Loading...
Publication
A Multi-Agent Reinforcement Learning Approach to Integrate Flexible Assets into Energy Communities
| Name: | Description: | Size: | Format: | |
|---|---|---|---|---|
| 5.57 MB | Adobe PDF |
Authors
Advisor(s)
Abstract(s)
À 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.
As the global community faces the escalating challenges of climate change, the modern power grid has emerged as a top priority in the transition towards sustainable energy. This thesis comprehensively examines the evolution of the energy grid, with a particular emphasis on the increasing roles of Renewable Energy Sources (RES) and Electric Vehicles (EVs). While indicating a new era of sustainable energy, these also introduce complex challenges. Among these challenges is balancing supply and demand smoothing peak consumptions, particularly with the growing levels of adoption of EVs. Central to navigating these challenges are innovative solutions like Demand Response (DR), energy flexibility management, Vehicle-to-Grid (V2G) and Renewable Energy Communities (RECs). These solutions are not without their shortcomings. Current energy management paradigms often struggle with adaptability, scalability, and ensuring strong user engagement. Addressing this critical gap, this thesis research introduces EnergAIze, a state-of-the-art AI-driven energy management framework. By leveraging the capabilities of Multi-Agent Deep Reinforcement Learning, EnergAIze offers a decentralized, user-centric, and multi-objective energy management solution. EnergAIze also accounts for the importance of localized energy solutions and fosters community-based collaboration. Through meticulously designed case studies, EnergAIze performance is optimized, its training is tuned, and its efficiency and effectiveness benchmarked against other leading algorithms in the field. In the end, this thesis’ proposal proves to be able to reduce carbon emissions and electricity costs. while it enhances the balance between consumption and production at the REC level. Further enriching this thesis contributions, it presents an extension, enabling EVs and V2G, in an academically established simulation platform. Alongside, during this research, a novel dataset addressing an identified gap in the state-of-the-art was also generated. This dataset encompasses charging patterns and energy flexibility of EVs.
As the global community faces the escalating challenges of climate change, the modern power grid has emerged as a top priority in the transition towards sustainable energy. This thesis comprehensively examines the evolution of the energy grid, with a particular emphasis on the increasing roles of Renewable Energy Sources (RES) and Electric Vehicles (EVs). While indicating a new era of sustainable energy, these also introduce complex challenges. Among these challenges is balancing supply and demand smoothing peak consumptions, particularly with the growing levels of adoption of EVs. Central to navigating these challenges are innovative solutions like Demand Response (DR), energy flexibility management, Vehicle-to-Grid (V2G) and Renewable Energy Communities (RECs). These solutions are not without their shortcomings. Current energy management paradigms often struggle with adaptability, scalability, and ensuring strong user engagement. Addressing this critical gap, this thesis research introduces EnergAIze, a state-of-the-art AI-driven energy management framework. By leveraging the capabilities of Multi-Agent Deep Reinforcement Learning, EnergAIze offers a decentralized, user-centric, and multi-objective energy management solution. EnergAIze also accounts for the importance of localized energy solutions and fosters community-based collaboration. Through meticulously designed case studies, EnergAIze performance is optimized, its training is tuned, and its efficiency and effectiveness benchmarked against other leading algorithms in the field. In the end, this thesis’ proposal proves to be able to reduce carbon emissions and electricity costs. while it enhances the balance between consumption and production at the REC level. Further enriching this thesis contributions, it presents an extension, enabling EVs and V2G, in an academically established simulation platform. Alongside, during this research, a novel dataset addressing an identified gap in the state-of-the-art was also generated. This dataset encompasses charging patterns and energy flexibility of EVs.
Description
Keywords
Reinforcement Learning Multi-Agent Systems Electric Vehicles Energy Flexibility