ISEP - DM – Engenharia de Inteligência Artificial
Permanent URI for this collection
Browse
Browsing ISEP - DM – Engenharia de Inteligência Artificial by advisor "Ferreira, Luís Miguel Moreira Lino"
Now showing 1 - 2 of 2
Results Per Page
Sort Options
- Modelo de controlo preditivo para comunidades de energiaPublication . Rosário, Bruno da Silva; Ferreira, Luís Miguel Moreira LinoNos objetivos da união europeia para 2050 está consagrado que a união deve de ser neutra em carbono, para tal a utilização de energias renováveis será praticamente obrigatória. A eficiência de produção e utilização de energia elétrica é um tema pertinente. Para esse objetivo métodos de análise e controlo de produção e utilização de energia estão atualmente a ser alvo de projetos de investigação, neste ramo a inteligência artificial mostra boas promessas para a resolução deste problema. A solução apresentada é um sistema que conjuga Model Predictive Control com Reinforcement Learning, onde o Model Predictive Control faz o controlo de batterias, aquecimento de agua e arrafecimento do espaço para a otimização de um edifício e o Reinforcement Learning é utilizado para a melhoria do modelo tendo em conta os erros de previsão anteriores para melhorar as previsões futuras. A solução passa pela criação de um sistema modular onde as necessidades de cada edifício que fazem parte do sistema são avaliadas e geridas. A solução também ajuda a introduzir a produção própria de energia, a utilização de baterias estáticas presentes no edifício e por fim gerir as cargas elétricas que possam ser geridas como por exemplo uma bomba de calor, continuando a fornecer energia a cargas que não possam ser calendarizadas como por exemplo uma lâmpada. Os diversos casos de uso que foram testados permitiram fazer a avaliação do melhor algoritmo, os casos de estudo relativos a comunidado o sistema demonstrou melhores resultados que os sistemas fornecidos pela plataforma CityLearn. Apesar de não ter uma performance melhor que todos os sistemas com que competiu o sistema apresentado não necessita de passar pelo dataset de 4 anos antes de começar a fazer as optimizações, o algoritmo correu em apenas 1 episódio onde aprendeu, treinou e tentou optimizar os inputs.
- A Multi-Agent Reinforcement Learning Approach to Integrate Flexible Assets into Energy CommunitiesPublication . Fonseca, Tiago Carlos Caló; Ferreira, Luís Miguel Moreira LinoÀ medida que a comunidade global enfrenta os desafios crescentes das alterações climáticas, a transição para uma rede elétrica moderna e sustentável surge como uma prioridade. Esta tese examina de forma detalhada a evolução da rede elétrica, com um foco particular no crescente papel das fontes de energia renovável e dos Veículos Elétricos (VEs). Esta transformação, que sinaliza uma nova era de energia sustentável, introduz também desafios complexos. Alguns destes desafios são alcançar um equilíbrio entre oferta e procura de energia e mitigar picos de consumo, especialmente ao integrar os VEs e painéis fotovoltaicos nas infraestruturas da rede. A gestão de flexibilidade elétrica e tecnologias emergentes como o Vehicle to Grid (V2G) estão a revolucionar o setor de energia e emergem como respostas aos problemas levantados. O V2G, em particular, permite que os VEs não apenas consumam energia, mas também a devolvam à rede elétrica durante períodos de maior consumo ou menor autoprodução de energia renovável. Esta bidirecionalidade transforma os VEs em unidades de armazenamento de energia, promovendo uma maior integração e eficiência da rede. A par destas inovações, as Comunidades de Energia Renovável emergem como um modelo colaborativo, onde grupos de consumidores e produtores (denominados prosumidores) partilham recursos energéticos, infraestrutura e a sua flexibilidade energética, promovendo uma transição mais rápida para uma matriz energética sustentável e descentralizada. No entanto, as soluções como V2G e gestão de flexibilidade elétrica utilizadas na atualidade apresentam algumas limitações, particularmente no que se refere à falta de automação e à dependência excessiva da intervenção humana para a sua gestão. Para abordar este défice, introduzimos o EnergAIze, uma ferramenta de gestão de flexibilidade energética desenvolvida com recurso a Inteligência Artificial. Ao explorar as capacidades de um algoritmo multiagente de aprendizagem profunda por reforço, o EnergAIze oferece uma gestão de flexibilidade energética descentralizada e adaptada aos recursos e rotina de cada utilizador. Através de casos de estudo deste trabalho verificamos a eficácia e eficiência do algoritmo utilizado na EnergAIze quando comparado com outros algoritmos de referência na área, promovendo reduções nas emissões de carbono e no custo de eletricidade. Além disso, a EnergAIze garante o equilíbrio entre o consumo e a produção ao nível comunitário e reduz picos de consumo, promovendo troca e consumo local de energia e facilitando adoção de energias renováveis e a integração de VEs na rede. Para complementar a contribuição principal, é apresentada também uma extensão que habilita V2G e VEs numa plataforma de simulação desenvolvida pela comunidade científica. Durante o desenvolvimento desta tese, também geramos um novo conjunto de dados que aborda uma lacuna no estado da arte. Esse ficheiro inclui padrões de carregamento e flexibilidade energética de VEs.