Optimizing Energy Efficiency in Savona Campus Microgrid using a Machine Learning based Day-Ahead Forecast.

Abstract

Nel panorama energetico contemporaneo, caratterizzato da un impegno globale per la sostenibilità, la gestione efficace e la previsione dei consumi energetici giocano ruoli cruciali nel raggiungimento degli obiettivi ambientali ed economici. Mentre le nazioni si sforzano di incontrarsi obiettivi di sviluppo sostenibile, l’ottimizzazione dell’uso dell’energia diventa imperativa. Questa tesi affronta queste sfide concentrandosi sulla previsione del carico e sulla gestione dell’energia nel contesto di una microrete del campus di Savona. In questa tesi è stato proposto il modello di previsione del profilo di carico basato sull'algoritmo NNR. IL Il processo di sviluppo ha comportato un'esplorazione dettagliata della correlazione tra il tempo informazioni e consumo di energia elettrica. Inoltre, i risultati della previsione del carico modello, ovvero i profili di carico previsti, sono stati successivamente utilizzati nel progetto Energy Modello di Management System (EMS) per gestire in modo ottimale i flussi di energia nel campus microrete. La valutazione completa del modello di previsione del profilo di carico in tutti i periodi produce risultati convincenti: un errore assoluto medio (MAE) di 9,63 kW, un coefficiente di Determinazione (R2) di 0,79 e errore percentuale assoluto medio (MAPE) del 9,02%. L’integrazione della previsione del carico nell’EMS dimostra un impatto economico significativo, con un risparmio medio del 17%, evidenziando i sostanziali vantaggi economici di incorporando la previsione del carico nei sistemi di gestione dell’energia. Questo lavoro contribuisce al dibattito più ampio sulle pratiche energetiche sostenibili, offrendo approfondimenti sull’importanza della previsione del carico e della gestione efficace dell’energia. IL I risultati forniscono un quadro prezioso per ottimizzare le operazioni della microrete, allineandosi con obiettivi di sostenibilità globale.

In the contemporary energy landscape, characterized by a global commitment to sustainability, the effective management and forecasting of energy consumption play pivotal roles in achieving environmental and economic goals. As nations strive to meet sustainable development targets, optimizing energy use becomes imperative. This thesis addresses these challenges by focusing on load forecasting and energy management within the context of a Savona campus microgrid. In this thesis, the NNR algorithm based load profile prediction model was proposed. The development process involved a detailed exploration of the correlation between weather information and electricity consumption. Furthermore, the outputs of the load forecasting model, namely the predicted load profiles, were subsequently utilized in the Energy Management System (EMS) model to optimally manage power flows in the campus microgrid. The comprehensive evaluation of the load profile prediction model across all periods yields compelling results: a Mean Absolute Error (MAE) of 9.63 kW, a Coefficient of Determination (R2) of 0.79, and a Mean Absolute Percentage Error (MAPE) of 9.02%. Integration of load forecasting into the EMS demonstrates a significant economic impact, with an average savings of 17%, highlighting the substantial financial advantages of incorporating load forecasting into energy management systems. This work contributes to the broader discuss on sustainable energy practices, offering insights into the significance of load forecasting and effective energy management. The findings provide a valuable framework for optimizing microgrid operations, aligning with global sustainability objectives.