Stochastic algorithm for the management of day-ahead market and real time operations of a residential aggregate

The last years have been characterized by an energy transition process that aims to reach carbon neutrality by 2050. The massive growth of power production from Renewable Energy Sources (RESs) and the progressive shut down of conventional power plants require a higher flexibility of the electricity network and a more decentralized scheme of production. In this context is fundamental to exploit Distributed Energy Resources (DERs) by enhancing Demand Response and consumers direct participation in all electricity markets through the Energy Communities or Aggregation. The purpose of this thesis is to study the benefits for the consumers, the energy provider and the grid, related to the use of an innovative handling strategy of a portfolio of residential users. This objective is obtained with the developing of a Python Mixed-Integer Linear Programming (MILP) tool that simulates the Day-Ahead Market strategy and the Real Time (RT) operation that an energy provider or an aggregator make. The users are equipped with a Photovoltaic (PV) system, an electric boiler and a battery. The DAM forecast is obtained using a stochastic approach based on real data. The stochastic optimization considers many possible scenarios of PV production and domestic load consumption. The scenarios are obtained by using a K-means approach coupled with Principal Component Analysis to reduce the computational time. The simulation is carried out in a time length of one year and three different case studies are considered: i) without batteries ii) maximization of individual Self-Consumption with batteries iii) Aggregation and maximization of collective self-consumption. The results of the optimization highlight pros and cons of each case study, but in general they show the capability of this algorithm to reduce the unbalances with respect to the baseline submitted on the DAM to maximize self-consumption, to reduce the cost for the energy provider and at the same time lowering the electricity bill for the users.

Gli ultimi anni sono stati caratterizzati da un processo di transizione energetica che mira a raggiungere la carbon neutrality entro il 2050. La massiccia crescita della produzione di energia da Fonti Energetiche Rinnovabili e la progressiva chiusura delle centrali convenzionali richiedono una maggiore flessibilità della rete elettrica e uno schema di produzione più decentralizzato. In questo contesto è fondamentale sfruttare le Risorse Energetiche Distribuite, migliorando la Demand Response e la partecipazione diretta dei consumatori a tutti i mercati dell'energia elettrica attraverso le Comunità Energetiche o l'Aggregazione. Lo scopo di questa tesi è di studiare i benefici - per i consumatori, per il fornitore di energia e la rete elettrica - legati all'utilizzo di una strategia di gestione innovativa di un portafoglio di utenti residenziali. Questo obiettivo è ottenuto tramite lo sviluppo di un codice Python che simula la strategia ottimale da adottare sul mercato del giorno prima e durante l'operazione in tempo reale da parte di un fornitore di energia o di un aggregatore. Gli utenti residenziali sono dotati di un impianto Fotovoltaico, di un boiler elettrico e di una batteria. La previsione DAM è ottenuta utilizzando un approccio stocastico basato su dati reali. L'ottimizzazione stocastica considera molti possibili scenari di produzione fotovoltaica e di consumo domestico. Gli scenari sono ottenuti utilizzando un approccio K-means accoppiato con l'Analisi delle Componenti Principali per ridurre il tempo di calcolo. La simulazione viene effettuata in un arco temporale di un anno e vengono presi in considerazione tre diversi casi studio: i) senza batterie ii) massimizzazione dell'autoconsumo individuale con batterie iii) aggregazione e massimizzazione dell'autoconsumo collettivo. I risultati dell'ottimizzazione evidenziano i pro e i contro di ogni caso di studio, ma in generale mostrano la capacità di questo algoritmo di ridurre lo sbilanciamento nel tempo reale rispetto alla baseline presentata sul mercato del giorno prima, di massimizzare l'autoconsumo, di ridurre il costo sostenuto dal fornitore di energia sul Mercato del Giorno Prima oltre a quello della bolletta elettrica degli utenti.