Data analytics for low voltage systems : overview and case study

The cost and size of the measurement sensors has greatly reduced over the recent years; meanwhile it has become possible to network sensors in a cost-effective way. Data can thus be collected, processed and shared in an IoT (Internet of Things) network. This work originates from the need to understand the implications and future prospects of the adoption of data analytics in low voltage power systems (LVPSs). The first part of the work consists in defining the state of art of data analytics applications in LVPSs. Each application reported in the literature has been classified considering its value proposition, the measured quantities, the adopted signal processing techniques and related algorithms. This represents a synthetic but exhaustive introduction to the functionalities that data analytics may add to LVPSs and a useful starting point for future works. The second part of the thesis presents load forecasting techniques for large buildings based on artificial neural networks (ANNs). A neural network for statistical regression is trained and used to predict the load of the subsequent 24 hours, while an auto-regressive non-linear neural network with exogenous variables is used to predict the load of the next 15 minutes. These forecasting techniques may be used to implement peak shaving strategies to optimize the use of existing grid and on-site generation. The forecast accuracy shown by the proposed methods is satisfactory and in line with the results presented by the literature.

Il costo e la dimensione dei sensori di misura si `e notevolmente ridotto nel corso degli ultimi anni, e allo stesso tempo si `e concretizzata la possibilit`a di connettere gli stessi in rete. In questo modo i dati possono essere raccolti, processati e poi condivisi in una rete IoT (Internet of Things). Questo lavoro nasce dalla necessit` a di comprendere quali possano essere le implicazioni e le prospettive future di una adozione di data analytics in impianti elettrici di bassa tensione (LVPS). La prima parte del lavoro consiste in una raccolta delle applicazioni di data analytics per LVPS che sono gi`a state proposte nella letteratura. Esse sono state catalogate considerando la proposta di valore, le quantit`a misurate, le tecniche di elaborazione del segnale ed eventuali algoritmi utilizzati. Queste informazioni potranno essere in futuro di aiuto agli sviluppatori che si interesseranno ad applicazioni di data analytics per LVPS, sia per avere un quadro dell’attuale stato dell’arte, sia per trovare riferimenti e spunti di approfondimento. La seconda parte del lavoro presenta alcune tecniche di previsione del carico di grandi edifici basate su reti neurali. Una rete neurale per regressione statistica viene allenata ed utilizzata per predire il carico delle successive 24 ore, mentre una rete neurale non-lineare auto-regressiva con variabili esogene viene utilizzata per predire il carico dei successivi 15 minuti. Queste tecniche di previsione possono essere utilizzate per mettere in atto strategie di peak shaving per poter meglio utilizzare la rete. L’accuratezza delle previsioni di carico effettuate con i metodi proposti `e soddisfacente ed in linea con i risultati presentati dalla letteratura.