Please use this identifier to cite or link to this item: https://hdl.handle.net/10216/114216
Author(s): Ricardo Emanuel Gomes Fernandes da Silva
Title: Técnicas de Inteligência Artificial Aplicadas ao Controlo Preditivo de Baterias Estacionárias
Issue Date: 2018-07-18
Abstract: The expected trend of decreasing feed-in tariffs in the upcoming years meets the current necessity to secure a more sustainable and autonomous electric power grid, capable of integrating more renewable energy resources. This trend turns self-consumption particularly relevant for prosumers (consumers that own small distributed generation units), namely at the household and small industry levels. With the growing advances in stationary storage technologies, reflected utmost at their economic viability, stationary batteries along with electric vehicles are viewed as one of the best solutions to maximize such self-consumption levels of prosumers.Today's storage controllers, used on the management of charging and discharging these batteries present a reactive and immediate response. It can although be more interesting, for a prosumer, that such controllers could present a more predictive action, i.e., capable of understanding how consumption and production profiles will evolve, in order to maximize the self-consumption. If we also consider the prosumer to be involved in a market dynamic pricing scheme, the controller should also behave opportunistically, taking into account the market prices so that the energy requirements made to grid would be deviated to time windows were prices were cheaper.This problem can be mathematically framed on the definitions of multi-objective and multi-temporal. Associating the elevated number of state variables and the error possibilities inherent to the data's forecasting nature makes this problem extremely complex, narrowing its resolution to techniques based on artificial intelligence.In the present work, the capability of artificial intelligence techniques in predictively controlling stationary storage when coupled with photovoltaic generation units, is evaluated. Namely it is used the Proximal Policy Gradient method, made available by OpenAI and inserted in the category of Deep Reinforcement Learning which combine neural networks with the training of artificial intelligence agents through Reinforcement Learning. The comparison with genetic algorithms is made in order to infer the viability of this methodology in the resolutions of the problem at hand.
Description: A tendência para a descida das chamadas tarifas feed-in que se espera que ocorra nos próximos anos vem ao encontro da necessidade de criar uma rede elétrica mais sustentável, mais autónoma e com maior capacidade de integração de energia vinda de fontes renováveis. Tornar-se-á assim de enorme relevância para os chamados prosumers, consumidores que possuem pequenas unidades de produção distribuída, nomeadamente ao nível doméstico e da pequena indústria, praticarem o chamado auto-consumo. Com os crescentes avanços na tecnologia de baterias estacionários que se refletem acima de tudo na sua viabilidade económica, as baterias estacionárias apresentam-se como uma das melhores soluções, a par dos veículos elétricos, para maximizar os níveis de auto-consumo dos prosumers.Os controladores que são hoje utilizados na gestão das ações de carga e descarga destas baterias têm, contudo, uma atuação reativa e imediata. Tornar-se-ia interessante para um prosumer que estes controladores tivessem uma ação que por um lado fosse preditiva, isto é, capaz de perceber de que forma irão evoluir os consumos e a produção para maximizar os níveis de auto-consumo. Se, por outro lado, considerarmos que o prosumer se encontra contratualizado num regime de mercado, o controlador deverá ter também uma atuação oportunista, jogando com os preços do mercado para que a requisição de energia à rede fosse feita, sempre que possível, em horas onde o preço fosse mais barato.Este problema enquadra-se matematicamente nas definições multi-objetivo e multi-temporal. Associando-lhe o elevado número de variáveis de estado que, no caso de serem previsões, virão afetas de erros torna-o de tal ordem complexo que apenas pode ser endereçado por agentes de inteligência artificial.No presente trabalho é avaliada a capacidade de técnicas de inteligência artificial no controlo preditivo de baterias estacionárias acopladas a unidades de produção fotovoltaica. Nomeadamente é avaliado o método de Proximal Policy Gradient disponibilizado pela OpenAI, inserido na categoria das metodologias de Deep Reinforcement Learning, que combinam redes neuronais com o treino de agentes artificiais através de Reinfocement Learning. É efetuada a sua comparação com algoritmos genéticos de modo a inferir a viabilidade desta metodologia na resolução do problema em questão.
Subject: Engenharia electrotécnica, electrónica e informática
Electrical engineering, Electronic engineering, Information engineering
Scientific areas: Ciências da engenharia e tecnologias::Engenharia electrotécnica, electrónica e informática
Engineering and technology::Electrical engineering, Electronic engineering, Information engineering
TID identifier: 202118940
URI: https://repositorio-aberto.up.pt/handle/10216/114216
Document Type: Dissertação
Rights: openAccess
License: https://creativecommons.org/licenses/by-nc-nd/4.0/
Appears in Collections:FEUP - Dissertação

Files in This Item:
File Description SizeFormat 
278344.pdfArtificial Intelligence Techniques Applied for the Predictive Control of Stationary Storage10.8 MBAdobe PDFThumbnail
View/Open


This item is licensed under a Creative Commons License Creative Commons