Biologically inspired adaptive intelligent secondary control for MGs under cyber imperfections

Controle supervisório de microrredes utilizando >i<deep reinforcement learning>/i<

“…Isso foi feito não apenas por Safari, Babaei e Farrokhifar ( 2018 Kuznetsova et al (2013) propuseram o gerenciamento de energia da MR via algoritmo baseado em aprendizado por reforço que estima a geração eólica e, assim, decide o horário ótimo para carregar um banco de baterias. Adicionalmente, Jafari et al (2019) propuseram o emprego de um controlador secundário inteligente, treinado a partir de uma metodologia de reinforcement learning. Tal controlador é capaz de manter o sistema operando de forma adequada mesmo na presença de ruído e atraso nas leituras dos sinais e durante distúrbios eventuais no sistema.…”