ElectriciTree

Nos dias de hoje, o consumo energético proveniente da rede está cada vez mais caro e o planeta sofre com o consumo massivo dos combustíveis fósseis. Apesar do interesse de muitas famílias e empresas em optar por energias renováveis, muitas vezes o espaço requerido para proceder a estas instalações é inconcebível, especialmente em zonas urbanas ou em pequenos terrenos. Para colmatar este problema existem já algumas soluções semelhantes no mercado embora continuem a apresentar diferentes níveis de eficiência energética a diferentes períodos do dia ou estações do ano, por possuírem movimento limitado e/ou pouco otimizado. Adicionalmente estas instalações frequentemente destoam do local de instalação por terem um formato pouco apelativo ou de grande dimensão, que suscita pouca adesão de potenciais consumidores. 

Para solucionar este problema, o nosso projeto pretende facilitar o acesso e promover o interesse do consumidor em energia solar, com um investimento inicial e custos de manutenção acessíveis, uma área de instalação requerida menor e uma expectativa de retorno próxima às instalações tradicionais. O que nos distingue dos competidores do mercado é a compactação da nossa instalação em conformidade com o nosso algoritmo de cálculo de melhor exposição solar em tempo real, para minimizar o efeito da sombra entre camadas, ou seja, com o mesmo investimento e com um espaço requerido muito menor apresentar os mesmos níveis de eficiência com uma infraestrutura urban-friendly.

Para maximizar exposição solar é necessário coordenar os vários braços da árvore de forma a minimizar a sombra e, ao mesmo tempo, otimizar o ângulo de incidência solar. Com este objetivo em mente, será desenvolvido um algoritmo de reinforcement learning cuja recompensa é atribuída de acordo com a energia produzida (já tendo em conta a energia gasta no movimento dos braços). Desta forma, o algoritmo será penalizado inerentemente por ações que diminuam o total de energia produzido como:

• Movimentos desnecessários
• Movimentos que criem sombra em braços inferiores

Outra razão para utilizar um algoritmo de reinforcement learning deve-se à natureza estocástica do problema: para além do Sol, variáveis como a presença de nuvens ou edifícios podem alterar a posição ótima dos vários braços. Por ser impossível modelar todas as situações possíveis o nosso modelo passaria por dois tipos de learning:

1. Online learning - através de simulações, sem necessidade de um protótipo fisíco, o modelo aprenderia a melhor posição tendo em conta a posição do Sol e algumas situações possíveis como a presença de nuvens;
2. Offline learning - cada árvore instalada teria uma segunda fase de aprendizagem individual, a partir dos dados capturados desde a sua instalação. Esta segunda fase individual de aprendizagem vai garantir os melhores resultados possíveis tendo em conta a situação individual de cada árvore.

Com a crescente urgência da adoção de clean energy, esta ideia passa por desenvolver um protótipo moderno e sobretudo prático, para que se adeque a um maior número de pessoas, produzindo valores muito próximos de eficiência energética aos dos painéis fixos. Escolhemos prosseguir com esta ideia porque, embora ambiciosa, consideramos que é uma área de grande potencial, uma vez que a necessidade energética é cada vez maior, tal como a consciencialização para a urgência climática. 

A nossa solução exige um processamento elevado de dados provenientes dos sensores pelo que implementando o nosso algoritmo em Azure simplificamos este processo, mantendo os custos relativamente baixos.

Link GitHub: https://github.com/pedrogsfernandes/ElecTreecity/blob/main/Tree.py