A comparative study of optimization algorithms for energy communities with a focus on privacy preservation

To meet the EU's 2030 climate targets, energy communities are considered a promising model for enhancing local renewable energy management. Centralized Home Energy Management Systems (HEMSs) have demonstrated significant potential in improving energy sharing between prosumers. However, centralized schemes raise privacy concerns, due to potential user profiling, which could hinder their acceptance. To address this, decentralized alternatives that improve energy sharing while preserving privacy are needed, possibly leveraging open-source home automation solutions. This work proposes and compares four different optimization algorithms for implementation in a HEMS. Two of these algorithms are designed for application in energy communities, while the other two serve as benchmarks representing existing technologies. The focus of this research is to preserve user privacy, with one of the algorithms employing a hybrid approach: a genetic algorithm for central optimization combined with local linear optimization performed by prosumers themselves. The results show that, while the centralized approach, ideally with a full knowledge of household devices and consumptions, could achieve the greatest cost reduction for the community, the proposed hybrid approach offers a favorable trade-off, reducing costs compared to benchmark models while preserving end-user privacy, making it more acceptable to users. This balance between cost reduction and privacy protection suggests that the hybrid approach could be a practical solution for real-world energy communities, offering potential economic and environmental benefits by enhancing renewable energy utilization and local energy sharing.

Per raggiungere gli obiettivi climatici dell'UE per il 2030, le comunità energetiche sono considerate un modello promettente per migliorare la gestione locale di energia rinnovabile. I sistemi HEMS (Home Energy Management System) centralizzati hanno dimostrato un potenziale notevole nel migliorare la condivisione dell'energia tra i prosumer. Tali sistemi, tuttavia, sollevano preoccupazioni riguardanti la privacy, a causa del potenziale rischio di profilazione degli utenti, riducendo dunque l’accettazione di tali tecnologie. Per affrontare questa problematica, è necessario introdurre approcci alternativi che migliorino la condivisione dell'energia preservando la privacy, possibilmente sfruttando soluzioni di automazione domestica open-source. Questo lavoro di tesi propone e confronta quattro diversi algoritmi di ottimizzazione da implementare in un HEMS. Due di questi algoritmi sono concepiti per essere applicati nel contesto delle comunità energetiche, mentre i restanti servono come benchmark rappresentativi delle tecnologie esistenti. L'obiettivo principale è preservare la privacy degli utenti. Per questo motivo, uno degli algoritmi utilizza un approccio ibrido: un algoritmo genetico per l'ottimizzazione centralizzata combinato con l'ottimizzazione di un problema linearizzato effettuata localmente dai prosumer stessi. I risultati mostrano che, sebbene l'approccio centralizzato, avente una conoscenza idealmente completa dei dispositivi presenti e dei relativi consumi, possa ottenere la maggiore riduzione dei costi, l'approccio ibrido proposto rappresenta un buon compromesso, riducendo i costi rispetto ai modelli di riferimento e preservando la privacy degli utenti finali. Questo equilibrio tra riduzione dei costi e protezione della privacy suggerisce che l'approccio ibrido potrebbe essere una soluzione pratica per le comunità energetiche in un caso reale, offrendo potenziali benefici economici e ambientali attraverso un maggiore utilizzo di energia rinnovabile e la condivisione locale dell'energia.