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.