Performance de Armazenamento de Energia Avaliada com Machine Learning

São Paulo — InkDesign News — Um novo sistema de avaliação de desempenho promete melhorar a análise de plantas de armazenamento de energia eletroquímica (ESPPs) utilizando machine learning e abordagens avançadas de inteligência artificial.

Contexto da pesquisa

A integração sustentável de energia enfrenta desafios significativos na avaliação dos trade-offs complexos ao operar sistemas de armazenamento de energia. O estudo, publicado no International Journal of Power and Energy Conversion, identifica que sistemas como baterias recarregáveis são cruciais para estabilizar o fornecimento durante períodos de incerteza nas fontes de energia renovável, como solar e eólica.

Método proposto

Para abordar esses desafios, os pesquisadores utilizaram uma versão refinada de um algoritmo genético conhecido como NSGA-II (Non-dominated Sorting Genetic Algorithm II). Este modelo é amplamente utilizado em engenharia e pesquisa operacional, sendo eficaz para problemas com múltiplos objetivos conflitantes. A equipe aperfeiçoou o algoritmo ao introduzir um novo método para selecionar condições iniciais e ao substituir o mecanismo de cruzamento convencional por uma alternativa mais exploratória.

“Essas melhorias resultaram em um algoritmo que é até cinco vezes mais rápido que o seu predecessor e demonstravelmente mais eficaz na identificação de melhores soluções em uma gama mais ampla de cenários.”
(“These enhancements led to an algorithm that was up to five times faster than its predecessor and demonstrably more effective at identifying better solutions across a wider range of scenarios.”)

— Jiasheng Wu, Pesquisador, [Instituição não especificada]

Resultados e impacto

O estudo evidenciou melhorias significativas em desempenho técnico e viabilidade econômica para ESPPs. Um cenário modelado indicou que, sob condições operacionais específicas, os retornos anuais sobre o investimento poderiam alcançar até 13%. Isso sugere que, com um projeto e coordenação cuidadosos, essas plantas podem oferecer incentivos financeiros substanciais, além de seus benefícios ambientais.

As possíveis aplicações desse sistema de avaliação incluem não apenas aprimoramentos em investimentos em energia renovável, mas também na formulação de políticas públicas mais eficazes para a transição energética.

Fonte: (TechXplore – Machine Learning & AI)