Incremental machine-learning based load prediction of a university campus aiming at performance improvement on day-ahead market and reduction of losses

The present thesis is focused on proposing and implementing machine learning based methodologies for prediction of electrical and thermal consumption of the buildings in the Leonardo Campus of Politecnico di Milano, which is equipped with a tri-generation plant. The first part of this work is thus devoted to developing optimal pipelines for hour-ahead prediction of the electrical load of each building. A feature generation procedure is first implemented in order to create a dataset including the historical hourly consumption values, time dependent features, and the corresponding weather conditions. After conducting a feature selection step, several machine learning based pipelines, are implemented in order to determine the most accurate one for each building. The obtained optimal prediction pipelines (which are online and thus self-calibrating) offer an elevated accuracy, which facilitates the possible future participation of the university in the ancillary service market and can also be utilized for anomaly detection.\par In the second part, a methodology for predicting the total electrical consumption of the campus is proposed and implemented, which assists predicting the excess production to be sold on the day-ahead market and helps mitigating generation unit's imbalances. Accordingly, based on the bidding regulations of the day-ahead market, prediction pipelines for cases of 15 hours ahead up to 39 hours ahead (including every hour in between) are developed and optimized, resulting in an elevated prediction accuracy. \par Finally, hour-ahead machine learning based pipelines are developed for forecasting the thermal energy demand of the buildings that are addressed by the district heating system. These predictions are provided as inputs to developed data-driven models of buildings’ heat exchangers, the result of which are utilized for hourly optimization of supply water temperature (through minimizing the return temperature) that allows an improved utilization of the heat from tri-generator and reducing the heat losses in the distribution network.

La presente tesi è focalizzata sulla proposta e implementazione di metodologie basate sull'apprendimento automatico (Machine Learning) per la previsione dei consumi elettrici e termici degli edifici del Campus Leonardo del Politecnico di Milano, dotato di un impianto di trigenerazione. La prima parte di questo lavoro è quindi dedicata allo sviluppo dei pipeline ottimali per la previsione oraria della domanda elettrica di ogni edificio. Viene prima implementata una procedura di generazione degli attributi al fine di creare un dataset che include i valori storici di consumo orario, gli attributi dipendenti dal tempo e le corrispondenti condizioni meteorologiche. Dopo aver condotto una fase di selezione delle feature, vengono implementate diverse pipeline basate sull'apprendimento automatico, al fine di determinare quella più accurata per ogni edificio. Le pipeline di previsione ottimali ottenute (che sono online e quindi autocalibranti) offrono un'elevata precisione, che facilita la possibile partecipazione futura dell'università al mercato dei servizi ausiliari e può essere utilizzata anche per il rilevamento di anomalie.\par Nella seconda parte viene proposta e implementata una metodologia di previsione dei consumi elettrici totali del campus, che aiuta a prevedere l'eccesso di produzione da vendere sul mercato del giorno prima e aiuta a mitigare gli squilibri dell'unità di generazione. Di conseguenza, sulla base delle regole del mercato del giorno prima, vengono sviluppate e ottimizzate le pipeline di previsione per i casi di 15 ore avanti fino a 39 ore avanti (inclusa ogni ora intermedia), con conseguente elevata precisione di previsione.\par Infine, vengono sviluppate delle pipeline basate sull'apprendimento automatico per prevedere il fabbisogno di energia termica degli edifici che vengono forniti dal sistema di teleriscaldamento. Queste previsioni sono fornite come input per lo sviluppo di modelli data-driven di scambiatori di calore degli edifici, i risultati di quale vengono utilizzati per l'ottimizzazione oraria della temperatura dell'acqua di mandata (attraverso la minimizzazione della temperatura di ritorno) che permette un migliore utilizzo del calore proveniente dal tri-generatore e la riduzione delle perdite di calore nella rete di distribuzione.