Compartir
Titel
Effective demand response gathering and deployment in smart grids for intensive renewable integration using aggregation and machine learning
Autor(es)
Director(es)
Schlagwort
Tesis y disertaciones académicas
Universidad de Salamanca (España)
Tesis Doctoral
Academic dissertations
Aggregation
Decision-support models
Demand Response
Machine Learning
Renewables Integration
Trustworthiness
Uncertainty
Agregación
Aprendizaje Automático
Confianza
Integración de Renovables
Incertidumbre
Modelos de Apoyo a la Decisión
Respuesta de la Demanda
Agregação
Aprendizagem Automática
Confiança
Incerteza
Integração de Energias Renováveis
Modelos de Apoio à Decisão
Resposta da Procura
Clasificación UNESCO
3307 Tecnología Electrónica
Fecha de publicación
2023-07
Resumen
[EN] Distributed generation, namely renewables-based technologies, have
emerged as a crucial component in the transition to mitigate the effects of climate
change, providing a decentralized approach to electricity production. However,
the volatile behavior of distributed generation has created new challenges in
maintaining system balance and reliability. In this context, the demand response
concept and corresponding programs arise giving the local energy communities
prominence.
In demand response concept, it is expected an empowerment of the
consumer in the electricity sector. This has a significant impact on grid operations
and brings complex interactions due to the volatile behavior, privacy concerns,
and lack of consumer knowledge in the energy market context. For this,
aggregators play a crucial role addressing these challenges. It is crucial to develop
tools that allow the aggregators helping consumers to make informed decisions,
maximize the benefits of their flexibility resources, and contribute to the overall
success of grid operations. This thesis, through innovative solutions and
resorting to artificial intelligence models, addresses the integration of
renewables, promoting fair participation among all demand response providers.
The thesis ultimately results in an innovative decision support system -
MAESTRO, the Machine learning Assisted Energy System management Tool for
Renewable integration using demand respOnse. MAESTRO is composed by a set
of diversified models that together contribute for handling the complexity of
managing energy communities with distributed generation resources, demand
response providers, energy storage systems and electric vehicles.
This PhD thesis comprises a comprehensive analysis of state-of-the-art
techniques, system design and development, experimental results, and key
findings. In this research were published twenty-six scientific papers, in both
international journals and conference proceedings. Contributions to international
projects and Portuguese projects was accomplished.
[ES] La generación distribuida, en particular las tecnologías basadas en energías
renovables, se ha convertido en un componente crucial en la transición para
mitigar los efectos del cambio climático, al proporcionar un enfoque
descentralizado para la producción de electricidad. Sin embargo, el
comportamiento volátil de la generación distribuida ha generado nuevos
desafíos para mantener el equilibrio y la confiabilidad del sistema. En este
contexto, surge el concepto de respuesta de la demanda y los programas
correspondientes, otorgando prominencia a las comunidades energéticas locales.
En el concepto de "respuesta a la demanda" (DR por sus siglas en inglés), se
espera un empoderamiento del consumidor en el sector eléctrico. Esto tiene un
impacto significativo en la operación de la red y genera interacciones complejas
debido al comportamiento volátil, las preocupaciones de privacidad y la falta de
conocimiento del consumidor en el contexto del mercado energético. Para esto,
los agregadores desempeñan un papel crucial al abordar estos desafíos. Es
fundamental desarrollar herramientas que permitan a los agregadores ayudar a
los consumidores a tomar decisiones informadas, maximizar los beneficios de sus
recursos de flexibilidad y contribuir al éxito general de las operaciones de la red.
Esta tesis, a través de soluciones innovadoras y utilizando modelos de
inteligencia artificial, aborda la integración de energías renovables, promoviendo
una participación justa entre todos los proveedores de respuesta de la demanda.
La tesis resulta en última instancia en un sistema de apoyo a la toma de decisiones
innovador: MAESTRO, Machine learning Assisted Energy System management Tool
for Renewable integration using demand respOnse. MAESTRO está compuesto por
un conjunto de modelos diversificados que contribuyen juntos para manejar la
complejidad de la gestión de comunidades energéticas con recursos de
generación distribuida, proveedores de respuesta de la demanda, sistemas de
almacenamiento de energía y vehículos eléctricos.
Esta tesis de doctorado comprende un análisis exhaustivo de las técnicas de
vanguardia, el diseño y desarrollo del sistema, los resultados experimentales y
los hallazgos clave. En esta investigación se publicaron veintiséis artículos
científicos, tanto en revistas internacionales como en actas de conferencias. Se
lograron contribuciones a proyectos internacionales y proyectos portugueses.
[POR] A produção distribuída, nomeadamente as tecnologias baseadas em
energias renováveis, emergiram como um componente crucial na transição para
mitigar os efeitos das alterações climáticas, proporcionando uma abordagem
descentralizada à produção de eletricidade. No entanto, o comportamento volátil
da geração distribuída criou desafios na manutenção do equilíbrio e da
fiabilidade do sistema. Nesse contexto, surge o conceito de resposta à procura e
os programas correspondentes, conferindo proeminência às comunidades
energéticas locais.
No conceito de resposta à procura, espera-se um empoderamento do
consumidor no setor elétrico. Isso tem um impacto significativo nas operações da
rede e gera interações complexas devido ao comportamento volátil,
preocupações com a privacidade e falta de conhecimento dos consumidores no
contexto do mercado energético. Para isso, os agregadores desempenham um
papel crucial ao lidar com esses desafios. É fundamental desenvolver ferramentas
que permitam aos agregadores ajudar os consumidores a tomar decisões
informadas, maximizar os benefícios de seus recursos de flexibilidade e
contribuir para o sucesso global das operações da rede.
Esta tese de doutoramento, através de soluções inovadoras e recorrendo a
modelos de inteligência artificial, aborda a integração de energias renováveis,
promovendo uma participação justa entre todos os fornecedores de resposta à
procura. A tese resulta, em última instância, num sistema inovador de apoio à
tomada de decisões - MAESTRO, Machine learning Assisted Energy System
management Tool for Renewable integration using demand respOnse. A ferramenta
MAESTRO é composta por um conjunto de modelos diversificados que, em
conjunto, contribuem para lidar com a complexidade da gestão de comunidades
energéticas com recursos de geração distribuída, fornecedores de resposta à
procura, sistemas de armazenamento de energia e veículos elétricos.
Esta tese de doutoramento abrange uma análise abrangente de técnicas de
ponta, design e desenvolvimento do sistema, resultados experimentais e
descobertas-chave. Nesta pesquisa, foram publicados vinte e seis artigos
científicos, tanto em revistas internacionais como em atas de conferências. Foram
realizadas contribuições para projetos internacionais e projetos portugueses.
Beschreibung
Tesis por compendio de publicaciones.
URI
Aparece en las colecciones