La distribuzione decentralizzata dell’energia elettrica ha portato negli anni ad un aumento del numero di utenti in grado sia di consumare che di produrre energia tramite generazione individuale da impianti fotovoltaici. Sfortunatamente, i gestori della rete non sono a conoscenza dell'ubicazione di tutti i produttori di energia solare a causa di installazioni non autorizzate o non dichiarate. Conoscere l'ubicazione dei prosumers solari può informare la protezione del circuito e le impostazioni di regolazione della tensione, e aiutare i gestori di rete a pianificare meglio le variazioni giornaliere della domanda energetica, che vengono ulteriormente amplificate dall'intermittenza della generazione. Il presente lavoro di tesi si pone l’obiettivo di definire ed implementare un algoritmo machine learning non supervisionato capace di identificare i clienti generatori di energia fotovoltaica utilizzando i dati di consumo energetico netto forniti degli smart meter. Metodi di riduzione della dimensionalità sono valutati al fine di proporre un mezzo efficace per ridurre la quantità di dati necessari all’ identificazione e migliorare il tempo di clustering di un fattore significativo. L'approccio di classificazione avanzata proposto per l'identificazione dei prosumer solari, basato sul clustering agglomerativo, dimostra un'accuratezza di classificazione molto significativa e supera le prestazioni del clustering K-Mean.
Identificazione di prosumer solari utilizzando i dati degli smart meter
AMERI, KUROSH
2019/2020
Abstract
La distribuzione decentralizzata dell’energia elettrica ha portato negli anni ad un aumento del numero di utenti in grado sia di consumare che di produrre energia tramite generazione individuale da impianti fotovoltaici. Sfortunatamente, i gestori della rete non sono a conoscenza dell'ubicazione di tutti i produttori di energia solare a causa di installazioni non autorizzate o non dichiarate. Conoscere l'ubicazione dei prosumers solari può informare la protezione del circuito e le impostazioni di regolazione della tensione, e aiutare i gestori di rete a pianificare meglio le variazioni giornaliere della domanda energetica, che vengono ulteriormente amplificate dall'intermittenza della generazione. Il presente lavoro di tesi si pone l’obiettivo di definire ed implementare un algoritmo machine learning non supervisionato capace di identificare i clienti generatori di energia fotovoltaica utilizzando i dati di consumo energetico netto forniti degli smart meter. Metodi di riduzione della dimensionalità sono valutati al fine di proporre un mezzo efficace per ridurre la quantità di dati necessari all’ identificazione e migliorare il tempo di clustering di un fattore significativo. L'approccio di classificazione avanzata proposto per l'identificazione dei prosumer solari, basato sul clustering agglomerativo, dimostra un'accuratezza di classificazione molto significativa e supera le prestazioni del clustering K-Mean.File | Dimensione | Formato | |
---|---|---|---|
Tesi (1).pdf
embargo fino al 29/10/2023
Descrizione: Un algoritmo machine learning non supervisionato capace di identificare i clienti generatori di energia fotovoltaica utilizzando i dati di consumo energetico netto forniti degli smart meter.
Dimensione
1.61 MB
Formato
Adobe PDF
|
1.61 MB | Adobe PDF |
I documenti in UNITESI sono protetti da copyright e tutti i diritti sono riservati, salvo diversa indicazione.
https://hdl.handle.net/20.500.12075/2159