APPR-Grid-Optimizer

🌟 Visión General

Este repositorio alberga el prototipo del Agente de Planificación Predictiva de Red (APPR). El APPR es un sistema basado en Aprendizaje por Refuerzo (Deep Q-Network - DQN) diseñado para resolver uno de los cuellos de botella más críticos en la transición energética: la gestión de la intermitencia renovable.

El agente aprende a despachar dinámicamente recursos de almacenamiento (baterías) para minimizar el curtailment (desperdicio de energía solar) mientras se adhiere estrictamente a un límite de capacidad de transmisión fijo (simulando un cuello de botella).

🎯 Objetivo Estratégico

Convertirse en un Optimizador de la Transición, reduciendo la fricción técnica y económica que ralentiza la adopción masiva de energías limpias.

🚀 Estado del Proyecto (MVP)

El prototipo MVP se centra en una simulación controlada:

• Sistema: 100 MW de capacidad solar instalada.
• Cuello de Botella: Límite de transmisión estricto de 80 MW.
• Recurso de Mitigación: Batería de 60 MWh con tasa de 20 MW.
• Fase: Entrenamiento del agente DQN completado, comparando la política aprendida contra una gestión ingenua (Baseline).

🛠️ Cómo Ejecutar el Prototipo

Este proyecto está diseñado para ejecutarse en un entorno Jupyter Notebook.

1. Prerrequisitos

Asegúrese de tener Python y Jupyter instalados.

2. Instalación de Dependencias

Instale todas las librerías necesarias a partir del archivo requirements.txt:

pip install -r requirements.txt

3. Ejecución de los Notebooks

Ejecute los siguientes notebooks en orden secuencial dentro de la carpeta /notebooks:

1. 01_Data_Prep_Baseline.ipynb: Define el entorno simulado, genera el conjunto de datos de estrés y establece la métrica de comparación (Baseline).
2. 02_APPR_DQN_Training.ipynb: Contiene la implementación del entorno RL, el modelo DQN (TensorFlow/Keras) y el bucle de entrenamiento.

---

📁 Estructura del Repositorio

/APPR_Grid_Optimizer
├── .gitignore             # Archivos ignorados (cachés, datos brutos grandes)
├── requirements.txt       # Lista de dependencias para replicación
├── README.md              # Documentación actual
│
├── data/                  # (Se puede usar para datos reales si son necesarios)
│
└── notebooks/
    ├── 01_Data_Prep_Baseline.ipynb
    └── 02_APPR_DQN_Training.ipynb

⚙️ Próximos Pasos (Hoja de Ruta)

1. Refactorización y Validación: Mejorar la Fase 3 para obtener una comparación visual y cuantitativa directa entre Baseline y APPR.
2. Integración de Predicción: Migrar el estado del agente para incluir modelos de pronóstico de energía (usando LSTMs o Transformers) en lugar de solo datos instantáneos.
3. Escalabilidad a GCP: Migrar la lógica del entorno y el entrenamiento a un servicio gestionado (ej. Vertex AI Training) para simular escenarios más grandes y complejos.

---

*Desarrollado con el objetivo de acelerar la adopción de energía limpia mediante optimización inteligente de sistemas.## 🤝 Contribuciones

Las contribuciones son bienvenidas. Por favor, abra un 'issue' o envíe un 'pull request'.*