Resumo: As microrredes são sistemas de energia sustentável integrados, capazes de operar tanto conectados à rede elétrica principal quanto de forma independente. Esses sistemas geralmente incorporam diversos recursos energéticos distribuídos (DERs), incluindo painéis fotovoltaicos, sistemas de armazenamento e geradores térmicos. No entanto, a natureza intermitente da geração de energia renovável em microrredes cria desafios estocásticos complexos para o controle em tempo real e a confiabilidade do sistema. Para enfrentar esses desafios, algoritmos avançados de aprendizado de máquina e técnicas de estimação de estado são essenciais para monitorar e responder a eventos dinâmicos e aleatórios fora do controle humano, permitindo um monitoramento preciso dos componentes da microrrede em diversos cenários operacionais. A estimação de estado desempenha duas funções cruciais nas microrredes: converter leituras de medidores e dados disponíveis em estimativas confiáveis de variáveis não monitoradas e identificar erros significativos de medição. Por outro lado, o aprendizado de máquina pode auxiliar aos algoritmos de estimação de estado com previsões de variáveis não observáveis. Este projeto de pesquisa foca no desenvolvimento e avaliação de ferramentas híbridas que combinam algoritmos de aprendizado de máquina e estimação de estado para aprimorar as funcionalidades do sistema de gestão de energia das microrredes baseado em dados Ver menos

Abstract: Microgrids are integrated sustainable energy systems capable of operating both connected to and independently from the main power grid. These systems typically incorporate various distributed energy resources (DERs), including photovoltaic panels, storage systems, and thermal generators. However, the intermittent nature of renewable power generation in microgrids creates complex stochastic challenges for real-time control and system reliability. To address this, advanced machine learning algorithms and state estimation techniques are essential for monitoring and responding to dynamic, random events beyond human control, enabling accurate monitoring of microgrid components across various operational scenarios. State estimation serves two crucial functions in microgrids: converting smart meter readings and available data into reliable estimates of unmonitored variables, and identifying significant measurement errors. Meanwhile, machine learning can aid state estimation algorithms with predictions of unobservable variables. This research project focuses on developing and evaluating hybrid tools that combine machine learning and state estimation algorithms to enhance microgrid data-driven energy management functionalities Ver menos