The energy transition is accompanied by massive electrification of uses and sectors such as transport. As a result, the pressure on the electricity grid is increasing, and the time to connect to the power system is lengthening. Deploying new infrastructure is a laborious and expensive process but there are alternatives to exploit the flexibility of the power grid. The deployment of smart meters opens the door to many applications related to flexibility on the consumer side, to reduce peak loads that threaten grid capacity. Targeting the right consumers for Demand-Side Management (DSM) is a prerequisite to maximizing the chances of success of such programs. This degree project replicates and adapts the method developed in [14] to segment residential customers. It consists of encoding Daily Load Curves (DLC) using a dictionary of Typical Load Profiles (TLP) and grouping consumers according to the distribution of their TLP. A temporal analysis of the main TLP reveals different consumption behaviors. Customers are segmented into groups that reflect the degree of volatility of their consumption. This enables a classification based on the potential for Energy Efficiency (EE) or Demand Response (D/R) programs. We address the issue of attribute detection using the distribution of TLP of customers. In particular, several classification algorithms are compared to detect TLP characteristic of Electric Vehicle (EV). The obtained load shapes show consumption peaks at night, which may correspond to the charging time of EV. The method is discussed, especially the choice of the number of load profiles to be included in the dictionary of TLP. It proves to be useful to group consumers with similar consumption profiles and opens the door to applications such as individual household consumption forecasting. / Energiomställningen kräver en massiv elektrifiering av användningsområden och sektorer som t.ex. transportsektorn. Detta leder till att trycket på elnätet ökar och att tiden för att ansluta sig till elnätet blir allt längre. Att bygga ut ny infrastruktur är en mödosam och dyr process, men det finns alternativ för att utnyttja elnätets flexibilitet. Utplaceringen av smarta mätare öppnar dörren för många tillämpningar som rör flexibilitet på konsumentsidan, för att minska toppbelastningar som hotar nätkapaciteten. Att rikta in sig på rätt konsumenter för DSM är en förutsättning för att maximera chanserna att lyckas med sådana program. I detta examensarbete replikeras och anpassas den metod som utvecklats i [14] för att segmentera hushållskunder. Den består av att koda DLC med hjälp av ett lexikon av TLP och gruppera konsumenter enligt fördelningen av deras TLP. En tidsmässig analys av de viktigaste TLP avslöjar olika konsumtionsbeteenden. Kunderna delas in i grupper som återspeglar graden av volatilitet i deras konsumtion. Detta möjliggör en klassificering baserad på potentialen för EE eller D/R-program. Vi tar upp frågan om attributdetektering med hjälp av fördelningen av TLP hos kunderna. I synnerhet jämförs flera klassificeringsalgoritmer för att upptäcka TLP som är karakteristiska för EV. De erhållna belastningsformerna visar konsumtionstoppar på natten, vilket kan motsvara laddningstiden för EV. Metoden diskuteras, särskilt valet av antalet belastningsprofiler som ska ingå i ordlistan för TLP. Metoden visar sig vara användbar för att gruppera konsumenter med liknande förbrukningsprofiler och öppnar dörren för tillämpningar som prognostisering av enskilda hushålls förbrukning.
Identifer | oai:union.ndltd.org:UPSALLA1/oai:DiVA.org:kth-325854 |
Date | January 2023 |
Creators | Baril, Anne |
Publisher | KTH, Skolan för elektroteknik och datavetenskap (EECS) |
Source Sets | DiVA Archive at Upsalla University |
Language | English |
Detected Language | Swedish |
Type | Student thesis, info:eu-repo/semantics/bachelorThesis, text |
Format | application/pdf |
Rights | info:eu-repo/semantics/openAccess |
Relation | TRITA-EECS-EX ; 2023:105 |
Page generated in 0.0025 seconds