Muhammad Andy Putratama

Muhammad Andy Putratama

Auto-generated profile, based on publicly available information

Muhammad Andy Putratama

ETEC-MOBI Vrije Universiteit Brussel (VUB) Pleinlaan 2 1050 Brussels Belgium

Research Focus & Metrics

Academic Career Length

5Years (2022-Present)

(Calculated once Scilit publication data is synced: current year − year of first publication + 1)

Representative Publications

View All Publications
15 April 2022 in IEEE Transactions on Smart Grid
Verified
Journal Article
Closed access
MPMuhammad A. Putratama
Muhammad A. Putratama
Rémy RIGO-MARIANIRémy RIGO-MARIANI
Rémy RIGO-MARIANI
AMAlyssa Diva Mustika
Alyssa Diva Mustika
VDVincent Debusschere
Vincent Debusschere
APAmaury Pachurka
Amaury Pachurka
YBYvon Besanger
Yvon Besanger
This paper focuses on a local energy market where a group of households in a low voltage (LV) grid is organized as an energy community. A three-stage management strategy is proposed under the French collective self-consumption framework. In the first day-ahead stage, households coordinate with the community manager to minimize the overall energy bills for the next day. Then, real-time operation (second stage) focuses on the mitigation of forecast uncertainties and voltage violation, by utilizing the reserve of the local production/storage assets. Finally, the third stage contractually allocates the community energy among the households on 30 min basis (based on the French regulation), in order to ensure fair individual cost reduction and possibly create economic surplus in the community. The proposed community management strategy is evaluated on a LV grid with 55 households, and the results show the proposed strategy achieve an average of 30% individual cost reduction among the users compared to the base scenarios. Furthermore, different pricing scenarios are compared through sensitivity studies and scalability tests are run on larger systems.

31 October 2023 in Sustainable Energy, Grids and Networks
Verified
Journal Article
Closed access
GCGlenn Ceusters
Glenn Ceusters
MPMuhammad Andy Putratama
Muhammad Andy Putratama
RFRüdiger Franke
Rüdiger Franke
ANAnn Nowe
Ann Nowe
MMMaarten Messagie
Maarten Messagie

20 February 2023 in Electric Power Systems Research
Verified
Journal Article
Closed access
MPMuhammad Andy Putratama
Muhammad Andy Putratama
Rémy RIGO-MARIANIRémy RIGO-MARIANI
Rémy RIGO-MARIANI
VDVincent Debusschere
Vincent Debusschere
YBYvon Bésanger
Yvon Bésanger

6 November 2023 in arXiv
Verified
Preprint
Open access
PDF file
GCGlenn Ceusters
Glenn Ceusters
MPMuhammad Andy Putratama
Muhammad Andy Putratama
RFRüdiger Franke
Rüdiger Franke
ANAnn Nowe
Ann Nowe
MMMaarten Messagie
Maarten Messagie
Safe reinforcement learning (RL) with hard constraint guarantees is a promising optimal control direction for multi-energy management systems. It only requires the environment-specific constraint functions itself a priori and not a complete model. The project-specific upfront and ongoing engineering efforts are therefore still reduced, better representations of the underlying system dynamics can still be learnt, and modelling bias is kept to a minimum. However, even the constraint functions alone are not always trivial to accurately provide in advance, leading to potentially unsafe behaviour. In this paper, we present two novel advancements: (I) combining the OptLayer and SafeFallback method, named OptLayerPolicy, to increase the initial utility while keeping a high sample efficiency and the possibility to formulate equality constraints. (II) introducing self-improving hard constraints, to increase the accuracy of the constraint functions as more and new data becomes available so that better policies can be learnt. Both advancements keep the constraint formulation decoupled from the RL formulation, so new (presumably better) RL algorithms can act as drop-in replacements. We have shown that, in a simulated multi-energy system case study, the initial utility is increased to 92.4% (OptLayerPolicy) compared to 86.1% (OptLayer) and that the policy after training is increased to 104.9% (GreyOptLayerPolicy) compared to 103.4% (OptLayer) - all relative to a vanilla RL benchmark. Although introducing surrogate functions into the optimisation problem requires special attention, we conclude that the newly presented GreyOptLayerPolicy method is the most advantageous.

7 April 2026
Verified
Thesis
Closed access
MPMuhammad Andy Putratama
Muhammad Andy Putratama
Vers une décentralisation des stratégies de gestion de la tension pour les systèmes de distribution intelligents : application aux communautés énergétiques: De nos jours, les réseaux de distribution d'électricité sont confrontés à une intégration massive de ressources énergétiques distribuées (DERs), dominées par les systèmes photovoltaïques distribués (PV). Malheureusement, l'expansion des DERs introduit de nouveaux défis opérationnels pour les gestionnaires de réseaux de distribution (DSOs). En particulier, les intégrations massives de systèmes photovoltaïques peuvent entraîner des flux de réseau imprévisibles qui finissent par causer des problèmes de tension affectant la qualité de l'alimentation électrique.Les Smart distribution systems (SDS) sont le concept clé pour surmonter ces défis. Les SDS permettront de nouveaux types de flexibilités dans le réseau de distribution et aideront les DSOs à mieux optimiser leur fonctionnement en impliquant les différentes parties prenantes, y compris les prosommateurs. Dans le contexte de la gestion de la tension, les SDS peuvent permettre la participation directe des consommateurs au système de contrôle, à savoir le contrôle côté client. Pour y parvenir, de nouveaux algorithmes et de nouvelles méthodologies sont nécessaires, afin de garantir que les aspects techniques et non techniques des schémas de contrôle de la tension puissent être satisfaits par tous les acteurs.Cette thèse se concentre sur le contrôle de tension basé sur un modèle dans le contexte des SDS. La première partie se concentre sur le développement de contrôleurs de tension basés sur des modèles, ce qui crée le principal élément de base de la recherche. Deux des principaux défis de développement sont abordés. Premièrement, les algorithmes du contrôleur de tension à base de modèle doivent être capables de s'adapter à une grande variété de cas d'utilisation. Cela inclut la possibilité de mettre en œuvre différents objectifs de contrôle ou d'intégrer différents types de flexibilités tels que des systèmes de stockage d'énergie (ESS). Le deuxième défi concerne le contrôle côté client, notamment pour permettre une participation active des consommateurs à la gestion de la tension. La gestion décentralisée de la tension est la réponse clé à ce problème. En utilisant une architecture décentralisée, des schémas de coordination entre les différents acteurs peuvent être établis. De plus, elle permet de répondre aux limitations majeures du contrôleur de tension centralisé conventionnel basé sur un modèle en termes de fiabilité, d'évolutivité et de confidentialité.La deuxième partie de la thèse traite des incertitudes des paramètres du réseau dans le contrôleur de tension basé sur un modèle. Six méthodologies différentes d'estimation de l'impédance, dont deux approches distribuées, sont proposées. Un cadre pour comparer les performances de ces méthodes est également développé. Ensuite, des tests de robustesse sont effectués, qui visent à observer l'impact des incertitudes de mesure sur la performance des méthodologies proposées. Enfin, un algorithme d'ajustement des paramètres d'impédance est développé afin d'affiner l'estimation de l'impédance lors des passages successifs de la gestion de la tension.La dernière partie est dédiée à l'application de la gestion de la tension dans les communautés énergétiques. Cet aspect est principalement absent de la littérature et devient l'objectif principal de cette thèse. Le bloc d'algorithme distribué développé est ensuite appliqué pour mettre en œuvre une stratégie de gestion pour les communautés énergétiques locales dans le cadre de la réglementation française pour l'autoconsommation collective. La méthodologie couvre à la fois les difficultés économiques et techniques d'une implémentation dans le monde réel. En particulier, nous démontrons comment les prosommateurs peuvent partager l'énergie collectivement et comment déterminer la quantité d'énergie et la répartition des bénéfices entre eux. De plus, la stratégie cherche à atténuer les incertitudes sur le fonctionnement en temps réel tout en assurant le respect des contraintes du réseau.