Optimization of energy management and power grid operation using non-intrusive load monitoring techniques

Abstract

The scope of this doctoral dissertation focuses on leveraging residential smart meter data for appliance-level disaggregation through non-intrusive load monitoring (NILM) and developing a range of home energy management and grid-support applications. Initially, a scalable and real-time NILM system that exploits turn-on transient responses sampled at 100 Hz is introduced. An event detection algorithm automatically identifies appliance activation events and captures the corresponding transient responses in real time. Appliance classification is performed through a combination of a convolutional neural network and a k-nearest neighbor classifier. The system can incorporate new appliances with only a single recorded turn-on transient, eliminating the need for large labeled datasets and training new models. Its performance is validated on a real-world dataset comprising eight distinct appliance types. Moreover, a holistic NILM-assisted home energy management system (HEMS) is developed to optimize day-ahead residential energy demand from a multi-objective perspective. The system incorporates photovoltaic (PV) panels, a battery energy storage (BES) system, multiple heating and cooling units, an electric vehicle (EV), and other flexible appliances. A NILM module is used to disaggregate the energy consumption of flexible appliances and infer end-user preferences. Using this information, an optimization module coordinates flexible loads, heating units, and the BES system to simultaneously reduce energy costs, alleviate EV range anxiety, minimize stress on the distribution network, and lower CO2 emissions, all while maintaining thermal comfort and respecting end-user habits. The approach is validated on three publicly available datasets to assess generalization under diverse conditions through scenario-based analyses spanning an entire year, with performance benchmarked against baseline strategies. In addition, a methodology is proposed that leverages NILM for real-time grid monitoring and operational support. A deep learning model is employed to detect residential EV charging activity in near real time. In the event of critical network conditions, distribution system operators can utilize these insights to identify households located near affected nodes and request them to shift EV charging to off-peak periods, thereby alleviating the issue. The effectiveness of this approach is evaluated through a test scenario simulating undervoltage and line congestion in a low-voltage test feeder with integrated residential end-users and PV parks. Finally, a fully data-driven framework is proposed that harnesses residential flexibility to support distribution network operation and enhance end-user comfort. The framework adopts a hierarchical architecture operating at both grid and household levels to schedule the day-ahead operation of flexible assets. It combines NILM techniques with forecasting models to predict next-day energy consumption patterns of various assets. At the grid level, dynamic operating envelopes (OEs) are employed to secure network voltages, employing model-free voltage calculations. At the household level, a HEMS schedules and coordinates flexible assets to minimize electricity costs, lower CO2 emissions, enhance thermal comfort, and reduce EV range anxiety, all while adhering to the OEs. The framework is evaluated through a year-long simulation using real smart meter data mapped to a low-voltage test feeder, with performance benchmarked against baseline and topology-based strategies.

Σκοπός της παρούσας διδακτορικής διατριβής είναι η αξιοποίηση δεδομένων έξυπνων μετρητών σε επίπεδο κατοικίας για την εκτίμηση της ενεργειακής κατανάλωσης επιμέρους συσκευών μέσω συστημάτων μη παρεμβατικής παρακολούθησης ηλεκτρικών φορτίων (ΜΠΠΗΦ) και την ανάπτυξη εφαρμογών για τη διαχείριση της οικιακής ενέργειας και την υποστήριξη του δικτύου. Αρχικά, παρουσιάζεται ένα σύστημα ΜΠΠΗΦ, ικανό να αναγνωρίζει τη λειτουργία συσκευών σε πραγματικό χρόνο, αξιοποιώντας τα μεταβατικά σήματα κατά την ενεργοποίηση συσκευών, δειγματοληπτημένα στα 100 Hz. Ένας αλγόριθμος ανίχνευσης συμβάντων εντοπίζει αυτόματα τα σημεία ενεργοποίησης συσκευών και εξάγει τα αντίστοιχα μεταβατικά σήματα σε πραγματικό χρόνο. Η αναγνώριση των συσκευών πραγματοποιείται μέσω συνδυασμού ενός συνελικτικού νευρωνικού δικτύου και ενός ταξινομητή k-πλησιέστερων γειτόνων. Το σύστημα μπορεί να αναγνωρίσει νέες συσκευές χρησιμοποιώντας μόνο ένα μεταβατικό σήμα ενεργοποίησης, εξαλείφοντας την ανάγκη για εκτενή σύνολα δεδομένων και την εκπαίδευση νέων μοντέλων. Η απόδοσή του αξιολογείται σε ένα σύνολο πραγματικών δεδομένων που περιλαμβάνει οκτώ διαφορετικούς τύπους συσκευών. Επιπλέον, αναπτύσσεται ένα ολιστικό σύστημα διαχείρισης οικιακής ενέργειας (ΣΔΟΕ) με ενσωματωμένη τεχνολογία ΜΠΠΗΦ που έχει ως στόχο τη βελτιστοποίηση της ημερήσιας οικιακής ζήτησης ενέργειας βάσει μιας πολυκριτηριακής προσέγγισης. Το σύστημα ενσωματώνει φωτοβολταϊκά, μονάδα αποθήκευσης ενέργειας, μονάδες θέρμανσης και ψύξης, ηλεκτρικό όχημα και άλλες ευέλικτες συσκευές. Μία μονάδα ΜΠΠΗΦ υπολογίζει την κατανάλωση ενέργειας των ευέλικτων συσκευών και εξάγει τις συνήθειες του τελικού χρήστη. Με βάση αυτές τις πληροφορίες, μια μονάδα βελτιστοποίησης προγραμματίζει τα ευέλικτα φορτία και συντονίζει τη λειτουργία των μονάδων θέρμανσης και της μονάδας αποθήκευσης ενέργειας, ώστε να μειώσει το κόστος ενέργειας, να εξασφαλίσει την αυτονομία του ηλεκτρικού οχήματος, να μειώσει την καταπόνηση του δικτύου και τις εκπομπές CO2, διατηρώντας ταυτόχρονα τη θερμική άνεση και σεβόμενη τις συνήθειες του χρήστη. Το σύστημα αξιολογείται χρησιμοποιώντας τρία διαθέσιμα σύνολα δεδομένων για την εκτίμηση της ικανότητας γενίκευσής του σε διαφορετικές συνθήκες, μέσω σεναρίων που εκτείνονται σε ορίζοντα ενός έτους, ενώ η απόδοσή του συγκρίνεται με συμβατικά ΣΔΟΕ. Ακολούθως, προτείνεται μια μεθοδολογία που αξιοποιεί ένα σύστημα ΜΠΠΗΦ για την παρακολούθηση και την υποστήριξη του δικτύου σε πραγματικό χρόνο. Ένα μοντέλο βαθιάς μάθησης χρησιμοποιείται για την ανίχνευση δραστηριότητας φόρτισης ηλεκτρικών οχημάτων σε σχεδόν πραγματικό χρόνο. Σε περίπτωση κρίσιμων συνθηκών του δικτύου, ο διαχειριστής του δικτύου διανομής μπορεί να χρησιμοποιήσει αυτές τις πληροφορίες για να εντοπίσει καταναλωτές που βρίσκονται κοντά στους ζυγούς του δικτύου που επηρεάζονται περισσότερο και να τους ζητήσει να μετατοπίσουν τη φόρτιση του οχήματος σε ώρες χαμηλής ζήτησης. Η αποτελεσματικότητα της μεθοδολογίας αξιολογείται μέσω ενός σεναρίου που προσομοιώνει φαινόμενα υποτάσεως και συμφόρησης γραμμών σε πρότυπο δίκτυο διανομής, το οποίο ενσωματώνει οικιακούς καταναλωτές και φωτοβολταϊκά πάρκα. Τέλος, προτείνεται ένα πλαίσιο βασισμένο αποκλειστικά σε δεδομένα που αξιοποιεί την οικιακή ευελιξία για την υποστήριξη της λειτουργίας του δικτύου διανομής και τη βελτίωση της άνεσης των τελικών χρηστών. Το πλαίσιο υιοθετεί μια ιεραρχική αρχιτεκτονική, η οποία λειτουργεί τόσο σε επίπεδο δικτύου όσο και σε επίπεδο νοικοκυριού, προγραμματίζοντας τη λειτουργία των ευέλικτων φορτίων για την επόμενη ημέρα. Η προτεινόμενη προσέγγιση συνδυάζει τεχνικές ΜΠΠΗΦ με μοντέλα πρόβλεψης για την εκτίμηση της κατανάλωσης διαφόρων φορτίων. Σε επίπεδο δικτύου, δυναμικά όρια λειτουργίας υπολογίζονται για τους τελικούς καταναλωτές με στόχο την αποφυγή παραβίασης των ορίων τάσης, αξιοποιώντας μεθόδους υπολογισμού τάσης που δεν βασίζονται σε αναλυτικό μαθηματικό μοντέλο. Σε επίπεδο νοικοκυριού, ένα ΣΔΟΕ συντονίζει τη λειτουργία των ευέλικτων φορτίων ώστε να μειώνει το κόστος ηλεκτρικής ενέργειας και τις εκπομπές CO2, να βελτιώνει τη θερμική άνεση και να φορτίζει το όχημα με βάση τις προτιμήσεις του χρήστη, τηρώντας ταυτόχρονα τα δυναμικά όρια λειτουργίας. Η αξιολόγηση πραγματοποιείται μέσω προσομοίωσης σε ετήσιο ορίζοντα, χρησιμοποιώντας πραγματικά δεδομένα έξυπνων μετρητών κι ένα πρότυπο δίκτυο διανομής, ενώ η απόδοσή του συγκρίνεται με συμβατικά συστήματα και μεθόδους που προϋποθέτουν γνώση της τοπολογίας του δικτύου.