Design of Evolutionary Optimization and Reinforcement Learning Techniques for Smart Grid Systems Control

A mudança para sistemas de energia mais limpos introduz desafios complexos de Gerenciamento de Recursos Energéticos (ERM), especialmente no contexto de problemas do tipo de compromisso de unidade a ser despachada (do inglês Unit Commitment (UC)). UC envolve a operação de uma microrrede com diversos geradores renováveis juntamente com um fornecedor externo, o que representa um problema NP difícil ao calcular o despacho econômico para cada unidade comprometida em um horizonte de planejamento. Esta tese apresenta soluções algorítmicas para problemas de ERM de objetivo único e multiobjetivo. Primeiro, novos operadores de busca local são propostos para aprimorar uma metaheurística evolutiva para resolver um problema de otimização de ERM baseado em risco com um único objetivo. Os resultados demonstram melhor desempenho em comparação com outros algoritmos baseados em inteligência de enxame, oferecendo redução de custos e proteção contra cenários extremos. Em segundo lugar, é proposto um novo modelo de problema de decisão em ERM com vários objetivos, considerando custo, emissões de CO2 e degradação da bateria. Um agente de aprendizagem controla a profundidade de descarga de uma bateria de íons de lítio, e um novo algoritmo multiobjetivo chamado Multi-Objective Evolutionary Policy Search (MEPS), que utiliza o NeuroEvolution of Augmenting Topologies, é proposto. O MEPS desenvolve redes neurais artificiais para estimar os valores de preferência de ação. A avaliação usando o hipervolume como métrica revela a superioridade do MEPS em relação ao aprendizado por reforço profundo padrão em problemas de referência padrão e recém-propostos. Notavelmente, o MEPS encontra redes neurais com um menor número de nós e conexões, adequadas para sistemas de controle incorporados, demonstrando sua eficácia na solução do problema ERM proposto.