Energy management systems for smart homes and local energy communities based on optimization and artificial intelligence techniques

Abstract

(English) The rapid advancement of digitalization, combined with the integration of renewable generation and the development of information and communication technologies within the distribution network, is accelerating the transition towards distributed, digitized, and decarbonized smart energy systems. Despite the crucial role of data in this transformation, it is still underutilized. Artificial Intelligence (AI) technology has the potential to extract valuable insights from these data, enabling innovative energy services and improving the performance of existing ones.This thesis first explores the potential of AI in data-driven energy services for distribution power systems through a comprehensive study. After reviewing the state of the art, the next step focuses on energy management systems at the household level. This thesis develops a multi-objective energy management system that simultaneously minimizes greenhouse gas emissions and electricity expenses, considering the entire life cycle of the generation assets used to provide energy, includingthe grid. The results demonstrate that this methodology can significantly reduce greenhouse gas emissions without incurring expensive electricity costs. The following chapter extends this innovative environmental-based approach to local energy communities with centralized PV and battery.Finally, the last chapter focuses on federated learning technology applied to home energy management systems (HEMS). Due to the increasing digitization of the low-voltage network and the implementation of smart meters, data protection has become increasingly important. Therefore, this study seeks to preserve user privacy by training prediction models in a distributed manner. Moreover, the proposed personalized federated learning methodology for HEMS demand forecasting incorporates a cost-oriented loss function to minimize imbalance costs while preserving customer privacy. The study compares cost-oriented and traditional loss functions and reveals that the personalized federated learning approach with cost-oriented loss function obtains the lowest imbalance cost for HEMS optimization. Moreover, the study demonstrates that new households without large historical consumption data can still achieve good load prediction outcomes through collaborative learning models.

(Català) L'avanç ràpid de la digitalització, combinat amb la implementació de generació renovable i el desenvolupament de tecnologies de la informació i la comunicació dins la xarxa de distribució, està accelerant la transició cap a sistemes energètics intel·ligents distribuïts, digitalitzats i descarbonitzats. Malgrat el paper crucial de les dades en aquesta transformació, encara es subtilitzen. La tecnologia d'intel·ligència artificial (IA) té el potencial d'extreure informació valuosa d'aquestes dades, permetent serveis energètics innovadors i millorant el rendiment dels existents.Aquesta tesi explora primer el potencial de la IA en serveis energètics impulsats per dades per als sistemes de distribució de potència a través d'un estudi exhaustiu. Després de revisar l'estat de l'art, el següent pas se centra en els sistemes de gestió energètica en l'àmbit domèstic. Aquesta tesi desenvolupa un sistema de gestió energètica multiobjectiu que minimitza simultàniament les emissions de gasos d'efecte hivernacle i les despeses d'electricitat, considerant tot el cicle de vida dels actius de generació utilitzats per proporcionar energia, incloent-hi la xarxa. Els resultats demostren que aquesta metodologia pot reduir significativament les emissions de gasos d'efecte hivernacle sense incórrer en despeses d'electricitat elevades. El capítol següent amplia aquesta aproximació innovadora basada en l'entorn al nivell de les comunitats energètiques locals amb PV i bateria centralitzats.Finalment, l'últim capítol se centra en la tecnologia d'aprenentatge federat aplicada als sistemes de gestió energètica dels habitatges. A causa de la creixent digitalització de la xarxa de baixa tensió i la implementació de comptadors intel·ligents, la protecció de dades s'ha tornat cada vegada més important. Per tant, aquest estudi busca preservar la privacitat de l'usuari entrenant models de predicció de manera distribuïda.A més, la metodologia d'aprenentatge federat personalitzat proposada per a la previsió de la demanda d'HEMS incorpora una funció de pèrdua orientada al cost per minimitzar els costos d'equilibri mentre es preserva la privacitat del client. L'estudi compara les funcions de pèrdua orientades al cost i les tradicionals i revela que l'aproximació d'aprenentatge federat personalitzat amb funció de pèrdua orientada al cost obté el cost d'equilibri més baix per a l'optimització d'HEMS. A més, l'estudi demostra que les noves llars sense dades de consum històriques rellevants encara poden aconseguir resultats satisfactoris.