Download PDF
ads:
RAFAEL TERPLAK BEÊ
Alocação de Bancos de Capacitores em
Sistema de Distribuição de Energia
Elétrica Utilizando Algoritmos
Genéticos
Dissertação apresentada como requisito
parcial para a obtenção do grau de Mestre, no
Programa de Pós-Graduação em Engenharia
Elétrica da Universidade Federal do Paraná.
Orientadora: Dr.ª Thelma Solange Piazza
Fernandes.
Co-orientador: Dr. Alexandre Rasi Aoki
Curitiba
2007
ads:
Livros Grátis
http://www.livrosgratis.com.br
Milhares de livros grátis para download.
ii
ads:
AGRADECIMENTOS
O resultado deste trabalho não se deve somente ao meu esforço e dedicação, mas
também ao apoio de algumas pessoas, que devem ser citadas aqui com carinho. Assim,
presto os meus sinceros agradecimentos:
À Professora Doutora Thelma Solange Piazza Fernandes pela sua orientação e
dedicação, pelos seus ensinamentos, conselhos e palavras de incentivo durante todo o
desenvolvimento deste trabalho;
Ao Instituto de Tecnologia para o Desenvolvimento (LACTEC) pelo apoio
financeiro e pela infra-estrutura concedida para a realização deste trabalho;
Ao Professor Doutor Alexandre Rasi Aoki que contribuiu como co-orientador
através do seu conhecimento com excelentes observações para a finalização do trabalho e
também por toda sua cooperação e apoio, juntamente com o LACTEC, para a
concretização deste projeto;
Aos meus pais, Lucas José Beê e Mirian Ana Terplak Beê pela dedicação, carinho,
amor e compreensão durante todos os anos de minha vida e também durante todo este
período de mestrado;
À minha namorada, companheira e amiga Janaina Rodrigues Lenzi, pelo seu
companheirismo e palavras de conforto nas horas difíceis, e também por toda sua
contribuição para que a realização deste trabalho fosse possível;
À Deus, que meu deu forças para seguir até aqui;
À Professora Doutora Elizete Maria Lourenço pelas sugestões e contribuições feitas
em relação a este trabalho durante a pré-defesa e a defesa;
À Professora Doutora Patrícia Teixeira Leite pela complementação dada a esta
dissertação na ocasião da defesa;
E a todos os outros que não foram mencionados aqui, mas que de alguma maneira
contribuíram e fizeram parte desta caminhada.
iii
SUMÁRIO
Lista de Tabelas....................................................................................................................................VII
Lista de Figuras.....................................................................................................................................IX
Lista de Siglas........................................................................................................................................XI
Lista de Símbolos..................................................................................................................................XII
Resumo................................................................................................................................................ XIV
Abstract.................................................................................................................................................XV
CAPÍTULO I: Introdução.......................................................................................................................1
1.1 Introdução ............................................................................................................................................1
1.2 Estrutura da Dissertação.......................................................................................................................3
CAPÍTULO II: O Estado da Arte ..........................................................................................................4
2.1 Introdução ............................................................................................................................................4
2.2 Solução via Técnicas de Inteligência Artificial....................................................................................4
2.3 Otimização Multi-Objetivo................................................................................................................15
2.4 Análise de Sensibilidade ....................................................................................................................15
2.5 Fluxo de Potência em Redes de Distribuição.....................................................................................17
2.6 A Corrente Inrush ..............................................................................................................................20
2.7 Considerações Finais..........................................................................................................................21
CAPÍTULO III: Algoritmos Genéticos................................................................................................23
3.1 Introdução ..........................................................................................................................................23
3.2 Terminologia......................................................................................................................................25
3.3 Características Gerais e Representação..............................................................................................26
3.4 Seleção ...............................................................................................................................................28
3.5 Operadores Genéticos ........................................................................................................................29
3.6 Considerações Finais..........................................................................................................................33
CAPÍTULO IV: Formulação do Problema de Otimização................................................................34
4.1 Introdução ..........................................................................................................................................34
4.2 Metodologia Utilizada pelas Empresas Distribuidoras ......................................................................34
4.2.1 Regras Praticas para a Instalação de BC’s.............................................................................36
iv
4.2.2 Operação dos Controles dos Capacitores Automáticos.........................................................37
4.2.3 Controle com Sensor de Tempo e Tensão.............................................................................38
4.3 Verificação da Elevação da Tensão Causada pela Instalação de Capacitores....................................39
4.4 Ajuste da Tensão................................................................................................................................40
4.5 Formulação via AGs ..........................................................................................................................40
4.5.1 Formulação Matemática........................................................................................................41
4.5.2 Obtenção das Indutâncias Equivalentes entre Bancos de Capacitores..................................50
4.5.3 Metodologia...........................................................................................................................54
4.5.3.1 População Inicial ......................................................................................................54
4.5.3.2 Codificação dos Indivíduos ......................................................................................55
4.5.3.3 Fluxo de Potência .....................................................................................................56
4.5.3.4 Ajuste dos Capacitores Automáticos........................................................................57
4.5.3.5 Convergência do Algoritmo Desenvolvido ..............................................................57
4.5.3.6 Critérios de Seleção e os Operadores Genéticos ......................................................58
4.5.3.7 Criação da Nova População......................................................................................60
4.6 Análise de Sensibilidade e Inicialização............................................................................................60
4.7 Análise Econômica.............................................................................................................................62
4.8 Considerações Finais..........................................................................................................................65
CAPÍTULO V: Resultados....................................................................................................................66
5.1 Introdução ..........................................................................................................................................66
5.2 Sistema 11 Barras...............................................................................................................................66
5.2.1 Resultados das Simulações para o Sistema 11 Barras...........................................................68
5.2.2 Estudo de Desempenho do Algoritmo Desenvolvido............................................................72
5.3 Sistema 70 Barras...............................................................................................................................83
5.3.1 Resultados da Simulação para o Sistema 70 Barras Utilizando Configuração com 20
Indivíduos.......................................................................................................................................84
5.3.2 Resultados da Simulação para o Sistema 70 Barras Utilizando Configuração com 10
Indivíduos.......................................................................................................................................89
5.4 Análise da Corrente Inrush ................................................................................................................91
5.5 Análise de Sensibilidade ....................................................................................................................94
5.6 Simulação utilizando novos preços pra os BCs..................................................................................96
5.7 Resultados da Análise Econômica .....................................................................................................97
5.8 Comentários Finais.............................................................................................................................98
v
CAPÍTULO VI: Conclusões..................................................................................................................99
6.1 Conclusões .........................................................................................................................................99
6.2 Recomendações para Trabalhos Futuros..........................................................................................100
Referências Bibliográficas...................................................................................................................102
Apêndice A: Cálculo de Fluxo de Potência via Método da Soma das Potências ............................107
Apêndice B: Cálculo de Perdas a Partir dos Fluxos pelas Linhas de Transmissão........................110
Anexo A: Dados do Sistema de 70 Barras..........................................................................................113
vi
LISTA DE TABELAS
Tabela 3.1 - Terminologia Biológica x Terminologia Computacional x Terminologia de
Otimização de Reativos..............................................................................................................28
Tabela 4.1 - Condições de Carga................................................................................................42
Tabela 4.2 – Número de horas para cada condição de carga......................................................42
Tabela 4.3 - Números de dias úteis, Sábados e Domingos num período de um ano..................42
Tabela 4.4 - Porcentagem da Carga Total no Alimentador para cada condição de carga..........42
Tabela 4.5 - Tensão de saída em função dos patamares de carga ..............................................43
Tabela 4.6 - Custo dos Capacitores............................................................................................44
Tabela 4.7 - Valores adequados, precários e críticos para tensões nominais de 1 kV a 69 kV..47
Tabela 4.8 - Valores adequados, precários e críticos para tensões nominais até 1 kV...............47
Tabela 4.9 - Tabela de Indutâncias.............................................................................................51
Tabela 4.10 - Codificação dos indivíduos..................................................................................55
Tabela 4.11 - Interpretação do Indivíduo pelo Algoritmo Genético ..........................................56
Tabela 4.12 - Exemplo de seleção pelo método da Roleta.........................................................59
Tabela 5.1 - Dados de linhas para o sistema 11 barras...............................................................67
Tabela 5.2 – Dados de cargas para o sistema 11 barras .............................................................67
Tabela 5.3 – Parâmetros da simulação para o sistema 11 Barras...............................................67
Tabela 5.4 – Custos encontrados nas simulações para o sistema 11 Barras...............................68
Tabela 5.5 – Tensão nas barras onde houve alocação de reativos para a condição de carga
pesada nos dias úteis para o sistema 11 barras...........................................................................70
Tabela 5.6 – Tensão nas barras onde houve alocação de reativos para carga leve nos
domingos e feriados para o sistema 11 barras............................................................................70
Tabela 5.7 – Funções objetivo consideradas em cada simulação...............................................73
Tabela 5.8 – Comparação entre as simulações 2 e 10................................................................74
Tabela 5.9 – Comparação entre simulações 2 e 4.......................................................................74
Tabela 5.10 – Comparação entre as simulações 2, 5 e 6............................................................75
Tabela 5.11 – Comparação entre simulações 2 e 8.....................................................................75
Tabela 5.12 – Comparação entre as simulações 2, 8 e 12..........................................................76
Tabela 5.13 – Comparação entre simulações 5 e 13...................................................................77
vii
Tabela 5.14 – Comparação entre simulações 5 e 7.....................................................................77
Tabela 5.15 – Comparação entre simulações 5 e 14...................................................................78
Tabela 5.16 – Comparação entre as simulações 13, 14 e 15......................................................79
Tabela 5.17 – Comparação entre simulações 3 e 11...................................................................79
Tabela 5.18 – Comparação entre simulações 3 e 15...................................................................80
Tabela 5.19 – Resultados da simulação 9...................................................................................81
Tabela 5.20 – Comparação entre simulações 8 e16....................................................................82
Tabela 5.21 – Parâmetros da simulação para o sistema 70 Barras.............................................83
Tabela 5.22 – Custos encontrados nas simulações para o sistema 70 Barras.............................84
Tabela 5.23 – Tensão nas barras onde houve alocação de reativos para a condição de carga
pesada nos dias úteis para o sistema 70 barras...........................................................................86
Tabela 5.24 – Tensão nas barras onde houve alocação de reativos para carga média nos
domingos e feriados para o sistema 70 barras............................................................................86
Tabela 5.25 - Custos encontrados nas simulações para o sistema 70 Barras utilizando
configuração com 10 indivíduos ................................................................................................89
Tabela 5.26 - Comparação da alocação encontrada para simulação com 20 e 10 indivíduos....90
Tabela 5.27 –
Alocação de Reativos para o sistema 70 barras sem minimização de
correntes Inrush..........................................................................................................................91
Tabelas 5.28 – Correntes Inrush utilizando o critério da minimização das correntes Inrush ....92
Tabela 5.29 – Distâncias entre barras utilizando o critério da minimização das correntes
Inrush..........................................................................................................................................92
Tabelas 5.30 - Correntes Inrush sem o critério da minimização das correntes Inrush...............93
Tabela 5.31 –
Distâncias entre barras sem o critério da minimização das correntes Inrush......93
Tabela 5.32 – Resultados utilizando sensibilidade Perdas x Q..................................................94
Tabela 5.33 - Resultados utilizando sensibilidade Q x V...........................................................95
Tabela 5.34 - Novos preços para BCs ........................................................................................96
Tabela 5.35 - Parâmetros para as simulações com novos preços de BCs ..................................96
Tabela 5.36 - Alocação dos BCs ................................................................................................96
Tabela 5.37 - Resultados da simulação utilizando novos preços para BCs................................97
Tabela 5.38 - Resultados da Análise Econômica .......................................................................98
Tabela A.1 - Dados das Cargas do Sistema 70 Barras .............................................................113
Tabela A.2 - Dados das Linhas do Sistema 70 Barras .............................................................114
viii
LISTA DE FIGURAS
Figura 2.1 - Topologia da Rede e a Rede Dividida em Camadas...............................................18
Figura 3.1 - Exemplo de mutação...............................................................................................30
Figura 3.2 - Exemplo de cruzamento de um ponto ....................................................................31
Figura 3.3 - Exemplo de cruzamento de dois pontos .................................................................31
Figura 3.4 - Exemplo de cruzamento uniforme..........................................................................32
Figura 3.5 - Exemplo de elitismo...............................................................................................32
Figura 4.1 - Perfil do reativo do alimentador .............................................................................35
Figura 4.2 - BC ligado em estrela isolada ..................................................................................36
Figura 4.3 - Dispositivo de Tempo.............................................................................................39
Figura 4.4 - Classificação normalizada da tensão em nível de distribuição...............................48
Figura 4.5 - Circuito de Indutâncias para 3 Capacitores ............................................................51
Figura 4.6 - Circuito Adaptado para Cálculo de Indutância Equivalente a partir do
Capacitor da Barra 2...................................................................................................................52
Figura 4.7 - Circuito Rearranjado para Cálculo de Indutância Equivalente a partir do
Capacitor da Barra 2...................................................................................................................53
Figura 4.8 - Fluxograma do Algoritmo Desenvolvido...............................................................54
Figura 4.9 - Exemplo de um indivíduo para um sistema com 11 barras....................................56
Figura 4.10 – Exemplo de seleção pelo método da roleta..........................................................59
Figura 5.1 – Sistema 11 barras...................................................................................................66
Figura 5.2 – Perfil de tensão para carga pesada nos dias úteis para o sistema 11 barras...........69
Figura 5.3 – Perfil de tensão para carga leve nos dias úteis para o sistema 11 barras ...............69
Figura 5.4 – Porcentagem da queda de tensão para carga pesada nos dias úteis para o
sistema 11 barras ........................................................................................................................71
Figura 5.5 – Porcentagem da queda de tensão para carga média nos dias úteis para o
sistema 11 barras ........................................................................................................................71
Figura 5.6 – Sistema 70 barras...................................................................................................83
Figura 5.7 – Perfil de tensão para carga pesada nos dias úteis para o sistema 70 barras..........85
Figura 5.8 – Perfil de tensão para carga leve nos sábados para o sistema 70 barras.................85
ix
Figura 5.9 – Porcentagem da queda de tensão para carga pesada nos dias úteis para o
sistema 70 barras ........................................................................................................................87
Figura 5.10 – Porcentagem da queda de tensão para carga média nos dias úteis para o
sistema 70 barras ........................................................................................................................88
Figura 5.11 – Porcentagem da queda de tensão para carga leve nos domingos e feriados
para o sistema 70 barras .............................................................................................................88
Figura A.1 - Modelo de linha conectada a duas barras ............................................................108
Figura B.1 - Modelo equivalente Π de uma linha de transmissão ...........................................110
x
LISTA DE SIGLAS
AG - Algoritmo Genético
ANEEL - Agência Nacional de Energia Elétrica
BB - Branch and Bound
BC's - Bancos de Capacitores
CEB - Companhia Energética de Brasília
COPEL - Companhia Paranaense de Energia
EDF - Eletricitè de France
FC - Fluxo de Carga
FP - Fluxo de Potência
FPO - Fluxo de Potência Ótimo
GA - Genetic Algorithm
HS - Hiperplanos Suporte
SA - Simulated Annealing
SDC - Soma das Correntes
TIR - Taxa Interna de Retorno
TMA - Taxa mínima de Atratividade
TP - Transformador de Potencial
TR – Tempo de Retorno
VPL - Valor Presente Líquido
VR - Valor Residual
xi
LISTA DE SÍMBOLOS
bar barra do sistema
fixo
j
Co custo fixo de instalação de capacitor fixo
aut
j
Co custo fixo de instalação de capacitor automático
d distância entre capacitores
j
Dias
corresponde ao número de dias (dias úteis, sábados ou domingos e feriados)
em cada período estudado.
1
f
custo das perdas
2
f
custo de instalação dos capacitores fixos e automáticos
3
f custo da queda de tensão
4
f
custo da violação dos limites de tensão
5
f somatório das correntes inrush
ji
Horas
,
número de horas correspondente à condição de carga i no dia j
i corresponde a condição de carga pesada média, e leve
k
ji
Inrush
,
corrente inrush na barra k, para carga i e dia j
I
C
corrente nominal do banco de capacitores
I
3
corrente de curto-circuito trifásico no ponto de instalação do banco de
capacitores
j corresponde ao número de dias úteis, sábados ou domingos e feriados
L
eqi
indutância total equivalente por fase entre bancos de capacitores
Nd número de barras onde o desvio foi maior ou igual a 4%
bar
acargapesad valor de carga pesada na barra bar
N número de barras do sistema
n_cap_aloc número de capacitores fixos e automáticos alocados
P potência total do banco de capacitores
ij
p
porcentagem da carga pesada ( ) do alimentador que
corresponde a condição de patamar de carga i no dia j
bar
acargapesad
xii
bar
ij
QT
diferença entre tensão de saída da subestação e tensão na barra bar referente
ao patamar de carga i e dia da semana j
r resistência do cabo em ohm/km
RTP relação de transformação do TP que alimenta o controle
T tensão nominal do circuito
VD tensão de referência para desligar o banco de capacitores
VL tensão de referência para ligar o banco de capacitores
V
ff
tensão fase-fase
x reatância do cabo
X reatância total entre o BC e a SE fonte
Z
1s
impedância de seqüência positiva do sistema até a barra de 13,8 kV da
subestação
Z
1
impedância de seqüência positiva do alimentador de 13,8 kV, desde a barra
da subestação até o ponto considerado
wc
índice de ponderação de
2
f
wp índice de ponderação de
1
f
wv
índice de ponderação de
4
f
wi
índice de ponderação de
5
f
Φ conjunto de barras candidatas à alocação de capacitores. Essas barras
compreendem apenas o tronco do alimentador e que não estejam protegidos
por chaves fusíveis
fixo
j
χ
indicador de capacitor fixo
aut
j
χ
indicador de capacitor automático
xiii
RESUMO
O crescente aumento da demanda tem tornado o gerenciamento dos níveis de
potência reativa cada vez mais importante a fim de se contornar problemas de qualidade do
fornecimento, tais como, aumento das perdas ativas, quedas de tensão e tensões fora dos
limites regulamentados. Uma maneira de se melhorar o desempenho de redes de
distribuição que apresentam esses problemas é através da instalação de banco de
capacitores. Assim, esse trabalho se propõe a implementar a técnica de Algoritmos
Genéticos na busca ótima dos tipos de banco de capacitores (fixo ou automático),
tamanhos dos bancos (em kvar) e localizações dos mesmos em alimentadores de
distribuição. A formulação adotada utiliza, além dos critérios de otimização
comumentemente utilizados, como por exemplo, a minimização das perdas ativas, dos
custos dos capacitores e a penalização dos limites de tensão, critérios como, a penalização
de quedas de tensão acima de 4% a partir da saída do alimentador e a minimização de
correntes inrush que surgem quando da energização dos bancos de capacitores. A
penalização das quedas de tensão é um critério complementar a fim de se garantir
alternativamente a qualidade do fornecimento. Já a minimização das correntes inrush tem
como objetivo obter espaçamentos ótimos entre os bancos a fim de se evitar que essas
correntes atinjam valores elevados e, por exemplo, danifiquem elos fusíveis das chaves
quando das energizações ao longo dos períodos considerados. A formulação ainda
considera diferentes situações de carregamento e diferentes dias da semana de modo a
satisfazer simultaneamente todos os períodos considerados. Os resultados são apresentados
através de sistemas radiais de 11 e 70 barras.
PALAVRAS-CHAVE: Alocação de Banco de Capacitores, Redes de Distribuição de
Energia Elétrica, Algoritmos Genéticos.
xiv
ABSTRACT
The increasing of the demand has become the management of the reactive power
levels, more and more important in order to resolve problems of quality, such as, increase
of the active losses and voltages limitations. A way of improving the performance of
networks distributions that present these problems are through the installation of
capacitors. Thus, this work implemented the technique of Genetic Algorithms to search
types of capacitors banks (fixed or automatic), sizes of the banks (kvar) and localization of
the same ones in a distribution feeder. The adopted formulation uses, beyond the
commonly optimization criteria, for example, the minimization of the active losses, the
capacitors costs and the voltage limits penalization, others as, the voltage falls penalization
above 4% from the exit of the feeder and the minimization of the inrush current that
appears when the banks of capacitors are energized. The voltage falls penalization is a
complementary criterion in order to, alternatively, guarantee the quality of the supply.
Already, the minimization of the inrush current has as objective to get optimal distances,
between the banks in order to prevent that these currents reach high values that can they
damage the fuses when they are energized. The formulation still considers different
shipment situations and different days of the week in order to satisfy all the periods
simultaneously considered. The results are presented through radial systems of 11 and 70
buses.
Key-Words: Capacitors Allocation, Distribution Network, Genetic Algorithms.
xv
CAPÍTULO I
INTRODUÇÃO
1.1 Introdução
Com o aumento da demanda dos sistemas elétricos de potência, o gerenciamento da
potencia reativa tem se tornado cada vez mais importante para as empresas fornecedoras de
energia que necessitam manter as tensões dentro dos limites pré-estabelecidos pela
ANEEL, garantindo assim bons níveis de qualidade e confiabilidade para o consumidor.
No entanto, o crescimento das cargas longe dos centros geradores, as extensas linhas e as
perdas decorrentes dos cabos resultam em variações de tensão nas barras, e assim
comprometem a qualidade da energia elétrica fornecida.
Além disso, o alto nível de potência reativa indutiva demandada nos sistemas de
distribuição também causa os problemas já conhecidos tanto no próprio sistema de
distribuição, como no sistema de transmissão, ou seja, aumento das perdas e da queda de
tensão, causando dificuldades no controle da tensão. Sendo assim, torna-se necessário a
instalação de bancos de capacitores (BCs) que visam não só a redução das perdas e
melhoria nos perfis de tensão, mas também algumas outras vantagens enunciadas abaixo:
• Controle do fluxo de potência;
• Melhoria da estabilidade do sistema;
• Correção de fator de potência;
• Compensação da energia reativa produzida por cargas indutivas e pelas
reatâncias das linhas.
Devido à complexidade da rede e dos alimentadores o ponto ótimo de operação
normalmente não é alcançado e a compensação fica subutilizada. Dessa forma, torna-se
necessário desenvolver ferramentas para dar suporte à tomada de decisões do planejador
para que ele possa fazer a aplicação ótima dos recursos destinados à expansão e operação
do sistema de distribuição, ou mesmo a recapacitação do sistema existente.
2
Basicamente, o problema da alocação de reativos está em determinar, o tipo do
banco de capacitores (fixo ou automático), o tamanho do banco (em kvar), a localização do
banco e os esquemas de controle deste banco. É um problema de difícil solução, pois o
número de pontos mínimos locais e o número de opções a serem analisadas aumentam com
o aumento do número de barras. Os capacitores disponíveis no mercado são os fixos e os
automáticos. Os capacitores fixos possuem um valor constante de potência em kvar e estão
permanentemente em operação. Já para os capacitores automáticos é possível ligar e
desligar o banco de capacitor dependendo da condição de carga e dos controles adequados
como serão descritos na seção 4.3.1 no Capítulo 4.
Os critérios de otimização comumente utilizados na solução desse problema
(SUNDHARARAJAN e PAHWA, 1994) são a minimização das perdas ativas, dos custos
dos capacitores e penalização dos limites de tensão. Além desses critérios serão utilizados
nesse trabalho: (i) penalização de quedas de tensão acima de 4% a partir da saída do
alimentador, a fim de complementar e garantir alternativamente a qualidade de suprimento;
e (ii) minimização de correntes inrush que surgem quando da energização dos bancos de
capacitores, a fim de obter espaçamentos ótimos entre os mesmos de modo a evitar que
essas correntes atinjam valores elevados. Esses vários critérios caracterizam este problema
como um problema de otimização multiobjetivo que será detalhado no Capítulo III.
A formulação desse problema é de programação não linear (BAZARAS, 1979),
pois as restrições de igualdade do mesmo são as equações de um fluxo de carga, as quais
são equações não-lineares e ainda, é de programação inteira mista, pois envolve variáveis
de otimização que assumem valores 0 ou 1, ou seja, variáveis que determinam a alocação
ou não de capacitores em determinada barra e; envolve variáveis contínuas que
determinam a potência do banco de capacitores a serem instalados.
Um problema dessa natureza (não-linear, inteiro misto e multiobjetivo) pode ser
resolvido por diferentes técnicas heurísticas associadas a algoritmos de otimização
clássica, metaheurísticas e Algoritmos Genéticos (AGs).
Devido às boas características dos AGs, a serem enumeradas na revisão
bibliográfica a ser descrita no Capítulo II, a mesma foi escolhida, nesse trabalho, como a
técnica para solução do problema de alocação de banco de capacitores em redes de
distribuição.
3
1.2 Estrutura da Dissertação
Assim, pela importância e complexidade da questão de se alocar banco de
capacitores em rede de distribuição, esse trabalho se propõe a estudar e implementar uma
técnica de Inteligência Artificial baseada em Algoritmos Genéticos que permita definir
pontos críticos onde há necessidade de se realizar compensação de reativos e otimizar a
localização desses através de desenvolvimento de uma ferramenta computacional. Esta
ferramenta utiliza informações da rede elétrica visando obter o ponto ótimo de operação
com base na localização ideal para a instalação dos compensadores de reativos e na análise
da sazonalidade da carga.
No Capítulo II é apresentada uma revisão bibliográfica sobre a questão de se alocar
bando de capacitores utilizando diversas técnicas de Inteligência Artificial.
No Capítulo III é apresentada uma breve descrição da técnica de Algoritmos
Genéticos.
No Capítulo IV, além da formulação matemática do problema de otimização
utilizado, são apresentadas técnicas de sensibilidades utilizadas a fim de acelerar o
processo de convergência.
O Capítulo V apresenta resultados obtidos para sistemas de 11 e 70 barras e,
finalmente, no capítulo VI são apresentadas as conclusões referentes ao trabalho
desenvolvido.
CAPÍTULO II
O ESTADO DA ARTE
2.1 Introdução
Neste capítulo serão apresentados alguns trabalhos que serviram de motivação para
escolha de Algoritmos Genéticos como técnica de solução adotada nesse trabalho e para a
formulação do problema de otimização multiobjetivo utilizada para a alocação ótima de
banco de capacitores.
2.2 Solução via Técnicas de Inteligência Artificial
Pioneiramente, SUNDHARARAJAN e PAHWA (1994) apresentaram uma nova
metodologia para determinar o tamanho, localização, tipo e número de capacitores para
serem instalados em uma rede de distribuição radial. O objetivo foi o de minimizar as
perdas de potência de pico e as perdas de energia no sistema de distribuição considerando
o custo do capacitor. Um método baseado em análise de sensibilidade foi utilizado para
selecionar as localizações candidatas para alocação de capacitores. Em seguida, foram
utilizados Algoritmos Genéticos para determinar a seleção ótima de capacitores.
O problema formulado nesse artigo propõe minimizar o custo da energia perdida
(P
i
) no sistema em n períodos de intervalos (T
i
), o custo da perda máxima (P
o
) ao longo dos
n períodos e do custo total dos capacitores de acordo com a fórmula (2.1) a seguir.
∑
=
+⋅+⋅
∑
=
M
j
j
C
c
K
o
P
p
K
i
P
n
i
i
T
e
Kmin
1
)
1
( (2.1)
onde
K
e
: custo da energia perdida;
K
p
: custo da perda máxima;
K
c
: custo dos capacitores;
M: número de barras candidatas à alocação;
5
Cj : tamanho do banco de capacitor.
A fim de se diminuir o universo de busca, o problema é inicializado, determinando-
se as barras candidatas à localização de capacitores a partir do vetor de sensibilidade
(
Q∂
∂Perdas
) obtida a partir do Jacobiano (J):
⎥
⎥
⎥
⎥
⎦
⎤
⎢
⎢
⎢
⎢
⎣
⎡
∂
∂
∂
∂
⋅=
⎥
⎥
⎥
⎥
⎦
⎤
⎢
⎢
⎢
⎢
⎣
⎡
∂
∂
∂
∂
V
θ
J
Q
P
Perdas
Perdas
Perdas
Perdas
t
(2.2)
Assim, as barras com maiores sensibilidades são as candidatas para alocação de
capacitores dentro dos AGs.
GHOSE, GOSWAMI e BASU (1998) apresentam um modelo que combina
recozimento simulado (
Simulated annealing - SA) e Algoritmos Genéticos (Genetic
Algorithms - GAs
) para solução do problema de alocação de capacitores em uma rede de
distribuição visando à redução de perdas de energia. Os resultados apresentados indicaram
uma grande melhora no processo de convergência do algoritmo atingindo valores de perdas
menores ou iguais aos obtidos através de Algoritmos Genéticos simples.
No artigo de
MIRANDA, OO e FIDALGO (2001) foi apresentado um modelo que
usa informação sobre o gradiente da função objetivo (minimização das perdas) para reparar
os indivíduos e melhorar as soluções dos Algoritmos Genéticos, dando uma força na
direção da convergência do procedimento. No caso de estudo utilizado, apenas as barras
PQ foram utilizadas como candidata à solução. As simulações realizadas mostraram que a
convergência é bastante acelerada com a adoção do modelo híbrido
matemático/Algoritmos Genéticos. Nesse artigo, ainda foram comparados três métodos:
Algoritmos Genéticos simples; um modelo híbrido de algoritmo genético/programação
evolucionária; e o modelo híbrido matemático/Algoritmos Genéticos.
Utilizando Algoritmos Genéticos simples, os níveis de tensão aumentaram, as
perdas reduziram, mas um grande número de capacitores foi necessário para se conseguir
um bom resultado.
Com o método híbrido de Algoritmos Genéticos/programação evolucionária foi
conseguida uma melhoria significativa nos resultados, foram alocadas apenas unidades
6
fixas com valores nominais menores reduzindo significativamente o custo de instalação
dos capacitores, as perdas foram reduzidas, mas apresentaram um valor cerca de 1% maior
quando comparada com a primeira situação.
O modelo híbrido matemático/Algoritmos Genéticos foi o que apresentou os
melhores resultados. As perdas e o custo dos capacitores foram reduzidos mais ainda, pois
os melhores ajustes para os capacitores automáticos foram encontrados.
Em GALLEGO, MONTICELLI e ROMERO (2001), o problema da alocação de
reativos determina o tipo do banco de capacitores (fixo ou automático), o tamanho do
banco (kvar), a localização do banco e os esquemas de controle deste banco. Os
capacitores instalados na rede de distribuição corrigem o fator de potência, provocam a
redução das perdas e a melhoria dos níveis de tensão.
A função objetivo é expressa através do custo das perdas e do custo do
investimento durante um período.
(2.3)
2
0
1
0
1
0
0
0
ou 0
,...,1,0 ;0)(
,...,1,0 ;0),( .
)()( min
Ckuu
Ckuu
ntix H
ntiuxGas
ufxpTkv
k
i
k
k
i
k
ii
iii
nc
k
k
i
i
nt
i
ie
∈=≤
∈≤≤
=≤
==
+=
∑∑
==
onde
nc : número de barras candidatas (barras onde a alocação do capacitor é permitida);
nt : número de níveis de carga ilustrado de um gráfico da curva de carga do sistema;
G
i
(x
i
,y
i
) : representa as equações do fluxo de potência para o i-ésimo nível de carga;
H
i
(x
i
)≤0 : representa as restrições de operação para o i-ésimo nível de carga;
u
k
0
: representa o tamanho do banco de capacitores que pode ser alocado na barra k;
u
k
i
: representa o nível de operação do capacitor alocado na barra k para um nível de carga
i;
C
1
e C
2
: conjuntos de barras candidatas para a instalação de capacitores fixos e
automáticos, respectivamente.
Dois tipos de capacitores são considerados os fixos e os automáticos. Para os fixos
tem-se que:
u
0
=u
1
=...u
nt
(2.4)
7
Para os capacitores automáticos, os taps podem ser mudados de acordo com o nível
de carga. Nesse caso para cada capacitor
k existem nt+1 diferentes níveis de operação,
então:
0≤u
k
i
≤ u
k
0
(2.5)
A alocação ótima dos capacitores foi resolvida usando um método híbrido extraído
a partir da técnica da busca tabu, e aproximada utilizando técnicas combinatórias, como
algoritmos genéticos, recozimento simulado (Simulated Annealing), e aproximações
heurísticas práticas. A combinação destas técnicas foi desenvolvida buscando-se acelerar a
convergência.
Os resultados apresentados para os sistemas de 9, 69 e 135 barras apontaram uma
redução das perdas em todos os casos e, foi possível perceber que quando o algoritmo
utilizou capacitores fixos e automáticos para fazer a alocação, o tempo computacional foi
consideravelmente maior do que quando se utilizou somente bancos automáticos, devido
ao número de vezes que o fluxo de potência foi executado.
ALCÂNTARA e SILVA (2005) estudaram a determinação da influência de cargas
dependentes da tensão na solução do problema de localização e controle otimizados de
capacitores em sistemas de distribuição de energia. Neste artigo, efeitos de cargas
dependentes da tensão, chamadas cargas de impedância constante (Z), corrente constante
(I), potência constante (P), e uma carga mista ZIP, foram estudados e discutidos nos seus
aspectos técnicos e econômicos pelo uso de um algoritmo codificado em inteiros baseado
em AGs. Os resultados apresentados mostraram que tamanhos e localizações dos
capacitores dependem fundamentalmente do modelo de carga usado para o sistema.
O trabalho escrito por COELHO et al.
(2005) apresenta um aplicativo
computacional desenvolvido para alocações de bancos de capacitores em alimentadores de
13,8 kV. O aplicativo baseia-se na resolução de um modelo não linear de alocação de
capacitores para a otimização de perdas em sistema de distribuição de energia elétrica, cuja
função objetivo considera um fator de penalização nos limites de tensão das barras. Um
algoritmo foi implementado em linguagem computacional compatível ao sistema utilizado
pela Companhia Energética de Brasília – CEB, e utiliza um método híbrido baseado no
consumo de reativos das cargas e uma busca combinatória.
Em AGUIAR e FRANCO (2005), a alocação de bancos de capacitores em redes de
distribuição de sistemas de potência constitui um problema de otimização clássico para
8
redução de custos de investimento e perdas de energia em sistemas de distribuição radiais.
Neste artigo, o problema é abordado por meio de uma estratégia de aproximação linear e
por uma mudança na representação das variáveis. A aproximação linear do problema é
feito em dois aspectos. Um utiliza hiperplanos suporte (HS) para aproximar a função de
perdas em cada trecho do sistema de distribuição. O outro é relacionado com o tratamento
dado ao produto de variáveis inteiras e contínuas.
O problema clássico é transformado num problema de otimização inteiro mista,
permitindo o uso de ferramentas de otimização comerciais na solução como os algoritmos
convencionais de programação linear e otimização combinatória. Os limites superiores e
inferiores de tensão são limitados de forma rígida, não sendo utilizadas funções de
penalidades para evitar a violação de limites, o que permite a avaliação direta da
sensibilidade dos custos totais em relação à variação dos limites de tensão.
Exemplos de aplicações do modelo em várias redes de distribuição, com diferentes
horizontes de planejamento mostram a eficiência, robustez e outros índices de
desempenho, caracterizando este novo método como uma alternativa atraente a aplicações
dedicadas ao planejamento de redes de distribuição radia. Os resultados das simulações em
vários sistemas de distribuição sugerem que a instalação de bancos de capacitores fixos e
chaveados em conjunto é atrativa, pois controla melhor o perfil de tensão e reduz mais as
perdas totais.
O trabalho feito por DELFANTI
et. al (2000) propõe uma metodologia para se
estabelecer os pontos de instalação de capacitores com o objetivo de minimizar o custo de
instalação dos mesmos. O problema formulado nesse artigo é o seguinte:
)1(
}{
i
reativaocompensaçãàcandidatasbarrasi
iii
qcCComin
∑
∈
⋅+⋅
χ
(2.6)
s.a.
}{),,,( PVtipogeraçãodebarrasiparaQgrvqgqcQgQg
i
i
i
∈≤≤
}{),,,( PQtipocargadebarrasiparaVrvqgqcVV
i
ii
∈≤≤
}{ reativodegeraçãocomPQtipocargadebarrasiparaqgqgqg
i
i
i
∈≤≤
}{ PVtipogeraçãodebarrasiparavvv
i
ii
∈≤≤
}{ dorestransformacombarrasipararrr
i
i
i
∈≤≤
9
}{ reativaocompensaçãàcandidatasbarrasiparaqcqc
i
ii
∈χ≤≤0
onde
i
χ
=1 (se o capacitor for instalado) e =0, caso contrário;
i
χ
i
qc : tamanho do banco de capacitores;
i
Co : custo fixo de instalação;
i
C1 : custo proporcional ao tamanho de ;
i
qc
i
qg : potência reativa gerada por bancos pré-existentes;
i
v : magnitude de tensão das barras de carga;
i
r : relação de magnitude de taps de transformadores;
As variáveis de otimização desse problema são:
i
χ
, , , e . O problema é
não-linear com variáveis inteira-mista.
i
qc
i
qg
i
v
i
r
O algoritmo de solução adotado para esse problema é o seguinte:
Passo 1: Cálculo de um Fluxo de Carga, o valor da função objetivo Fbest é
arbitrado.
Passo 2: Lineariza-se o problema de otimização e resolve-se o problema linear.
Passo 3: Atualiza-se
, , , e .
i
χ
i
qc
i
qg
i
v
i
r
Passo 4: Calcula-se novo Fluxo de Carga para variáveis atualizadas.
Passo 5: Checa-se as duas primeiras restrições funcionais. Se há violação, vá para
passo 2, senão vá para Passo 6.
Passo 6: Armazene o corrente ponto de operação e função objetivo F.
Passo 7: Se F < Fbest, faça Fbest=F e vá para Passo 2, senão Pare.
O problema linearizado do Passo 2 foi resolvido por três procedimentos:
a. Utilizando-se do algoritmo Branch and Bound (BB).
b. Utilizando-se algoritmos microgenéticos (AGs) (utilizando-se de população
de cinco indivíduos)
c. Procedimento híbrido, onde os Algoritmos Genéticos substitui o BB quando
ocorre um problema numérico.
10
De modo geral, o algoritmo BB foi mais rápido do que os algoritmos genéticos, no
entanto, ele fornece valores sub-ótimos. O procedimento híbrido se mostrou mais eficiente,
pois utilizou resultados sub-ótimos no algoritmo genético, reduzindo sua convergência.
Em ALVES, SOUZA e FERREIRA (2002), o dimensionamento, localização e
controle de bancos de capacitores são levados a efeito com base na curva de carga reativa.
Na prática, as curvas de cargas individuais são consideradas idênticas à curva de carga do
limen pacitores chaveados e
que pode ser substituída pela curva de duração de carga aproximada em três degraus
(pesada, média e leve).
ção foi formulado da seguinte forma:
ksnksnCtkesPsPksf ⋅+⋅⋅−∆⋅⋅∆+∆⋅=
∑
=
(2.7)
on
i =
s : conjunto de parâm
: custo da perda de potência de pico em $/kW;
: custo da perda de energia em cada nível em $/kW;
: custo de banco de capacitores fixos ( $/kvar);
: custo do banco de capacitores chaveados;
C :
: redução de perdas de potência de pico em kW;
du
procura maximizar a economia pela instalação dos capacitores e
min i alação dos mesmos e foi resolvido por três procedimentos:
a tador para efeito do programa de operação dos bancos de ca
O problema de otimiza
))()(()()()(max
3
1
ccffii
i
imp
sujeito a restrições de tensão.
de
1, ..., 3 : cada nível de carga;
etros que definem os pontos de instalação e os controles dos bancos;
p
k
i
ke
f
k
k
c
f
n : número de capacitores fixos;
c
n : número de capacitores chaveados;
potência de módulo de banco de capacitor (kvar);
m
P∆
i
P∆ : redução de perdas de potência em cada nível;
i
t∆ : ração anual de cada nível de carga em horas.
O problema
im zar o custo de inst
a) Utilizando-se do algoritmo microgenético (utilizando-se de população de 5 a 20
indivíduos)
11
ialista da lógica fuzzy a
te aumento do
res).
As rec
compo
subpop
de forma seqüencial.
seguinte, senão o bit retorna ao valor original.
mente
lmente instalado. Se há alguma melhora, o valor
é modificado.
(iii) Busca
Swap: retira-se um capacitor de uma posição e coloca-o em outra.
A função de avaliação adotada é:
b) Lógica Fuzzy
c) Um método híbrido, onde se inseri o conhecimento espec
fim de reduzir o espaço de busca e diminuir o tempo de processamento.
O Método Híbrido, ou seja, o dos algoritmos micro genéticos com a inserção da
Lógica Fuzzy para a inicialização do processo foi o mais eficiente.
No trabalho proposto por MENDES et al. (2001) a instalação de capacitores é
avaliada conjuntamente sob a ótica de redução de perdas e do conseqüen
lucro na distribuição de energia, além de aspectos operacionais. Esse artigo apresenta uma
nova abordagem via algoritmos genéticos (AGs) como o emprego de um enfoque
memético, onde uma fase de busca local é associado ao algoritmo genético.
A abordagem via algoritmos meméticos se diferencia dos AGs básicos, no emprego
de uma fase de otimização a que são submetidos os novos indivíduos gerados.
Basicamente, a caracterização memética se dá após a mutação dos descendentes, numa
otimização desses descendentes mediante uma busca local. Foi adotada uma estrutura
hierárquica populacional, formado por subgrupos de 4 indivíduos (1 líder e 3 seguido
ombinações ocorrem sempre entre pares de um mesmo subgrupo, imitando um
rtamento multi-populacional, onde as recombinações só ocorrem entre
ulações. A otimização dos descendentes foi feita através de três buscas locais:
(i) Busca
Add/Drop: cada bit do cromossomo é alterado,
Assim, um local candidato escolhido para receber capacitores é desativado ou um
local vazio é suprido com capacitores. Se houve melhora, a mudança é mantida e
passa-se ao bit
(ii) Busca Local de Capacidade: essa busca local testa os tamanhos imediata
inferior e superior do capacitor atua
BAanualperdas
PenPenCustoCapGanhofitness
−
−
−
= (2.8)
onde
12
custoMWhGanho
perdas
perdasredução_5⋅ : custo das perdas na rede (roda-se um 7,8⋅=
Fluxo de Carga e calculam-se as perdas de energia antes e depois da inserção dos
capacitores. O valor é anualizado de MW para MWh pelo fator 8,75);
n
i
)( +
1
acitores anualizados para um horizonte de n
anual
CustoCap
−
=
1
1
: custo dos cap
anos e uma taxa de juros
i;
o na compra dos capacitores por ano;
=
capacitores permitidos e numCap é número de
de
uan icar a potência reativa a ser alocada. A
interpretação dos multiplicadores de Lagrange (
CustoCapi
⋅
2
]),0(max[ GastoMaxCustoCapPen
anualA
−= : restrição de orçamento, onde GastoMax é o
máximo gasto permitid
2
]),0(max[ numCapMaxnumCapPen − : restrição de número de capacitores, onde
numCapMax é o máximo número de
B
capacitores alocados.
O resultado obtido utilizando uma abordagem via algoritmos meméticos se mostrou
interessante e trouxe resultados válidos.
O trabalho de SOUSA (2003), inicialmente, simula um fluxo de potência ótimo
cuja função objetivo é a minimização das perdas de transmissão. O problema é resolvido
pelo Método dos Pontos Interiores versão Primal-Dual. Os multiplicadores de Lagrange
obtidos da solução do FPO são utilizados para se terminar as barras que são candidatas a
terem alocação de reativos. A partir da determinação destas barras, um problema de
programação linear é resolvido a fim de q tif
i
q ) relacionadas às equações de balanço
λ
de potência reativa, é que eles fornecem uma relação de sensibilidade entre a função
objetivo (f(x)) e a variação de carga reativa
i
Pd :
i
i
Pd
xf
q
∂
∂
=λ
)(
i=1,...,nb (2.9)
Ou seja, as barras com os maiores multiplicadores de Lagrange indicam aquelas
barras cuja variação de carga reativa mais influencia as perdas totais, sendo essas
candidatas naturais a terem alocação de reativo.
Em seguida, a partir da matriz Jacobiana do sistema elétrico representado, obteve-
se uma matriz de sensibilidade S:
13
Q
V
S
∂
∂
= (2.10)
que relaciona variações de tensões para variações de carga reativa.
Assim, considerando que uma mudança na injeção de reativo ∆Q
j
na barra j, cause
uma variação ∆V
i
na tensão da barras de carga i, tem-se:
⎤
⎢
⎡
∆
⎥
⎤
⎢
⎡
⎥
⎤
⎢
⎡
∆
m
Q
SSS
V
Μ
ΜΟΜΜ
Λ
Μ
1
11211
1
rovoc o de reativos fiquem dentre dos limites operacionais
de tensão das barras consideradas. A partir da determinação destas barras, aplica-se o
método Simplex com a finalidade de determinar a
A formulação do problema é:
(2.12)
⎥
⎦
⎢
⎣
∆
⎥
⎦
⎢
⎣
⎥
⎦
⎢
⎣
∆
m
kmkk
k
Q
SSS
V
Λ
21
onde
k é o número de barras de carga e m o número de barras onde serão alocados reativos.
Com este sistema de equações lineares, formula-se um problema de minimização
onde se pretende minimizar as variações de injeção de reativo (∆Q) nas barras pré-
selecionadas pelos multiplicadores de Lagrange, de modo que as variações nas tensões
⎥
⎥
⎢
⎢
∆
⋅
⎥
⎥
⎢
⎢
=
⎥
⎥
⎢
⎢
∆
m
QSSS
V
2222212
(2.11)
⎥
p adas pelas variações de injeçã
quantidade de reativos a serem alocados.
j
m
j
Q∆
∑
=1
min
QSV ∆⋅=∆
onde
Os resultados obtidos mostraram-se coerentes com a teoria e produziram excelentes
respostas. A solução do problema de programação linear alocou reativos elevando os
níveis de tensão para
0Q
VVVV
≥∆
≤∆+≤
as ..
valores bem próximos do limite mínimo desejado, o qual não foi
atingido em alguns casos devido ao fato de o fluxo de carga ser um problema não linear e
14
de a abordagem apresentada utilizar uma aproximação linear para quantificar a potência
reativa a ser alocada.
Recentemente, PEREIRA, COSSI e MANTOVANI (2006) abordaram a alocação
de banco de capacitores como um problema multiobjetivo e resolvido por um algoritmo
evolutivo que utiliza um esquema de codificação e op
eradores genéticos projetados e
direcio
ando um número de
soluçõe
tes segundo os autores dos trabalhos
apresen
o observado na revisão bibliográfica apresentada acima, os critérios de
otimização comumente utilizados para o problema de alocação de BCs são a minimização
capacitores e penalização dos limites de tensão. Ou seja,
ata-se de um problema de otimização multiobjetivo, o qual será considerado na
nados para considerar as características específicas do problema de alocação de
capacitores. No entanto, o que chama a atenção nesse trabalho, é a consideração além das
de praxe como minimização das perdas ativas e custos dos capacitores, é a introdução das
restrições de tensão como uma segunda função objetivo.
Como descrito, muitos trabalhos encontrados na literatura utilizam a técnica de
Algoritmos Genéticos para solução do problema de alocação de capacitores, pois a mesma
pode tratar de problemas de otimização com vários critérios de otimização (minimização
do custo das perdas, custo dos capacitores, incorporação dos limites de tensão e outros) e
que possuem um grande número de mínimos locais, onde a solução ótima global é difícil
de ser encontrada. Como os AGs operam sobre uma população de candidatos em paralelo,
podem fazer a busca em diferentes áreas do espaço de soluções, aloc
s apropriadas para busca em várias regiões, ao contrário dos métodos de otimização
tradicionais, onde a inicialização do algoritmo é feita com um único candidato, que
iterativamente é manipulado utilizando, geralmente, métodos determinísticos para
resolução de um problema (SUNDHARARAJAN e PAHWA, 1994).
De um modo geral, as técnicas de solução do problema de alocação de capacitores
em redes de distribuição se mostraram eficien
tados nesta seção, porém o desempenho dos Algoritmos Genéticos foram maiores
quando utilizado em conjunto com outras técnicas, como simulated annealing (SA),
programação linear, lógica
fuzzy, programação evolucionária ou mesmo utilizando um
modelo híbrido matemático/algoritmo genético.
Com
das perdas ativas, dos custos dos
tr
seqüência.
15
2.3 Otimização Multi-Objetivo
Um problema de otimização multiobjetivo consiste em determinar um vetor de
variáveis de decisão que otimiza uma função vetorial, cujos elementos representam os
índices de desempenho a serem otimizados. A solução que minimiza um índice
provavelmente não minimiza os outros índ
ices, sendo assim, necessário introduzir o
conceit
cabe colocar que não existe somente uma solução ótima para o
problem
om os indivíduos dominantes para
ada objetivo individualmente. Ou seja, segundo o conceito de dominância, uma solução
olução não é pior que as outras em todos os objetivos ou
uando a mesma é estritamente melhor que as outras em pelo menos um objetivo
(PERE
rio de difícil
solução
o de Otimalidade de Pareto. Segundo esse conceito, uma solução viável para um
problema de programação multiobjetivo é uma solução de Pareto, se não existir outra
solução que irá produzir uma melhora em um objetivo sem causar uma degradação em pelo
menos um dos outros objetivos (LIN, 1976).
Como o problema de alocação de bancos de capacitores é um problema de
otimização multiobjetivo
a abordado e sim um conjunto de possíveis soluções denominadas eficientes ou
Pareto-ótimo. E, como não se conhece a importância de cada um dos objetivos todas as
soluções Pareto-ótimo são igualmente importantes (PEREIRA JUNIOR, COSSI e
MANTOVANI, 2006).
Existem diversos métodos para obtenção do conjunto de soluções Pareto (LIN,
1976): método dos pesos, das restrições, método que otimiza com hierarquia, o método do
critério global, programação de metas e outros. Mas, como o problema neste trabalho será
resolvido por Algoritmos Genéticos, o mesmo pode ser aliado ao C
ritério da Otimalidade
de Pareto
afirmando-se que a lista-Pareto é preenchida c
c
domina a outra quando esta s
q
IRA JUNIOR, COSSI e MANTOVANI, 2006).
2.4 Análise de Sensibilidade
Como a alocação de banco de capacitores é um problema combinató
e com tempo de processamento elevado, há alguns trabalhos que procuram reduzir
o universo de solução do problema original, através da utilização da análise de
16
sensibilidade da Matriz Jacobiana. A partir dela, pode-s onar previamente os
Entre os
e seleci
melhores locais de instalação reduzindo o número de variáveis do problema.
trabalhos que utilizam essa técnica, pode-se citar o já mencionado artigo
de SUNDHARARAJAN e PAHWA (1994), que alocam inicialmente capacitores em
barras selecionadas a partir do vetor de sensibilidade (
Q∂
∂
Perdas
) obtida a partir do
Jacobiano (
J).
Semelhantemente, BALA, KUNTZ e PE
LLI e ROMERO (2001) calculam a sensibilidade de perdas em relação à
potência reativa utilizando a expressão:
BLES (1997) e GALLEGO,
MONTICE
iiii
PQ
Q
Perdas
...2
βα
+=
∂
∂
(2.13)
sendo que
VV
.cosr
ji
ij
⎥
⎥
⎦
⎤
⎢
⎢
⎣
⎡
⋅
−
=
ii
i
δδ
α
(2.14)
VV
.senr
ji
ij
⎥
⎥
⎦
⎤
⎢
⎢
⎣
⎡
⋅
−
=
i
β
ii
δδ
(2.15)
onde
: resr
ij
istência na linha i-j
i
V : magnitude de tensão na barra i
i
δ
: defasagem angular da barra i.
A obtenção da relação
Q∂
∂
Perdas
não é tarefa trivial, assim, pela ade da
expressão (2.13) e levando em conta que esta análise pode indicar as melhores barr
simplicid
as para
alocar os capacitores, reduzindo assim o tempo de processamento do algoritmo, a mesma
será utilizada neste trabalho. Ou seja, as barras com as maiores relação
Q∂
∂
Perdas
são as
inicialmente selecionadas para receberem os BCs pela técnica de solução adotada.
Além de se procurar as barras onde a relação entre as perdas ativas e a potência
reativa são grandes, também existe interesse em se buscar por barras onde a relação entre
17
potência reativa e as magnitudes de tensão são significativas (SOUSA, 2003), indicando
que nessas barras há uma boa resposta do perfil de tensão ao se variar a injeção de potência
reativa. Assim sendo, essa relação é também utilizada nesse trabalho (seção 3.6 no
Capítulo 3) a fim de se escolher as primeiras barras a serem alocadas por BCs.
Essa seleção inicial por barras potenciais não é muitas vezes adotada por alguns
pesquisadores
por se entender que o problema é de planejamento e assim não requer
pidez na obtenção da solução do mesmo (estudo
off-line), mas de qualquer forma, se for
oritmo, a implementação e a possível
comprovação da eficácia desta técnica de sensibilidade será uma grande contribuição para
este tra
ra alocar os bancos de capacitores requerem uma avaliação de
cada so
culares das redes de distribuição, tais como, a baixa relação X/R
(reatân
s para solução do problema de fluxo de potência em redes
de distribuição radiais estão disponíveis na literatura especializada. Esses métodos estão
divididos em duas grandes categorias: o Método da “Soma das Correntes (SDC) ou das
Potências (SDP)”, conhecidos como “Varredura Frente e Trás”; e os métodos baseados na
“Impedância Nodal Implícita”.
ra
possível reduzir o tempo de processamento do alg
balho.
2.5 Fluxo de Potência em Redes de Distribuição
Os AGs utilizados pa
lução gerada. Para que se faça essa avaliação é necessária a obtenção do novo
estado da rede elétrica com a instalação dos bancos selecionados a fim de se verificar as
perdas e a melhoria no perfil de tensão, ou seja , é necessário a resolução de um fluxo de
carga.
Os métodos usuais de Fluxo de Carga utilizados em sistema de transmissão, tais
como os métodos de Newton-Raphson e Desacoplado Rápido, não apresentam
desempenho adequado no caso de redes de distribuição radiais devido a problemas de
dominância e mau-condicionamento da matriz de admitância nodal. Esse fato resulta de
características parti
cia/resistência) dos parâmetros dos alimentadores, trechos com impedâncias
relativamente baixas (representação de chaves, reguladores de tensão e trechos pequenos
de linha entre cargas muito próximas) associados a outros com valor de impedância
relativamente alto.
Vários métodos eficiente
18
SHIRMOHAMMADI et al. (1998) apresentam a metodologia do cálculo do FP via
SDC para redes radiais de distribuição de energia, a qual é ilustrada através da rede
apresentada na Figura 2.1, onde L1 é o nó denominado superior e L2 denominado, inferior.
Figura 2.1 – Topologia da Rede e a Rede Dividida em Camadas.
O método proposto segue seguintes passos básicos:
1.
Cálculo da Corrente Nodal: na iteração k, a injeção de corrente I
i
(k)
no nó i é
calculada da seguinte forma:
niVYVSI
k
ii
k
ii
k
i
,....,2 ,1 )(
)1(*)1(
=−=
−−
(2.16)
onde V
i
(k-1)
é a tensão no nó i calculada na iteração (k-1), S
i
é a injeção de
potência no nó i e Y
i
é a soma de todos os elementos shunt no nó i.
2.
Varredura Trás: começando da extremidade da rede, e caminhando até o nó
raiz, a corrente no ramo J
L
no ramo L é calculada da seguinte forma:
1 ,...,1 ,
2
)(
2
)(
b-bL
Lnóaoligados
nos ramosCorrentes
IJ
k
L
k
L
=+−=
∑
(2.17)
onde I
L2
é a injeção de corrente no nó L2 (indicado na figura 2.1), essa fórmula
é aplicação direta da Lei de Kirchoff das Correntes.
3.
Varredura Frente: A partir do nó raiz, e caminhando para o final da rede, as
tensões são então atualizadas. Para cada ramo L, a tensão no nó L2 é calculada
19
utilizando a tensão atualizada no nó L1 e a corrente no ramo nesse passo é
calculada da seguinte maneira:
, ...,b, L JZVV
(k)
LL
(k)
L
(k)
L
21
12
=−= (2.18)
onde Z
L
é a impedância série do ramo L. Essa formula é aplicação direta da Lei
de Kirchoff das Tensões.
Esses três passos são então repetidos até que um critério de convergência seja
atingido, como por exemplo, não haja mais variação no módulo de tensão das barras de
uma iteração para outra.
Segundo o artigo, a técnica se mostrou robusta e eficiente, resolvendo sistemas com
um grande número de nós e ramos mais rapidamente que os métodos de solução de FP
convencionais, sendo a mesma frequentemente citada e utilizada por diversos trabalhos.
SRINIVAS (2000) fez um apanhado geral sobre as técnicas utilizadas na solução
dos problemas de FP em redes radiais de distribuição de energia. Dentre elas o já citado
Método “Frente e Trás” e “Impedância Nodal Implícita”.
O Método “Frente e Trás”, que consiste basicamente em duas etapas: varredura
direta e inversa até que seja atingida uma condição de convergência possui duas variantes:
• “Soma das Correntes” proposta inicialmente por SHIRMOHAMMADI et
al. (1988), onde a formulação é baseada em termos de corrente.
• “Soma das Potências” proposta inicialmente por BROADWATER et al.
(1988), onde a formulação é baseada em termos de potência.
A metodologia utilizada neste trabalho para o cálculo do FP foi a via SDP que está
apresentada no Apêndice A. Adotou-se a mesma pela simplicidade de se trabalhar
diretamente com potências, que são os valores comumente utilizados.
Os métodos baseados na matriz impedância nodal implícita foram propostos por
CHEN (1991) e utilizam uma formulação mais adequada para sistemas malhados.
Baseiam-se na formação e fatoração da matriz de admitância nodal (Ybarra) e injeções de
corrente equivalentes para resolver a rede. Nesse método, o efeito da fonte e das cargas é
20
representado separadamente por superposição. A seguir é mostrado os passos detalhados
do algoritmo:
1. Inicializa o algoritmo estimando as tensões nas barras e calculando a
Ybarra.
2. Otimiza a ordenação e fatora a Ybarra.
3. Computa as injeções de corrente nas barras para os carregamentos dos
transformadores, cogeradores, elementos shunt e carregamento das linhas.
4. Calcula os desvios de tensão devido às injeções de corrente usando a Ybarra
fatorada.
5. Aplica o princípio da superposição e atualiza todas as tensões nas barras.
6. Verifica a convergência, se não convergiu, retorna ao passo 3.
7. Computa o fluxo nas linhas e calcula as perdas no sistema.
2.6 A Corrente Inrush
A energização de um banco automático de capacitores implica sempre no
aparecimento de uma corrente transitória denominada corrente inrush. O valor máximo,
bem como a freqüência dessa corrente, depende da tensão aplicada, da reatância do circuito
(capacitância e indutância), da carga armazenada no capacitor a ser energizado e do
amortecimento provocado pela existência de resistores de pré-inserção e/ou outras
resistências do circuito.
Quando já existem capacitores ligados na rede a corrente Inrush apresenta valores
mais elevados (IEEE, 1973). As fórmulas para o cálculo dessas correntes inrush para as
diversas configurações dos bancos foram obtidas de IEEE Std 342-1973 / ANSI C.
37.0731-1973 (1973) e serão apresentadas a seguir.
a) Energização de um Banco Isolado
kinrush
III .41,1
3
=
(2.19)
onde
I
inrush
: Corrente Inrush em amperes;
ck
II ⋅= 15,1
;
21
I
C
: Corrente nominal do banco de capacitores em amperes;
I
3
: Corrente de curto-circuito trifásico no ponto de instalação do banco de capacitores em
amperes.
b) Energização de um Banco com Outro Ligado no Mesmo Circuito
)(
..
1747
21
21
kkeq
kkff
inrush
IIL
IIV
I
+
=
(2.20)
onde
I
inrush
: Corrente Inrush, em amperes;
11
15,1
ck
II ⋅=
;
22
15,1
ck
II ⋅=
;
I
c1
e I
c2
: Correntes nominais dos bancos de capacitores 1 e 2, em amperes;
V
ff
: Tensão fase-fase, [V];
L
eq
: Indutância total equivalente por fase entre bancos de capacitores, [µH].
c) Energização de um Banco de Igual Potência Ligado no Mesmo Circuito
eq
kff
inrush
L
IV
I
.
1235=
(2.21)
onde
I
inrush
: Corrente Inrush, em amperes;
ck
II ⋅= 15,1
I
c
: Corrente nominal do banco de capacitor, em amperes;
V
ff
: Tensão fase-fase, [V];
L
eq
: Indutância total equivalente por fase entre bancos de capacitores, [µH].
2.7 Considerações Finais
Devido às boas características dos AGs, descritas nesse capítulo, escolheu-se essa
técnica para solução do problema de alocação de banco de capacitores em redes de
distribuição, visando determinar o tamanho dos BCs e tipo dos bancos de capacitores
(fixos ou automáticos).
22
Não foi selecionado nenhum tipo de modelo híbrido, pois o maior interesse do
trabalho não é um estudo comparativo de técnicas com o intuito de se obter melhores
tempos de processamento, mas o de contribuir com maior aprimoramento da formulação
matemática do problema de forma a se obter melhor qualidade do serviço de energia
elétrica.
Para tanto, além dos critérios de otimização comumente utilizados, tais como, a
minimização das perdas ativas, dos custos dos capacitores e penalização dos limites de
tensão serão também utilizados: (i) penalização de quedas de tensão acima de 4% a partir
da saída do alimentador; e (ii) minimização de correntes inrush que surgem quando da
energização dos bancos de capacitores; o que caracteriza este problema como um problema
de otimização multiobjetivo. A penalização das quedas de tensão é um critério
complementar a fim de se garantir alternativamente a qualidade de suprimento. A
utilização da mesma advém de um estudo da EDF (ELETRICITÉ DE FRANCE, 1979) que
formula os custos incorridos à concessionária por quedas de tensão ao longo do
alimentador. Já a minimização das correntes inrush tem como objetivo obter espaçamentos
ótimos entre os bancos automáticos a fim de se evitar que essas correntes atinjam valores
elevados e, por exemplo, danifiquem elos fusíveis das chaves quando das energizações ao
longo dos períodos considerados. Esses critérios serão detalhados no Capítulo IV.
Além da formulação matemática, o Capítulo IV também descreve a implementação
de algumas técnicas de sensibilidade (GALLEGO, MONTICELLI e ROMERO, 2001 e
SOUSA, 2003) a fim de acelerar a convergência do algoritmo, utilizando-as na
inicialização do processo de otimização.
A metodologia desenvolvida será testada em redes de distribuição e, espera-se que
os resultados após as simulações sejam satisfatórios.
CAPÍTULO III
ALGORITMOS GENÉTICOS
3.1 Introdução ( LEITE, 2003)
Algoritmos Genéticos (AGs) são programas evolutivos inspirados na Teoria de
Seleção Natural. Eles atuam sobre uma população de indivíduos baseados no fato de que
os indivíduos com boas características genéticas têm maiores chances de sobrevivência e
de produzirem descendentes cada vez mais aptos, enquanto os indivíduos menos aptos
tendem a desaparecer.
Eles trabalham sempre com as áreas mais promissoras do espaço de busca (DE
OLIVEIRA GALVÃO e VALENÇA, 1999) e (HAUPT e HAUPT, 1998), utilizando para
isso, uma classe de procedimentos que compreendem um conjunto de passos distintos e
bem especificados, na qual cada um destes passos possui muitas variações possíveis.
Assim, para cada indivíduo da população atual, chamado cromossomo, é aplicado um
mecanismo de reprodução, baseado em processo evolutivo com o objetivo de explorar o
espaço de busca e encontrar melhores soluções para o problema (RABELO e OCHI, 1996).
Nessa tarefa de busca ou otimização, são consideradas todas as possibilidades de
solução de um determinado problema, e a função de avaliação ou função de custo é uma
maneira de avaliar as soluções no espaço de busca. Existem muitos métodos de busca e
funções de avaliação (GOLDBERG, 1997).
Os AGs diferem dos métodos tradicionais de otimização, principalmente em quatro
aspectos (GOLDBERG, 1997) e (REZENDE, 2003):
1. Trabalham com uma codificação do conjunto de parâmetros e não com os
próprios parâmetros;
2. Trabalham com um espaço de busca, onde estão todas as possíveis
soluções do problema e não um único ponto;
3. Utilizam informação de custo ou recompensa e não derivadas ou outro
conhecimento auxiliar;
24
4. Utilizam regras de transição probabilísticas e não determinísticas.
Os AGs são muito eficientes para busca de soluções ótimas, ou aproximadamente
ótimas, em uma grande variedade de problemas, pois não impõem muitas das limitações
encontradas nos métodos de busca tradicionais. Baseiam-se na evolução biológica e são
capazes de identificar e explorar fatores ambientais e convergir para soluções ótimas em
níveis globais, contornando a ocorrência de ótimos locais. Além de seguir uma estratégia
de gerar e testar soluções, são capazes de identificar e explorar aspectos do ambiente onde
o problema está inserido e convergir globalmente para soluções ótimas ou
aproximadamente ótimas (GOLDBERG, 1997) e (HOLLAND, 1992).
Em síntese, eles baseiam-se inicialmente na geração de uma população formada por
um conjunto aleatório de indivíduos que podem ser vistos como possíveis soluções do
problema. Durante o processo evolutivo, esta população é avaliada: para cada indivíduo é
dado um índice, refletindo sua habilidade de adaptação a determinado ambiente. Uma
porcentagem dos mais adaptados é mantida, enquanto os outros são descartados. Os
membros mantidos pela seleção podem sofrer modificações em suas características, através
de mutações e recombinação, gerando descendentes para a próxima geração. Este processo,
chamado de reprodução, é repetido até que um conjunto de soluções satisfatórias seja
encontrado, conforme apresentado no Algoritmo 1.
Algoritmo 1: Algoritmo Genético típico
Seja S(t) a população de indivíduos na geração t.
t ← 0
inicializa S(t)
avaliar S(t)
enquanto o critério de parada não for satisfeito faça:
t ← t+1
selecionar S(t) a partir de S(t-1)
aplicar recombinação sobre S(t)
aplicar mutação sobre S(t)
avaliar S(t)
Fim enquanto
25
Embora possam parecer simplistas do ponto de vista biológico, esses algoritmos são
suficientemente complexos para fornecer mecanismos poderosos e robustos de busca
adaptativa (DOS SANTOS COELHO, 2003) e (GOLDBERG, 1997).
Vários trabalhos vêm sendo desenvolvidos com aplicação de técnicas de
Algoritmos Genéticos, as quais são extremamente interessantes como ferramentas de busca
e otimização na solução dos mais diferentes tipos de problemas (BEASLEY, BULL e
MARTIN, 1992), (BEASLEY, BULL e MARTIN, 1993), (WHITLEY, 1993) e
(REZENDE, 2003).
3.2 Terminologia
Baseado na teoria da evolução pode-se dizer que o meio ambiente é o responsável
pela seleção em cada geração dos seres vivos mais aptos de uma população. Logo, somente
os mais aptos conseguem passar suas características genéticas para as demais gerações,
pois os menos adaptados são eliminados antes de gerarem descendentes. No processo de
reprodução são aplicados os operadores genéticos de mutação e recombinação
(cruzamento), entre outros, que atuam sobre o material genético armazenado nos
cromossomos e, com isso, tem-se a variabilidade dos indivíduos na população. A
sobrevivência do mais adaptado é determinada pela seleção natural.
Algoritmos Genéticos sofrem grande influência da biologia, em suas definições,
isso explica muitos termos semelhantes, utilizados por este método (DE OLIVEIRA
GALVÃO e VALENÇA, 1999).
A seguir serão apresentados alguns termos comumente encontrados na literatura:
• Cromossomo: segmento do filamento cromático que se destaca por ocasião da
divisão celular indireta, constituindo unidades definidas na formação do novo
ser. Nos AGs este representa a estrutura de dados que codifica uma solução para
um problema, ou seja, um indivíduo no espaço de busca.
• Gene: partícula do cromossomo em que se encerram os caracteres hereditários.
Nos AGs, é um parâmetro codificado no cromossomo, ou seja, um elemento do
vetor que representa o indivíduo.
26
• Genótipo: constituição hereditária de um indivíduo. Nos AGs, representa a
informação contida no indivíduo.
• Fenótipo: diz-se dos indivíduos de um grupo que apresentam caracteres
exteriores iguais, mas que diferem pelo seu genótipo. Nos AGs, representa o
objeto, estrutura ou organismo construído a partir das informações do genótipo,
ou seja, a decodificação do indivíduo.
Na próxima seção, serão abordados alguns operadores genéticos tradicionais,
comumente mente utilizados na literatura.
3.3 Características Gerais e Representação
A aplicação de operadores genéticos tem como objetivo a produção de novos
indivíduos a partir de indivíduos existentes. O princípio básico dos operadores é fazer com
que a população, através de sucessivas gerações, estenda a busca até chegar a um resultado
satisfatório. A grande utilidade destes operadores é fazer com que a população se
diversifique e mantenha características de adaptação adquiridas pelas gerações anteriores.
Quando se trabalha com Algoritmos Genéticos para resolução de problemas, o
grande desafio está exatamente na codificação, ou qual a melhor maneira de representar o
problema, que deve ter uma estrutura de dados, geralmente vetores ou cadeias de valores
binários (estruturas mais tradicionais, porém nem sempre as mais indicadas), reais ou
inteiros. Esta estrutura é chamada de indivíduo ou cromossomo, e cada bit chamado de
gene.
O indivíduo representa o conjunto de parâmetros de variáveis da função objetivo
cuja resposta será maximizada ou minimizada. O conjunto de todas as configurações que o
indivíduo pode assumir forma o espaço de busca. Por exemplo, se o indivíduo representa n
parâmetros de uma função, então o espaço de busca é um espaço com n dimensões. A
maioria das representações genotípicas, utiliza vetores de tamanho finito com um alfabeto
também finito (REZENDE, 2003).
Normalmente, o genótipo de um indivíduo é representado por um vetor binário,
onde cada elemento do vetor denota uma ou outra característica de uma determinada
propriedade. Os elementos podem ser combinados formando as características reais do
27
indivíduo, ou seja, o seu fenótipo. Portanto, essa representação é independente do
problema, pois uma vez encontrada a representação em vetores binários, as operações
padrões podem ser utilizadas, facilitando o seu emprego em diferentes classes de
problemas (SPEARS et al., 1993).
A representação binária é historicamente importante, uma vez que foi utilizada nos
trabalhos pioneiros de John Holland. Além disso, ela ainda é a representação mais
utilizada, por ser de fácil utilização, manipulação e simplicidade de analisar teoricamente.
Contudo, se um problema tem parâmetros contínuos e o usuário desejar trabalhar com
maior precisão, provavelmente acabará utilizando longos indivíduos para representar
soluções, necessitando de uma grande quantidade de memória. Outro aspecto a ser
observado é a não-uniformidade dos operadores; por exemplo, se o valor real de um gene
for codificado por um vetor binário, a mutação nos primeiros valores binários do gene
afetará mais a aptidão do individuo que a mutação nos seus últimos valores (REZENDE,
2003).
A aptidão do indivíduo depende do seu desempenho e é calculada através da função
de avaliação. Em problemas de otimização, a função objetivo é, ela mesma, a candidata
natural ao cargo de função de avaliação ou função de aptidão. Assim, pode-se dizer que a
função de avaliação é dependente do problema em particular. Esta função recebe como
entrada o indivíduo e faz o cálculo da aptidão, ou grau de adaptação, retornando esta
informação.
Uma comparação entre terminologia biológica, terminologia computacional e
terminologia de otimização de reativo a ser utilizada nos Algoritmos Genéticos é
apresentada na Tabela 3.1.
28
Tabela 3.1: Terminologia Biológica x Terminologia Computacional x Terminologia de Alocação
de Reativos.
Biologia Computação Alocação de reativos
Cromossomo Representa um candidato à
solução, ou seja, um ponto no
espaço de busca.
Representa conjunto de informações
úteis para otimizar a quantidade de
reativo na rede.
Gene É um parâmetro codificado no
cromossomo (um único bit, ou
um bloco de bits).
É a localização e determinação do
tamanho do banco de capacitor a ser
instalado em um determinado
alimentador no período de
planejamento.
Recombinação Troca de material genético
entre cromossomos.
Troca de informações entre os
cromossomos.
Mutação Troca aleatória de um
determinado gene do
cromossomo.
Instalação ou não de um determinado
banco de capacitores.
Genótipo Configuração de genes no
cromossomo de um indivíduo.
Codificação das informações do
indivíduo para a rede da
concessionária.
Fenótipo Decodificação de um ou mais
cromossomos.
Decodificação dos indivíduos em um
determinado período de
planejamento.
3.4 Seleção
Nos AGs, é aplicado um critério de seleção para que o conjunto inicial de
indivíduos gere descendentes mais aptos. Quando não existe nenhum conhecimento prévio
sobre a região do espaço de busca onde se encontra a solução do problema na população
inicial, os indivíduos são gerados aleatoriamente. Se houver um conhecimento prévio sobre
a região em que está localizada a solução, ou seja, se forem conhecidas soluções aceitáveis
29
que podem estar próximas à(s) solução(ões) ótima(s), os cromossomos iniciais podem ser
definidos de forma determinada.
Com intuito de privilegiar os indivíduos mais aptos no processo de seleção, a cada
membro da população é atribuído um valor dado por uma função f
apt
, denominada função
objetivo. Esta função recebe como entrada os valores do gene do indivíduo e fornece como
resultado sua aptidão. A aptidão pode ser vista como uma nota que mede o quão boa é a
solução codificada por um indivíduo e é baseada no valor da função objetivo, que é
específica para cada problema.
Para alguns métodos de seleção, é desejável que o valor de aptidão de cada
indivíduo seja menor que 1, e que a soma de todos os valores de aptidão seja igual a 1 (f
apt
< 1 e Σ(f
apt
= 1)). Para isso, para cada indivíduo é calculada a aptidão relativa (f
rel
). A
aptidão relativa para um dado indivíduo é obtida dividindo o valor de sua aptidão pela
soma dos valores de aptidão de todos os indivíduos da população.
A função objetivo, também conhecida por função de avaliação ou função de custo,
é geralmente uma expressão matemática que mede o quanto uma solução está próxima ou
distante da solução desejada (satisfaz o objetivo do problema). Muitas vezes ela inclui
restrições que devem ser satisfeitas pela solução.
No processo de seleção, após associada uma nota de aptidão a cada indivíduo da
população, escolhe-se então um subconjunto de indivíduos da população atual, gerando
uma população intermediária. Vários métodos de seleção têm sido propostos, entre eles se
destacam tradicionalmente: Método da Roleta, Método do Torneio e o Método da
Amostragem Universal Estocástica (REZENDE, 2003) e (DOS SANTOS COELHO,
2003).
3.5 Operadores Genéticos
Dada uma população, para que seja possível gerar populações sucessivas que,
espera-se, melhorem sua aptidão com o tempo, é necessária a aplicação de operadores
genéticos. Estes operadores são: recombinação ou cruzamento e mutação. Eles são
utilizados para assegurar que a nova geração seja renovada, mas possua de alguma forma,
características de seus pais; e são úteis para que a população se diversifique e mantenha
características de adaptação adquirida pelas gerações anteriores. Para prevenir que os
30
melhores indivíduos não desapareçam da população pela manipulação dos operadores
genéticos, eles podem ser colocados automaticamente na próxima geração por meio de
uma política elitista. O princípio básico dos operadores genéticos é, então, transformar a
população por meio de sucessivas gerações, estendendo a busca até chegar a um resultado
satisfatório.
O operador de mutação é necessário para a introdução e manutenção da diversidade
genética da população, alterando arbitrariamente um ou mais componentes de uma
estrutura escolhida, o que fornece meios para introdução de novos elementos na população.
Desta maneira, a mutação assegura que a probabilidade de chegar a qualquer ponto do
espaço de busca nunca será zero, além de contornar o problema de mínimos locais, pois
este mecanismo altera levemente a direção da busca. O operador de mutação é aplicado aos
indivíduos com uma probabilidade dada pela taxa de mutação (0,001 ≤ P
m
≤ 0,1);
geralmente se utiliza uma taxa de mutação pequena, pois é um operador genético
secundário. Uma baixa taxa de mutação previne que a busca fique estagnada em sub-
regiões do espaço de busca. Além disso, possibilita que qualquer ponto do espaço de busca
seja atingido. Com uma taxa muito alta a busca se torna essencialmente aleatória. Um
exemplo de como ocorre a mutação é mostrado na Figura 3.1.
Figura 3.1 : Exemplo de mutação.
O cruzamento é o operador responsável pela recombinação de características dos
pais durante o processo reprodutivo, permitindo que as próximas gerações herdem essas
características. Ele é considerado o operador genético predominante, por isso é aplicado
com probabilidade dada pela taxa de cruzamento (0,6 ≤ Pc ≤ 0,99), sendo maior que a taxa
de mutação. Quanto maior for essa taxa, mais rapidamente novas estruturas serão
introduzidas na população. Mas se for muito alta, estruturas com boas aptidões poderão ser
31
retiradas mais rapidamente que a capacidade da seleção em criar melhores estruturas. Se a
taxa for muito baixa, a busca pode estagnar.
Os operadores genéticos citados anteriormente, podem ser utilizados de várias
maneiras. Os mais tradicionais são:
Cruzamento de Um-ponto: um ponto de cruzamento é escolhido. A partir deste
ponto, as informações genéticas dos pais serão trocadas. As informações anteriores a este
ponto em um dos pais são ligadas às informações posteriores a este ponto no outro pai,
como mostrado na Figura 3.2
Figura 3.2 : Exemplo de cruzamento de um ponto.
Cruzamento de Dois-pontos ou Multipontos: no cruzamento de 2 pontos, ou
multipontos, é realizada a troca de material genético através de mais de um ponto
previamente definidos, como apresentado na Figura 3.3. É uma generalização da idéia de
troca de material genético através de pontos, em que vários pontos de cruzamento podem
ser utilizados.
Figura 3.3 : Exemplo de cruzamento de dois pontos.
32
Cruzamento Uniforme: no cruzamento uniforme é gerado um indivíduo que é
denominado como um vetor de bits aleatórios.
Se o primeiro bit do vetor aleatório é 1, então o primeiro bit do Pai1 é copiado para
o primeiro bit do filho1, caso contrário o primeiro bit do pai2 é copiado. O processo se
repete para os bits restantes do filho1.
Na geração do segundo filho, o processo é invertido. Se o valor no vetor aleatório é
1, então será copiado o bit do pai2. Se o bit for 0 será copiado o bit do pai1, conforme
apresentado na Figura 3.4.
O filho contém uma recombinação genética, ou seja, tem características dos dois
pais. O número de troca de pontos não é fixo, costuma-se utilizar a metade do
comprimento do indivíduo, metade do número de genes, como as quantidades de pontos
que serão trocados entrem os pais na criação do indivíduo (BEASLEY, BULL e MARTIN,
1993).
Figura 3.4: Exemplo de cruzamento uniforme.
Elitismo: o elitismo tem como função copiar os melhores indivíduos de uma
geração para a próxima geração. Por exemplo, copiar os dois melhores indivíduos para a
próxima geração, conforme demonstrado na Figura 3.6.
Figura 3.6 - Exemplo de elitismo.
33
3.6 Considerações Finais
De um modo em geral, os AGs apresentam-se como uma ótima ferramenta na
solução de problemas de otimização, sendo que os operadores genéticos auxiliam na busca
por melhores soluções, os cruzamentos auxiliam na criação de novos bons indivíduos, a
mutação tenta evitar o problema dos mínimos locais e o elitismo garante que os melhores
indivíduos não sejam perdidos a cada geração, tornando assim, o algoritmo uma opção
robusta e eficaz para a aplicação no problema de alocação de reativos.
No próximo capítulo será apresentada a metodologia para a alocação de banco de
capacitores adotada nesse trabalho.
CAPÍTULO IV
FORMULAÇÃO DO PROBLEMA DE OTIMIZAÇÃO
4.1 Introdução
Este capítulo apresenta os métodos utilizados atulamente pela maioria das
concessionárias de energia elétrica para identificar os melhores pontos susceptíveis à
instalação de bancos de capacitores em redes de distribuição de energia elétrica, bem como
a metodologia proposta neste trabalho para resolver o problema da alocação dos BCs na
rede de distribuição de energia elétrica.
Estes métodos são baseados na experiência dos seus operadores assim, a
compensação reativa pode não ser a ideal, portanto, a metodologia proposta neste trabalho
visa resolver o problema da alocação de BCs através de um método de busca eficiente e
confiável, auxiliando assim a concessionária na tomada de decisões.
4.2 Metodologia Utilizada pelas Empresas Distribuidoras
A metodologia utilizada pelas concessionárias para resolver o problema da
compensação de reativos, considera que os bancos devem localizar-se ao longo da rede de
forma a reduzir o fluxo reativo da mesma (COPEL, 1992).
Primeiramente é feita uma simplificação na rede de distribuição, onde as
ramificações são desprezadas, e somente o tronco principal da rede é utilizado na análise
dos melhores pontos para a alocação. Os bancos devem localizar-se ao longo do
alimentador, já simplificado, de forma a reduzir o fluxo reativo ao longo do sistema.
Uma vez conhecido o perfil de reativo do alimentador e a potência dos bancos a
serem utilizados, a sua localização é feita do fim para o início do alimentador e nos pontos
onde o fluxo de potência reativa é aproximadamente metade da potência do banco de
capacitores a ser instalado, levando-se em conta a compensação dos bancos já localizados,
conforme o ilustrado a seguir:
35
Figura 4.1 - Perfil do reativo do alimentador.
Segundo as regras práticas, a instalação de um banco de capacitores de 600 kvar no
alimentador, que inicialmente está sem capacitores (Figura 4.1), deve ser feita no último nó
(enumerado da esquerda para a direita), pois o fluxo de reativo circulante nessa última
porção do circuito é a metade do valor do capacitor. Na seqüência, a instalação de um
segundo banco de capacitores de 600 kvar, considerando o fluxo remanescente provocado
pela instalação do primeiro capacitor, é feita na penúltima barra do alimentador, o qual
restabelece um fluxo de reativo vindo da subestação 600 kvar menor. Seguindo o mesmo
raciocínio, instala-se o terceiro capacitor na antepenúltima barra desse alimentador.
Os BCs são dimensionados de acordo com a potência reativa que se deseja
compensar, tornando assim o fator de potência na barra de saída da subestação próximo de
1,0. Em alimentadores de subestações de distribuição (69 kV) com operador em atividade
permanente, a potência do banco é dimensionada pela curva de carga de alimentadores.
Em alimentadores de subestações de subtransmissão 34,5/13,8 kV sem operador
permanente, o dimensionamento do banco é estimado por método indireto, através do
calculo do fluxo de potência.
Caso seja necessário, poderão ser feitas medições de potência reativa no ponto de
instalação do banco.
36
4.2.1 Regras Práticas para a Instalação de BCs
A seguir são apresentados alguns procedimentos que são tomados para a instalação
de capacitores em alimentadores de distribuição.
1. Manter um fator de potência mínimo de 0,95 durante o período de carga
média e pesada, na saída do alimentador.
2. A máxima compensação resultante deverá ser limitada pelo fator de
potência (FP) igual a 1,0 no início do alimentador em carga máxima,
admitindo-se em determinados períodos o FP levemente adiantado, desde
que não ocorra sobretensões no consumidor.
3. Instalar os BCs no tronco do alimentador.
4. Localizar os BCs próximos a grandes consumidores industriais.
5. Em alimentadores com carga residencial, comercial e grandes consumidores
industriais localizar os bancos no centro de carga de uma área do
alimentador.
6. Não instalar BCs em ramais protegidos por chaves fusíveis, pois em caso de
abertura involuntária em uma das fases no lado da fonte, provocará a
energização da fase aberta através dos capacitores conectados em estrela
isolada, como mostrado na figura 4.2 abaixo.
VA
VB
VC
IA
IB
IC
Figura 4.2 - BC ligado em estrela isolada.
7. Instalar os BCs a uma distância mínima de 1,0 km da subestação, ou a uma
distância que minimize os efeitos da corrente inrush.
8. Espaçar os BCs de um mesmo alimentador a uma distância de no mínimo
1,0 km ou em intervalos que minimizem os efeitos da corrente inrush.
37
9. Os BCs fixos devem ser dimensionados para compensação de reativos em
carga leve e os automáticos em carga média e pesada.
10. Analisar cuidadosamente se a elevação de tensão devido a instalação do
banco não provocará sobretensão no consumidor, isto, tanto na configuração
normal como de emergência do alimentador.
Dessas regras práticas utilizadas pelas concessionárias se utilizarão nesse trabalho
as considerações enumeradas 3, 6, 8, 9 e 10 acima.
Os itens 3 e 6 serão contemplados ao se selecionar as barras candidatas a alocação
de bancos.
O fato de utilizar os BCs fixos para carga leve e os automáticos para carga pesada e
média vem de que, quando existe sobre-compensação de reativos na rede, as perdas
elétricas aumentam, por isso o algoritmo dimensiona os capacitores fixos para carga leve e
complementa a compensação com bancos automáticos que só entram em operação para as
condições de maior carga (pesada e média). Assim, não existe excedente de reativos na
condição de carga leve, nem falta de reativos nas condições de carga pesada e média.
4.2.2 Operação dos Controles dos Capacitores Automáticos
A solicitação de potência reativa é variável ao longo do dia, e a entrada de
capacitores em operação causa elevação na tensão que pode ser demasiada, principalmente
em períodos de carga leve. Como também é inviável a colocação e retirada do
equipamento por operação manual diariamente, os BCs são acoplados a controles
automáticos, que comandam as operações de ligar e desligar os bancos, conforme o
dispositivo sensor do controle.
Dentre estes dispositivos, o mais utilizado é o com sensor de tempo e tensão, ou
seja, opera em função do nível de tensão e das horas do dia. Porém, existem outros
dispositivos, como o com sensor apenas de tensão e o com sensor de corrente.
A função do controle se restringe basicamente a colocação e a retirada do banco de
capacitores em operação. Para tanto possui um dispositivo sensor (corrente, tensão ou
tempo/tensão) ajustável, para comandar chaves a óleo automáticas que ligam ou desligam
o banco de capacitores.
Normalmente há necessidade maior da compensação reativa no sistema em horários
de carga pesada e média. Os sensores são então usualmente ajustados para que coloquem
38
em operação os capacitores nestes períodos de carga, e os mantenham fora de operação nos
outros períodos como nos períodos de carga leve, onde os bancos comumente utilizados
são os bancos fixos.
4.2.3 Controle com Sensor de Tempo e Tensão
Este controle é alimentado em baixa tensão por um TP com relação de 120:1 o que
significa que quando a tensão for a nominal (13,8kV), a tensão secundária deste TP será de
115V.
Possui então um sensor de tensão que compara a tensão secundária deste TP com as
tensões ajustadas para comandar as operações de colocar ou retirar do sistema o banco de
capacitores. Além do dispositivo de tensão, possui ainda um dispositivo de tempo, que
modifica o valor da tensão secundária do TP, simulando uma queda de tensão através de
um resistor em horários programados, forçando a entrada do banco em operação.
O ajuste das tensões pode ser efetuado de duas maneiras, dependendo do tipo de
equipamento. Em alguns, ajusta-se uma tensão associada a uma banda, ou seja, o banco
liga ou desliga em função de um intervalo de valores de tensão, existe uma banda de
valores de tensão para o banco entrar em operação outra banda para o banco desligar. Em
outros, ajusta-se uma tensão para ligar (limite inferior de tensão) e outra para desligar
(limite superior de tensão) o banco.
O dispositivo de tempo é composto por um relógio que marca as horas do dia e os
dias da semana. Ajusta-se então um intervalo horário durante determinados dias da semana
em que este dispositivo deve atuar. A sua atuação consiste na abertura de uma chave, que
normalmente curto-circuita um reostato (Figura 4.3). Desta forma, quando a chave é aberta
o reostato é inserido no circuito do sensor de tensão, simulando então uma queda de tensão
no secundário do TP. Deve-se então ajustar as horas e os dias da semana em que se
pretende inserir o reostato, e o valor de queda de tensão adicional desejado.
Existe ainda um ajuste de retardo, que nada mais é do que um temporizador que só
após o qual é realizada a operação. A finalidade deste temporizador é evitar um número
excessivo de operações devido a flutuações de tensão e para coordenação com outros
equipamentos.
39
Figura 4.3 - Dispositivo de Tempo.
4.3 Verificação de Elevação de Tensão Causada pela Instalação de Capacitores
Para o cálculo dos ajustes é necessário primeiramente verificar se o banco de
capacitores não causará tensão elevada no circuito. Para tanto é necessário calcular:
a) Queda de tensão máxima (∆V
M
) e mínima (∆V
m
) entre a subestação fonte e
o ponto de instalação do banco de capacitores;
b) Elevação de tensão provocada pela operação do banco de capacitores (∆V
c
).
A elevação de tensão provocada pelo banco de capacitores é proporcional a sua
potência e a reatância indutiva total entre a SE fonte do circuito e o ponto onde está
localizado o banco de capacitores. O valor deste acréscimo de tensão pode ser calculado
pela seguinte equação (COPEL, 1996):
V
XQ
V
BC
c
.
=∆
(4.1)
[V]
onde
Q
BC
: potência total do banco de capacitores (kvar);
X : reatância total entre o BC e a SE fonte (ohms);
V : tensão nominal do circuito (kV).
40
4.4 Ajuste da Tensão
É definido como tensão de ajuste, o valor resultante da equação abaixo (COPEL,
1996):
RTP
VLVD
V
aj
×
+
=
2
[V]
(4.2)
onde
VD: Tensão de referência para desligar o banco de capacitores;
VL: Tensão de referência para ligar o banco de capacitores;
RTP: Relação de transformação do TP que alimenta o controle (normalmente = 120).
Para definir VD, deve-se observar que a tensão não ultrapasse o máximo valor
admissível para os consumidores (100% da tensão nominal). Para definir VL, observar que
a tensão provocada pela entrada em operação do banco de capacitores não ultrapasse o
valor de VD (caso contrário, o banco será desligado logo em seguida).
Em alguns controles existe um botão para ajustar VD e outro para ajustar VL. Em
outros, existe um botão para ajustar Vaj e outro para ajustar a banda.
4.5 Formulação via AGs
A questão da alocação de capacitores em redes de distribuição de energia é um
problema de otimização que inclui variáveis inteira-mista. Nesse problema, busca-se a
localização, o tamanho e o tipo (fixo ou automático) dos capacitores a serem instalados nos
pontos da rede em questão. As alocações devem ser obtidas de modo a satisfazer: (i) os
limites de tensão, (ii) quedas de tensão pré-estabelecidas e assim melhorar níveis
indesejáveis de tensão nas barras de distribuição, verificados antes da instalação dos
capacitores, de modo a (iii) obter o menor custo de instalação dos capacitores, (iv) menor
custo de perdas de potência ativa decorrentes da instalação dos bancos e (v) menores
valores de correntes transitórias que surgem quando das energizações dos bancos de
capacitores na rede.
A seguir, será apresentada a formulação matemática utilizada para se resolver o
problema de alocação ótima adotado nesse trabalho.
41
4.5.1 Formulação Matemática
Como foi enunciado anteriormente, o problema da alocação de capacitores
comumente consiste na busca do ponto ótimo de instalação e do tamanho dos BCs a serem
instalados na rede, visando à redução das perdas, do custo de instalação e da violação dos
limites de tensão, conforme a Resolução n° 505/2001 da ANEEL. Nesse trabalho, além
desses critérios também foram considerados a minimização das quedas de tensão a limites
pré-estabelecidos e maximização dos distanciamentos entre os capacitores a fim de evitar
altos valores de correntes transitórias. A função objetivo que contempla todos esses
critérios enumerados acima é a seguinte:
[
]
54321
min fffffFO
+
+
+
+
=
(4.3)
onde
1
f
: custo das perdas;
2
f
: custo de instalação dos capacitores fixos e automáticos;
3
f
: custo da queda de tensão;
4
f
: custo da violação dos limites de tensão;
5
f
: custo das correntes Inrush.
Esse critério de otimização deve ser obtido simulando-se diferentes curvas de carga
a que o alimentador em estudo está sujeito. Assim, genericamente, consideram-se nove
situações de carga:
pesada, média e leve para os dias úteis, sábados e domingos e
feriados
. As Tabelas a seguir ilustram essas configurações. A Tabela 4.1 apresenta as
condições de carga adotadas para cada dia da semana, a Tabela 4.2 apresenta o número de
horas para cada condição de carga, a Tabela 4.3 apresenta o número de dias úteis, sábados
e domingos e feriados no período de um ano e a Tabela 4.4 mostra a porcentagem da carga
total no alimentador adotada para cada condição de carga. Caso haja disponibilidade dos
dados da curva de carga de cada alimentador essas tabelas serão desconsideradas.
42
Tabela 4.1 – Condições de Carga.
Dia Útil Sábado Domingos e Feriados
Carga Pesada Carga Pesada Carga Pesada
Carga Média Carga Média Carga Média
Carga Leve Carga Leve Carga Leve
Tabela 4.2 – Número de horas para Cada Condição de Carga.
Nº. de horas para cada condição de carga Horas
i,j
Carga [i]
Dia Útil Sábado Domingo
Pesada
8 6 6
Média
6 8 6
Leve
10 10 12
Tabela 4.3 – Números de dias úteis, Sábados e Domingos num Período de um Ano.
Tipo [j]
Dias
j
Dias Úteis
249
Sábados
52
Domingos e Feriados
64
Tabela 4.4 – Porcentagem da Carga Total no Alimentador para Cada Condição de Carga.
q
i,j
% da Carga Total no Alimentador
Carga Dia Útil Sábado Domingo
Pesada
130 120 110
Média
80 70 60
Leve
50 40 40
A Tabela 4.5 apresenta para cada curva de carga (pesada, média ou leve), os níveis
de tensão que devem ser fixados na barra início de cada alimentador. Esses dados foram
fornecidos pela Copel e compreendem valores de tensão fixados como saída das
subestações.
43
Tabela 4.5 - Tensão de Saída das Subestações em Função dos Patamares de Carga
Patamar de Carga
Tensão de saída do alimentador.
[pu]
Carga Pesada 0,9928
Carga Média 0,9783
Carga Leve 0,9565
A seguir será feita uma breve descrição de cada uma das partes que compõem a
função objetivo que está representada na equação (4.3).
(i) Redução das Perdas
A potência reativa que flui pelas linhas dos sistemas de transmissão e distribuição
causa efeitos indesejáveis como o aumento das perdas de potência ativa, sendo que a
redução desse fluxo de reativo é conseguida pela instalação estratégica de banco de
capacitores.
As perdas para cada uma das nove condições de carga consideradas na seção
anterior são calculadas conforme a metodologia descrita no Apêndice B que se utiliza dos
valores de tensão obtidos por algoritmo de Fluxo de Carga para redes de distribuição
radiais (Apêndice A) para cada patamar de carga considerado.
Uma vez obtida os valores de perdas,
, para cada condição de carga i e dia
da semana
j, pode-se obter o valor de energia total consumida pelas perdas durante todo
um ano:
ji
Perdas
,
∑∑
==
⋅⋅=
3
1
3
1
,,
ij
jjiji
DiasHorasPerdasEnergia
(4.4)
onde
i : corresponde a condição de carga pesada média, e leve.
j : corresponde ao número de dias úteis, sábados ou domingos e feriados.
ji
Horas
,
: n° de horas correspondente à condição de carga i no dia j.
j
Dias
: corresponde ao número de dias (dias úteis, sábados ou domingos e feriados) em
cada período estudado.
44
Os valores de horas e dias são obtidos de acordo com as curvas de carga do
alimentador, levando-se em conta os patamares de carga pesada, média e leve para os dias
úteis, sábados e domingos e feriados (Tabelas 4.1 e 4.3).
Assim, calculam-se as perdas elétricas a partir do fluxo de carga para cada condição
de carga, multiplicando-as pelo número de dias e pelo número de horas correspondente a
condição de carga. Após fazer estas operações obtém-se a energia total consumida pelas
perdas elétricas em um ano. Este valor é multiplicado pela tarifa da energia vigente,
considerado nas simulações como sendo 228,00 R$/MWh, obtendo-se assim o custo
relativo às perdas de energia elétrica no alimentador como mostra a fórmula a seguir:
00,228_
1
⋅
⋅
=
= EnergiawpPerdasCustof
(4.5)
onde
w
p
: índice de ponderação de f
1
.
O valor de R$ 228/MWh foi retirado do site
http://www.aneel.gov.br em
02.03.2007.
(ii) Custo dos Capacitores
A escolha do tamanho e do tipo de capacitor a ser instalado em um ponto da rede é
um fator preponderante para o desempenho do algoritmo. Este trabalho contempla a opção
de se utilizar BCs fixos ou automáticos com valores de 300, 600 e 1200 kvar, totalizando
seis configurações de BCs mais a opção de não ser instalado nenhum capacitor na rede. A
Tabela 4.6 abaixo mostra o custo em reais dos BCs utilizados neste trabalho.
Tabela 4.6 – Custo dos Capacitores
Tipo do Banco Valor [kvar] Custo [R$]
300 27.832,12
600 36.471,75
Fixo
1200 50.516,11
300 36.832,12
600 45.471,75
Automático
1200 59.516,11
45
O custo relativo à instalação dos BCs fixos e variáveis é:
)]()(
2
aut
j
aut
j
j
fixo
j
fixo
j
CoCowcf ⋅+⋅⋅=
∑
Φ∈
χχ
(4.6)
onde
Φ
: conjunto de barras candidatas à alocação de capacitores. Essas barras compreendem
apenas o tronco do alimentador e barras que não estejam protegidos por chaves fusíveis;
fixo
j
χ
= 1, se o capacitor for fixo e instalado na barra j e igual a zero caso contrário;
aut
j
χ
= 1, se o capacitor for automático e instalado na barra j e igual a zero caso contrário;
fixo
j
Co
: custo fixo de instalação de capacitor fixo;
aut
j
Co
: custo fixo de instalação de capacitor automático.
w
c
: índice de ponderação de f
2
.
(iii) Queda de Tensão
Conforme recomendações da Copel (COPEL, 1996), quedas de tensão entre as
barras da rede de distribuição e a barra inicial do alimentador maiores que 4% provocam
custos adicionais à operação da rede. Assim, quando essas diferenças de tensão entre as
diversas barras e a barra inicial do alimentador excederem 4% em relação à barra inicial
deve-se aplicar esse custo adicional na função objetivo relativo a esses desvios.
Assim, para cada patamar de carga (pesada, média e leve) nos dias úteis, sábados e
domingos e feriados, buscam-se as barras que apresentam uma queda de tensão maior ou
igual a 4% e aplica-se para essas barras a equação (4.7) mostrada a seguir, somando os
valores encontrados para as nove condições de carga (EDF - ELETRICITÉ DE FRANCE,
1979).
()
()
⎟
⎟
⎟
⎠
⎞
⎜
⎜
⎜
⎝
⎛
⋅⋅−
⋅⋅
⋅⋅⋅==
∑
∑∑
=
==
Nd
bar
barij
bar
ij
jij
ji
acargapesadpQT
DiasHoras
VD,wdoa de TensãCusto Quedf
1
45,1
3
1
3
1
3
4
1441
(4.7)
onde
i : corresponde as condições de carga pesada média, e leve;
j: corresponde ao número de dias úteis, sábados ou domingos e feriados;
46
VD: valor do dólar;
bar
ij
QT
: tensão de saída da subestação – Tensão na barra bar referente ao patamar de carga
i e dia da semana j, esse valor só é considerado se essa diferença for maior que 4 %.
Nd: número de barras onde o desvio foi maior ou igual a 4%;
bar
acargapesad
: valor de carga pesada na barra bar.
ij
p
: porcentagem da carga pesada ( ) do alimentador que corresponde a
condição de patamar de carga
i no dia j;
bar
acargapesad
ij
Horas
: n° de horas correspondente à condição de patamar de carga i no dia j;
j
Dias
: corresponde ao número de dias por ano para cada dia da semana j (dias úteis,
sábados ou domingos e feriados);
wd
: índice de ponderação de .
3
f
(iv) Limites de Tensão
A Resolução n° 505, de 26 de novembro de 2001 da ANEEL, determina que o
sistema elétrico deve atender aos níveis de tensão de energia elétrica em regime
permanente preestabelecidos, sendo que estes são fiscalizados e sujeitos a multas.
Os problemas de queda de tensão em alimentadores podem ser solucionados de
diversas maneiras como, transferência de carga entre as linhas, instalação de reguladores
de tensão, troca da bitola dos cabos, construção de novos alimentadores e subestações,
alocação de capacitores visando o aumento do fator de potência e troca da tensão primária
de alimentação.
Com a melhoria dos níveis de tensão tem-se uma redução significativa das perdas
elétricas nos alimentadores e, consequentemente uma redução nos custos para as
concessionárias e permissionárias de serviços públicos de distribuição de energia elétrica e
também para os próprios consumidores.
A ANEEL através de sua Resolução 505/2001 define os níveis de tensão de
atendimento mostrados abaixo:
•
Tensão de Atendimento (TA): valor eficaz de tensão no ponto de entrega ou
de conexão, obtido por meio de medição, podendo ser classificada em
47
adequada, precária ou crítica, de acordo com a leitura efetuada, expresso em
volts ou quilovolts;
•
Tensão Contratada (TC): valor eficaz de tensão que deverá ser informado ao
consumidor por escrito, ou estabelecido em contrato, expresso em volts ou
quilovolts;
•
Tensão de Leitura (TL): valor eficaz de tensão, integralizado a cada 10 (dez)
minutos, obtido de medição por meio de equipamentos apropriados,
expresso em volts ou quilovolts;
•
Tensão Nominal (TN): valor eficaz de tensão pelo qual o sistema é
projetado, expresso em volts ou quilovolts.
As tabelas a seguir mostram os valores adequados, precários e críticos para as
tensões de atendimento. A Tabela 4.7 apresenta os valores de tensão para tensões nominais
de 1 kV até 69 kV, na Tabela 4.8 tem-se os valores de tensão para tensões nominais até 1
kV e a Figura 4.4 a seguir ilustra classificação normalizada da tensão em nível de
distribuição.
Tabela 4.7 – Valores adequados, precários e críticos para tensões nominais de 1 kV a 69 kV.
Classificação da Tensão de
Atendimento (TA)
Faixa de variação da Tensão de Leitura (TL)
em relação à Tensão Contratada (TC)
Adequada 0,93 TC ≤ TL ≤ 1,05 TC
Precária 0,90 TC ≤ TL < 0,93 TC
Crítica TL < 0,90 ou TL > 1,05
Tabela 4.8 – Valores adequados, precários e críticos para tensões nominais até 1 kV.
48
Figura 4.4 – Classificação normalizada da tensão em nível de distribuição (de 1 a 69 kV).
Das Tabelas 4.7 e 4.8, observa-se que são admitidas apenas pequenas variações na
tensão e, como a carga é variável com as horas do dia, com os dias da semana e com as
estações do ano é muito importante deixá-la dentro da faixa tolerável a fim de evitar multas
para a concessionária.
A consideração desses limites nas magnitudes de tensão, no problema de
otimização em questão, é feito incorporando-os na função objetivo e penalizando-os com
um custo fixo de R$ 1.000.000,00. Esse valor foi estimado de modo a ponderar
adequadamente o peso da função objetivo
f
4,
relativa aos limites de tensão e em relação aos
outros custos.
Após se simular o fluxo de potência e de se conhecer as magnitudes de tensões em
todas as barras, busca-se as barras cujas magnitudes estão fora dos limites estabelecidos
pela Resolução n° 505/2001, obtendo-se as violações desses limites da seguinte forma:
Se V
mínimo
≤ V
bar
≤ V
máximo
→ Violação
bar
= 0
Se V
bar
< V
mínimo
→ Violação
bar
= V
mínimo
– V
bar
Se V
bar
≥ V
máximo
→ Violação
bar
= V
bar
- V
máximo
onde
V
mínimo
= 0,93 pu;
V
máximo
= 1,05 pu.
49
Após o cálculo da violação de tensão em todas as barras do sistema, as mesmas são
somadas e multiplicadas por um custo fixo, de R$ 1.000.000, como descrito pela fórmula
abaixo:
∑
=
⋅⋅==
N
bar
bar
ViolaçãowvTensãodeLinitesdosviolaçãodaCustof
1
4
000.000.1
(4.8)
onde
bar : barra do sistema;
N : número de barras do sistema.
wv
: índice de ponderação de .
4
f
(v) Correntes Inrush
Podem-se evitar altos valores de correntes transitórias nos capacitores, quando os
mesmos são energizados, espaçando-os no mínimo a 1 km de distância (método empírico)
ou introduzindo-as como um critério a ser minimizado (
) que indiretamente alocará os
bancos com espaçamentos mínimos, conforme verificado nas simulações.
5
f
Conforme a equação (2.20) do Capítulo II, a corrente inrush que surge, por
exemplo, quando da energização de um banco automático com outro já energizado,
depende das correntes nominais dos capacitores e é inversamente proporcional às
indutâncias equivalentes entre os mesmos que por sua vez dependem das distâncias entre
os bancos. Assim, uma maneira de diminuir essas correntes é aumentando as indutâncias
equivalentes entre os bancos, ou seja, distanciando-os.
Sabe-se também que os maiores valores de corrente inrush surgem quando já
existem capacitores ligados à rede de distribuição (
IEEE, 1973). Assim, as correntes
transitórias a serem consideradas são aquelas que equivalem à energização de cada um dos
bancos considerando-se que os demais já estão ligados. Ou seja, deseja-se obter um
espaçamento mínimo entre os capacitores para a pior situação que contempla todas as
demais combinações, tais como, energização de um banco com os outros já ligados.
Assim, o quinto critério de minimização é o somatório das correntes transitórias
para cada um dos bancos alocados tanto em carga pesada quanto média:
50
∑∑∑
===
⋅⋅=
2
1
3
1
,
1
5
ij
k
ji
ncapaloc
k
Inrushcustowif
(4.9)
onde
i : corresponde as condições de carga pesada e média;
j : corresponde ao número de dias úteis, sábados ou domingos e feriados;
k
: corresponde a barra onde se alocou capacitor.
n_cap_aloc: número de capacitores fixos e automáticos alocados
k
ji
Inrush
,
: corrente inrush na barra k, para carga i e dia j.
wi
: índice de ponderação de
.
5
f
A expressão (4.10) para cálculo de está adaptada para energização de um
banco na barra k, estando os outros (n_cap_aloc-1) ligados à rede (IEEE Std 342-1973 /
ANSI C. 37.0731-1973, 1973):
k
Inrush
)(
..
1747
keqkeqi
keqkffk
k
IIL
IIV
Inrush
+
=
(4.10)
onde
Inrush
k
: corrente transitória devido ao capacitor alocado na barra k, em ampères;
ckk
II ⋅= 15,1
;
cj
aloccapn
ijj
keq
II
∑
≠=
⋅=
__
,1
15,1
;
I
ck
: correntes nominais dos bancos de capacitores na barras k , em ampéres;
V
ffk
: tensão fase-fase na barra k, [V];
L
eqk
: indutância total equivalente por fase entre bancos de capacitores vistos da barra k,
[µH].
4.5.2 Obtenção das Indutâncias Equivalentes entre os Bancos de Capacitores
Os valores das indutâncias dos fios condutores que interligam os bancos, ou seja,
do tronco do alimentador pode ser obtido da Tabela 4.9 (Copel, 1996).
51
Tabela 4.9 – Valores de Indutâncias
Cabo de Alumínio Simples
CABO µH/cond/km
4 1277,748
2 1201,619
1/0 1152,016
2/0 1132,652
4/0 1075,356
366,4 1028,936
477 993,922
O valor das indutâncias dos capacitores é usualmente considerado como 6 µH.
A metodologia para obtenção das indutâncias equivalentes vistas da barra k será
apresentada através de um exemplo que contempla 3 bancos de capacitores (IEEE Std 342-
1973 / ANSI C. 37.0731-1973, 1973). A Figura 4.5 apresenta o circuito equivalente de
indutâncias contendo apenas os 3 bancos:
L12
d12
6uH
1 3
L23
d23
6uH 6uH
2
Figura 4.5 - Circuito de Indutâncias para 3 Capacitores
De posse das distâncias entre os capacitores (d
12
=1,5 km e d
23
=1 km, por exemplo)
e supondo que tronco do alimentador seja de Alumínio, cabo 366,4, obtém-se L
12
= 1,5 x
1029= 1543 µH e L
23
= 1 x 1029 = 1029 µH, que são as indutâncias equivalentes entre os
capacitores 1-2 e 2-3, respectivamente.
O valor da indutância equivalente vista pelo capacitor na barra 2 é Leq
2
:
H
LL
LL
Leq
µ
626
)6()6(
)6()6(
6
1223
1223
2
=
+++
+
⋅
+
+=
(4.11)
52
Os valores das indutâncias equivalentes vistos por cada capacitor devem ser
calculados separadamente. E, já que para cada indivíduo o número de capacitores alocados
é variável, é inviável se estabelecer fórmulas de equivalências para cada situação.
No entanto, relembrando que a inversa da matriz de admitância nodal é a matriz
Z e
que os valores diagonais, i, correspondem aos valores de impedância equivalente vistas
dessas barras diagonais, pode-se se utilizar estas relações para o cálculo das indutâncias
equivalentes.
A primeira adaptação para se calcular
através da matriz Z é modificando-se o
circuito equivalente da Figura 4.5, obtendo-se o da Figura 4.6 para a situação onde se
deseja calcular a indutância equivalente vista pelo nó 2. Essa indutância compreende o
valor pelo qual circula a corrente transitória (ou seja, pelo capacitor conectado na barra 2).
Para tanto, une-se os outros dois nós restantes (1 e 3) resultando em uma rede agora com 4
nós como apresentado a seguir:
2
Leq
3
L12
6uH
d12
6uH
L23
4
1
d23
6uH
2
Figura 4.6: Circuito Adaptado para Cálculo de Indutância Equivalente a partir do Capacitor da
Barra 2.
Rearranjando a rede, o circuito para o qual deve-se calcular a indutância
equivalente vista pelo nó 2 é mostrada na Figura 4.7 a seguir:
53
L12
6uH
6uH
L23
32
4
6uH
1
Figura 4.7: Circuito Rearranjado para Cálculo de Indutância Equivalente a partir do Capacitor da
Barra 2.
Para esse circuito com 4 barras, monta-se a matriz
Y, utilizando-se os valores
inversos de cada indutância do circuito:
⎥
⎥
⎥
⎥
⎥
⎥
⎥
⎥
⎥
⎦
⎤
+−−
−+−
−++−
−−+
⎢
⎢
⎢
⎢
⎢
⎢
⎢
⎢
⎢
⎣
⎡
⋅=
)
6
1
6
1
(
6
1
0
6
1
6
1
)
6
11
(
1
0
0
1
)
6
111
(
1
6
1
0
1
)
6
11
(
10
2323
23231212
1212
6
LL
LLLL
LL
wj
Y
&
(4.12)
A partir da matriz Y, calcula-se a sua inversa, denominada de matriz Z, mostrada
em 4.13.
6
10 j
4,6268,6226624
8,62262564,620
6666
6244,62066,627
−
⋅⋅
⎥
⎥
⎥
⎥
⎦
⎤
⎢
⎢
⎢
⎢
⎣
⎡
= wZ
&
(4.13)
A posição (4,4) de Z fornece a indutância equivalente vista da barra 4, que
corresponde ao valor da indutância equivalente
HLeq
µ
626
2
=
calculada em (4.11).
Assim, automaticamente pode-se obter
para cada capacitor simplesmente
montando-se matrizes Y de tal forma que todas as posições da última linha j da matriz,
k
Leq
54
sejam iguais a
6
1
− , com exceção da posição (j,k) que deve ser zero e da posição (j,j) que
deve se igual a
)2(
6
1
−⋅ j
, sendo que j = n_cap_aloc +1.
4.5.3 Metodologia Proposta
O problema de minimização formulado na seção anterior foi resolvido pela técnica
de Algoritmo Genético, cujo fluxograma está apresentado na Figura 4.8.
Figura 4.8 – Fluxograma do Algoritmo Desenvolvido.
A seguir, passa-se à descrição de cada uma das etapas.
4.5.3.1 População Inicial
Neste trabalho, segundo a Tabela 4.6, utilizou-se a opção de bancos fixos e
automáticos, com valores de 300, 600 e 1200 kvar. Para se caracterizar a opção de banco
selecionada para cada barra, utilizaram-se 3 bits por barra para caracterizar o tipo do banco
55
(fixo ou automático) e o valor do banco como será descrito na seção seguinte. Assim, o
indivíduo é uma seqüência binária contendo três vezes o número de barras de cada sistema
estudado. Para um sistema de 11 barras, por exemplo, cada indivíduo é uma seqüência
binária de 33 bits.
Quando se trabalha com algoritmos genéticos, deve-se escolher o tamanho da
população, pois esta está intimamente ligada ao desempenho do próprio algoritmo. Quanto
maior for a população maior é o espaço de busca do algoritmo genético, porém maior será
o tempo de processamento do próprio algoritmo.
Nas simulações realizadas para o sistema de 11 barras, por exemplo, foram
utilizados vinte indivíduos para compor a população, e nas simulações para o sistema de 70
barras foram utilizadas populações com 10 indivíduos, visando diminuir o esforço
computacional.
4.5.3.2 Codificação dos Indivíduos
Foi utilizado três bits para caracterizar o tipo e o tamanho do banco de capacitores a
ser instalado. O primeiro bit identifica se o banco é fixo ou automático (1 – automático, 0 –
fixo), os outros dois bits seguintes identificam o tamanho do banco como mostrado na
Tabela 4.10, e a posição desta seqüência de três bits dentro do indivíduo caracteriza a
localização da instalação do banco em questão.
Tabela 4.10 – Codificação dos indivíduos
.
1° Bit
0 - Fixo
1 - Automático
2° e 3° Bits
00 - 0 kvar
01 - 300 kvar
10 - 600 kvar
11 - 1200 kvar
Por exemplo, para um sistema de 11 barras o indivíduo é formado por 33 bits (três
vezes o número de barras do sistema) como mostrado na Figura 4.9.
56
Indivíduo
1 0 1 0 1 0 0 0 0 1 0 0 1 1 0 0 1 1 0 1 0 1 1 1 0 1 0 1 0 0 0 0 1
Barras
1 2 3 4 5 6 7 8 9 10 11
Figura 4.9 - Exemplo de um indivíduo para um sistema com 11 barras.
Pela codificação apresentada na Tabela 4.10, a interpretação do indivíduo
apresentado na Figura 4.8 está apresentada na Tabela 4.11.
Tabela 4.11 – Interpretação do Indivíduo pelo Algoritmo Genético.
Barra Tipo do Banco Valor do Banco [ kvar]
1
Automático 300
2
Fixo 600
3
Fixo 0
4
Automático 0
5
Automático 600
6
Fixo 1200
7
Fixo 600
8
Automático 1200
9
Fixo 600
10
Automático 0
11
Fixo 300
4.5.3.3 Fluxo de Potência (Método da Soma das Potências)
O Fluxo de Potência utilizado no trabalho é o intitulado Método da Soma das
Potências
(BROADWATER, 1988), apresentado no Apêndice A. Este método de cálculo
do fluxo de potência é extremamente eficiente quando se trabalha com uma rede
puramente radial e fracamente malhada. A rede é representada por uma árvore orientada,
onde a raiz corresponde à subestação, o tronco ao ramal principal e os ramos estão
associados aos ramais secundários que partem do tronco (COPPE/UFRJ, 2005).
O algoritmo consiste em estimar as tensões iniciais (depende dos patamares de
carga – pesada, média ou leve – Tabela 4.6) e, partindo da extremidade da rede, calcula os
valores dos fluxos nas linhas. A partir do resultado da potência obtida no nó raiz (primeira
barra) e do valor da tensão conhecida neste nó, recalculam-se os valores de tensão até os
57
nós extremos. Este processo é repetido até que a diferença entre os valores de tensão entre
duas iterações consecutivas não seja maior que um valor de tolerância pré-estabelecido.
4.5.3.4 Ajuste dos Capacitores Automáticos
Segundo orientações fornecidas pela Copel (COPEL, 1996), um banco de
capacitores entra em operação quando a tensão da barra no qual o mesmo está conectado
atinge magnitude de tensão menor ou igual a 0,96 pu. Por outro lado, quando a magnitude
de tensão nessa barra atinge 1 pu o banco é desligado. Assim, deve-se tomar o cuidado de
não se ligar o banco automático de tal modo que a tensão na barra supere 1 pu. Ou seja,
deve-se verificar se a entrada do capacitor faz com que a tensão na barra ultrapasse 1 pu de
magnitude de tensão. Para tanto, deve-se executar as seguintes etapas:
1.
Identificar as barras onde o algoritmo alocou unidades capacitivas
automáticas.
2. Verificar se a tensão nessas barras após a alocação dos bancos superou 1 pu.
Em caso afirmativo o banco automático não deve ser ligado, caso contrário,
o mesmo é ligado.
Após executar essas etapas realiza-se o ajuste definitivo e calcula-se o Fluxo de
Carga para esse indivíduo.
4.5.3.5 Convergência do Algoritmo Desenvolvido
A convergência dos algoritmos genéticos é obtida quando se atingem o(s)
critério(s) de parada definidos pelo programador.
O critério de parada é o método utilizado
para finalizar a execução dos algoritmos genéticos de tal forma a se obter um ponto ótimo.
Na maioria dos casos não se pode afirmar com certeza se um ponto ótimo é um ótimo
global.
Assim, existem vários critérios de parada que podem ser implementados, como os
enumerados abaixo:
a.
Número máximo de gerações;
b.
Tempo de execução do algoritmo;
58
c. A configuração encontrada não melhora durante um número especifico de
gerações;
d.
A melhor solução encontrada assume um valor próximo a um valor antes
especificado.
Durante as simulações realizadas, o critério de parada adotado foi o número
máximo de gerações, pois como se trata de um problema onde não se sabe realmente se a
solução encontrada é a ótima, é importante primeiramente “testar” o algoritmo para
verificar qual é o número mínimo de gerações que se pode usar para obter uma resposta.
4.5.3.6 Critérios de Seleção e os Operadores Genéticos
Um critério de seleção deve ser aplicado para que o conjunto inicial de indivíduos
gere descendentes mais aptos. Para o problema de minimização em questão, um indivíduo
com valor de fitness menor é considerado bem adaptado e, portanto, possui maiores
chances de sobreviver podendo gerar um maior número de descendentes nas gerações
subseqüentes.
O método de seleção a ser utilizado nesse trabalho é o da
Roleta, onde, cada
indivíduo que compõe a população recebe uma probabilidade diretamente proporcional a
seu valor da função objetivo, em relação à somatória do valor da função objetivo de todos
os elementos da população. A Roleta permite que o indivíduo com maior valor da função
objetivo tenha maior probabilidade de passar para a próxima geração (ver Figura 4.9).
Algumas dificuldades podem ser observadas na seleção por Roleta. Dentre elas
podemos destacar a perda do melhor indivíduo durante o processo evolutivo, pois a
probabilidade do melhor indivíduo ser selecionado não é igual a um, porém este fato pode
ser resolvido quando se utiliza o operador elitismo (a ser descrito). A figura 4.10 a seguir
mostra um exemplo de seleção pelo método da roleta, a tabela traz o valor da aptidão para
cada indivíduo, sendo que quanto maior a aptidão, maior é a probabilidade de o indivíduo
ser selecionado.
59
Tabela 4.12 - Exemplo de seleção pelo método da Roleta.
Indivíduo Aptidão Aptidão Relativa
1 10110 2,23 0,14
2 11000 7,27 0,47
3 11110 1,05 0,07
4 01001 3,35 0,21
5 00110 1,69 0,11
1
2
3
4
5
1
2
3
4
5
Figura 4.10 – Exemplo de Seleção pelo Método da Roleta.
Os operadores genéticos são utilizados para assegurar que a nova geração seja
renovada, mas que de alguma forma mantenha as características da geração anterior
fazendo com que a população se diversifique. O princípio básico dos operadores genéticos
é transformar a população por meio de sucessivas gerações, estendendo a busca até chegar
a um resultado satisfatório.
Os operadores genéticos utilizados são tratados a seguir:
(i) Mutação
Para esse estudo, foi usada uma mutação do tipo uniforme com taxa de mutação
de 0,01. A mutação uniforme, conforme foi explicado anteriormente, consiste em substituir
o gene selecionado do cromossomo por outro gene gerado aleatoriamente, segundo uma
distribuição uniforme, entre os limites mínimo e máximo permitidos. Assim, é criada uma
máscara, e esta máscara indica os genes a serem mutados.
60
(ii) Recombinação ou Cruzamento
O cruzamento é o operador responsável pela recombinação de características dos
pais durante o processo reprodutivo, permitindo que as próximas gerações herdem essas
características.
Para as simulações de sistemas pequenos, como o indivíduo é também de pequena
dimensão opta-se pelo
cruzamento em dois pontos. Já para sistemas maiores, o método
de cruzamento utilizado é o
cruzamento uniforme (ver Capítulo III, seção 3.5).
(iii) Elitismo
O elitismo consiste na preservação dos indivíduos mais aptos para as gerações
seguintes, o usuário tem a escolha de configurar este operador genético de modo a escolher
quantos melhores indivíduos serão passados para a geração seguinte.
Nesse trabalho optou-se pelo elitismo igual a
dois, ou seja, os dois indivíduos mais
aptos de uma geração são transferidos para a geração seguinte.
4.5.3.7 Criação de uma Nova População
A criação de uma nova população de indivíduos ou cromossomos é realizada de
forma aleatória.
4.6 Análise de Sensibilidade e Inicialização
A fim de acelerar a convergência do algoritmo, foi desenvolvida uma análise de
sensibilidade para o algoritmo alocar os capacitores nas barras mais sensíveis. Esta análise,
segue três procedimentos que serão descritos a seguir.
Procedimento 1 (P
1
) - Selecionar apenas as barras do tronco do alimentador para a
alocação de BCs. O algoritmo aloca capacitores apenas nas barras do tronco do
alimentador.
Procedimento 2 (P
2
) - Análise Perdas x Q
Neste procedimento, foi analisada a sensibilidade de perdas em função da adição de
potência reativa na rede, a fim de procurar as barras cuja adição de capacitores influencie
61
mais no sentido de reduzir as perdas elétricas, assim foi utilizada a formulação proposta em
GALLEGO, MONTICELLI e ROMERO (2001), e descrita abaixo.
iiii
PQ
Q
Perdas
...2
βα
+=
∂
∂
(4.14)
sendo que
VV
.cosr
ji
ij
⎥
⎥
⎦
⎤
⎢
⎢
⎣
⎡
⋅
−
=
ii
i
δδ
α
(4.15)
VV
.senr
ji
ij
⎥
⎥
⎦
⎤
⎢
⎢
⎣
⎡
⋅
−
=
ii
i
δδ
β
(4.16)
onde
r
ij
: resistência na linha i-j
i
V
: magnitude de tensão na barra i
i
δ
: defasagem angular da barra i.
Nessa análise, as barras mais propícias para a instalação dos bancos de capacitores,
são as que apresentam um maior valor de
Q
Perdas
∂
∂
.
Procedimento 3 (P
3
) - Análise Q x V
Através deste estudo de sensibilidade foi possível determinar as barras mais
susceptíveis ao aumento da tensão, em função da colocação dos BCs no sistema. Esta
formulação foi proposta por (SOUSA, 2003).
Sabe-se que:
*
)()( cVYcVS
&
&
&
&
⋅⋅= diag (4.17)
δ
VcV
j
e)( ⋅= diag
&
(4.18)
onde
S
&
: vetor de potência complexa, de dimensão nb (número de barras);
Y
&
: matriz de admitância de barra, de dimensão (nb x nb);
cV
&
: vetor do fasor de tensão, de dimensão nb;
δ : vetor de ângulos de fase das tensões nas barras, de dimensão nb.
62
V : vetor do módulo de , de dimensão nb;
cV
&
A derivada
V
S
∂
∂
&
é:
)e( ).( )e()(
j**j-*
diagdiagdiagdiag
δδ
cVYYcV
V
S
⋅+⋅=
∂
∂
&&&&
&
(4.19)
E,
)e( ).( )e()(
j**j-*
⎥
⎦
⎤
⎢
⎣
⎡
⋅+⋅=
∂
∂
δδ
cVYYcV
V
Q
diagdiagdiagdiagimaginário
&&&&
(4.20)
onde
Q : vetor de potência reativa, de dimensão nb;
As barras mais propícias à alocação de reativos são as barras que apresentam um
valor de
V
Q
∂
∂
menor.
A seleção das barras feita pelo algoritmo, a partir dos três procedimentos adotados
foi feita da seguinte forma:
Barras Sujeitas a Alocação = [(P
2
∪ P
3
)∩(P
1
)] (4.21)
A formulação do problema pode se restringir a alocar unidades capacitivas de
acordo com a escolha do usuário, ou seja,
(i) em todas as barras do sistema,
(ii) somente nas barras do tronco,
(iii) nas barras do tronco com a opção de se retirar algumas barras pré-
selecionadas ou que não estejam contidas na equação (4.21).
Depois da escolha do campo de busca do algoritmo (barras) é possível iniciar o
algoritmo com indivíduos formados a partir das análises de sensibilidade ou não.
4.7 Análise Econômica
Uma análise econômica foi adicionada ao problema a fim de se obter indicadores
de viabilidade.
Os símbolos utilizados nessa análise econômica são:
63
i : taxa de juros anual;
n : período de capitalização em anos;
P: valor presente, ou seja, quantia existente (ou equivalente) no período inicial;
F : valor futuro, ou seja, quantia existente (ou equivalente) em um período
posterior ao período inicial;
A : valor de uma série uniforme de pagamentos.
Os indicadores de viabilidade são (MONTEIRO, 2006):
Taxa mínima de Atratividade (TMA) - Também denominada de taxa de desconto
ou de custo de oportunidade do capital. A TMA é definida como a taxa de juros que o
capital seria remunerado numa outra melhor alternativa de utilização, além do projeto em
estudo. Projetos que apresentem indicadores de viabilidade positivos, mas que não
forneçam esta taxa mínima de retorno não são considerados aplicações interessantes.
Valor Presente Líquido (VPL) – O Valor Presente Líquido de uma proposta de
investimento é a soma algébrica, na data zero, dos saldos dos fluxos de caixa descontados à
Taxa Mínima de Atratividade, conforme mostra a equação 4.24 abaixo.
n
n
ii
i
AIVPL
)1(
1)1(
+
−+
+−=
(4.22)
Taxa Interna de Retorno (TIR) - A TIR é a taxa de juros para qual o somatório
do VPL do fluxo de caixa é nulo, no período de tempo adotado. Quando a TIR de um
investimento for maior do que a TMA, o investimento é economicamente viável dentro do
período de estudo. Da mesma forma, ao comparar duas alternativas de investimento, a que
oferecer TIR mais elevada possibilita o retorno do capital investido em menos tempo.
Assim, a TIR é a solução em i para a equação 4.23:
0
)1(
1)1(
=
+
−+
+−
n
n
ii
i
AI
(4.23)
64
Tempo de Retorno (TR) - É o valor que expressa em quanto tempo ter-se-ia de
volta o valor investido no projeto, descontado à taxa de juros. O TR é calculado utilizando
a fórmula 4.24, a seguir:
)1ln(
1ln
i
A
I
i
TR
+
⎟
⎠
⎞
⎜
⎝
⎛
−
−=
(4.24)
A seguir serão apresentados dois métodos comumente utilizados para se analisar a
viabilidade de um empreendimento (MONTEIRO, 2006):
(i) Método do VPL
O projeto será viável se apresentar um VPL positivo, se o VPL for igual a zero é
indiferente aceitar ou rejeitar o projeto e, se o VPL for negativo deve-se rejeitar o projeto.
Na escolha entre projetos alternativos, com o mesmo horizonte de tempo, a preferência
recai sobre aquele com maior VPL positivo.
A desvantagem da análise através do método do VPL está na escolha da taxa
mínima de atratividade (TMA), e deve-se considerar que a taxa de juros permanecerá
constante durante a duração do projeto.
(ii) Método da TIR
Segundo este critério, um projeto será considerado viável se a sua TIR for igual ou
maior que a TMA, assim quanto maior for a TIR mais atrativo é o projeto, se a TIR for
igual à TMA é indiferente aceitar ou rejeitar o projeto, e se a TIR for menor que a TMA
deve-se rejeitar o projeto.
A maior vantagem do método da TIR é apresentar como resultado o valor de uma
taxa de juros, caracterizando-se como um indicador de rentabilidade, enquanto que o
método do VPL pode ser considerado como um indicador de lucratividade (Métodos para a
análise de fluxo de caixa – FGV).
Os parâmetros utilizados na análise econômica do projeto de alocação de
capacitores em redes radiais de distribuição serão apresentados a seguir.
a) Investimento (I)
É o valor total dos BCs fixos e automáticos instalados no alimentador.
b) Taxa de Juros Anual (
i)
65
Corresponde ao valor da taxa Selic de outubro de 2006 – 15,75%.
c) Série Uniforme de Pagamentos (A)
Corresponde a economia de energia elétrica com a redução das perdas elétricas e a
economia com a regularização dos desvios e limites de tensão que estavam violados.
d) Período de Estudos (n)
Neste caso foi escolhido o período de estudo igual ao tempo de vida útil do
equipamento instalado, 10 anos, assim o valor residual do equipamento é zero.
e) Valor Residual do Equipamento (VR)
É tomado como sendo zero, ou seja, o equipamento ao final de sua vida útil precisa
necessariamente ser substituído.
f) Taxa Mínima de Atratividade (TMA)
Para efeito de análise, a taxa mínima de atratividade utilizada neste trabalho foi de
20%.
4.8 Considerações Finais
Esse capítulo teve como objetivo apresentar a formulação matemática do problema
de alocação de banco de capacitores em redes de distribuição.
Diferentemente de outras formulações convencionais onde apenas se minimiza
custo dos capacitores e perdas ativas, adicionou-se ao problema penalizações por violações
de tensão, por quedas de tensão maiores que 4 % e otimização do distanciamento dos
bancos através da minimização das correntes transitórios que surgem quando da
energização dos capacitores alocados.
No próximo capítulo serão apresentados os resultados para sistema de 11 e 70
barras.
CAPÍTULO V
RESULTADOS
5.1 Introdução
A seguir serão mostrados os resultados fornecidos pela metodologia para sistemas
de 11 barras e de 70 barras. O sistema de 11 barras foi utilizado, primeiramente, para se
testar a formulação matemática e o comportamento dos Algoritmos Genéticos na resolução
do problema, alocando-se banco de capacitores fixos e automáticos. A fim de se analisar a
sensibilidade da metodologia desenvolvida, foram realizadas várias simulações alocando-
se bancos fixos, que englobam diferentes combinações de critérios de otimização. O
sistema de 70 barras (ALVES, 2005) foi modificado aumentando-se o seu carregamento
em 50% a fim de torná-lo mais crítico em termos de perfil de tensão e perdas.
5.2 Sistema 11 Barras
A Figura 5.1 mostra a configuração do sistema com 11 barras e as Tabelas 5.1 e 5.2
mostram os dados de resistência e reatância da rede, e de cargas conectadas às barras.
Figura 5.1 – Sistema 11 barras.
67
Tabela 5.1 – Dados de linhas para o sistema 11 barras
.
De Para Resistência (Ω) Reatância (Ω) Distância (km)
1 2 0,1730 0,2913 1,00
2 3 0,4350 0,1783 0,50
2 4 0,2595 0,4370 1,50
4 5 1,7400 0,7132 2,00
4 7 0,3460 0,5826 2,00
5 6 0,4350 0,1783 0,50
7 8 0,4350 0,1783 0,50
7 9 0,4350 0,7283 2,50
9 10 0,3460 0,5826 2,00
10 11 1,3050 0,5349 1,50
Tabela 5.2 – Dados de cargas para o sistema 11 barras.
Barra P (kW) Q (kvar)
100
2 500 218
3 800 349
4 600 262
5 100 44
6 400 174
7 1000 436
8 500 218
9 1200 523
10 600 262
11 300 131
A Tabela 5.3 mostra os parâmetros e os operadores genéticos utilizados para as
simulações com o sistema de 11 barras, utilizando o algoritmo proposto.
Tabela 5.3 – Parâmetros da simulação para o sistema 11 Barras.
Tamanho da População
20 Indivíduos
População Inicial
Zero
Seleção
Roleta
Cruzamento
Em dois pontos
Mutação
Uniforme TM = 0,01
Elitismo
Dois
Critério de Parada
N° de Gerações - 10.000
68
5.2.1 Resultados da Simulação para o Sistema 11 Barras
A Tabela 5.4 mostra os custos referentes às simulações sem a alocação de BCs e
após a colocação dos BCs no sistema. Para esse sistema, alocaram-se 5 capacitores fixos,
conforme Tabela 5.5. O algoritmo foi desenvolvido em MATLAB
®
versão 7.0, utilizando
a toolbox “Genetic Algorithm and Direct Search” e levou em média 390 minutos para
encerrar as 10.000 gerações em um computador AMD Sempron 2.4 GHz com 512MB de
memória RAM.
Tabela 5.4 – Custos encontrados nas simulações para o sistema 11 Barras.
Custos R$
Custo das Perdas s/ Bancos 12.426.196,52
Custo das Perdas c/ Bancos 10.464.151,33
Custo da Violação dos limites de Tensão s/ Bancos 1.803.294,04
Custo da Violação dos limites de Tensão c/ Bancos 0,00
Custo do desvio de Tensão s/ Bancos 1.446.049,11
Custo do desvio de Tensão c/ Bancos 0,00
Custo dos Bancos Fixos 156.439,86
Custo dos Bancos Automáticos 0,00
Fitness s/ Bancos 15.675.539,67
Fitness c/ Bancos 10.620.591,19
Pela Tabela 5.5, percebe-se que com a alocação de banco de capacitores fixos, o
custo com as perdas elétricas diminuiu em torno de 20 %, deixou de haver magnitudes de
tensão fora dos limites operacionais e quedas de tensão maiores que 4%.
A partir das simulações foi possível notar um aumento do nível de tensão nas barras
para todas as condições de carga. Para a condição de carga leve nos dias úteis existiam
limites de tensão violados que foram restabelecidos após a colocação dos capacitores na
rede. As Figuras 5.2 e 5.3, a seguir, apresentam o perfil de tensão ao longo do alimentador
69
para as condições de carga pesada nos dias úteis e para condição de carga leve nos dias
úteis respectivamente.
Tensão x Barra
Carga Pesada - Dia Útil
0,90000
0,91000
0,92000
0,93000
0,94000
0,95000
0,96000
0,97000
0,98000
0,99000
1,00000
1234567891011
Barras
Tensões (pu)
Sem Bancos
Com Bancos
Figura 5.2 – Perfil de tensão para carga pesada nos dias úteis para o sistema 11 barras.
Tensão x Barra
Carga Leve - Dias Úteis
0,90000
0,91000
0,92000
0,93000
0,94000
0,95000
0,96000
1234567891011
Barras
Tensões (pu)
Sem Bancos
Com Bancos
Figura 5.3 – Perfil de tensão para condição de carga leve nos dias úteis para o sistema 11 barras.
Somente a condição de carga leve aos domingos e feriados apresentou um aumento
das perdas depois da inserção dos BCs, para todas as outras condições houve redução das
perdas elétricas ao longo da rede. Para efeito de demonstração são apresentadas as Tabelas
5.5 e 5.6 que mostram o nível de tensão nas barras onde houve a alocação dos BCs e o
70
valor das perdas para as condições de carga pesada nos dias úteis e de carga leve nos
domingos e feriados.
Tabela 5.5 – Tensão nas barras onde houve alocação de reativos para a condição de carga pesada
nos dias úteis para o sistema 11 barras.
Carga Pesada - Dia Útil
Barra Alocação (kvar) Tipo
Tensão s/ Bancos
(pu)
Tensão c/ Bancos
(pu)
2 300 Fixo 0,9828 0,9860
3 300 Fixo 0,9806 0,9841
5 300 Fixo 0,9655 0,9732
7 600 Fixo 0,9591 0,9693
10 600 Fixo 0,9474 0,9617
Perdas s/ Bancos (
p
u)
0,13413
Perdas c/ Bancos (
p
u)
0,11233
Tabela 5.6 – Tensão nas barras onde houve alocação de reativos para a condição de carga leve nos
domingos e feriados para o sistema 11 barras.
Carga Leve - Domingos e feriados
Barra Alocação (kvar) Tipo Tensão s/ Bancos Tensão c/ Bancos
2 300 Fixo Fixo 0,9530 0,9561
3 300 Fixo Fixo 0,9522 0,9555
5 300 Fixo Fixo 0,9469 0,9543
7 600 Fixo Fixo 0,9446 0,9545
10 600 Fixo Fixo 0,9405 0,9544
Perdas s/ Bancos (pu)
0,016890
Perdas c/ Bancos (pu)
0,017046
Com relação aos desvios de tensão, em todas as condições de carga houve uma
diminuição da queda de tensão ao longo do alimentador. Somente as condições de carga
pesada e média nos dias úteis apresentavam barras com queda de tensão superiores a 4%
antes da inserção dos BCs, porém, após a alocação dos BCs na rede, todas as barras
apresentaram quedas de tensão inferiores a 4%. As Figuras 5.4 e 5.5 ilustram a queda de
tensão ao longo do alimentador para as condições de carga pesada e média nos dias úteis
respectivamente.
71
% Queda de Tensão x Barra
Carga Pesada - Dia Útil
0,0
1,0
2,0
3,0
4,0
5,0
6,0
1234567891011
Barras
% Queda de Tensão
Sem Bancos
Com Bancos
Figura 5.4 – Porcentagem da queda de tensão para carga pesada nos dias úteis para o sistema 11
barras.
% Queda de Tensão x Barra
Carga Média - Dia Útil
0,0
0,5
1,0
1,5
2,0
2,5
3,0
3,5
4,0
4,5
5,0
1234567891011
Barras
% Queda de Tensão
Sem Bancos
Com Bancos
Figura 5.5 – Porcentagem da queda de tensão para condição de carga média nos dias úteis para o
sistema 11 barras.
72
De um modo geral, os resultados foram satisfatórios, com diminuição das perdas
(com exceção para a condição de carga leve aos domingos e feriados), melhora no perfil de
tensão para todas as condições de carga, com restauração dos limites de tensão violados
(carga leve, dia útil) e quedas de tensão (carga pesada e média nos dias úteis).
5.2.2 Estudo de Desempenho do Algoritmo Desenvolvido
Para o sistema de 11 barras foi feito um estudo de sensibilidade, utilizando somente
bancos fixos e, portanto sem os critérios da corrente Inrush, onde foram realizadas 16
simulações conforme ilustrado na Tabela 5.7, que englobam diferentes combinações de
critérios de otimização, descritos na seção 4.5 no Capítulo IV, a fim de se analisar o
comportamento do algoritmo proposto. Os índices w´s da Tabela 5.6 podem ser zero ou
um. Quando w
c
= 0, por exemplo, o critério de minimização do custo dos capacitores não é
levado em conta na composição da função objetivo, por outro lado, quando w
c
= 1 esse
índice entra na composição da função objetivo. Esta análise foi feita tomando a pior
condição de carga que é carga pesada nos dias úteis. O resultado de alocação de bancos
fixos para cada uma das 16 funções objetivo listadas abaixo serão apresentadas e
analisadas a seguir. Para a simulação 16, vale a análise descrita anteriormente em 5.2.2
para as nove condições de carga. As perdas referentes a cada simulação comprrende a
soma das perdas para as nove condições de carga explicadas anteriormente.
73
Tabela 5.7 – Funções objetivo consideradas em cada simulação
.
Simulação w
c
w
d
w
p
w
v
Função Objetivo
1 0 0 0 0
FO = 0
2 0 0 0 1
FO = min [f4]
3 0 0 1 0
FO = min [f1]
4 0 0 1 1
FO = min [f1+ f4]
5 0 1 0 0
FO = min [f3]
6 0 1 0 1
FO = min [f3+ f4]
7 0 1 1 0
FO = min [f1+ f3]
8 0 1 1 1
FO = min [f1+ f2+ f4]
9 1 0 0 0
FO = min [f2]
10 1 0 0 1
FO = min [f2+ f4]
11 1 0 1 0
FO = min [f1+ f2]
12 1 0 1 1
FO = min [f1+ f2+ f4]
13 1 1 0 0
FO = min [f2+ f3]
14 1 1 0 1
FO = min [f2+ f3+ f4]
15 1 1 1 0
FO = min [f1+ f2+ f3]
16 1 1 1 1
FO = min [f1+ f2+ f3+ f4]
onde
wc : minimização ou não do custo dos capacitores;
wd : minimização ou não do custo do desvio de tensão;
wp : minimização ou não do custo das perdas;
wv : minimização ou não do custo da violação dos limites de tensão;
f1 : custo das perdas;
f2 : custo de instalação dos capacitores fixos e automáticos;
f3 : custo pelo queda de tensão;
f4 : custo pela violação dos limites de tensão.
Para as simulações em que o custo da violação dos limites de tensão w
v
, fez parte
da função objetivo (simulações 2, 4, 6, 8, 10, 12, 14 e 16), o algoritmo conseguiu zerar a
violação dos limites de tensão em todos os casos. No caso em que se buscava minimizar
apenas o custo da violação dos limites de tensão (simulação 2), o algoritmo alocou quatro
BCs, pois o custo dos capacitores não estava envolvido na função objetivo. Já no caso em
que se pretendia minimizar o custo da violação dos limites de tensão e o custo dos
74
capacitores (simulação 10), o algoritmo alocou apenas um capacitor, o necessário para
zerar o custo da violação dos limites de tensão. A Tabela 5.8 ilustra estas duas situações.
Nota-se que o algoritmo alocou um capacitor de 600 kvar para zerar o custo da
violação dos limites de tensão, pois alocando um capacitor de 300 kvar ainda haveria
violação dos limites de tensão.
Comparando a simulação 2 com a simulação 4, percebe-se que houve a alocação de
um banco de 600 kvar a mais, além de uma diferente configuração geográfica dos bancos.
O valor das perdas na simulação 2 foi maior que na simulação 4, isso porque na simulação
2 o custo das perdas não estava envolvido na função objetivo. A Tabela 5.9 abaixo mostra
uma comparação entre as duas simulações.
Tabela 5.8 – Comparação entre as simulações 2 e 10.
Barra Simulação 2 Simulação 10
1
00
2
00
3
300 kva
r
0
4
00
5
00
6
00
7
00
8
300 kva
r
0
9
600 kva
r
0
10
00
11
300 kva
r
600 kva
r
Tabela 5.9 – Comparação entre simulações 2 e 4.
Barra Simulação 2 Simulação 4
1
00
2
0 300 kva
r
3
300 kva
r
0
4
0 600 kva
r
5
0 300 kva
r
6
00
7
00
8
300 kva
r
0
9
600 kva
r
300 kva
r
10
0 600 kva
r
11
300 kva
r
0
Perdas
0,48445
p
u 0,48371
p
u
75
Ao se analisar a simulações 2 e 6, percebe-se que em ambas, o algoritmo tornou
zero tanto a violação dos limites de tensão quanto o desvio de tensão, porém com
alocações de bancos e perdas diferentes. Já que o custo por desvio de queda de tensão é
maior do que por violação de limites, a alocação dos bancos tendeu a ser mais semelhante
(total de kvar) à simulação 5, onde apenas se minimiza o custo do desvio de queda de
tensão. A Tabela 5.10 apresenta essas situações.
Tabela 5.10 – Comparação entre simulações 2, 5 e 6.
Barra Simulação 2 Simulação 5 Simulação 6
1 0 0 0
2 0 0 300 kvar
3 300 kvar 0 600 kvar
4 0 600 kvar 0
5 0 1200 kvar 0
6 0 600 kvar
7 0 1200 kvar 1200 kvar
8 300 kvar 0 0
9 600 kvar 0 0
10 0 0 0
11 300 kvar 0 0
Perdas 0,48445 pu 0,60826 pu 0,51332 pu
Na simulação 8, como o custo das perdas passou a fazer parte da função objetivo,
era esperado que o algoritmo conseguisse reduzir as perdas quando comparada com
simulação 2, e foi isso que aconteceu, o algoritmo alocou o mesmo número de capacitores,
porém utilizando uma configuração diferente, como está mostrado na Tabela 5.11 a seguir.
Tabela 5.11 – Comparação entre simulações 2 e 8.
Barra Simulação 2 Simulação 8
1
00
2
00
3
300 kva
r
300 kva
r
4
0 600 kva
r
5
00
6
00
7
00
8
300 kva
r
600 kva
r
9
600 kva
r
600 kva
r
10
00
11
300 kva
r
0
Perdas
0,48445
p
u 0,48385
p
u
76
Comparando as simulações 4 e 12, percebe-se que o algoritmo tornou zero o custo
da violação dos limites de tensão em todos os casos. Ao analisar as simulações 4 e 12,
percebe-se que o custo dos capacitores foram iguais, mudando apenas a configuração dos
bancos no sistema, o que fez com que as perdas diminuíssem na simulação 12. Ao analisar
a simulação 8, vê-se que a quantidade de kvar instalado foi a mesma para as simulações 4,
8 e 12, sendo diferente apenas a quantidade e a configuração dos bancos. Ao comparar as
perdas percebe-se que as perdas calculadas pelo algoritmo são muito parecidas diferindo
apenas na terceira casa decimal. Estas situações estão expressas na Tabela 5.12 a seguir.
Tabela 5.12 – Comparação entre simulações 2, 8 e12.
Barra Simulação 4 Simulação 8 Simulação 12
1
000
2
300 kva
r
0 600 kva
r
3
0 300 kva
r
0
4
600 kva
r
600 kva
r
300 kva
r
5
300 kva
r
00
6
000
7
0 0 300 kva
r
8
0 600 kva
r
0
9
300 kva
r
600 kva
r
600 kva
r
10
600 kva
r
0 300 kva
r
11
000
Perdas
0,48371
p
u 0,48385
p
u 0,4805
p
u
Custo dos Ca
p
acitores
R$ 156.439,86 R$ 137.247,37 R$ 156.439,86
Para as simulações em que o custo do desvio de tensão fez parte da função objetivo
(simulações 5, 6, 7, 8, 13, 14, 15 e 16), o algoritmo conseguiu zerar o desvio de tensão em
todos os casos. No caso em que se buscava minimizar apenas o custo do desvio de tensão
(simulação 5), o algoritmo alocou três BCs, pois o custo dos capacitores não estava
envolvido na função objetivo. Já no caso em que se pretendia minimizar o custo do desvio
de tensão e o custo dos capacitores (simulação 13), o algoritmo alocou apenas um
capacitor, o necessário para zerar o custo do desvio de tensão. A Tabela 5.13 a seguir
ilustra estas duas situações.
77
Tabela 5.13 – Comparação entre as simulações 5 e 13.
Barra Simulação 5 Simulação 13
1
00
2
00
3
00
4
00
5
600 kva
r
0
6
1200 kva
r
0
7
00
8
1200 kva
r
0
9
00
10
00
11
0 600 kva
r
De forma similar ao caso da minimização do custo da violação dos limites de
tensão, o algoritmo alocou um capacitor de 600 kvar para zerar o custo do desvio de
tensão, pois alocando um capacitor de 300 kvar o desvio de tensão ainda não seria zero.
Comparando a simulação 5 com a simulação 7, percebe-se que quando só o custo
do desvio de tensão fazia parte da função objetivo (simulação 5), o algoritmo alocou
apenas três bancos, o necessário para levar o custo do desvio de tensão a zero. Quando o
custo das perdas passou a fazer parte da função objetivo (simulação 7), o algoritmo alocou
mais bancos, aumentando o custo dos capacitores, zerou o desvio de tensão e reduziu
significativamente as perdas, como era esperado. A Tabela 5.14 apresenta essas situações.
Tabela 5.14 – Comparação entre as simulações 5 e 7.
Barra Simula
ç
ão 5 Simula
ç
ão 7
1
00
2
00
3
0 300 kva
r
4
0 300 kva
r
5
600 kva
r
300 kva
r
6
1200 kva
r
0
7
00
8
1200 kva
r
300 kva
r
9
0 300 kva
r
10
0 600 kva
r
11
00
Perdas
0,60826
p
u 0,48171
p
u
78
Ao analisar as simulações 5 e 14, percebe-se que na simulação 5 onde só se buscava
a minimização do custo de desvio de tensão, o algoritmo alocou três BCs no meio do
alimentador de modo a zerar o desvio de tensão. Quando se buscava a minimização do
custo dos capacitores, do desvio de tensão e da violação dos limites de tensão, o algoritmo
alocou apenas dois capacitores no final do alimentador, nas barras onde os limites de
tensão poderiam ser violados. Assim quando comparada a simulação 14 com a simulação 5
percebe-se que houve uma redução no custo dos capacitores e nas perdas, o custo da
violação dos limites de tensão e o custo do desvio de tensão foram também levados a zero
em ambas as simulações. A Tabela 5.15 a seguir mostra estas duas situações.
Tabela 5.15 – Comparação entre as simulações 5 e 14.
Barra Simulação 5 Simulação 14
1
00
2
00
3
00
4
00
5
600 kva
r
0
6
1200 kva
r
0
7
00
8
1200 kva
r
0
9
00
10
0 300 kva
r
11
0 300 kva
r
Perdas
0,60826
p
u 0,51282
p
u
Custo dos
Ca
p
acitores
R$ 137.503,97 R$ 55.664,24
Ao analisar as simulações 13 e 14, percebe-se que como na simulação 13 só se
buscava a minimização do custo dos capacitores e do custo do desvio de tensão, o
algoritmo alocou apenas um banco de 600 kvar, o necessário para zerar o desvio de tensão,
mas não a violação dos limites de tensão. Caso fosse alocado um capacitor de 300kvar na
mesma posição, o custo do desvio de tensão não seria zero. Na simulação 14 o algoritmo
precisou alocar dois bancos de 300 kvar no final do alimentador para zerar tanto o desvio
de tensão como a violação dos limites de tensão. Na simulação 15 vê-se que, como agora
as perdas entraram na função objetivo, o algoritmo alocou mais bancos a fim de reduzi-las.
Tanto o custo do desvio de tensão como o custo da violação dos limites de tensão foram
79
zerados na simulação 15. A Tabela 5.16 a seguir mostra a comparação entre as três
simulações explicadas acima.
Tabela 5.16 – Comparação entre as simulações 13, 14 e 15.
Barra Simulação 13 Simulação 14 Simulação 15
1
000
2
0 0 600 kva
r
3
000
4
000
5
0 0 300 kva
r
6
000
7
0 0 600 kva
r
8
000
9
0 0 300 kva
r
10
0 300 kva
r
300 kva
r
11
600 kva
r
300 kva
r
0
Perdas
0,52528
p
u 0,51282
p
u 0,47929
p
u
Custo dos
Ca
p
acitores
R$ 36.471,75 R$ 55.664,24 R$ 156.439,86
Ao analisar os resultados da simulação 3 e da simulação 11, vê-se que o algoritmo
alocou cinco bancos, três de 600 kvar e dois de 300 kvar (simulação 3). No caso em que se
buscava minimizar o custo das perdas e o custo dos capacitores (simulação 11), o
algoritmo alocou também cinco BCs, porém três de 300 kvar e dois de 600 kvar fazendo
com que as perdas aumentassem e o custo dos capacitores diminuísse. Estas situações estão
apresentadas na Tabela 5.17 a seguir.
Tabela 5.17 – Comparação entre as simulações 3 e 11.
Barra Simulação 3 Simulação 11
1
00
2
600 kva
r
600 kva
r
3
00
4
00
5
300 kva
r
300 kva
r
6
00
7
600 kva
r
300 kva
r
8
00
9
600 kva
r
300 kva
r
10
00
11
300 kva
r
300 kva
r
Perdas
0,48125
p
u 0,48373
p
u
80
Para as simulações em que não importava o custo dos capacitores (simulações 1 a
8), o algoritmo alocou muitos bancos visando reduzir os valores dos outros custos
envolvidos. Nos casos em que o custo dos BCs entrou na função objetivo, o algoritmo
alocou menos unidades ou unidades menores e mais baratas. Estas situações podem ser
percebidas nas simulações 9 a 16.
Para as simulações em que o custo das perdas fez parte da função objetivo
(simulações 3, 4, 7, 8, 11, 12, 15, 16) é possível perceber que as alocações foram
semelhantes, tendo em média cinco bancos distribuídos ao longo do alimentador, somente
nas simulações 7 e 8 o algoritmo alocou seis e quatro bancos respectivamente. Tanto o
custo do desvio de tensão quanto o custo da violação dos limites de tensão tornaram-se
zero após a colocação dos capacitores.
Ao comparar a simulação 3 com a simulação 15, percebe-se que o algoritmo alocou
o mesmo número de capacitores, cinco em ambas as simulações, diferindo somente no
valor e na posição geográfica bancos alocados. Na simulação onde somente o custo das
perdas fazia parte da função objetivo (simulação 3) as perdas realmente foram menores
como era esperado. Quando o custo dos capacitores entrou na função objetivo, o algoritmo
alocou um banco de 300 kvar ao invés de um banco de 600 kvar, fazendo com que o custo
com os bancos diminuísse. Tanto o custo do desvio de tensão como o custo da violação dos
limites de tensão foram levados à zero nas duas simulações. A Tabela 5.18 abaixo mostra o
resultado da alocação para as duas simulações.
Tabela 5.18 – Comparação entre as simulações 3 e 15.
Barra Simulação 3 Simulação 15
1
00
2
600 kva
r
600 kva
r
3
00
4
00
5
300 kva
r
300
k
va
r
6
00
7
600 kva
r
600 kva
r
8
00
9
600 kva
r
300 kva
r
10
0 300 kva
r
11
300 kva
r
0
Perdas
0,48125
p
u 0,47929
p
u
Custo dos Ca
p
acitores
R$ 165.079,49 R$ 156.439,86
81
Ao analisar a simulação 9 onde somente o custo dos capacitores fazia parte da
função objetivo, o algoritmo logicamente não alocou nenhuma unidade capacitiva, o que
fez com que as perdas fossem grandes e tanto os desvios de tensão, quanto a violação dos
limites de tensão fossem diferentes de zero. A Tabela 5.19 mostra os resultados da
simulação 9.
Tabela 5.19 – Resultados da simulação 9.
Barra Simulação 9
1
0
2
0
3
0
4
0
5
0
6
0
7
0
8
0
9
0
10
0
11
0
Perdas
0,56741
p
u
Custo das Perdas
R$ 12.426.196,52
Custo dos Ca
p
acitores
R$ 0
Custo do Desvio de Tensão
R$ 1.446.049,11
Custo da Viola
ç
ão dos Limites de Tensão
R$ 1.803.294,04
Pode-se concluir que quando se desejava apenas minimizar desvios de tensão sem
se atrelar a minimização de custo dos capacitores e perdas, obtiveram-se alocações de
capacitores em mais barras. No entanto, ao se adicionar a minimização de custo de
capacitores, houve uma redução drástica do número de capacitores alocados, que foi o
mínimo necessário para melhorar o perfil de tensão ao menor custo. Esses resultados são
condizentes ao esperado pela metodologia.
Ao se adicionar a minimização das perdas juntamente com melhora de perfil de
tensão, houve um aumento e espalhamento da alocação dos bancos ao longo do sistema, o
que também é de se esperar, pois para se diminuir as perdas é necessário suprir potência
reativa o mais localmente possível. Por outro lado, já que o ganho de receita pela
diminuição das perdas é muito grande, mesmo a adição do custo dos capacitores não afetou
significativamente o custo da alocação, pois, além da redistribuição dos bancos entre as
82
barras, apenas se reduziu o tamanho de um dos capacitores de 600 kvar para 300 kvar,
como mostrado na Tabela 5.20.
Tabela 5.20 – Comparação entre simulações 8 e 16.
Barra Simulação 8 Simulação 16
1
00
2
0 300 kva
r
3
300 kva
r
300 kva
r
4
600 kva
r
0
5
0 300 kva
r
6
00
7
0 600 kva
r
8
600 kva
r
0
9
600 kva
r
0
10
0 600 kva
r
11
00
Perdas
0,48385 pu 0,47983 pu
5.3 Sistema 70 Barras
A Figura 5.6 apresenta a configuração do sistema com 70 barras. Os dados das
linhas e das cargas conectadas às barras, encontram-se no Apêndice C. O sistema foi
simulado usando todas as barras do sistema para a alocação, pois a rede apresentava
tensões baixas nas barras fora do tronco, em ramais secundários em especial nas barras 60
a 66. Estas barras apresentam as mais baixas tensões do sistema devido à proximidade com
a barra 61 que suporta a maior carga do sistema.
83
Figura 5.6 – Sistema 70 barras.
A Tabela 5.21 apresenta os parâmetros e os operadores genéticos utilizados para as
simulações com o sistema de 70 barras. O algoritmo foi desenvolvido em MATLAB
®
versão 7.0, utilizando a toolbox “Genetic Algorithm and Direct Search” e levou em média
835 minutos para encerrar as 1.000 gerações em um computador AMD Sempron 2.4 GHz
com 512MB de memória RAM. Porém o critério de parada utilizado encerra o algoritmo,
se o valor da função objetivo não se alterar por 100 gerações o que levou em média 346
minutos.
Tabela 5.21 – Parâmetros da simulação para o sistema 70 Barras.
Po
p
ulação Inicial
Zero
Seleção
Roleta
Cruzamento
Disperso
Mutação
Uniforme TM = 0,01
Elitismo
Dois
Critério de Parada
Máximo - 1.000 gerações
A fim de se avaliar o número de indivíduos que devem ser considerados no
processamento, serão apresentados os resultados para o sistema de 70 barras utilizando-se
10 e 20 indivíduos.
84
5.3.1 Resultados da Simulação para o Sistema 70 Barras Utilizando Configuração
com 20 Indivíduos
As simulações apresentadas nesta seção foram feitas utilizando uma população
formada por 20 indivíduos. Da mesma forma como foram apresentados os resultados para
o sistema de 11 barras, primeiramente serão mostrados os custos referentes às simulações
sem a alocação de BCs e após a colocação dos BCs no sistema, estes custos representam a
soma dos custos para as nove condições de carga. A Tabela 5.22 mostra estes dados.
Tabela 5.22 – Custos encontrados nas simulações para o sistema 70 Barras.
Custos R$
Custo das Perdas s/ Bancos
477.109.328,95
Custo das Perdas c/ Bancos
319.887.182,07
Custo da Violação dos limites de Tensão s/ Bancos
19.060.363,35
Custo da Violação dos limites de Tensão c/ Bancos
302.212,38
Custo do desvio de Tensão s/ Bancos
151.921.691,07
Custo do desvio de Tensão c/ Bancos
65.158.773,59
Custo dos Bancos Fixos
231.296,59
Custo dos Bancos Automáticos
119.135,99
Somatório das Correntes
I
nrush em [A]
143.046,3379 A
Custo das Correntes
I
nrush
1.430.463,37
Fitness s/ Bancos
648.091.382,78
Fitness c/ Bancos
386.942.131,43
Pela Tabela 5.22, observa-se que a alocação dos bancos proporcionou uma
diminuição no custo das perdas na ordem de 32% (cerca de R$ 150.000.000,00) gastando-
se R$ 350.432,58 com a instalação dos capacitores, tanto os limites quanto os desvios de
tensão foram diminuídos depois da instalação dos BCs.
A partir das simulações foi possível notar um aumento do nível de tensão nas barras
para todas as condições de carga. Para todas as condições de carga existiam limites de
tensão violados. Após a colocação dos capacitores na rede estes limites foram
restabelecidos para as condições de carga média nos dias úteis, sábados e domingos; e para
as condições de carga leve nos sábados e domingos. As Figuras 5.7 e 5.8, a seguir,
apresentam o perfil de tensão ao longo do alimentador para as condições de carga pesada
nos dias úteis, onde não houve restabelecimento dos limites, e para condição de carga leve
nos domingos e feriados, onde os limites foram restabelecidos, respectivamente.
85
Tensão x Barra
Carga Pesada - Dia Útil
0,87000
0,89000
0,91000
0,93000
0,95000
0,97000
0,99000
1 6 11 16 21 26 31 35 40 45 50 55 60 65 70
Barras
Tensões (pu)
Sem Bancos
Com Bancos
Figura 5.7 – Perfil de tensão no alimentador para a condição de carga pesada nos dias úteis para o
sistema 70 barras.
Tensão x Barra
Carga Leve - Domingos e Feriados
0,92000
0,92500
0,93000
0,93500
0,94000
0,94500
0,95000
0,95500
0,96000
4 9 14 19 24 29 34 39 44 49 54 59 64
Barras
Tensões (pu)
Sem Bancos
Com Bancos
Figura 5.8 – Perfil de tensão no alimentador para a condição de carga leve nos sábados para o
sistema 70 barras.
86
Somente a condição de carga média nos domingos e feriados apresentou um
aumento das perdas depois da inserção dos BCs, para todas as outras condições houve
redução das perdas elétricas ao longo da rede. Para efeito de demonstração são
apresentadas as Tabelas 5.23 e 5.24 que mostram o nível de tensão nas barras onde houve a
alocação dos BCs e o valor das perdas para as condições de carga pesada nos dias úteis e
de carga média
nos domingos e feriados respectivamente.
Tabela 5.23 – Tensão nas barras onde houve alocação de reativos para a condição de carga pesada
nos dias úteis para o sistema 70 barras.
Barra Alocação (kvar) Tensão s/ Bancos (pu) Tensão c/ Bancos (pu)
4
600 Fixo 0,9927 0,9928
23
300 Auto 0,9376 0,9504
29
300 Fixo 0,9927 0,9928
50
300 Fixo 0,9885 0,9904
55
300 Fixo 0,9543 0,9650
58
300 Auto 0,9125 0,9327
61
300 Fixo 0,8855 0,9106
62
300 Fixo 0,8835 0,9104
63
600 Auto 0,8832 0,9103
65
300 Fixo 0,8821 0,9101
68
300 Fixo 0,9548 0,9643
Perdas s/ Bancos (pu)
0,37022
Perdas c/ Bancos (pu)
0,23845
Tabela 5.24 – Tensão nas barras onde houve alocação de reativos para a condição de carga média
nos domingos e feriados para o sistema 70 barras.
Barra Alocação (kvar) Tensão s/ Bancos (pu) Tensão c/ Bancos (pu)
4
600 Fixo 0,97825 0,97831
23
300 Auto 0,94918 0,96148
29
300 Fixo 0,97825 0,97832
50
300 Fixo 0,97597 0,97779
55
300 Fixo 0,95824 0,96845
58
300 Auto 0,93663 0,96845
61
300 Fixo 0,92272 0,94647
62
300 Fixo 0,92168 0,94728
63
600 Auto 0,92150 0,94737
65
300 Fixo 0,92096 0,94762
68
300 Fixo 0,95833 0,96749
Perdas s/ Bancos (pu)
0,072437
Perdas c/ Bancos (pu)
0,084078
87
Com relação aos desvios de tensão, em todas as condições de carga houve uma
diminuição da queda de tensão ao longo do alimentador. Somente as condições de carga
leve nos sábados e domingos e feriados não existiam desvios de tensão, ou seja, todas as
barras apresentaram quedas de tensão inferiores a 4% antes mesmo da inserção dos
capacitores na rede. Para as condições de carga pesada os desvios de tensão diminuíram,
porém não foram restabelecidos e algumas barras ainda apresentaram quedas de tensão
maiores do que 4%. Para condições de carga média e de carga leve nos dias úteis os
desvios de tensão forma restabelecidos, ou seja, todas as barras apresentaram quedas de
tensão inferiores a 4% após a alocação dos BCs na rede. As Figuras 5.9, 5.10 e 5.11
ilustram a queda de tensão ao longo do alimentador para as condições de carga pesada e
média nos dias úteis, e de carga leve nos domingos e feriados respectivamente.
% Queda de Tensão x Barra
Carga Pesada - Dia Útil
0,000000
2,000000
4,000000
6,000000
8,000000
10,000000
12,000000
1 112131415161
Barras
% Queda de Tensão
Sem Bancos
Com Bancos
Figura 5.9 – Porcentagem da queda de tensão no alimentador para a condição de carga pesada nos
dias úteis para o sistema 70 barras.
88
% Queda de Tensão x Barra
Carga Média - Dias Úteis
0,000000
1,000000
2,000000
3,000000
4,000000
5,000000
6,000000
7,000000
1 112131415161
Barras
% Queda de Tensão
Sem Bancos
Com Bancos
Figura 5.10 – Porcentagem da queda de tensão no alimentador para a condição de carga média nos
dias úteis para o sistema 70 barras.
% Queda de Tensão x Barra
Carga Leve - Domingos e Feriados
-0,500000
0,000000
0,500000
1,000000
1,500000
2,000000
2,500000
3,000000
3,500000
4,000000
1 112131415161
Barras
% Queda de Tensão
Sem Bancos
Com Bancos
Figura 5.11 – Porcentagem da queda de tensão no alimentador para a condição de carga leve nos
domingos e feriados para o sistema 70 barras.
89
De um modo geral, os resultados foram satisfatórios, com diminuição das perdas
(com exceção para a condição de carga média aos domingos e feriados), melhora no perfil
de tensão para todas as condições de carga, com restauração dos limites de tensão violados
(carga média, e carga leve nos sábados, domingos e feriados) e quedas de tensão (carga
média e carga leve nos dias úteis).
5.3.2 Resultados da Simulação para o Sistema 70 Barras Utilizando Configuração
com 10 Indivíduos
Diminuindo o número de indivíduos utilizados foram feitas novas simulações.
Primeiramente serão mostrados os custos referentes às simulações sem a alocação de BCs
e após a colocação dos BCs no sistema, estes custos representam a soma dos custos para as
nove condições de carga. A Tabela 5.25 apresenta estes dados.
Os parâmetros e os operadores genéticos utilizados para estas simulações são os
mesmos utilizados em 5.3.1 e estão apresentados na Tabela 5.20.
Tabela 5.25 – Custos encontrados nas simulações para o sistema 70 Barras utilizando configuração
com 10 indivíduos.
Custos R$
Custo das Perdas s/ Bancos
477.109.328,95
Custo das Perdas c/ Bancos
335.083.635,31
Custo da Violação dos limites de Tensão s/ Bancos
19.060.363,35
Custo da Violação dos limites de Tensão c/ Bancos
5.930.757,99
Custo do desvio de Tensão s/ Bancos
151.921.691,07
Custo do desvio de Tensão c/ Bancos
90.832.364.74
Custo dos Bancos Fixos
189.676,71
Custo dos Bancos Automáticos
119.135,99
Somatório das Correntes
I
nrush em [A]
175.493,10
Custo das Correntes
I
nrush
1.754.931.05
Fitness s/ Bancos
648.091.382,78
Fitness c/ Bancos
433.910.501,80
Pela Tabela 5.25, observa-se que houve aumento de todos os custos envolvidos ao
se comparar com resultados apresentados na Tabela 5.21s, pois a configuração apresentada
pelo algoritmo neste caso foi diferente da alocação utilizando 20 indivíduos. A Tabela 5.26
90
apresenta uma comparação entre os valores encontrados para os BCs utilizando 20 e 10
indivíduos.
Tabela 5.26 – Comparação da alocação encontrada para simulação com 20 e 10 indivíduos.
Barra 20 Indivíduos
Barra 10 Indivíduos
4 600 Fixo 3 1200 Fixo
23 300 Auto 9 300 Fixo
29 300 Fixo 20 300 Auto
50 300 Fixo 29 300 Fixo
55 300 Fixo 53 300 Fixo
58 300 Auto 55 300 Auto
61 300 Fixo 60 300 Fixo
62 300 Fixo 65 600 Auto
63 600 Auto 68 300 Fixo
65 300 Fixo
68 300 Fixo
Quando se utilizou 10 indivíduos nas simulações percebe-se que os resultados
apresentados são piores do que nas simulações com 20 indivíduos, pois quase todos os
custos aumentaram quando se utilizou 10 indivíduos nas simulações, isto provavelmente
vem do fato de que com 20 indivíduos existem mais alternativas para o algoritmo avaliar,
uma vez que o número de gerações foi mantido igual a 1.000 nas duas simulações.
Outro fator importante é o tempo computacional. Ao se utilizar 10 indivíduos o
algoritmo levou em média 459 minutos para encerrar as 1.000 gerações em um computador
AMD Sempron 2.4 GHz com 512MB de memória RAM, o que seria um pouco mais da
metade do tempo gasto pelo mesmo algoritmo para encerrar as 1.000 gerações quando
utilizaram-se 20 indivíduos.
O critério de parada utilizado nesta simulação foi o mesmo utilizado em 5.3.1, ou
seja, o algoritmo encerra se o valor da função objetivo não se alterar por 100 gerações o
que levou em média 297 minutos, em comparação com as simulações apresentadas em
5.3.1 percebe-se que o tempo foi um pouco menor e não um pouco mais da metade do
tempo de processamento gasto em 5.3.1 como era esperado. Isso porque, como se utilizou
menos indivíduos, o algoritmo precisou processar mais gerações para encerrar.
91
5.4 Análise da Corrente Inrush
A fim de se verificar a atuação do critério de minimização das correntes Inrush,
simulou-se o sistema de 70 barras sem esse critério para compará-lo com os resultados
apresentados em 5.3, com minimização das correntes Inrush. A Tabela 5.27 apresenta as
alocações e magnitudes de tensão antes de após a alocação dos bancos para Carga Pesada
e Dias Úteis. As perdas totais antes da alocação dos capacitores eram de 0,33816 pu, após
a alocação, 0,37022 pu. O custo dos capacitores alocados foi de R$ 455.780,81.
Percebe-se que quando o custo relativo às correntes inrush fazia parte da função
objetivo, o algoritmo alocou os capacitores de forma mais espaçada e menos capacitores
automáticos, visando à redução das correntes Inrush.
Tabela 5.27 – Alocação de Reativos para o sistema 70 barras sem minimização de correntes Inrush
Barra Alocação (kvar)
Tensão s/ Bancos
(pu)
Tensão c/ Bancos
(pu)
5
1200 Fixo 0,9928 0,9926
6
600 Auto 0,9923 0,9915
8
300 Fixo 0,9748 0,9669
23
300 Auto 0,9514 0,9376
49
300 Fixo 0,9920 0,9910
50
300 Auto 0,9908 0,9885
57
300 Auto 0,9580 0,9426
58
300 Auto 0,9343 0,9125
60
300 Fixo 0,9178 0,8923
61
300 Fixo 0,9121 0,8855
62
300 Fixo 0,9115 0,8835
63
600 Auto 0,9113 0,8832
68
300 Fixo 0,9653 0,9548
Quando o custo relativo às correntes Inrush foi retirado da função objetivo, o
algoritmo alocou três bancos de capacitor automático a mais e as unidades foram
arranjadas mais próximas umas das outras. As Tabelas 5.28 e 5.29 mostram o valor das
correntes Inrush calculadas com o critério de minimização das correntes Inrush e a
distância entre as barras onde houve alocação de capacitores
92
Tabela 5.28 – Correntes Inrush utilizando o critério da minimização das correntes Inrush.
Com o Critério de Minimização Inrush
Barra Corr. Inrush - Carga Pesada Corr. Inrush - Carga Média Alocação (kvar)
4
- - 600 Fixo
23
4.685,8 A 4.702,5 A 300 Auto
29
- - 300 Fixo
50
- - 300 Fixo
55
- - 300 Fixo
58
6.405,9 A 6.463,6 A 300 Auto
61
- - 300 Fixo
62
- - 300 Fixo
63
12.522,1 A 12.716,4 A 600 Auto
65
- - 300 Fixo
68
- - 300 Fixo
Somatório das Correntes
Inrush = 158.299,9948 A
Tabela 5.29 – Distâncias entre barras utilizando o critério da minimização das correntes Inrush.
Barra Dist. entre Barras (km)
4 - 23 19,0
23 - 29 21,0
29 - 50 6,0
50 -55 10,0
55 - 58 3,0
58 - 61 3,0
61 - 62 1,0
62 - 63 1,0
63 -65 2,0
65 -68 16,0
E, as Tabelas 5.30 e 5.31 mostram o valor das correntes Inrush calculadas sem o
critério de minimização das correntes Inrush e a distância entre as barras onde houve
alocação de capacitores. Todos os valores de corrente Inrush foram calculados para os dias
úteis.
93
Tabela 5.30 – C
orrentes Inrush sem o critério da minimização das correntes Inrush.
Sem o Critério de Minimização Inrush
Barra Corr. Inrush - Carga Pesada Corr. Inrush - Carga Média Alocação (kvar)
5
- - 1200 Fixo
6
28.835,6 A 28.631,8 A 600 Auto
8
- - 300 Fixo
23
25.184,9 A 25.274,2 A 300 Auto
49
- - 300 Fixo
50
15.846,2 A 15.742,5 A 300 Auto
57
7.083,8 A 7.102,4 A 300 Auto
58
20.897,6 A 21.084,8 A 300 Auto
60
- - 300 Fixo
61
- - 300 Fixo
62
- - 300 Fixo
63
28.761,2 A 29.205,7 A 600 Auto
68
- - 300 Fixo
Somatório das Correntes
Inrush = 772.226,7708 A
Tabela 5.31 – Distâncias entre barras sem o critério da minimização das correntes Inrush.
Barra Dist. entre Barras (km)
5 - 6 1,0
6 - 8 2,0
8 - 23 15,0
23 - 49 20,0
49 - 50 1,0
50 - 57 12,0
57 - 58 1,0
58 - 60 2,0
60 - 61 1,0
61 - 62 1,0
62 - 63 1,0
68 - 63 14,0
Através da análise das tabelas vê-se que quando o critério de minimização das
correntes Inrush não fazia parte da função objetivo, o algoritmo localizou os capacitores
mais próximos uns dos outros e o valor calculado para o somatório das correntes Inrush foi
maior, resultando também em um custo relativo às correntes Inrush maior, pois este não
estrava sendo levado em conta no cálculo da função objetivo.
Quando o critério de minimização das correntes Inrush fazia parte da função
objetivo, o algoritmo localizou os capacitores mais afastados uns dos outros e o valor
94
calculado para o somatório das correntes Inrush foi menor, resultando em um custo
relativo às correntes Inrush menor.
5.5 Análise de Sensibilidade
Os resultados da análise de sensibilidade serão apresentados através do sistema de
70 barras. Nesse estudo procurou-se analisar quais as barras mais susceptíveis a alocação
de capacitores.
Simulando-se apenas o Procedimento 2 – Sensibilidade de Perdas x Q (seção 4.6 do
Capítulo 4) o algoritmo retornou como barras mais propícias a alocação de capacitores, as
barras do tronco e do final do alimentador. Lembrando que, nesta análise, as barras mais
sujeitas à alocação reativa são as barras que apresentaram
Q
Perdas
∂
∂
maior.
A Tabela 5.32 limitou-se a apresentar os dez melhores valores de sensibilidade para
as barras do sistema de acordo com os procedimentos descritos anteriormente. No entanto,
como os valores, para esse sistema, são muito pequenos uma análise mais detalhada ficou
comprometida.
Tabela 5.32 – Resultados utilizando sensibilidade Perdas x Q.
Barras do Tronco Barras Fora do Tronco
Barras Sensibilidade Barras Sensibilidade
11 1,4523. 10
-6
61 6,1452. 10
-6
16 5,4730. 10
-7
59 9,7860. 10
-7
12 3,3096. 10
-7
69 5,1389. 10
-7
8 3,0291. 10
-7
65 4,5243. 10
-7
21 2,9698. 10
-7
64 3,5645. 10
-7
Simulando-se apenas o Procedimento 3 – Sensibilidade de Q x V (seção 4.5 do
Capítulo 4) e, a partir das figuras que apresentam o perfil de tensão nas barras ao longo do
alimentador é possível comprovar que as barras mais sujeitas às variações de Q x V são as
barras que não estão no tronco do alimentador, ou seja, as barras situadas nos ramos
secundários da rede. Lembrando que, para esta análise as melhores barras são as barras que
apresentarem um
V
Q
∂
∂
menor.
95
A Tabela 5.33 limitou-se a apresentar os doze melhores valores de sensibilidade
para as barras do tronco e fora do tronco para o sistema 70 barras estudado.
Tabela 5.33 – Resultados utilizando sensibilidade Q x V.
Barras do Tronco Barras Fora do Tronco
Barras Sensibilidade Barras Sensibilidade
15 86,8823 36 32,1525
14 88,2754 66 56,6646
13 171,2400 35 59,8937
25 191,8376 34 84,9132
26 207,6336 58 85,8963
11 302,4679 60 249,9981
Através da Tabela 5.33 acima, percebe-se que das cinco barras mais sensíveis às
variações de Q x V todas são barras que não estão no tronco do alimentador (barras 34, 35,
36, 58 e 66). Este fato deve-se provavelmente ao fato de que as barras mais distantes da
saída da subestação e localizadas nas pontas dos alimentadores secundários são as barras
que mais variam a tensão em função da retirada ou inserção de um capacitor para este
sistema.
Os procedimentos de sensibilidade são utilizados para dar uma estimativa ao
algoritmo das melhores barras sujeitas a alocação, porém, este é um assunto onde é
necessário um maior estudo e um maior número de simulações para comprovar a eficácia
da metodologia apresentada.
O algoritmo ainda tem a opção de alocar os capacitores somente nas barras do
tronco, em todas as barras do alimentador ou restringir algumas barras do alimentador para
a alocação (retirar algumas barras do campo de busca do algoritmo) e ainda a opção de
inicializar o algoritmo a partir das análises de sensibilidade ou não.
96
5.6 Simulação Utilizando Novos Preços para os BCs
A fim de comprovar a eficácia da metodologia na inserção dos BCs automáticos,
foram feitas novas simulações utilizando outros valores de custo para os BCs. Os novos
valores dos custos dos BCs estão apresentados na Tabela 5.34. Através desta, percebe-se
que os custos dos capacitores automáticos são bem maiores do que os fixos. As próximas
simulações seguiram os mesmos parâmetros anteriormente utilizados nas simulações,
como mostra a Tabela 5.35 a seguir.
Tabela 5.34 Novos Preços para BCs
BC Preço do BC
300 Fixo R$ 6.000
600 Fixo R$ 7.500
1200 Fixo R$ 9.500
300 Automático R$ 37.000
600 Automático R$ 40.000
1200 Automático R$ 44.000
Tabela 5.35 Parâmetros para simulação com novos preços de BCs
Tamanho da Po
p
ulação
20 Indivíduos
Po
p
ulação Inicial
Zero
Seleção
Roleta
Cruzamento
Disperso
Mutação
Uniforme TM = 0,01
Elitismo
Dois
Critério de Parada
Máximo - 1.000 gerações
O algoritmo alocou unidades fixas e automáticas, como mostrado na Tabela 5.36 a
seguir, onde "F" significa capacitor fixo e "A" capacitor automático.
Tabela 5.36 Alocação dos BCs
Barra
4 8 20 50 55 58 60 61 62 63 68
BC
1200 F 300 F 300 A 300 F 300 F 300 A 300 A 300 A 300 F 600 F 300 F
Os resultados desta simulação estão resumidamente apresentados na Tabela 5.37 a seguir:
97
Tabela 5.37 - Resultados da simulação utilizando novos preços para BCs
Custos R$
Custo das Perdas s/ Bancos
477.109.328,95
Custo das Perdas c/ Bancos
319.630.142,33
Custo da Violação dos limites de Tensão s/ Bancos
19.060.363,35
Custo da Violação dos limites de Tensão c/ Bancos
215.157,71
Custo do desvio de Tensão s/ Bancos
151.921.691,07
Custo do desvio de Tensão c/ Bancos
63.469.097,48
Custo dos Bancos Fixos
47.000,00
Custo dos Bancos Automáticos
148.000,00
Somatório das Correntes
I
nrush em [A]
226.598,69 A
Custo das Correntes
I
nrush
2.265.986,92
Fitness s/ Bancos
648.091.382,78
Fitness c/ Bancos
385.560.226,74
Comparando as simulações apresentadas em 5.3.1 com esta simulação percebe-se
que os resultados foram semelhantes. Naquela situação, houve a alocação de três bancos
automáticos, gastando-se 119.135,99, nesta simulação com os novos preços de BCs o
algoritmo alocou quatro unidades e gastando-se 148.000,00.
A grande economia foi com os BCs fixos pois nesta simulação o preço dos mesmos
são muito inferiores aos da simulação apresentada em 5.3.1. No entanto, como os custos
das perdas, dos desvios e dos limites de tensão são muito maiores que o custo dos BCs, o
algoritmo pôde mesmo assim alocar algumas unidades automáticas. Outro fator importante
foi a percepção da necessidade de alocação de unidades automáticas na região próxima às
barras numeradas de 58 a 66 para a correção dos níveis de tensão.
5.7 Resultados da Análise Econômica
Nesta seção será apresentada a análise econômica desenvolvida utilizando dois
procedimentos, a análise do Valor Presente Líquido (VPL) e a análise baseada na Taxa
Interna de Retorno (TIR), como apresentado na seção 4.7 no Capítulo IV.
A partir do desenvolvimento de uma rotina que calcula os indicadores do projeto
estudado foi feita a análise partindo de um panorama onde existiam limites de tensão
violados e desvios de tensão superiores a 4 %. Esta análise contempla a instalação dos
capacitores de acordo com o resultado apresentado neste capítulo para o sistema de 70
98
barras (3 capacitores fixos de 300 kvar, 1 capacitor fixo de 1200 kvar e 1 capacitor
automático de 300 kvar). Os resultados obtidos estão apresentados na Tabela abaixo para
uma taxa mínima de atratividade (TMA) de 20%.
Tabela 5.38 – Resultados da Análise Econômica
Indicador Valor
VPL R$ 13.923.911,91
TMA 20 %
T
R
3,1926 anos
TI
R
40,9 %
Conforme o Capítulo IV, como o VPL calculado assumiu um valor positivo e a TIR
é maior do que a TMA, o projeto é economicamente vantajoso para o investidor, com um
tempo de retorno em torno de 13 meses.
5.8 Comentários Finais
Os estudos realizados com os dois sistemas apresentaram resultados satisfatórios
pois nos dois casos as perdas foram reduzidas depois da alocação dos bancos de
capacitores. Em relação aos outros fatores envolvidos, como queda de tensão e violação
dos limites de tensão, para o sistema com 11 barras o resultado foi amplamente satisfatório,
pois o algoritmo conseguiu reduzir tanto a queda de tensão para menos de 4% em todas as
barras, como o custo da violação dos limites de tensão para zero.
A análise de desempenho realizada para o caso de 11 barras mostrou que as
alocações fornecidas pela metodologia desenvolvida são coerentes e correspondem às
funções objetivo formuladas.
Para o sistema com 70 barras, também foi possível perceber as mesmas reduções
obtidas para o caso do sistema com 11 barras. O algoritmo conseguiu aumentar o nível de
tensão em todas as barras do sistema, reduzir as perdas elétricas totais na rede para o
período estudado e, levar os custos de violação e de desvio de tensão à zero.
Quando não havia penalização para a corrente Inrush o algoritmo aproximou mais
os bancos automáticos além de inserir um a mais, o que aumentaria a corrente Inrush, caso
esta estivesse sendo considerada naquela simulação.
CAPÍTULO VI
CONCLUSÕES
6.1 Conclusões
A utilização da técnica de Inteligência Artificial baseada em Algoritmos
Genéticos para a resolução do problema de alocação ótima de banco de capacitores em
Redes de Distribuição se mostrou eficaz como já consagrado em outros trabalhos. Essa
eficácia é devida à natureza combinatorial do problema que é composto por variáveis
inteiras e restrições não–lineares.
Devido ao fato dos Algoritmos Genéticos operarem sobre uma população de
candidatos em paralelo, todo o campo de busca é atingido, ao contrário das técnicas de
otimização tradicionais onde um indivíduo é iterativamente manipulado até que uma
condição satisfatória seja atingida.
Os métodos de seleção e os operadores genéticos garantem a criação de
descendentes mais aptos e a variabilidade genética dos indivíduos criados, além de
evitar o problema de mínimos locais e que os melhores indivíduos sejam perdidos.
A metodologia proposta objetivou a obtenção de um ponto ótimo que
satisfizesse múltiplos critérios simultaneamente tais como: minimização das perdas
ativas, dos custos dos capacitores, penalização dos limites de tensão, penalização de
quedas de tensão acima de 4% a partir da saída do alimentador e minimização de
correntes inrush que surgem quando da energização dos bancos de capacitores.
Vale lembrar que o problema abordado neste trabalho é um problema de
otimização multiobjetivo, portanto, não existe somente uma solução ótima para o
problema e sim um conjunto de possíveis soluções eficientes (Pareto-ótimo).
Evidentemente que os fatores de ponderação considerados para cada um dos
critérios de otimização influenciam os resultados finais, cabendo ao operador a escolha
dos mesmos de modo a enfatizar os critérios de seu interesse. Essa escolha afeta o
posicionamento, número, tamanho e tipo do capacitor alocado.
100
Os resultados, tanto para o sistema de 11 quanto de 70 barras se mostraram
satisfatórios, pois as perdas, a violação dos limites de tensão, o custo dos limites de
tensão foram reduzidas depois da alocação dos bancos de capacitores, buscando-se
ainda a diminuição das correntes Inrush. Nesse caso, procurou-se localizar os bancos de
capacitores em barras mais espaçadas umas das outras, alocando bancos com valores
nominais maiores com o intuito de minimizar os efeitos da corrente Inrush.
Além das opções, na qual o usuário tem a opção de diminuir o campo de busca
do algoritmo, seja retirando algumas barras ou restringindo a alocação somente às
barras do tronco, visando à redução do tempo de processamento, é possível ainda o
usuário iniciar o algoritmo usando os métodos de sensibilidade, que informa ao
algoritmo as barras mais susceptíveis às variações de tensão e a redução das perdas
elétricas, porém é necessário um maior estudo do assunto para realmente comprovar a
sua eficácia.
De uma maneira geral, os Algoritmos Genéticos se mostraram eficazes na
solução de problemas de otimização, em relação às simulações realizadas, estas
apresentaram resultados satisfatórios, pois todos os custos envolvidos na função
objetivo foram reduzidos após alocação dos bancos de capacitores.
6.2 Recomendações para Trabalhos Futuros
Sugerem-se como trabalhos futuros:
- análise mais aprofundada a respeito da influência de cada critério de
otimização na solução final;
- utilização de curva de carga horária a fim de se otimizar o controle dos bancos
automáticos;
- alocação de reguladores de tensão conjuntamente à bancos de capacitores;
- análise do acréscimo de faturamento da concessionária pela melhora no perfil
de tensão;
- utilização de Fluxo de Potência Ótimo, ao invés de Fluxo de Carga a fim de se
ajustar os taps dos reguladores e avaliar o fitness;
- otimização das distâncias entre os bancos de capacitores ao invés da
minimização das correntes inrush;
- implementação de outras técnicas de inteligência artificial para comparação de
desempenho;
101
- novos estudos e testes de sensibilidade a fim de reduzir o tempo de
processamento do algoritmo e comprovar a eficiência dos métodos aqui
apresentados;
- validação dos parâmetros intrínsecos dos Algoritmos Genéticos.
REFERÊNCIAS BIBLIOGRÁFICAS
AGUIAR, R.S.F. & FRANCO, P.E.C; 2005. Alocação de Capacitores em Redes de
Distribuição Radial Utilizando um Modelo de Otimização Determinístico Linear. Anais do
VII Simpósio Brasileiro de Automação Inteligente. São Luís, MA.
ALCÂNTARA, M.V.P. & SILVA, L.C.P.;2005. Efeitos de Cargas Dependentes da Tensão
na Alocação Otimizada de Bancos de Capacitores em Sistemas de Distribuição de Energia
Elétrica. Anais do VII Simpósio Brasileiro de Automação Inteligente. São Luís, MA.
ALMEIDA, Katia C. A General Parametric Optimal Power Flow. Montreal, Canada.
Thesis (Doctor of Philosophy). McGill University, Department of Electrical Engineering,
October, 1994.
ALVES, Helton; SOUZA, Benemar; FERREIRA, Hélvio; 2002. Algoritmos
Microgenéticos e Lógica Fuzy Aplicados ao Controle de Bancos de Capacitores em Redes
de Distribuição. XIV- Congresso Brasileiro de Automática, Natal – RN, 2 a 5 de Setembro
de 2002, p. 855-860.
ALVES, L. Marcelo. Módulo de Alocação de Reguladores de Tensão e Bancos de
Capacitores em Alimentadores de Distribuição. PUC-RS, Porto Alegre – RS, Setembro de
2005.
BALA, J.L., JR. KUNTZ, P.A. PEBLES, M.J; January, 1997. Optimal Capacitor
Allocation using a Distribution-Analyzer-Recorder. IEEE Transactions on Power Delivery,
vol. 12, no. 1, pp. 464-469.
BAZARAS, M. & SHETTY, C. M.; 1979. “Nonlinear Programming, Theory and
Algorithms”. John Wiley & Sons, New York.
103
BEASLEY, D.; BULL, D.R. and MARTIN, R.R.; 1992. An Overview of Genetic
Algorithms: Part 1, Fundamentals. Technical Report 15(2), University of Cardiff. .
BEASLEY, D.; BULL, D.R. and MARTIN, R.R.; 1993. An Overview of Genetic
Algorithms: Part 2, Research Topics. Technical Report 15(4), University of Cardiff.
BROADWATER, R.P.; CHANDRASEKARAM, A.; HUDDLESTON, C.T. AND
KHAN, A.H.; 1988. Power Flow Analysis of Unabalanced Multiphase Radial Distribution
Systems. Electric Power System Research, vol. 14.
CANTÚ-PAZ, E.; July 1995. A Summary of Research on Parallel Genetic Algorithms.
IlliGal Report No. 95007.
CASTRO, RODRIGO EVANGELISTA DE; 2001. Otimização de Estruturas com Multi-
objetivos Via Algoritmos Genéticos. Rio de Janeiro, Brasil.
CHEN, T.H.; CHEN, M.S.; et al.; July 1991. Distribution System Power Flow Analysis –
A Rigid Approach. IEEE Transactions on Power Delivery, vol. 6, no. 3, pp. 1146-1152.
COELHO, M.A.; BIAGIO, M.A.; SAMPAIO, K.; CUERVO, P. & FRAZÃO, F.R.; 2005.
Implementação de Metodologias de Alocação de Bancos de Capacitores em Alimentadores
de 13.8kV. Anais do VII Simpósio Brasileiro de Automação Inteligente. São Luís, MA.
COPEL; Março 1992. Recomendações Básicas para a Aplicação de Bancos de Capacitores
em Alimentadores. Curitiba, Brasil.
COPEL; Outubro 1996. MIT – Banco de Capacitores – Ajuste do Controle Automático de
Banco de Capacitores n°161301. Curitiba, Brasil.
COPEL, Custo dos Desvios de Tensão – Adaptação da Fórmula para a Utilização com
Patamares de Carga.
104
COPPE/UFRJ - Programa de Engenharia Elétrica – Apostila de “Fluxo de Potência em
Redes de Distribuição Radiais”.
DELFANTI, Maurizo; GRANELLI, Gianpietro; MARANNIN, Paolo; MONTAGNA,
Março; 2000. Optimal Capacitor Placement Using Deterministic and Genetic Algorithms.
IEEE Transactions on Power Systems, v. 15, n. 3 (Aug), p. 1041-1046.
DE OLIVEIRA GALVÃO, C. e VALENÇA, M.J.S.; 1999. “Sistemas Inteligentes -
Aplicações a Recursos Hídricos e Ciências Ambientais”, volume 1. ABRH - Editora da
Universidade - UFRGS, Porto Alegre - RS.
DOS SANTOS COELHO, L. Fundamentos, Potencialidades e Aplicações de Algoritmos
Evolutivos. Notas em matemática aplicada, SBMAC - Sociedade Brasileira de Matemática
Aplicada e Computacional, São Carlos, 2003.
EDF - ELETRICITÉ DE FRANCE, 1979. Le Calcul Economique et le Systeme Electriq
Elementaires. 133 pages. Paris, Eyroles.
GALLEGO, R.A.; MONTICELLI, A.J. & ROMERO, R.; November, 2001. Optimal
Capacitor Placement in Radial Distibution Networks. IEEE Transactions on Power
Systems, Vol. 16, No. 4.
GHOSE, T.; GOSWAMI, S.K. & BASU, S.K.; 1998. Energy Loss Reduction in
Distribution System by Capacitor Placement Through Combined GA-SA Technique.
Proceedings of the IEEE Region 10 International Conf. on Global Connectivity in Energy,
Computer, Communication and Control, Vol. 2, pp. 502-505.
GOLDBERG, D.E.; 1997. “Genetic Algorithms in Search Optimization and Machine
Learning”. John Wiley & Sons, United States of America.
105
LEITE, Patrícia Teixeira; 2003. Aplicação de Técnicas de Inteligência Artificial no
Planejamento da Operação de Sistemas Hidrotérmicos de Potência. PhD Thesis, Escola de
Engenharia de São Carlos, Universidade de São Paulo, São Carlos.
LIN, J G.; 1976. Multi-Objective Problems: Pareto-Optimal Solutions by Method of Proper
Equality Constraints. IEEE Transactions on Automatic Control, Vol. 21, October.
HAUPT, R.L. and HAUPT, S.E.; 1998. “Practical Genetic Algorithms”, volume 1. Wiley-
Interscience - John Wiley & Sons.
HOLLAND, J.H.; 1992. “Adaptation in Natural and Artificial Systems”, volume 1.
Bradford Books; Reprint Edition.
IEEE Std 342-1973 / ANSI C. 37.0731-1973, May 23, 1973. . “Application Guide for
Capacitance Current Switching for AC High-Voltage Circuit Breakers Rated on a
Symmetrical Current Basis”. American National Standard.
MENDES, Alexandre; PISSARA, Cristiane; FRANÇA, Paulo; LYRA, Christiano;
CAVELUCCI, Celso; 2001. Instalação de Capacitores para redução de Perdas em Redes
de Distribuição de Energia Elétrica.
MIRANDA, V.; OO, N.W. & FIDALGO, J.N.; 2001. Experimenting in the Optimal
Capacitor Placement and Control Problem with Hybrid Mathematical-Genetic Algorithms.
Proceedings of the International Symposium of Intelligent Systems Applications in Power
Sytems, Budapest - Hungary.
MONTEIRO, Paulo. Métodos para a análise de fluxo de caixa – FGV – Faculdade Getúlio
Vargas – retirado de
http://etg.ufmg.br/~paulo/ arquivo em formato *.pdf tamanho 92,2
kB.
PEREIRA JUNIOR, B. R., COSSI, A. M., MANTOVANI, J.; 2006. Alocação de Bancos
de Capacitores em Sistema de Distribuição de Energia Elétrica Utilizando Algoritmo
106
Evolutivo Multi-Objetivo. Anais do XVI CBA Congresso Brasileiro de Automática.
Salvador, BA.
RABELO, P.G. and OCHI, L.S.; 1996. Um Novo Algoritmo Genético Híbrido para o
Problema do Caixeiro Viajante com Grupamento. Anais do Simpósio Brasileiro de Redes
Neurais, 1:83–90.
REZENDE, S.O.; 2003. “Sistemas Inteligentes - Fundamentos e Aplicações”, volume 1.
Manole, Bariri - SP. .
SHIRMOHAMMADI, D.; HONG, H.W.; SEMLYEN, A. AND LUO, G.X.; May, 1988. A
Compensation Based Power Flow Method for Weakly Meshed Distribution and
Transmission Networks. IEEE Transactions on Power Systems, vol. 3, no. 2, pp. 753- 762.
SOUSA, Thales; 2003. Estudo de Planejamento de Reativos em Sistemas Elétricos de
Potência. Dissertação de Mestrado. Escola de Engenharia de São Carlos da Universidade
de São Paulo.
SPEARS, W.M.; JONG, K.A.D.; BÄCK, T.; FOGEL, D.B. and DE GARIS, H.; 1993.
(editors) An Overview of Evolutionary Computation, volume 667.
SRINIVAS, M.S.; January 2000. Distribution Load Flows: A Brief Review, Proceedings
of the 2000 IEEE PES Summer Meeting, Singapore.
SUNDHARARAJAN, S. & PAHWA, A.; 1994. Optimal Selection of Capacitors for
Radial Distribution Systems Using a Genetic Algorithm. IEEE Transactions on Power
Systems, Vol. 9, No. 3, August. pp. 1499-1507.
WHITLEY, D.; 1993. A Genetic Algorithm Tutorial. Technical Report CS-93-103,
Colorado State University, Fort Collins, CO 80523.
WINSTON, P.H.; 1992. “Artificial Intelligence”, volume 1. Addison-Wesley Pub Co.
Apêndice A
Cálculo de Fluxo de Potência via Método da Soma das
Potências
O método da soma de potências é um método iterativo composto basicamente pelas
seguintes etapas (SRINIVAS, 2000):
• Cálculo das potências equivalentes em cada barra, no sentido das barras terminais
para a barra fonte;
• Cálculo das tensões nodais em cada barra, no sentido da barra fonte para as barras
terminais (a tensão da barra fonte é conhecida);
• Verificação da convergência: módulo da diferença entre tensões em iterações
sucessivas deve ser menor que tolerância especificada;
• Se não houver convergência, cálculo das perdas nos ramos, no sentido das barras
terminais para a barra fonte. Retorne à etapa 1.
O cálculo das potências equivalentes em cada barra k é dado por:
∑
∑
++=
kjjk
eq
k
PLPPP (A.1)
∑
∑
+++=
sh
kkjjk
eq
k
QQLQQQ (A.2)
onde
P
k
eq
: potência ativa equivalente na barra k;
P
k
: carga ativa na barra k;
ΣP
j
: somatório das potências equivalentes das barras j diretamente conectadas após a barra
k;
ΣPL
kj
: somatório das perdas ativas nos ramos conectados entre a barra k e as barras j;
Q
k
sh
: potência reativa shunt injetada na barra k.
108
Na primeira iteração, as perdas são consideradas nulas, e o cálculo das tensões
nodais em cada barra k é realizado, considerando a figura a seguir:
Figura A.1 – Modelo de linha conectada a duas barras.
*
jkj
eq
j
eq
j
eq
j
IVjQPS −=+= (A.3)
(
)
kshjkkjkj
VjbVVyI
+
−
=
(A.4)
(
)
jshkjkjjk
VjbVVyI
+
−
=
(A.5)
Separando-se as partes real e imaginária, isolando-se os termos em
seno e cosseno e
aplicando-se a relação trigonométrica
sen
2
+ cos
2
= 1, chega-se à seguinte equação
biquadrada:
0
24
=++ CVBVA
jj
(A.6)
onde
22
)(
shkjkj
bbgA ++= (A.7)
[]
2
2
)(2
kkjshkj
eq
jkj
eq
j
VybbQgPB −+−= (A.8)
(
)
(
)
22
eq
j
eq
j
QPC += (A.9)
O módulo da tensão na barra j é obtido pela solução da equação biquadrada. A fase
da tensão na barra j é obtida por:
⎟
⎟
⎟
⎠
⎞
⎜
⎜
⎜
⎝
⎛
+
+−
++=
2
2
)(
arctan
jkj
eq
j
jshkj
eq
j
kjkj
VgP
VbbQ
φθθ
(A.10)
sendo
kjkjkjkjkj
yjbgy
φ
∠=+= (A.11)
109
jjj
VV
θ
∠= (A.12)
kkk
VV
θ
∠= (A.13)
Os fluxos nas linhas são calculados como mostrado a seguir:
*
ijiij
IVS = (A.14)
*
jijji
IVS =
(A.15)
Apêndice B
Cálculo de Perdas a Partir dos Fluxos pelas Linhas de
Transmissão
B.1 Cálculo de Perdas
O modelo utilizado para representar uma linha de transmissão entre a barra i e a
barra m é o equivalente π, representado na Figura B.1, é definido por três parâmetros:
resistência série rl
im
, a reatância série xl
im
e a susceptância shunt . Então, a impedância
do elemento série é:
s
im
b
imimim
xljrlz
⋅
+
=
(B.1)
A admitância série é:
2222
1
imim
im
imim
im
imimimim
xlrl
xl
j
xlrl
rl
zbjgy
+
⋅−
+
==⋅+=
−
(B.2)
onde
im
y : admitância série da linha;
im
g : condutância série da linha;
s
im
b : susceptância série da linha.
i
I
m
I
imimim
jxlrlz
+
=
m
j
mm
eVV
θ
=
i
j
ii
eVV
θ
=
i
m
im
Il
mi
Il
s
im
jb
s
im
jb
Figura B.1 Modelo equivalente π de uma linha de transmissão
111
A corrente (Figura B.1) que percorre a linha entre as barras i e m na direção i-
m
é formada por uma componente série e uma componente shunt, e pode ser calculada a
partir das tensões terminais
, e dos parâmetros do modelo equivalente π.
im
Il
i
V
m
V
(B.3)
i
s
immiimim
VbjVVyIl ⋅⋅+−⋅= )(
onde
im
Il : corrente total que percorre elemento entre as barras i e m, na direção i-m.
Analogamente, a corrente
é dada por:
mi
Il
m
s
imimimmi
VbjVVyIl ⋅⋅+−⋅= )( (B.4)
onde
mi
Il : corrente total que percorre elemento entre as barras i e m, na direção m-i.
Os fluxos de potência complexa
e correspondentes são:
im
Sl
mi
Sl
**
])([
i
s
immiimiimiimimim
VbjVVyVIlVQljPlSl ⋅⋅+−⋅=⋅=⋅+=
(B.5)
**
])([
m
s
imimimmmimmimimi
VbjVVyVIlVQljPlSl ⋅⋅+−⋅=⋅=⋅+= (B.6)
onde
im
Sl , : fluxo de potência aparente que percorre a linha, na direção i-m e m-i;
mi
Sl
im
Pl , : fluxo de potência ativa que percorre a linha, na direção i-m e m-i;
mi
Pl
im
Ql , : fluxo de potência reativa que percorre a linha, na direção i-m e m-i.
mi
Ql
As perdas ativas e reativas nos elementos entre as barras
i e m são dados por:
(B.7)
miimimimim
SlSljQperdaPperdaSperda +=+=
O vetor composto de perdas ativas e reativas em cada linha e transformador da rede
é, portanto,
(B.8)
miim
SlSlSperda +=
A perda total do sistema,
, é obtida somando-se as perdas de cada um dos
nl elementos de Sperda :
Sperda
112
∑
=
=
nl
i
i
tot
SperdaSperda
1
(B.9)
E, a perda ativa total do sistema,
, é obtida da parte real da equação (B.9). Perdas
)(
tot
SperdarealPerdas =
(B.10)
Anexo A
Dados dos Sistemas de 70 Barras
Tabela A.1 – Dados das Cargas do Sistema 70 Barras.
Barra P (kW) Q (kvar) Barra P (kW) Q (kvar)
1 0,00 0,00 48 79,00 56,40
2 0,00 0,00 49 384,70 274,50
3 0,00 0,00 50 384,70 274,50
4 0,00 0,00 51 40,50 28,30
5 0,00 0,00 52 3,60 2,70
6 2,60 2,20 53 4,35 3,50
7 40,40 30,00 54 26,40 19,00
8 75,00 54,00 55 24,00 17,20
9 30,00 22,00 56 0,00 0,00
10 28,00 19,00 57 0,00 0,00
11 145,00 104,00 58 0,00 0,00
12 145,00 104,00 59 100,00 72,00
13 8,00 5,50 60 0,00 0,00
14 8,00 5,50 61 1244,00 888,00
15 0,00 0,00 62 32,00 23,00
16 45,50 30,00 63 0,00 0,00
17 60,00 35,00 64 227,00 162,00
18 60,00 35,00 65 59,00 42,00
19 0,00 0,00 66 18,00 13,00
20 1,00 0,60 67 18,00 13,00
21 114,00 81,00 68 28,00 20,00
22 5,30 3,50 69 28,00 20,00
23 0,00 0,00
Total 3802
,
19 2694
,
60
24 28,00 20,00
25 0,00 0,00
26 14,00 10,00
27 14,00 10,00
28 26,00 18,60
29 26,00 18,60
30 0,00 0,00
31 0,00 0,00
32 0,00 0,00
33 14,00 10,00
34 19,50 14,00
35 6,00 4,00
36 26,00 18,55
37 26,00 18,55
38 0,00 0,00
39 24,00 17,00
40 24,00 17,00
41 1,20 1,00
42 0,00 0,00
43 6,00 4,30
44 0,00 0,00
45 39,22 26,30
46 39,22 26,30
47 0,00 0,00
Tensão Base = 12,66 kV
Potência Base = 10 MVA
114
Tabela A.2 – Dados das Linhas do Sistema 70 Barras.
De Para
R (Ω) X (Ω)
De Para
R (Ω) X (Ω)
1 2 0,0005 0,0012 48 49 0,0851 0,2083
2 3 0,0005 0,0012 49 50 0,2898 0,7091
3 4 0,0000 0,0000 50 51 0,0822 0,2011
4 5 0,0015 0,0036 9 52 0,0928 0,0473
5 6 0,0251 0,0294 52 53 0,3319 0,1114
6 7 0,3660 0,1864 10 54 0,1740 0,0886
7 8 0,3811 0,1941 54 55 0,2030 0,1034
8 9 0,0922 0,0470 55 56 0,2842 0,1447
9 10 0,0493 0,0251 56 57 0,2813 0,1433
10 11 0,8190 0,2707 57 58 1,5900 0,5337
11 12 0,1872 0,0619 58 59 0,7837 0,2630
12 13 0,7114 0,2351 59 60 0,3042 0,1006
13 14 1,0300 0,3400 60 61 0,3861 0,1172
14 15 1,0440 0,3450 61 62 0,5075 0,2585
15 16 1,0580 0,3496 62 63 0,0974 0,0496
16 17 0,1966 0,0650 63 64 0,1450 0,0738
17 18 0,3744 0,1238 64 65 0,7105 0,3619
18 19 0,0047 0,0016 65 66 1,0410 0,5302
19 20 0,3276 0,1083 12 67 0,2012 0,0611
20 21 0,2106 0,0696 67 68 0,0047 0,0014
21 22 0,3416 0,1129 13 69 0,7394 0,2444
22 23 0,0140 0,0046 69 70 0,0047 0,0016
23 24 0,1591 0,0526
24 25 0,3463 0,1145
25 26 0,7488 0,2475
26 27 0,3089 0,1021
27 28 0,1732 0,0572
3 29 0,0044 0,0108
29 30 0,0640 0,1565
30 31 0,3978 0,1315
31 32 0,0702 0,0232
32 33 0,3510 0,1160
33 34 0,8390 0,2816
34 35 1,7080 0,5646
35 36 1,4740 0,4873
4 37 0,0044 0,0108
37 38 0,0640 0,1565
38 39 0,1053 0,1230
39 40 0,0304 0,0355
40 41 0,0018 0,0021
41 42 0,7283 0,8509
42 43 0,3100 0,3623
43 44 0,0410 0,0478
44 45 0,0092 0,0116
45 46 0,1089 0,1373
46 47 0,0009 0,0012
5 48 0,0034 0,0084
Livros Grátis
( http://www.livrosgratis.com.br )
Milhares de Livros para Download:
Baixar livros de Administração
Baixar livros de Agronomia
Baixar livros de Arquitetura
Baixar livros de Artes
Baixar livros de Astronomia
Baixar livros de Biologia Geral
Baixar livros de Ciência da Computação
Baixar livros de Ciência da Informação
Baixar livros de Ciência Política
Baixar livros de Ciências da Saúde
Baixar livros de Comunicação
Baixar livros do Conselho Nacional de Educação - CNE
Baixar livros de Defesa civil
Baixar livros de Direito
Baixar livros de Direitos humanos
Baixar livros de Economia
Baixar livros de Economia Doméstica
Baixar livros de Educação
Baixar livros de Educação - Trânsito
Baixar livros de Educação Física
Baixar livros de Engenharia Aeroespacial
Baixar livros de Farmácia
Baixar livros de Filosofia
Baixar livros de Física
Baixar livros de Geociências
Baixar livros de Geografia
Baixar livros de História
Baixar livros de Línguas
Baixar livros de Literatura
Baixar livros de Literatura de Cordel
Baixar livros de Literatura Infantil
Baixar livros de Matemática
Baixar livros de Medicina
Baixar livros de Medicina Veterinária
Baixar livros de Meio Ambiente
Baixar livros de Meteorologia
Baixar Monografias e TCC
Baixar livros Multidisciplinar
Baixar livros de Música
Baixar livros de Psicologia
Baixar livros de Química
Baixar livros de Saúde Coletiva
Baixar livros de Serviço Social
Baixar livros de Sociologia
Baixar livros de Teologia
Baixar livros de Trabalho
Baixar livros de Turismo