Otimização da gestão de uma instalação elétrica real com sistema de armazenamento de energia e geração distribuída utilizando Simulated Annealing

Este estudo apresenta uma metodologia integrada para a gestão otimizada de microrredes reais com geração fotovoltaica e armazenamento de energia em baterias (Battery Energy Storage System - BESS), conectadas à rede elétrica sob tarifas horossazonais. A proposta combina técnicas de previsão de demanda e geração solar — baseadas nos modelos LSTM e XGBoost — com uma heurística de otimização inspirada no algoritmo Simulated Annealing (SA), aplicada à operação energética da microrrede. Utilizando dados reais de uma instituição pública Federal do Espírito Santo coletados entre novembro de 2023 e abril de 2024, o modelo XGBoost obteve os melhores resultados tanto na previsão da demanda (WMAPE de 17,32% e R2 de 0,8951) quanto na geração fotovoltaica (WMAPE de 23,23% e R2 de 0,9067). A aplicação da heurística SA, com parâmetros calibrados, proporcionou uma redução média de 13,9% no custo operacional em comparação à operação sem otimização. A análise de sensibilidade demonstrou que a redução da potência de carga e descarga do BESS limita a eficiência econômica, enquanto o aumento da capacidade de armazenamento reduz custos até certo ponto, apresentando ganhos decrescentes a partir de 300 kWh. Os resultados evidenciam o potencial da integração entre previsão e otimização para a operação eficiente de microrredes, contribuindo para o avanço da transição energética sustentável.

This study presents an integrated methodology for the optimized management of real microgrids with photovoltaic (PV) generation and battery energy storage systems (BESS), connected to the power grid under time-of-use tariffs. The proposed approach combines demand and solar generation forecasting techniques—based on LSTM and XGBoost models-with an optimization heuristic inspired by the Simulated Annealing (SA) algorithm, applied to the energy operation of the microgrid. Using real data collected between November 2023 and April 2024, the XGBoost model achieved the best performance for both demand forecasting (WMAPE of 17.32% and R2 of 0.8951) and photovoltaic generation forecasting (WMAPE of 23.23% and R2 of 0.9067). The application of the SA heuristic, calibrated with optimal parameters, resulted in an average reduction of 13.9% in operational cost compared to operation without optimization. Sensitivity analysis showed that reducing the BESS charge and discharge power limits economic efficiency, while increasing storage capacity reduces costs up to a certain point, with diminishing returns beyond 300 kWh. The results highlight the potential of integrating forecasting and optimization techniques for efficient microgrid operation, contributing to the advancement of the sustainable energy transition.