Real-time demand response scheduling based on customized online learning of customers considering uncertainty.
| dc.contributor.advisor | Sbárbaro Hofer, Daniel | en |
| dc.contributor.advisor | García Santander, Luis | es |
| dc.contributor.author | Marrero Rodríguez, Lester Julio | es |
| dc.date.accessioned | 2024-04-18T13:23:33Z | |
| dc.date.accessioned | 2024-08-28T21:33:23Z | |
| dc.date.available | 2024-04-18T13:23:33Z | |
| dc.date.available | 2024-08-28T21:33:23Z | |
| dc.date.issued | 2024 | |
| dc.description | Tesis presentada para optar al grado de Doctor en Ciencias de la Ingeniería con mención en Ingeniería Eléctrica | es |
| dc.description.abstract | Chilean commercial, public, and residential sector consume 35 % of the electrical energy in the country. Given the continuous economic growth of society, this percentage will increase gradually, as expected. However, Chile has also made efforts to transition towards power decarbonization, in line with the global context that seeks to reduce its carbon footprint. Distribution grids are a complex infrastructure and, within this scenario, are reaching an intelligent configuration. As a result of this transformation, the proportion of renewable energy sources (RESs) is constantly increasing, and advanced metering systems are playing an essential role in recording electricity data to provide insights into customers’ behavior and corresponding lifestyles. Conditioned by the gradual deregulation of the distribution sector, new market agents are participating in the electricity market, making customers’ service more active and competitive. Therefore, integrating renewable capacity by exploiting the operational flexibility that can arrive from scheduling demand is vital in the current distribution system. Efficient scheduling can also help to decouple economic growth from energy consumption. However, both renewable production and demand exhibit a stochastic behavior, which leads to an increase in uncertainty due to forecast errors in generation and deviations in demand in real-time. This uncertainty jeopardizes the safe operation of the distribution system. This thesis focuses on real-time demand response (DR) scheduling based on customized online learning of customers’ behavior considering uncertainty. First, the thesis proposes an online framework to characterize demand response (DR) over time. The approach facilitates obtaining and updating the daily consumption patterns of customers. The essential concept of response profile class (RPC) is introduced for characterization, complemented by the measure of the variability in customer behavior. For daily profiles, the work uses a modified version of the incremental clustering by fast search and find of density peaks (CFSFDP) algorithm that considers the multivariate normal kernel density estimator and incremental forms of the Davies-Bouldin and Xie-Beni validity indices. Case studies conducted using real-world and simulated daily profiles of residential and commercial Chilean endusers demonstrate how the proposed approach can continuously characterize DR. Results prove that the presented framework achieves realistic customer models for effective energy management by estimating customer response to the price signal at the distribution system operator (DSO) level. Second, the thesis proposes an online framework for scheduling customers’ power responses to support integrating photovoltaic (PV) generation into the distribution system. The approach helps the management of demand flexibilities by providing optimal control prices in real-time. A bi-level optimization model is used to model interactions between the DSO in the upper level, which seeks to maximize the profit, and customers in the lower level, who reduce their electricity bills. In addition, to obtain the RPCs of customers, a characterization stage is introduced by applying the CFSFDP algorithm to daily profiles. The pricing problem, however, is highly challenging since the DSO also requires ensuring the reliable operation of the distribution grid and dealing with uncertainties in consumption and renewable production. Accordingly, the work includes and reformulates chance constraints (CCs) for squared nodal voltage and complex power flow in lines. The CC bi-level problem converts to an equivalent mixed-integer second-order cone programming problem, embedded into a model predictive control to exploit newly available information of the system states. A case study using real-world local market prices and daily profiles of residential and commercial Chilean end-users on the IEEE-37 node test distribution feeder demonstrates how the proposed framework can schedule DR considering uncertainty. Third, for optimal scheduling of other distribution-level energy resources, the previous framework is expanded by including dispatchable inverters of PV facilities. The approach also addresses uncertainty in the distribution system modeling by incorporating, in addition to the above, CCs for the apparent power of PV inverters. A case study with real-world local market prices and daily profiles of Chilean residential and commercial end-users on the IEEE-37 node test distribution feeder demonstrates how the presented framework enables optimal real-time scheduling of customers and PV facilities. The investigation has significant implications both technically, by enhancing the efficiency and reliability of the distribution system, and economically, by generating financial benefits for market players. Furthermore, its methodology is applicable and suitable to meet the practical requirements of Chilean society. | en |
| dc.description.abstract | En Chile, el 35 % del consumo de energía eléctrica se debe al sector comercial, público y residencial. Es esperado que este valor aumente sucesivamente dado el continuo desarrollo económico de la sociedad. Por otro lado, el país se encuentra desde hace algunos años inmerso en un proceso de transición marcado por un contexto internacional que busca la descarbonización de la matriz energética, para disminuir con ello la huella de carbono. Los sistemas eléctricos, y en particular las redes de distribución constituyen una infraestructura muy compleja, y en medio de esta panorámica están adquiriendo una configuración de red inteligente. En la medida de esta transformación, la proporción de fuentes de energía renovable, esencial para el futuro energético sostenible, crece constantemente. Los sistemas de medición inteligente, además, están desempeñando un papel vital al registrar datos de consumo que proporcionan información sobre el comportamiento y estilos de vida de los clientes. Condicionado por la gradual desregulación del segmento de distribución, nuevos actores toman parte también en el mercado de electricidad y el servicio al cliente se hace más activo y competitivo. Por consiguiente, la integración de la creciente capacidad renovable mediante la explotación de la flexibilidad de operación que puede obtenerse a partir de la programación de la demanda resulta un pilar básico en la red de distribución actual. Una programación eficiente garantiza además el desacople entre el crecimiento económico y el consumo de energía. Sin embargo, una propiedad inherente tanto de la generación renovable como de la demanda es su comportamiento estocástico. Por tanto, el aumento de la incertidumbre a partir de errores de pronóstico en la generación y desviaciones de la demanda en tiempo real compromete la operación segura del sistema. Esta tesis tiene como objetivo la programación de la respuesta de la demanda (DR) en tiempo real a partir del aprendizaje en línea personalizado de los clientes considerando la incertidumbre. La primera parte de la tesis propone una metodología en línea para caracterizar en el tiempo la DR. El enfoque facilita la obtención y actualización de los patrones diarios de consumo de los clientes. Para la caracterización, se introduce el concepto esencial de clase de perfil de respuesta (RPC), complementado con la medida de la variabilidad en el comportamiento del cliente. El trabajo utiliza para los perfiles diarios una versión modificada del algoritmo incremental clustering by fast search and find of density peaks (CFSFDP) que considera el estimador de densidad kernel normal multivariante y formas incrementales de los índices de validación Davies-Bouldin y Xie-Beni. Se presentan estudios de caso que demuestran cómo el enfoque propuesto permite caracterizar continuamente la DR empleando perfiles diarios reales y simulados de clientes residenciales y comerciales del sur de Chile. Los resultados prueban que la metodología logra modelos de clientes realistas para una gestión eficaz de la energía al estimar la respuesta de estos a una señal de precio a nivel del operador del sistema de distribución (DSO). La segunda parte de la tesis propone una metodología en línea para programar las respuestas de demanda de los clientes y favorecer la integración de la generación fotovoltaica en el sistema de distribución. El enfoque propuesto contribuye a la gestión de la flexibilidad de la demanda al proporcionar precios de control óptimos en tiempo real. Se utiliza un modelo de optimización de dos niveles para modelar las interacciones entre el DSO en el nivel superior, que persigue maximizar su ganancia, y los clientes en el nivel inferior, que buscan reducir sus facturas de electricidad. Para obtener las RPC de los clientes, se introduce una etapa de caracterización aplicando el algoritmo CFSFDP a los perfiles diarios. Sin embargo, la generación de precios de control plantea un gran desafío, ya que el DSO requiere garantizar también la operación confiable de la red y abordar la incertidumbre en el consumo y la producción renovable. En consecuencia, el trabajo incluye y reformula restricciones probabilísticas para el voltaje cuadrático en nodos y el flujo de potencia complejo en líneas. El problema de dos niveles con restricciones probabilísticas se transforma en un problema equivalente de programación de cono de segundo orden entera mixta, embebido en un modelo de control predictivo para explotar información disponible de los estados del sistema. Un estudio de caso que emplea precios locales y perfiles diarios de los clientes chilenos residenciales y comerciales en el alimentador de prueba de 37 nodos de IEEE demuestra cómo el enfoque permite programar la DR en tiempo real, considerando la incertidumbre en el voltaje en nodos y el flujo de potencia en líneas. En la tercera parte de la tesis, para abordar la programación óptima de otros recursos de energía a nivel de sistema de distribución, se expande el análisis de la segunda parte considerando el control de los inversores de las instalaciones fotovoltaicas. Un nuevo estudio de caso con precios locales y perfiles diarios de los clientes chilenos residenciales y comerciales en el alimentador de prueba de 37 nodos de IEEE demuestra cómo el enfoque presentado permite la programación óptima en tiempo real tanto de los clientes como de las instalaciones fotovoltaicas, incluyendo, además de la incertidumbre previa, la correspondiente a la potencia aparente de los inversores. La investigación desarrollada tiene gran importancia tanto desde el punto de vista técnico, al propiciar una operación más eficiente y confiable del sistema de distribución, como económico, con ganancias financieras para los participantes del mercado. La misma es aplicable según su metodología y se ajusta a la exigencia práctica para la sociedad chilena. | es |
| dc.description.campus | Concepción | es |
| dc.description.departamento | Departamento de Ingeniería Eléctrica | es |
| dc.description.facultad | Facultad de Ingeniería | es |
| dc.identifier.uri | https://repositorio.udec.cl/handle/11594/12103 | |
| dc.language.iso | en | es |
| dc.publisher | Universidad de Concepción | es |
| dc.rights | CC BY-NC-ND 4.0 DEED Attribution-NonCommercial-NoDerivs 4.0 International | en |
| dc.rights.uri | https://creativecommons.org/licenses/by-nc-nd/4.0/ | en |
| dc.subject | Energía eléctrica | es |
| dc.subject | Distribución (Análisis funcional) | es |
| dc.title | Real-time demand response scheduling based on customized online learning of customers considering uncertainty. | es |
| dc.type | Tesis | es |