Dissertação
Machine Learning for Smart Electric Vehicle Charging Optimization using Renewable Energy Sources EVALUATED
Os Veículos Elétricos (VEs) são cada vez mais considerados uma solução sustentável para reduzir as emissões de gases com efeito de estufa; no entanto, a sua integração nas redes elétricas apresenta desafios significativos devido à sua elevada e variável exigência. Esta tese explora modelos de otimização para o carregamento de VEs que equilibram as necessidades dos utilizadores com as restrições da rede e incorporam fontes de energia renovável para promover a sustentabilidade. Através de uma abordagem que combina métodos determinísticos e de aprendizagem por reforço (RL), particularmente Proximal Policy Optimization (PPO) e Twin Delayed Deep Deterministic Policy Gradient (TD3), o estudo demonstra como a programação de carregamento otimizada pode reduzir custos, minimizar picos de carga e maximizar a eficiência de entrega de energia. Os resultados indicam que os modelos baseados em RL superam as abordagens determinísticas na adaptação às flutuações de procura e à incerteza das energias renováveis, posicionando-se como uma solução promissora para uma infraestrutura de carregamento de VEs sustentável e eficiente.
novembro 22, 2024, 11:0
Documentos da dissertação ainda não disponíveis publicamente
Orientação
ORIENTADOR
Departamento de Engenharia Electrotécnica e de Computadores (DEEC)
Professor Associado
ORIENTADOR
António Manuel Raminhos Cordeiro Grilo
Departamento de Engenharia Electrotécnica e de Computadores (DEEC)
Professor Associado