Reinforcement learning with neural network-based value function approximation to manage flexible electric loads and distributed energy resources
| dc.contributor.advisor | Lorca Gálvez, Álvaro Hugo | |
| dc.contributor.author | Haase Vargas, Felipe Andrés | |
| dc.contributor.other | Pontificia Universidad Católica de Chile. Escuela de Ingeniería | |
| dc.date.accessioned | 2021-06-29T15:01:35Z | |
| dc.date.available | 2021-06-29T15:01:35Z | |
| dc.date.issued | 2021 | |
| dc.description | Tesis (Master of Science in Engineering)--Pontificia Universidad Católica de Chile, 2021 | |
| dc.description.abstract | Ante los desafíos que conllevan tanto la implementación de generación de energía mediante recursos renovables, como el inminente aumento de los autos eléctricos en los hogares en el corto plazo, se propone un modelo de optimización mediante un esquema de Aprendizaje Reforzado para la decisión de acciones que tomar sobre dos recursos energéticos distribuidos: un panel solar con batería y un auto eléctrico con capacidad de entregar energía al hogar. Los estados del modelo son representados por la energía tanto en la batería como en el auto, y otros factores exógenos como el consumo energético del momento del hogar, temperatura y humedad. Al existir un espacio infinito de estados, se realiza una discretización sobre los estados de batería de ambos artefactos. El modelo es aproximado mediante Aproximación de Función de Valor, utilizando como aproximador una Red Neuronal, que sirve como función de regresión. La red neuronal es entrenada con vectores de estado-acción (X) y valores esperados del costo futuro de la acción tomada (Y ). Se realizan dos experimentos para probar la efectividad del modelo: un ajuste de los hiperparámetros de la red neuronal, en busca del modelo que mejor logre aproximar los datos; y una simulación de decisiones en un hogar con datos reales otorgados por Pecan Street. Se comparan los resultados obtenidos de tomar decisiones día a día con tres políticas diseñadas a partir de la naturaleza de los datos. El modelo diseñado obtiene un 13% de ventaja por sobre la mejor política diseñada, en el promedio anual. | |
| dc.format.extent | x, 42 páginas | |
| dc.fuente.origen | Autoarchivo | |
| dc.identifier.doi | 10.7764/tesisUC/ING/60882 | |
| dc.identifier.uri | https://doi.org/10.7764/tesisUC/ING/60882 | |
| dc.identifier.uri | https://repositorio.uc.cl/handle/11534/60882 | |
| dc.information.autoruc | Escuela de Ingeniería ; Lorca Gálvez, Álvaro Hugo ; 0000-0002-9864-0932 ; 148348 | |
| dc.information.autoruc | Escuela de Ingeniería ; Haase Vargas, Felipe Andrés ; S/I ; 232243 | |
| dc.language.iso | en | |
| dc.nota.acceso | Contenido completo | |
| dc.rights | acceso abierto | |
| dc.subject.ddc | 333.794 | |
| dc.subject.dewey | Economía | es_ES |
| dc.subject.other | Recursos energéticos renovables - Predicciones | es_ES |
| dc.subject.other | Aprendizaje de máquina | es_ES |
| dc.subject.other | Redes neurales (Ciencia de la computación) | es_ES |
| dc.title | Reinforcement learning with neural network-based value function approximation to manage flexible electric loads and distributed energy resources | es_ES |
| dc.type | tesis de maestría | |
| sipa.codpersvinculados | 148348 | |
| sipa.codpersvinculados | 232243 |