Controle supervisório de microrredes utilizando deep reinforcement learning (2021)
- Authors:
- Autor USP: BARBALHO, PEDRO INÁCIO DE NASCIMENTO E - EESC
- Unidade: EESC
- Sigla do Departamento: SEL
- Subjects: REDES DE DISTRIBUIÇÃO DE ENERGIA ELÉTRICA; ALGORITMOS; APRENDIZADO COMPUTACIONAL
- Keywords: Aprendizado por reforço; Controle inteligente; Controle supervisório; Microrredes
- Agências de fomento:
- Language: Português
- Abstract: As microrredes surgiram devido à necessidade de se coordenar um novo modelo de geração em ascensão, a geração distribuída, com sistemas de armazenamento de energia e cargas locais. Esse tipo de rede é um sistema complexo e há diversas proposições de como controlá-lo de forma a permitir a sua operação conectada ao sistema de distribuição ou ilhada. Além disso, para um melhor desempenho do controle da microrrede, é preciso que este se adapte aos seus diferentes pontos de operação. O controle de microrredes pode ser dividido em três níveis hierárquicos que diferem em tempo de resposta, objetivos de controle e necessidade de comunicação. Por tratar-se de um tema recente, ainda há espaço para novas análises e contribuições. Neste sentido, o objetivo deste estudo foi modelar o controlador supervisório de uma microrrede ilhada, utilizando um algoritmo de deep reinforcement learning denominado de deep deterministic policy gradient. A microrrede modelada para o estudo, possui um gerador síncrono, dois sistemas de armazenamento de energia por baterias e um gerador fotovoltaico. O controlador proposto faz a leitura das tensões terminais dos recursos distribuídos de energia e da frequência da rede e atua nas potências ativas e reativas com o intuito de manter as variáveis de controle o mais próximo possível da referência. O desempenho do controlador proposto foi comparado a um esquema utilizando o método droop convencional, por meio da simulação de três cenários: i) desconexão e conexãoprogramada de alimentado; ii) Aplicação de curto-circuito com posterior abertura de disjuntor para isolar a falha; e iii) Desconexão da maior carga do sistema. A priori, almejava-se uma melhora expressiva do controlador inteligente em comparação ao droop. Pelos resultados obtidos, não houve uma superioridade do controlador inteligente com relação ao droop, mas pode-se dizer que seu desempenho foi equivalente. Em alguns casos, o droop teve um desempenho mais adequado na minimização das oscilações de frequência e tensão, enquanto que, em outros, o comportamento da metodologia abordada foi mais conveniente
- Imprenta:
- Publisher place: São Carlos
- Date published: 2021
- Data da defesa: 17.02.2021
-
ABNT
BARBALHO, Pedro Inácio de Nascimento e. Controle supervisório de microrredes utilizando deep reinforcement learning. 2021. Dissertação (Mestrado) – Universidade de São Paulo, São Carlos, 2021. Disponível em: https://www.teses.usp.br/teses/disponiveis/18/18154/tde-03032021-172052/. Acesso em: 28 dez. 2025. -
APA
Barbalho, P. I. de N. e. (2021). Controle supervisório de microrredes utilizando deep reinforcement learning (Dissertação (Mestrado). Universidade de São Paulo, São Carlos. Recuperado de https://www.teses.usp.br/teses/disponiveis/18/18154/tde-03032021-172052/ -
NLM
Barbalho PI de N e. Controle supervisório de microrredes utilizando deep reinforcement learning [Internet]. 2021 ;[citado 2025 dez. 28 ] Available from: https://www.teses.usp.br/teses/disponiveis/18/18154/tde-03032021-172052/ -
Vancouver
Barbalho PI de N e. Controle supervisório de microrredes utilizando deep reinforcement learning [Internet]. 2021 ;[citado 2025 dez. 28 ] Available from: https://www.teses.usp.br/teses/disponiveis/18/18154/tde-03032021-172052/ - A deep reinforcement learning approach for voltage and frequency control of microgrids with power hardware-in-the-loop validation
- Deep reinforcement learning-based secondary control for microgrids in islanded mode
- Hardware-in-the-loop testing of a deep deterministic policy gradient algorithm as a microgrid secondary controller
- Alocação otimizada de baterias em uma microrrede utilizando algoritmos genéticos
- High impedance fault location in distribution systems: a novel approach with enhanced metrics and intelligent algorithms
- Reinforcement learning solutions for microgrid control and management: a survey
- Signal processing techniques for synchrophasors considering short‐circuit signals: a comparative study
- A new approach for fault classification based on s-transform and artificial neural network
- Impact analysis of a transportable BESS on the short-circuit behavior in a distribution system
How to cite
A citação é gerada automaticamente e pode não estar totalmente de acordo com as normas
