Mathematical modeling and energy optimization of a district heating system with machine learning

This thesis deals with the creation of artificial intelligence models for the optimization of energy management in a district heating production plant, commissioned by the host company MIPU. Machine learning models are employed throughout the work to identify the features of single components, such as thermal storages using random forest regression algorithm. For an accurate prediction of the energy demand for the following day, forecasting techniques have been tested, comparing different models: ARIMA, LSTM, and Ridge and Lasso regressions. A further comparison has then been explored between LSTM and Lasso models in the multistep forecasting horizon. The optimization of system configuration relies on an evolutive optimization algorithm, more precisely a genetic algorithm. Each individual identifies an hourly percentage of working of each asset of the plant, especially cogenerators and boilers status, ensuring the satisfaction of specific non-linear constraints through penalty method, in terms of heat storages loading process and hydraulic limits, asset availability, cogenerators operation, and thermal energy demand satisfaction. By managing difficult components of the system, such as cogenerators and heat storages, it also minimizes the operative costs of the plant, including gas, urea, maintenance and maximizing the gain from electricity selling and energy efficiency certificates. The output of the optimization process is therefore a table with 24 rows, representing the hours of the following day, and 7 columns, one for each asset of the system. Finally, an evaluation of the substitution of gas boilers with heat pumps is developed with a special focus on the case study.

In questo lavoro di tesi viene affrontata, tramite la creazione di sofisticati modelli di intelligenza artificiale, l'ottimizzazione energetica di un impianto di produzione di potenza per scopi di teleriscaldamento, commissionato dall'azienda MIPU, che ha reso possibile lo sviluppo di questo lavoro. Durante tutto lo sviluppo del progetto, sono stati sviluppati modelli di machine learning per i singoli componenti dell'impianto, come nel caso dei serbatoi di accumulo termico, modellizzati con l'algoritmo. Sono state analizzate diverse tecniche di previsione, per ottenere una stima della domanda termica per il giorno successivo, confrontando modelli quali ARIMA, LSTM e regressione Ridge e Lasso. I modelli LSTM e Lasso sono stati ulteriormente approfonditi e paragonati nell'ambito di previsione multistep, ottenendo un orizzonte di previsione che ricopra le 24 ore successive. L'ottimizzazione della configurazione d'impianto si basa su un algoritmo genetico. Ogni individuo è in grado di identificare su base oraria la percentuale di carico di ogni componente del sistema, in particolare di cogeneratori e caldaie. Utilizzando tecniche basate su penalità, l'ottimizzatore è in grado di garantire il rispetto di determinati vincoli, quali processo di carico e scarico di serbatoi, limite idraulico, disponibilità delle macchine, funzionamento dei cogeneratori e soddisfacimento della domanda termica. Oltre a gestire i componenti più difficili del sistema, ovvero cogeneratori e serbatoi, l'ottimizzatore è in grado di minimizzare i costi di funzionamento dell'impianto, in particolare relativi a gas, urea e manutenzione, e di massimizzare il guadagno dalla vendità dell'elettricità e dai certificati bianchi. Il risultato finale del processo di ottimizzazione è una tabella di 24 righe, corrispondenti alle ore del giorno successivo, e 7 colonne, una per ogni componente del sistema. Infine, viene analizzata la possibilità di sostituzione delle caldaie a gas con moderne pompe di calore, con particolare attenzione al caso in esame.