Development of an hybrid EMS for microgrids implementing both stochastic and AI methodologies

The increasing penetration of renewable energy sources and the emergence of distributed energy resources have fundamentally transformed power system operations, introducing significant uncertainties that traditional control approaches struggle to address effectively. This thesis investigates novel methodologies for enhancing Energy Management Systems through the integration of machine learning techniques within both deterministic and stochastic optimization frameworks. The research is structured in two main parts. The first part explores the enhancement of deterministic optimization approaches, introducing a hierarchical predictive control architecture for industrial multi-energy systems that combines day-ahead scheduling with real-time power balancing. This architecture is further improved through the development of cost-sensitive forecasting techniques that align prediction objectives with operational cost minimization. Case studies on an LNG facility and an airport microgrid demonstrate the effectiveness of the proposed control strategy in maintaining strict reliability standards while achieving significant cost reductions compared to traditional reactive control strategies. Additional case studies on electric vehicle charging facilities demonstrate how cost-sensitive loss functions can significantly improve system performance by better aligning forecasting objectives with operational costs, leading to more economically efficient operations and improved integration of renewable resources. The second part addresses the computational challenges of stochastic optimization in electricity market participation. A novel framework for integrating neural networks within mixed-integer programming models is developed, enabling efficient approximation of complex value functions while maintaining operational feasibility guarantees. This methodology is validated through extensive computational experiments on conventional and virtual power plants operations, showing substantial reductions in solution time while achieving near-optimal performance compared to traditional stochastic programming approaches. The thesis demonstrates that the integration of machine learning techniques with mathematical programming can significantly improve the practical implementation of advanced energy management strategies. The proposed methodologies provide a foundation for developing more efficient and reliable energy management systems capable of handling the increasing complexity and uncertainty in modern power systems.

La crescente diffusione delle fonti di energia rinnovabile e l’affermazione delle risorse energetiche distribuite hanno profondamente trasformato il funzionamento dei sistemi elettrici, introducendo livelli di incertezza che gli approcci di controllo tradizionali faticano a gestire in modo efficace. Questa tesi propone metodologie innovative per il potenziamento dei Sistemi di Gestione dell’Energia (Energy Management Systems), attraverso l’integrazione di tecniche di apprendimento automatico all’interno di framework di ottimizzazione sia deterministici che stocastici. Il lavoro di ricerca si articola in due sezioni principali. Nella prima parte, si esplora il miglioramento degli approcci di ottimizzazione deterministica, introducendo un’architettura gerarchica di controllo predittivo per sistemi industriali multi-energia. Questa architettura combina la pianificazione day-ahead con il bilanciamento della potenza in tempo reale, assicurando un coordinamento ottimale tra le diverse risorse energetiche. L’efficacia del sistema è ulteriormente incrementata attraverso lo sviluppo di tecniche di previsione sensibili ai costi, che consentono di allineare gli obiettivi predittivi con la minimizzazione dei costi operativi. Studi di caso condotti su un impianto di liquefazione del gas naturale (GNL) e su una microrete aeroportuale dimostrano come la strategia di controllo proposta sia in grado di garantire elevati standard di affidabilità, ottenendo al contempo significative riduzioni dei costi rispetto alle tradizionali strategie di controllo reattivo. Ulteriori applicazioni su infrastrutture di ricarica per veicoli elettrici evidenziano come l’impiego di funzioni di perdita sensibili ai costi migliori sensibilmente le prestazioni del sistema, favorendo una maggiore efficienza economica e una migliore integrazione delle fonti rinnovabili. La seconda parte della tesi affronta le sfide computazionali poste dall’ottimizzazione stocastica nel contesto della partecipazione ai mercati elettrici. A tal fine, viene sviluppato un innovativo framework che integra reti neurali all’interno di modelli di programmazione mista intera (mixed-integer programming), consentendo di approssimare in modo efficiente funzioni di valore complesse, pur mantenendo le garanzie di fattibilità operativa delle soluzioni. Tale metodologia è validata attraverso un’ampia serie di esperimenti computazionali, condotti su scenari di esercizio di impianti di generazione convenzionali e virtuali, dimostrando significative riduzioni dei tempi di calcolo, con prestazioni prossime all’ottimo rispetto agli approcci tradizionali di programmazione stocastica. I risultati conseguiti dimostrano come l’integrazione delle tecniche di apprendimento automatico con la programmazione matematica possa apportare miglioramenti sostanziali all’implementazione pratica di strategie avanzate di gestione dell’energia. Le metodologie sviluppate offrono un solido punto di partenza per la progettazione di sistemi di gestione dell’energia più efficienti, affidabili e capaci di affrontare la crescente complessità e incertezza che caratterizzano i moderni sistemi elettrici.