RECEITAS DA DISTRIBUIDORA Em muitos países, o principal evento regulatório no setor de distribuição de
4.7 Metodologia aplicada a um estudo de caso brasileiro
4.7.2 Amostragem dos dados de entrada 1 Cargas
Os consumidores são modelados pelo uso de curvas típicas de carga, que correspondem ao padrão de consumo típico observado. Os dados de carga consideram a demanda da distribuidora em 2019. São utilizadas 1.641 curvas de carga de BT e 24 curvas de carga de MT, que estão distribuídas nos 11 alimentadores analisados, como ilustrado na Figura 18. As curvas de carga são horárias e consideram dia útil (DU), sábado (SA) e domingo (DO) para cada mês; já a diferença entre as cargas mensais é dada por uma variação na amplitude das curvas de carga. A variabilidade da carga é considerada em um determinado tempo, por um determinado consumidor como uma variável aleatória que segue uma Função Distribuição Probabilidade (FDP) triangular simétrica, centrada no valor da carga (C), dado pela curva média, com limite inferior em 0 e limite superior em 2C. A carga na linha e nos transformadores é dada pela composição das cargas individuais de cada consumidor. Todas as amostras, das curvas de carga dos consumidores de média e baixa tensão, são independentes, o que representa uma situação mais realista do comportamento dos consumidores, já que a variabilidade da demanda dos consumidores também é independente.
Figura 18 – Curvas de baixa e média tensão utilizadas
4.7.2.2 Dados meteorológicos
Os dados de irradiação solar e temperatura ambiente dos 11 locais dos alimen- tadores foram obtidos do banco de dados do Instituto Nacional de Meteorologia (INMET, 2020). O registro de dados analisado contém as informações, de 3 (três)
4.7. Metodologia aplicada a um estudo de caso brasileiro 85 anos recentes, com intervalos de uma hora. Com base nos dados meteorológicos, controi-se uma base de geração diária, considerando os dados meteorológicos dos três anos, obtendo-se, no caso de um mês de 30 dias, 90 dados diários de geração FV. A cada iteração, em cada mês, do método de simulação de Monte Carlo, os dados de geração FV de um dia são escolhidos aleatoriamente. É considerado que todos os clientes no mesmo local estão sujeitos à mesma irradiação solar e à mesma temperatura ambiente.
Para calcular a potência FV de saída, é implementado o modelo de geração fotovoltaica desenvolvido pelo National Renewable Energy Laboratory (NREL) (Dobos, 2014). Nesse modelo, a geração DC (Pdc) é diretamente proporcional à
irradiação (Itr) e sofre uma variação linear com a temperatura da célula (Tcell), de acordo com a Equação 4.7. A potência nominal de saída (Pdc0) é calculada considerando a irradiação de referência de 1000 W/m2 e a temperatura de referência (Tref) de 25°C. Pdc= Itr 1000Pdc0 1 + γ(Tcell− Tref) (4.7)
O coeficiente de temperatura (γ) tem como padrão -0,35%/°C, -0,47%/°C, -0,20%/°C, para as tecnologias cristalino premium, cristalino comum e filme fino, respectivamente. Esta tese considera que os painéis solares são de cristalino comum. As perdas no sistema FV não explicitamente modeladas, como sujeira, conexão e degradação, são consideradas constantes e iguais a 14% da energia gerada em corrente contínua, como descritas em (Dobos,2014). A potência de saída em corrente alternada (Pac) é determinada a partir da relação DC-AC, considerando a eficiência do inversor que leva em conta um modelo de perda quadrática, como apresentado em (Driesse et al., 2008). A curva de desempenho resultante da eficiência do inversor (ηinv) é fornecida pelas Equação 4.8 - Equação 4.10:
ηinv = ηnom ηref −0.0162ζ −0.0059 ζ + 0.9858 (4.8) ζ = Pdc Pdc0 (4.9) Pdc0 = Pac0 ηnom (4.10) onde (ηnom) é a eficiência nominal do inversor, (ηref) é a eficiência de referência do inversor dada pela razão da potência AC nominal pela potência DC nominal
(Pac0/Pdc0), baseada nos dados da California Energy Commission (CEC), que, para um inversor típico real, é de 0,9637. A potência de saída (Pca) é considerada com um fator de potência unitário e modelada como uma carga negativa.
4.7.2.3 Localização dos sistemas FV
Para cada fator de penetração (fp), é determinada a energia média anual a ser gerada por todos os sistemas FV no alimentador (ET). Em seguida, os prossumidores que terão geração são escolhidos aleatoriamente partindo do pressuposto de que cada prossumidor instale um sistema FV que forneça energia para seu consumo médio anual. Cada consumidor sorteado tem sua energia anual média (EC sorteados) computada. O processo de alocação de GD-FV ocorre enquanto a soma da energia total dos consumidores sorteados (P EC sorteados) for menor do que a ET. O fluxograma desse processo de alocação aleatória da geração fotovoltaica é apresentado naFigura 19.
4.7. Metodologia aplicada a um estudo de caso brasileiro 87
4.7.3
Dimensionamento das baterias
Para avaliar os efeitos da GD-FV com armazenamento de energia, esta tese considera que cada prossumidor que possui GD-FV tem o próprio SAEB, dimensio- nado de acordo com as curvas de carga e geração. Os consumidores que não possuem geração FV também não contam com SAEB.
Visando maximizar os benefícios técnico-econômicos do SAEB, é importante dimensionar corretamente o sistema FV e o SAEB de acordo com o perfil de carga dos clientes (Linssen et al., 2017). O dimensionamento de um SAEB com geração FV conectado à rede é geralmente feito dimensionando primeiro o sistema FV e, em seguida, otimizando a capacidade do SAEB (Koskela et al., 2019).
Um tamanho adequado do SAEB corresponderia aproximadamente à carga média do cliente durante os períodos de alto custo, pois a carga poderia ser totalmente suportada usando esse SAEB. Teoricamente, se o tamanho do SAEB aumentar ainda mais, o aumento na economia anual de custos, que depende da capacidade do SAEB, começa a cair, e o lucro, a diminuir (Koskela et al.,2019). Com tarifas volumétricas, o tamanho ideal do SAEB depende da diferença entre a potência de pico (potência máxima média horária) e o limite de potência aceitável (Koskela et al., 2019).
Esta tese considera que o dimensionamento do SAEB de cada prossumidor é baseado na curva média de carga anual de cada prossumidor. AFigura 20 mostra as curvas de carga média, a geração média e o valor médio da curva de carga média de um cliente típico residencial. A potência do SAEB (kwRated) de cada prossumidor é dada pelo maior valor do módulo da Carga Líquida Média (CLM), ou seja, (carga média – geração média), conforme a Equação 4.11.
kW RatedSAEB = max (|D1|, |D2|) (4.11)
O Intervalo de Carregamento (IC) do SAEB é dado pelo período em que a carga líquida média é menor do que o negativo do valor médio da carga média, e o Intervalo de Descarga (ID) do SAEB é estabelecido pelo período em que a carga líquida média é maior do que o valor médio da carga média, conforme mostra aFigura 21. Dessa forma, na média, a bateria é projetada para absorver todo o excedente da demanda média do consumidor, que pode ser a demanda contratada, reduzindo picos de energia (geração e carga), além de proporcionar o autoconsumo.
Figura 21 – Intervalo de carga e descarga da bateria
A energia do SAEB de cada prossumidor (kWhRated) é dada pelo maior valor da energia no período de carga e no período de descarga, como mostra aFigura 22. Ou seja, a energia do SAEB é dada pelo maior valor A1 ou A2, conforme aEquação 4.12.
kW hRatedSAEB = max (|D1 × IC|, |D2 × ID|) = max (|A1|, |A2|) (4.12)
As perdas da bateria de íon-lítio, que atualmente estão liderando o mercado (Killer et al., 2020), aumentam quando o estado de carga State Of Charge (SOC)
é baixo ou muito alto (Tremblay et al.,2007). Por esse motivo, os limites SOC da bateria foram definidos em 25–95%, o que resulta em uma reserva de 30%. O modelo
4.7. Metodologia aplicada a um estudo de caso brasileiro 89
Figura 22 – Energia do SAEB no carregamento e no descarregamento
de bateria utilizado é do OpenDSS no modo default, em que é necessário passar o comando para a bateria carregar (ChargeTrigger) e descarregar (DischargeTrigger) (Dugan et al., 2017). A Tabela 12 apresenta as propriedades e os valores utilizados
do modelo da bateria no OpenDSS.
Tabela 12 – Parâmetros e valores utilizados no modelo storage do OpenDSS
Nome da propriedade Valor Descrição
kWhrated Energia do SAEB
kWrated Potência do SAEB
kWhstored 0,95 Energia máxima armazenável em kWh do SAEB
Pf 1 Fator de potência
Model 1 O SAEB injeta uma potência constante em kW %EffCharge 98 Eficiência do SAEB no carregamento em porcentagem %EffDischarge 98 Eficiência do SAEB no descarregamento em porcentagem %reserve 25 Reserva mínima de energia do SAEB em porcentagem
%Discharge 100 Potência de saída do SAEB em porcentagem da potência nominal %Charge 100 Potência de entrada do SAEB em porcentagem da potência nominal %IdlingkW 1 Porcentagem em kW da potência nominal do SAEB em stand-by %stored 0 Valor da energia inicial do SAEB em porcentagem
ChargeTrigger Valor de referência (da curva de carga) para carregamento do SAEB DischargeTrigger Valor de referência para descarregamento do SAEB
Dispmode Default O SAEB é acionado pelo valor da curva de carga correspondente TimeChargeTrig -1 Desativa a entrada automática do SAEB no estado de carga