A conceptual microgrid management framework based on adaptive and autonomous multi-agent systems

Abstract

The Smart Grids paradigm emerged as a response to the need to modernize the electric grid and address problems related to the demand for better energy quality. However, there are no fully developed and implemented smart grids. Centralized systems are still common, with a low granularity of control and reduced monitoring capacity, especially in low-voltage networks. In this work, we propose a framework for Microgrid Management, providing solutions for three main problems: Peak Shaving addressed with a distributed control algorithm based on Artificial Immune Systems for demand-side management; Transformer Lifespan Estimation using a thermal model adjusted by Genetic Algorithms; Short-Tenn Load Forecasting based on Artificial Neural Networks and Genetic Algorithms. Combining these solutions, we can reduce peak loads by controlling air conditioners without affecting user comfort, detennine the negative effects of overloading on distribution transfonners and provide demand forecasting. The proposed framework is based on autonomous and distributed systems, so the Organization Centered Multi-Agent Systems methodology was applied for modeling and development. The implemented solutions were applied in the Tucumán province, Argentina, exposing the system’s benefits and the relevance of the information generated by the framework.

Las Smart Grids surgieron como respuesta a la necesidad de modernizar la red eléctrica y abordar problemas relacionados con la demanda de energía de mejor calidad. Sin embargo, no existen Smart Grids totalmente desarrolladas e implementadas. Todavía son comunes los sistemas centralizados, con baja granularidad de control y reducida capacidad de monitorización, especialmente en redes de baja tensión. En este trabajo, proponemos un Framework para la gestión de Microgrids, resolviendo tres problemas principales: Peak Shaving abordado con un algoritmo de control distribuido basado en Sistemas Inmunológicos Artificiales para gestión de la demanda; Estimación de la vida útil del transformador mediante un modelo térmico ajustado con Algoritmos Genéticos; Predicción del consumo a corto plazo basado en Redes Neuronales Artificiales y Algoritmos Genéticos. Combinando estas soluciones, podemos reducir los picos de carga controlando equipos de aire acondicionado sin afectar al usuario, determinar el impacto de la sobrecarga en transformadores y proporcionar una predicción de la demanda. El Framework se basa en sistemas autónomos y distribuidos, por lo que se aplicó la metodología de Sistemas Multi-Agentes Organizacionales para modelarlo y desarrollarlo. Las soluciones implementadas se aplicaron en la provincia de Tucumán, Argentina, exponiendo sus beneficios y la relevancia de la información generada.