Prediction of electric water boiler energy consumption for model predictive control of microgrids

Prédiction de la consommation des chauffe-eau électriques pour la commande prédictive des micro-grids Cette thèse examine de manière critique et développe un nouvel algorithme de prédiction de la consommation d'énergie pour les chauffe eau électriques domestiques habitations, en se concentrant sur les systèmes qui stockent l'énergie pendant les heures creuses et la fournissent pendant les heures pleines. Un modèle de prévision précis peut améliorer de manière significative la gestion des mini-réseaux d'énergie renouvelable et la programmation de la charge en fonction de la demande d'eau chaude, réduisant ainsi les coûts et les émissions globales de carbone liées à la dépendance du réseau national. Les recherches montrent que la consommation d'eau chaude dans les habitations résidentielles représente 12 % de la consommation totale d'énergie dans les bâtiments. L'intégration d'un modèle de prédiction robuste avec un système de contrôle prédictif de modèle (MPC) peut minimiser le gaspillage d'énergie et permettre une programmation à l'avance pour une gestion optimale du réseau.Cette étude passe d'abord en revue les modèles de prédiction les plus récents et effectue une analyse comparative de la régression statistique, de l'apprentissage automatique basé sur la régression et des techniques avancées d'apprentissage automatique afin d'évaluer leurs forces et leurs faiblesses pour les applications de chaudières électriques à eau chaude en utilisant des données provenant de trois bâtiments comme étude de cas. Trois nouveaux modèles hybrides ont été développés sur la base de cette analyse afin d'obtenir un modèle de prédiction plus robuste pour les chauffe-eau électriques. Le meilleur modèle a été sélectionné sur la base des mesures de performance de la précision et de l'efficacité de calcul. En outre, le modèle hybride a été évalué pour prédire la consommation d'eau chaude en utilisant des données exogènes, notamment l'heure de la journée, le jour de la semaine et l'historique de l'utilisation de l'eau chaude, afin d'évaluer leur impact sur la consommation d'énergie. L'étude met en évidence les points forts et les limites des modèles et suggère des domaines de recherche et d'application pour l'avenir.