Da pv magazine Global
Pesquisadores da Universidade de Tsukuba, no Japão, desenvolveram uma nova estrutura de controle consciente do desequilíbrio para sistemas de armazenamento de baterias fotovoltaicas (PV-BSS) que negociam nos mercados de eletricidade do dia seguinte com mecanismos rígidos de penalidade.
Nesses mercados, os produtores e varejistas de energia pagam taxas de desequilíbrio quando sua oferta ou demanda real de energia se desvia dos valores planejados.
“Esta pesquisa contribuirá para um mecanismo que melhora a lucratividade, evita penalidades de desequilíbrio e oferece um suprimento estável de energia renovável ao mercado”, afirmaram os cientistas em um comunicado. “Além disso, pode lançar as bases para um sistema que trata fontes de energia domésticas agregadas – como baterias de armazenamento e veículos elétricos – como uma nova fonte de energia, oferecendo benefícios sociais, como preços de eletricidade estabilizados e risco reduzido de falta de energia.”
No centro do novo sistema está uma estrutura de aprendizado por reforço profundo (DRL) baseada em otimização de política proximal (PPO) que incorpora penalidades de desequilíbrio diretamente em sua função de recompensa. Embora adaptado às regras do mercado japonês, os pesquisadores observam que o método pode ser adaptado a outros mercados de eletricidade. A configuração proposta envolve três componentes principais: um agregador de energia renovável, um PV-BSS e um mercado atacadista.
Imagem: Universidade de Tsukuba, IEEE Access, CC BY 4.0
A estrutura primeiro coleta e prevê a geração fotovoltaica para o dia seguinte usando um modelo de estimativa de limite inferior e superior (LUBE). Uma rede multicamada (MLP) prevê preços de eletricidade e desequilíbrio com base em dados meteorológicos e previsões fotovoltaicas. Usando essas previsões, o modelo DRL programa os ciclos de carga e descarga da bateria para maximizar a receita e minimizar as penalidades. Durante a operação em tempo real, o controle preditivo do modelo (MPC) atua como uma camada de segurança, ajustando as ações para levar em conta as flutuações de curto prazo. A saída final é usada para formular a oferta de mercado para o dia seguinte.
“Outros métodos computacionais podem controlar o equilíbrio até certo ponto, mas não podem refletir adequadamente as incertezas do mundo real, como mudanças climáticas repentinas e dinâmicas complexas do mercado.” A universidade explicou. “O novo método otimiza a operação dos sistemas de geração de energia solar e armazenamento de bateria, em conformidade com as regras do mercado. O método se baseia em IA baseada em aprendizado por reforço profundo, que pode lidar com problemas envolvendo incerteza.”
A equipe testou a nova abordagem em uma única família na cidade de Tsukuba, usando dados reais coletados entre abril de 2022 e março de 2023. A configuração incluiu uma bateria de 4 kWh e um inversor de 4 kW. Os dados para PV e previsão de preços foram divididos em 70% para treinamento, 15% para validação e 15% para testes. O treinamento de modelo estável foi alcançado após cerca de 5.000 episódios.
Os pesquisadores incorporaram a penalidade de desequilíbrio na função de recompensa e refinaram o controle usando o MPC, descobrindo que o método proposto alcançou aproximadamente 63% da receita líquida ideal, reduzindo as penalidades de desequilíbrio em 47% em comparação com a linha de base baseada em regras e em 26% em comparação com o modelo DRL sem consciência de desequilíbrio.
“A estratégia híbrida PPO+MPC superou o PPO autônomo, reduzindo os eventos de desequilíbrio de 140 para 99 e melhorando a estabilidade da receita”, concluíram os pesquisadores. “Além disso, as avaliações sazonais confirmaram a lucratividade estável em diversas condições.”
Suas descobertas foram apresentadas em “Imbalance-Aware Scheduling for PV-Battery Storage Systems Using Deep Reinforcement Learning“, publicado no IEEE Access.
Este conteúdo é protegido por direitos autorais e não pode ser reutilizado. Se você deseja cooperar conosco e gostaria de reutilizar parte de nosso conteúdo, por favor entre em contato com: editors@pv-magazine.com.
Ao enviar este formulário, você concorda com a pv magazine usar seus dados para o propósito de publicar seu comentário.
Seus dados pessoais serão apenas exibidos ou transmitidos para terceiros com o propósito de filtrar spam, ou se for necessário para manutenção técnica do website. Qualquer outra transferência a terceiros não acontecerá, a menos que seja justificado com base em regulamentações aplicáveis de proteção de dados ou se a pv magazine for legalmente obrigada a fazê-lo.
Você pode revogar esse consentimento a qualquer momento com efeito para o futuro, em cujo caso seus dados serão apagados imediatamente. Ainda, seus dados podem ser apagados se a pv magazine processou seu pedido ou se o propósito de guardar seus dados for cumprido.
Mais informações em privacidade de dados podem ser encontradas em nossa Política de Proteção de Dados.