Applying Residential demand response: an easy-to-adopt approach to encourage implementation in Italy

This thesis investigates the practical implementation of a residential Demand Response (DR) strategy, focusing on Real-Time Price (RTP) forecasting and optimal appliance scheduling. While DR research is abundant, practical approaches are limited, leading to low DR implementation. The Italian market is a relevant example, having vast DR potential but limited actual implementation. Given these gaps, the study proposes a practical and easy-to-adopt approach relying on accurate RTP prediction and user-convenient appliance scheduling, able to bring DR to a wider audience. A primary objective of this research is to demonstrate the viability of a Long Short-Term Memory (LSTM) prediction model as an effective tool for forecasting RTP, surpassing traditional ARIMA models, despite using a single input feature. The superior performance of LSTM neural networks in learning from past price patterns contributes to enhancing the efficiency of the DR strategy. A further significant aspect of this study is the introduction of a plain Integer Linear Programming model for appliance scheduling. This model, designed to work within the computational limits of a residential smart meter, leverages user-defined constraints to ensure optimal appliance operation without causing user discomfort. The user-friendly nature of this model makes it a realistic and practical solution for real-world DR applications. According to the findings, the study demonstrates the effectiveness of the proposed DR strategy, achieving substantial electricity cost savings. A key advantage of the strategy is its localized nature, eliminating the need for demand response aggregators and mitigating network investment needs. This feature, along with the protection of consumer privacy, contributes to making the proposed approach an appealing solution for the Italian residential sector, hence encouraging the adoption of DR strategies. The study also acknowledges the limitations inherent in the adopted approach, such as the dependence on accurate price predictions and the simplification of the scheduling algorithm, offering avenues for future research to refine the strategy further.

Questa tesi studia l'implementazione pratica di una strategia di Demand Response (DR) in ambito residenziale, concentrandosi sulla previsione dei prezzi orari dell’energia elettrica e sullo scheduling ottimale degli elettrodomestici. Mentre la ricerca sulla DR è abbondante, gli approcci pratici sono limitati, il che porta a una scarsa implementazione reale. Il mercato italiano è un esempio rilevante, con un vasto potenziale di DR, ma una limitata implementazione effettiva. Alla luce di queste lacune, lo studio propone un approccio pratico e di facile adozione in grado di portare la DR a un pubblico più ampio. Un obiettivo primario di questa ricerca è dimostrare la fattibilità di un modello di previsione dei prezzi basato su reti neurali Long Short-Term Memory (LSTM) che fa utilizzo di una sola input feature. Le elevate prestazioni delle LSTM nell'apprendere dai dati contribuiscono a migliorare l'efficienza della strategia di DR. Un altro aspetto significativo dello studio è l'introduzione di un modello di programmazione lineare intera per la pianificazione dell'utilizzo degli elettrodomestici. Questo modello, semplificato per essere realisticamente applicabile, è progettato per funzionare all'interno dei limiti computazionali di un contatore domestico smart e sfrutta i vincoli definiti dall'utente per garantire il funzionamento ottimale dei sistemi elettrici. Sulla base dei risultati ottenuti, lo studio dimostra l'efficacia della strategia proposta, che consente di ottenere notevoli risparmi sui costi dell'elettricità. Un vantaggio dell’approccio è la sua natura localizzata, che elimina la necessità di aggregatori della domanda e riduce i requisiti di investimento sulla rete elettrica. Questo, insieme alla cura della privacy dei consumatori, contribuisce a rendere l'approccio proposto una soluzione interessante per il settore residenziale italiano, incoraggiando così l'adozione di strategie di DR. Lo studio riconosce anche i limiti insiti nell'approccio creato, come la dipendenza da previsioni accurate dei prezzi e la semplificazione dell'algoritmo di schedulazione, offrendo spunti di ricerca futuri per un ulteriore perfezionamento.