Alocação de Unidades de Geração Distribuída na Rede Elétrica M. L. Melo, Member, IEEE; P. T. Leite, Member, IEEE Resumo- O presente trabalho apresenta uma forma de otimizar a alocação de Geração Distribuída em redes de distribuição de energia elétrica fazendo uso de uma técnica de inteligência artificial – Algoritmos Genéticos (AGs) .Foi adotado um sistema elétrico de 9 (nove) barras para simulação e os resultados encontrados foram satisfatórios tanto do ponto de vista de grau complexidade para obtenção da solução quanto do tempo computacional para encontrar a solução ótima. Ficou provado que o potencial das técnicas de inteligência artificial na solução de problemas de otimização em sistemas elétricos é enorme face dificuldade de implementação dos métodos tradicionais. Palavras-chave—Geração Otimização, Operação. Distribuída, Energia, Alocação, I. INTRODUCÃO expectativa que o recente desenvolvimento econômico do Brasil se mantenha nos próximos anos sugere que o país enfrentará um aumento de demanda energética, a qual, aliada ao recente avanço de novas tecnologias alternativas de geração elétrica motiva o desenvolvimento de incentivos ao uso de fontes de Geração Distribuída (GD) e insere tecnologias que vêm alcançando eficiências crescentes e custos decrescentes no leque de opções do setor elétrico brasileiro, como é o caso da solar fotovoltaica, eólica e as células a combustível [LORA, 2006]. Uma das principais características da GD é que as unidades estão constantemente localizadas próximas aos centros consumidores, o que permite um menor carregamento das redes de transmissão e distribuição, e conseqüentemente A M. L. Melo: Centro de Engenharia e Cieências Sociais (CECS) – Engenharia de Energia – Grupo de Sistemas Elétricos de Potência (LABSEP), Universidade Federal do ABC, Santo André, SP, Brasil. ([email protected]). P.T. Leite : Centro de Engenharia e Cieências Sociais (CECS) – Engenharia de Energia – Grupo de Sistemas Elétricos de Potência (LABSEP), Universidade Federal do ABC, Santo André, SP, Brasil. (patrí[email protected]) Universidade Federal do ABC, Rua Santa Adélia, 166- bairro Bangu, Santo André – SP – Brasil. CEP: 09210-170. diminuindo a necessidade de altos custos na construção de novas linhas de abastecimento de energia [MARQUES]. Assim, um grande aumento de unidades de GD instaladas nas áreas de concessão de diferentes empresas distribuidoras em todo o país, mas esse processo está acontecendo de forma aleatória, e sem um planejamento adequado o que leva resultados de riscos, em relação aos aspectos técnicos e econômicos dessas empresas e de a toda rede elétrica [GOMES,1999]. Dentro desse complexo contexto técnico-econômico, é de fundamental importância que a concessionária possua uma metodologia adequada para alocação de Geração Distribuída, de forma otimizada. Foi desenvolvimento então uma modelagem matemática e uma implementação desta metodologia na forma de software acessível e amigável para os agentes do setor elétrico, para que engenheiros da concessionária tenham um mecanismo para auxiliá-los no processo de tomada de decisão, oferecendo a eles uma carteira de opções, cada uma delas vinculada ao seu custo/benefício técnico-econômico. Portanto, este trabalho buscou desenvolver uma ferramenta que possa ser utilizada para determinação de pontos ótimos de alocação. II. DEFINIÇÃO Geração distribuída é o nome atribuído a uma central de geração pequena o bastante para estar conectada à rede de distribuição e próxima ao consumidor, conforme apresentado na figura 1. Trata-se, uma geração de energia que não é planejada e nem despachada de forma centralizada pelas concessionárias de energia elétrica [LORA, 2006]. Figura 1 - Geração Distribuída na Rede Elétrica III. ALGORITMOS GENÉTICOS Os algoritmos genéticos (AGs) são abordagens de busca probabilística baseados nos processos evolucionários. Assim, são inspirados pelo mecanismo de seleção natural, um processo biológico no qual os indivíduos mais fortes possuem maior chance de sobreviver em um ambiente competitivo. Os indivíduos selecionados produzem uma nova geração e, conseqüentemente, as características hereditárias da espécie são repassadas para essa nova geração, visando-se a preservação das qualidades adquiridas [FALCONE, 2004]. Desta forma, AGs são técnicas heurísticas de otimização global, em que a populações de indivíduos são criados e submetidos aos operadores genéticos: seleção, recombinação (crossover) e mutação. Estes operadores usam uma caracterização da qualidade de cada individuo como solução do problema em questão chamada de avaliação, gerando um processo de evolução natural destes indivíduos que caracterizará uma boa solução [LINDEN,2008]. A. Algoritmo Proposto Uma visão global do algoritmo proposto é apresentada na Figura 2, através de um fluxograma, com os passos seguidos para determinar a operação da alocação ótima de GD na rede de distribuição de energia elétrica, utilizando a técnica de Algoritmos Genéticos. 1) População Inicial Na população inicial cada um é representado por um cromossomo composto por uma seqüência de bits. A população inicial para AGs é obtida de forma totalmente aleatória [LINDEN, 2008]. 2) Função Avaliação A função de avaliação é a maneira utilizada pelos AGs para determinar a qualidade de um individuo como solução do problema em questão, sendo assim uma forma de diferenciar os indivíduos “bons” e “ruins”. Também podem ser chamadas de função de custo, calcula então um valor numérico que reflete quão bons os parâmetros representados no cromossomo resolvem esse problema [LINDEN, 2008]. Na maioria dos casos, a função avaliação é a única ligação verdadeira do programa com o problema real. Isto decorre do fato que a função de avaliação só julga a qualidade que está sendo apresentada por aquele individuo, sem armazenar qualquer tipo de informação sobre técnicas de resolução de problemas [LINDEN,2008]. 3) Seleção O método de seleção de pais deve simular o mecanismo de seleção natural que atua sobre as espécies biológicas, tanto nos pais mais capazes de gerar filhos quanto dos menos aptos de gerar descendente (ou seja, privilegiando os indivíduos com função de avaliação alta, sem desprezar completamente aqueles cuja função avaliação seja extremamente baixa) [LINDEN,2008]. Caso somente os melhores indivíduos se reproduza, a população tenderá a ser composta de indivíduos cada vez mais semelhante, faltando assim à diversidade para que a evolução seja satisfatória (convergência genética) [LINDEN, 2008. 4) Operador de cruzamento O operador de cruzamento é denominado de cruzamento de um ponto. Esse operador consiste em selecionar dois pais pelo módulo de seleção, em que um ponto de corte é escolhido. O ponto de corte consiste em uma posição entre dois genes do indivíduo [LINDEN,2008]. Depois de sorteado o ponto de corte, os pais são separados em duas partes: uma à esquerda do ponto de corte e outra à direita. O primeiro filho é composto através da concatenação das partes originária de cada pai, a metade esquerda do primeiro pai com a metade da esquerda do segundo pai. Já o segundo filho e composto pela metade direita do segundo pai com a metade da direita do primeiro pai [LINDEN, 2008]. 5) Operador de Mutação Depois que a população foi compostos pelos novos indivíduos, o operador de mutação opera com uma probabilidade baixa (em torno de 0,5%) e nós sorteamos um número entre 0 e 1. Se ele for menor que a probabilidade predeterminada então o operador atua sobre o gene em questão, alterando o valor aleatoriamente. Repete-se então o processo para todos os genes componentes dos dois filhos [LINDEN,2008]. IV. FUNÇÃO AVALIAÇÃO Para problemas de maximização ou minimização de funções matemáticas a obtenção de uma função objetivo é simples, já que é exatamente a própria função a ser maximizada ou miniminizada. A função avaliação é a função que tem a responsabilidade de classificar e qualificar os indivíduos dentro de uma população. A função objetivo adotada está representada pela Eq. (1). f= ΣCusto_Perdas + ΣCusto _GD (1) V. SISTEMA DE 09 (NOVE) BARRAS O sistema de estudo é um circuito radial de distribuição composto por 09 (nove) barras atendidas por uma subestação. O objetivo do problema é minimizar o custo da instalação do sistema de Geração Distribuída. A Tabela 1 apresenta a impedância de cada trecho da linha de distribuição e a Tabela 2 mostra os dados das Potências Ativas e Reativas. Tabela 1 - Impedâncias Tabela 2 - Potências Ativas e Reativa Para cada barra do sistema foi especificado um conjunto binário formado por 02 (dois) bits, em que: [00] = sem Geração Distribuída; [01] = com Geração Distribuída de 100 kW; [10] = com Geração Distribuída de 300 kW; [11] = com Geração Distribuída de 500 kW; Gerações = 200; Taxa de Cruzamento: 0,8; Figura 5 – Custo da Implementação VIII. CONCLUSÕES VI. APLICAÇÃO E DEMONSTRAÇÃO DA FERRAMENTA COMPUTACIONAL DESENVOLVIDA A ferramenta computacional inteligente foi desenvolvida para aplicação em problema de Alocação de Unidades de Geração Distribuída na Rede Elétrica, baseada em um sistema de 09 (nove) barras. Na Fig. 3 é mostrada a tela de inicialização do programa. O objetivo principal deste trabalho foi o desenvolvimento de uma ferramenta computacional, orientada a objeto, que possa auxiliar as concessionárias na tomada de decisão em relação à alocação de unidades de Geração Distribuída na rede elétrica. Pois trata-se de um problema de otimização combinatória não-linear de grandes dimensões, sendo necessário o desenvolvimento de uma técnica que possa contribuir ou complementar as metodologias existentes. O que pode ser comprovado analisando os resultados que em todas as simulações apresentadas reduziu o custo para uma combinação de fontes de GD ao longo do sistema radial de distribuição. IX. REFERÊNCIAS Figura 3 – Tela inicial da ferramenta desenvolvida Na Fig. 4 é mostrada a configuração adotada para os operadores genéticos (número de gerações, tamanho da população, probabilidade de mutação). FALCONE, M. A. G. “Estudo comparativo entre algoritmos genéticos e evolução diferencial para otimização de um modelo de cadeia de suprimento simplificada” Curitiba, 2004. GOMES, P.; SCHILING, M.Th.; MARAGN LIMA, J.M.; MARTINS, N. “Geração Distribuída: vantagens, problemas e perspectivas”. XV SNPTEE – Seminário Nacional de Produção e Transmissão de Energia Elétrica, Grupo de Planejamento de Sistemas Elétricos, 1999. LINDEN, R.2008. “Algoritmos Genéticos”. São Paulo, SP. Editora Brasport. Figura 4 – Configuração adotada para os operadores genéticos Os resultados mostrados têm como objetivo verificar a implementação da ferramenta e apresentá-la, podendo assim destacar a sua utilidade na Alocação de Unidades de Geração Distribuída na Rede Elétrica. VII. SIMULAÇÃO População = 20 Indivíduos; LORA, E. E. S. HADDAD, J. “Geração Distribuída – Aspectos tecnológicos, ambientais e Institucionais”. Rio de Janeiro: Interciência, 2006. MARQUES, F. MORÁN, J. A. L. SILVA, L. FREITAS, W. “Impactos da expansão da Geração Distribuída nos sistemas de Distribuição de Energia Elétrica”. Campinas. SILVA, J. C. B. “Otimização de Sistemas de Distribuição de energia elétrica utilizando Geração Distribuída”. São Paulo, 2002.