Studio e sviluppo di tecniche per la disaggregazione dell'energia prodotta da pannelli fotovoltaici a partire da dati aggregati

The topic of solar unbundling has gained traction in recent years as utility companies are looking for ways to identify PV electricity generation from a residential home's net consumption. The goal is to improve their planning and operating practices and apply variable pricing to distributed solar generation. In this thesis project we propose a supervised machine learning algorithm to unbundle the electricity generation of PV systems from the main power supply of a house. To develop the algorithm, we used low-complexity sliding windows and conventional machine learning techniques, applied to real-family housing data obtained from the Smart* project dataset. Our study presents an evolution compared to previous works [10][14]: the use of Support Vector Regression as a regression model.

Il tema della disaggregazione dell'energia solare ha preso piede negli ultimi anni poiché le società di servizi pubblici stanno cercando dei metodi per identificare la generazione di energia elettrica fotovoltaica del consumo netto di un’abitazione residenziale. L’obbiettivo è quello di migliorare le loro pratiche di pianificazione e funzionamento e applicare prezzi variabili alla generazione solare distribuita. In questo progetto di tesi proponiamo un algoritmo di apprendimento automatico supervisionato per disaggregare la generazione di energia elettrica dei sistemi fotovoltaici dall’alimentatore principale di un’abitazione. Per sviluppare l’algoritmo ci siamo serviti di finestre scorrevoli a bassa complessità e tecniche convenzionali di apprendimento automatico, applicate a dati di abitazioni di famiglie reali ottenuti dal set di dati del progetto Smart*. Il nostro studio presenta un’evoluzione rispetto ai lavori precedenti [10][14]: l’utilizzo del Support Vector Regression come modello di regressione.