Niterói, 12 de Maio de 2018
Minicurso
Inteligência Artificial Aplicada a
Sistemas Elétricos
Ivo Junior, Leonardo Willer, Bruno Dias,
Vitor Hugo Ferreira e Flavio de Mello
Realização
Histórico
Frank Heppner, biólogo, década de 80: iniciou
um estudo sobre o comportamento de bandos
de pássaros.
O PSO - técnica de otimização baseada no
comportamento estocástico de aves e peixes.
Introduzido inicialmente por Kennedy e
Eberhart em 1995
Inspiração Biológica
Mecanismo de otimização = modelagem
baseada na interação de uma determinada
população de pássaros durante o vôo na busca por
alimento.
Inspiração Biológica
Influenciado pela experiência individual bem como
Tabela I – Identificação dos Termos do PSO
Termo Significado
Partícula Pássaro
Enxame Bando de Pássaros
Espaço de busca Área sobrevoada pelos pássaros
Posição Localização de cada pássaro
durante o vôo
Solução Ótima Localização do pássaro onde ele encontrou o alimento ou ninho
Fitness Função de avaliação
Pbest Melhor posição conhecida pelo
pássaro
Gbest Melhor posição conhecida pelo
enxame
Algoritmo
A técnica de otimização por enxame de
partículas é um algoritmo que possui uma
população
de
partículas.
Cada
partícula
representa uma possível solução para o
problema de otimização.
Cada partícula possui associada a ela um vetor
Algoritmo
A idéia é que as partículas voem pelo espaço de
busca tendo suas velocidades atualizadas
dinamicamente
de
acordo
com
as
das
experiências
(conhecidas
anteriormente)
individuais e coletiva de todo o enxame.
A evolução do algoritmo está ligada à trajetória
percorrida pelo enxame e ao tempo gasto para
encontrar a melhor solução do problema.
Formulação Matemática
No PSO a atualização da velocidade e da posição
Formulação Matemática
Representa a experiência individual da
partícula (
comportamento cognitivo
)
Representa experiência do enxame
Formulação Matemática
Limites a serem obedecidos
Limite de Posição do Espaço de Busca:
Metodologias Propostas
x y fitness min max Espaço de Busca
x y
fitness min max
Velocidade
Metodologias Propostas
Posição da Partícula 1 1 , 2 2(
1)
( )
. (
)
. (
)
i i best i i best iv t
v t
r p
x
r g
x
(
1)
( )
(
1)
i i ix t
x t
v t
x y
fitness min max
x y
fitness min max
x y
fitness min max
x y
fitness min max
x y
fitness min max
x y
fitness min max
Aplicações
Gerenciamento Ótimo da Produção de Petróleo;
Problemas de Planejamento de Sistemas de Transmissão
de Energia Elétrica;
Verificação da Qualidade da Energia Elétrica;
Guerra Eletrônica;
Funções benchmark padrão
n n i i x x x f , 5,5 1 2
1 1 2 2 2 1 1 , 10,10 100 n i n i i i x x x x x f 1)Sphere Function 2)Rosenbrock Function D i i i x x x f 1 2 10 2 cos 10 3)Rastrigin Function 4)Ackley Function n n i i n i x x n x n e xf 20 20exp 0.2 1 exp 1 cos2 , 32,32
1 1 2
Funções Benchmarking
Funções Benchmarking
Rosenbrock
Definições de Geração Distribuída (GD)
Introdução
28
ANEEL
EPRI
IEEE
- ONS, ou não - Diretamente no SDEE, ou isolada - Qualquer potência - Benefícios - Diretamente no SDEE - Até 5 MW
- Qualquer ponto do SEP
- Menor que geração centralizada
SDEE – Sistema de Distribuição de Energia Elétrica
Por que a alocação de GD é um problema relevante?
Introdução
29 GD SE GD GD- Perdas de potência ativa - Perfil de tensão
- Aspectos financeiros - Meio ambiente
- Operação e manutenção do SDEE
GD
L V
Com GD Sem GD
Caracterização do problema
Introdução
30 GD SE GD GD GD GD GD- Em quais barras alocar GD?
Problema combinatório! Variáveis de decisão inteiras
- Quanto de potência despachar?
Problema não linear!
Variáveis de decisão contínuas
(Visando um ou mais objetivos)
0 1 2 3 4 5 6 0 2 4 6 -3 -2 -1 0 1 2 3 eixo x eixo y f( x ,y )
- Desenvolvimento de algoritmos específicos para determinados problemas
GD
SE
GD GD
Estado da arte sobre alocação de GD
Introdução
31
- Desacoplamento do problema em: Localização e Dimensionamento
- Hibridização entre algoritmos de otimização
2015 2016
Todas as fontes 16,5 MW 72,4 MW Solar
fotovoltaica 13,3 MW 56,9 MW GD no Brasil – Potência Instalada
Fonte: Balanço Energético Nacional 2017 – MME - EPE
Motivações:
Objetivos e Motivações
32
GD é uma modalidade de produção de energia elétrica em plena
Alocação e Dimensionamento ótimo
de geração distribuída usando
otimização heurística híbrida
Objetivos
Determinação de alocação e dimensionamento de
unidades de GD, visando minimizar perdas ativas.
Uso de PSO e OPF para busca de .
Additionally use a sensitivity index in order to
improve the convergence of the method.
Metodologia Proposta
Processo Duplo.
Part 1 – algortimo PSO gera candidatos ao
problema.
Part 2 – OPF determina o dimensionamento da
GD como objetivo de mínimas perdas.
Índice de sensibilidade ajuda a melhorar a escolha
Metodologia Proposta
Particle Swarm Optimization (PSO)
Índices Sensibilidade.
; L ij j ij j DGi j i L ij i ij i DGj i j P A P B Q P P A P B Q P
; n L ij j ij j DGi j i n L ij i ij i DGj i j P A Q B P Q P A Q B P Q
Metodologia Proposta
Algoritmo Proposto
• Parâmetros do PSO
• 50 Particulas • 1 = 2 = 2 • Inércia de 0.9 a 0.4 •# Max Iterações = 50 • Max GD: 2000 kW and 2000 kVAR Initialize particle population (1)
Check the stopping criterion (6) Determine the size of DG
Using OPF (3)
End
Yes
Calculate values of Pbest and Gbest (4)
Update particles positions and velocities
(5) Sensitivity Analysis (2)
Resultados
• 12.66 kV • Carga total: 3,802.2 kW and 2,694.0 kVar • perdar: 225.0 kWResultados
Caso 1: Alocação de potência ativa
1 GD Barra Dimensão (kW) perdas (kW) Proposta 61 1872.7 83.22 [26] 61 1500.0 88.21 [27] 56 1807.4 84.98 2 GDs Barra Dimensão (kW) perdas (kW) Proposta 17/ 61 531.5 / 1781.5 71.68 [26] 62/ 61 861.0/ 886.0 83.91 [27] 56/ 53 1724.1/ 519.4 73.19 3 GDs Barra Dimensão (kW) perdas (kW) Proposta 11/ 18/ 61 526.8/ 380.4 / 1719 69.43 [26] 62/ 18/ 61 736.0/ 519.0/ 809.0 73.76 [27] 56/ 55/ 33 1666.7/ 375.9/ 508.4 70.88
Resultados
Caso 2: Alocação de Potência Reativa
1 DG Barra dimensão (kVar) perdas (kW) Proposed 61 1330.0 152 [27] 56 1326.6 155.29 2 GDs Barras dimensão (kW) perdas (kW) Proposed 17/ 61 361.1 / 1275.0 146.44 [27] 53/ 56 367.9/ 1247.8 149.63 3 GDs Barras dimensão (kW) perdas (kW) Proposed 11/ 21/ 61 413.1/ 230.6/ 1232.4 145.12 [27] 56/ 61/ 33 1202.5/ 233.2/ 303.7 148.31
Caso 3: Alocação de ativa e reativa
1 GD Barra dimensão P (kW) dimensão Q (kVar) Perdas (kW) Proposed 61 1828.7 1300.6 23.17 [27] 61 1870.0 1159.0 23.92
Resultados
Caso 4: Alocação de ativa usando sensibilidade
Barras
59, 60, 65, 50, 13, 63, 12, 62, 11, 48, 68, 43, 64, 27, 15, 49, 10, 20, 33, 34, 58, 66, 35, 9, 25, 16, 19, 41, 17, 6, 52, 32, 53, 23, 30, 8, 14, 51, 7, 54,
55, 56, 47, 21, 44, 38, 61, 26, 2, 29, 37, 28, 36, 22, 5, 40, 42, 18, 3, 69, 67, 39, 46, 45, 57, 31, 24, 4, 1
Barras Top Ranked– Indice de potência ativa
Barras Top Ranked – Indice de potência reativa
Barras
59, 60, 65, 50, 13, 63, 12, 62, 11, 48, 68, 43, 64, 27, 15, 49, 10, 20, 33, 34, 58, 66, 35, 9, 25, 16, 41, 19, 17, 6, 52, 32, 53, 23, 30, 8, 51, 7, 14, 54,
55, 56, 47, 21, 44, 38, 61, 26, 2, 28, 29, 36, 37, 22, 5, 40, 42, 18, 3, 69, 67, 39, 45, 46, 57, 31, 24, 4, 1
População Inicial PSO – Indices de Sensibilidade
Barras 59, 60, 61, 62, 63, 64, 65, 50,13, 14, 15, 16, 17, 18, 19, 20, 21, 22, 23, 24, 25, 26, 27, 68, 69, 43, 44, 45, 46, 33, 34, 35, 66, 52
Resultados
Uso de métodos derivados sozinho não auxilia muito
no problema.
Indices de sensibilidade auxiliam o PSO na redução
44
Dimensionamento das GDs
ANEEL Recomenda! Perdas de potência ativa Barras escolhidas PSO MATLAB FPO LINGO45
Dimensionamento das GDs
Perdas ativas + Perfil de tensão Despacho das GDs Barras escolhidas Fluxo de Potência Trifásico (FPT) OpenDSS Gradiente Descendente MATLAB Perdas finais de cada indivíduo MED MATLAB Minimizar 𝑃𝐿 + λ 𝑉𝑗 − 𝑉𝑙𝑖𝑚 2 𝑛𝑏𝑢𝑠 𝑗=1 Fator depenalização Limite extrapolado
Sistemas Trifásicos Equilibrados
ANEEL Recomenda! Minimizar 𝑃𝐿 + λ 𝑉𝑗 − 𝑉𝑙𝑖𝑚 2 𝑛𝑏𝑢𝑠 𝑗=1
Abordagens tradicionais
Programação matemática
Sistemas naturais
Princípios que governam sistemas naturais
Agentes operando em conjunto com comportamentos complexos
Robustez
Introdução
Aprendizado de Máquinas
Reconhecimento de Padrões
Otimização
Rede Neural Booleana (AntiBody NETwork - ABNET)
Aplicações
Sistema imune natural inato
Resposta rápida e efetiva
Imediatamente disponíveis
Sistema imune natural adaptativo
Resposta mais lenta e duradoura
Reação a um agente específico
SIA Sistema Imunológico Artificial
Introdução
48 Antígeno-Ag (invasor)
Célula B x Receptor (anticorpo) Plasmócito x Anticorpo-Ab
Especificidade
Complementaridade x Afinidade
Ativação da célula B (limiar de afinidade) Seleção Clonal
Maturação de afinidade
Sistema Imune Adaptativo
Castro e Zuben (2000): Aprendizagem de máquinas e reconhecimento de padrões
Castro e Zuben (2002): Otimização
Mecanismos modelados:
Geração do repertório inicial de anticorpos
Afinidade da ligação dos anticorpos ao antígeno Seleção Clonal
Maturação de afinidade
Clonagem, Hipermutação Somática e Edição de Receptores.
Algoritmo
de Seleção Clonal - CLONALG
Afinidade mútua mínima x Região de reconhecimento V
ε
Forma generalizada de uma molécula
Conjunto L de parâmetros
Ponto no espaço L dimensional, Espaço de Formas S, forma
generalizada da região de ligação ao antígeno
Reflexão
Lugares geométricos
ESPAÇO DE FORMAS
RECONHECIMENTO VIA PORÇÕES DE REGIÕES COMPLEMENTARES
Espaço de Formas (Shape-Space)
Distância Euclidiana Distância de Manhattan
Distância de Hamming
Medida de afinidade de Hunt ( l = comp. de cada porção de ligação com mais de 2 bits complementares)
Medida de similaridade de Rogers & Tanimoto
Medição de Afinidade
- Limiar de afinidade Ab-Ag
FUNÇÃO SIGMÓIDE
Determina se ocorre ou não a ligação
Função de ativação degrau x função de ativação sigmoidal
Valor de ligação:
vl ϵ [0,1]
FUNÇÃO DEGRAU
“Apenas aquela célula capaz de reconhecer um determinado estímulo antigênico irá se proliferar, sendo, portanto, selecionada em detrimento das outras”.
Princípio da Seleção Clonal
Hipermutação Somática + Seleção Clonal → exploração local do espaço de regiões
Edição de Receptores → resposta imunológica sai de ótimos locais insatisfatórios
Maturação de Afinidade
55
Hipermutação Somática
d + m n n d
Algoritmo Básico
5657
Avaliação de Afinidades
*
*( ) 1/ 1 exp
( )
/
f
i
f i
f
Normalização de afinidades
Oliveira et al. (2014)
: valor máximo de afinidade : desvio padrão das afinidades
*
58
Clonagem
1(
)
n iN
Nc
round
i
Castro e Zuben (2002)
Reconhecimento de Padrões
n : anticorpos selecionadosN: número total de anticorpos do repertório β: fator multiplicativo
59
Clonagem
1(
)
n
iNc
round
N
Otimização
0 0.2 0.4 0.6 0.8 1 0 0.2 0.4 0.6 0.8 1 f* p r = 10 r = 20 r = 5 60
Hipermutação
fe
Castro e Zuben (2002)
Alves et al. (2004)
Gerações de alta e baixa mutação intercaladas
α : taxa de mutação
ρ: parâmetro de controle f: afinidade
Pesquisa no espaço de busca;
Geração de variações genéticas aleatórias
Taxa de hipermutação inversamente proporcional a afinidade.
Hipermutação
62
Hipermutação
Solução Viável?
Seleção Negativa
63
Aplicação: O Caixeiro Viajante
A
B
C
E
D
Problema do Caixeiro Viajante
Soluções Possíveis:
Todos os percursos fechados passando por cada cidade uma única vez.
Objetivo:
Minimizar a distância total do percurso.
5 3 4 3 2 4 4 5 5 6
64
Aplicação: O Caixeiro Viajante
Representação das Soluções:
Seqüência de cidades do percurso. s=[B,D,E,C,A]
A
B
C
E
D
5 3 4 3 2 4 4 5 5 6 Função Objetivo:Distância total do percurso.
custo(s) = 6 + 4 + 5 + 4 + 2 = 21 Parâmetros do SIA: N = 10 n = 2 β = 0,2 ρ = 0,3 d = 1
Repertório Inicial
Aplicação: O Caixeiro Viajante
Anticorpo Distância s1 = [B,D,E,C,A] 21 s2 = [A,D,E,B,C] 20 s3 = [E,B,D,C,A] 22 s4 = [A,B,D,E,C] 21 s5 = [B,E,C,D,A] 21 s6 = [A,D,B,E,C] 24 s7 = [A,D,C,B,E] 20 s8 = [B,E,D,A,C] 20 s9 = [B,E,D,C,A] 19 s10 = [E,A,D,C,B] 20
A
B
C
E
D
5 4 4 4 2 s9 Seleção 65Clonagem
Afinidade (f) é o inverso da função objetivo (fob) (problema de minimização) f(1) = f [s2] = 1 / fob*[s2] = 1 / 20 = 0,0500
f(2) = f [s9] = 1 / fob*[s9] = 1 / 19 = 0,0526
Afinidade normalizada dos anticorpos selecionados
(f* = f / fmax, em que fmax é a máxima afinidade entre os selecionados) f*[s2] = f [s2] / fmax = 0,0500 / 0,0526 = 0,95
f*[s9] = f [s9] / fmax = 0,0526 / 0,0526 = 1,00
Aplicação: O Caixeiro Viajante
66 Hipermutação somática Clones de s2: Clones de s9: * 0,3 0,95 2
0, 75
f se
e
* 0,31,00 90, 74
f se
e
Hipermutação somática
Número de clones para cada selecionado
Sorteio de um número aleatório (a) para cada clone
Aplicação: O Caixeiro Viajante
67
s2(clone1) [A,D,E,B,C]: a = 0,81 >
s2
0, 75
s2(clone1) não mutas2(clone2) [A,D,E,B,C]: a = 0,54 <
s2
0, 75
s2(clone2) muta
s9(clone1) [B,E,D,C,A]: a = 0,12 <
s9
0, 74
s9(clone1) mutas9(clone2) [B,E,D,C,A]: a = 0,92 >
s9
0, 74
s9(clone2) não muta
[s2] round( )= 2 [s9] round( )= 2
Nc
=
β.N
Aplicação do Operador de Mutação Troca entre duas posições aleatórias
Aplicação: O Caixeiro Viajante
68
s2(clone2) [A,D,E,B,C] s9(clone1) [B,E,D,C,A]
s2(clone2 mutante) [A,B,E,D,C] s9(clone1 mutante) [A,E,D,C,B]
Avaliação da população de clones após a mutação
s2(clone1) [A,D,E,B,C] → distância = 20
s2(clone2 mutante) [A,B,E,D,C] → distância = 19 s9(clone1 mutante) [A,E,D,C,B] → distância = 17 s9(clone2) [B,E,D,C,A] → distância = 19
Substituição dos n melhores clones após a mutação no repertório de anticorpos
Aplicação: O Caixeiro Viajante
Anticorpo Distância s1 = [B,D,E,C,A] 21 s2 = [A,D,E,B,C] 20 s3 = [E,B,D,C,A] 22 s4 = [A,B,D,E,C] 21 s5 = [B,E,C,D,A] 21 s6 = [A,D,B,E,C] 24 s7 = [A,D,C,B,E] 20 s8 = [B,E,D,A,C] 20 s9 = [B,E,D,C,A] 19 s10 = [E,A,D,C,B] 20 69 Anticorpo Distância s1 = [B,D,E,C,A] 21 s2 = [A,D,E,B,C] 20 s3’ = [A,B,E,D,C] 19 s4 = [A,B,D,E,C] 21 s5 = [B,E,C,D,A] 21 s6’ = [A,E,D,C,B] 17 s7 = [A,D,C,B,E] 20 s8 = [B,E,D,A,C] 20 s9 = [B,E,D,C,A] 19 s10 = [E,A,D,C,B] 20 s9 (clone1 mutante) s2 (clone2 mutante)
Edição de receptores
Geração aleatória de 1 solução (d = 1) → [A,D,B,C,E]
Inserção do „d’ novo anticorpo na população
Aplicação: O Caixeiro Viajante
70 Anticorpo Distância s1 = [B,D,E,C,A] 21 s2 = [A,D,E,B,C] 20 s3’ = [A,D,E,B,C] 19 s4 = [A,B,D,E,C] 21 s5 = [B,E,C,D,A] 21 s6’ = [A,E,D,C,B] 17 s7 = [A,D,C,B,E] 20 s8 = [B,E,D,A,C] 20 s9 = [B,E,D,C,A] 19 s10 = [E,A,D,C,B] 20 d Anticorpo Distância s1 = [A,D,B,C,E] 22 s2 = [A,D,E,B,C] 20 s3’ = [A,B,E,D,C] 19 s4 = [A,B,D,E,C] 21 s5 = [B,E,C,D,A] 21 s6’ = [A,E,D,C,B] 17 s7 = [A,D,C,B,E] 20 s8 = [B,E,D,A,C] 20 s9 = [B,E,D,C,A] 19 s10 = [E,A,D,C,B] 20
Convergência? 1 geração → SIM
População final de anticorpos
Aplicação: O Caixeiro Viajante
71 Anticorpo Distância s1 = [A,D,B,C,E] 22 s2 = [A,D,E,B,C] 20 s3’ = [A,B,E,D,C] 19 s4 = [A,B,D,E,C] 21 s5 = [B,E,C,D,A] 21 s6’ = [A,E,D,C,B] 17 s7 = [A,D,C,B,E] 20 s8 = [B,E,D,A,C] 20 s9 = [B,E,D,C,A] 19 s10 = [E,A,D,C,B] 20
Solução Ótima Encontrada
A
B
C
E
D
4 2 3 5 372
Aplicação: Reconfiguração
Sistema de Distribuição
de Energia (SDE)
73 subestação 1 2 3 4 6 7 5
Facilita coordenação da
proteção
Atenuação da corrente
de curto-circuito
Menor confiabilidade
Dispositivos de chaveamento
NF
NA
Aplicação: Reconfiguração
74
Eficiência
Maximizar a relação entre a saída e a entrada
do sistema
Energia entregue ao
consumidor final
Energia adquirida
SDE
Minimizar as perdas de energia ao longo da
cadeia produção - transporte - consumo.
75
Impacto nas tarifárias (US$/kWh)
Decreto 4.562 (2002), §1º art. 1º
Questões ambientais
Perdas no Brasil (2014)
76 subestação 1 2 3 4 6 7 5
Otimização do SDE
Redução das perdas técnicas
ABERTO FECHADO ABERTO FECHADO 7
77
Perdas Ativas (W)
2 2 km mk kmPerdas
P
P
f ( I ,V )
k
P
kmm
P
mkNão Linearidade
Natureza inteira mista
Características do Problema
k
m
“0” “1”
78
Natureza combinatória e elevada dimensão
Reconfiguração
Cada chave possui duas opções (0-1)
Sistema com 10 chaves: 2
10soluções
= 1024
subestação 1 2 3 4 6 7 5Requisito: eficiência computacional
Qualidade das soluções (eficácia)
Tempo de Processamento
79
Região de Solução
PerdasPerdas
80 6 3 4 7 8 A B C D E 2 F G
Perda Total = Perda Total + 4 + 8 =
Perda Total +
12
Perda Total = Perda Total + 4 + 7 =
Perda Total +
11
Perda Total = Perda Total + 4
Perda Total = Perda Total + 6
Perda Total = Perda Total + 6 + 2 =
Perda Total +
8
Percurso percorrido Ótimo Local
Percurso ótimo global
Características do Problema
81 subestação 1 2 3 4 6 7 5 subestação 1 2 3 4 6 7 5
Radialidade
Conectividade
Características do Problema
82
Variação
Perió
dica
da
Carga
1.0 0.8 0.6 0.4 0.2 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 hours per unit - MWCaracterísticas do Problema
83
Sujeito a:
Função Objetivo = Custo Perdas
Balanço de Potência Ativa
Balanço de Potência Reativa
FOB = Custo Perdas =
,
1 1.
. .
NT NB u u km km u u k m k kmce T L
CH (x
)
, , km . , 0 ( , ) k u k u km km u k u m k CH (x ) Pg Pl P
p
, , km . , 0 ( , ) k u k u km km u k u m k CH (x ) Qg Ql Q
q
Formulação do Problema
84
min max ,
k k u k
Pg
Pg
Pg
Limites de Geração (MW) Limites de Geração (MVAr)
min max , k k u k
Qg
Qg
Qg
Limites de Tensão (V) min max , k k u kV
V
V
Valores das chaves
[0,1]
km
CH
Formulação do Problema
85
• Matriz de anticorpos x atributos (Nab x L); • Inclui apenas topologias radiais e conexas; • Configuração base como primeiro anticorpo.
86
Inverso da função
objetivo
Codificação via SIA
87
• Normalização Sigmoidal
88
89
90
Sistema de 16 Barras
3 alimentadores de 23 kV
16 circuitos
3 chaves de interconexão
12 chaves de seccionamento
V
SE= 1,0 p.u.
0,9 p.u. ≤ V
i≤ 1,1 p.u.
Perdas Iniciais: 511,44 kW
S1 S2 S3 S4 S5 S6 S7 S8 S9 S10 S11 S12 S13 S14 S15 S16ALIM 1 ALIM 2 ALIM 3
SE SE SE 2 3 4 5 6 14 7 9 10 13 11 12 8
Exemplo
91 S1 S2 S3 S4 S5 S6 S7 S8 S9 S10 S11 S12 S13 S14 S15 S16
ALIM 1 ALIM 2 ALIM 3
SE SE SE 2 3 4 5 6 14 7 9 10 13 11 12 8
Configuração Perda (kW) C. Interconexão Atual 466,13 S7, S8, S16 Configuração Perda (kW) C. Interconexão
Atual 479,29 S7, S8, S4 Configuração Perda (kW) C. Interconexão
Atual 492,83 S7, S8, S13 Configuração Perda (kW) C. Interconexão
Atual 466,13 S7, S8, S16 Configuração Perda (kW) C. Interconexão
Atual 493,15 S15, S8, S16 Configuração Perda (kW) C. Interconexão
Atual 1.334,33 S5, S8, S16 Configuração Perda (kW) C. Interconexão
Atual 466,13 S7, S8, S16 Configuração Perda (kW) C. Interconexão
Atual 483,87 S7, S14, S16 Configuração Perda (kW) C. Interconexão
Atual 466,13 S7, S8, S16 Configuração Perda (kW) C. Interconexão
Atual 705,03 S7, S6, S16
Exemplo
Oliveira, L.W.O., Oliveira, E.J., Gomes, F.V., Silva Junior, I.C.,
Marcato, A.L.M., Resende, P.V.C.,
Artificial Immune Systems
applied to the reconfiguration of electrical power distribution
networks for energy loss minimization
, Int J Electric Power Energy
Syst 2014; 56(1):64–74.
Referência
93
Nível de Tensão: 12,66 kV
37 circuitos
5 chaves de interconexão
0,85 p.u. ≤ V
i≤ 1,10 p.u.
Sistema de 33 Barras
S1 S2 S3 S4 S5 S6 S7 S8 S9 S10 S11 S18 S19 S20 S21 S33 S35 S12 S13 S14 S34 S15 S16 S17 S25 S26 S27 S28 S29 S30 S31 S32 S36 S22 S23 S24 S37 SE 9 13Aplicação 1
94
Resultado
Configuração Inicial GOMES et al. (2006) CLONR
RAJU e BIJWE (2008) Chaves Abertas S33, S34, S35, S36, S37 S7, S10, S14, S32, S37 S7, S9, S14, S32, S37
Perdas (kW) 202,68 140,28 139,55
95 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 0 0.5 1 1.5 Hora F a to r d e C a rg a R e a ti va 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 0 0.2 0.4 0.6 0.8 1 1.2 1.4 Hora F a to r d e C a rg a A ti va
Barra 1
Ativa
Reativa
Aplicação 1
96
Resultado
Aplicação 1
97
Nível de Tensão: 11,4 kV
96 circuitos
13 chaves de interconexão
0,9 p.u. ≤ V
i≤ 1,1 p.u.
Sistema de 94 BarrasAplicação 2
98
Curvas de
Carga
Grupo-1
Grupo-2
1.0 0.8 0.6 0.4 0.2 1 2 3 4 5 6 7 8 9 1011 12 13 14 15 16 17 18 19 20 21 22 23 hours L1 L2 L3 L4 per unit - MW Nível Custo de Perda de Energia (US$/kWh) L1 0,06 L2 0,06 L3 0,108 L4 0,06Aplicação 2
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 0.2 1.0 0.8 0.7 0.5 0.3 hours L1 L3 L2 L4 per unit - MW99
Configuração Inicial (CHIOU et al., 2005,
RAJU e BIJWE, 2008) CLONR
Chaves Abertas S84 - S96 S7, S13, S34, S39, S42, S55, S62, S72, S83, S86, S89, S90, S92 S7, S34, S39, S42, S55, S63, S72, S83, S86, S88, S89, S90, S92 Perdas Grupo-1 (MWh) 1.364,7 983,0 1.060,1 Perdas Grupo-2 (MWh) 1.320,2 1.441,5 1.352,4 Custo Perdas (US$) 173.640,10 155.773,80 155.260,14
Período de Operação: 1 ano
100
Nível de Tensão: 13,8 kV
2 Alimentadores
4 chaves de interconexão
22 chaves manobráveis
0,85 p.u. ≤ Vi ≤ 1,10 p.u.
Sistema de 476 BarrasAplicação 3
101
Configuração Inicial RAJU e BIJWE (2008) CLONR
GOMES et al. (2006) Chaves Abertas S10643, S5380, S1167, S10647 S10667, S5380, S1167, S10647 S2942, S10643, S5380, S10647 Tensão Mínima (p.u.) 0,946 (213) 0,943 (213) 0,955 (213) Perdas (kW) 202,73 196,78 161,02
Aplicação 3
102
Nível de Tensão: 11,0 kV
133 circuitos
15 chaves de interconexão
0,85 p.u. ≤ V
i≤ 1,10 p.u.
Sistema de 119 Barras (ZHANG et al., 2007)
103
Configuração Inicial RAJU e BIJWE
(2008) ARSD (2009) Chaves Abertas S119 - S133 S24, S27, S35, S40, S43, S52, S59, S72, S75, S96, S99, S110, S123, S130, S131 S24, S26, S35, S40, S43, S51, S61, S72, S75, S96, S98, S110, S122, S130, S131 Tensão Mínima (p.u.) 0,869 (77) 0,932 (111) 0,932 (111) Perdas (kW) 1.296,6 870,3 857,7
Aplicação 4
104