Aplicação de técnicas de estimação de estado e aprendizado de máquina para o gerenciamento energético das microrredes

• Processo: 22/16881-5
• Modalidade de apoio: Bolsas no Exterior - Estágio de Pesquisa - Doutorado
• Data de Início da vigência: 01 de junho de 2023
• Data de Término da vigência: 31 de maio de 2024
• Área de conhecimento: Engenharias - Engenharia Elétrica - Sistemas Elétricos de Potência
• Pesquisador responsável: Luiz Carlos Pereira da Silva
• Beneficiário: Byron Alejandro Acuña Acurio
• Supervisor: Bo Norregaard Jorgensen
• Instituição Sede: Faculdade de Engenharia Elétrica e de Computação (FEEC). Universidade Estadual de Campinas (UNICAMP). Campinas , SP, Brasil
• Instituição Anfitriã: University of Southern Denmark (SDU), Dinamarca
• Vinculado à bolsa: 20/03069-5 - Aplicação de técnicas de estimação de estado e aprendizado de máquina para o gerenciamento energético das microrredes, BP.DR
• Assunto(s): Aprendizado computacional Armazenamento de energia Estimação de estado Microrredes Energia renovável
• Palavra(s)-Chave do Pesquisador: Aprendizado de Máquina | Armazenamento de Energia | estimacao de estado | Fontes de Energia Renováveis | gerenciamento energético baseado em dados | Microrredes | Microrredes

Resumo

As microrredes são sistemas que integram energias sustentáveis que podem operar de forma conectada ou desconectada à rede elétrica principal. Tradicionalmente, as microrredes operam com fontes de energia distribuída (distributed energy resources, ou DERs) do tipo fotovoltaica, eólica, sistemas de armazenamento e geração térmica. Os padrões de geração renovável nas microrredes são altamente intermitentes, criando problemas de natureza estocástica, que desafiam o controle e a confiabilidade do sistema em tempo real. Nesse contexto, é necessária a detecção e processamento desses eventos dinâmicos e aleatórios que estão fora do controle humano, o que pode ser feito através de algoritmos de aprendizado de máquina e estimação de estado, para calcular e prever as condições dos componentes das microrredes nos diferentes cenários de funcionamento. Assim, a estimação de estado em microrredes é utilizada para converter as leituras dos medidores e outras informações disponíveis em uma estimativa confiável das variáveis não monitoradas, ou alternativamente pode ser usada para filtragem de ruídos e leituras sujeitas a erros grosseiros da medida. Por outro lado, o aprendizado de máquina pode ser usado para lidar com os parâmetros estocásticos das microrredes. Por exemplo, na previsão de curto prazo da energia renovável, da demanda, dos sinais do mercado elétrico, e da operação dos sistemas de armazenamento sob incerteza. Neste contexto, o objetivo deste projeto de pesquisa é desenvolver e avaliar o desempenho de algoritmos de aprendizado de máquina e de estimação de estado para executar funções essenciais das microrredes, tais como o gerenciamento energético baseado em dados (data-driven) e a previsão da geração renovável e da demanda ao curto prazo. Dois software protótipos serão desenvolvidos e testados na microrrede laboratorial da UNICAMP, especificamente na microrrede piloto LABREI, que está sendo implantada na UNICAMP através do projeto P&D MERGE - Microgrids for Efficient, Reliable and Greener Energy, através do projeto temático em andamento FAPESP 2016/08645-9 e do Centro Paulista de Estudos da Transição Energética (CPTEn) FAPESP 2021/11380-5. A microrrede piloto LABREI é único do seu tipo no Brasil, por contar com tecnologias para a análise da operação de microrredes em presença de DERs, com controle e sensoriamento digital em tempo real e sistemas de telecomunicações e aquisição de dados avançados, essenciais para a validação prática dos algoritmos propostos. (AU)