertisement effectiveness. Nowadays, Marketing is an evergrowing business; within it, Digital Marketing is taking the spotlight. Digital Marketing brings multiple benefits, such as a global reach and a lower cost associated with customer communication. However, more importantly, customer interaction and engagement can be clearly tracked, which can help measure Marketing impact. Nowadays, this problem is tackled in two ways, A/B testing and attribution models. Even though statistically solid and proven, A/B testing, a form of hypothesis testing, faces implementation issues and other practical aspects, leading to only sometimes being used in real-world applications. On the other hand, Attribution models are not comparable, thus not quantifiable, and good attribution models are hard to develop, leaving companies relying on third-party providers. In short, this paper suggests that the impact of each marketing campaign can be measured in a two-step process: (1) Training a model to predict a customer's conversion, given their previous advertisement interactions; (2) Applying explainable machine learning methods to said model to infer the importance of each advertisement interaction in a user journey. The main methods used are permutation feature importance and Shapley values. The dataset is designed such that each type of advertisement interaction is a model's feature; thus, an importance value can be calculated for each interaction. On top of that, a local method - counterfactual explanations - and a possible implementation of a hyper-personal application are discussed. The proposed solution is shown to provide more accurate attributions than most common attribution models, with the possibility of augmenting the accuracy by changing the underlying model. It is also suggested that it could benefit significantly from more data on customer demographics, generating insights into how campaigns affect different customer segments. / Marknadsföring har sedan dess begynnelse alltid behövt en tydligare definition av inkrementalitet, det vill säga, mätningen av annonsens effektivitet. Marknadsföring är numera en ständigt växande verksamhet och inom den är det den digitala marknadsföringen som står i fokus. Digital marknadsföring ger flera fördelar t.ex. global räckvidd och lägre kostnader för kundkommunikation. Viktigare är dock att kundernas interaktion och engagemang kan spåras tydligt, detta bidrar i sig till att mäta marknadsföringens effektivitet. Det här problemet hanteras på två sätt: AB-testning och tilldelningsmodeller. Även om AB-testning är statistiskt sett både gedigen och beprövad leder oftast problem med genomförandet och andra praktiska aspekter till att det endast ibland används i korrekta tillämpningar. Å andra sidan är tillskrivningsmodeller inte jämförbara - de saknar mätbarhet - och det är svårt att utveckla bra tillskrivningsmodeller vilket gör att företagen förlitar sig på tredjepartsleverantörer. I korthet föreslår denna artikel att effekten av varje marknadsföringskampanj kan mätas i en tvåstegsprocess. (1) Träning av en modell för att förutsäga en kunds konvertering baserad på deras tidigare annonsinteraktioner. (2) Tillämpning av difinierade maskininlärningsmetoder på nämnda modeller för att härleda betydelsen av varje annonsinteraktion i en användares resa. De viktigaste metoderna som användes var permutation feature importance och Shapley-värden. Datamängden utformad så att varje typ av annonsinteraktion blir en modells funktion; på så sätt kan ett betydelsevärde beräknas för varje interaktion. Dessutom diskuteras en lokal metod - kontrafaktiska förklaringar - och ett möjligt genomförande av en hyperpersonlig applikation. Den föreslagna lösningen visade sig ge mer exakta tillskrivningar än de flesta vanliga tillskrivningsmodeller, med möjlighet att öka noggrannheten genom att ändra den underliggande modellen. Det föreslås också att den skulle kunna dra stor nytta av mer data om kundernas demografi, vilket skulle generera insikter om hur kampanjer påverkar olika kundsegment.

The automotive industry has been actively seeking ways to reduce emissions and combat global warming. While pure battery electric vehicles have shown promise in achieving zero-tailpipe emissions, they face challenges in meeting the energy demands of large construction machines like excavators and wheel loaders, due to the heavy batteries required. To overcome this issue, Fuel Cell Hybrid Electric Vehicles (FCHEV) have emerged as a potential solution. However, efficient energy management systems are crucial for FCHEV, as fuel cells are slow-reacting devices and construction machines operate with highly transient work cycles. This thesis addresses the need for an effective energy management strategy by developing a controller and machine load predictor for an FCHEV. The proposed approach utilizes Model Predictive Control (MPC) to minimize an objective function encompassing hydrogen consumption and rate constraints. The controller determines the optimal power split between the fuel cell and battery over a specific time-horizon, ensuring power demand is met while adhering to system constraints. Additionally, an auto-correlation-based machine load predictor is integrated with the controller to optimize the power split between the battery and fuel cell. By implementing the MPC combined with the auto-correlation-based load predictor, the FCHEV effectively utilizes a narrower battery State of Charge (SoC) window, potentially reducing the required battery size in the machine. Moreover, the strategy reduces transients in fuel cell power, slowing down degradation and enhancing its lifetime, in comparison to Volvo Construction Equipment AB’s (Volvo CE) previous real-time power-split function. This research contributes to the development of energy-efficient solutions for large construction machines, particularly in the context of FCHEV. The proposed energy management strategy utilizing MPC and load prediction techniques holds promise for improving overall system performance, reducing hydrogen consumption, and limiting the degradation of fuel cell and battery components. / Bilindustrin har sedan länge sökt sätt att minska utsläppen och bekämpa den globala uppvärmningen. Även om rent batteridrivna elektriska fordon är i princip avgasfria, så är det utmananade att möta energikraven för stora byggmaskiner som grävmaskiner och hjullastare med endast batterier. För att övervinna detta problem har bränslecell-hybrid-elektriska fordon (FCHEV från engelskans Fuel-cell hybrid electrical vehicle) identifierats som en potentiell lösning. Dock är effektiva energihanteringssystem avgörande för FCHEV, eftersom bränsleceller reagerar långsamt och byggmaskiner arbetar med snabbt varierande arbetscykler. Detta examensarbete försöker att möta behovet av en effektiv energihanteringsstrategi genom att utveckla en styrenhet och maskinbelastningsprognos för en FCHEV. Det föreslagna tillvägagångssättet använder modellprediktiv reglering (MPC) för att minimera en målfunktion som ta hänsyn till både vätekonsumtion och hastighetsbegränsningar. Styrenheten bestämmer den optimala effektfördelningen mellan bränslecellen och batteriet över en specifik tidshorisont, och säkerställer att effektkravet uppfylls samtidigt som systembegränsningarna följs. Dessutom integreras en auto-korrelationsbaserad maskinbelastningsprediktor med styrenheten för att optimera effektfördelningen mellan batteriet och bränslecellen. Genom att implementera MPC i kombination med den auto-korrelationsbaserade belastningsprognosen, använder FCHEV effektivt ett smalare fönster för batterets laddningstillstånd (SoC), vilket potentiellt minskar den nödvändiga batteristorleken i maskinen. Dessutom minskar strategin transienter i bränslecellseffekten och förbättrar dess livstid, jämfört med Volvo Construction Equipment AB:s (Volvo CE) tidigare lösning. Denna forskning bidrar till utvecklingen av energieffektiva lösningar för stora byggmaskiner, särskilt i sammanhanget FCHEV. Den föreslagna energihanteringsstrategin, med sin kombination av MPC och belastningsprediktionstekniker, har en potential att förbättra den totala systemprestandan, minska vätekonsumtionen och begränsa försämringen av bränslecell- och batterikomponenter.

The electricity grids have become a key player in the society. An increased usage of electricity is both a result from the more electrified society, but also as a main solver in reaching the climate goals by reducing emissions. This thesis work explores some of the new features for the electricity grid from integration of electrification from renewable energy resources (RES) and from strategies for energy optimization related to the loads and specifically from thermal heat pumps. These strategies lie in the field of demand response, which takes advantage of the flexibility of loads in terms of willingness to switch or decrease their consumption at a particular moment of the day. This research proposes a three-step framework to harness the flexibility of Thermo-Statically controlled loads (TCLs) based on a simulated grey-box building model that uses historical outside temperature and prices data and learns the thermal parameters such as Thermal Resistance, Thermal Capacitance, but also price responsiveness (pth ) through a Differential Evolution (DE) based optimization algorithm. The price responsiveness is used to provide further insight into the flexibility of the loads and is employed in the last step to propose a price policy estimation algorithm also based on DE that minimizes the gap between supply and demand while preserving supplier and customer profitability. The proposed approach has proven to be accurate for a large number of parameters but also effective with reduced training data (prediction errors around 2.5% on the power average and standard deviation), as well as to be successful in providing a Day-Ahead Real-Time Price policy that maximizes supplier and customer utility. The price policy provides a lower total price for the customer compared with a tariff without demand response (reduction up to 53.63 %), reduces the gap between RES-based energy sources and heating demand, and respects grid technical constraints. / Elnätet har blivit en nyckelaktör i samhället. En ökad elanvändning är både ett resultat av det mer elektrifierade samhället, men också som en huvudlösare för att nå klimatmålen genom att minska utsläpp. Detta examensarbete undersöker några av de nya funktionerna för elnätet från integration av elektrifiering från förnybara energiresurser (RES) och från strategier för energioptimering relaterade till ellaster och specifikt från termiska värmepumpar. Dessa strategier ligger inom området för efterfrågerespons, som drar fördel av lasternas flexibilitet när det gäller viljan att byta eller minska sin konsumtion vid en viss tidpunkt på dagen. Den här forskningen föreslår ett ramverk i tre steg för att utnyttja flexibiliteten hos termostatiskt kontrollerade laster (TCL) baserat på en simulerad gråbox-byggnadsmodell som använder historisk utomhustemperatur och prisdata och lär sig de termiska parametrarna som termisk motstånd, termisk kapacitans , men också priskänslighet (pth) genom en Differential Evolution (DE) baserad optimeringsalgoritm. Priskänsligheten används för att ge ytterligare insikt om lasternas flexibilitet och används i det sista steget för att föreslå en prispolitisk uppskattningsalgoritm också baserad på DE som minimerar klyftan mellan utbud och efterfrågan samtidigt som leverantörs- och kundlönsamheten bevaras. Det föreslagna tillvägagångssättet har visat sig vara korrekt för ett stort antal parametrar men också effektivt med reducerad träningsdata (förutsägelsefel runt 2,5% på effektmedelvärde och standardavvikelse), samt vara framgångsrik i att tillhandahålla en Day-Ahead Real -Tidsprispolicy som maximerar leverantörs- och kundnyttan. Prispolicyn ger ett lägre totalpris för kunden jämfört med en tariff utan efterfrågerespons (reduktion upp till 53, 63 %), minskar gapet mellan RES-baserade energikällor och värmebehov samt följer nättekniska begränsningar.

A key challenge in the field of cloud computing is to automatically scale software containers in a way that accurately matches the demand for the services they run. To manage such components, container orchestrator tools such as Kubernetes are employed, and in the past few years, researchers have attempted to optimise its autoscaling mechanism with different approaches. Recent studies have showcased the potential of Actor-Critic Deep Reinforcement Learning (DRL) methods in container orchestration, demonstrating their effectiveness in various use cases. However, despite the availability of solutions that integrate multiple container performance metrics to evaluate autoscaling decisions, a critical gap exists in understanding how model-free DRL algorithms interact with a state space based on those metrics. Thus, the primary objective of this thesis is to investigate the impact of the state space definition on the performance of model-free DRL methods in the context of horizontal autoscaling within Kubernetes clusters. In particular, our findings reveal distinct behaviours associated with various sets of metrics. Notably, those sets that exclusively incorporate parameters present in the reward function demonstrate superior effectiveness. Furthermore, our results provide valuable insights when compared to related works, as our experiments demonstrate that a careful metric selection can lead to remarkable Service Level Agreement (SLA) compliance, with as low as 0.55% violations and even surpassing baseline performance in certain scenarios. / En viktig utmaning inom området molnberäkning är att automatiskt skala programvarubehållare på ett sätt som exakt matchar efterfrågan för de tjänster de driver. För att hantera sådana komponenter, container orkestratorverktyg som Kubernetes används, och i det förflutna några år har forskare försökt optimera dess autoskalning mekanism med olika tillvägagångssätt. Nyligen genomförda studier har visat potentialen hos Actor-Critic Deep Reinforcement Learning (DRL) metoder i containerorkestrering, som visar deras effektivitet i olika användningsfall. Men trots tillgången på lösningar som integrerar flera behållarprestandamått att utvärdera autoskalningsbeslut finns det ett kritiskt gap när det gäller att förstå hur modellfria DRLalgoritmer interagerar med ett tillståndsutrymme baserat på dessa mätvärden. Det primära syftet med denna avhandling är alltså att undersöka vilken inverkan statens rymddefinition har på prestandan av modellfria DRL-metoder i samband med horisontell autoskalning inom Kubernetes-kluster. I synnerhet visar våra resultat distinkta beteenden associerade med olika uppsättningar mätvärden. Särskilt de set som uteslutande innehåller parametrar som finns i belöningen funktion visar överlägsen effektivitet. Dessutom våra resultat ge värdefulla insikter jämfört med relaterade verk, som vår experiment visar att ett noggrant urval av mätvärden kan leda till anmärkningsvärt Service Level Agreement (SLA) efterlevnad, med så låg som 0, 55% överträdelser och till och med överträffande baslinjeprestanda i vissa scenarier.

Cancer is one of the most common causes of death worldwide. When given optimal treatment, however, the risk of severe illness may greatly be reduced. Determining optimal treatment in turn requires evaluation of disease progression and response to potential, previous treatment. Analysis of perfusion, a physiological property that describes how well different tissues are supplied with blood, has been shown useful for revealing important tumor characteristics. By performing a contrast agent-enhanced, non-invasive medical imaging procedure, quantitative parameters of perfusion can be obtained by fitting the image data to mathematical models. These parameters may then provide valuable insights into tumor properties, useful for purposes such as diagnostics and treatment response evaluation. Varieties of parameter calculation frameworks and perfusion models may however lead to a wide range of possible parameter values, which negatively impacts reproducibility and confidence in results. The aim of this thesis project was to explore how different implementation choices in a perfusion parameter calculations framework, as well as image data noise and filtering, affected the parameter estimations. Image data of nine brain-tumor patients and a physical phantom was used for calculating perfusion parameters after systematically applying changes to the default calculations framework. The results showed that the choice of optimization method for parameter estimations could provide a significant difference in parameter estimations. A semi-automated method for obtaining a venous input function was evaluated and shown to be robust with respect to simulated user inputs. Generation of a T1 map, used when performing the parameter calculations, was explored for the variable flip-angle method and from this investigation it was concluded that a few combinations of flip-angles generated unrealistic T1 maps. Finally, a Gaussian image filter applied in the x- and ydimensions of the image data was found to provide a noticeable reduction of applied noise. The outcome of the experiments exemplified how calculation framework setup affected parameter estimations, which was discussed to be of importance for other areas of research as well. Future work could encompass exploration of other, more complex perfusion models, and performing similar analysis for tumors in other body-parts. / Cancer är en av de vanligaste dödsorsakerna i världen. Risken för svår sjukdom kan dock minimeras om optimal behandling ges, vilket kräver utvärdering av sjukdomstillstånd och svar på eventuell tidigare behandling för att åstadkommas. Mätningar av perfusion, en fysiologisk egenskap som direkt relaterar till vävnadernas blodtillförsel, har visat sig vara användbar för att avslöja viktiga tumöregenskaper. Genom att utföra en icke-invasiv medicinsk bildtagningsprocedur med kontrastvätska kan kvantitativa perfusionsparametrar erhållas genom att anpassa bilddatat till matematiska modeller. Dessa parametrar kan sedan ge värdefulla insikter om tumörers egenskaper, användbara för ändamål som diagnostik och utvärdering av behandling. Variationer av ramverk för parameterberäkningar och perfusionsmodeller kan dock leda till många olika, möjliga parametervärden, vilket negativt påverkar reproducerbarhet och förtroende för korrekthet hos de beräknade parametrarna. Syftet med detta examensarbete var att utforska hur implementeringen av ett ramverk för perfusionsparameterberäkningar, samt bilddatabrus och filtrering, påverkade parameterberäkningarna. Bilddata från nio hjärntumörpatienter samt en fysisk fantom användes för att beräkna perfusionsparametrar efter att systematiskt ändrat delar av ett ursprungligt beräkningsramverk. Resultaten visade att valet av optimeringsmetod för modelanpassning kunde ge en signifikant skillnad i parameteruppskattningar. En semi-automatiserad metod designad för att erhålla en venös inflödesfunktion utvärderades och påvisades vara robust med avseende på simulerad användarinteraktion. Generering av en T1-karta, som kan användas för parameterberäkningarna, undersöktes för variable flip-angle metoden, och från denna undersökning drogs slutsatsen att ett antal kombinationer av vinklar genererade orealistiska T1-kartor. Slutligen visade sig ett Gaussiskt bildfilter applicerat i x- och y-dimensionerna av bilddata ge en märkbar reducering av applicerat brus. Arbetet gav exempel på hur val av beräkningsramverk kan påverka parameteruppskattningar, vilket vidare diskuterades kan ha betydelse inom andra forskningsområden. Framtida undersökningar kan innefatta att utforska andra, mer komplexa perfusionsmodeller, samt att utföra liknande analyser för tumörer i andra kroppsdelar.

The study carried out in this master thesis is part of a larger project led by Energynautics GmbH focusing on renewable energy development in the Caribbean. One of the Caribbean states, consisting of multiple islands, has set a target of 30 % of renewable energy in the power sector by 2030. The first objective of the thesis is to develop optimal generation capacity expansion plans for two different islands of this country, utilizing solar PV generation, which is the only available renewable energy resource. To achieve this objective, three main tasks are identified. The first is the development of an optimal generation capacity expansion plan for the next three years using the optimization tool HOMER Energy. At the beginning only diesel generation is present on the islands. For each study case year, the installed capacity of PV and BESS is optimized and enabling technologies such as curtailment (controllability of PV) and grid-forming inverters are deployed. The second task focuses on the development of a new dispatch strategy, improving on the black box dispatch algorithms built into HOMER. The dispatch strategy minimises the cost of electricity generation and is based on a rolling 48 hours forecasts of the load and PV. It is implemented in MATLAB and linked to HOMER via the built-in MATLAB interface. As HOMER is focused on generation expansion and dispatch and inherently neglects the grid, a grid study is required to assess the stability of the network. This study is the last task of the thesis and is limited to determined steady-state voltage and the asset loading on one of the studied islands through load flow simulations in DIgSILENT PowerFactory. It is shown that there are no major issues even at high PV shares, however, grid performance can be improved if the PV unit is equipped with reactive power capability to control the voltage. A study on the impact of the Q(U)- control and the PQ-capability of the PV and BESS inverters is performed. / Studien som genomförts i detta examensarbete är en del av ett större projekt vilket leds av Energynautics GmbH med fokus på utveckling av förnybar energi i Karibien. En av de Karibiska staterna, bestående av flera öar, har ett mål på 30 % förnybar energi i elkraftssektorn innan 2030. Första syftet med examensarbetet är att utveckla optimala utbyggnadsplaner för produktionskapaciteten för två olika öar i detta land, med användning av solcellsproduktion, vilket är den enda tillgängliga förnybara energikällan. Den första uppgiften är utvecklingen av en optimal utbyggnadsplan för produktionskapaciteten för de kommande tre åren med optimeringsverktyget HOMER Energy. Från början fanns det bara dieselgeneratorer på öarna. För varje studerat år optimeras den installerade kapaciteten av PV och BESS samt aktivering av möjliggörande teknologier som begränsning av PV-produktion och grid-forming växelriktare. Den andra uppgiften fokuserar på utvecklingen av en ny driftsstrategi, förbättring av den basala driftsalgoritm som är inbyggd i HOMER. Driftsstrategin minimerar kostnaden av elproduktionen och är baserad på en 48 timmars prognos av laster och PV. Den är implementerad i MATLAB och kopplad till HOMER via det inbyggda MATLABgränssnittet. Eftersom HOMER fokuserar på produktionsutbyggnad och drift och i praktiken försummar elnätet, krävs en studie av elnätet för att utvärdera stabiliteten av elnätet. Studien av denna sista uppgift i examensarbetet är begränsad till att bestämma spänningen vid jämnviktsläge och den utvärderade lasten på en av de studerade öarna genom belastningsfördelningsberäkning i DIgSILENT PowerFactory. Det visade sig att det inte fanns några stora problem även med stora andelar PV, men elnätets prestanda kan förbättras om PV-omriktarna är utrustade med reaktiv effektstyrning som kontrollerar spänningen. En studie avinverkan från Q(U)-styrning och PQ-kapacitet av PV- och BESS-växelriktare har utförts.

As a novel beyond fifth-generation (5G) concept, cell-free massive MIMO (multiple-input multiple-output) recently has become a promising physical-layer technology where an enormous number of distributed access points (APs), coordinated by a central processing unit (CPU), cooperate to coherently serve a large number of user equipments (UEs) in the same time/frequency resource. However, denser AP deployment in cell-free networks as well as an exponentially growing number of mobile UEs lead to higher power consumption. What is more, similar to conventional cellular networks, cell-free massive MIMO networks are dimensioned to provide the required quality of service (QoS) to the UEs under heavy traffic load conditions, and thus they might be underutilized during low traffic load periods, leading to inefficient use of both spectral and energy resources. Aiming at the implementation of energy-efficient cell-free networks, several approaches have been proposed in the literature, which consider different AP switch ON/OFF (ASO) strategies for power minimization. Different from prior works, this thesis focuses on additional factors other than ASO that have an adverse effect not only on total power consumption but also on implementation complexity and operation cost. For instance, too frequent ON/OFF switching in an AP can lead to tapering off the potential power saving of ASO by incurring extra power consumption due to excessive switching. Indeed, frequent switching of APs might also result in thermal fatigue and serious lifetime degeneration. Moreover, time variations in the AP-UE association in favor of energy saving in a dynamic network bring additional signaling and implementation complexity. Thus, in the first part of the thesis, we propose a multi-objective optimization problem that aims to minimize the total power consumption together with AP switching and AP-UE association variations in comparison to the state of the network in the previous state. The proposed problem is cast in mixed integer quadratic programming form and solved optimally. Our simulation results show that by limiting AP switching (node switching) and AP-UE association reformation switching (link switching), the total power consumption from APs only slightly increases but the number of average switching drops significantly regardless of node switching or link switching. It achieves a good balance on the trade-off between radio power consumption and the side effects excessive switching will bring. In the second part of the thesis, we consider a larger cell-free massive MIMO network by dividing the total area into disjoint network-centric clusters, where the APs in each cluster are connected to a separate CPU. In each cluster, cell-free joint transmission is locally implemented to achieve a scalable network implementation. Motivated by the outcomes of the first part, we reshape our dynamic network simulator to keep the active APs for a given spatial traffic pattern the same as long as the mean arrival rates of the UEs are constant. Moreover, the initially formed AP-UE association for a particular UE is not allowed to change. In that way, we make the number of node and link switching zero throughout the considered time interval. For this dynamic network, we propose a deep reinforcement learning (DRL) framework that learns the policy of maximizing long-term energy efficiency (EE) for a given spatially-varying traffic density. The active AP density of each network-centric cluster and the boundaries of the clusters are learned by the trained agent to maximize the EE. The DRL algorithm is shown to learn a non-trivial joint cluster geometry and AP density with at least 7% improvement in terms of EE compared to the heuristically-developed benchmarks. / Som ett nytt koncept bortom den femte generationen (5G) har cellfri massiv MIMO (multiple input multiple output) nyligen blivit en lovande teknik för det fysiska lagret där ett enormt antal distribuerade åtkomstpunkter (AP), som samordnas av en central processorenhet (CPU), samarbetar för att på ett sammanhängande sätt betjäna ett stort antal användarutrustningar (UE) i samma tids- och frekvensresurs. En tätare utplacering av AP:er i cellfria nät samt ett exponentiellt växande antal mobila användare leder dock till högre energiförbrukning. Dessutom är cellfria massiva MIMO-nät, i likhet med konventionella cellulära nät, dimensionerade för att ge den erforderliga tjänstekvaliteten (QoS) till enheterna under förhållanden med hög trafikbelastning, och därför kan de vara underutnyttjade under perioder med låg trafikbelastning, vilket leder till ineffektiv användning av både spektral- och energiresurser. För att genomföra energieffektiva cellfria nät har flera metoder föreslagits i litteraturen, där olika ASO-strategier (AP switch ON/OFF) beaktas för att minimera energiförbrukningen. Till skillnad från tidigare arbeten fokuserar den här avhandlingen på andra faktorer än ASO som har en negativ effekt inte bara på den totala energiförbrukningen utan också på komplexiteten i genomförandet och driftskostnaden. Till exempel kan alltför frekventa ON/OFF-omkopplingar i en AP leda till att ASO:s potentiella energibesparingar avtar genom extra energiförbrukning på grund av överdriven omkoppling. Frekventa omkopplingar av AP:er kan också leda till termisk trötthet och allvarlig försämring av livslängden. Dessutom medför tidsvariationer i AP-UE-associationen till förmån för energibesparingar i ett dynamiskt nät ytterligare signalering och komplexitet i genomförandet. I den första delen av avhandlingen föreslår vi därför ett optimeringsproblem med flera mål som syftar till att minimera den totala energiförbrukningen tillsammans med växling av AP och variationer i AP-UE-associationen i jämförelse med nätets tillstånd i det föregående läget. Det föreslagna problemet är en blandad helhetsmässig kvadratisk programmering och löses optimalt. Våra simuleringsresultat visar att genom att begränsa växling av AP (node switching) och växling av AP-UE-association (link switching) ökar den totala energiförbrukningen från AP:erna endast något, men antalet genomsnittliga växlingar ökar, oavsett om det rör sig om node switching eller link switching. Det ger en bra balans mellan radiokraftförbrukning och de bieffekter som överdriven växling medför. I den andra delen av avhandlingen tar vi hänsyn till ett större cellfritt massivt MIMO-nätverk genom att dela upp det totala området i disjunkta nätverkscentrerade kluster, där AP:erna i varje kluster är anslutna till en separat CPU. I varje kluster genomförs cellfri gemensam överföring lokalt för att uppnå en skalbar nätverksimplementering. Motiverat av resultaten i den första delen omformar vi vår dynamiska nätverkssimulator så att de aktiva AP:erna för ett givet rumsligt trafikmönster är desamma så länge som den genomsnittliga ankomsthastigheten för de enskilda enheterna är konstant. Dessutom tillåts inte den ursprungligen bildade AP-UE-associationen för en viss användare att förändras. På så sätt gör vi antalet nod- och länkbyten till noll under hela det aktuella tidsintervallet. För detta dynamiska nätverk föreslår vi ett ramverk för djup förstärkningsinlärning (DRL) som lär sig en strategi för att maximera energieffektiviteten på lång sikt för en given rumsligt varierande trafiktäthet. Den aktiva AP-tätheten i varje nätverkscentrerat kluster och klustrens gränser lärs av den utbildade agenten för att maximera EE. Det visas att DRL-algoritmen lär sig en icke-trivial gemensam klustergeometri och AP-täthet med minst 7% förbättring av EE jämfört med de heuristiskt utvecklade riktmärkena.

Hydropower in Sweden is a powerful and efficient source of energy due to its flexibility, usually used to balance the Swedish power system. With the transition of power system into more intermittent power sources, the role of hydro-power as producers will become more important. Thus the optimal scheduling of hydropower units, with other assets, holds an important place in electric power systems, which is significantly investigated as a research issue. This thesis presents an optimization model that aims at maximizing the income of that producer. The model is implemented on a virtual power plant trading in both day-ahead and mFRR balancing markets in the SE2 bidding zone in Sweden. The virtual power plant comprises hydo-power plants located on the Swedish river Skellefteälven, a wind power unit, and a storage unit. This system participates in electricity market as a single entity in order to optimize the use of energy resources. As feature, uncertainty in electricity market price, wind power production and in active-time duration in the mFRR energy market are modeled in order to formulate a so-called stochastic adaptive robust optimization model. The latter is solved using a column-and-constraint generation algorithm, solved by GAMS and Matlab. A bid curve analysis is performed showing the optimal strategy in case of low/high price scenario and the level of conservativeness. After that, a revenue assessment is carried out which in turn leads to an investigation of the interaction between the three assets and the impact of the storage facility in the revenue. Results demonstrate the advantage of the battery in increasing profit in some cases and its flexibility in the use of storing energy and selling it to the markets at suitable times, e.g., it saves energy from the wind in hours of comparatively low prices, while it sells it in hours of comparatively high prices. Finally, an assessment on variation of imbalance costs is held with and without battery, comparing how such virtual power plants reduce the imbalance costs. / Vattenkraften i Sverige är en kraftfull och effektiv energikälla tack vare sin flexibilitet, används vanligtvis för att balansera det svenska kraftsystemet. I och med att kraftsystemet övergår till mer intermittenta energikällor kommer vattenkraftens roll som producent att bli viktigare. Den optimala schemaläggningen av vattenkraftsenheter har därför tillsammans med andra tillgångar en viktig plats i elkraftsystemen, vilket är en viktig forskningsfråga. I denna avhandling presenteras en optimeringsmodell som syftar till att maximera inkomsten för den producenten. Modellen implementeras på ett virtuellt kraftverk som handlar på både day-ahead- och mFRR-balanseringsmarknader i budzonen SE2 i Sverige. Det virtuella kraftverket består av vattenkraftverk belägna vid den svenska Skellefteälven, en vindkraftsenhet och en lagringsenhet. Systemet deltar på elmarknaden som en enda enhet för att optimera användningen av energiresurser. Som en funktion kan osäkerheten i elmarknadspriset, vindkraftsproduktionen och den aktiva tiden i kraftverket användas. mFRR-marknaden modelleras för att formulera en så kallad stokastisk adaptiv robust optimeringsmodell. Den sistnämnda löses med hjälp av en kolumn-och-bindningsgenerering algoritm, som löses med GAMS och Matlab. En analys av budkurvan utförs och visar att optimala strategin vid scenarier med lågt/hög pris och nivån av försiktighet. Efter därefter görs en intäktsbedömning som i sin tur leder till en undersökning av interaktionen mellan de tre tillgångarna och lagringsanläggningens inverkan på intäkterna.Resultaten visar att batteriet i vissa fall är en fördel när det gäller att öka vinsten och att dess flexibilitet när det gäller att lagra energi och sälja den på marknaden vid lämpliga tidpunkter, Det sparar t.ex. energi från vinden under timmar med jämförelsevis låga priser, medan det säljer den. när priserna är jämförelsevis höga. Slutligen görs en bedömning av variationen i obalansen. med och utan batteri, där man jämför hur sådana virtuella kraftverk minskar kostnaderna för obalans.