FenixEdu™

Dissertação

Control of a Wave Energy Converter using Reinforcement Learning EVALUATED

Detalhes: O desenvolvimento de estratégias de controlo para maximização da geração de energia em conversores de energia das ondas é fundamental para tornar a exploração das ondas do mar um elemento economicamente viável do cabaz energético. As técnicas de controlo clássicas, baseadas em modelação, apresentam limitações significativas para o cumprimento este requisito, dada a sua dependência da precisão de modelação e incapacidade de adaptação a alterações na dinâmica do sistema ao longo do tempo. Nesta tese é apresentado um esquema de controlo baseado em Deep Reinforcement Learning (DRL), utilizando um modelo em MATLAB e Simulink da coluna de água oscilante de Mutriku como ambiente de treino. O controlador proposto atua tanto no momento eletromagnético exercido pelo sistema de tomada de potência como na abertura da válvula de alívio e utiliza exclusivamente dados medidos na própria instalação como sinais de observação, sem necessitar de um meio de medição externo para estimação do estado do mar. Foram treinadas e testadas três arquiteturas distintas de DRL: Deep Deterministic Policy Gradient (DDPG), Twin Delayed DDPG (TD3) e Soft Actor-Critic (SAC). Usando como base de comparação uma lei de controlo exponencial desenvolvida por outros investigadores, estes agentes são comparados em termos da sua produção anual de energia elétrica. Para além disso, o comportamento do tipo "caixa negra" do controlador é analisado, de forma a clarificar o tipo de lei de controlo aprendida que é implementada.
Keywords: conversor de energia das ondas, coluna de água oscilante, Mutriku, controlo por torque eletromagnético, deep reinforcement learning

Discussão: dezembro 17, 2021, 8:0