Resumen

Con la integración de Recursos de Energía Renovable (RERs), la programación Day-Ahead (DA) para la operación óptima de los Microgrids Aislados Integrados (IMGs) puede no ser económicamente óptima en tiempo real debido a los errores de predicción de múltiples fuentes de incertidumbre. Para compensar el error de predicción, este artículo propone un Control Predictivo Robusto (RMPC) basado en un enfoque de predicción por intervalos para optimizar la operación en tiempo real de los IMGs, lo que disminuye la influencia del error de predicción. El modelo de optimización continua en RMPC se formula en el modelo robusto para programar la operación con la consideración del precio de robustez. Además, se utiliza un método de Aprendizaje en Línea (OL) para la predicción por intervalos en RMPC para predecir la información futura de las incertidumbres de RERs y carga, limitando así la incertidumbre. Un estudio de caso demuestra la efectividad de la propuesta con una

• Materias:Modelo Matemático Gestión ambiental Sistemas dinámicos Datos estructurales Sistema inalámbrico
• Subjects:Mathematical model Environmental management Dynamic systems Structural data Wireless system
• Palabras claves:Recursos de energía renovable; Programación a futuro; Microrredes aisladas; Control predictivo robusto; Enfoque de predicción por intervalos; Aprendizaje en línea.
• Keywords:Renewable energy resources; Day-ahead scheduling; Isolated microgrids; Robust model predictive control; Interval prediction approach; Online learning.