Dissertação
Reinforcement Learning applied to Smart Charging algorithm optimization EVALUATED
O mundo atravessa uma transição energética em que a maioria das redes de distribuição estão a atingir a sua capacidade máxima, dando uma nova importância à gestão inteligente do recurso escasso que é a energia. Os Veículos Elétricos (EVs), que têm ganho cada vez mais atenção nos últimos anos, estão a pressionar ainda mais estas redes de distribuição. Com este aumento de procura, o problema de gerir o processo de carregamento de múltiplos EVs com um limite de potência disponível muito baixo num determinado instante surge como um dos principais entraves à evolução das infraestruturas de mobilidade elétrica. Neste trabalho, é apresentado um novo sistema baseado em Aprendizagem por Reforço (RL) para resolver este problema com o objetivo de otimizar o carregamento inteligente de EVs num Cenário Residencial. O sistema pretende possibilitar vários carregamentos em tempo útil, alocando limites de energia às estações de carregamento por meio de protocolos aplicados atualmente como o OCPP. Para avaliar o agente, vários cenários foram registados e analisados para entender a sua eficiência. Estudos têm mostrado resultados promissores ao aplicar métodos de RL como estratégias de gestão energética, economizando pequenas quantidades de energia e usando-a de forma mais eficiente, reduzindo assim as chances de sobrecarregar a rede. Esta tese cria uma solução inovadora para a otimização do agendamento de carregamento de EVs, com foco em Veículos Elétricos a Bateria (BEVs), e facilitar a transição energética que está a ocorrer, através da criação e melhoria das infra-estruturas eléctricas.
novembro 24, 2022, 13:0
Publicação
Obra sujeita a Direitos de Autor
Orientação
ORIENTADOR
Sérgio Luís Proença Duarte Guerreiro
Departamento de Engenharia Informática (DEI)
Professor Auxiliar
