Application of optimized echo state neural network in energy industry : the cases of electric load forecasting and state of energy estimation

This thesis tries to tackle two critical issues nowadays in the energy industry: Short-Term Electricity Load Forecasting (STLF) and State of Energy (SOE) estimation of Electric Vehicle (EV) batteries. Electric load forecasting is of utmost importance for governments and power market participants for planning and monitoring load generation and consumption. Reliable STLF can guarantee market operators and participants to manage their operations correctly, securely, and effectively. On the other hand, the SOE is a fundamental challenging task for the Battery Management System (BMS) of EV batteries. It describes the battery’s remaining energetic reserve, which is a crucial parameter for the control strategy of EV. SOE can forecast the driving mileage and protect the battery by preventing over-discharge and saving energy. Both of these important issues are improved by artificial intelligence in this thesis. Two types of artificial neural networks namely, Feed-Forward Neural Network (FNN) and Echo State Network (ESN) have been used for STLF and SOE estimation. ESN’s simplicity and strength have room for improvement. Therefore, an optimization algorithm called the Whale Optimization Algorithm (WOA) has been used to improve ESN’s performance. WOA-ESN was used for STLF of the first case study, namely Puget power utility in North America. The forecasted performance metrics such as MAPE and MAE showed significant accuracy and reliability. Finally, WOA-ESN and FNN forecasting models in addition to direct and recursive approaches were performed on SOE estimation of the second case study, that is lithium-ion batteries related to Zhidou ZD2 EV. WOA-ESN model and recursive approach resulted in better accuracy measures in terms of MAE, RMSE, and EMAE.

Questo lavoro di tesi cerca di affrontare due questioni critiche al giorno d'oggi nel settore energetico: la previsione del carico di elettricità a breve termine (STLF) e la stima dello stato di energia (SOE) delle batterie dei veicoli elettrici (EV). La previsione del carico elettrico è della massima importanza per i governi e gli operatori del mercato energetico per la pianificazione e il monitoraggio della generazione e del consumo del carico. Una STLF affidabile può garantire agli operatori di mercato e agli altri attori di gestire le proprie operazioni in modo accurato, sicuro ed efficacie. D'altra parte, la SOE è un compito impegnativo fondamentale per il sistema di gestione della batteria (BMS) delle batterie dei veicoli elettrici. Indica la riserva energetica residua della batteria che è un parametro cruciale per la strategia di controllo di EV. SOE può prevedere il chilometraggio di guida e proteggere la batteria prevenendo lo scaricamento eccessivo e risparmiando energia. Entrambi questi importanti elementi vengono migliorati dall'intelligenza artificiale in questa tesi. Per la stima di STLF e SOE sono stati utilizzati due tipi di reti neurali artificiali, ovvero la Feed-Forward Neural Network (FNN) e la Echo State Network (ESN). La semplicità e la potenza di ESN hanno margini di miglioramento, pertanto è stato utilizzato un algoritmo di ottimizzazione chiamato Whale Optimization Algorithm (WOA) per migliorare le prestazioni di ESN. WOA-ESN è stato utilizzato per STLF del primo caso di studio, vale a dire, Puget power utility in Nord America. Le metriche delle prestazioni previste come MAPE e MAE hanno mostrato elevate accuratezza ed affidabilità. Infine, sono stati eseguiti sulla stima SOE del secondo caso di studio, ovvero le batterie agli ioni di litio relative a Zhidou ZD2 EV, i modelli di previsione WOA-ESN e FNN, oltre agli approcci diretti e ricorsivi. Il modello WOA-ESN e l'approccio ricorsivo hanno portato a misure di accuratezza migliori in termini di MAE, RMSE ed EMAE.