Apresentação CBIC

XIV Congresso Brasileiro de Inteligência Computacional - CBIC
Apresentação Oral - Sessão 7: Otimização Multiobjetivo
Otimização multiobjetivo para alocação de geradores

distribuı́dos e banco de capacitores fixos
Andrei C. Ribeiro, Fábio R. Barbosa, Francisco V. E. Lemos
Universidade Federal do Piauı́ - UFPI

{andrei, victorlemos, fabiorocha}@ufpi.edu.br
04 de novembro de 2019
Belém - Pará
1 / 34
Sumário
1 Introdução
Inserção de banco de capacitores
Alocação de GD
Posicionamento simultâneo de GD e capacitores shunt
2 Formulação do problema
Minimizar as perdas de potência ativa
Melhorar o perfil de tensão
Aumentar a capacidade de transferência disponı́vel
Reduzir o tamanho total do empreendimento
Premissas e considerações
Balanço de potência
Restrição de magnitude de tensão nas barras
Restrição de injeção de potência ativa
Restrição de injeção de potência reativa
3 Metodologia
Método de busca: NSGA-II
Método de escolha: pontos extremos
Método de escolha: composição max-min
4 Resultados e análise
5 Conclusão
2 / 34
Justificativa e relevância
Menor dependência de combustı́veis fósseis - Diversificação da matriz elétrica e

amadurecimento do mercado de energia.
Impacto tarifário direto - Os sistemas elétricos de potência possuem perdas e a
redução destas possui impacto tarifário tanto para a concessionária quanto para os
consumidores.
Os consumidores escolhem - Na prática, as alocações de GD são definidas pelos
consumidores, de modo que trabalhos dessa natureza podem colaborar com even-
tuais incentivos para os clientes que instalarem GD em locais ótimos no sistema de
distribuição e assim facilitar outras operações.
Satisfazer objetivos técnicos - Correção do fator de potência, redução das perdas,
melhora do perfil de tensão e aumento da capacidade de transferência de um sistema.
Satisfazer objetivos técnicos a que custo? - A minimização das perdas por potência
ativa do sistema não necessariamente significa alcançar o melhor resultado possı́vel,
visto que o investimento na alocação pode ser muito alto. Em outras palavras, o
gasto pode superar a economia obtida pela redução das perdas.
3 / 34
Revisão bibliográfica (I)
Histórico de publicações referentes

ao posicionamento de capacitores
Quantidade de publicações 125
100
75
50
25
0
1950
1955
1960
1965
1970
1975
1980
1985
1990
1995
2000
2005
2010
2015
2019
Anos
Figura 1: Histórico de publicações relacionadas à alocação de capacitores.
4 / 34
Revisão bibliográfica (II)
Histórico de publicações referentes

à alocação de geradores distribuídos
250
225
200
Quantidade de publicações
175
150
125
100
75
50
25
0
1975
1980
1985
1990
1995
2000
2005
2010
2015
2019
Anos
Figura 2: Histórico de publicações relacionadas à alocação de GD.
5 / 34
Posicionamento simultâneo de GD e capacitores shunt
O posicionamento simultâneo é considerado para aproveitar ao máximo

os benefı́cios da inserção de geradores distribuı́dos e banco de capaci-
tores e reduzir eventuais impactos negativos.
A alocação ótima de GD e BC é um problema de otimização não-linear
de difı́cil tratamento [HA et al., 2017, Aman et al., 2014, Akorede
et al., 2010]. Dois fatores adicionam mais complexidade ao problema, a
existência de várias soluções factı́veis e o elevado tempo computacional
que torna abordagens exaustivas impraticáveis.
Listando referências recentes [Das et al., 2019, Montazeri and Askar-
zadeh, 2019, Sudabattula et al., 2019, Acharya, 2019], verifica-se uma
preferência por técnicas de inteligência computacional em relação a
métodos tradicionais. A hibridização de técnicas inteligentes e a com-
binação com métodos clássicos também são escolhas relevantes [HA
et al., 2017, Aman et al., 2014, Akorede et al., 2010]
6 / 34
Minimizar as perdas de potência ativa
A primeira função é minimizar as perdas ativas. Essa função é o principal

impacto técnico desejado com a inserção de GD e BC em redes de distri-
buição radiais, sendo representado conforme a Equação 1:
2
Nr vf − vt

X jθ
τ e shift

min f1 (X ) = (1)
rs − jxs
i=1
As perdas são calculadas com auxı́lio do MATPOWER [Zimmerman et al.,

2010], ferramenta responsável pelo cálculo do fluxo de potência a partir da
função get losses().
7 / 34
Melhorar o perfil de tensão
O objetivo de melhorar o perfil de tensão é modelado considerando a redução

do desvio total de tensão de uma barra Vj e um valor de referência Vjref
definido em 1,0 p.u., conforme a Equação 2:
Nb
!2
X Vjref − Vj
min f2 (X ) = (2)
j=1
Vjref
Ao reduzir o desvio total entre as barras f2 , o sistema apresentará um perfil

de tensão mais homogêneo.
8 / 34
Aumentar a capacidade de transferência disponı́vel
A capacidade de transferência disponı́vel em uma rede é uma caracterı́stica

importante. A descentralização e o posicionamento de capacitores pos-
sibilitam o atendimento de mais consumidores mantendo a qualidade de
energia, sem aumentar a geração na subestação. Esse objetivo é definido
pela Equação 3:
Xn
max f3 (X̄ ) = (Sbase − Si−j ) (3)
i=1
q
2 + Q2
Si−j = Pi−j (4)
i−j
p
Sbase = S1−2 (5)
9 / 34
Reduzir o tamanho total do empreendimento
Os três objetivos anteriores possuem natureza técnica. É importante con-
frontá-los com um quarto objetivo de natureza distinta. O tamanho total do
empreendimento, Equação 6, foi escolhido com esse propósito, pois impacta
diretamente no custo econômico e no impacto ambiental causado.
q
2 + Tam2
min f4 (X̄ ) = TamGD (6)
cap
NGD
X
TamGD = PGD (7)
l=1
Ncap
X
Tamcap = Qcap (8)
l=1
onde PGD e Qcap representam a injeção de potência ativa e reativa, respec-

tivamente. TamGD e Tamcap contabilizam todos os geradores distribuı́dos
e bancos de capacitores em cenários pós-alocação.
10 / 34
Premissas iniciais
Todas as barras, exceto a barra 1, são candidatas à alocação de GD e

ao posicionamento de capacitores. Um barramento não pode receber
mais de uma alocação do mesmo tipo.
Geradores distribuı́dos são modelados como cargas negativas com fator
de potência unitário, a injeção de potência reativa dos capacitores, por
sua vez, é modelada como cargas negativas reativas.
Os bancos de capacitores fixos Qcap disponı́veis na indústria são represen-
tados pela Equação 9:
Qcap = K Q0 (9)
onde K é um número inteiro que representa a quantidade de capacitores e
Q0 é a capacitância de cada unidade do banco. Nesse estudo, utilizou-se
Q0 = 50 kVAr. Dessa forma, o dimensionamento dos capacitores sempre
será representado por múltiplos desse valor.
11 / 34
Restrições (I)
A geração total PG + jQG , isto é, geração centralizada e geração ativa e
reativa a ser incluı́da, deve ser igual a soma das perdas PL + jQL com a
demanda das cargas PD + jQD . Essa restrição de igualdade é conhecida
como balanço de potência ativa e reativa.
 N
Pb P


 PG = PL + PD
i=1 (10)
 PNb P

 QG = QL + QD
i=1
Segundo o Módulo 8 do PRODIST ANEEL [2018], em sistemas com tensão

de referência entre 1 kV e 69 kV, o limite inferior de tensão permitido Vmin
é igual a 93% da tensão nominal Vref , enquanto o limite superior permitido
Vmax é igual a 105%.
0, 93Vref ≤ Vn ≤ 1, 05Vref (11)
| {z } | {z }
Vmin Vmax
12 / 34
Restrições (II)
O nı́vel de penetração da geração distribuı́da PGD é limitado até 100% da

demanda de potência ativa.
NGD
X
PGD ≤ PD (12)
l=1
Assim como a injeção de potência ativa devido a geração distribuı́da, a

injeção de potência reativa no sistema devido aos capacitores shunt não
pode exceder a potência reativa demandada pelo sistema QcL .
Ncap
X
Qcap ≤ QcL (13)
l=1
13 / 34
Método de busca: NSGA-II (I)
O Non-Dominated Sorting Genetic Algorithm-II (NSGA-II) é um algoritmo
genético de otimização multiobjetivo. Ele foi criado para suprir as carências
e crı́ticas da versão anterior: alta complexidade computacional para or-
denação, ausência de elitismo e a necessidade de parâmetros adequados
para garantir diversidade [Deb et al., 2002].
Ele apresenta a mesma estrutura do AG clássico, diferenciando-se apenas no
processo com o qual os indivı́duos são selecionados. O processo de seleção
do NSGA-II é apresentado no fluxograma da Figura 3.
Ordenação Ordenação
por por
Dominância Crowding Distance
+1
Rejeitado
Figura 3: Pi é a população de pais e Qi a de filhos na geração i. F1 engloba as

melhores soluções da população combinada (pais e filhos). F2 são as melhores
soluções excluindo F1 e assim sucessivamente. 14 / 34
Método de busca: NSGA-II (II)
Os parâmetros utilizados pelo algoritmo de otimização estão listados na Ta-

bela 1. Estes parâmetros foram escolhidos após diversas simulações levando
em consideração a convergência populacional média apresentada em cada
objetivo durante a execução.
Tabela 1: Parâmetros especificados para o NSGA-II
Parâmetro Especificação
Número de gerações 100
Tamanho da população 100
Criação da população inicial Distribuição uniforme
Método de seleção Torneio binário
Método de cruzamento Crossover aritmético
Método de mutação Mutação gaussiana
15 / 34
Método de escolha: pontos extremos
Para o compromisso de escolha final, os pontos extremos são selecionados.
Esses pontos apresentam o melhor valor alcançado em cada objetivo.
Para facilitar a visualização, os pontos extremos são destacados em fron-
teiras de Pareto com pares de objetivos conflitantes como exemplificado na
Figura 4a e 4b.
Geração 100 / 100 Geração 100 / 100
2 149.5
Ponto extremo: Perdas
1.8 149
1.6 148.5
Ponto extremo: Capacidade
de transferência
1.4 148
1.2 147.5
f4
f3
1 147
0.8 146.5
0.6 146
0.4 Ponto extremo: Tamanho 145.5

do empreendimento
0.2 145
Ponto extremo: Desvio de tensão
0 144.5
0.07 0.08 0.09 0.1 0.11 0.12 0.13 0.14 0.15 0.16 0 0.002 0.004 0.006 0.008 0.01 0.012 0.014 0.016 0.018
f1 f2
(a) Perdas vs tamanho do (b) Desvio de tensão vs capacidade

empreendimento disponı́vel
Figura 4: Fronteiras de Pareto bidimensionais e exemplos de pontos extremos.

16 / 34
Método de escolha: composição max-min (I)
A abordagem baseada em lógica Fuzzy proposta em Cano [2007] foi adap-
tada para atender a esse compromisso.
(i)
f1
αi = para i = 1, 2, ..., Npop (14)
f10
(i)
f2
βi = para i = 1, 2, ..., Npop (15)
f20
(i)
f
γi = 3 0 para i = 1, 2, ..., Npop (16)
f3
(i)
f4
λi = para i = 1, 2, ..., Npop (17)
f40
onde αi , βi , γi e λi são, respectivamente, os coeficientes normalizados de
perdas de potência ativa, desvio de tensão, capacidade de transferência
disponı́vel e tamanho do empreendimento.
17 / 34
Método de escolha: composição max-min (II)

 1, para αi ≤ αmin
αmax −αi
µα = , para αmin < αi < αmax (18)
 αmax −αmin
0, para αi ≥ αmax
 1, para βi ≤ βmin

βmax −βi
µβ = , para βmin < βi < βmax (19)
 βmax −βmin
0, para βi ≥ βmax

 0, para γi ≤ γmin
γmax −γi
µγ = , para γmin < γi < γmax (20)
 γmax −γmin
1, para γi ≥ γmax

 1, para λi ≤ λmin
λmax −λi
µλ = , para λmin < λi < λmax (21)
 λmax −λmin
0, para λi ≥ λmax
18 / 34
Método de escolha: composição max-min (III)
Para a alocação simultânea de GD e BC, αmin = 0, 05 e αmax = 1 para
as perdas, βmin = 0, 02 e βmax = 1 para o desvio de tensão, γmin = 1
e γmax = 1, 15 para a capacidade disponı́vel, λmin = 0, 6 e λmax = 1.
A escolha desses limites foi realizada por tentativa e erro, considerando a
qualidade das soluções e a preferência entre os objetivos.
(a) Função de pertinência para (b) Função de pertinência para

perdas, desvio de tensão e capacidade de transferência
tamanho do empreendimento. disponı́vel.
Figura 5: Funções de pertinência.

19 / 34
Método de escolha: composição max-min (IV)
Na composição max-min, a menor avaliação por indivı́duo é considerada.

Em seguida, a maior avaliação global é selecionada. Dessa forma, uma
solução intermediária que pondera todos os objetivos pode ser escolhida.
µ̄i,n = min(µα i , µβ i , µγ i , µλ i ) (22)
∆ = max(µ̄i,n ) (23)
20 / 34
Resultados e análise (I)
Sistema utilizado
O sistema de 33 barras e 32 ramos proposto por Baran and Wu [1989]

apresenta uma tensão nominal de 12,66 kV e está representado na Figura
6. Além disso, ele apresenta uma carga instalada igual a 3,72 MW e 2,30
MVAr, com 202,7 kW de perdas iniciais e 136,76 MVA de capacidade de
transferência disponı́vel.
Figura 6: Sistema de 33 barras.
21 / 34
Resultados e análise (II)
Softwares utilizados
O MATLAB(R) (versão R2015a - 8.5.0.197613) e o MATPOWER (versão

7.0b1) foram utilizados nas simulações em um processador Intel(R)Core(TM)
i7-5500U CPU @ 2.40 GHz.
22 / 34
Resultados e análise (III)
Perfil de tensão
Os três perfis de tensão em cenários sem alocação, com GD e com GD e

BC simultaneamente são mostrados na Figura 7. Os limites regulatórios
considerados, 0,93 p.u. (11,77 kV) e 1,05 p.u (13,29 kV), são ilustrados
por linhas horizontais.
Perfil de tensão para o sistema de 33 barras
1.15
Sem alocação
Apenas GD
1.1 GD + BC
1.05
Tensão (p.u.)
0.95
0.9
0.85
5 10 15 20 25 30
Barras
Figura 7: Perfil de tensão para o sistema de 33 barras considerando alocações via

composição max-min.
23 / 34
Resultados e análise (IV)
Soluções obtidas
Tabela 2: Cenários pré-alocação e pós-alocação via seleção por pontos extremos.
Barra (Tamanho) f1 f2 f3 f4
- 0.2027 0.1171 136.76 4.3736
24 (0.6111 MW) 14 (0.6547 MW) 30 (0.8735 MW) 0.0715 0.0132 149.26 2.1393
25 (0.7325 MW) 13 (1.1654 MW) 30 (1.6062 MW) 0.1084 0.0003 144.40 3.5042
24 (0.6045 MW) 14 (0.5109 MW) 30 (0.8952 MW) 0.0723 0.0173 149.37 2.0106
- 18 (0.0443 MW) - 0.1450 0.0781 142.04 0.0443
13 (0.8486 MW) 24 (0.6854 MW) 30 (0.7836 MW)
13 (0.150 MVAr) 8 (0.300 MVAr) 30 (0.350 MVAr) 0.0144 0.00037 160.60 2.4518
13 (0.8880 MW) 25 (0.6854 MW) 30 (0.8619 MW)
30 (0.300 MVAr) 9 (0.200 MVAr) 8 (0.300 MVAr) 0.0179 0.00022 159.94 2.5633
14 (0.6836 MW) 24 (0.7171 MW) 30 (0.8362 MW)
13 (0.400 MVAr) 25 (0.250 MVAr) 30 (0.250 MVAr) 0.0128 0.00060 160.92 2.4112
- - -
32 (0.05 MVAr) 14 (0.05 MVAr) 30 (0.05 MVAr) 0.0924 0.0484 147.78 0.1500
24 / 34
Resultados e análise (IV)
Soluções obtidas
Tabela 3: Cenários pré-alocação e pós-alocação via composição max-min.
Barra (Tamanho) f1 f2 f3 f4
- 0.2027 0.1171 136.76 4.3736
24 (0.6045 MW) 14 (0.5109 MW) 30 (0.8952 MW) 0.0723 0.0173 149.37 2.0106
13 (0.6515 MW) 25 (0.6854 MW) 30 (0.8817 MW)
30 (0.350 MVAr) 14 (0.250 MVAr) 8 (0.050 MVAr) 0.0160 0.0009 160.06 2.3119
25 / 34
Resultados e analise (V)
Este trabalho vs literatura
Tabela 4: Qualidade das soluções propostas em trabalhos de alocação de geração

distribuı́da e banco de capacitores.
Referência f1 f2 f3 f4
Este trabalho 16.0 kW 0.0009 160.06 MVA 2.3119
Aman et al. [2013] 71.5 kW 0.0061 148.95 MVA 2.9028
Das et al. [2019] 44.4 kW 0.0088 154.82 MVA 4.4551
Naik et al. [2013] 66.1 kW 0.0059 149.77 MVA 1.7177
Khan et al. [2015] 93.7 kW 0.0393 146.23 MVA 1.2806
Este trabalho 72.3 kW 0.0173 149.37 MVA 2.0106
Hung and Mithulananthan [2011] 87.7 kW 0.012 145.58 MVA 2.4300
Prakash and Lakshminarayana [2016] 76.9 kW 0.0064 148.38 MVA 2.9540
Rao et al. [2012] 99.0 kW 0.0137 144.04 MVA 1.7256
Raut and Mishra [2019] 90.4 kW 0.0267 147.06 MVA 1.1160
26 / 34
Conclusão (I)
Pode-se afirmar que com as respectivas inserções, a melhora dos obje-

tivos foi alcançada e as restrições propostas foram respeitadas. Consi-
derando os objetivos técnicos, a metodologia adotada apresentou de-
sempenho superior a outros trabalhos. Pelos resultados apresentados
nesse artigo e em outros trabalhos, cenários que consideram a alocação
simultânea de GD e BC apresentam performance superior e devem ser
priorizados.
Na prática, as alocações de GD são definidas pelos consumidores, de
modo que trabalhos dessa natureza podem colaborar com eventuais
incentivos para os clientes que instalarem GD em locais ótimos no sis-
tema de distribuição e assim facilitar o posicionamento estratégico de
BC pelas concessionárias. É importante ressaltar que nenhuma meto-
dologia garante o ponto ótimo, ponto este que só é garantido através
da enumeração completa de todas as alternativas de alocação.
27 / 34
Conclusão (II)
Entre as contribuições apresentadas, destaca-se a construção do mo-

delo multiobjetivo que é capaz de suprir o interesse de públicos dife-
rentes como companhias de energia e investidores. A combinação de
dois métodos de seleção agregou versatilidade ao processo de esco-
lha. Embora, haja certo criticismo para a definição dos coeficientes de
pertinência por tentativa e erro.
Para trabalhos futuros pretende-se tornar o modelo mais realista para
investidores a partir da discriminação do custo de instalação e do im-
pacto social e ambiental da inserção de GD e BC, que foram tratados
de forma bastante simplória considerando apenas o tamanho do empre-
endimento. Além disso, pretende-se adicionar mais robustez ao modelo
adicionando variações no carregamento como novas versões para carga
pesada e pico de carga e aplicar outros algoritmos de busca como
SPEA2 e NSGA-III. Por fim, pretende-se submeter o modelo proposto
a um sistema de distribuição real.
28 / 34
Referências I
Purushottam S Acharya. Intelligent algorithmic multi-objective optimiza-

tion for renewable energy system generation and integration problems: A
review. International Journal of Renewable Energy Research (IJRER), 9
(1):271–280, 2019.
MF Akorede, H Hizam, I Aris, and MZA Ab Kadir. A review of strategies for
optimal placement of distributed generation in power distribution systems.
Research Journal of Applied Sciences, 5(2):137–145, 2010.
MM Aman, GB Jasmon, KH Solangi, AHA Bakar, and H Mokhlis. Optimum
simultaneous dg and capacitor placement on the basis of minimization of
power losses. International Journal of Computer and Electrical Enginee-
ring, 5(5):516, 2013.
MM Aman, GB Jasmon, AHA Bakar, H Mokhlis, and M Karimi. Optimum
shunt capacitor placement in distribution system—a review and compa-
rative study. Renewable and Sustainable Energy Reviews, 30:429–439,
2014.
29 / 34
Referências II
ANEEL. Procedimentos de Distribuição de Energia Elétrica no Sistema

Elétrico Nacional - Módulo 8. Agência Nacional de Energia Elétrica,
Brası́lia, 2018.
Mesut E Baran and Felix F Wu. Network reconfiguration in distribution
systems for loss reduction and load balancing. IEEE Transactions on
Power delivery, 4(2):1401–1407, 1989.
Edwin B Cano. Utilizing fuzzy optimization for distributed generation allo-
cation. In TENCON 2007-2007 IEEE Region 10 Conference, pages 1–4.
IEEE, 2007.
Sangeeta Das, Debapriya Das, and Amit Patra. Operation of distribution
network with optimal placement and sizing of dispatchable dgs and shunt
capacitors. Renewable and Sustainable Energy Reviews, 113:109219,
2019.
30 / 34
Referências III
Kalyanmoy Deb, Amrit Pratap, Sameer Agarwal, and TAMT Meyarivan. A

fast and elitist multiobjective genetic algorithm: Nsga-ii. IEEE transacti-
ons on evolutionary computation, 6(2):182–197, 2002.
Mahmoud Pesaran HA, Phung Dang Huy, and Vigna K Ramachandara-
murthy. A review of the optimal allocation of distributed generation:
Objectives, constraints, methods, and algorithms. Renewable and Sustai-
nable Energy Reviews, 75:293–312, 2017.
Duong Quoc Hung and Nadarajah Mithulananthan. Multiple distributed
generator placement in primary distribution networks for loss reduction.
IEEE Transactions on industrial electronics, 60(4):1700–1708, 2011.
Nasim Ali Khan, Sakti Prasad Ghoshal, and Saradindu Ghosh. Optimal
allocation of distributed generation and shunt capacitors for the reduction
of total voltage deviation and total line loss in radial distribution systems
using binary collective animal behavior optimization algorithm. Electric
Power Components and Systems, 43(2):119–133, 2015.
31 / 34
Referências IV
Meysam Montazeri and Alireza Askarzadeh. Capacitor placement in radial

distribution networks based on identification of high potential busses. In-
ternational Transactions on Electrical Energy Systems, 29(3):e2754, 2019.
S Gopiya Naik, DK Khatod, and MP Sharma. Optimal allocation of com-
bined dg and capacitor for real power loss minimization in distribution
networks. International Journal of Electrical Power & Energy Systems,
53:967–973, 2013.
DB Prakash and C Lakshminarayana. Multiple dg placements in distribution
system for power loss reduction using pso algorithm. Procedia Technology,
25:785–792, 2016.
R Srinivasa Rao, Kumudhini Ravindra, K Satish, and SVL Narasimham.
Power loss minimization in distribution system using network reconfigu-
ration in the presence of distributed generation. IEEE transactions on
power systems, 28(1):317–325, 2012.
32 / 34
Referências V
Usharani Raut and Sivkumar Mishra. An improved elitist–jaya algorithm for

simultaneous network reconfiguration and dg allocation in power distri-
bution systems. Renewable Energy Focus, 30:92–106, 2019.
Suresh Kumar Sudabattula, Kowsalya Muniswamy, and Velamuri Suresh.
Simultaneous allocation of distributed generators and shunt capacitors in
distribution system. ECTI Transactions on Electrical Engineering, Elec-
tronics, and Communications, 17(1):35–50, 2019.
Ray Daniel Zimmerman, Carlos Edmundo Murillo-Sánchez, and Robert John
Thomas. Matpower: Steady-state operations, planning, and analysis tools
for power systems research and education. IEEE Transactions on power
systems, 26(1):12–19, 2010.
33 / 34
Dúvidas?
andrei@ufpi.edu.br
Agradecimentos
34 / 34

Apresentação CBIC

Caricato da

Informazioni sul documento

Copyright

Formati disponibili

Condividi questo documento

Condividi o incorpora il documento

Opzioni di condivisione

Hai trovato utile questo documento?

Questo contenuto è inappropriato?

Copyright:

Formati disponibili

Apresentação CBIC

Caricato da

Copyright:

Formati disponibili

XIV Congresso Brasileiro de Inteligência Computacional - CBIC

Apresentação Oral - Sessão 7: Otimização Multiobjetivo

Otimização multiobjetivo para alocação de geradores

Andrei C. Ribeiro, Fábio R. Barbosa, Francisco V. E. Lemos

Universidade Federal do Piauı́ - UFPI

Menor dependência de combustı́veis fósseis - Diversificação da matriz elétrica e

Histórico de publicações referentes

Quantidade de publicações 125

Figura 1: Histórico de publicações relacionadas à alocação de capacitores.

Histórico de publicações referentes

Figura 2: Histórico de publicações relacionadas à alocação de GD.

O posicionamento simultâneo é considerado para aproveitar ao máximo

A primeira função é minimizar as perdas ativas. Essa função é o principal

As perdas são calculadas com auxı́lio do MATPOWER [Zimmerman et al.,

O objetivo de melhorar o perfil de tensão é modelado considerando a redução

Ao reduzir o desvio total entre as barras f2 , o sistema apresentará um perfil

A capacidade de transferência disponı́vel em uma rede é uma caracterı́stica

onde PGD e Qcap representam a injeção de potência ativa e reativa, respec-

Todas as barras, exceto a barra 1, são candidatas à alocação de GD e

Segundo o Módulo 8 do PRODIST ANEEL [2018], em sistemas com tensão

O nı́vel de penetração da geração distribuı́da PGD é limitado até 100% da

Assim como a injeção de potência ativa devido a geração distribuı́da, a

Figura 3: Pi é a população de pais e Qi a de filhos na geração i. F1 engloba as

Os parâmetros utilizados pelo algoritmo de otimização estão listados na Ta-

Tabela 1: Parâmetros especificados para o NSGA-II

0.4 Ponto extremo: Tamanho 145.5

(a) Perdas vs tamanho do (b) Desvio de tensão vs capacidade

Figura 4: Fronteiras de Pareto bidimensionais e exemplos de pontos extremos.

(a) Função de pertinência para (b) Função de pertinência para

Figura 5: Funções de pertinência.

Na composição max-min, a menor avaliação por indivı́duo é considerada.

µ̄i,n = min(µα i , µβ i , µγ i , µλ i ) (22)

O sistema de 33 barras e 32 ramos proposto por Baran and Wu [1989]

Figura 6: Sistema de 33 barras.

O MATLAB(R) (versão R2015a - 8.5.0.197613) e o MATPOWER (versão

Os três perfis de tensão em cenários sem alocação, com GD e com GD e

Figura 7: Perfil de tensão para o sistema de 33 barras considerando alocações via

Tabela 2: Cenários pré-alocação e pós-alocação via seleção por pontos extremos.

Tabela 3: Cenários pré-alocação e pós-alocação via composição max-min.

Tabela 4: Qualidade das soluções propostas em trabalhos de alocação de geração

Pode-se afirmar que com as respectivas inserções, a melhora dos obje-

Entre as contribuições apresentadas, destaca-se a construção do mo-

Purushottam S Acharya. Intelligent algorithmic multi-objective optimiza-

ANEEL. Procedimentos de Distribuição de Energia Elétrica no Sistema

Kalyanmoy Deb, Amrit Pratap, Sameer Agarwal, and TAMT Meyarivan. A

Meysam Montazeri and Alireza Askarzadeh. Capacitor placement in radial

Usharani Raut and Sivkumar Mishra. An improved elitist–jaya algorithm for

Potrebbero piacerti anche