Optimal design of solar-battery hybrid resources considering multi-market participation under weather and price uncertainty

Resumo Técnico: Projeto Ótimo de Recursos Híbridos Solar-Bateria Considerando Participação em Múltiplos Mercados sob Incerteza Climática e de Preços

Declaração do Problema
A integração rápida de energia renovável variável (ERV) exige recursos flexíveis e coordenados capazes de participar simultaneamente em múltiplos mercados de eletricidade. Embora recursos híbridos — que integram geração renovável e armazenamento por bateria dentro de uma única entidade de mercado — ofereçam vantagens operacionais e financeiras significativas em relação a recursos co-localizados (ofertados separadamente), seu projeto ótimo permanece um desafio complexo. A dificuldade central reside no acoplamento entre decisões de investimento de longo prazo (dimensionamento do sistema) e otimização operacional de curto prazo sob condições estocásticas (incerteza na geração renovável e nos preços de mercado).

Abordagens de otimização convencionais frequentemente dependem de previsões determinísticas ou modelos de incerteza simplificados, que podem falhar em capturar as dinâmicas não lineares e as restrições operacionais inerentes à participação em múltiplos mercados (energia, serviços auxiliares e mercados de capacidade). Além disso, a literatura existente frequentemente trata o projeto do sistema e as estratégias operacionais como problemas separados ou foca principalmente em mercados de energia, negligenciando os intrincados trade-offs envolvidos na prestação de serviços auxiliares (SA) e nas vantagens específicas de arquiteturas híbridas acopladas em corrente contínua (CC), como a recuperação de energia fotovoltaica (FV) recortada.

Metodologia
Para abordar esses desafios, os autores propõem um framework de co-otimização baseado em Aprendizado por Reforço Profundo (DRL). Esta abordagem integra variáveis de projeto diretamente no processo de aprendizado da política, permitindo a otimização conjunta do dimensionamento do sistema híbrido e de estratégias coordenadas de oferta em múltiplos mercados dentro de uma formulação estocástica unificada.

• Arquitetura do Framework: O método estende trabalhos anteriores de co-otimização baseados em DRL ao incorporar a participação em múltiplos mercados. O framework utiliza uma rede de Memória de Curto e Longo Prazo (LSTM) para lidar com a observabilidade parcial de variáveis de mercado e renováveis, processando dados de séries temporais de geração FV e preços de mercado. O agente emprega um algoritmo de Gradiente de Política Determinística Profunda (DDPG) para aprender políticas operacionais.
• Otimização de Projeto: Diferentemente de abordagens de dois níveis tradicionais que separam projeto e operação, este framework trata o vetor de projeto do sistema (capacidade FV, capacidade de energia da bateria e potência nominal da bateria) como um parâmetro de uma política estocástica. A distribuição dos parâmetros de projeto é atualizada via métodos de gradiente de política com base nos retornos econômicos cumulativos (receita menos custos) observados durante os episódios de treinamento.
• Tratamento de Restrições: Um componente crítico da metodologia é a estratégia de "alocação serial de capacidade". Para garantir a viabilidade sob incerteza, as ações do agente são transformadas em ofertas viáveis através de um processo de alocação sequencial:
  1. Reservas de Contingência: Alocadas primeiro, principalmente a partir da capacidade de descarga da bateria, respeitando limites do Estado de Carga (SOC) e requisitos de duração.
  2. Serviços de Regulação: As capacidades de regulação ascendente e descendente são alocadas em seguida, considerando as margens restantes da bateria e um fator de confiabilidade para as previsões de geração FV.
  3. Ofertas no Mercado de Energia: O intervalo operacional viável restante determina a oferta no mercado de energia forward, contabilizando explicitamente potenciais desequilíbrios.
• Modelo de Mercado: O estudo modela a participação em mercados de energia forward, reservas de contingência, serviços de regulação e mercados de capacidade. Conta explicitamente com erros de previsão FV, modelando desequilíbrios de energia como custos de penalidade em vez de depender de suposições de arbitragem em tempo real. O framework distingue entre recursos híbridos acoplados em CC (entidade única, inversor compartilhado) e recursos co-localizados acoplados em CA (entidades separadas).

Principais Contribuições
O artigo identifica e aborda três lacunas específicas de pesquisa:

1. DRL Consciente de Restrições para Prestação de SA Híbrida: Embora o DRL tenha sido aplicado ao armazenamento por bateria, este trabalho estende o framework para híbridos FV-bateria com restrições operacionais rígidas. Ele permite a participação conjunta em SA tanto da FV quanto da bateria sob incerteza de previsão, indo além de restrições suaves ou suposições de previsão perfeita encontradas em estudos anteriores.
2. Comparação Quantitativa de Estruturas de Mercado: O artigo fornece uma comparação quantitativa sistemática entre modelos de participação híbrida e co-localizada em cenários de múltiplos mercados. Avalia diferenças na flexibilidade operacional, estratégias de oferta e desempenho econômico, oferecendo insights sobre como as estruturas de mercado influenciam o valor dos recursos.
3. Co-otimização Consciente de Incerteza de Projeto e Operação: A contribuição principal é a integração da participação em múltiplos mercados na otimização de projeto de sistemas FV-bateria sob incerteza. Diferentemente de trabalhos anteriores que dependem de previsões determinísticas para dimensionamento, este framework aprende capacidades ótimas e políticas operacionais simultaneamente, otimizando diretamente o desempenho econômico de longo prazo em ambientes estocásticos.

Resultados
Estudos de caso numéricos utilizando dados históricos do CAISO demonstram a eficácia do framework:

• Híbrido vs. Co-localizado: Sob tamanhos de sistema idênticos, recursos híbridos alcançaram consistentemente recompensas mais altas do que recursos co-localizados. A configuração híbrida reduziu penalidades de desequilíbrio em aproximadamente 40% (de $3.622 para $2.193 em uma semana amostral) ao mitigar internamente erros de previsão FV. Adicionalmente, a arquitetura acoplada em CC permitiu a recuperação de energia FV "recortada", deslocando-a para períodos de alto preço, aumentando assim a receita do mercado de energia.
• Resultados da Co-otimização: A otimização conjunta de projeto e operação produziu configurações que superaram bases de referência de projeto fixo. Por exemplo, em um cenário de base, o framework identificou uma duração ótima de bateria de 2,71 horas, que estava abaixo do requisito de capacidade de 4 horas do mercado, mas permaneceu lucrativa devido às receitas dos mercados de energia e SA.
• Sensibilidade da Política: O framework adaptou-se com sucesso a mudanças políticas hipotéticas. Quando o requisito de duração do mercado de capacidade foi aumentado para 8 horas, o projeto ótimo deslocou-se para maior capacidade FV e menor capacidade de bateria, indicando que mandatos de duração, por si só, não garantem a implantação de baterias se conflitarem com a viabilidade econômica. Por outro lado, preços de SA aumentados para regulação ascendente levaram o projeto ótimo para maiores potências nominais de bateria.
• Aplicabilidade de Longo Prazo: Utilizando um framework de RL distribuído com um ano de dados, o estudo confirmou que variações sazonais influenciam significativamente as estruturas de receita e estratégias ótimas. A abordagem distribuída reduziu o tempo de treinamento para otimização de um ano completo para aproximadamente 10 horas, demonstrando tratabilidade computacional para planejamento de longo prazo.

Significância e Alegações
O artigo afirma que seu framework proposto oferece uma ferramenta robusta para identificar configurações de sistemas híbridos economicamente racionais que são resilientes a incertezas climáticas e de preços. Ao incorporar variáveis de projeto no processo de aprendizado, o método evita o ônus computacional da otimização de dois níveis e captura a interação complexa entre o dimensionamento do sistema e estratégias operacionais em múltiplos mercados.

Os autores enfatizam que seu trabalho fornece novos insights sobre o valor dos recursos híbridos, particularmente sua capacidade de recuperar energia recortada e mitigar desequilíbrios, aspectos frequentemente negligenciados em estudos focados exclusivamente em mercados de energia ou que assumem previsões perfeitas. O estudo conclui que, embora recursos híbridos ofereçam flexibilidade e lucratividade superiores, seu projeto ótimo é altamente sensível às regras de mercado (como requisitos de duração de capacidade) e sinais de preço, tornando necessária a utilização de ferramentas de planejamento adaptativas e conscientes de incerteza. Os autores observam modestamente que trabalhos futuros poderiam estender este framework para cenários envolvendo múltiplos tomadores de decisão, como usinas virtuais.