Optimization in Electricity Demand Pricing and Prediction. PhD thesis, King Fahd University of Petroleum and Minerals.

PDF (Ahmad Abu Sleem Ph.D. Dissertation) KFUPM_Ahmad_Abu_Sleem_PhD_Dissertation_16_Dec_2025_Final.pdf Restricted to Repository staff only until 16 December 2026. Download (26MB)

Arabic Abstract

إنّ التكامل المتزايد لمصادر الطاقة المتجددة في أنظمة الطاقة الوطنية قد أوجد فرصاً وتحدياتٍ جديدة في مجالي تخطيط وتشغيل الطاقة. في المملكة الأردنية الهاشمية، أدّى الاعتماد على وحدات التوليد النفطية والتذبذب العالي في مصادر الطاقة الشمسية والرياح إلى إبراز الحاجة إلى نماذج تسعير وتنبؤ واستجابة للطلب تكون أكثر تكيفاً وتعتمِد على البيانات. تتناول هذه الرسالة هذه التحديات من خلال إطار بحثي مكوَّن من ثلاث مراحل يربط بين تصميم التعرفة الديناميكية، والتحليل التنبؤي، والتحسين القائم على الاستجابة السعرية للطلب. في المرحلة الأولى، تم تطوير نموذج تسعير ديناميكي لحساب تعرفة الكهرباء استناداً إلى بيانات الاستهلاك التاريخية للمستخدمين. ويهدف النموذج إلى تعزيز العدالة الاجتماعية من خلال دعم المستهلكين ذوي الاستهلاك المنخفض مع الحفاظ على استدامة الإيرادات الوطنية. أما في المرحلة الثانية، فقد تم بناء نموذج تحسين للاستجابة السعرية للطلب باستخدام أسلوب البرمجة التربيعية المختلطة (MIQP) لأنظمة الطاقة الهجينة التي تجمع بين المصادر المتجددة والتقليدية. يقوم النموذج بالتنسيق الديناميكي بين الأسعار وجداول التوليد لمواءمة الاستهلاك مع توفر الطاقة المتجددة، مما يزيد من استغلال مصادر الطاقة الشمسية والرياح ويقلل الاعتماد على التوليد النفطي. وقد أظهرت دراسات الحالات الموسمية أن هذا النهج يحقق انخفاضاً كبيراً في تكاليف التشغيل وانبعاثات ثاني أكسيد الكربون، مع الحفاظ على موثوقية النظام الكهربائي. وفي المرحلة الثالثة، تم تطوير وتدريب عدة نماذج من تقنيات التعلّم الآلي بهدف التنبؤ بأحمال الذروة اليومية الصباحية والمسائية بدقة عالية. وقد أظهرت النتائج أن نموذج الانحدار بالعمليات الغاوسية (GPR) كان أفضل النماذج أداءً، إذ حقق متوسط خطأ مطلق (MAE) قدره ٤٫٧١ ميغاواط ومتوسط نسبة خطأ مطلق (MAPE) بلغ ٠٫٢٠٪ لتنبؤات ذروة الصباح، وMAE مقداره ٤٫٣١ ميغاواط وMAPE بنسبة ٠٫١٥٪ لتنبؤات ذروة المساء. ولتعزيز شفافية النماذج وفهم كيفية تأثير الخصائص المختلفة على التنبؤات، تم استخدام تحليل SHAP للنماذج الشجرية مثل الانحدار العشوائي (RF) وCatBoost، بينما تم تطبيق أسلوب أهمية الإحلال على النماذج المعتمدة على النواة مثل GPR وSVR، مما يوفر فهماً أوضح لمساهمات المتغيرات في عملية التنبؤ. تقدّم هذه الرسالة إطاراً متكاملاً يربط بين التنبؤ، واستجابة الطلب، وتحسين الأسعار لتعزيز دمج الطاقة المتجددة في مزيج الطاقة. وتُظهر النتائج كيف يمكن لصنع القرار القائم على البيانات أن يُسهم في خفض تكاليف التشغيل، وتقليل الانبعاثات، وتعزيز كلٍّ من العدالة الاجتماعية وكفاءة توزيع الطاقة. ويساهم هذا النهج في تحقيق الرؤية الأشمل نحو أنظمة طاقة مستدامة وآمنة.

English Abstract

The growing integration of renewable energy sources into national power systems has created both opportunities and challenges for energy planning and operation. In the Hashemite Kingdom of Jordan, the dependence on oil generation and the high variability of solar and wind resources have underscored the need for adaptive and data-driven approaches to electricity pricing, forecasting, and demand response model. This dissertation addresses these challenges through a three-stage research framework that links dynamic tariff design, predictive analytics, and price-based demand response optimization. The first stage develops a dynamic pricing model that calculates electricity tariffs based on historical user consumption. The model promotes social fairness by supporting low-consumption users while maintaining national revenue sustainability. The second stage formulates a price-based Demand Response (DR) optimization model using a mixed-integer quadratic programming (MIQP) framework for hybrid renewable–conventional systems. The model dynamically coordinates prices and generation schedules to align consumption with renewable availability, thereby maximizing the utilization of solar and wind resources and reducing oil-based generation. Seasonal case studies show that the approach significantly decreases operating costs and CO2 emissions while maintaining system reliability. In the third stage, multiple Machine Learning (ML) models were developed and trained to forecast daily morning and evening peak loads with high precision. The results show that Gaussian Process Regression (GPR) emerged as the best-performing individual model, achieving a Mean Absolute Error (MAE) of 4.71 MW and a Mean Absolute Percentage Error (MAPE) of 0.20% for morning peak predictions, and an MAE of 4.31 MW with a MAPE of 0.15% for evening peaks. To enhance model transparency, SHAP (SHapley Additive exPlanations) analysis is applied to tree-based models (RF and CatBoost), while permutation importance is used for kernel-based models such as GPR and SVR. This enables interpretable insights into feature contributions. This dissertation provides an integrated framework that bridges forecasting, demand response, and price optimization to strengthen renewable energy integration. The results demonstrate how data-driven decision-making can simultaneously reduce operational costs, mitigate emissions, and enhance both social welfare and energy equity. The developed approach contributes to the broader vision of achieving sustainable and secure energy systems.

Item Type:	Thesis (PhD)
Subjects:	Computer Engineering Electrical
Department:	College of Computing and Mathematics > lndustrial and Systems Engineering
Committee Advisor:	Mujahid, S.N.
Committee Members:	AlDurgam, Mohammad and Ahmad, Baubaid and AlGhazi, Anas and Maad, Al Owaifeer
Depositing User:	AHMAD ABUSLEEM (g202110250)
Date Deposited:	18 Dec 2025 08:58
Last Modified:	18 Dec 2025 08:58
URI:	http://eprints.kfupm.edu.sa/id/eprint/143791