António Faria, investigador do Centro de Sistemas de Energia (CPES) do INESC TEC, foi o grande vencedor do PRÉMIO APREN 2019, numa edição que também atribuiu uma menção honrosa ao investigador Ricardo Emanuel Silva, também do CPES.
A Associação Portuguesa de Energias Renováveis (APREN) distingue anualmente dissertações académicas realizadas em instituições portuguesas de Ensino Superior, relacionadas com a eletricidade de origem renovável. Com a tese “A Chance-Constrained Approach for Electric Vehicle Aggregator Participation in the Reserve Market”, António Faria, aluno da UP-FEUP, ficou classificado em primeiro lugar, garantindo um prémio monetário de 1500€.
Já a tese “Artificial Intelligence Techniques Applied for the Predictive Control of Stationary Storage”, de Ricardo Silva, recebeu uma Menção Honrosa. Os resultados foram anunciados durante o Portugal Renewable Summit 2019, a conferência anual da APREN, que teve lugar no dia 28 de novembro, na Fundação Oriente, em Lisboa.
A tese vencedora, com orientação de Manuel Matos e coorientação de Tiago Soares e Tiago Sousa (Technical University of Denmark – DTU) debruçou-se sobre a iminente penetração de veículos elétricos (EVs) e em especial sobre formas de estes elementos serem aproveitados para auxiliar o sistema elétrico de energia. «A tese propõe um novo modelo de otimização para resolver o problema que o agregador de EVs suscita para fornecer reserva, uma vez que há incerteza e risco associados, Assim, são aplicados os métodos Big-M e McCormick de modo a analisar o risco que o agregador submete em mercado, sendo que o modelo é validado e testado para diferentes números de cenários e níveis de risco», explicou António Faria.
Já a tese de Ricardo Emanuel Silva, orientada por Ricardo Jorge Bessa, procurou desenvolver um estudo comparativo entre agentes de inteligência artificial direcionados a otimizar o agendamento de ciclos de carga e descarga de baterias no contexto de uma residência dotada de produção renovável (fotovoltaica neste caso). «Como objetivos de otimização explorou-se o auto-consumo e arbitragem de preços. O uso da machine learning, em especial de reinforcement learning prendeu-se com a dificuldade que existe em modelizar uma bateria (neste caso de lítio) de forma realista, algo dificilmente endereçável por solvers de otimização clássicos não lineares. Nos vários agentes treinados concluiu-se a sua capacidade de endereçar o problema, sobretudo quando direcionados à maximização do auto-consumo», explicou o investigador.
Os investigadores mencionados têm vínculo ao INESC TEC e à UP-FEUP.
Notícias, atualidade, curiosidades e muito mais sobre o INESC TEC e a sua comunidade!
