BEGIN:VCALENDAR VERSION:2.0 PRODID:-//linuxsoftware.nz//NONSGML Joyous v1.4//EN BEGIN:VEVENT SUMMARY:Reinforcement Learning for Battery Operation: Energy Arbitrage Con sidering Battery Degradation DTSTART:20231127T160000Z DTEND:20231127T180000Z DTSTAMP:20260808T052120Z UID:b0a6f1ca-3553-438b-8f12-38517b0532b4 SEQUENCE:2 CREATED:20231123T154117Z DESCRIPTION:Os sistemas de armazenamento de energia (BESS) proporcionam ao s seus proprietários maior controlo sobre o uso de energia. Realizando ar bitragem de energia (EA)\, os proprietários conseguem reduzir as suas des pesas energéticas. Contudo\, a maioria carece do conhecimento necessário para optimizar estes sistemas para EA. Neste tipo de ambientes de sistema de energia dinâmicos\, a aprendizagem por reforço (RL) destaca-se como uma poderosa ferramenta de tomada de decisão\, capaz de maximizar os lucr os alcançáveis por EA. Todavia\, o desempenho de uma bateria é inconsta nte\, porque a sua capacidade diminui progressivamente. É fundamental tom ar em conta esta degradação da bateria para obter resultados fiavéis\, pois pode prejudicar potenciais lucros de EA\, talvez mais ainda se for de sconsiderada. Este trabalho utiliza RL para encontrar a forma ideal de ope rar uma bateria que fornece serviços de EA residencial\, considerando a d egradação da bateria prevista por um modelo de aprendizagem semi-supervi sionada. Analisam-se três cenários: um onde o algoritmo é treinado numa bateria com capacidade máxima constante irrealista\, um que considera a capacidade real ao longo da vida da bateria e calcula o verdadeiro resulta do das decisões tomadas no primeiro cenário\, e um onde o algoritmo é t reinado numa bateria com capacidade real decrescente. Os resultados mostra m que\, se a degradação for desconsiderada durante a operação da bater ia\, os custos de degradação reduzem potenciais lucros em 13%. Se consid erada\, esta percentagem cai para 4%. Ter em conta a degradação pode tam bém aumentar a vida da bateria em 20%\, adiando a sua substituição e in vestimentos associados. LAST-MODIFIED:20231124T092454Z LOCATION:Online URL:http://df.vps.tecnico.ulisboa.pt/pt/eventos/reinforcement-learning-for -battery-operation-energy-arbitrage-considering-battery-degradation/ X-ALT-DESC;FMTTYPE=text/html:

Os sistemas de arma zenamento de energia (BESS) proporcionam aos seus proprietários maior con trolo sobre o uso de energia. Realizando arbitragem de energia (EA)\, os p roprietários conseguem reduzir as suas despesas energéticas. Contudo\, a maioria carece do conhecimento necessário para optimizar estes sistemas para EA. Neste tipo de ambientes de sistema de energia dinâmicos\, a apre ndizagem por reforço (RL) destaca-se como uma poderosa ferramenta de toma da de decisão\, capaz de maximizar os lucros alcançáveis por EA.
< br/>Todavia\, o desempenho de uma bateria é inconstante\, porque a sua ca pacidade diminui progressivamente. É fundamental tomar em conta esta degr adação da bateria para obter resultados fiavéis\, pois pode prejudicar potenciais lucros de EA\, talvez mais ainda se for desconsiderada.
Este trabalho utiliza RL para encontrar a forma ideal de operar uma bat eria que fornece serviços de EA residencial\, considerando a degradação da bateria prevista por um modelo de aprendizagem semi-supervisionada. An alisam-se três cenários: um onde o algoritmo é treinado numa bateria co m capacidade máxima constante irrealista\, um que considera a capacidade real ao longo da vida da bateria e calcula o verdadeiro resultado das deci sões tomadas no primeiro cenário\, e um onde o algoritmo é treinado num a bateria com capacidade real decrescente.

Os resultados mostram que\, se a degradação for desconsiderada durante a operação da bateri a\, os custos de degradação reduzem potenciais lucros em 13%. Se conside rada\, esta percentagem cai para 4%. Ter em conta a degradação pode tamb ém aumentar a vida da bateria em 20%\, adiando a sua substituição e inv estimentos associados.

END:VEVENT END:VCALENDAR