Vehicle-to-Grid (V2G) no mercado brasileiro de energia: Uma abordagem via Reinforcement Learning

Página do item simplificado
dc.contributor.authorCozer, Luan Carlos Covalski
dc.date.accessioned2026-07-27T23:05:44Z
dc.date.available2026-07-27T23:05:44Z
dc.date.issued2026-07-27
dc.descriptionTrabalho de Conclusão de Curso apresentado ao Instituto Latino-Americano de Tecnologia, Infraestrutura e Território da Universidade Federal da Integração Latino-Americana, como requisito parcial à obtenção do título de Bacharel em Engenharia de Energia.
dc.description.abstractEste trabalho avalia o desempenho econômico da operação Vehicle-to-Grid (V2G) no mercado brasileiro de energia, considerando a arbitragem de preços via Preço de Liquidação das Diferenças (PLD), utilizando um agente de Aprendizado por Reforço treinado pelo algoritmo Proximal Policy Optimization (PPO). Acoplado a um modelo digital eletroquímico construído no framework PyBaMM, o agente otimiza os ciclos de carga e descarga para maximizar o lucro de arbitragem do PLD horário do submercado Sudeste, assumindo a degradação física da bateria como custo interno da operação. O estudo compara duas químicas, a NMC-811, de alta densidade energética, e a LFP, robusta ao ciclamento, ao longo de três perfis de mobilidade residencial, confrontando o desempenho do agente com um carregamento passivo e uma heurística de referência. Os resultados demonstram que a arbitragem V2G com a LFP supera o carregamento passivo nos três perfis, gerando lucro absoluto nos cenários conservador e flexível e praticamente sem encurtar a vida útil da bateria. Por outro lado, a NMC 811 mostra-se viável apenas no perfil intenso, no qual o uso frequente já obriga o veículo a manter a carga elevada. Uma vez que estes ganhos pressupõem o acesso do consumidor ao preço horário do PLD, a adequação regulatória do V2G torna-se um pré-requisito para a sua adoção no Brasil, sendo que a futura inclusão de serviços ancilares poderá ampliar as receitas nos cenários atualmente marginais.
dc.identifier.urihttps://dspace.unila.edu.br/handle/123456789/9929
dc.rightsopenAccess
dc.subjectaprendizado
dc.subjectbaterias elétricas
dc.subjectmercado brasileiro de energia elétrica
dc.subjectVehicle-to-Grid (V2G)
dc.titleVehicle-to-Grid (V2G) no mercado brasileiro de energia: Uma abordagem via Reinforcement Learning
dcterms.abstractThis work assesses the economic feasibility of Vehicle-to-Grid (V2G) operations in the Brazilian energy market using a Reinforcement Learning agent trained with the Proximal Policy Optimization (PPO) algorithm. Coupled with an electrochemical digital twin built in the PyBaMM framework, the agent optimizes charge and discharge cycles to maximize arbitrage profit from the hourly Settlement Price of Differences (PLD) in the Southeast submarket, internalizing physical battery degradation as an operating cost. The study compares two battery chemistries, the high-energy-density NMC-811 and the cycling-robust LFP, across three residential mobility profiles, benchmarking the agent against passive charging and a reference heuristic. Results indicate that V2G arbitrage with LFP outperforms passive charging across all profiles, yielding positive absolute profit in conservative and flexible scenarios without significantly shortening battery lifespan. Conversely, NMC-811 is only viable in the intensive profile, where heavy usage inherently requires maintaining a high state of charge. Since these financial gains require consumer access to hourly PLD rates, updating Brazilian regulations is a prerequisite for V2G adoption. Furthermore, integrating ancillary services could boost revenues in currently marginal scenarios.

Arquivos

Pacote Original
Agora exibindo 1 - 1 de 1
Imagem de Miniatura
Nome:
Vehicle-to-Grid (V2G) no mercado brasileiro de energia: Uma abordagem via Reinforcement Learning.pdf
Tamanho:
3.98 MB
Formato:
Adobe Portable Document Format
Baixar
Licença do Pacote
Agora exibindo 1 - 1 de 1
Nenhuma Miniatura disponível
Nome:
license.txt
Tamanho:
1.82 KB
Formato:
Item-specific license agreed upon to submission
Descrição:
Baixar

Coleções

TCC - Engenharia de Energia