Este estudo apresenta uma Estratégia de Otimização Dinâmica para aceitação de alimentadores de baixa tensão utilizando aprendizado por reforço colaborativo com múltiplos agentes. Agentes inteligentes coordenam a operação do alimentador, o gerenciamento de congestionamento, a estabilidade de tensão e a integração de energias renováveis sob condições incertas. A abordagem foi avaliada por meio de simulações utilizando os conjuntos de dados FeederBW e 236-bus.
É necessária uma assinatura do JoVE para visualizar este conteúdo. Faça login ou inicie seu teste gratuito.
Artigo de investigação
Orquestração Dinâmica de Aceitação de Alimentadores Baseada em RL Multiagente Utilizando o Conjunto de Dados FeederBW e Rede de Distribuição de Baixa Tensão de 236 Barras
Neste artigo
Resumo
Resumo
A integração extensiva de fontes renováveis distribuídas e a rápida expansão de alimentadores de baixa tensão (LV) criaram desafios operacionais relacionados à aceitação de alimentadores e coordenação de congestionamento. As abordagens existentes de controle de tensão e gerenciamento de alimentadores podem ter escalabilidade e adaptabilidade limitadas sob geração renovável intermitente e condições de rede variáveis. Para superar essas limitações, este estudo propõe um Framework de Orquestração Dinâmica para Aceitação de Alimentadores de Baixa Tensão baseado na colaboração de agentes inteligentes dentro de uma abordagem de aprendizado por reforço multiagente. Diferentemente das estratégias de controle de tensão focadas principalmente na estabilização de tensão, o framework proposto suporta aceitação dinâmica de alimentadores por meio da operação coordenada de agentes responsáveis pelo monitoramento de alimentadores, gerenciamento de congestionamento e priorização baseada na sensibilidade à tensão. Os agentes observaram independentemente os estados dos alimentadores, avaliaram o congestionamento e as sensibilidades de tensão e colaboraram nas decisões de aceitação de alimentadores. O framework foi avaliado por meio de simulações utilizando o conjunto de dados FeederBW e o conjunto de dados da rede de distribuição de baixa tensão com 236 barras, sob diferentes níveis de integração de renováveis e condições de carga. O framework proposto alcançou uma Taxa de Aceitação de Alimentadores de 97%, um Índice de Conformidade de Tensão de 98%, uma latência de orquestração de 98 ms medida como o tempo de execução real do algoritmo de orquestração no hardware relatado e uma velocidade de convergência de 98,5%, superando os métodos centralizados de coordenação avaliados. Os resultados também indicaram melhor adaptabilidade, resiliência operacional e eficiência na tomada de decisões descentralizadas sob as condições simuladas de rede de distribuição de baixa tensão.
Introdução
Sistemas elétricos modernos enfrentam desafios operacionais significativos devido ao aumento da demanda de eletricidade e ao uso crescente de geração distribuída. Desequilíbrios entre oferta e demanda de eletricidade, ou aumentos rápidos na geração distribuída, podem impor pressão financeira às concessionárias e aos consumidores finais e comprometer a estabilidade da rede elétrica. A infraestrutura convencional de eletricidade, baseada em controle centralizado e em combustíveis fósseis, está, portanto, migrando para um modelo distribuído, impulsionado por energias renováveis. Essa transição melhorou o acesso a fontes de energia mais acessíveis e ambientalmente sustentáveis. No entanto, a natureza intermitente e imprevisível da geração fotovoltaica (PV) levanta preocupações quanto à confiabilidade da rede1,2.
A transição energética global está acelerando a implantação da energia fotovoltaica devido aos seus benefícios ambientais, escalabilidade e custo decrescente. De acordo com a Agência Internacional de Energia Renovável, espera-se que a capacidade fotovoltaica represente mais de 22% do fornecimento global de eletricidade até 2050, e a energia solar fotovoltaica deverá tornar-se uma importante contribuinte para o fornecimento global de eletricidade já em 20303. Essa ampla integração apresenta desafios substanciais para os sistemas convencionais de energia, particularmente em relação à estabilidade e confiabilidade operacionais. A flutuação de tensão é uma preocupação crítica porque a geração fotovoltaica é intermitente e não despachável, e seus efeitos tornam-se mais acentuados à medida que a penetração aumenta nas redes de distribuição e transmissão4.
Variações na irradiância solar afetam diretamente a saída dos painéis fotovoltaicos (PV) e podem provocar mudanças rápidas de tensão. O movimento de nuvens, variações bruscas na irradiância e transitórios de carga podem causar flutuações de tensão que as arquiteturas atuais da rede elétrica não conseguem acomodar adequadamente5. Embora as tecnologias convencionais tenham sido eficazes em configurações de rede centralizadas e relativamente estáveis, elas são menos adequadas para redes cada vez mais distribuídas. Mudanças rápidas de tensão em ambas as direções podem exceder as capacidades dos sistemas de potência convencionais, especialmente em condições de alta penetração de energia fotovoltaica6. Flutuações não controladas podem violar os limites de tensão, afetar cargas sensíveis e comprometer a segurança da rede elétrica.
A integração de cargas inteligentes e recursos distribuídos nas redes de distribuição, portanto, motivou o desenvolvimento de estratégias de controle mais avançadas. Sistemas de controle inteligentes que monitoram e coordenam continuamente equipamentos distribuídos podem ajudar a mitigar desafios em redes de baixa tensão (BT) com alta geração distribuída7. A integração em larga escala de sistemas fotovoltaicos (PV) também cria dificuldades operacionais para a geração térmica, especialmente quando a produção de PV diminui e as unidades térmicas precisam responder rapidamente, às vezes excedendo os limites de taxa de rampa8. Ao mesmo tempo, os programas de resposta à demanda (DR) devem equilibrar a sustentabilidade de longo prazo com a viabilidade econômica9.
Os programas de RD podem apoiar a integração de geração distribuída enquanto ajudam a equilibrar a oferta e a demanda de eletricidade. Esses programas são classificados como RD baseada em preço ou RD baseada em incentivos (RD-BI). A RD baseada em preço incentiva os consumidores a modificar o uso de eletricidade em resposta a tarifas que variam conforme o horário, enquanto a RD-BI oferece incentivos financeiros fixos ou variáveis para reduzir o consumo quando solicitado10. No entanto, a RD baseada em preço expõe os consumidores a preços atacadistas flutuantes e oferece flexibilidade operacional limitada do ponto de vista da concessionária, o que pode desestimular participantes avessos ao risco11,12.
Vários estudos examinaram a DRBI em sistemas de distribuição com alta penetração de PV. Um estudo avaliou os desafios e benefícios de combinar DRBI com alta penetração de PV, mas focou no uso agregado de energia, em vez de sistemas de gerenciamento energético residencial em nível doméstico13. Outro propôs um método de gerenciamento de tensão baseado em incentivos, no qual sinais de preços controlavam indiretamente a operação de baterias para manter os limites de tensão, embora a demanda residencial não tenha sido modelada explicitamente14. Um método baseado em lógica difusa para determinar pagamentos de incentivos considerou a satisfação do consumidor e os custos de integração de renováveis, mas não incluiu análise em nível de alimentador15. O planejamento de geração de longo prazo que incorpora DR baseado em preço e DR baseado em incentivos também já foi estudado, incluindo geração térmica e renovável, mas sem levar em conta o conforto do usuário ou a demanda em nível doméstico16.
A aprendizagem por reforço profunda (RL) também tem sido aplicada à DR residencial. Foram propostos métodos de RL profunda para controle agregado de carga sob tarifas horossazonais, embora sua generalização tenha sido limitada por populações pequenas de usuários e pela ausência de programação em nível de eletrodomésticos17. Uma estrutura de aprendizagem por reforço multiagente que combina DR e controle de tensão utilizou redes neurais de memória de longo prazo curta para previsão de carga, mas não resolveu a insatisfação dos consumidores resultante da restrição de carga18. Outros estudos concentraram-se na coordenação de DR para sistemas de ar-condicionado em edifícios comerciais usando um processo de decisão markoviano, sem considerar outras cargas residenciais19. Em geral, os estudos existentes sobre controle de tensão com RL profunda não incorporaram simultaneamente DR e integração de PV20,21.
Inversores inteligentes podem responder rapidamente a mudanças bruscas e irregulares na saída da energia fotovoltaica22. Quando ocorrem violações de tensão, os inversores fotovoltaicos podem atuar em milissegundos, enquanto dispositivos convencionais podem exigir vários segundos23. Alguns estudos propuseram modificações nos procedimentos padrão de controle de dispositivos, incluindo abordagens multiagente para coordenar reguladores de tensão e modificar as ações convencionais dos controladores de tensão24. No entanto, a geração fotovoltaica autônoma sem armazenamento co-localizado pode agravar as variações de tensão e não atenua os picos noturnos, mesmo quando reduz as importações líquidas diurnas24,25. As baterias residenciais também podem se esgotar durante períodos de excedente diurno da energia fotovoltaica e ficar indisponíveis para o carregamento noturno de veículos elétricos se sua operação não for coordenada com a demanda e geração locais26,27. Os efeitos combinados da demanda estocástica, da geração intermitente e do comportamento diversificado do armazenamento tornam o gerenciamento de capacidade, a longevidade dos ativos e a resiliência preocupações importantes para os operadores de sistemas de distribuição28. Os Sistemas de Gerenciamento de Energia Residencial oferecem um meio potencial de implementar controle automatizado no nível do consumidor. A aprendizagem por reforço (RL) é particularmente adequada para essas aplicações, pois os agentes podem aprender estratégias de controle por meio da interação com o ambiente, lidando com incertezas e tomando decisões de baixa latência.
Os avanços no roteamento de veículos elétricos também ilustram como o RL profundo pode gerenciar restrições dinâmicas de energia. O problema de roteamento de veículos elétricos capacitado com frota heterogênea incorpora dinâmicas de condução, características das estradas, resistência cinética e eficiência de carregamento, ao mesmo tempo que minimiza o consumo máximo de energia em uma frota diversificada29. Um método de aprendizado por reforço profundo com percepção dinâmica formula esse problema como um processo de decisão de Markov personalizado e utiliza uma arquitetura codificador-atualizador-decodificador. Nesse projeto, o codificador desenvolve representações específicas às funções para vértices e veículos, o atualizador aperfeiçoa os tokens dos veículos conforme as informações contextuais mudam, e o decodificador separa a seleção do veículo da seleção de vértices específicos ao veículo, para apoiar a tomada de decisões adaptativa. De forma semelhante, um problema de roteamento de veículos elétricos com otimização energética, coleta-entrega e janelas de tempo utiliza um modelo de consumo de energia de alta resolução que inclui comportamento de carregamento, dinâmicas de condução dependentes do tempo e informações detalhadas sobre as rotas30. Um framework de aprendizado por reforço profundo heterogêneo baseado em atenção representa a tarefa de roteamento como um processo de decisão de Markov, com um codificador que captura interações específicas às funções entre depósitos, clientes e estações de carregamento, e um decodificador que acompanha as transições de estado e a viabilidade temporal.
Apesar desses avanços, a maioria dos estudos sobre gerenciamento da distribuição em BT enfatiza a estabilização de tensão e a otimização da potência reativa, em vez da orquestração dinâmica da aceitação de alimentadores sob incerteza renovável. Métodos distribuídos de controle de tensão baseados em inversores inteligentes e aprendizado de máquina geralmente se concentram na compensação de tensão e na otimização da potência reativa, sem abordar o controle adaptativo da aceitação de alimentadores ou a orquestração baseada em congestionamento em redes complexas de BT. Da mesma forma, abordagens de aprendizado por reforço multiagente com restrição de tensão para DR não abordam diretamente o gerenciamento colaborativo da aceitação de alimentadores, a orquestração descentralizada com percepção de congestionamento ou o controle de admissão em nível de nó em sistemas interconectados de distribuição em BT. Métodos cooperativos de regulação de tensão baseados em coordenação multiagente tipicamente minimizam desvios de tensão e operações de derivação utilizando inversores de PV, mas não consideram admissão adaptativa de alimentadores, instabilidade na aceitação relacionada a fontes renováveis ou orquestração descentralizada sob condições dinâmicas da rede.
Os métodos atuais de coordenação de recursos distribuídos e multiagente também enfrentam limitações em relação à percepção de congestionamento, adaptabilidade temporal e escalabilidade. A maioria enfatiza a análise de sobrecarga, interações entre recursos energéticos distribuídos ou gestão energética baseada em tarifas, em vez da aceitação adaptativa em nível de alimentador e orquestração com sensibilidade à tensão. A dependência de centralização parcial e prioridades estáticas pode ainda limitar a tomada de decisões descentralizada, a resposta rápida à propagação de congestionamentos e a adaptação à variabilidade das fontes renováveis. Assim sendo, é necessário um framework totalmente descentralizado, baseado em aprendizado por reforço, que combine coordenação cooperativa de agentes com análise sensível à tensão e ao congestionamento, para gerenciamento adaptativo da aceitação em alimentadores, utilizando conjuntos de dados em larga escala, como o FeederBW e a rede de distribuição em baixa tensão com 236 barras.
Neste estudo, a aceitação de alimentadores refere-se ao processo operacional adaptativo para determinar se um alimentador de média tensão pode acomodar recursos energéticos distribuídos adicionais ou cargas elétricas, mantendo a segurança da rede, a conformidade com a tensão, os limites de carregamento térmico e a confiabilidade operacional. O limite operacional para a aceitação de alimentadores inclui a avaliação da capacidade do alimentador, sensibilidade de tensão, condições de congestionamento e variabilidade da energia renovável antes que novas conexões de alimentadores sejam aceitas ou priorizadas. Diferentemente do controle convencional de tensão, que regula os perfis de tensão, da coordenação de recursos energéticos distribuídos, que gerencia a operação dos recursos, ou do gerenciamento de congestionamento, que mitiga sobrecargas na rede, a aceitação de alimentadores integra essas funções dentro de uma estrutura colaborativa de aprendizado por reforço multiagente para apoiar uma orquestração dinâmica, descentralizada e adaptativa em condições com alta penetração de fontes renováveis.
O objetivo deste estudo é desenvolver uma Estratégia Colaborativa de Orlamentação Dinâmica baseada em agentes inteligentes para a Aceitação de Alimentadores de Baixa Tensão sob condições operacionais variáveis e incerteza de fontes renováveis. A estrutura proposta realiza orquestração descentralizada da aceitação de alimentadores mediante avaliação dinâmica dos estados dos alimentadores, sensibilidade de tensão, sensibilidade de congestionamento e capacidade de aceitação, permitindo assim a priorização adaptativa e a tomada de decisões além dos métodos estáticos de controle de tensão. Utilizando o conjunto de dados FeederBW e o conjunto de dados da rede de distribuição em BT com 236 barras, o estudo também desenvolve uma arquitetura escalável de aprendizado por reforço multiagente para sistemas de BT de grande escala. Por meio de aprendizado impulsionado por reforço e otimização colaborativa de baixa latência realizada em cada intervalo operacional simulado, a estrutura é projetada para reduzir a propagação de congestionamento, melhorar a conformidade com a tensão, diminuir a latência de orquestração e aumentar a eficiência da coordenação descentralizada.
A estrutura proposta contribui com uma abordagem dinâmica de orquestração de aceitação em alimentadores de média tensão que substitui estratégias tradicionais baseadas em controle estático de tensão; uma arquitetura descentralizada de aprendizado por reforço multiagente para lidar com incertezas em fontes renováveis e condições variáveis de carga; gerenciamento descentralizado de admissão com base em condições de baixa latência e priorização dinâmica de alimentadores; índices conjuntos de sensibilidade à tensão e ao congestionamento para identificar alimentadores críticos e priorizar decisões de aceitação; comunicação colaborativa entre agentes vizinhos; otimização contínua de políticas baseada em aprendizado por reforço para melhorar a estabilidade dos alimentadores, mitigação de congestionamento, conformidade com a tensão e convergência; e validação em larga escala por meio de simulações utilizando os conjuntos de dados FeederBW e 236-bus LV. Os resultados comparativos indicam melhorias na aceitação dos alimentadores, mitigação de congestionamento, atraso de orquestração, velocidade de convergência e conformidade com a tensão em relação aos métodos tradicionais centralizados de coordenação.
Acesso restrito. Inicie sessão ou comece um teste para visualizar este conteúdo.
Protocolo
Nenhum ser humano, animal vertebrado, tecido humano ou tecido animal foi utilizado nesta investigação. Apenas conjuntos de dados de acesso público (o conjunto de dados FeederBW e o conjunto de dados da rede de distribuição de baixa tensão com 236 barras) e simulações baseadas em computador foram utilizados no estudo. Portanto, este estudo não exigiu aprovação do comitê de ética em pesquisa (IRB), ética ou consentimento informado.
A Estratégia Dinâmica de Orlamentação para Aceitação de Alimentadores de Baixa Tensão Baseada em Colaboração entre Agentes foi desenvolvida utilizando aprendizado por reforço multiagente (MARL) para condições operacionais ricas em fontes renováveis. Os conjuntos de dados FeederBW e de 236 barras de baixa tensão foram pré-processados, normalizados e sincronizados temporalmente para construir um modelo de rede dinâmico que represente os estados dos alimentadores, recursos energéticos distribuídos, regiões sensíveis à tensão e condições de congestionamento. Agentes inteligentes foram atribuídos a seções dos alimentadores e pontos de junção da rede para monitorar tensão local, congestionamento, incerteza na geração renovável e capacidade de aceitação do alimentador, trocar informações com agentes vizinhos e atualizar políticas de orlamentação por meio de aprendizado por reforço descentralizado. A função de recompensa foi projetada para melhorar a aceitação do alimentador, ao mesmo tempo que limita o congestionamento, a instabilidade de tensão e os atrasos de coordenação. Foram consideradas restrições de tensão, carregamento do alimentador, carregamento do transformador e congestionamento, enquanto a operação desequilibrada trifásica, o controle avançado de inversores fotovoltaicos e a compensação de potência reativa não foram modeladas explicitamente. O framework geral é apresentado na Figura 1. As ferramentas de pesquisa utilizadas neste estudo estão listadas na Tabela de Materiais.
Figura 1: Arquitetura do framework proposto. Esquema do Framework de Orquestração Dinâmica que incorpora agentes inteligentes, aprendizado por reforço, análise de congestionamento e coordenação adaptativa de alimentadores. Clique aqui para visualizar uma versão maior desta figura.
1. Aquisição de dados
Os dados foram obtidos do conjunto de dados FeederBW31 e do conjunto de dados de distribuição em baixa tensão com 236 barras32. Esses conjuntos de dados foram selecionados porque continham informações sobre topologia do alimentador, condições de tensão, comportamento da geração renovável, demanda de carga, congestionamento e perfis operacionais dinâmicos necessários para a orquestração descentralizada e o aprendizado de agentes baseado em reforço.
O conjunto de dados FeederBW foi utilizado principalmente para modelar a operação do alimentador, a intermitência de energia renovável, o desvio de tensão e a propagação de congestionamento em redes de baixa tensão. Ele continha dados operacionais do alimentador, comportamento da geração distribuída, medições de tensão nos nós e flutuações de carga que apoiavam a análise de orquestração adaptativa. O conjunto de dados de 236 barras em baixa tensão foi usado para avaliar a escalabilidade e a coordenação descentralizada. Ele continha informações sobre conexões das barras, condições de carga do alimentador, características de tensão nos nós, penetração de fontes renováveis distribuídas e casos operacionais sensíveis ao congestionamento. Juntos, os dois conjuntos de dados permitiram análises em nível de alimentador e em larga escala sob condições de alta penetração de energia renovável. As características dos conjuntos de dados e seus propósitos na estrutura são resumidos na Tabela 1.
| Nome do Conjunto de Dados | Tipo de Conjunto de Dados | Número de Nós/Barra | Atributos dos Dados | Finalidade no Trabalho Proposto |
| Conjunto de Dados FeederBW | Conjunto de Dados Operacionais de Alimentador de Baixa Tensão | Múltiplos nós do alimentador | Perfis de tensão, geração renovável, demanda de carga, estados de congestionamento, comportamento operacional do alimentador | orquestração de alimentador com baixa latência, análise de congestionamento, priorização adaptativa de aceitação |
| Conjunto de Dados LV de 236 Barras | Conjunto de Dados de Distribuição em Grande Escala de Baixa Tensão | 236 barras | Topologia da barra, carregamento do alimentador, sensibilidade de tensão, penetração de renováveis, dinâmicas de congestionamento | Validação de escalabilidade, avaliação de coordenação descentralizada, análise de orquestração em grande escala |
Tabela 1: Características do conjunto de dados. Descrição dos conjuntos de dados, atributos operacionais e seus propósitos dentro do framework proposto de orquestração em baixa tensão.
2. Pré-processamento dos dados
Os conjuntos de dados adquiridos foram pré-processados para melhorar a consistência, o alinhamento temporal e a estabilidade da aprendizagem por reforço. Entradas ausentes, medições errôneas, registros duplicados e dados inconsistentes dos alimentadores foram filtrados utilizando procedimentos estatísticos de pré-processamento. Este passo foi utilizado para manter a consistência entre os dados operacionais dos alimentadores, os perfis de geração renovável, as medições de tensão e os dados de estado de congestionamento. Todas as variáveis operacionais foram normalizadas pelo método min–max, de modo que as características de entrada fossem transformadas em uma escala comum adequada para a aprendizagem do agente. As variáveis normalizadas incluíram a tensão do alimentador, a demanda de potência ativa, a geração renovável, o status de congestionamento e a capacidade de aceitação do alimentador. A formulação matemática do procedimento de pré-processamento está fornecida no Arquivo Suplementar 1 (Seção 1).
3. Modelagem dinâmica de rede de baixa tensão
Após a aquisição e pré-processamento dos dados, foi construído um modelo dinâmico de rede de distribuição para simular o comportamento de um sistema de distribuição com alta proporção de geração renovável sob condições variáveis de carga e geração. O modelo rastreou dinamicamente a topologia do alimentador, o comportamento dos recursos energéticos distribuídos, regiões sensíveis à tensão e a propagação de congestionamento.
Diferentemente de uma representação estática de rede, o modelo atualiza o comportamento do alimentador com base na intermitência das fontes renováveis, na demanda do consumidor e nas condições de congestionamento. Os conjuntos de dados FeederBW e LV de 236 barras foram utilizados para construir alimentadores interconectados nos quais barras, transformadores, fontes renováveis distribuídas e cargas foram representados como nós da rede. Cada nó do alimentador fornecia informações atualizadas sobre magnitude de tensão, demanda de potência ativa, geração renovável, estado de carregamento do alimentador e estado de congestionamento. Essas variáveis foram utilizadas pelos agentes inteligentes para monitorar o comportamento do alimentador e tomar decisões descentralizadas de orquestração. O modelo de rede também permitiu a identificação de regiões sensíveis e a priorização da aceitação de alimentadores por meio de análise contínua de sensibilidade.
A rede de distribuição de MT foi representada como uma rede baseada em grafos contendo estações de barramento, linhas de alimentação, transformadores, fontes renováveis e nós de carga consumidora. As derivações matemáticas detalhadas do modelo de rede são fornecidas no Arquivo Suplementar 1 (Seção 2). O estado dinâmico da rede e o índice de congestionamento foram monitorados continuamente. O índice de congestionamento foi normalizado na faixa [0,1], e a orquestração colaborativa de aceitação de alimentadores foi iniciada quando o índice de congestionamento excedeu 0,80.
4. Inicialização do Ambiente Multiagente
Após a construção do modelo dinâmico da rede de BT, o ambiente multiagente foi inicializado para apoiar a aceitação descentralizada de alimentadores. Agentes inteligentes foram atribuídos a segmentos de alimentadores, pontos de conexão de recursos energéticos distribuídos, locais de transformadores e nós suscetíveis a congestionamento dentro da rede de BT.
Cada agente atuava como uma entidade independente de tomada de decisão que monitorava a operação do alimentador local, trocava informações com agentes vizinhos e executava ações adaptativas de orquestração. Os agentes foram atribuídos a nós-chave dos alimentadores com base na sensibilidade de tensão, penetração de fontes renováveis, nível de congestionamento e importância do alimentador. A rede de baixa tensão foi configurada como um ambiente baseado em agentes, no qual os agentes monitoravam continuamente a tensão do alimentador, a demanda de potência ativa, a variação da geração renovável, o status de congestionamento e a capacidade de aceitação do alimentador. A formulação matemática do ambiente multiagente é fornecida no Arquivo Suplementar 1 (Seção 3).
5. Aprendizado de agente orientado por reforço
Após a inicialização do ambiente multiagente, implementou-se uma aprendizagem orientada por reforço para permitir que os agentes aprendessem políticas de orquestração de alimentadores por meio da interação com condições operacionais variáveis do sistema de média tensão. Durante cada interação, um agente observava o estado atual do alimentador, selecionava uma ação de orquestração e recebia uma recompensa ou penalização. O processo descentralizado de aprendizagem permitiu que os agentes se adaptassem à incerteza da geração renovável, às condições variáveis de congestionamento, às variações de tensão e às alterações na capacidade de aceitação do alimentador. Cada agente selecionava uma ação de orquestração de acordo com sua política aprendida. As derivações matemáticas associadas estão fornecidas no Arquivo Suplementar 1 (Seção 4).
Um total de 64 agentes inteligentes foi implantado. Com base na topologia do alimentador, nível de penetração de energias renováveis, sensibilidade de tensão e gravidade da congestão, cada agente foi alocado a um segmento do alimentador, local de transformador, ponto de conexão de recurso energético distribuído ou nó da rede sensível à congestão. Embora preservasse uma complexidade computacional razoável, a implantação descentralizada permitiu monitoramento cooperativo e aceitação adaptativa do alimentador em toda a rede de distribuição de baixa tensão com 236 barras. Cada agente observou um vetor de estado de cinco dimensões composto por magnitude de tensão, demanda de carga do alimentador, geração renovável, status de congestão e capacidade de aceitação do alimentador. O espaço de ações consistia em cinco ações de orquestração: priorização da aceitação do alimentador, mitigação de congestão, coordenação de renováveis, balanceamento de carga e controle de tensão. A tomada de decisão cooperativa foi apoiada por meio de uma topologia de comunicação descentralizada entre vizinhos, na qual cada agente trocava índices de sensibilidade e informações operacionais locais apenas com os agentes dos alimentadores vizinhos.
Um método MARL baseado em Q-learning foi implementado utilizando uma rede neural totalmente conectada com duas camadas ocultas contendo 128 e 64 neurônios. A ativação da unidade linear retificada foi aplicada nas camadas ocultas. Os parâmetros da rede foram otimizados usando o otimizador Adam com uma taxa de aprendizado de 0,001 e um fator de desconto de 0,99. Um tamanho de mini-lote de 64 foi utilizado, e o buffer de replay de experiências tinha capacidade para 100.000 transições. O treinamento foi considerado convergido quando a média móvel da recompensa cumulativa ao longo dos últimos 20 episódios variou menos que 0,1% durante 10 janelas de avaliação consecutivas. Caso esse critério não fosse satisfeito, o treinamento continuava até um máximo de 500 episódios. O fluxo de trabalho de aprendizado por reforço é mostrado na Figura 2.
Figura 2: Fluxograma do aprendizado do agente orientado por reforço. Fluxograma ilustrando o processo de aprendizado do agente baseado em reforço para orquestração descentralizada de alimentadores e otimização de decisões. Clique aqui para visualizar uma versão maior desta figura.
O processo de aprendizagem iniciou-se com a inicialização do ambiente de distribuição de MT, dos estados dos agentes e dos parâmetros de aprendizagem. Agentes inteligentes foram posicionados em regiões alimentadoras, locais de recursos energéticos distribuídos e barras propensas a congestionamento. Em seguida, foram definidos o espaço de observação, a taxa de aprendizagem, a estratégia de exploração, os fatores de recompensa e as funções de política. A cada etapa de interação, cada agente observava o estado atual da região alimentadora designada. O estado consistia na magnitude da tensão nos nós, demanda de carga do alimentador, características da geração renovável, nível de congestionamento e capacidade de aceitação do alimentador. Essas observações formavam o estado ambiental utilizado para a tomada de decisões de orquestração. Cada agente selecionava uma ação de acordo com sua política de aprendizagem por reforço. As ações disponíveis incluíam priorização da aceitação do alimentador, gerenciamento de congestionamento, coordenação de energia renovável, balanceamento de carga e gerenciamento de tensão. A ação selecionada era aplicada ao ambiente dinâmico de MT, após o que o estado do alimentador era atualizado.
Uma recompensa foi calculada após cada ação. Uma recompensa positiva foi atribuída quando a ação selecionada melhorou a aceitação do alimentador, evitou a propagação de congestionamento, manteve a conformidade de tensão ou melhorou a estabilidade da rede. Uma penalidade foi aplicada quando a ação resultou em, ou falhou em prevenir, sobrecarga do alimentador, violações de tensão ou atrasos na orquestração. A recompensa calculada foi utilizada para atualizar a função de valor e a política de decisão do agente por meio de otimização por reforço. A sequência de observação, seleção de ação, transição do ambiente, cálculo da recompensa e atualização da política foi repetida até que o critério de parada fosse satisfeito.
6. Avaliação da sensibilidade à tensão e à congestão
Após a aprendizagem orientada por reforço, as sensibilidades à tensão e ao congestionamento foram avaliadas para identificar regiões vulneráveis do alimentador e apoiar decisões dinâmicas de aceitação do alimentador sob incerteza da energia renovável.
Em cada intervalo de operação, foram determinados os efeitos das variações na potência da alimentador, na geração renovável e na demanda de carga sobre a tensão do nó e a congestão da rede. Os índices de sensibilidade à tensão e à congestão foram recalculados em cada intervalo de operação simulado, em vez de serem derivados exclusivamente de condições estáticas da rede. Os índices de sensibilidade para cada nó do alimentador foram atualizados com base nas condições atuais da rede, na variação da geração renovável e no estado de carregamento do alimentador. Os valores resultantes foram utilizados para classificar os nós do alimentador em ações de aceitação de alimentadores, gerenciamento de congestionamento e controle de tensão.
O índice de sensibilidade à tensão quantificou a alteração na tensão do nó resultante de uma variação no fluxo de potência ativa. Após o cálculo dos índices de sensibilidade à tensão e à congestão, eles foram combinados em uma pontuação de sensibilidade composta para a priorização adaptativa da aceitação do alimentador. O método de pontuação composta é descrito no Arquivo Suplementar 1 (Seção 5). Nós do alimentador com pontuações de sensibilidade mais altas receberam prioridades mais elevadas de orquestração durante a mitigação de congestão, correção na aceitação do alimentador e operações de regulação de tensão. As pontuações de sensibilidade foram recalculadas em cada intervalo de operação e compartilhadas com agentes vizinhos por meio do ambiente colaborativo de comunicação.
7. Orquestração colaborativa de aceitação e otimização adaptativa de decisão em cada intervalo operacional simulado
Após uma avaliação de sensibilidade, foi realizada a orquestração colaborativa da aceitação para permitir que agentes descentralizados tomassem decisões coordenadas de aceitação de alimentadores sob incerteza de fontes renováveis e condições dinâmicas de congestionamento. Os agentes trocaram estados locais dos alimentadores, índices de sensibilidade, alertas de congestionamento e prioridades operacionais. Cada agente avaliou independentemente a condição local do seu alimentador, ao mesmo tempo em que coordenou com agentes vizinhos para apoiar a estabilidade geral da rede.
A aceitação de alimentadores foi priorizada de acordo com a sensibilidade à tensão, gravidade da congestão, variabilidade da geração renovável e capacidade disponível do alimentador. As observações locais com base na sensibilidade foram agregadas entre os agentes, e foram geradas ações coordenadas de aceitação de alimentadores. A formulação matemática do processo colaborativo de orquestração é fornecida no Arquivo Suplementar 1 (Seção 6). O ambiente dinâmico da rede de BT foi implantado com agentes colaborativos posicionados em regiões de alimentadores, pontos de integração de energia renovável e barramentos suscetíveis a congestão, conforme descrito no Arquivo Suplementar 1 (Algoritmo 1). Em cada intervalo de operação, cada agente observou parâmetros locais do alimentador, incluindo magnitude de tensão, variação da geração renovável, carga do alimentador, nível de congestão e capacidade de aceitação do alimentador.
Os índices de sensibilidade à tensão e de sensibilidade à congestão foram então calculados para identificar regiões alimentadoras suscetíveis à instabilidade de tensão ou à propagação de congestão. Esses índices foram combinados em uma pontuação geral de sensibilidade da alimentadora, que determinou a prioridade de aceitação e orquestração da alimentadora. Informações locais de estado, níveis de congestão, indicadores de instabilidade de tensão e prioridades de aceitação foram trocados entre agentes vizinhos. Com base nas observações locais e nas informações compartilhadas, cada agente selecionou e implementou uma ação adaptativa de orquestração. Após cada ação, um feedback de reforço foi obtido a partir do ambiente dinâmico da rede de baixa tensão, com base na estabilidade da alimentadora, redução de congestão, conformidade de tensão e eficiência de aceitação da alimentadora. Esse feedback foi utilizado para atualizar a política de cada agente por meio de uma otimização baseada em reforço. A função objetiva global de orquestração forneceu simultaneamente um feedback coordenado para a otimização adaptativa em toda a população de agentes. As atualizações de política prosseguiram até que as políticas dos agentes convergissem para uma estratégia ótima de orquestração descentralizada.
8. Validação em larga escala
A estratégia de orquestração dinâmica foi validada utilizando o conjunto de dados FeederBW e o conjunto de dados da rede de distribuição de baixa tensão com 236 barras em cenários operacionais com alta penetração de energia renovável. A validação avaliou a capacidade do framework de orquestração descentralizada em gerenciar a aceitação dinâmica de alimentadores, intermitência renovável, propagação de congestionamento e instabilidade de tensão em sistemas interconectados de distribuição em baixa tensão. Os cenários operacionais avaliados incluíram alta penetração de renováveis, demanda de carga variável, propagação dinâmica de congestionamento, condições sensíveis à tensão e capacidade variável de aceitação de alimentadores.
O desempenho do framework foi avaliado utilizando a taxa de aceitação do alimentador, índice de conformidade de tensão, taxa de redução de congestionamento, latência de orquestração, velocidade de convergência, eficiência da coordenação descentralizada e capacidade de acomodação de renováveis. Essas medidas foram utilizadas para avaliar escalabilidade, robustez, adaptabilidade e desempenho de coordenação. O framework proposto foi comparado com abordagens tradicionais centralizadas de orquestração de alimentadores sob as mesmas configurações de rede. Conjuntos de dados equivalentes, cenários operacionais, condições de avaliação e medidas de desempenho foram aplicados aos métodos de comparação.
Tabela 2 resume os conjuntos de dados, condições operacionais, ambientes de orquestração e variáveis de desempenho utilizados para a validação experimental. O conjunto de dados FeederBW foi utilizado para avaliar a dinâmica operacional do alimentador, a intermitência de fontes renováveis, o desenvolvimento de congestionamento, a variação da carga residencial e as flutuações de tensão sob condições de alimentador de baixa tensão. O conjunto de dados de 236 barras em baixa tensão foi utilizado para avaliar a orquestração descentralizada em uma rede interconectada maior. A arquitetura foi validada sob condições variáveis de geração renovável, demanda de carga, tensão e congestionamento. A coordenação descentralizada e a otimização de políticas baseada em aprendizado por reforço foram avaliadas conjuntamente entre os agentes inteligentes.
A taxa de aceitação de alimentadores, o índice de conformidade de tensão, a taxa de redução de congestionamento, a velocidade de convergência e a latência de orquestração foram utilizados para quantificar o desempenho sob condições operacionais dinâmicas em sistemas de energia renovável.
| Parâmetro Experimental | Conjunto de Dados FeederBW | Conjunto de Dados LV 236-barras | Finalidade da Validação |
| Tipo de Rede | Rede Alimentadora de Baixa Tensão | Rede de Distribuição LV em Grande Escala | Avaliação da orquestração dinâmica |
| Número de Nós/Barras | Múltiplos nós alimentadores | 236 barras | Análise de escalabilidade |
| Integração de Renováveis | Fontes fotovoltaicas e renováveis distribuídas | Barras com alta penetração de renováveis | Validação da incerteza renovável |
| Comportamento da Demanda de Carga | Perfis dinâmicos de carga residencial | Variações de carga em alimentadores de grande escala | Orquestração adaptativa de carga |
| Cenários de Congestionamento | Estados de sobrecarga e congestionamento do alimentador | Propagação de congestionamento em múltiplas barras | Análise de mitigação de congestionamento |
| Condições de Tensão | Perfis de flutuação de tensão | Condições de barras sensíveis à tensão | Avaliação de conformidade com tensão |
| Agentes Inteligentes | Agentes distribuídos no alimentador | Agentes colaborativos em grande escala | Análise de coordenação descentralizada |
| Ambiente de Aprendizado | Orquestração orientada por reforço | Aprendizado adaptativo multiagente | Validação da otimização de políticas |
| Condições de Simulação | Variabilidade dinâmica de fontes renováveis | Operação dinâmica em grande escala | Teste de orquestração de baixa latência |
| Métricas de Desempenho | Taxa de aceitação, redução de congestionamento | Conformidade com tensão, velocidade de convergência | Desempenho geral da orquestração |
Tabela 2: Validação experimental em larga escala. Configurações experimentais utilizadas para avaliar escalabilidade, incerteza da energia renovável e coordenação descentralizada.
Acesso restrito. Inicie sessão ou comece um teste para visualizar este conteúdo.
Resultados
Todos os experimentos foram realizados cinco vezes utilizando diferentes sementes aleatórias para reduzir a influência da aprendizagem estocástica. Os valores médios foram calculados ao longo das cinco execuções. Os mesmos conjuntos de dados, parâmetros de simulação, hiperparâmetros, critérios de parada e procedimentos de avaliação foram utilizados para todos os métodos. O Controle Centralizado de Tensão (CVC)33, Controle Convencional Baseado em Múltiplos Agentes (CMAC)21, ...
Acesso restrito. Inicie sessão ou comece um teste para visualizar este conteúdo.
Discussão
Os resultados experimentais mostraram que a Estratégia Proposta de Orquestração Dinâmica aprimorou a coordenação descentralizada de alimentadores, a integração de energia renovável, a estabilidade de tensão, o gerenciamento de congestionamento e a orquestração com baixa latência em comparação com o Controle Centralizado de Tensão (CVC)33, Controle Convencional Baseado em Múltiplos Agentes (CMAC)21, Regulação de Tensão Baseada em Aprendizado por Reforço (RLVR)
Acesso restrito. Inicie sessão ou comece um teste para visualizar este conteúdo.
Divulgações
Os autores declaram que não possuem interesses concorrentes.
Agradecimentos
Esta pesquisa foi apoiada pela Guangzhou Power Supply Bureau da Guangdong Power Grid Company por meio do projeto “Pesquisa sobre Tecnologia de Aceitação de Automação de Equipamentos de Medição de Baixa Tensão com Base em Automação de Processos” (Código do Projeto: 030100KC24120100).
Acesso restrito. Inicie sessão ou comece um teste para visualizar este conteúdo.
Materiais
| Nome | Empresa | Número de catálogo | Comentários |
|---|---|---|---|
| Conjunto de Dados da Rede de Distribuição de Baixa Tensão com 236 Barras | Canizes et al. | DOI: 10.5281/zenodo.8274780 | Conjunto de dados de referência público utilizado para análise de escalabilidade e validação em larga escala do framework proposto |
| Unidade Central de Processamento (CPU) | Intel Corporation | Intel Core i9-12900K (16-Core) | Utilizada para gerenciamento de simulação e execução do ambiente |
| Módulo de Análise de Sensibilidade à Congestão | Módulo Desenvolvido sob Encomenda | Zenodo DOI: 10.5281/zenodo.21423239 | Realiza o cálculo em tempo real da sensibilidade à congestão e a priorização de alimentadores |
| Kit de Ferramentas CUDA | NVIDIA Corporation | CUDA 12.1 | Plataforma de computação GPU utilizada para treinamento acelerado de modelos PyTorch |
| Biblioteca cuDNN | NVIDIA Corporation | cuDNN 9.3.0 | Biblioteca de aceleração de redes neurais profundas utilizada com CUDA |
| Simulador Dinâmico Personalizado de Rede de Baixa Tensão | Módulo Desenvolvido sob Encomenda | Versão 1.0 | Plataforma de simulação desenvolvida pelo autor, implementada em Python e PyTorch, para experimentos de orquestração dinâmica de alimentadores. Os detalhes de implementação são fornecidos nas seções Métodos e Disponibilidade de Dados. |
| Biblioteca de Processamento de Dados | Equipe de Desenvolvimento do pandas | pandas 2.2.2 | Utilizada para pré-processamento, extração de características, normalização e gerenciamento de dados em séries temporais |
| Framework de Aprendizado Profundo | PyTorch Foundation | PyTorch 2.3.1 | Utilizado para implementação do modelo de aprendizado por reforço multiagente (MARL), treinamento de redes neurais e otimização de políticas |
| Módulo de Comunicação Distribuída entre Agentes | Framework Desenvolvido sob Encomenda | Zenodo DOI: 10.5281/zenodo.21423239 | Permite comunicação descentralizada e troca colaborativa de políticas entre agentes inteligentes |
| Conjunto de Dados FeederBW | Treutlein et al. | DOI: 10.5281/zenodo.17831177 | Conjunto de dados público contendo medições reais de alimentadores de baixa tensão, geração renovável e perfis operacionais |
| Unidade de Processamento Gráfico (GPU) | NVIDIA Corporation | GeForce RTX 3090, 24 GB GDDR6X | Acelerador de hardware utilizado para treinamento de redes neurais e computação paralela |
| Ambiente de Aprendizado por Reforço Multiagente | Farama Foundation | Gym 0.26.2 | Ambiente personalizado de aprendizado por reforço para interação e treinamento colaborativo entre agentes inteligentes |
| Biblioteca de Computação Numérica | Desenvolvedores do NumPy | NumPy 1.26.4 | Utilizada para cálculos numéricos, manipulação de tensores e operações matriciais |
| Sistema Operacional | Canonical Ltd. | Ubuntu 22.04.5 LTS (64-bit) | Sistema operacional utilizado em todas as simulações e experimentos de aprendizado por reforço |
| Linguagem de Programação Python | Python Software Foundation | Python 3.11.9 | Linguagem de programação principal utilizada para implementação de algoritmos, simulações e desenvolvimento de modelos |
| Memória do Sistema | Lenovo | 64 GB de RAM DDR5 | Memória do sistema instalada, utilizada para simulação em larga escala MARL e processamento de dados. |
| Módulo de Monitoramento de Estabilidade de Tensão | Módulo Desenvolvido sob Encomenda | Zenodo DOI: 10.5281/zenodo.21423239 | Avalia continuamente a estabilidade e conformidade de tensão durante a orquestração de alimentadores |
Referências
- 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.
Acesso restrito. Inicie sessão ou comece um teste para visualizar este conteúdo.