Intelligent Scheduling for Residential Loads Based on Demand Response Considering Real-Time Price Forecasting. Masters thesis, King Fahd University of Petroleum and Minerals.

PDF 201630380_Moayad_Thesis_Final.pdf - Accepted Version Restricted to Repository staff only until 29 October 2025. Download (5MB)

Arabic Abstract

زيادة الطلب على الطاقة المنزلية، مع تزايد الاعتماد على مصادر الطاقة المتجددة بشكل واسع. هذا الاتجاه يشكل تحدياً لمشغلي نظام الطاقة، الذين يجدون قدرتهم على تنظيم إنتاج الكهرباء محدودةً بشكل متزايد. مثل هذه القيود تهدد الأمان العام للنظام. للتخفيف من هذه المخاطر، تقدم تقنيات الاستجابة للطلب حلاً واعداً من خلال تمكين التحكم في الجانب الاستهلاكي من النظام. ومع ذلك، فإن هذه الطرق غالباً ما تكون غير كافية عند تطبيقها على المستهلكين المنزليين بسبب تعب الاستجابة للمستهلكين. للتعامل مع هذه المشكلة، يقترح في هذه الدراسة مجدول ذكي لأحمال المنزل باستخدام الذكاء الاصطناعي، يهدف المجدول إلى تعزيز فعالية برامج الاستجابة للطلب المستهدفة للمستهلكين المنزليين. يتكون النموذج المقترح من عدة مكونات، بما في ذلك نموذج للحمل المنزلي، ونموذج لتوقع الأسعار الفعلية الزمنية استناداً إلى شبكة عصبونية عميقة التعلم، ومجدول زمني يعتمد على خوارزميات وراثية. النموذج المقترح للشبكة العصبونية العميقة يعتمد على بنية مشتركة، حيث يدمج مكونات الشبكة العصبونية الاصطناعية التكاملية وشبكة عصبية ذات تغذية أمامية. يتم تدريب الشبكة على مجموعات من البيانات التاريخية، وتكون قادرة على توقع أسعار الكهرباء بشكل مسبق باليوم. تكون هذه الأسعار المتوقعة مدخلاً لمجدول الأحمال، الذي يولد بدوره جدولاً زمنياً استثمالياً لأحمال المنازل من خلال تحويلها بعيداً عن أوقات الذروة، وبالتالي، يقلل من تكاليف الكهرباء ويقلل من نسبة الذروة. وبالتالي، يُيسر المجدول الذكي جهود الاستجابة للطلب من كل من جانب مشغلي الطاقة وجانب المستهلك، مما يعزز نظام الطاقة بشكل أكثر كفاءة واستجابة.

English Abstract

Residential energy demand is on the rise, compounded by the widespread adoption of renewable energy sources. This trend poses a challenge for power system operators, who find their ability to regulate electricity generation increasingly limited. Such limitations threaten the overall security of the system. To mitigate these risks, demand response techniques offer a promising solution by enabling control over the consumption side of the system. However, these methods often fall short when applied to residential consumers due to consumer response fatigue. To address this issue, an intelligent scheduler for residential loads is proposed in this study. Utilizing artificial intelligence, the scheduler aims to enhance the effectiveness of demand response programs targeted at residential consumers. The proposed model comprises several components, including a residential load model, a Real-Time Pricing forecasting model based on a Deep Learning Neural Network (DNN), and a load scheduler employing Genetic Algorithms (GA). The DNN proposed in this model adopts a combined architecture, integrating Convolutional Neural Network (CNN) and Feedforward Neural Network (FFNN) components. Trained on historical datasets, the DNN is capable of forecasting electricity prices with a day-ahead manner. These predicted prices serve as input for the load scheduler, which then generates optimized schedules for residential loads by shifting them away from peak demand. Thus, minimizing electricity costs and reducing the peak to average ratio. Consequently, the intelligent scheduler facilitates demand response efforts from both the aggregator and consumer sides, fostering a more efficient and responsive energy ecosystem.

Item Type:	Thesis (Masters)
Subjects:	Engineering Electrical
Department:	College of Engineering and Physics > Electrical Engineering
Committee Advisor:	Hussein, Alaa El-Din
Committee Members:	Abido, M. A. and Kassas, M.
Depositing User:	MOAYAD OSMAN (g201630380)
Date Deposited:	29 Oct 2024 10:23
Last Modified:	29 Oct 2024 10:23
URI:	http://eprints.kfupm.edu.sa/id/eprint/143087