Documenti di Didattica
Documenti di Professioni
Documenti di Cultura
baleeiro@eee.ufg.br, fbbsantos@gmail.com
Abstract. Planning the eletric energy system operation is essential to countrie's or
region's economic and social development. Therefore, having in mind how important
is to study optimization methods applied to energy systems, this article presents
Optimal Power Flow AC and DC modeling, having as objective functions the active
power loss, and taking in count the equalities and inequalities problem's constraints,
as the control and dependent variables limits. To models obtained were applied the
optimization methods: Sucessive Linear Programming (utilizing Interior Points) and
Gradient Method .
1. Introdução
O planejamento da operação do sistema de energia elétrica, que é de suma importância
para o desenvolvimento de um país, visa, principalmente, atender a demanda de forma
confiável, respeitando as restrições de geração e transmissão. A operação normalmente
requer previsões de curto ou curtíssimo prazos e ações quase imediatas (em segundos ou
minutos), sendo imprescindível, portanto, o uso de sistemas eficientes que forneçam re-
sultados em tempo real, ou em uma fração de tempo.
Tendo em vista esta necessidade de ações imediatas, normalmente são reprograma-
das variáveis de controle que permitem uma rápida reconfiguração (por exemplo, gera-
ção e tensão em barras geradoras de potência ativa), mantendo o sistema elétrico em
pleno funcionamento e otimizando a geração e transmissão com base no estado atual
das linhas de transmissão e da capacidade atual das barras geradoras.
A otimização de sistemas elétricos pode ser modelada pelo Fluxo de Potência Ótimo
(FPO), problema formulado por Carpentier em 1962, e atender a diversos requisitos de
otimização, requisitos estes determinados pela função objetivo adotada.
231
Neste trabalho, foi adotada a função objetivo de perda de potência ativa, e, uma
vez formulado o problema de otimização com base no FPO (para o modelo CC dos sis-
temas IEEE14 e IEEE30), foram aplicados os métodos Gradiente e Programação Linear
Sucessiva (PLS) buscando a obtenção de um ponto de operação otimizado1 do sistema
elétrico.
O Gradiente é um método já bastante difundido em problemas de otimização, in-
clusive em otimização do FPO (DOMMEL, TINNEY, 1968) e (WOOD, WOLLEN-
BERG, 1996). Já o PLS, que é um método relativamente novo na otimização do FPO
(TORRES, QUINTANA, 1996) e (TORRES, 1998). Este método aborda a implementa-
ção de um algoritmo de Programação Linear (PL), que neste trabalho foi o algortimo de
Pontos Interiores (PI).
Na Seção 2 o modelo matemático do FPO é apresentado. Nas Seções 3 e 4, são
apresentados os métodos Gradiente e PLS, respectivamente. Uma breve descrição do al-
goritmo de PI é feita na Seção 5. Já na Seção 6 são apresentados os sistemas testados e
na Seção 7 são apresentados os resultados dos testes realizados. Na Seção 8 constam as
conclusões obtidas com o desenvolvimento deste trabalho.
minimizar f x , y
sujeito a :
(1)
g x , y 0
h h x , y h max
min
min max
x x x
Onde:
x: vetor de variáveis de controle;
y: vetor de variáveis dependentes;
f(x,y): função objetivo;
g(x,y)=0: equações do balanço de potência;
h(x,y): restrições operacionais do sistema;
xmin e xmáx : limites das variáveis de controle.
As variáveis de controle são as grandezas físicas cujos valores podem ser ajusta-
dos durante a operação do sistema elétrico (potência ativa em barras tipo PV, magnitu-
des de tensão, posições de taps de transformadores e capacitores/reatores shunts, e ou-
1 Ponto em que as variáveis de controle foram reprogramadas tendo em vista a minimização de uma dada função
objetivo.
232
tros). Já as variáveis controladas, são, normalmente, dependentes que devem se restrin-
gir aos limites máximos e mínimos ditados pelas limitações físicas dos equipamentos ou
por razões operacionais (potência reativa em barras do tipo PV, potência ativa e reativa
nas barras slack, magnitudes de tensão nas barras do tipo PQ, e outros)
(BALEEIRO,SANTOS, 2005).
3. Método Gradiente
O método Gradiente baseia-se na obtenção de direções de descida no interior da região
factível definida pelas restrições de um problema.
Dadas as restrições formadas pelas equações de igualdade g(x,y)=0, em (1), e
usando o método de multiplicadores de Lagrange (WRIGHT, 1997), obtêm-se a função
de Lagrange (2):
T
L x , y f x , y g x , y (2)
L
y
f
y
g
y
0 (3)
f
L
x
f
x
g
x
0 (4)
L
g x , y0 (5)
Sendo que (3), (4) e (5) são equações não-lineares e que podem ser resolvidas
pelo método de descida íngrime, isto é, o método Gradiente (DOMMEL, TINNEY,
1968).
Os passos deste método especializado para o FPO podem ser descritos pelo algo-
ritmo a seguir:
233
1
T
g f
(6)
y y
4) Calcular:
T
f g
f (7)
x x
x f (8)
x k1 x k x (9)
7) Voltar ao passo 2.
Sendo α o tamanho do passo, obtido por função áurea, método de busca em linha des-
crito em (BAZARAA,1979).
O graditente (
f), calculado no passo quatro, mede a sensibilidade da função ob-
jetivo em relação às mudanças das variáveis de controle sujeita às restrições de igualda-
de.
Para incluir as restrições operacionais h(x,y) no problema, foi utilizado o método
de penalidade (DOMMEL, 1968). Portanto, a função objetivo passa a ser:
L
w j s x j x j (11)
sendo s o passo da função de penalidade, xjL e o limite da variável dependente xj .
Quanto maior s, mais rígido será o limite, e, portanto, a convergência tenderá a
ser mais lenta. O cálculo da penalidade e sua inserção na função objetivo deve ocorrer
entre o passo dois (quando se obtêm as variáveis dependentes) e o passo três (quando a
função objetivo é derivada).
234
4. Método PLS
Este método é utilizado para resolver o problema não-linear (1) através de sucessivas
aproximações lineares deste problema. Tais aproximações são obtidas a partir de um
ponto inicial (x k, y k) (neste estudo, tal ponto é obtido pela solução do fluxo de potência),
onde são construídos modelos incrementais através da aplicação de Séries de Taylor
(SANTOS, 2005). O problema linear resultante é dado por (12).
minimizar
f x k , y k T x
sujeito a :
Jg x 0 (12)
min max
h Jh x h
x min x x max
Onde:
f: gradiente da função objetivo;
x: variáveis de decisão na forma incremental (x=x-xinicial);
Jg: matriz obtida pelas derivadas de primeira ordem da restrição de balanço de
potência em relação às variáveis de decisão;
Jh: matriz obtida pelas derivadas de primeira ordem das restrições operacionais
em relação às variáveis de decisão.
Este método pode ser descrito nos passos apresentados no diagrama de blocos da
Figura 1.
A resolução do problema (12), no terceiro passo, pode ser feita pelo método sim-
plex ou pelo método de pontos interiores, tendo sido este último utilizado neste traba-
lho.
5. Pontos Interiores
O algoritmo de PI Primal-Dual Inviável com passo Preditor-Corretor (TORRES, 1996)
descrito nesta seção opera sobre o problema linear primal-dual(13).
n
minimizar c T j1 lns j
sujeito a :
T
A ws c
(13)
Ax b
x i s i 0, i1,2 ,3 ,
235
K=0
K=K+1
Obter uma solução do fluxo de potência
Sim
Há violações?
Não
Onde:
µ n é a barreira logarítmica2;
A n x m é a matriz posto completo de coeficientes;
x n é o vetor de variáveis primais;
w m é o vetor de variáveis duais;
s n é o vetor de variáveis de folga;
Passo 2: Calcular
2 O parâmetro de barreira logarítmica µ tende a zero à medida que as iterações do algoritmo são
processadas.
236
0, se k é ímpar
1, se k é par
X diag x k v K XSe
k
S diag s r d c AT w k s k
k S T x n r pb Ax k
Onde rd e rp são os resíduos dual e primal, respectivamente. Ambos tendem a zero à me-
dida que o algoritmo se aproxima da região de factibilidade.
k 1 T 1 1
w [ AXS A ] [ AS v Xr d r p ]
s k AT wr d
x1 vS1 X w
Passo 4: Determinar o tamanho do passo por função áurea, método de busca em linha
descrito em (BAZARAA,1979).
Passo 6: Verificar critério de parada. Se for satisfeito, parar, caso contrário, voltar ao
passo 2.
| c T x k || bT w k |
T k
max { 1,| c x | }
6. Sistemas Testados
Nesta seção são apresentados alguns detalhes dos sistemas elétricos testados neste traba-
lho, o IEEE30 e o IEEE14. Na Tabela 1 consta um breve resumo destes sistemas.
Tabela 1: Dados dos sistemas testados
IEEE30 30 41 6
IEEE14 14 20 5
As variáveis de decisão (tensões nas barras PV e slack, gerações ativas nas bar-
ras PV e taps)3, para ambos os sistemas, são exibidas na Tabela 2.
3 A geração ativa na barra slack não é tomada nem como uma variável de decisão nem como variável
dependente. Ela é determinada no balanço de potência e deve respeitar os limites de geração da barra
slack.
237
Tabela 2: Variáveis de decisão
P1 50 200
P2 20 80
P5 15 50
P8 10 35
P11 10 30
P13 12 40
P1 25 250
P2 15 155
P3 10 90
P6 10 130
P8 10 50
238
7. Resultados
Nesta seção serão apresentados os resultados obtidos na aplicação dos métodos Gradi-
ente e PLS ao FPO na minimização de perdas de geração ativa.
Ambos os métodos tiveram como ponto inicial o caso-base dos sistemas testa-
dos. O caso-base é obtido pela execução do fluxo de potência a partir do banco de dados
dos sistemas (SANTOS, 2005). Para o sistema IEEE30, o total de perdas no caso-base
foi de 4,5159MW. Após as otimizações feitas pelos métodos Gradiente e PLS, o total de
perdas obtido foi, respectivamente, 4,2822MW (redução de aproximadamente 5,18% do
total de perdas) e 4,4796MW (redução de aproximadamente 0,8% do total de perdas).
A Tabela 6 exibe as gerações ativas obtidas pelo caso-base, pelo método Gradi-
ente e PLS, respectivamente, para o sistema IEEE30.
Tabela 6: Gerações ativas obtidas para o IEEE30
P2 40 64,976 64,317
P5 0 26,506 26,326
P8 0 24,459 24,592
A Tabela 7 exibe as tensões nas barras PV e slack obtidas pelo caso-base, pelo
método Gradiente e PLS, respectivamente, para o sistema IEEE30.
Tabela 7: Tensões (em pu) obtidas para o IEEE30
A Tabela 8 exibe os taps obtidos pelo caso-base, pelo método Gradiente e PLS,
respectivamente, para o sistema IEEE30.
239
Tabela 8: Taps obtidos para o IEEE30
Para o sistema IEEE14, o total de perdas no caso-base foi de 4,4452MW. Após as oti-
mizações feitas pelos métodos Gradiente e PLS, o total de perdas obtido foi, respectiva-
mente, 3,9761MW (redução de aproximadamente 10,55% do total de perdas) e
3,6176MW (redução de aproximadamente 18,62% do total de perdas).
A Tabela 9 exibe as gerações ativas obtidas pelo caso-base, pelo método Gradi-
ente e PLS, respectivamente, para o sistema IEEE14.
Tabela 9: Gerações ativas obtidas para o IEEE14
P2 40 89,494 89,605
P3 0 31,279 31,742
P6 0 43,175 43,003
P8 0 19,932 19,409
A Tabela 10 exibe as tensões nas barras PV e slack obtidas pelo caso-base, pelo
método Gradiente e PLS, respectivamente, para o sistema IEEE14.
Tabela 10: Tensões (em pu) obtidas para o IEEE14
A Tabela 11 exibe os taps obtidos pelo caso-base, pelo método Gradiente e PLS,
respectivamente, para o sistema IEEE14.
240
Tabela 11: Taps obtidos para o IEEE14
8. Conclusão
As modelagens utilizadas neste trabalho permitiram que fossem consideradas todas as
restrições (de igualdade e desigualdade) envolvendo os subproblemas ativo e reativo do
modelo CC, possibilitando assim maior integração de características reais de sistemas
elétricos à simulação. Além de apresentar as modelagens, neste estudo foi demonstrado
como implementar, de forma especializada, os métodos Gradiente e PLS para o proble-
ma de FPO.
Os resultados mostrados indicam que ambos os métodos foram capazes de remo-
ver todas as violações e promover redução de perdas para os dois sistemas testados. A
tabela 12 mostra um resumo das perdas obtidas em relação aos casos base.
Tabela 12: Perdas obtidas e suas respectivas reduções (em %) em relação aos
casos base
241
O objetivo deste trabalho se restringiu à análise de eficácia dos algoritmos im-
plementados. Em análises de eficiência computacional, e em implementações de tempo
real, faz-se necessário o uso de métodos que otimizem operações com matrizes (decom-
pusição LU, esparsidade e outros).
242
Referências Bibliográficas
H.W DOMMEL and W.F. TINNEY. Optimal power flow solutions. IEEE Transactions
on Power Apparatus and Systems, vol 87, 1866-1976, 1968.
A.J. WOOD and B. F. WOLLENBERG:Power Generation, operation and control, 2
ed; New York: John Willey and Sons, 1996.
GERALDO L. TORRES and V.H. QUINTANA:Optimal Power Flow via Interior Point
Methods: An Educational Tool in Matlab, IEEE, 1996.
Geraldo L. TORRES, Nonlinear Optimal Power Flow by Interior and non-Interior
points methods, University of Waterloo, Waterloo, Canada, (Phd thesis), 1998.
Antônio C. BALEEIRO, Fabrício B. B. SANTOS. Simplex e Ponto Interior Inviável no
Cálculo do Fluxo de Potência Ótimo. Universidade Federal de Goiás, Escola de En-
genharia Elétrica e de Computação, 2005.
D.G. LUENBERGER. LINEAR AND NONLINEAR .PROGRAMMING. New York:
Kluwer Academic, 2003.
M.S. BAZARAA. Nonlinear Programming: Theory and Algorithms, Estados Unidos:
John Willey & Sons, 1979.
Fabrício B. B. SANTOS. Algoritmos Simplex e pontos interiores no cálculo do fluxo de
potência ótimo, Universidade Federal de Goiás, Escola de Engenharia Elétrica e de
Computação, (dissertação de mestrado), 2005.
S. T. WRIGHT. Primal-Dual Interior-Point Methods, Philadelphia: SIAM, 1977.
A. FRIEDLANDER. Elementos de Programação Não-Linear, Campinas: UNICAMP,
1994.
J. A. MOMOH et al. A New Solution to the Optimal Power Flow Problem. IEEE Tran-
sactions on Power Systems, v. 14, n 3, 1114-1121, 1999.
243