Publication
Modelo de controlo preditivo para comunidades de energia
| datacite.subject.fos | Engenharia e Tecnologia | pt_PT |
| dc.contributor.advisor | Ferreira, Luís Miguel Moreira Lino | |
| dc.contributor.author | Rosário, Bruno da Silva | |
| dc.date.accessioned | 2024-11-25T15:42:58Z | |
| dc.date.available | 2024-11-25T15:42:58Z | |
| dc.date.issued | 2024-10-31 | |
| dc.description.abstract | Nos 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. | pt_PT |
| dc.description.abstract | The European Union's objectives for 2050 state that the Union must be carbon neutral, for which the use of renewable energy will be mandatory. The efficiency of production and use of electrical energy is a pertinent topic. To this end, methods of analysis and control of energy production and use are currently the target of research projects, in this field artificial intelligence shows good promise for solving this problem. The solution presented is a system that combines Model Predictive Control with Reinforcement Learning, where Model Predictive Control dose the control of batteries, domestic hot water and cooling for the optimization of a building and Reinforcement Learning is used to improve the model by using the error of the previous predictions to better itself. The solution involves creating a modular system where the needs of each building that are part of the system are evaluated and managed. The solution also aims to help introduce its own energy production, the use of static batteries present in the building and finally manage electrical loads that can be managed, such as a heat pump, while continuing to supply energy to loads that cannot be scheduled, such as a light bulb. There were multiple use cases that allowed the evaluation of the best algorithm, in the case studies relative to the energy community the system demonstrated better results than the systems present of the citylearn platform. Although it did not show the best performance of all systems, the system it lost to dose have a disadvantage that being it needs to first learn the entire dataset and only after dose it start to optimize, while the algorithm that is presented here only uses 1 episode where it learns, trains itself and tries to optimize the inputs. | pt_PT |
| dc.identifier.tid | 203732294 | pt_PT |
| dc.identifier.uri | http://hdl.handle.net/10400.22/26481 | |
| dc.language.iso | por | pt_PT |
| dc.subject | Energy communities | pt_PT |
| dc.subject | Reinforcement Learning | pt_PT |
| dc.subject | Model Predictive Control | pt_PT |
| dc.subject | Energy management | pt_PT |
| dc.subject | Comunidades de energia | pt_PT |
| dc.subject | Aprendizagem por reforço | pt_PT |
| dc.subject | Modelo Controlo Preditivo | pt_PT |
| dc.subject | Gestão energética | pt_PT |
| dc.title | Modelo de controlo preditivo para comunidades de energia | pt_PT |
| dc.title.alternative | Model predictive control for energy communities | pt_PT |
| dc.type | master thesis | |
| dspace.entity.type | Publication | |
| rcaap.rights | openAccess | pt_PT |
| rcaap.type | masterThesis | pt_PT |
| thesis.degree.name | Mestrado em Engenharia de Inteligência Artificial | pt_PT |