A carregar...
Publicação
Developing a battery management system for self-consumption systems
| Nome: | Descrição: | Tamanho: | Formato: | |
|---|---|---|---|---|
| 3.88 MB | Adobe PDF |
Autores
Orientador(es)
Resumo(s)
A energia transformou-se num recurso essencial para a atividade humana. Atualmente, fontes de
energia não renováveis permanecem as principais fontes de energia, mas um esforço global coletivo está
a ser realizado de modo a inverter esta situação, aumentando a expressão de fontes de energia renováveis
nas nossas redes elétricas. Neste contexto, tornou-se comum a instalação de pequenos sistemas fotovoltaicos em residências privadas para auto-consumo. Inicialmente, estes sistemas eram em larga medida apoiados por subsídios estatais, remuneração elevada por energia solar injetada na rede, etc. Estes
incentivos têm vindo a ser reduzidos ou removidos por completo à medida que a tecnologia fotovoltaica
se torna cada vez mais acessível. Por este motivo, um melhoramento contínuo dos benefícios garantidos
pela instalação destes sistemas é sempre uma contribuição positiva no sentido de manter o incentivo para
a sua instalação, e desse modo contribuir para o objetivo mais amplo de um sistema energético tendencialmente renovável. A adição de sistemas de armazenamento de energia, tais como baterias, a sistemas
fotovoltaicos residenciais permite uma maior flexibilidade no uso da energia gerada localmente; no entanto, o custo adicional da bateria requer uma estratégia de gestão de energia bem ajustada e afinada de
modo a que esta seja uma situação favorável para o utilizador.
Este trabalho divide-se em duas partes: 1) elaboração e teste de modelos de previsão de geração fotovoltaica e de carga residencial e 2) desenvolvimento de uma estratégia de gestão de energia baseada em
Reinforcement Learning capaz de resolver o problema de gestão de energia de uma residência com um
sistema fotovoltaico e uma bateria para armazenamento de energia, concretamente, a gestão da bateria,
incorporando os modelos de previsão previamente gerados, com o intuito de melhorar o planeamento, e
o objetivo específico de minimizar a fatura energética do utilizador.
Na parte 1), começou-se pela adaptação de modelos Random Forest (RF) de um trabalho prévio, bem
como a elaboração de modelos Artificial Neural Network (ANN) nos mesmos moldes, para a previsão
de geração fotovoltaica e de carga para o dia seguinte, comparando ambos um com o outro, e com
um modelo de persistência como referência. Enquanto que ambos representaram melhorias face ao
modelo de persistência, os modelos RF tiveram um melhor desempenho do que as ANN, tanto para a
geração fotovoltaica como para a carga. Em seguida, determinou-se a elaboração de modelos capazes
de prever quantidades cumulativas de geração PV e carga, para diferentes horizontes: 1, 3, 6, 12 e
24 horas. O objetivo foi o de ser capaz de providenciar ao sistema de gestão de energia residencial
(HEMS) a informação relevante relativa às 24 horas seguintes e necessária para o planeamento, mas de
forma compacta, facilitando a interpretação da mesma. Mais uma vez os modelos RF e ANN foram
comparados nos mesmos moldes, com as ANN a mostrar melhor desempenho desta vez, para a maioria
dos horizontes considerados e de acordo com duas das três métricas.
Na parte 2), estas previsões cumulativas foram incorporadas num modelo de Reinforcement Learning (RL) que foi treinado de modo a realizar o planeamento do armazenamento de energia de uma bateria residencial. Inicialmente, um modelo de RL puro foi elaborado mas, após este demonstrar resultados
pouco promissores, um modelo híbrido RL/baseado em regras foi desenvolvido, capaz de impor ações
ótimas em situações em que existe uma ação ótima evidente, deixando que um agente RL escolha a ação
nas restantes situações. O modelo desenvolvido foi comparado com dois modelos de referência: maximização de auto-consumo (SCM), um modelo simples baseado em regras que é comummente usado na
gestão de baterias, e Mixed-Integer Linear Programming (MILP), um modelo que recebe uma série temporal inteira de dados e retorna a solução ótima absoluta, permitindo assim avaliar o potencial máximo
de poupanças possíveis relativamente ao modelo base.
Os modelos foram desenvolvidos e testados com base em dados reais de geração fotovoltaica e carga
provenientes de 127 residências localizadas em território português.
De um potencial máximo de 5.9% de poupança para o utilizador mediano, calculado pelo MILP
relativamente ao SCM, o modelo híbrido RL/baseado em regras atingiu apenas 1.9% de poupanças utilizando previsões perfeitas (dados reais) e apenas 0.7% usando previsões baseadas numa ANN.
A recomendação final deste trabalho é portanto que o SCM é suficientemente adequado ao contexto
português atual a nível energético, e que o sistema híbrido aqui testado não apresenta vantagens suficientes para justificar o seu uso, tendo em conta que se trata de um sistema bastante mais complexo,
requerendo custos adicionais. À medida que a transição energética em Portugal progride, é possível que
a crescente penetração de geração renovável na rede elétrica leve à alteração de estruturas de preço, etc.,
sendo que nessa situação é possível que o SCM deixe de ser a estratégia mais adequada, pelo que a
situação deverá ser reavaliada no futuro.
Energy has become an essential resource for human activity. Currently, non-renewable energy sources remain the main sources of energy, but a collective global effort is underway to reverse this situation, by increasing the expression of renewable energy sources in our electrical grids. In this context, it has become common to install small photovoltaic systems in private residences for self-consumption. These were initially encouraged largely by state subsidies, high feed-in tariffs, etc., which have begun to decrease or disappear altogether as PV technology becomes more and more affordable. For this reason, continual improvement of the benefits provided by installing PV systems in homes is a positive contribution towards keeping the incentive for their installation, thus contributing to the broader goal of an increasingly renewable energy system. Adding energy storage, such as batteries, to residential PV systems allows for more flexibility in the use of the locally generated energy; however, the added cost of the battery requires a well-tuned energy management strategy in order for this to be a beneficial arrangement for the user. This work built a hybrid Reinforcement Learning/rule-based energy management strategy aimed at residences with a PV system and a battery as an energy storage system, using Deep Learning to generate cumulative PV and load forecasts for several different horizons, and testing it using real data from 127 households located in Portuguese territory. It also used a Mixed-integer Linear Programming model in order to determine an optimal solution to the energy management problem, thus evaluating the maximum possible potential for cost savings. From a maximum potential of 5.9% cost savings for the median user, the hybrid RL/rule-based system was able to achieve only 1.9% savings using perfect forecasts (i.e, real data), and only 0.7% when using ANN-based forecasts.
Energy has become an essential resource for human activity. Currently, non-renewable energy sources remain the main sources of energy, but a collective global effort is underway to reverse this situation, by increasing the expression of renewable energy sources in our electrical grids. In this context, it has become common to install small photovoltaic systems in private residences for self-consumption. These were initially encouraged largely by state subsidies, high feed-in tariffs, etc., which have begun to decrease or disappear altogether as PV technology becomes more and more affordable. For this reason, continual improvement of the benefits provided by installing PV systems in homes is a positive contribution towards keeping the incentive for their installation, thus contributing to the broader goal of an increasingly renewable energy system. Adding energy storage, such as batteries, to residential PV systems allows for more flexibility in the use of the locally generated energy; however, the added cost of the battery requires a well-tuned energy management strategy in order for this to be a beneficial arrangement for the user. This work built a hybrid Reinforcement Learning/rule-based energy management strategy aimed at residences with a PV system and a battery as an energy storage system, using Deep Learning to generate cumulative PV and load forecasts for several different horizons, and testing it using real data from 127 households located in Portuguese territory. It also used a Mixed-integer Linear Programming model in order to determine an optimal solution to the energy management problem, thus evaluating the maximum possible potential for cost savings. From a maximum potential of 5.9% cost savings for the median user, the hybrid RL/rule-based system was able to achieve only 1.9% savings using perfect forecasts (i.e, real data), and only 0.7% when using ANN-based forecasts.
Descrição
Tese de Mestrado, Engenharia da Energia e Ambiente, 2022, Universidade de Lisboa, Faculdade de Ciências
Palavras-chave
Sistemas Residenciais de Gestão de Energia Sistemas Fotovoltaicos Residenciais Sistemas de Armazenamento de Energia Residenciais Previsão de Geração PV Previsão de Carga Teses de mestrado - 2023