Machine learning based estimation of air-conditioning loads through temporal features extraction using smart meter data

In the first part of the present thesis, a novel machine learning-based methodology to estimate the Air-Conditioning (AC) load from the hourly smart meter data is proposed and implemented. The following part is instead dedicated to short-term prediction of the photovoltaic generation, the AC load, and the total load of a residential buildings aiming at applying different demand side management methodologies . The estimation of the AC load, which is a thermostatically controlled load with an elevated flexibility, facilitates evaluating the potential of AC based demand side management and implementing the related strategies. The commonly employed approaches for disaggregating the share of the AC load from the total consumption are either using the data obtained from dedicated sensors or high-frequency data that can not be provided by conventional smart meters. In the present work, an alternative approach is proposed, in which a machine learning-based pipeline is first trained and optimized using the data obtained from a set of households, including both smart meter data and the disaggregated AC load measurements along with corresponding weather conditions. The determined optimal pipeline is then utilized to estimate the AC load in another set of buildings while providing it with only the smart meter data and weather conditions. As the first step of the pipeline implementation, several features are extracted from the smart meters and weather data. Next, an optimization procedure is employed in order to determine the most promising algorithm and the corresponding optimal set of hyper-parameters. A feature selection procedure is then implemented to determine the most influential parameters in the generated pool of features. The proposed method leads to a lower monitoring system’s cost, lower user privacy concerns, and fewer data processing complexity, compared to the conventional AC load disaggregation approaches, while providing a high accuracy. The second part, focused on the hour and day ahead prediction, consists of implementing two different deep learning models (Deep Neural Networks and Long Short Therm Memory). These algorithms have been used in an offline and online manner and the results are then compared to choose the most accurate model. The same features extraction methodology of the previous part has been implemented, followed by a feature selection step that significantly reduces the number of features. Finally, demand side management based on the AC load, while utilizing three different techniques of peak clipping, load shifting, and self consumption, is implemented. The strategies are simulated while taking into account the constraints imposed by the necessity of addressing the occupants' thermal comfort and the obtained results are evaluated in terms of cost and energy saving.

Nella prima parte della presente tesi è proposta ed implementata una metodologia innovativa basata sull'apprendimento automatico (Machine Learning) per stimare il consumo di aria condizionata avendo a disposizione dati orari provenienti dallo smart meter. La seguente parte è invece dedicata alla previsione a breve termine della generazione da fotovoltaico e del consumo sia totale che di aria condizionata usando le tecnice di apprendimento automatico, per l'applicazione di tecniche di gestione della domanda (Demand Side Management). La stima dei consumi di aria condizionata, che rientra nella categoria degli apparecchi controllati termostaticamente, facilita la valutazione del potenziale che possiede il controllo intelligente della'aria condizionata e delle possibili strategie applicabili. Gli approcci che comunemente vengono seguiti per separare il consumo di aria condizionata da quello totale prevedono o l'utilizzo di dati proveniente da sensori installati appositamente, o l'utilizzo di dati ad un alta frequenza che non possono essere forniti dai comuni smart meters. In questa tesi un approccio diverso viene utilizzato che prevede l'ottimizzazione di un processo di apprendimento automatico che prevede l'allenamento della macchina utilizzando dati provenienti da comuni smart meters, dati relativi al meteo e dati relativi ai consumi di aria condizionata per una determinata serie di edifici. L'algoritmo in seguito viene utilizzato per prevedere i consumi di aria condizionata utilizzando dati proveniente da un'altra serie di edifici, diversi dai primi, in cui il solo dato del consumo proveniente dallo smart meter è disponibile. L'ottimizzazione del processo di apprendimento automatico prevede come primo step l'estrazione di un elevato numero di "caratteristiche" (features) partendo dai dati di consumo totale e metereologici. In seguito una comparazione tra i vari algoritmi a disposizione in letteratura è stata eseguita per scegliere il più promettente. Dopodiché un processo di selezione delle "caratteristiche" è stato implementato per ottimizzare l'accuratezza della previsione e ridurre il carico computazionale. Gli effetti di questa metodologia sono: una riduzione dei costi dei sistemi di monitoraggio, minore preoccupazione riguardante la privacy dell'utente finale e minore complessità di calcolo rispetto agli approcci comuni, comunque mantenendo un'alta precisione. La seconda parte della tesi, incentrata sulla previsione un'ora ed un giorno in anticipo, consiste nell'implementare due diversi algoritmi di apprendimendo automatico, ovvero "Deep Neural Networks" e "Long Short Term Memory". Questi due algoritmi sono stati usati sia con un approccio "offline" che "online" ed i risultati sono stati poi comparati in modo da scegliere il modello più accurato. Lo stesso approccio di estrazione di "caratteristiche" applicato in precedenza è stato usato, seguito da un processo di selezione delle "caratteristiche" che ha ridotto significativamente il loro numero. Infine, tecniche di gestione della domanda sono stati implementate sul sistema condizionamento utilizzando tre tecniche differenti: Taglio del picco ("Peak clipping"), spostamento del carico ("load shifting") e autoconsumo. Queste strategia sono state simulate tenendo in considerazione i vincoli necessari per garantire il comfort termico degli occupanti e dunque i risultati sono stati valutati in termini di risparmio sia economico che energetico.