Gerenciamento Otimizado de Usinas Virtuais de Energia para Suporte de Frequência com Aprendizado Profundo por Reforço

Resumo

O compromisso com a redução das emissões de gases de efeito estufa tem incentivado o meio acadêmico e a indústria a aprimorar e disseminar Recursos Energéticos Distribuídos (REDs) baseados em fontes renováveis, como aerogeradores e painéis fotovoltaicos. O uso de armazenadores de energia também tem crescido, pois eles compensam momentos de escassez e excesso de energia, resultantes da intermitência dessas fontes. Essas tecnologias de REDs são conectadas à rede por meio de conversores CC-CA, também conhecidos como inversores. Os REDs baseados em inversores, ou Inverter-Based Resources (IBRs), quando empregados em larga escala, podem impactar a inércia equivalente da rede e gerar fluxo reverso. Nesse cenário, as Usinas Virtuais de Energia, do inglês, Virtual Power Plants (VPPs), surgem como uma solução viável para agregar REDs, maximizando os benefícios da geração distribuída. Estudos sobre VPPs focam principalmente em estratégias de otimização de despacho de REDs, visando a minimização dos custos operacionais. Porém, não avaliam os problemas de estabilidade associados a operação de IBRs. Além disso, a complexidade das variáveis e cenários envolvidos na otimização exige o uso de algoritmos avançados, como o aprendizado profundo por reforço, do inglês, Deep Reinforcement Learning (DRL). Diante desse contexto, este projeto de pós-doutorado tem como objetivos: propor indicadores para diagnóstico da estabilidade de redes com alta penetração de IBRs; desenvolver uma abordagem baseada em DRL para otimizar o despacho de IBRs em VPPs, ajustando a inércia equivalente da rede; e análise do impacto da abordagem proposta na operação dos dispositivos de proteção da rede. (AU)