Automatic flexible control of tidal range structures

Detalhes bibliográficos
Ano de defesa: 2022
Autor(a) principal: Túlio Marcondes Moreira
Orientador(a): Não Informado pela instituição
Banca de defesa: Não Informado pela instituição
Tipo de documento: Tese
Tipo de acesso: Acesso aberto
Idioma: eng
Instituição de defesa: Universidade Federal de Minas Gerais
Programa de Pós-Graduação: Não Informado pela instituição
Departamento: Não Informado pela instituição
País: Não Informado pela instituição
Palavras-chave em Português:
Link de acesso: https://hdl.handle.net/1843/49168
Resumo: Nos últimos anos, a necessidade de aumentar a capacidade instalada total de fontes renováveis de energia (eólica, solar, bioenergia e hídrica) tem recebido reconhecimento mundial como forma de mitigar os efeitos danosos causados pelas mudanças climáticas resultantes do uso extensivo de combustíveis fósseis. Embora a utilização de fontes ren- ováveis como a energia solar e eólica tenha expandido, a energia das marés permanece praticamente inexplorada. Até hoje, apenas dois grandes projetos de barragens mare- motrizes foram construídos, a saber, La Rance (França) e Lake Sihwa (Coreia do Sul), com 240 MW e 254 MW de capacidade instalada, respectivamente. Um problema recorrente entre as várias propostas de barragens maremotrizes (e.g., Swansea Bay Tidal Lagoon, Severn Barrage, Cardiff Tidal Lagoon) tem sido os altos custos de eletricidade, que estão fortemente relacionados à estratégia operacional utilizada ao estimar a produção de energia desses sistemas. Portanto, esta tese pretende preencher lacunas na literatura, propondo métodos generalistas que possibilitem a primeira operação automática (em tempo real) e otimizada de barragens maremotrizes. Isso permitiria reduzir os custos de energia elétrica por meio (i) da maximização da energia elétrica produzida e (ii) da redução do custo operacional com a operação automática desses sistemas, permitindo que essa tecnologia seja mais atrativa economicamente. Dada uma simulação precisa das estruturas hidráulicas que compõem uma barragem maremotriz, conseguimos alcançar os objetivos apresentados com (a) modificações nos métodos estado da arte, permitindo a operação em tempo real e com con- trole independente de vertedouros e (b) uma nova abordagem com Aprendizado por Reforço Profundo (DRL) projetada para operar barragens maremotrizes. Como estudo de caso para o nosso trabalho, focamos na modelagem 0D de dois projetos: La Rance Tidal Barrage (já construída) e o projeto da Lagoa de Swansea no Reino Unido (SBL). Por meio de técnicas paramétricas e de leis de afinidade, uma representação 0D para La Rance é criada e validada em relação a dados medidos pela Electricité de France (EDF) – companhia responsável pelo operação de La Rance, desde sua construção. O modelo 0D parametrizado é então operado de forma ótima com nosso método DRL, gerando resultados quantitativos e uma estratégia de operação comparáveis às observadas em La Rance. Ao melhor de nosso conhecimento, esta é a primeira validação de um modelo 0D e da estratégia de operação de TRS em comparação a uma TRS construída. Além disso, a parametrização das estruturas de La Rance permitiu uma descrição generalizável do modo operacional de bombeamento das turbinas, que é implementado no modelo 0D de SBL. Mostramos que, utilizando o modelo 0D de SBL com bombeamento, ambos os métodos (a) e (b) desenvolvidos alcançam uma geração de energia superior ao upper bound do estado da arte (cenários onde as previsões de maré são iguais às medições) em 2,68% e 3,14%, respectivamente (levando a um aumento do lucro anual de até 967.267£, para SBL), enquanto operam a TRS em tempo real. Adicionalmente, o método DRL (b) alcança esse objetivo sem necessitar de previsões de maré, enquanto performa uma operação dinâmica das turbinas em modo de bombeamento, incluindo cenários com queda positiva (auxiliada pela gravidade) – essas duas últimas características são observadas em medições de La Rance, e até então não nenhum método de controle de TRS havia sido capaz de realizar essa tarefa.
id UFMG_cef44ef1864bf55b9e57a5bb792477bd
oai_identifier_str oai:repositorio.ufmg.br:1843/49168
network_acronym_str UFMG
network_name_str Repositório Institucional da UFMG
repository_id_str
spelling 2023-01-26T17:26:04Z2025-09-08T23:50:13Z2023-01-26T17:26:04Z2022-06-28https://hdl.handle.net/1843/49168Nos últimos anos, a necessidade de aumentar a capacidade instalada total de fontes renováveis de energia (eólica, solar, bioenergia e hídrica) tem recebido reconhecimento mundial como forma de mitigar os efeitos danosos causados pelas mudanças climáticas resultantes do uso extensivo de combustíveis fósseis. Embora a utilização de fontes ren- ováveis como a energia solar e eólica tenha expandido, a energia das marés permanece praticamente inexplorada. Até hoje, apenas dois grandes projetos de barragens mare- motrizes foram construídos, a saber, La Rance (França) e Lake Sihwa (Coreia do Sul), com 240 MW e 254 MW de capacidade instalada, respectivamente. Um problema recorrente entre as várias propostas de barragens maremotrizes (e.g., Swansea Bay Tidal Lagoon, Severn Barrage, Cardiff Tidal Lagoon) tem sido os altos custos de eletricidade, que estão fortemente relacionados à estratégia operacional utilizada ao estimar a produção de energia desses sistemas. Portanto, esta tese pretende preencher lacunas na literatura, propondo métodos generalistas que possibilitem a primeira operação automática (em tempo real) e otimizada de barragens maremotrizes. Isso permitiria reduzir os custos de energia elétrica por meio (i) da maximização da energia elétrica produzida e (ii) da redução do custo operacional com a operação automática desses sistemas, permitindo que essa tecnologia seja mais atrativa economicamente. Dada uma simulação precisa das estruturas hidráulicas que compõem uma barragem maremotriz, conseguimos alcançar os objetivos apresentados com (a) modificações nos métodos estado da arte, permitindo a operação em tempo real e com con- trole independente de vertedouros e (b) uma nova abordagem com Aprendizado por Reforço Profundo (DRL) projetada para operar barragens maremotrizes. Como estudo de caso para o nosso trabalho, focamos na modelagem 0D de dois projetos: La Rance Tidal Barrage (já construída) e o projeto da Lagoa de Swansea no Reino Unido (SBL). Por meio de técnicas paramétricas e de leis de afinidade, uma representação 0D para La Rance é criada e validada em relação a dados medidos pela Electricité de France (EDF) – companhia responsável pelo operação de La Rance, desde sua construção. O modelo 0D parametrizado é então operado de forma ótima com nosso método DRL, gerando resultados quantitativos e uma estratégia de operação comparáveis às observadas em La Rance. Ao melhor de nosso conhecimento, esta é a primeira validação de um modelo 0D e da estratégia de operação de TRS em comparação a uma TRS construída. Além disso, a parametrização das estruturas de La Rance permitiu uma descrição generalizável do modo operacional de bombeamento das turbinas, que é implementado no modelo 0D de SBL. Mostramos que, utilizando o modelo 0D de SBL com bombeamento, ambos os métodos (a) e (b) desenvolvidos alcançam uma geração de energia superior ao upper bound do estado da arte (cenários onde as previsões de maré são iguais às medições) em 2,68% e 3,14%, respectivamente (levando a um aumento do lucro anual de até 967.267£, para SBL), enquanto operam a TRS em tempo real. Adicionalmente, o método DRL (b) alcança esse objetivo sem necessitar de previsões de maré, enquanto performa uma operação dinâmica das turbinas em modo de bombeamento, incluindo cenários com queda positiva (auxiliada pela gravidade) – essas duas últimas características são observadas em medições de La Rance, e até então não nenhum método de controle de TRS havia sido capaz de realizar essa tarefa.CNPq - Conselho Nacional de Desenvolvimento Científico e TecnológicoCAPES - Coordenação de Aperfeiçoamento de Pessoal de Nível SuperiorengUniversidade Federal de Minas Geraishttp://creativecommons.org/licenses/by-nd/3.0/pt/info:eu-repo/semantics/openAccessTidal energyTidal range structuresDeep reinforcement learningProximal policy optimisationComputação – TesesAprendizado por reforço profundo – Teses.Energia maremotriz – TesesAutomatic flexible control of tidal range structuresControle automático e flexível de estruturas maremotrizesinfo:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/doctoralThesisTúlio Marcondes Moreirareponame:Repositório Institucional da UFMGinstname:Universidade Federal de Minas Gerais (UFMG)instacron:UFMGhttp://lattes.cnpq.br/9554936427715137Gilberto Medeiros Ribeirohttp://lattes.cnpq.br/1681880375960859Pedro Olmo Stancioli Vaz de MeloRodney Rezende SaldanhaAdriano Alonso VelosoLuiz ChaimowiczDivanilson Rodrigo de Sousa CampeloSegen Farid EstefenIn recent years, the need to increase the total installed capacity of renewable energy sources (wind, solar, bioenergy and hydro) has received worldwide recognition as a means to mitigate the damaging effects of climate change that result from the extensive use of fossil fuels. While significant progress has been made in expanding solar and wind resources, tidal energy remains practically untapped. As of today, only two successful large Tidal Range Structure (TRS) projects have been built, namely, La Rance (France) and Lake Sihwa (South Korea), with 240 MW and 254 MW of installed capacity, respectively. A recurrent issue among the several proposals for TRS (e.g. Swansea Bay Tidal Lagoon, Severn Barrage, Cardiff Tidal Lagoon) has been the high electricity costs, which are strongly related to the operational strategy utilised when estimating TRS energy yield. Therefore, this thesis’s project intents to fill gaps in the literature by proposing general methods that enable the first real-time optimised operation of TRS. This would allow for reducing the costs of electricity through (i) energy maximisation of TRS and (ii) operational cost reduction (automatic TRS), allowing this technology to be more economically attractive. Given an accurate simulation of the hydraulic structures that compose a TRS, objectives (i) and (ii) are solved either through: (a) improvements to the state-of-art approach from the literature, enabling real-time control of TRS with independent sluice operation, or (b) utilising a Deep Reinforcement Learning approach (DRL) designed to operate TRS. As a case study for our work we focused on the 0D modelling of two TRS projects: the constructed La Rance Tidal Barrage and the Swansea Bay Tidal Lagoon (SBL) pathfinder project. Through parametric and affinity laws techniques, a 0D La Rance model representation is created using measured data from Electricité de France (EDF) – the utility company responsible for operating La Rance since its construction. The parametrised 0D model is then optimally operated with our DRL method, yielding comparable quantitative results and strategy to observed measurements in La Rance. To the best of our knowledge, this is the first validation of a 0D model and TRS operational strategy against a constructed TRS. Furthermore, the development of the 0D La Rance model enabled a generalisable description of pump operational modes, which is implemented into the 0D model of the SBL. We show that, by using the SBL 0D model with pumping, both our developed (a) and (b) methods achieve energy generation superior to the state-of-art upper bound (scenarios where tidal predictions equal tidal measurements) by 2.68% and 3.14%, respectively (yielding a revenue gain up to 967, 267£ per year, for the SBL), while operating the TRS in real time. The DRL (b) method, however, manages this feat without requiring tidal predictions, performing fine-tuned operation of turbines in pump mode and pumping even with positive (gravity-assisted) head differences – these last two characteristics are observed in La Rance’s measurements, but so far no TRS control method had been able to accomplish this task.https://orcid.org/0000-0003-4159-1495BrasilICX - DEPARTAMENTO DE CIÊNCIA DA COMPUTAÇÃOPrograma de Pós-Graduação em Ciência da ComputaçãoUFMGORIGINALTese_TulioMarcondesMoreira_PDFA.pdfapplication/pdf16386181https://repositorio.ufmg.br//bitstreams/b2f8d9ac-0dca-4ed8-af58-682fea138b36/download0c2fb05281cd0a860e97fa330b6388ecMD51trueAnonymousREADCC-LICENSElicense_rdfapplication/octet-stream805https://repositorio.ufmg.br//bitstreams/a1d1cbb5-445e-48c6-9786-5b50f5b0ca94/download00e5e6a57d5512d202d12cb48704dfd6MD52falseAnonymousREADLICENSElicense.txttext/plain2118https://repositorio.ufmg.br//bitstreams/5a3f3680-e741-4d7b-ad1b-887c0a81c457/downloadcda590c95a0b51b4d15f60c9642ca272MD53falseAnonymousREAD1843/491682025-09-08 20:50:13.197http://creativecommons.org/licenses/by-nd/3.0/pt/Acesso Abertoopen.accessoai:repositorio.ufmg.br:1843/49168https://repositorio.ufmg.br/Repositório InstitucionalPUBhttps://repositorio.ufmg.br/oairepositorio@ufmg.bropendoar:2025-09-08T23:50:13Repositório Institucional da UFMG - Universidade Federal de Minas Gerais (UFMG)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
dc.title.none.fl_str_mv Automatic flexible control of tidal range structures
dc.title.alternative.none.fl_str_mv Controle automático e flexível de estruturas maremotrizes
title Automatic flexible control of tidal range structures
spellingShingle Automatic flexible control of tidal range structures
Túlio Marcondes Moreira
Computação – Teses
Aprendizado por reforço profundo – Teses.
Energia maremotriz – Teses
Tidal energy
Tidal range structures
Deep reinforcement learning
Proximal policy optimisation
title_short Automatic flexible control of tidal range structures
title_full Automatic flexible control of tidal range structures
title_fullStr Automatic flexible control of tidal range structures
title_full_unstemmed Automatic flexible control of tidal range structures
title_sort Automatic flexible control of tidal range structures
author Túlio Marcondes Moreira
author_facet Túlio Marcondes Moreira
author_role author
dc.contributor.author.fl_str_mv Túlio Marcondes Moreira
dc.subject.por.fl_str_mv Computação – Teses
Aprendizado por reforço profundo – Teses.
Energia maremotriz – Teses
topic Computação – Teses
Aprendizado por reforço profundo – Teses.
Energia maremotriz – Teses
Tidal energy
Tidal range structures
Deep reinforcement learning
Proximal policy optimisation
dc.subject.other.none.fl_str_mv Tidal energy
Tidal range structures
Deep reinforcement learning
Proximal policy optimisation
description Nos últimos anos, a necessidade de aumentar a capacidade instalada total de fontes renováveis de energia (eólica, solar, bioenergia e hídrica) tem recebido reconhecimento mundial como forma de mitigar os efeitos danosos causados pelas mudanças climáticas resultantes do uso extensivo de combustíveis fósseis. Embora a utilização de fontes ren- ováveis como a energia solar e eólica tenha expandido, a energia das marés permanece praticamente inexplorada. Até hoje, apenas dois grandes projetos de barragens mare- motrizes foram construídos, a saber, La Rance (França) e Lake Sihwa (Coreia do Sul), com 240 MW e 254 MW de capacidade instalada, respectivamente. Um problema recorrente entre as várias propostas de barragens maremotrizes (e.g., Swansea Bay Tidal Lagoon, Severn Barrage, Cardiff Tidal Lagoon) tem sido os altos custos de eletricidade, que estão fortemente relacionados à estratégia operacional utilizada ao estimar a produção de energia desses sistemas. Portanto, esta tese pretende preencher lacunas na literatura, propondo métodos generalistas que possibilitem a primeira operação automática (em tempo real) e otimizada de barragens maremotrizes. Isso permitiria reduzir os custos de energia elétrica por meio (i) da maximização da energia elétrica produzida e (ii) da redução do custo operacional com a operação automática desses sistemas, permitindo que essa tecnologia seja mais atrativa economicamente. Dada uma simulação precisa das estruturas hidráulicas que compõem uma barragem maremotriz, conseguimos alcançar os objetivos apresentados com (a) modificações nos métodos estado da arte, permitindo a operação em tempo real e com con- trole independente de vertedouros e (b) uma nova abordagem com Aprendizado por Reforço Profundo (DRL) projetada para operar barragens maremotrizes. Como estudo de caso para o nosso trabalho, focamos na modelagem 0D de dois projetos: La Rance Tidal Barrage (já construída) e o projeto da Lagoa de Swansea no Reino Unido (SBL). Por meio de técnicas paramétricas e de leis de afinidade, uma representação 0D para La Rance é criada e validada em relação a dados medidos pela Electricité de France (EDF) – companhia responsável pelo operação de La Rance, desde sua construção. O modelo 0D parametrizado é então operado de forma ótima com nosso método DRL, gerando resultados quantitativos e uma estratégia de operação comparáveis às observadas em La Rance. Ao melhor de nosso conhecimento, esta é a primeira validação de um modelo 0D e da estratégia de operação de TRS em comparação a uma TRS construída. Além disso, a parametrização das estruturas de La Rance permitiu uma descrição generalizável do modo operacional de bombeamento das turbinas, que é implementado no modelo 0D de SBL. Mostramos que, utilizando o modelo 0D de SBL com bombeamento, ambos os métodos (a) e (b) desenvolvidos alcançam uma geração de energia superior ao upper bound do estado da arte (cenários onde as previsões de maré são iguais às medições) em 2,68% e 3,14%, respectivamente (levando a um aumento do lucro anual de até 967.267£, para SBL), enquanto operam a TRS em tempo real. Adicionalmente, o método DRL (b) alcança esse objetivo sem necessitar de previsões de maré, enquanto performa uma operação dinâmica das turbinas em modo de bombeamento, incluindo cenários com queda positiva (auxiliada pela gravidade) – essas duas últimas características são observadas em medições de La Rance, e até então não nenhum método de controle de TRS havia sido capaz de realizar essa tarefa.
publishDate 2022
dc.date.issued.fl_str_mv 2022-06-28
dc.date.accessioned.fl_str_mv 2023-01-26T17:26:04Z
2025-09-08T23:50:13Z
dc.date.available.fl_str_mv 2023-01-26T17:26:04Z
dc.type.status.fl_str_mv info:eu-repo/semantics/publishedVersion
dc.type.driver.fl_str_mv info:eu-repo/semantics/doctoralThesis
format doctoralThesis
status_str publishedVersion
dc.identifier.uri.fl_str_mv https://hdl.handle.net/1843/49168
url https://hdl.handle.net/1843/49168
dc.language.iso.fl_str_mv eng
language eng
dc.rights.driver.fl_str_mv http://creativecommons.org/licenses/by-nd/3.0/pt/
info:eu-repo/semantics/openAccess
rights_invalid_str_mv http://creativecommons.org/licenses/by-nd/3.0/pt/
eu_rights_str_mv openAccess
dc.publisher.none.fl_str_mv Universidade Federal de Minas Gerais
publisher.none.fl_str_mv Universidade Federal de Minas Gerais
dc.source.none.fl_str_mv reponame:Repositório Institucional da UFMG
instname:Universidade Federal de Minas Gerais (UFMG)
instacron:UFMG
instname_str Universidade Federal de Minas Gerais (UFMG)
instacron_str UFMG
institution UFMG
reponame_str Repositório Institucional da UFMG
collection Repositório Institucional da UFMG
bitstream.url.fl_str_mv https://repositorio.ufmg.br//bitstreams/b2f8d9ac-0dca-4ed8-af58-682fea138b36/download
https://repositorio.ufmg.br//bitstreams/a1d1cbb5-445e-48c6-9786-5b50f5b0ca94/download
https://repositorio.ufmg.br//bitstreams/5a3f3680-e741-4d7b-ad1b-887c0a81c457/download
bitstream.checksum.fl_str_mv 0c2fb05281cd0a860e97fa330b6388ec
00e5e6a57d5512d202d12cb48704dfd6
cda590c95a0b51b4d15f60c9642ca272
bitstream.checksumAlgorithm.fl_str_mv MD5
MD5
MD5
repository.name.fl_str_mv Repositório Institucional da UFMG - Universidade Federal de Minas Gerais (UFMG)
repository.mail.fl_str_mv repositorio@ufmg.br
_version_ 1862106020538482688