Percorrer por autor "Fonseca, Tiago Carlos Caló"
A mostrar 1 - 1 de 1
Resultados por página
Opções de ordenação
- 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.