An Economic Evaluation of Supervised Learning for Short-term Forecasting & Control of Distributed Energy Resources

Abstract

Diese Dissertation untersucht die ökonomische Bewertung und Anwendung von Supervised Learning Methoden für die kurzfristige Energieprognose und Steuerung dezentraler Energieressourcen. Die Arbeit adressiert dies durch: i) ein Benchmarking von Prognosemethoden mittels statistischer und ökonomischer Metriken für Spitzenlastmanagement; ii) die Entwicklung interpretierbarer Deep-Learning-Modelle für Prosumer-lasten; iii) die Analyse ökonomischer Auswirkungen von Prognosefehlern in einem Microgrid.Wichtige Ergebnisse sind: Obwohl tree-based Modelle oft statistisch genauer sind, können neuronale Netze für ökonomische Ziele wie Spitzenlastreduktion, besonders bei längeren Horizonten, vorteilhafter sein. Die Integration physikalischen Vorwissens in Deep-Learning-Modelle steigert die Genauigkeit, Interpretierbarkeit und Dateneffizienz von Nettolastprognosen bedeutend. Im Microgrid ermöglicht optimierte Regelung zwar erhebliche Kosten- und CO2-Einsparungen, Prognoseunsicherheit reduziert diese Vorteile jedoch deutlich, insbesondere bei hoher Systemflexibilität oder komplexen Tarifen wie Leistungspreisen.Die Arbeit unterstreicht die Notwendigkeit, Prognosemethoden im spezifischen Anwendungskontext zu entwerfen und zu evaluieren. Empfehlungen für Stakeholder umfassen: die Nutzung anwendungsspezifischer Metriken durch Netzbetreiber, die Entwicklung von Modellen mit Verständnis für Prosumer-Steuerlogik für Energiehändler, sowie die Kombination von Energieanlagen mit fortschrittlichen Prognose- und Regelungskonzepten durch Endnutzer.

This thesis investigates the application and economic evaluation of supervised learning methods for short-term energy forecasting and the control of distributed energy resources. The core objective is addressed by answering three interconnected research questions, leading to the following contributions: i) Benchmarking existing supervised learning forecasting methods using both statistical and a novel application-driven economic metric for peak load management; ii) Developing an interpretable and data-efficient model-based deep learning approach for net load forecasting in households with behind-the-meter photovoltaic systems, battery storage, and energy management systems; and iii) Evaluating the economic impact of forecast errors on the dispatch of a multi-energy microgrid using economic Model Predictive Control under various tariff structures. Key findings indicate that while tree-based models often exhibit superior average statistical accuracy, neural networks can be more effective for economic objectives, such as peak shaving. Moreover, by incorporating physical priors into deep learning models net load forecasting accuracy, interpretability, and data efficiency are significantly improved. Furthermore, the analysis of a microgrid reveals that while optimized control offers substantial cost and CO2 savings, forecast uncertainty diminishes these achievable benefits when compared to a perfect foresight scenario, especially for systems with greater flexibility or those subject to tariffs like demand charges. This work emphasizes the need to co-design and evaluate forecasting methods within their specific application context to unlock their full potential in future energy systems. Finally recommendations to stakeholders are offered: grid operators should use application-specific metrics for tasks like peak shaving; energy retailers need models understanding control logic of prosumers; and end-users must combine energy assets with advanced forecasting and control frameworks.