Developing a battery management system for self-consumption systems

Detalhes bibliográficos
Autor(a) principal: Crespo, Carolina Baptista
Data de Publicação: 2022
Tipo de documento: Dissertação
Idioma: eng
Título da fonte: Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos)
Texto Completo: http://hdl.handle.net/10451/56383
Resumo: Tese de Mestrado, Engenharia da Energia e Ambiente, 2022, Universidade de Lisboa, Faculdade de Ciências
id RCAP_d72ba0495908a08a60a55bac9094167e
oai_identifier_str oai:repositorio.ul.pt:10451/56383
network_acronym_str RCAP
network_name_str Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos)
repository_id_str 7160
spelling Developing a battery management system for self-consumption systemsSistemas Residenciais de Gestão de EnergiaSistemas Fotovoltaicos ResidenciaisSistemas de Armazenamento de Energia ResidenciaisPrevisão de Geração PVPrevisão de CargaTeses de mestrado - 2022Domínio/Área Científica::Engenharia e Tecnologia::Engenharia do AmbienteTese de Mestrado, Engenharia da Energia e Ambiente, 2022, Universidade de Lisboa, Faculdade de CiênciasA 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.Brito, Miguel CentenoRepositório da Universidade de LisboaCrespo, Carolina Baptista2023-02-17T16:57:21Z202220222022-01-01T00:00:00Zinfo:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesisapplication/pdfhttp://hdl.handle.net/10451/56383enginfo:eu-repo/semantics/openAccessreponame:Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos)instname:Agência para a Sociedade do Conhecimento (UMIC) - FCT - Sociedade da Informaçãoinstacron:RCAAP2023-11-08T17:03:55Zoai:repositorio.ul.pt:10451/56383Portal AgregadorONGhttps://www.rcaap.pt/oai/openaireopendoar:71602024-03-19T22:06:55.259722Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos) - Agência para a Sociedade do Conhecimento (UMIC) - FCT - Sociedade da Informaçãofalse
dc.title.none.fl_str_mv Developing a battery management system for self-consumption systems
title Developing a battery management system for self-consumption systems
spellingShingle Developing a battery management system for self-consumption systems
Crespo, Carolina Baptista
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 - 2022
Domínio/Área Científica::Engenharia e Tecnologia::Engenharia do Ambiente
title_short Developing a battery management system for self-consumption systems
title_full Developing a battery management system for self-consumption systems
title_fullStr Developing a battery management system for self-consumption systems
title_full_unstemmed Developing a battery management system for self-consumption systems
title_sort Developing a battery management system for self-consumption systems
author Crespo, Carolina Baptista
author_facet Crespo, Carolina Baptista
author_role author
dc.contributor.none.fl_str_mv Brito, Miguel Centeno
Repositório da Universidade de Lisboa
dc.contributor.author.fl_str_mv Crespo, Carolina Baptista
dc.subject.por.fl_str_mv 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 - 2022
Domínio/Área Científica::Engenharia e Tecnologia::Engenharia do Ambiente
topic 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 - 2022
Domínio/Área Científica::Engenharia e Tecnologia::Engenharia do Ambiente
description Tese de Mestrado, Engenharia da Energia e Ambiente, 2022, Universidade de Lisboa, Faculdade de Ciências
publishDate 2022
dc.date.none.fl_str_mv 2022
2022
2022-01-01T00:00:00Z
2023-02-17T16:57:21Z
dc.type.status.fl_str_mv info:eu-repo/semantics/publishedVersion
dc.type.driver.fl_str_mv info:eu-repo/semantics/masterThesis
format masterThesis
status_str publishedVersion
dc.identifier.uri.fl_str_mv http://hdl.handle.net/10451/56383
url http://hdl.handle.net/10451/56383
dc.language.iso.fl_str_mv eng
language eng
dc.rights.driver.fl_str_mv info:eu-repo/semantics/openAccess
eu_rights_str_mv openAccess
dc.format.none.fl_str_mv application/pdf
dc.source.none.fl_str_mv reponame:Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos)
instname:Agência para a Sociedade do Conhecimento (UMIC) - FCT - Sociedade da Informação
instacron:RCAAP
instname_str Agência para a Sociedade do Conhecimento (UMIC) - FCT - Sociedade da Informação
instacron_str RCAAP
institution RCAAP
reponame_str Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos)
collection Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos)
repository.name.fl_str_mv Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos) - Agência para a Sociedade do Conhecimento (UMIC) - FCT - Sociedade da Informação
repository.mail.fl_str_mv
_version_ 1799134621784342528

Registros relacionados