Bio-Inspired Algorithms and Artificial Neural Networks Applied to Smart Load Management Systems to Optimize Energy Usage

Abstract

[ES] La energía, la comunicación y la informática son componentes fundamentales de la sociedad moderna, ya que sientan las bases para el desarrollo tecnológico y el crecimiento económico. La estrecha interrelación entre estos pilares se ha hecho cada vez más evidente en los últimos años, a medida que los avances en computación y análisis de datos han permitido nuevos enfoques de gestión y sostenibilidad de la energía. En este contexto, el uso eficiente de la energía se ha convertido en un objetivo clave para los investigadores, los responsables políticos y las empresas por igual. Al aprovechar el poder de las técnicas informáticas y de aprendizaje automático (ML), es posible destacar los desafíos de asegurar los sistemas de energía y optimizar el uso de la energía, lo que lleva a la necesidad de técnicas avanzadas como algoritmos bio-inspirados y redes neuronales. Esta tesis doctoral tiene como objetivo analizar los programas y estrategias de gestión de la carga, el consumo y la demanda en el panorama energético actual. El núcleo central presenta un estudio exhaustivo sobre la integración de algoritmos bio-inspirados, como la optimización de enjambres de partículas (PSO) y los modelos de redes neuronales artificiales (ANN) en los sistemas de gestión de la carga para hacer frente a los retos de la gestión de la carga y utilizar la energía de forma eficiente y segura. El cuerpo principal de esta tesis comprende tres publicaciones científicas, cada una de las cuales corresponde a una etapa distinta dentro del marco general de investigación de este estudio: la primera etapa propone un sistema de monitorización de bajo coste para aplicaciones energéticas que introduce un sistema SCADA basado en web rentable que era un del 80% más barato que una solución similar. La arquitectura de bajo coste propuesta, diseñada para bancos de pruebas de microrredes, ofrece monitorización en tiempo real, accesibilidad remota y control fácil de usar para aplicaciones académicas y de investigación. La segunda etapa combina la optimización híbrida de enjambre de partículas (PSO) en cascada con redes neuronales feed-forward para pronosticar y optimizar con precisión la demanda de energía en una microrred en AC, mejorando la integración de fuentes de energía renovables como gasificación de biomasa. Los resultados muestran que el modelo PSO-ANN propuesto tiene un rendimiento un 23,2% mejor en términos de MSE que los modelos de RNA de retropropagación feed-forward (FF-BP) y propagación directa en cascada (CF-P). La tercera y última etapa se centró en un sistema inteligente de gestión de la carga reforzado con criptografía híbrida para garantizar la comunicación protegida y la privacidad de los datos, abordando así de manera efectiva los desafíos de seguridad energética en entornos residenciales. Los resultados mostraron que el modelo propuesto de Gestión de Carga aplicado a Sistemas Residenciales de Seguridad (SRS-LM) fue un 37% mejor en rendimiento (costo de energía, utilización de energía, tiempo computacional) y con una reducción de carga máxima del 60% en comparación con un modelo de Medidor de Energía Inteligente Universal (USEM).

[CA] L'energia, la comunicació i la informàtica són components fonamentals de la societat moderna, ja que establixen les bases per al desenvolupament tecnològic i el creixement econòmic. L'estreta interrelació entre estos pilars s'ha fet cada vegada més evident en els últims anys, a mesura que els avanços en computació i anàlisi de dades han permés nous enfocaments de gestió i sostenibilitat de l'energia. En este context, l'ús eficient de l'energia s'ha convertit en un objectiu clau per als investigadors, els responsables polítics i les empreses per igual. En aprofitar el poder de les tècniques informàtiques i d'aprenentatge automàtic (ML), és possible destacar els desafiaments d'assegurar els sistemes d'energia i optimitzar l'ús de l'energia, la qual cosa porta a la necessitat de tècniques avançades com a algorismes bio-inspirats i xarxes neuronals. Esta tesi doctoral té com a objectiu analitzar els programes i estratègies de gestió de la càrrega, el consum i la demanda en el panorama energètic actual. El nucli central presenta un estudi exhaustiu sobre la integració d'algorismes bio-inspirats, com l'optimització d'eixams de partícules (PSO) i els models de xarxes neuronals artificials (ANN) en els sistemes de gestió de la càrrega per a fer front als reptes de la gestió de la càrrega i utilitzar l'energia de manera eficient i segura. El cos principal d'esta tesi comprén tres publicacions científiques, cadascuna de les quals correspon a una etapa diferent dins del marc general d'investigació d'este estudi: la primera etapa proposa un sistema de monitoratge de baix cost per a aplicacions energètiques que introduïx un sistema SCADA basat en web rendible que era un del 80% més barat que una solució similar. L'arquitectura de baix cost proposada, dissenyada per a bancs de proves de microxarxes, oferix monitoratge en temps real, accessibilitat remota i control fàcil d'usar per a aplicacions acadèmiques i d'investigació. La segona etapa combina l'optimització híbrida d'eixam de partícules (PSO) en cascada amb xarxes neuronals feed-forward per a pronosticar i optimitzar amb precisió la demanda d'energia en una microxarxa en AC, millorant la integració de fonts d'energia renovables com a gasificació de biomassa. Els resultats mostren que el model PSO-ANN proposat té un rendiment un 23,2% millor en termes de MSE que els models d'RNA de retropropagació feed-forward (FF-BP) i propagació directa en cascada (CF-P). La tercera i última etapa es va centrar en un sistema intel·ligent de gestió de la càrrega reforçat amb criptografia híbrida per a garantir la comunicació protegida i la privacitat de les dades, abordant així de manera efectiva els desafiaments de seguretat energètica en entorns residencials. Els resultats van mostrar que el model proposat de Gestió de Càrrega aplicat a Sistemes Residencials de Seguretat (SRS-LM) va ser un 37% millor en rendiment (cost d'energia, utilització d'energia, temps computacional) i amb una reducció de càrrega màxima del 60% en comparació amb un model de Mesurador d'Energia Intel·ligent Universal (USEM).

[EN] Energy, communication, and computing are critical components of modern society, providing the foundation for technological development and economic growth. The close interrelation between these pillars has become increasingly apparent in recent years, as computing and data analysis advances have enabled new energy management and sustainability approaches. In this context, efficient energy usage has become a key focus for researchers, policymakers, and businesses alike. By harnessing the power of computing and machine learning (ML) techniques, it is possible to highlight the challenges of securing energy systems and optimizing energy usage, leading to the need for advanced techniques such as bio-inspired algorithms and neural networks. This doctoral thesis aims to analyse load consumption and demand management programs and strategies in the current energy landscape. The central core presents an study on integrating bio-inspired algorithms, such as particle swarm optimization (PSO) and artificial neural networks (ANN) models in load management systems to meet load management challenges and use energy efficiently and securely. The main body of this thesis comprises three scientific publications, each corresponding to a distinct stage within the overarching research framework of this study: the first stage covers the proposal of a low-cost architecture in energy systems introducing a cost-effective web-based SCADA system that was over 80% cheaper than a similar solution. The proposed low-cost architecture, tailored for microgrid testbeds, offers real-time monitoring, remote accessibility, and user-friendly control for academic and research applications. The second stage combined a cascade hybrid Particle Swarm Optimization (PSO) with feed-forward neural networks to accurately forecast and optimize energy demand in an AC microgrid, notably enhancing the integration of renewable energy sources like biomass gasification. The results showed that the proposed PSO-ANN model performs 23.2% better in terms of MSE than Feedforward Backpropagation (FF-BP) and Cascade forward propagation (CF-P) ANN models. The third and final stage focused on a smart load management system fortified with hybrid cryptography to ensure protected communication and data privacy, thereby effectively addressing energy security challenges in residential settings. Results showed that the proposed Security Residential System Load Management (SRS-LM) model was 37% better in performance (power cost, power utilization, computational time) and with a 60% peak load reduction compared to a Universal Smart Energy Meter (USEM) model.