Data-driven flexible load aggregator for optimal planning in the injection manufacturing industry

In the framework of Smart-Grids and following the Demand-Response paradigm, in this thesis is proposed a methodology to obtain flexibility in the energy consumption of a company in the plastic sector given some modifications on the production schedule. It is proposed a fully data-driven approach divided in three main phases. The first one, it is performed a data-exploration to understand which type of data is available and how can be related the production and the energy consumption. In the second phase, there are proposed some data-driven models, such as Non-linear Auto-regressive Neural Networks to model the loads. In the last phase, it is proposed a methodology to design the aggregator based on Model Predictive Control, composed by a system that forecast different alternatives, evaluate them and selects the next optimal input, by means of Random Search and Exhaustive Search algorithms. Finally, the results obtained in this work shows that is possible to adjust the production as a function of the energy price without compromising the performance. In fact, it was verified that with the optimal scheduling proposed, it is possible to reduce energy consumption costs and reduce delays in the delivery significantly, compared with the baseline of the actual production in 2020.

Nell'ambito delle reti elettiche intelligenti e seguendo il paradigma Demand-Response, in questa tesi viene proposta una metodologia per ottenere flessibilità nei consumi energetici di un'azienda nel settore della industria plastica, date alcune modifiche sul programma di produzione. Si propone un approccio completamente basato sui dati suddiviso in tre fasi principali. Nella prima, viene eseguita una esplorazione dei dati per capire quali tipi di dati sono disponibili e come possono essere correlati la produzione ed il consumo di energia. Nella seconda fase vengono proposti alcuni modelli basati sui dati, come le reti neurali autoregressive per modellare i carichi. Nell'ultima fase viene proposta una metodologia per progettare l'aggregatore basata sul Model Predictive Control, composto da un sistema che prevede diverse alternative, le valuta e seleziona l'input ottimale successivo, mediante algoritmi di Random Search e di Exhaustive Search. Infine, i risultati ottenuti in questo lavoro mostrano che è possibile adeguare la produzione in funzione del prezzo dell'energia senza compromettere le prestazioni. È stato infatti verificato che con la programmazione ottimale proposta, è possibile ridurre i costi di consumo energetico e ridurre significativamente i ritardi nella consegna, rispetto alla linea di base della produzione effettiva nel 2020.