An investigation into an optimal home energy management using multiple forecasting neural networks and linear programming

This master thesis deals with the smart energy scheduling of a household equipped with solar panels and localized energy storage system. The control objective is to offer maximum savings to the end-customer, who is paying electricity with a time-of-use plan. It is shown how linear programming is suitable for optimizing the power flow and offers better savings respect to a simple naïve storing of electricity surplus. In order to implement a predictive control, forecasts about user’s daily consumption and the energy generated by the solar panels are needed. These are obtained through neural networks (NN), a machine learning model which is having a great success in many research fields. Various NNs families are proposed and compared for load forecast, all developed in Python environment. At first, a fine-tuned multilayer perceptron (MLP) NN is implemented. It is then shown how a recurrent long-short term memory (LSTM) NN can offer some improvements. At last, a novel approach, based on 2-D convolutional NN, is presented. Regarding solar production forecasts, both MLP and LSTM are presented. In this part weather forecasts are used. Results show how forecast uncertainty influences obtainable savings and how this smart energy scheduling is able to come close to the optimal theoretical results. Possible improvements and further works are suggested, together with concept implementations proposals and extension to similar energy management problems for EVs. This thesis has been conducted at Infineon Technologies in Villach (Austria) with the aim of investigating possible applications of machine learning in the field of energy management.

Questa tesi di master si occupa della pianificazione intelligente di energia per un’abitazione dotata di pannelli solari e di batterie. L'obiettivo del controllo è di offrire il massimo risparmio al cliente finale, supponendo che il prezzo dell’elettricità varii per fasce orarie. Viene mostrato come la programmazione lineare risulta particolarmente efficiente nell’ ottimizzare il flusso di energia e offre risparmi superiori rispetto ad un semplice immagazzinamento del surplus energetico prodotto dai pannelli solari. Per implementare un controllo predittivo, sono necessarie previsioni sul consumo giornaliero dell'utente e sull'energia generata dai pannelli solari. Queste sono ottenute attraverso reti neurali, un modello di machine-learning che sta conseguendo un elevato successo in molti campi. Varie topologie, sviluppate in ambiente Python, sono proposte e confrontate. In primo luogo viene implementata una rete neurale a percettrone multilivello. Viene quindi mostrato come una rete neurale ricorrente del tipo long-short term memory offra miglioramenti. Da ultimo, viene presentato un nuovo approccio basato su una rete neurale convoluzionale 2-D. Per quanto riguarda le previsioni di produzione solare, sono presentate reti sia a percettrone multilivello sia ricorrenti. Queste sono integrate con previsioni meteo. I risultati mostrano come l'incertezza della previsione vada ad influenzare i risparmi ottenibili e come questa pianificazione intelligente si avvicini molto ai massimi risparmi ottenibili. Possibili miglioramenti e successivi lavori sono proposti, unitamente a proposte d’implementazioni del concetto e all'estensione a simili problemi di gestione dell'energia per veicoli elettrici. Questa tesi è stata condotta presso Infineon Technologies in Villach (Austria) con lo scopo di studiare possibili applicazioni di machine learning nel campo della gestione energetica.