FenixEdu™

Dissertação

Data-driven prediction of optimal operating strategies for residential energy systems EVALUATED

Detalhes: Os futuros sistemas de energia residencial com produção descentralizada, paineis fotovoltaicos no telhado, eletrificação do aquecimento e armazenamento de energia, oferecem maior flexibilidade quanto ao preço dos vetores de energia usados mas maior complexidade para determinar as condições ideais de operação de cada um. Um algoritmo de otimização como controlo preditivo baseado em modelos usa esses múltiplos fatores. Entretanto requer implementação complexa e intenso esforço computacional. Simultaneamente, a detecção de interdependências entre variáveis mellhorou nos últimos anos devido ao aumento de algoritmos de aprendizagem. O objetivo desta tese consiste no uso de algoritmos de aprendizagem na deteção das relações entre fatores determinantes do sistema de energia residencial e assim melhorar a operação otimizada de um sistema de bombeamento de calor tipo bivalente. Os perfis operacionais ideais vieram de um programa de planejamento energético da Bosch. Como entradas do programa, além das condições econômicas e das especificações técnicas, há perfis de demanda, condições climáticas e de irradiação. Analizam-se os impactos da instalação fotovoltaica, armazenamento térmico e bateria. Três algoritmos são empregues para analisar quais recursos podem melhorar a precisão da previsão: regressão aleatória da floresta (RF), rede neural (NN) e rede de memória de curto prazo (LSTM). Os resultados demonstram o potencial de implementação de algoritmos de aprendizagem para gerenciamento de energia residencial. A análise mostra que os algoritmos RF e NN superam LSTM em dados selecionados. Além disso, eles prevêem a operação do sistema com precisão média de R2 0,93 para todas as configurações.
Keywords: Bomba de Calor Híbrida, Predição de operação, Gestão de Energia, Algoritmos de aprendizagem

Discussão: novembro 29, 2019, 16:0