David Domínguez Barbero ha investigado en técnicas de Aprendizaje por Refuerzo Profundo (DRL) para la optimización de la operación en microrredes. Estas técnicas presentan diversas ventajas frente a las aplicaciones actuales donde consiguen una estrategia de operación mucho más eficiente sin necesitar de una infraestructura muy compleja o de otros sistemas altamente costosos y poco escalables, convirtiéndolas en una alternativa interesante por su aplicabilidad y sostenibilidad.

Hasta ahora, este trabajo ha resultado en un artículo publicado, otro en segunda ronda de revisión y un tercero en borrador muy cercano a ser enviado, todos en revistas científicas JCR. Una tesis doctoral y, potencialmente, otros artículos y proyectos de investigación que nacerán a partir de la tesis doctoral:

Optimising a Microgrid System by Deep Reinforcement Learning Techniques (Energies 2020, 13 (11), 2830-1,19).

Este trabajo analiza la aplicación en microredes de técnicas novedosas de Machine Learning dentro del contexto de la optimización a través de algoritmos de Deep Learning combinados con Reinforcement Learning. Este algoritmo optimiza la operación de una microred aislada para un horizonte infinito ya que construye una política de operación. Además, este trabajo analiza la sensibilidad del tamaño del buffer de información almacenado en cada instante temporal.

Twin-Delayed Deep Deterministic Policy Gradient Algorithm for the Energy Management of Microgrids (en revisión).

Una continuación del trabajo anterior. En este caso, la política tiene acceso a todo el rango continuo de las variables de decisión, al contrario que en el caso anterior donde sólo un conjunto discreto de posibles valores eran candidatos para la operación de la microred. En particular, el grupo diésel sólo podía tomar tres valores distintos en su operación.

Impact of a Non-Linear Battery Model in a Microgrid using Deep Reinforcement Learning (en preparación).

Dentro de la misma línea de investigación, las técnicas de DRL pueden encontrar soluciones óptimas en espacios no convexos, aventajando a las técnicas de optimización clásicas que carecen de esta propiedad. En este caso, diversos componentes de la microred presentan comportamientos no lineales, haciendo más atractiva la aplicación de estas técnicas de DRL. En particular, se estudian estas ventajas cuando se tienen en cuenta las dinámicas no lineales de baterías de iones de litio.