Aprendizado de máquina combinado com técnicas de análise espaço-temporal para alocação e dimensionamento de baterias em sistemas de distribuição elétrica

• Processo: 23/02389-4
• Modalidade de apoio: Bolsas no Exterior - Estágio de Pesquisa - Doutorado
• Data de Início da vigência: 15 de agosto de 2023
• Data de Término da vigência: 14 de agosto de 2024
• Área de conhecimento: Engenharias - Engenharia Elétrica - Sistemas Elétricos de Potência
• Pesquisador responsável: John Fredy Franco Baquero
• Beneficiário: Norberto Abrante Martinez
• Supervisor: Peter Palensky
• Instituição Sede: Faculdade de Engenharia (FEIS). Universidade Estadual Paulista (UNESP). Campus de Ilha Solteira. Ilha Solteira , SP, Brasil
• Instituição Anfitriã: Delft University of Technology (TU Delft), Holanda
• Vinculado à bolsa: 21/06251-1 - Desenvolvimento de um modelo de programação matemática para a alocação ótima de baterias no sistema de distribuição de energia elétrica baseado em técnicas de análise espaço-temporal, BP.DR
• Assunto(s): Análise espaço-temporal Aprendizado computacional Sistemas de distribuição Armazenamento de energia Sistemas de distribuição de energia elétrica
• Palavra(s)-Chave do Pesquisador: Alocação de baterias | Análise espaço-temporal | Aprendizado de Máquina | sistemas de distribuição | Sistemas de distribuição

Resumo

A evolução das tecnologias de sistemas de armazenamento de energia (SAE) aumentou o interesse de integrá-las no sistema de distribuição de energia eléctrica (SDEE). Apesar dos benefícios que podem proporcionar ao SDEE, SAE continuam a ser dispendiosos, e as decisões de alocação e dimensionamento são complexas devido às incertezas e aspectos do SDEE a longo prazo, que requerem a representação de muitos cenários no aumentando o esforço computacional no processo de decisão; portanto, o planeamento de SAE deve ser cuidadosamente avaliado. Além disso, a elevada penetração de unidades de geração distribuída (GD) renováveis e a crescente integração de veículos eléctricos intensifica a complexidade do problema de planeamento de SAE. Vários métodos foram aplicados para abordar este problema, embora fatores socioeconômicos e geográficos não tenham sido devidamente avaliados e a sua inclusão conduziria a decisões mais adequadas para o planeamento do SDEE; entretanto, propõe-se desenvolver um algoritmo de aprendizagem de máquinas combinado com técnicas de análise espaço-temporal para abordar adequadamente esses fatores no planeamento do SDEE. A abordagem de aprendizagem de máquina para a análise espaço-temporal deverá estimar os dados de entrada do problema (integração de DG renováveis e consumo de energia através do tempo) utilizando dados geográficos e fatores socioeconômicos para criar uma representação adequada dos comportamentos reais em um SDEE; também, deverá ser implementado um método de otimização para resolver o problema considerando a complexidade, o número de cenários e variáveis do problema. A pesquisa será conduzida na Universidade de Tecnologia de Delft, na Holanda; deverá resultar num método de apoio à decisão útil para o planeamento do SDEE. (AU)