Este estudio presenta una Estrategia de Orquestación Dinámica para la aceptación de alimentadores de bajo voltaje mediante aprendizaje por refuerzo colaborativo con múltiples agentes. Agentes inteligentes coordinan la operación del alimentador, la gestión de congestión, la estabilidad de voltaje y la integración de energías renovables bajo condiciones inciertas. El enfoque fue evaluado mediante simulaciones utilizando los conjuntos de datos FeederBW y 236-bus.
Se requiere una suscripción a JoVE para ver este contenido. Inicie sesión o comience su prueba gratuita.
Artículo de investigación
Orquestación dinámica de aceptación de alimentadores basada en RL multiagente utilizando el conjunto de datos FeederBW y una red de distribución de baja tensión de 236 barras
En este artículo
Resumen
Resumen
La amplia integración de fuentes de energía renovable distribuidas y la rápida expansión de alimentadores de baja tensión (LV) han creado desafíos operativos relacionados con la aceptación de alimentadores y la coordinación de congestión. Los enfoques actuales de control de voltaje y gestión de alimentadores pueden tener escalabilidad y adaptabilidad limitadas bajo generación renovable intermitente y condiciones de red cambiantes. Para abordar estas limitaciones, este estudio propone un Marco de Orquestación Dinámica para la Aceptación de Alimentadores de Baja Tensión basado en la colaboración de agentes inteligentes dentro de un enfoque de aprendizaje por refuerzo multiagente. A diferencia de las estrategias de control de voltaje centradas principalmente en la estabilización del voltaje, el marco propuesto permite la aceptación dinámica de alimentadores mediante la operación coordinada de agentes responsables del monitoreo de alimentadores, la gestión de congestión y la priorización basada en la sensibilidad al voltaje. Los agentes observaron de forma independiente los estados de los alimentadores, evaluaron la congestión y las sensibilidades de voltaje, y colaboraron en las decisiones de aceptación de alimentadores. El marco fue evaluado mediante simulaciones utilizando el conjunto de datos FeederBW y el conjunto de datos de red de distribución de baja tensión de 236 nodos bajo diferentes niveles de integración renovable y condiciones de carga. El marco propuesto alcanzó una Tasa de Aceptación de Alimentadores del 97 %, un Índice de Cumplimiento de Voltaje del 98 %, una latencia de orquestación de 98 ms medida como el tiempo de ejecución real del algoritmo de orquestación en el hardware reportado, y una velocidad de convergencia del 98,5 %, superando a los métodos de coordinación centralizada evaluados. Los resultados también indicaron una mejor adaptabilidad, resiliencia operativa y eficiencia en la toma de decisiones descentralizada bajo las condiciones simuladas de red de distribución de baja tensión.
Introducción
Los sistemas eléctricos modernos enfrentan importantes desafíos operativos debido al creciente consumo de electricidad y al aumento del uso de generación distribuida. Los desequilibrios entre la oferta y la demanda de electricidad, o los aumentos rápidos en la generación distribuida, pueden generar presión financiera sobre las empresas eléctricas y los usuarios finales, y comprometer la estabilidad de la red. Por ello, la infraestructura eléctrica convencional, basada en control centralizado y combustibles fósiles, está pasando a un diseño distribuido impulsado por energías renovables. Esta transición ha mejorado el acceso a fuentes de energía más asequibles y ambientalmente sostenibles. Sin embargo, la naturaleza intermitente e impredecible de la generación fotovoltaica (PV) genera preocupaciones sobre la fiabilidad de la red1,2.
La transición energética global está acelerando la implementación de la energía fotovoltaica debido a sus beneficios ambientales, escalabilidad y costo decreciente. Según la Agencia Internacional de Energías Renovables, se espera que la capacidad fotovoltaica represente más del 22 % del suministro eléctrico mundial para 2050, y se prevé que la energía solar fotovoltaica se convierta en un contribuyente importante al suministro eléctrico global para 20303. Esta integración generalizada plantea desafíos sustanciales para los sistemas eléctricos convencionales, particularmente en cuanto a la estabilidad y confiabilidad operativa. La fluctuación de voltaje es una preocupación crítica porque la generación fotovoltaica es intermitente y no programable, y sus efectos se vuelven más pronunciados a medida que aumenta la penetración en las redes de distribución y transmisión4.
Las variaciones en la irradiación solar afectan directamente el rendimiento de los paneles fotovoltaicos y pueden provocar cambios rápidos de voltaje. El movimiento de nubes, las variaciones bruscas de irradiación y los transitorios de carga pueden causar fluctuaciones de voltaje que las arquitecturas actuales de la red no pueden acomodar adecuadamente5. Aunque las tecnologías convencionales han sido efectivas en configuraciones de red centralizadas y relativamente estables, son menos adecuadas para redes cada vez más distribuidas. Cambios rápidos de voltaje en ambas direcciones pueden exceder las capacidades de los sistemas eléctricos convencionales, especialmente bajo una alta penetración de energía fotovoltaica6. Las fluctuaciones no controladas pueden violar los límites de voltaje, afectar cargas sensibles y comprometer la seguridad de la red.
Por lo tanto, la integración de cargas inteligentes y recursos distribuidos en las redes de distribución ha motivado el desarrollo de estrategias de control más avanzadas. Los sistemas de control inteligentes que monitorean y coordinan continuamente los equipos distribuidos pueden ayudar a mitigar los desafíos en redes de baja tensión (LV) con alta generación distribuida7. La integración a gran escala de energía fotovoltaica (PV) también crea dificultades operativas para la generación térmica, particularmente cuando la producción fotovoltaica disminuye y las unidades térmicas deben responder rápidamente, a veces superando los límites de velocidad de rampa8. Al mismo tiempo, los programas de respuesta a la demanda (DR) deben equilibrar la sostenibilidad a largo plazo con la viabilidad económica9.
Los programas de respuesta a la demanda (DR) pueden facilitar la integración de la generación distribuida mientras ayudan a equilibrar la oferta y la demanda de electricidad. Estos programas se clasifican como DR basada en precios o DR basada en incentivos (IBDR). La DR basada en precios incentiva a los consumidores a modificar su consumo de electricidad en respuesta a tarifas variables según el momento, mientras que la IBDR ofrece incentivos económicos fijos o variables para reducir el consumo cuando se solicita10. Sin embargo, la DR basada en precios expone a los consumidores a precios mayoristas fluctuantes y ofrece una flexibilidad operativa limitada desde la perspectiva de la empresa suministradora, lo que podría desalentar a los participantes adversos al riesgo11,12.
Varios estudios han examinado la IDR basada en incentivos en sistemas de distribución con alta penetración de energía fotovoltaica. Un estudio evaluó los desafíos y beneficios de combinar la IDR basada en incentivos con una alta penetración de energía fotovoltaica, pero se centró en el uso agregado de energía eléctrica en lugar de sistemas de gestión energética doméstica a nivel de vivienda13. Otro propuso un método de gestión de voltaje basado en incentivos en el que las señales de precios controlaban indirectamente la operación de baterías para mantener los límites de voltaje, aunque la demanda doméstica no fue modelada explícitamente14. Un método basado en lógica difusa para determinar pagos de incentivos consideró la satisfacción del consumidor y los costos de integración de energías renovables, pero no incluyó análisis a nivel de alimentador15. También se ha estudiado la planificación a largo plazo de generación que incorpora tanto la respuesta a la demanda basada en precios como la basada en incentivos, incluyendo generación térmica y renovable, pero sin tener en cuenta la comodidad del usuario ni la demanda a nivel doméstico16.
El aprendizaje por refuerzo profundo (RL) también se ha aplicado a la respuesta a la demanda (DR) residencial. Se han propuesto métodos de RL profundo para el control de carga agregada bajo tarifas horarias, aunque su capacidad de generalización se vio limitada por poblaciones pequeñas de usuarios y la ausencia de programación a nivel de electrodomésticos17. Un marco de aprendizaje por refuerzo multiagente que combina DR y control de voltaje utilizó redes neuronales de memoria a corto y largo plazo para la predicción de carga, pero no resolvió la insatisfacción de los clientes derivada de la restricción de carga18. Otros estudios se han centrado en la coordinación de DR para sistemas de aire acondicionado en edificios comerciales mediante un proceso de decisión de Markov, sin considerar otras cargas residenciales19. En general, los estudios existentes sobre control de voltaje mediante RL profundo no han integrado simultáneamente DR y generación fotovoltaica (PV)20,21.
Los inversores inteligentes pueden responder rápidamente a cambios bruscos e irregulares en la salida de la energía fotovoltaica22. Cuando ocurren violaciones de voltaje, los inversores fotovoltaicos pueden actuar en cuestión de milisegundos, mientras que los dispositivos convencionales pueden requerir varios segundos23. Algunos estudios han propuesto modificaciones a los procedimientos estándar de control de dispositivos, incluyendo enfoques multiagente para coordinar reguladores de voltaje y modificar las acciones de los controladores convencionales de voltaje24. Sin embargo, la generación fotovoltaica independiente sin almacenamiento colocado en el mismo lugar puede agravar las desviaciones de voltaje y no alivia los picos vespertinos, incluso cuando reduce las importaciones netas diurnas24,25. Las baterías domésticas también pueden agotarse durante períodos de excedente fotovoltaico diurno y volverse no disponibles para la carga nocturna de vehículos eléctricos si su despacho no se coordina con la demanda y generación local26,27. Los efectos combinados de la demanda estocástica, la generación intermitente y el comportamiento diverso del almacenamiento hacen que la gestión de la capacidad, la longevidad de los activos y la resiliencia sean preocupaciones importantes para los operadores de sistemas de distribución28. Los Sistemas de Gestión Energética Doméstica ofrecen un medio potencial para implementar el control automatizado a nivel del cliente. El aprendizaje por refuerzo (RL) es especialmente adecuado para tales aplicaciones porque los agentes pueden aprender estrategias de control mediante la interacción con el entorno, manejando al mismo tiempo la incertidumbre y tomando decisiones de baja latencia.
Los avances en la planificación de rutas para vehículos eléctricos también ilustran cómo el aprendizaje por refuerzo profundo puede gestionar restricciones energéticas dinámicas. El problema de rutas para flotas heterogéneas de vehículos eléctricos con capacidad limitada incorpora la dinámica de conducción, las características del terreno, la resistencia cinética y la eficiencia de carga, mientras minimiza el consumo máximo de energía en una flota diversa29. Un método de aprendizaje por refuerzo profundo consciente de la dinámica plantea este problema como un proceso de decisión de Markov personalizado y utiliza una arquitectura de codificador-actualizador-decodificador. En este diseño, el codificador desarrolla representaciones específicas del rol para vértices y vehículos, el actualizador perfecciona los tokens del vehículo conforme cambia la información contextual, y el decodificador separa la selección del vehículo de la selección de vértices específica del vehículo para favorecer una toma de decisiones adaptativa. De forma similar, un problema de rutas óptimas en términos de energía para vehículos eléctricos con recogida-entrega y ventanas de tiempo utiliza un modelo de consumo energético de alta resolución que incluye el comportamiento de carga, la dinámica de conducción dependiente del tiempo y información detallada de la ruta30. Un marco de aprendizaje por refuerzo profundo heterogéneo basado en atención representa la tarea de planificación de rutas como un proceso de decisión de Markov, con un codificador que captura las interacciones específicas del rol entre centros de distribución, clientes y estaciones de carga, y un decodificador que rastrea las transiciones de estado y la viabilidad temporal.
A pesar de estos avances, la mayoría de los estudios sobre gestión de la distribución en redes de baja tensión enfatizan la estabilización de voltaje y la optimización de la potencia reactiva, más que la orquestación dinámica de la aceptación de alimentadores bajo incertidumbre renovable. Los métodos distribuidos de control de voltaje basados en inversores inteligentes y aprendizaje automático generalmente se centran en la compensación de voltaje y la optimización de la potencia reactiva, sin abordar el control adaptativo de aceptación de alimentadores ni la orquestación basada en congestión en redes complejas de baja tensión. Asimismo, los enfoques de aprendizaje por refuerzo multiagente con restricciones de voltaje para la respuesta a la demanda no abordan directamente la gestión colaborativa de aceptación de alimentadores, la orquestación descentralizada con conciencia de congestión ni el control de admisión a nivel de nodo en sistemas interconectados de distribución de baja tensión. Los métodos cooperativos de regulación de voltaje basados en coordinación multiagente suelen minimizar las desviaciones de voltaje y las operaciones de derivación utilizando inversores de generación fotovoltaica, pero no consideran la admisión adaptativa de alimentadores, la inestabilidad de aceptación relacionada con fuentes renovables ni la orquestación descentralizada bajo condiciones dinámicas de la red.
Los métodos actuales de coordinación de recursos distribuidos y multiagente también enfrentan limitaciones en cuanto a la percepción de congestión, la adaptabilidad temporal y la escalabilidad. La mayoría hace hincapié en el análisis de sobrecarga, las interacciones de recursos energéticos distribuidos o la gestión energética basada en tarifas, en lugar de la aceptación adaptativa a nivel de alimentador y la orquestación sensible al voltaje. Su dependencia de una centralización parcial y de prioridades estáticas puede limitar aún más la toma de decisiones descentralizada, la respuesta rápida a la propagación de congestión y la adaptación a la variabilidad de las energías renovables. Por lo tanto, se necesita un marco completamente descentralizado basado en aprendizaje por refuerzo que combine la coordinación cooperativa de agentes con análisis sensible al voltaje y a la congestión, para una gestión adaptativa de la aceptación en alimentadores utilizando conjuntos de datos a gran escala como FeederBW y la red de distribución de baja tensión de 236 buses.
En este estudio, la aceptación de alimentadores se refiere al proceso operativo adaptativo para determinar si un alimentador de media tensión puede alojar recursos energéticos distribuidos adicionales o cargas eléctricas manteniendo la seguridad de la red, el cumplimiento de voltaje, los límites de carga térmica y la confiabilidad operativa. El límite operativo para la aceptación de alimentadores incluye la evaluación de la capacidad del alimentador, la sensibilidad de voltaje, las condiciones de congestión y la variabilidad de la energía renovable antes de aceptar o priorizar nuevas conexiones de alimentadores. A diferencia del control convencional de voltaje, que regula los perfiles de voltaje, la coordinación de recursos energéticos distribuidos, que gestiona la operación de los recursos, o la gestión de congestión, que mitiga sobrecargas en la red, la aceptación de alimentadores integra estas funciones dentro de un marco colaborativo de aprendizaje por refuerzo multiagente para apoyar una orquestación dinámica, descentralizada y adaptativa en condiciones con alta penetración de energías renovables.
El objetivo de este estudio es desarrollar una estrategia dinámica de orquestación basada en agentes inteligentes colaborativos para la aceptación de alimentadores de baja tensión bajo condiciones operativas cambiantes e incertidumbre de fuentes renovables. El marco propuesto realiza una orquestación descentralizada de la aceptación de alimentadores mediante la evaluación dinámica de los estados de los alimentadores, la sensibilidad al voltaje, la sensibilidad a la congestión y la capacidad de aceptación, permitiendo así una priorización adaptativa y una toma de decisiones más allá de los métodos estáticos de control de voltaje. Utilizando el conjunto de datos FeederBW y el conjunto de datos de la red de distribución de baja tensión de 236 nodos, el estudio también desarrolla una arquitectura escalable de aprendizaje por refuerzo multiagente para sistemas de baja tensión a gran escala. A través del aprendizaje impulsado por refuerzo y una optimización colaborativa de baja latencia realizada en cada intervalo operativo simulado, el marco está diseñado para reducir la propagación de congestión, mejorar el cumplimiento del voltaje, disminuir la latencia de orquestación y aumentar la eficiencia de la coordinación descentralizada.
El marco aporta un enfoque dinámico de orquestación de aceptación en alimentadores de MT que sustituye las estrategias estáticas de gestión de alimentadores basadas en control de voltaje; una arquitectura descentralizada de aprendizaje por refuerzo multiagente para condiciones de incertidumbre en energías renovables y cargas variables; gestión descentralizada de admisión basada en condiciones de baja latencia y priorización dinámica de alimentadores; índices conjuntos de sensibilidad al voltaje y a la congestión para identificar alimentadores críticos y priorizar las decisiones de aceptación; comunicación colaborativa entre agentes vecinos; optimización continua de políticas basada en aprendizaje por refuerzo para mejorar la estabilidad de los alimentadores, la mitigación de congestión, el cumplimiento de voltaje y la convergencia; y validación a gran escala mediante simulación utilizando los conjuntos de datos FeederBW y LV de 236 buses. Los resultados comparativos indican una mejor aceptación de alimentadores, mitigación de congestión, retardo de orquestación, velocidad de convergencia y cumplimiento de voltaje en comparación con los métodos tradicionales centralizados de coordinación.
Acceso restringido. Inicie sesión o comience una prueba gratuita para ver este contenido.
Protocolo
No se utilizaron sujetos humanos, animales vertebrados, tejidos humanos ni tejidos animales en esta investigación. Únicamente se emplearon conjuntos de datos de acceso público (el conjunto de datos FeederBW y el conjunto de datos de red de distribución de baja tensión de 236 nodos) y simulaciones basadas en computadora en el estudio. Por lo tanto, este estudio no requirió aprobación del comité de revisión institucional (IRB), ética ni consentimiento informado.
La estrategia de orquestación dinámica para la aceptación de alimentadores de baja tensión basada en colaboración entre agentes se desarrolló utilizando aprendizaje por refuerzo multiagente (MARL) para condiciones operativas con alta penetración de energías renovables. Los conjuntos de datos del alimentador FeederBW y de la red de 236 nodos se preprocesaron, normalizaron y sincronizaron temporalmente para construir un modelo de red dinámico que represente los estados del alimentador, los recursos energéticos distribuidos, las zonas sensibles a la tensión y las condiciones de congestión. Se asignaron agentes inteligentes a secciones del alimentador y a nodos de la red para monitorear localmente la tensión, la congestión, la incertidumbre en la generación renovable y la capacidad de aceptación del alimentador, intercambiar información con agentes vecinos y actualizar las políticas de orquestación mediante aprendizaje por refuerzo descentralizado. La función de recompensa se diseñó para mejorar la aceptación del alimentador, limitando al mismo tiempo la congestión, la inestabilidad de tensión y los retrasos en la coordinación. Se consideraron restricciones de tensión, carga del alimentador, carga del transformador y congestión, mientras que no se modelaron explícitamente el funcionamiento desequilibrado trifásico, el control avanzado del inversor fotovoltaico ni la compensación de potencia reactiva. El marco general se muestra en Figura 1. Las herramientas de investigación utilizadas en este estudio se enumeran en la Tabla de Materiales.
Figura 1: Arquitectura del marco propuesto. Esquema del Marco de Orquestación Dinámica que incorpora agentes inteligentes, aprendizaje por refuerzo, análisis de congestión y coordinación adaptativa de alimentadores. Haga clic aquí para ver una versión más grande de esta figura.
1. Adquisición de datos
Los datos se obtuvieron del conjunto de datos FeederBW31 y del conjunto de datos de distribución de baja tensión de 236 nodos32. Se seleccionaron estos conjuntos de datos porque contenían información sobre la topología del alimentador, condiciones de voltaje, comportamiento de generación renovable, demanda de carga, congestión y perfiles operativos dinámicos necesarios para la orquestación descentralizada y el aprendizaje de agentes basado en refuerzo.
El conjunto de datos FeederBW se utilizó principalmente para modelar el funcionamiento del alimentador, la intermitencia de la energía renovable, la desviación de voltaje y la propagación de congestión en redes de baja tensión. Contenía datos de operación del alimentador, comportamiento de generación distribuida, mediciones de voltaje en nodos y fluctuaciones de carga que apoyaban el análisis de orquestación adaptativa. El conjunto de datos de 236 nodos se utilizó para evaluar la escalabilidad y la coordinación descentralizada. Incluía información sobre conexiones de nodos, condiciones de carga del alimentador, características de voltaje en nodos, penetración de energías renovables distribuidas y casos operativos sensibles a la congestión. Juntos, los dos conjuntos de datos permitieron análisis a nivel de alimentador y a gran escala bajo condiciones de alta penetración de energía renovable. Las características de los conjuntos de datos y sus propósitos dentro del marco se resumen en Tabla 1.
| Nombre del conjunto de datos | Tipo de conjunto de datos | Número de nodos/buses | Atributos de los datos | Propósito en el trabajo propuesto |
| Conjunto de datos FeederBW | Conjunto de datos operativos de alimentadores de baja tensión | Múltiples nodos de alimentador | Perfiles de voltaje, generación renovable, demanda de carga, estados de congestión, comportamiento operativo del alimentador | orquestación de alimentadores de baja latencia, análisis de congestión, priorización adaptativa de aceptación |
| Conjunto de datos LV de 236 buses | Conjunto de datos de distribución de baja tensión a gran escala | 236 buses | Topología del bus, carga del alimentador, sensibilidad de voltaje, penetración renovable, dinámica de congestión | Validación de escalabilidad, evaluación de coordinación descentralizada, análisis de orquestación a gran escala |
Tabla 1: Características del conjunto de datos. Descripción de los conjuntos de datos, atributos operativos y sus propósitos dentro del marco de orquestación de bajo voltaje propuesto.
2. Preprocesamiento de datos
Los conjuntos de datos adquiridos se preprocesaron para mejorar la consistencia, la alineación temporal y la estabilidad del aprendizaje por refuerzo. Se filtraron entradas faltantes, mediciones erróneas, registros duplicados y datos inconsistentes del alimentador mediante procedimientos estadísticos de preprocesamiento. Este paso se utilizó para mantener la consistencia entre los datos de operación del alimentador, los perfiles de generación renovable, las mediciones de voltaje y los datos del estado de congestión. Todas las variables operativas se normalizaron mediante la técnica min-máx para transformar las características de entrada a una escala común adecuada para el aprendizaje del agente. Las variables normalizadas incluyeron el voltaje del alimentador, la demanda de potencia activa, la generación renovable, el estado de congestión y la capacidad de aceptación del alimentador. La formulación matemática del procedimiento de preprocesamiento se proporciona en Archivo Suplementario 1 (Sección 1).
3. Modelado dinámico de redes de baja tensión
Después de la adquisición de datos y el preprocesamiento, se construyó un modelo dinámico de red de distribución para simular el comportamiento de un sistema de distribución con una alta proporción de generación renovable bajo condiciones variables de carga y generación. El modelo rastreó dinámicamente la topología del alimentador, el comportamiento de los recursos energéticos distribuidos, las regiones sensibles a la tensión y la propagación de congestión.
A diferencia de una representación estática de red, el modelo actualiza el comportamiento del alimentador según la intermitencia renovable, la demanda del consumidor y las condiciones de congestión. Se utilizaron los conjuntos de datos FeederBW y LV de 236 nodos para construir alimentadores interconectados en los que los nodos, transformadores, fuentes renovables distribuidas y cargas se representaron como nodos de red. Cada nodo del alimentador proporcionó información actualizada sobre la magnitud de voltaje, demanda de potencia activa, generación renovable, estado de carga del alimentador y estado de congestión. Estas variables fueron utilizadas por los agentes inteligentes para monitorear el comportamiento del alimentador y tomar decisiones descentralizadas de coordinación. El modelo de red también permitió la identificación de regiones sensibles y la priorización de la aceptación de alimentadores mediante un análisis continuo de sensibilidad.
La red de distribución de BT se representó como una red basada en grafos que contiene estaciones de buses, líneas alimentadoras, transformadores, fuentes renovables y nodos de carga para consumidores. En el Archivo Suplementario 1 (Sección 2) se proporcionan las derivaciones matemáticas detalladas del modelo de red. El estado dinámico de la red y el índice de congestión se monitorearon continuamente. El índice de congestión se normalizó al rango [0,1], y se inició la orquestación colaborativa de aceptación de alimentadores cuando el índice de congestión superó 0,80.
4. Inicialización del entorno multiagente
Después de haber construido el modelo dinámico de la red de BT, se inicializó el entorno multiagente para apoyar la aceptación descentralizada de alimentadores. Se asignaron agentes inteligentes a los segmentos de alimentadores, puntos de conexión de recursos energéticos distribuidos, ubicaciones de transformadores y nodos propensos a congestión dentro de la red de BT.
Cada agente actuó como una entidad independiente de toma de decisiones que supervisó la operación del alimentador local, intercambió información con los agentes vecinos y ejecutó acciones de orquestación adaptativa. A los agentes se les asignaron nodos clave del alimentador según la sensibilidad de voltaje, la penetración de energías renovables, el nivel de congestión y la importancia del alimentador. La red de baja tensión se configuró como un entorno basado en agentes en el cual los agentes monitorearon continuamente el voltaje del alimentador, la demanda de potencia activa, la variación de la generación renovable, el estado de congestión y la capacidad de aceptación del alimentador. La formulación matemática del entorno multiagente se proporciona en Archivo Suplementario 1 (Sección 3).
5. Aprendizaje del agente impulsado por refuerzo
Tras la inicialización del entorno multiagente, se implementó un aprendizaje basado en refuerzo para permitir que los agentes aprendieran políticas de orquestación de alimentadores mediante la interacción con condiciones operativas variables del sistema de baja tensión. Durante cada interacción, un agente observaba el estado actual del alimentador, seleccionaba una acción de orquestación y recibía una recompensa o penalización. El proceso de aprendizaje descentralizado permitió a los agentes adaptarse a la incertidumbre en la generación renovable, a las condiciones cambiantes de congestión, a las variaciones de voltaje y a los cambios en la capacidad de aceptación del alimentador. Cada agente seleccionaba una acción de orquestación de acuerdo con su política aprendida. Las derivaciones matemáticas asociadas se proporcionan en Archivo Suplementario 1 (Sección 4).
Se desplegó un total de 64 agentes inteligentes. Según la topología del alimentador, el nivel de penetración de energías renovables, la sensibilidad de voltaje y la gravedad de la congestión, cada agente se asignó a un segmento de alimentador, un sitio de transformador, un punto de conexión de recursos energéticos distribuidos o un nodo de red sensible a la congestión. Manteniendo una complejidad computacional razonable, el despliegue descentralizado permitió un monitoreo cooperativo y una aceptación adaptativa del alimentador en toda la red de distribución de baja tensión de 236 nodos. Cada agente observó un vector de estado de cinco dimensiones compuesto por la magnitud de voltaje, la demanda de carga del alimentador, la generación renovable, el estado de congestión y la capacidad de aceptación del alimentador. El espacio de acciones consistió en cinco acciones de orquestación: priorización de la aceptación del alimentador, mitigación de la congestión, coordinación de renovables, equilibrio de carga y control de voltaje. La toma de decisiones cooperativa se apoyó mediante una topología de comunicación vecinal descentralizada en la que cada agente intercambió índices de sensibilidad e información operativa local únicamente con los agentes de alimentadores vecinos.
Se implementó un método de aprendizaje por refuerzo multiagente basado en Q-learning utilizando una red neuronal completamente conectada con dos capas ocultas que contienen 128 y 64 neuronas. Se aplicó la activación de unidad lineal rectificada en las capas ocultas. Los parámetros de la red se optimizaron utilizando el optimizador Adam con una tasa de aprendizaje de 0,001 y un factor de descuento de 0,99. Se utilizó un tamaño de mini-lote de 64, y el búfer de reproducción de experiencias tenía una capacidad de 100 000 transiciones. Se consideró que el entrenamiento había convergido cuando el promedio móvil de la recompensa acumulada durante los últimos 20 episodios cambió menos del 0,1% durante 10 ventanas de evaluación consecutivas. Si no se cumplía este criterio, el entrenamiento continuaba hasta alcanzar un máximo de 500 episodios. El flujo de trabajo del aprendizaje por refuerzo se muestra en la Figura 2.
Figura 2: Diagrama de flujo del aprendizaje del agente guiado por refuerzo. Diagrama de flujo que ilustra el proceso de aprendizaje del agente basado en refuerzo para la orquestación descentralizada de alimentadores y la optimización de decisiones. Haga clic aquí para ver una versión más grande de esta figura.
El proceso de aprendizaje comenzó con la inicialización del entorno de distribución de BT, los estados de los agentes y los parámetros de aprendizaje. Los agentes inteligentes se colocaron en regiones de alimentadores, ubicaciones de recursos energéticos distribuidos y buses propensos a congestión. Luego se definieron el espacio de observación, la tasa de aprendizaje, la estrategia de exploración, los factores de recompensa y las funciones de política. En cada paso de interacción, cada agente observaba el estado actual de su región de alimentador asignada. El estado consistía en la magnitud del voltaje del nodo, la demanda de carga del alimentador, las características de generación renovable, el nivel de congestión y la capacidad de aceptación del alimentador. Estas observaciones conformaban el estado ambiental utilizado para la toma de decisiones de orquestación. Cada agente seleccionaba una acción de acuerdo con su política de aprendizaje por refuerzo. Las acciones disponibles incluían la priorización de aceptación del alimentador, la gestión de congestión, la coordinación de energía renovable, el equilibrio de carga y la gestión de voltaje. La acción seleccionada se aplicaba al entorno dinámico de BT, tras lo cual se actualizaba el estado del alimentador.
Se calculó una recompensa después de cada acción. Se asignó una recompensa positiva cuando la acción seleccionada mejoró la aceptación del alimentador, evitó la propagación de congestión, mantuvo el cumplimiento del voltaje o mejoró la estabilidad de la red. Se aplicó una penalización cuando la acción provocó, o no logró prevenir, sobrecarga del alimentador, violaciones de voltaje o retrasos en la orquestación. La recompensa calculada se utilizó para actualizar la función de valor y la política de decisión del agente mediante optimización por refuerzo. La secuencia de observación, selección de acción, transición del entorno, cálculo de recompensa y actualización de la política se repitió hasta que se cumplió el criterio de detención.
6. Evaluación de la sensibilidad al voltaje y a la congestión
Tras el aprendizaje basado en refuerzo, se evaluaron las sensibilidades al voltaje y a la congestión para identificar regiones vulnerables del alimentador y apoyar decisiones dinámicas de aceptación del alimentador bajo incertidumbre de energía renovable.
En cada intervalo de operación, se determinaron los efectos de los cambios en la potencia de alimentación, la generación renovable y la demanda de carga sobre el voltaje del nodo y la congestión de la red. Los índices de sensibilidad al voltaje y a la congestión se recalcularon en cada intervalo de operación simulado, en lugar de derivarse únicamente de condiciones estáticas de la red. Los índices de sensibilidad para cada nodo del alimentador se actualizaron según las condiciones actuales de la red, la variación de la generación renovable y el estado de carga del alimentador. Los valores resultantes se utilizaron para clasificar los nodos del alimentador según la aceptación del alimentador, la gestión de la congestión y las acciones de control de voltaje.
El índice de sensibilidad al voltaje cuantificó el cambio en el voltaje del nodo resultante de una variación en el flujo de potencia activa. Después de calcular los índices de sensibilidad al voltaje y a la congestión, se combinaron en una puntuación compuesta de sensibilidad para la priorización adaptativa de la aceptación del alimentador. El método de puntuación compuesta se describe en Archivo Suplementario 1 (Sección 5). A los nodos del alimentador con puntuaciones de sensibilidad más altas se les asignaron prioridades más altas de orquestación durante las operaciones de alivio de congestión, corrección de aceptación del alimentador y regulación de voltaje. Las puntuaciones de sensibilidad se recalculaban en cada intervalo de operación y se compartían con agentes vecinos a través del entorno colaborativo de comunicación.
7. Orquestación colaborativa de la aceptación y optimización adaptativa de decisiones en cada intervalo operativo simulado
Tras una evaluación de sensibilidad, se realizó una orquestación colaborativa de aceptación para permitir que agentes descentralizados tomaran decisiones coordinadas sobre la aceptación de alimentadores bajo incertidumbre de fuentes renovables y condiciones dinámicas de congestión. Los agentes intercambiaron estados locales de los alimentadores, índices de sensibilidad, alertas de congestión y prioridades operativas. Cada agente evaluó de forma independiente la condición de su alimentador local mientras coordinaba con agentes vecinos para apoyar la estabilidad general de la red.
La aceptación de alimentadores se priorizó según la sensibilidad al voltaje, la gravedad de la congestión, la variabilidad de la generación renovable y la capacidad disponible del alimentador. Las observaciones locales con sensibilidad espacial se agregaron entre los agentes, y se generaron acciones coordinadas de aceptación de alimentadores. La formulación matemática del proceso de orquestación colaborativa se proporciona en Archivo Suplementario 1 (Sección 6). El entorno dinámico de la red de baja tensión se implementó con agentes colaborativos ubicados en regiones de alimentadores, puntos de integración de energía renovable y barras propensas a congestión, como se describe en Archivo Suplementario 1 (Algoritmo 1). En cada intervalo de operación, cada agente observó los parámetros locales del alimentador, incluyendo la magnitud de voltaje, la variación de la generación renovable, la carga del alimentador, el nivel de congestión y la capacidad de aceptación del alimentador.
Luego se calcularon los índices de sensibilidad al voltaje y de sensibilidad a la congestión para identificar las regiones alimentadoras susceptibles a inestabilidad de voltaje o propagación de congestión. Estos índices se combinaron en una puntuación general de sensibilidad del alimentador que determinó la aceptación del alimentador y la prioridad de orquestación. Se intercambió información sobre el estado local, niveles de congestión, indicadores de inestabilidad de voltaje y prioridades de aceptación entre agentes vecinos. Basándose en las observaciones locales y la información compartida, cada agente seleccionó e implementó una acción de orquestación adaptativa. Tras cada acción, se obtuvo una retroalimentación de refuerzo del entorno dinámico de la red de baja tensión según la estabilidad del alimentador, la reducción de congestión, el cumplimiento del voltaje y la eficiencia de aceptación del alimentador. Esta retroalimentación se utilizó para actualizar la política de cada agente mediante una optimización basada en refuerzo. La función objetivo global de orquestación proporcionó simultáneamente retroalimentación coordinada para la optimización adaptativa en toda la población de agentes. Las actualizaciones de la política continuaron hasta que las políticas de los agentes convergieron hacia una estrategia óptima de orquestación descentralizada.
8. Validación a gran escala
La estrategia de orquestación dinámica fue validada utilizando el conjunto de datos FeederBW y el conjunto de datos de la red de distribución de baja tensión de 236 nodos, bajo escenarios operativos con alta penetración de energía renovable. La validación evaluó la capacidad del marco de orquestación descentralizada para gestionar la aceptación dinámica de alimentadores, la intermitencia de las energías renovables, la propagación de congestión y la inestabilidad de voltaje en sistemas interconectados de distribución en baja tensión. Los escenarios operativos evaluados incluyeron alta penetración de energías renovables, demanda de carga cambiante, propagación dinámica de congestión, condiciones sensibles al voltaje y capacidad variable de aceptación de alimentadores.
El rendimiento del marco se evaluó utilizando la tasa de aceptación del alimentador, el índice de cumplimiento de voltaje, la tasa de reducción de congestión, la latencia de orquestación, la velocidad de convergencia, la eficiencia de coordinación descentralizada y la capacidad de integración de energías renovables. Estas métricas se utilizaron para evaluar la escalabilidad, robustez, adaptabilidad y rendimiento de coordinación. El marco propuesto se comparó con enfoques tradicionales centralizados de orquestación de alimentadores bajo las mismas configuraciones de red. Se aplicaron a los métodos de comparación conjuntos de datos equivalentes, escenarios operativos, condiciones de evaluación y medidas de rendimiento.
Tabla 2 resume los conjuntos de datos, condiciones operativas, entornos de orquestación y variables de rendimiento utilizados para la validación experimental. El conjunto de datos FeederBW se utilizó para evaluar la dinámica operativa del alimentador, la intermitencia de las energías renovables, el desarrollo de congestión, la variación de la carga residencial y las fluctuaciones de voltaje bajo condiciones de alimentador de baja tensión. El conjunto de datos de 236 nodos de baja tensión se utilizó para evaluar la orquestación descentralizada en una red interconectada más grande. La arquitectura fue validada bajo condiciones variables de generación renovable, demanda de carga, voltaje y congestión. La coordinación descentralizada y la optimización de políticas basada en aprendizaje por refuerzo se evaluaron conjuntamente entre los agentes inteligentes.
Se utilizaron la tasa de aceptación de alimentadores, el índice de cumplimiento de voltaje, la tasa de reducción de congestión, la velocidad de convergencia y la latencia de orquestación para cuantificar el rendimiento bajo condiciones operativas dinámicas en sistemas de energía renovable.
| Parámetro Experimental | Conjunto de Datos FeederBW | Conjunto de Datos 236-bus LV | Propósito de Validación |
| Tipo de Red | Red de Alimentadores de Baja Tensión | Red de Distribución LV a Gran Escala | Evaluación de orquestación dinámica |
| Número de Nodos/Barrajes | Múltiples nodos de alimentador | 236 barrajes | Análisis de escalabilidad |
| Integración de Energías Renovables | Fuentes fotovoltaicas y renovables distribuidas | Barrajes con alta penetración de renovables | Validación de incertidumbre renovable |
| Comportamiento de la Demanda de Carga | Perfiles dinámicos de carga residencial | Variaciones de carga en alimentadores a gran escala | Orquestación adaptativa de carga |
| Escenarios de Congestión | Estados de sobrecarga y congestión del alimentador | Propagación de congestión en múltiples barrajes | Análisis de mitigación de congestión |
| Condiciones de Voltaje | Perfiles de fluctuación de voltaje | Condiciones de barrajes sensibles al voltaje | Evaluación de cumplimiento de voltaje |
| Agentes Inteligentes | Agentes distribuidos de alimentador | Agentes colaborativos a gran escala | Análisis de coordinación descentralizada |
| Entorno de Aprendizaje | Orquestación basada en refuerzo | Aprendizaje adaptativo multiagente | Validación de optimización de políticas |
| Condiciones de Simulación | Variabilidad dinámica de fuentes renovables | Operación dinámica a gran escala | Pruebas de orquestación de baja latencia |
| Métricas de Rendimiento | Tasa de aceptación, reducción de congestión | Cumplimiento de voltaje, velocidad de convergencia | Rendimiento general de la orquestación |
Tabla 2: Validación experimental a gran escala. Configuraciones experimentales utilizadas para evaluar la escalabilidad, la incertidumbre de la energía renovable y la coordinación descentralizada.
Acceso restringido. Inicie sesión o comience una prueba gratuita para ver este contenido.
Resultados
Todos los experimentos se realizaron cinco veces utilizando diferentes semillas aleatorias para reducir la influencia del aprendizaje estocástico. Se calcularon los valores medios a partir de las cinco ejecuciones. Se utilizaron los mismos conjuntos de datos, parámetros de simulación, hiperparámetros, criterios de detención y procedimientos de evaluación para todos los métodos. Se emplearon como métodos de comparación el Control Centralizado de Voltaje (CVC)33, el Control Convencional Multiagente ...
Acceso restringido. Inicie sesión o comience una prueba gratuita para ver este contenido.
Discusión
Los resultados experimentales mostraron que la estrategia propuesta de Orquestación Dinámica mejoró la coordinación descentralizada de alimentadores, la integración de energías renovables, la estabilidad de voltaje, la gestión de congestión y la orquestación de baja latencia en comparación con el Control Centralizado de Voltaje (CVC)33, el Control Convencional Basado en Agentes Múltiples (CMAC)21, la Regulación de Voltaje Basada en Aprendizaje por Refuerzo (RLVR)
Acceso restringido. Inicie sesión o comience una prueba gratuita para ver este contenido.
Divulgaciones
Los autores declaran que no tienen intereses en conflicto.
Agradecimientos
Esta investigación fue apoyada por la Oficina de Suministro de Energía de Guangzhou de la Compañía de Redes Eléctricas de Guangdong mediante el proyecto «Investigación sobre la Tecnología de Aceptación de Automatización de Equipos de Medición de Baja Tensión Basada en Automatización de Procesos» (Código del Proyecto: 030100KC24120100).
Acceso restringido. Inicie sesión o comience una prueba gratuita para ver este contenido.
Materiales
| Nombre | Empresa | Número de catálogo | Comentarios |
|---|---|---|---|
| Conjunto de datos de red de distribución de baja tensión 236-Bus | Canizes et al. | DOI: 10.5281/zenodo.8274780 | Conjunto de datos de referencia público utilizado para el análisis de escalabilidad y la validación a gran escala del marco propuesto |
| Unidad central de procesamiento (CPU) | Intel Corporation | Intel Core i9-12900K (16 núcleos) | Utilizada para la gestión de simulaciones y la ejecución del entorno |
| Módulo de análisis de sensibilidad a la congestión | Módulo desarrollado a medida | Zenodo DOI: 10.5281/zenodo.21423239 | Realiza el cálculo en tiempo real de la sensibilidad a la congestión y la priorización de alimentadores |
| Kit de herramientas CUDA | NVIDIA Corporation | CUDA 12.1 | Plataforma de computación GPU utilizada para acelerar el entrenamiento del modelo PyTorch |
| Biblioteca cuDNN | NVIDIA Corporation | cuDNN 9.3.0 | Biblioteca de aceleración de redes neuronales profundas utilizada junto con CUDA |
| Simulador dinámico personalizado de red de baja tensión | Módulo desarrollado a medida | Versión 1.0 | Plataforma de simulación desarrollada por los autores e implementada en Python y PyTorch para experimentos de orquestación dinámica de alimentadores. Los detalles de implementación se proporcionan en las secciones Métodos y Disponibilidad de datos. |
| Biblioteca de procesamiento de datos | Equipo de desarrollo de pandas | pandas 2.2.2 | Utilizada para el preprocesamiento, extracción de características, normalización y gestión de datos de series temporales |
| Entorno de aprendizaje profundo | PyTorch Foundation | PyTorch 2.3.1 | Utilizado para la implementación del modelo de aprendizaje por refuerzo multiagente (MARL), entrenamiento de redes neuronales y optimización de políticas |
| Módulo de comunicación distribuida entre agentes | Marco desarrollado a medida | Zenodo DOI: 10.5281/zenodo.21423239 | Permite la comunicación descentralizada y el intercambio colaborativo de políticas entre agentes inteligentes |
| Conjunto de datos FeederBW | Treutlein et al. | DOI: 10.5281/zenodo.17831177 | Conjunto de datos público que contiene mediciones reales de alimentadores de baja tensión, generación renovable y perfiles operativos |
| Unidad de procesamiento gráfico (GPU) | NVIDIA Corporation | GeForce RTX 3090, 24 GB GDDR6X | Acelerador de hardware utilizado para el entrenamiento de redes neuronales y el cálculo paralelo |
| Entorno de aprendizaje por refuerzo multiagente | Farama Foundation | Gym 0.26.2 | Entorno de aprendizaje por refuerzo personalizado para la interacción y el entrenamiento colaborativo de agentes inteligentes |
| Biblioteca de cálculo numérico | Desarrolladores de NumPy | NumPy 1.26.4 | Utilizada para cálculos numéricos, manipulación de tensores y operaciones matriciales |
| Sistema operativo | Canonical Ltd. | Ubuntu 22.04.5 LTS (64 bits) | Sistema operativo utilizado para todas las simulaciones y experimentos de aprendizaje por refuerzo |
| Lenguaje de programación Python | Python Software Foundation | Python 3.11.9 | Lenguaje de programación principal utilizado para la implementación de algoritmos, simulaciones y desarrollo de modelos |
| Memoria del sistema | Lenovo | 64 GB de RAM DDR5 | Memoria del sistema instalada utilizada para simulaciones MARL a gran escala y procesamiento de datos. |
| Módulo de monitoreo de estabilidad de voltaje | Módulo desarrollado a medida | Zenodo DOI: 10.5281/zenodo.21423239 | Evalúa continuamente la estabilidad y conformidad del voltaje durante la orquestación de alimentadores |
Referencias
- Ahmed F, et al. A multi-agent reinforcement learning framework for voltage-constrained incentive demand response in PV-rich low-voltage distribution systems. IEEE Access. 2026;14:45410–22.
- Lamsal D, Sreeram V, Mishra Y, Kumar DS. Smoothing control strategy of wind and photovoltaic output power fluctuation by considering the state of health of battery energy storage system. IET Renew Power Gener. 2019;13:578–86.
- Allahmoradi S, et al. Data-driven Volt/VAR optimization for modern distribution networks: A review. IEEE Access. 2024;12:71184–204.
- O'Connell N, Pinson P, Madsen H, O'Malley M. Benefits and challenges of electrical demand response: A critical review. Renew Sustain Energy Rev. 2014;39:686–99.
- Hossain MS, Madlool NA, Al-Fatlawi AW, El Haj Assad M. High penetration of solar photovoltaic structure on the grid system disruption: An overview of technology advancement. Sustainability. 2023;15:1174. https://doi.org/10.3390/su15021174
- Rahmouni A. Impact of static reactive power compensator (SVC) on the power grid. WSEAS Trans Electron. 2020;11:96–104.
- Chandran CV, et al. Application of demand response to improve voltage regulation with high DG penetration. Electr Power Syst Res. 2020;189:106722. https://doi.org/10.1016/j.epsr.2020.106722
- Wang Q, et al. A demand response strategy in high photovoltaic penetration power systems considering the thermal ramp rate limitation. IEEE Access. 2019;7:163814–22.
- Wang Z, et al. How to effectively implement an incentive-based residential electricity demand response policy? Experience from large-scale trials and matching questionnaires. Energy Policy. 2020;141:111450. https://doi.org/10.1016/j.enpol.2020.111450
- van Tilburg J, Siebert LC, Cremer JL. MARL-iDR: Multi-agent reinforcement learning for incentive-based residential demand response. arXiv. 2023. https://arxiv.org/abs/2304.04086
- Bahrami S, Chen YC, Wong VWS. Deep reinforcement learning for demand response in distribution networks. IEEE Trans Smart Grid. 2021;12:1496–506.
- Li J, et al. Model-free reinforcement learning economic dispatch algorithms for price-based residential demand response management system. IEEE Trans Ind Cyber-Phys Syst. 2023;1:123–35.
- Zheng S, et al. Incentive-based integrated demand response for multiple energy carriers under complex uncertainties and double coupling effects. Appl Energy. 2021;283:116254. https://doi.org/10.1016/j.apenergy.2020.116254
- Nainar K, Pillai JR, Bak-Jensen B. Incentive price-based demand response in active distribution grids. Appl Sci. 2020;11:1–17.
- Nguyen Duc T, et al. Impact of renewable energy integration on a novel method for pricing incentive payments of incentive-based demand response program. IET Gener Transm Distrib. 2022;16:1648–67.
- Pourramezan A, Samadi M. A novel approach for incorporating incentive-based and price-based demand response programs in long-term generation investment planning. Int J Electr Power Energy Syst. 2022;142:108315. https://doi.org/10.1016/j.ijepes.2022.108315
- Mathew A, Roy A, Mathew J. Intelligent residential energy management system using deep reinforcement learning. IEEE Syst J. 2020;14:5362–72.
- Khan DA, Arshad A, Lehtonen M, Mahmoud K. Combined DR pricing and voltage control using reinforcement learning based multi-agents and load forecasting. IEEE Access. 2022;10:130839-49.
- Zhang X, et al. An edge-cloud integrated solution for buildings demand response using reinforcement learning. IEEE Trans Smart Grid. 2021;12:420–31.
- Duan J, et al. Deep-reinforcement-learning-based autonomous voltage control for power grid operations. IEEE Trans Power Syst. 2020;35:814–7.
- Wang S, et al. A data-driven multi-agent autonomous voltage control framework using deep reinforcement learning. IEEE Trans Power Syst. 2020;35:4644–54.
- Turitsyn K, Sulc P, Backhaus S, Chertkov M. Options for control of reactive power by distributed photovoltaic generators. Proc IEEE. 2011;99:1063–73.
- Bedawy A, et al. Optimal voltage control strategy for voltage regulators in active unbalanced distribution systems using multi-agents. IEEE Trans Power Syst. 2020;35:1023–35.
- Bedawy A, Yorino N, Mahmoud K. Management of voltage regulators in unbalanced distribution networks using voltage/tap sensitivity analysis. Presented at: International Conference on Innovative Trends in Computer Engineering (ITCE); Aswan, Egypt; 2018. https://doi.org/10.1109/itce.2018.8316651
- Smith O, et al. The effect of renewable energy incorporation on power grid stability and resilience. Sci Adv. 2022;8:eabj6734. https://doi.org/10.1126/sciadv.abj6734
- Charbonnier F, Morstyn T, McCulloch MD. Scalable multi-agent reinforcement learning for distributed control of residential energy flexibility. Applied Energy. 2022;314:118825. doi:10.1016/j.apenergy.2022.118825
- Dugan J, Mohagheghi S, Kroposki B. Application of mobile energy storage for enhancing power grid resilience: A review. Energies. 2021;14:6476. https://doi.org/10.3390/en14206476
- Panossian N, et al. Challenges and opportunities of integrating electric vehicles in electricity distribution systems. Curr Sustain Renew Energy Rep. 2022;9:27–40.
- Guan Q, et al. Dynamic-aware deep reinforcement learning for heterogeneous fleet-based capacitated electric vehicle routing problems. Applied Energy. 2026;413:127757. https://doi.org/10.1016/j.apenergy.2026.127757
- Guan Q, et al. Heterogeneous attention-driven deep reinforcement learning for solving EVRPs with pickup-delivery and time windows. Applied Energy. 2026;407:127355. https://doi.org/10.1016/j.apenergy.2026.127355
- Treutlein M, et al. Real-world energy data of 200 feeders from low-voltage grids with metadata in Germany over two years (Version v1.0) [Data set]. Zenodo; 2025. https://doi.org/10.5281/zenodo.17831177
- Canizes B, Castro F, Silveira V, Vale Z. 236-Bus Low Voltage Distribution Network Data [Data set]. Zenodo; 2023. https://doi.org/10.5281/zenodo.8274780
- Xi, Haikuo & Chen, Can & Bai, Xuesong & Ma, Yuan & Ding, Jiachao & Chen, Qifang. (2024). Centralized and decentralized combined voltage control for distribution network with high penetration PV connected. Journal of Physics: Conference Series. 2771. 012040. 10.1088/1742-6596/2771/1/012040.
- Singh AK, Parida SK. Congestion management with distributed generation and its impact on electricity market. International Journal of Electrical Power & Energy Systems. 2013;48:39–47. doi:10.1016/j.ijepes.2012.11.025.
- Gooi HB, Wang T, Tang Y. Edge intelligence for smart grid: A survey on application potentials. CSEE Journal of Power and Energy Systems. 2023;9(5):1623–1640. https://doi.org/10.17775/CSEEJPES.2022.02210
- Molokomme DN, Onumanyi AJ, Abu-Mahfouz AM. Edge intelligence in smart grids: A survey on architectures, offloading models, cyber security measures, and challenges. Journal of Sensor and Actuator Networks. 2022;11(3):47. https://doi.org/10.3390/jsan11030047
- Chang Z, Liu S, Xiong X, Cai Z, Tu G. A survey of recent advances in edge-computing-powered artificial intelligence of things. IEEE Internet of Things Journal. 2021;8(18):13849–13875.
Acceso restringido. Inicie sesión o comience una prueba gratuita para ver este contenido.