Διαμόρφωση τυπικών καμπυλών ηλεκτρικού φορτίου και εφαρμογή σε θέματα πρόβλεψης φορτίου και απόκρισης της ζήτησης

Abstract

Due to the continually changing scene in the planning and operation of electrical energy systems there is a need for the efficient treatment of many issues, for example the large increase of the demand, the optimal management of generation capacity, the effect of the power sector in the environment and others. Considerable part of the electrical energy systems related research recognizes the important role of the consumer in the new arising scene. Under this approach, the research community seeks for tools for the characterization of the energy patterns of the various consumer types. The clustering of the patterns is a first step for their characterization. The main scope of the present doctoral dissertation is the development of a model for the clustering of the energy pattern of various consumers. The clustering is formulated as an exclusively unsupervised machine learning problem. The patterns are distinguished based on the level of similarity they present, where external information about the optimal number of clusters is absent. A comparative analysis of all clustering algorithms that have been proposed in the literature takes place. High efficient algorithms that already used in other problems are proposed and new algorithms that improve the operation of existing ones are developed. The comparative analysis considers all the validity indicators of the algorithms. New indicators are examined, alternative forms of the existing indicators are recommended and new criteria for the algorithm comparisons are also recommended. Moreover, all the representation techniques of the literature via the load curves are expressed and examined and a new technique is recommended. Finally, methods for the reduction of the amount of the data are recommended. Next, the problem of the short-term bus load forecasting is treated through the context of the load curves clustering. The forecast refers to the extraction of the next day load curve or the next hour load. Models based on artificial neural networks are developed and hybrid models that combine neural networks and the clustering of loads. Additionally, the application of clustering in the formulation of dynamic tariffs is investigated. Dynamic pricing is a fundamental pillar of demand response. In the present dissertation the application of demand response measures is done through a retailer, where the objective is to maximize the profitability in a deregulated market environment. The retailer`s actions in the market are simulated via a model which simulate the demand response of the consumers to the dynamic tariffs, identifies the optimal procurement mechanism for serving the load and examines the influence of various factors in the profitability.

Λόγω του συνεχώς μεταβαλλόμενου τοπίου στο σχεδιασμό και τη λειτουργία του Συστήματος Ηλεκτρικής Ενέργειας προκύπτει η ανάγκη για την αποδοτική διευθέτηση πολλών ζητημάτων, όπως η αύξηση της ζήτησης, η βέλτιστη διαχείριση του παραγωγικού δυναμικού, η επίδραση του τομέα της ηλεκτροπαραγωγής στο περιβάλλον και άλλα. Σημαντικό μέρος της έρευνας στα Συστήματα Ηλεκτρικής Ενέργειας επικεντρώνεται στο ρόλο του καταναλωτή στο νέο αναδυόμενο σκηνικό. Υπό αυτή τη θεώρηση, η ερευνητική κοινότητα αναζητάει εργαλεία για το χαρακτηρισμό των ενεργειακών προτύπων των διάφορων τύπων των καταναλωτών. Η συσταδοποίηση των προτύπων αποτελεί ένα πρώτο βήμα για το χαρακτηρισμό τους. Κύριος στόχος της παρούσας διατριβής αποτελεί η ανάπτυξη ενός μοντέλου συσταδοποίησης των ενεργειακών προτύπων διάφορων καταναλωτών. Η συσταδοποίηση διαμορφώνεται ως ένα πρόβλημα μη επιβλεπόμενης μηχανικής μάθησης. Τα πρότυπα διαχωρίζονται με βάση το βαθμό ομοιότητας που παρουσιάζουν, χωρίς προγενέστερη πληροφορία για το βέλτιστο αριθμό συστάδων. Υλοποιείται μια συστηματική διερεύνηση του συνόλου των αλγορίθμων συσταδοποίησης που έχουν προταθεί στη βιβλιογραφία. Προτείνονται αλγόριθμοι υψηλής απόδοσης που έχουν εφαρμοστεί σε άλλα προβλήματα και αναπτύσσονται νέοι αλγόριθμοι που βελτιώνουν τη λειτουργία υπαρχόντων. Η συγκριτική ανάλυση των αλγορίθμων περιλαμβάνει το σύνολο των δεικτών αξιολόγησης των αλγορίθμων. Εξετάζονται νέοι δείκτες, προτείνονται εναλλακτικές μορφές των υπαρχόντων και προτείνονται νέα κριτήρια για την ανάδειξη των αποδοτικότερων αλγορίθμων. Επιπλέον, εξετάζεται το σύνολο των τεχνικών αντιπροσώπευσης μέσω των οποίων εκφράζονται οι καμπύλες φορτίου και προτείνεται νέα τεχνική. Τέλος, προτείνονται μέθοδοι για τη μείωση της ποσότητας των δεδομένων. Στη συνέχεια, αντιμετωπίζεται ως ειδική εφαρμογή, το θέμα της βραχυπρόθεσμης πρόβλεψης φορτίων ζυγών με εφαρμογή της συσταδοποίησης των καμπυλών φορτίου. Η πρόβλεψη αναφέρεται στην εξαγωγή της καμπύλης της επόμενης ημέρας ή του φορτίου της επόμενης ώρας. Αναπτύσσονται μοντέλα πρόβλεψης που περιλαμβάνουν τεχνητά νευρωνικά δίκτυα και υβριδικά μοντέλα που συνδυάζουν τα νευρωνικά δίκτυα και τη διαδικασία της συσταδοποίησης των φορτίων. Επιπρόσθετα, γίνεται διερεύνηση της συσταδοποίησης στη διαμόρφωση δυναμικών τιμολογίων της ηλεκτρικής ενέργειας. Η δυναμική τιμολόγηση αποτελεί βασικό άξονα της απόκρισης της ζήτησης. Στη παρούσα διατριβή η εφαρμογή μέτρων απόκρισης της ζήτησης γίνεται από ένα προμηθευτή, με απώτερο στόχο τη μεγιστοποίηση της κερδοφορίας σε περιβάλλον ανταγωνιστικής αγοράς. Οι ενέργειες του προμηθευτή μέσα στην αγορά προσομοιώνονται μέσω ενός μοντέλου που εξομοιώνει την απόκριση της ζήτησης των καταναλωτών στα δυναμικά τιμολόγια, προσδιορίζει το βέλτιστο μηχανισμό κάλυψης του φορτίου και εξετάζει την επίδραση διάφορων παραγόντων στην κερδοφορία.