Online Convex Optimization for Coordinated Long-Term and Short-Term Isolated Microgrid Dispatch

Resumo Técnico: Otimização Convexa Online para Despiste Coordenado de Longo e Curto Prazo em Microrredes Isoladas

Enunciação do Problema
Microrredes isoladas em regiões remotas enfrentam desafios significativos para garantir um fornecimento de energia confiável devido à sua dependência de fontes de energia renovável (FER) intermitentes e à ausência de conexão com a rede principal. Esses sistemas normalmente empregam uma mistura de recursos flexíveis: geradores a diesel (GD) e armazenamento de energia por baterias (BES) para resposta rápida, e armazenamento de energia de longa duração (LDES), como sistemas de hidrogênio, para deslocamento sazonal de energia. A dificuldade central reside na coordenação de políticas de despacho em múltiplas escalas de tempo (diária versus sazonal) sob incerteza.

As abordagens existentes enfrentam limitações específicas:

1. Restrições Não Antecipatórias: O despacho em tempo real deve operar sem conhecimento de incertezas futuras, tornando impraticável a otimização multi-período padrão (que assume previsão perfeita).
2. Acoplamento Temporal: O LDES introduz fortes restrições de acoplamento temporal por meio da dinâmica do Estado de Carga (SoC) e obrigações contratuais de longo prazo (por exemplo, metas de SoC ao final do período), que são difíceis de gerenciar em despistes de curto prazo e míopes.
3. Não Convexidade: Modelos de LDES, particularmente dinâmicas eletroquímicas em eletrolisadores e células a combustível, são inerentemente não convexos, levando a alta complexidade computacional ao usar aproximações lineares por partes tradicionais que exigem variáveis binárias.
4. Dependência de Previsão: Muitos métodos (por exemplo, Controle Preditivo por Modelo) dependem fortemente da precisão da previsão, que é frequentemente pobre em microrredes isoladas, levando a decisões subótimas ou corte de carga.

Metodologia
O artigo propõe um framework de despacho coordenado não antecipatório de longo e curto prazo que integra treinamento offline com controle online. A metodologia consiste em quatro componentes principais:

1. Aproximação por Casca Convexa para LDES:
   Para abordar as dinâmicas eletroquímicas não convexas do LDES, os autores introduzem um modelo de aproximação por casca convexa. Em vez de usar modelos lineares por partes com variáveis binárias, esta abordagem seleciona amostras discretas da curva não convexa de potência-hidrogênio para formar vértices de uma casca convexa. As variáveis de decisão são representadas como combinações convexas desses vértices. Esta reformulação preserva a convexidade, elimina variáveis binárias e garante compatibilidade com otimização baseada em gradiente, mantendo alta precisão.

2. Treinamento Offline com Trajetórias Ótimas de Retrospectiva:
   O framework utiliza dados históricos ou sintéticos para gerar trajetórias de SoC e cargas líquidas "ótimas de retrospectiva" resolvendo offline o problema de Despiste Econômico Multi-Período Oráculo (OED). Essas trajetórias servem como verdade fundamental para treinar o módulo de aprendizado de referência online.

3. Aprendizado de Referência de SoC Online via Regressão por Kernel:
   Na etapa online, o sistema atualiza dinamicamente a referência de SoC do LDES usando uma política de imitação condicional não paramétrica baseada em regressão por kernel.

   • Entradas: O modelo usa uma janela rolante de carga líquida normalizada e valores históricos de SoC.
   • Mecanismo: Calcula pesos dinâmicos baseados na similaridade entre observações online atuais e cenários históricos usando um kernel Gaussiano.
   • Vantagem: Diferentemente de redes neurais, este método oferece baixa complexidade computacional, requer ajuste mínimo de hiperparâmetros e adapta-se naturalmente a mudanças no estado do sistema sem retreinamento.

4. Algoritmo Adaptativo de Otimização Convexa Online (OCO):
   O despacho de curto prazo é formulado como um Despiste Econômico de Período Único Guiado por Trajetória (TED). Isso inclui um termo de penalidade quadrática para rastrear a referência de SoC de longo prazo gerada pela regressão por kernel.

   • Rastreamento de Especialistas: O algoritmo OCO emprega uma abordagem adaptativa baseada em fila virtual com "rastreamento de especialistas". Múltiplos especialistas operam com tamanhos de passo distintos.
   • Tomada de Decisão: As decisões são atualizadas com base em perdas substitutas e médias ponderadas das decisões dos especialistas, permitindo que o sistema otimize adaptativamente os tamanhos de passo e mitigue a miopia do despacho de período único sem depender de previsões futuras.

Principais Contribuições

1. Modelagem Convexa de LDES: Desenvolvimento de uma aproximação por casca convexa escalável e precisa para LDES que evita variáveis binárias e preserva a tratabilidade baseada em gradiente.
2. Coordenação Não Antecipatória: Um framework inovador que coordena despistes de longo e curto prazo sem informações futuras, utilizando trajetórias ótimas de retrospectiva para treinamento offline e regressão por kernel para atualizações de referência online.
3. Garantias Teóricas: Prova rigorosa de que tanto as políticas de longo quanto de curto prazo alcançam limites de arrependimento dinâmico sublinear. O arrependimento melhora com mais cenários de regressão, penalidades de rastreamento mais fortes e aproximações convexas mais finas.
4. Controle Online Resiliente: Um algoritmo OCO adaptativo que incorpora rastreamento de referência e rastreamento de especialistas para lidar efetivamente com restrições de acoplamento temporal e incertezas do sistema.

Resultados
O método proposto foi validado em uma microrrede isolada no Alasca (100 kW eólica, 100 kW solar, 150 kW de carga, 50 kW a diesel, 50 kW/200 kWh BES e 100 kW/1000 kg LDES) ao longo de uma simulação horária de um ano.

• Redução de Custos: O método proposto reduziu os custos operacionais anuais em 73,4% em comparação com métodos de última geração sem rastreamento de referência.
• Eliminação de Perda de Carga: O rastreamento de referência eliminou com sucesso a perda de carga (0 kWh), enquanto métodos sem rastreamento experimentaram mais de 26 MWh de perda de carga.
• Melhoria Algorítmica: O algoritmo OCO adaptativo forneceu uma economia de custos adicional de 2,4% em comparação com abordagens padrão de MPC.
• Escalabilidade: Os benefícios escalaram com durações mais longas de LDES; para uma capacidade de LDES de 2000 kg, a lacuna de otimalidade diminuiu para 19,89% em comparação com 34,83% para 500 kg.
• Robustez: O método demonstrou resiliência a previsões pobres (superando o MPC em até 17,88% com 30% de MAPE) e falhas inesperadas do sistema (falhas de eólica/GD), onde trajetórias offline foram regeneradas em minutos para atualizar referências online.

Significado e Alegações
O artigo afirma fornecer uma ferramenta de despacho online quase ótima de longo prazo, livre de previsões e computacionalmente tratável para microrredes. Seu significado reside em:

• Ponte entre Escalas de Tempo: Coordenar efetivamente operações sazonais (longo prazo) e diárias (curto prazo) sob incerteza sem exigir previsões de longo prazo precisas.
• Rigor Teórico: Fornecer limites de arrependimento sublinear para políticas de longo e curto prazo, uma característica frequentemente ausente em abordagens heurísticas ou baseadas em aprendizado.
• Aplicabilidade Prática: Oferecer uma solução robusta a falhas do sistema e erros de previsão, tornando-a adequada para microrredes isoladas do mundo real onde a confiabilidade é primordial.
• Tratamento de Não Convexidade: Abordar com sucesso a intratabilidade computacional de modelos não convexos de LDES por meio de aproximação por casca convexa, permitindo o uso de solucionadores eficientes baseados em gradiente.

Os autores enfatizam que o método não depende de informações futuras (0-lookahead), tornando-o adequado para implementação em tempo real onde a incerteza é realizada sequencialmente.