Integrated Data-Driven Methods for Energy Systems: from Optimization to Failure Diagnosis and Battery preservation
Energy is a fundamental component of modern society, enabling technological progress and economic development. However, conventional energy generation has led to significant environmental challenges, making the transition toward renewable energy sources a necessity in the current century. In addition to sustainability, renewable energy systems must also be economically viable. The overall cost of such systems is typically divided into CAPEX, associated with investment, and OPEX, related to maintenance and operation. In this context, this thesis proposes data-driven methods to optimize both cost components in renewable energy systems. First, a novel hierarchical-based clustering method is developed to improve CEM, which determine the CAPEX of future energy systems. The proposed algorithm determines the optimal number of clusters using a modified elbow method enhanced with a stopping criterion to avoid unnecessary iterations. This criterion works based on percentage variance and runtime to determine the number of clusters systematically. The method then employs a hybrid selection strategy combining Euclidean distance, medoid, and mean values to determine the most representative vector in each cluster. To evaluate the performance, it is compared with well-known clustering methods. The numerical results show that not only does the proposed approach select a more appropriate number of clusters with lower computational cost than other systematic techniques, but also outperforms benchmark methods in terms of accuracy, computational efficiency, and robustness. Second, this thesis presents a window-based deep learning framework for failure diagnosis in PV plants, contributing to the reduction of OPEX. The method incorporates two types of windows: one capturing historical operational data and another containing previous diagnostic decisions. This design addresses the impact of weather variability, which can mask failures, particularly under cloudy conditions. Four deep learning models, CNN, LSTM, ConvLSTM, and GRU, are also evaluated across multiple failure scenarios, including isolated and combined faults. The results show that incorporating historical information improves diagnostic performance compared to conventional approaches, while increasing the window size does not necessarily improve accuracy. In addition, combining relevant failure types further improves detection performance. Finally, this thesis addresses residential energy systems by developing a degradation-aware battery modeling approach for home energy management systems. Since battery operation leads to degradation and increased OPEX, accurate modeling of battery behavior is essential. A physics-based model implemented in PyBaMM is tuned using four swarm intelligence algorithms. The results indicate that the whale optimization algorithm achieves superior performance in terms of accuracy and computational cost. The tuned model is then integrated into the optimization framework, where Pareto-optimal solutions are evaluated based on battery state of health. The solution with the highest battery state of health is then selected as the optimal strategy. RESUMEN La energía es un componente fundamental de la sociedad moderna, ya que permite el progreso tecnológico y el desarrollo económico. Sin embargo, la generación convencional de energía ha provocado importantes desafíos medioambientales, lo que hace que la transición hacia fuentes de energía renovables sea una necesidad en el siglo actual. Además de la sostenibilidad, los sistemas de energía renovable deben ser también económicamente viables. El coste total de estos sistemas se divide típicamente en CAPEX, asociado a la inversión, y OPEX, relacionado con la operación y el mantenimiento. En este contexto, esta tesis propone métodos basados en datos para optimizar ambos componentes de coste en sistemas de energía renovable. En primer lugar, se desarrolla un novedoso método de agrupamiento basado en estructuras jerárquicas para mejorar los CEM, que determinan el CAPEX de los sistemas energéticos futuros. El algoritmo propuesto determina el número óptimo de clústeres mediante un método del codo modificado, mejorado con un criterio de parada para evitar iteraciones innecesarias. Este criterio se basa en el porcentaje de varianza y el tiempo de ejecución para determinar sistemáticamente el número de clústeres. Posteriormente, el método emplea una estrategia híbrida de selección que combina la distancia euclídea, el medoide y los valores medios para determinar el vector más representativo en cada clúster. Para evaluar su rendimiento, se compara con métodos de agrupamiento ampliamente conocidos. Los resultados numéricos muestran que el enfoque propuesto no solo selecciona un número de clústeres más adecuado con menor coste computacional que otras técnicas sistemáticas, sino que también supera a los métodos de referencia en términos de precisión, eficiencia computacional y robustez. En segundo lugar, esta tesis presenta un marco de aprendizaje profundo basado en ventanas para el diagnóstico de fallos en plantas fotovoltaicas, contribuyendo a la reducción del OPEX. El método incorpora dos tipos de ventanas: una que captura datos históricos de operación y otra que contiene decisiones diagnósticas previas. Este diseño aborda el impacto de la variabilidad meteorológica, que puede enmascarar fallos, especialmente en condiciones nubladas. Asimismo, se evalúan cuatro modelos de aprendizaje profundo (CNN, LSTM, ConvLSTM y GRU) en múltiples escenarios de fallo, incluyendo fallos aislados y combinados. Los resultados muestran que la incorporación de información histórica mejora el rendimiento del diagnóstico en comparación con los enfoques convencionales, mientras que el aumento del tamaño de la ventana no necesariamente mejora la precisión. Además, la combinación de tipos de fallo relevantes mejora aún más el rendimiento de detección. Por último, esta tesis aborda los sistemas energéticos residenciales mediante el desarrollo de un enfoque de modelado de baterías que tiene en cuenta la degradación para sistemas de gestión energética doméstica. Dado que el funcionamiento de la batería conduce a su degradación y a un aumento del OPEX, un modelado preciso de su comportamiento es esencial. Un modelo basado en principios físicos implementado en PyBaMM se ajusta utilizando cuatro algoritmos de inteligencia de enjambre. Los resultados indican que el algoritmo de optimización de ballenas logra un rendimiento superior en términos de precisión y coste computacional. El modelo ajustado se integra posteriormente en el marco de optimización, donde se evalúan soluciones óptimas de Pareto en función del estado de salud de la batería. Finalmente, se selecciona como estrategia óptima la solución que presenta el mayor estado de salud de la batería.