A previsão de carga e preço de curto prazo é vital para a estabilidade e eficiência de custos das modernas redes elétricas inteligentes. Este artigo apresenta um novo método baseado em Deep Reinforcement Learning (DRL) que modela a previsão como um MDP com uma função de recompensa personalizada que equilibra os erros de carga e preço, superando abordagens tradicionais. Tratamos o complexo processo de previsão, passo a passo, como um Processo de Decisão de Markov (MDP), definido por quatro componentes principais: um Estado multidimensional que inclui tendências históricas e características adicionais como clima e combustível; um espaço de Ação que representa os valores de carga e preço previstos para o próximo passo de tempo; uma função de Recompensa destinada a reduzir o erro de previsão; e uma Política ótima. O coração do modelo é uma Deep Q-Network (DQN), que utiliza redes neurais profundas (DNNs) para estimar a função de valor Q ótima, Q (s, a). O agente aprende a melhor estratégia de previsão interagindo continuamente com os dados de mercado históricos e em tempo real, aplicando o algoritmo Q-learning para melhorar a função de valor ao longo do tempo. Usando o conjunto de dados da PJM Interconnection abrangendo 2021-2023, realizamos a estratégia proposta para previsão de carga e preço de curto prazo. Os resultados da simulação em dados do mundo real mostram uma redução de 15-20% no erro percentual absoluto médio (MAPE), superando bases como ARIMA, LSTM e XGBoost. Além disso, os resultados obtidos ilustram que este método baseado em DRL reduz significativamente o erro de previsão. Essa melhoria leva a uma melhor eficiência operacional, uso mais inteligente dos recursos e aumento da confiabilidade nas redes de energia inteligentes.
Wu et al. (Sex,) estudaram esta questão.