Machine learning algorithms and applications for sustainable smart grid

Smart grid is a complex electrical power network comprising different subsystems with alevel of automation enabling the use of renewable energy while maintaining the grid stability and affordability of the energy. With the increasing attention on environment protection and development of sensors, communication, and computation tools, the smart grid concepthas gained a fast development in recent years. It could significantly improve energy efficiency, allow deep decarbonization and protect the environment. Machine learning is of essential importance to enable intelligent power systems. In this thesis, we use three pieces of work to demonstrate how the smart grid can benefit from machine learning algorithms. First, we note that workplace electric vehicle(EV) charging is now supported by more and more companies to encourage EV adoption which is environmentally friendly. In the meantime, renewable energies are becoming animportant power source. We propose to address the challenges of energy management in office buildings integrated with photovoltaic (PV) systems and workplace EV charging with a stochastic programming framework. Two computationally efficient control algorithms,Stochastic Programming and Load forecasting for Energy management with Two stages(SPLET) and Sample Average Approximation based SPLET (SAA SPLET) are proposed. Secondly, accurate electricity load forecasting is of crucial importance for power system operation and smart grid energy management. Multiple kernel learning (MKL) is suitable for electricity load forecasting, because this type of method provides more flexibility than traditional kernel methods. However, conventional MKL methods usually lead to complex optimization problems. At the scale of residential homes, another important aspect of this application is that there may be very little data available to train a reliable forecasting model for a new home, while at the same time we may have prior knowledge learned from other homes. In particular, we first adopt boosting to learn an ensemble of multiple kernel regressors, and then we further extend this framework to the context of transfer learning when limited data is available for target homes. Finally, we aim to tackle home energy management without knowing the system dynamics. We propose to formalize home energy management, including buying energy from or selling energy back to the power grid and EV charging scheduling as a Markov Decision Process (MDP) and propose two model-free reinforcement learning based control algorithms to address it. The objective for the proposed algorithms is to minimize the long-term operating cost. Simulation results are presented with real-world data and show that the proposed algorithms can significantly reduce the electricity cost as well as peak power consumptions of the home.Le réseau intelligent est un réseau d'énergie électrique complexe comprenant différents sous-systèmes avec un niveau d'automatisation permettant l'utilisation d'énergie renouvelable tout en maintenant la stabilité du réseau et l'abordabilité de l'énergie. Avec l'attention croissante portée à la protection de l'environnement et au développement de capteurs, d'outils de communication et de calcul, le concept de réseau intelligent a connu un développement rapide ces dernières années. Cela pourrait améliorer considérablement l'efficacité énergétique, permettre une décarbonation profonde et protéger l'environnement. L'apprentissage automatique est essentiel pour permettre des systèmes d'alimentation intelligents. Dans cette thèse, nous utilisons trois travaux pour démontrer comment le réseau intelligente peut bénèficier des algorithmes d'apprentissage automatique. Premièrement, nous notons que la recharge des véhicules électriques (VÉ) sur le lieu de travail est maintenant fournie par de plus en plus d'entreprises pour encourager l'adoption des VÉ qui soit respectueux de l'environnement. Entre-temps, les énergies renouvelables deviennent unesource d'énergie importante. Nous proposons de relever les défis de la gestion de l'énergie dans les immeubles de bureaux équipés de systèmes photovoltaïques (PV) de bornes de recharge de VÉ sur le lieu de travail avec un cadre de programmation stochastique. Deux algorithmes de contrôle, calcul stochastique et prévision de charge pour la gestion de l'énergie avec deux étapes (SPLET) et SPLET (SAA SPLET) basé sur la moyenne approximative d'échantillonnage sont proposés. Deuxièmement, une prévision précise de la charge électrique est d'une importance cruciale pour le fonctionnement du système électrique et la gestion intelligente de l'énergie du réseau. L'apprentissage par noyaux multiples(MKL) convient à la prévision de la charge électrique, car ce type de méthode offre plus de flexibilité que les méthodes traditionnelles du noyau. Cependant, les méthodes MKL classiques conduisent généralement à des problèmes d'optimisation complexes. À l'échelle des maisons résidentielles, un autre aspect important de cette application est qu'il peut y avoir très peu de données disponibles pour former un modèle de prévision fiable pour une nouvelle maison, alors que nous pouvons en même temps avoir des connaissances antérieures apprises d'autres foyers. En particulier, nous adoptons d'abord le boosting pour apprendre un ensemble de régresseurs de noyaux multiples, puis nous étendons ce cadre au contexte de l'apprentissage par transfert lorsque des données limitées sont disponibles pour les foyers cibles. Enfin, nous visons à gérer la gestion de l'énergie domestique sans connaître la dynamique du système. Nous proposons de formaliser la gestion de l'énergie domestique, y compris l'achat d'énergie ou la revente d'énergie au réseau électrique et l'ordonnancement de charge des VÉ comme un processus de décision de Markov (MDP) et proposons deux algorithmes d'apprentissage de renforcement libre pour s'y attaquer. L'objectif des algorithmes proposés est de minimiser les coûts d'exploitation à long terme. Les résultats de la simulation sont présentés avec des données du monde réel et montrent que les algorithmes proposés peuvent réduire considérablement le coût de l'électricité ainsi que les consommations d'énergie de pointe