Nesta seção, serão mostrados os principais aspectos de algumas publicações que seguem a mesma linha de pesquisa da presente dissertação, ou seja, trabalhos que abordam o problema da reconfiguração de SDE considerando o impacto de incertezas do sistema e de fontes renováveis de energia. Essa revisão tem por objetivo mostrar como o assunto tratado na presente dissertação é atual e relevante para o planejamento e operação de SDE.
ZIDAN e EL-SAADANY (2013) desenvolveram uma metodologia para reconfiguração de SDE visando à minimização das perdas anuais de energia por meio da determinação da configuração ótima de chaves manobráveis para cada estação do ano. Incertezas referentes à variação de carga diária e alocação de GD estocástica são modeladas no problema. As fontes de energia renováveis consideradas são: módulos fotovoltaicos, turbinas eólicas e fontes de biomassa. O método baseia-se na geração de um modelo de carga probabilística que combina todas as possíveis condições de funcionamento das fontes de GD com suas probabilidades de ocorrência. O problema da reconfiguração é solucionado pela técnica meta-heurística Algoritmo Genético. Limites de tensão nas barras, limites de correntes nos trechos e topologia radial e conexa são características levadas em conta na resolução do problema. Outra importante contribuição deste trabalho é que a metodologia se aplica tanto a sistemas de distribuição balanceados com a sistemas de distribuição desbalanceados.
SEDAGHATI e KAVOUSI-FARD (2014) publicaram uma metodologia baseada no Método da Estimativa Pontual para resolver o problema da reconfiguração de SDE, considerando incertezas na demanda e na velocidade dos ventos nas turbinas eólicas. A formulação do problema é multi-objetivo e visa atender: a minimização de perdas de potência ativa, os desvios de tensão nas barras, a minimização dos custos totais do sistema e da emissão de poluentes (dióxido de enxofre e dióxido de nitrogênio) produzidos pelas turbinas eólicas e pela subestação. Para atender esses diversos objetivos, que são conflitantes, uma técnica de agrupamento baseada em conjuntos fuzzy é incorporada ao Método de Pareto. Uma melhoria no algoritmo inspirado no comportamento dos vagalumes em regiões tropicais é implementada, a fim de melhor se adequar ao problema de reconfiguração.
Em TABATABAEI e NIKNAM (2012), uma metodologia é proposta para a reconfiguração de SDE levando em consideração o impacto das incertezas da carga e da
velocidade do vento em aerogeradores. Para incorporar essas incertezas no problema, é utilizado um fluxo de potência probabilístico baseado no Método da Estimativa Pontual. A metodologia visa otimizar diferentes objetivos, incluindo as perdas totais de energia e os desvios de tensão nas barras. Restrições de limite de fluxo nos trechos também são consideradas. Para atender aos diferentes objetivos de forma simultânea, um tomador de decisão fuzzy é usado para modelar os operadores (perdas e desvios de tensões) e atender de forma eficiente os múltiplos objetivos. Além disso, um algoritmo baseado no acasalamento das abelhas produtoras de mel é desenvolvido para resolver o problema da reconfiguração multiobjetivo. A metodologia proposta é comparada a outras metodologias heurísticas e meta- heurísticas.
XING et al. (2014) propuseram uma metodologia para a reconfiguração de SDE considerando incertezas presentes na carga e nas fontes de energia renováveis. A inserção de geradores eólicos e geradores fotovoltaicos é considerada. A incerteza na velocidade do vento dos geradores eólicos é modelada através de uma função de densidade de probabilidade Weibull. A incerteza na intensidade de iluminação para os geradores fotovoltaicos é modelada através de uma função de densidade de probabilidade Beta. Já a incerteza na carga é modelada por uma função de densidade de probabilidade Normal. A simulação de Monte Carlo é utilizada no fluxo de potência probabilístico. Neste fluxo, ocorre a geração de diversos cenários operativos, através da observação indireta das variáveis aleatórias associadas às funções de densidade de probabilidade. Uma modificação na técnica meta-heurística Algoritmos Genéticos é implementada para a resolução do problema da reconfiguração de SDE. Nesta modificação, o mecanismo de cruzamento é retirado e a propagação da descendência é realizada a partir de um único cromossomo. Restrições de tensão, limite de fluxos nos trechos, radialidade e conectividade da rede são consideradas.
BORGES e MARTINS (2012) desenvolveram uma metodologia para o planejamento e expansão de SDE baseada na técnica meta-heurística Algoritmos Genéticos, onde ocorre a integração de diversas alternativas de expansão em um único modelo. Pode-se citar como algumas das possíveis alternativas de expansão as seguintes: alocação de GD, reconfiguração de SDE, instalação de novos dispositivos de proteção, dentre outras. Para incorporar as incertezas em relação a GD, à demanda e à geração, uma técnica baseada na teoria dos múltiplos cenários é proposta. Com esta técnica, é possível definir a melhor alternativa de expansão para cada um dos cenários analisados, através da aplicação de método de tomada de
decisão. O Algoritmo Genético é executado para cada cenário visando obter a melhor alternativa de expansão, levando em consideração a incerteza na carga, na GD e na geração convencional, importada do sistema via subestação, do respectivo cenário. Todas as restrições dos sistemas são consideradas.
Pode-se notar nos trabalhos revisados dessa seção, que os mesmos apresentam metodologias complexas, envolvendo problemas multiobjetivos que necessitam da união de diversas técnicas de modelagem de incertezas para sua resolução. Nesse sentido, a metodologia proposta na presente dissertação contribui no que se refere a forma como é abordado o problema, pois permite avaliar de forma direta o impacto de incertezas na reconfiguração através de comparação de intervalos para um importante objetivo, a minimização de perdas.