Centro de Tecnologia e Urbanismo
Departamento de Engenharia El´
etrica
Jean Felipe Sartor Daniel
Aloca¸
c˜
ao ´
Otima de Gera¸
c˜
ao Distribu´ıda
em Sistemas de Distribui¸
c˜
ao Radiais
Monografia apresentada ao curso de
Engenharia El´etrica da Universidade
Estadual de Londrina, como parte dos
requisitos necess´arios para a conclus˜ao
do curso de Engenharia El´etrica.
Londrina, PR 2016
Jean Felipe Sartor Daniel
Aloca¸
c˜
ao ´
Otima de Gera¸
c˜
ao Distribu´ıda
em Sistemas de Distribui¸
c˜
ao Radiais
Monografia apresentada ao curso de Engenharia
El´etrica da Universidade Estadual de Londrina,
como parte dos requisitos necess´arios para a
conclus˜ao do curso de Engenharia El´etrica.
´
Area: Sistemas El´etricos de Potˆencia
Orientador:
Prof. Dr. Luis Alfonso Gallego Pareja
Londrina, PR 2016
Ficha Catalogr´afica
Sartor Daniel, Jean Felipe
Aloca¸c˜ao ´Otima de Gera¸c˜ao Distribu´ıda em Sistemas de
Distri-bui¸c˜ao Radiais. Londrina, PR, 2016. 55 p.
Monografia (Trabalho de Conclus˜ao de Curso) – Universidade
Estadual de Londrina, PR. Departamento de Engenharia El´etrica
.
1. Sistema de distribui¸c˜ao. 2. Aloca¸c˜ao de gera¸c˜ao distribu´ıda.
Jean Felipe Sartor Daniel
Aloca¸
c˜
ao ´
Otima de Gera¸
c˜
ao Distribu´ıda
em Sistemas de Distribui¸
c˜
ao Radiais
Monografia apresentada ao curso de Engenharia
El´etrica da Universidade Estadual de Londrina,
como parte dos requisitos necess´arios para a
conclus˜ao do curso de Engenharia El´etrica.
´
Area: Sistemas El´etricos de Potˆencia
Comiss˜
ao Examinadora
Prof. Dr. Luis Alfonso Gallego Pareja
Depto. de Engenharia El´etrica Universidade Estadual de Londrina
Orientador
Prof. Dr. Silvia Galv˜ao de Souza
Depto. de Engenharia El´etrica Universidade Estadual de Londrina
Prof. Msc. Osni Vicente
Depto. de Engenharia El´etrica Universidade Estadual de Londrina
Agradecimentos
Agrade¸co acima de tudo `a minha namorada Danielle Brizola Alves e `a minha
m˜ae Maria Jos´e Sartor por todo o amor, apoio e incentivo que, em todos esses
anos, foram essenciais para alcan¸car tudo o que constru´ı at´e agora.
Agrade¸co aos meus amigos de curso Camila Maria Galo da Silva, David
William Marques Guerra, Fl´avia Saraiva Lorca, Jo˜ao Vitor Perini Aravechia,
Jo˜ao Vin´ıcius Bueno, Lizandra Duarte de Oliveira, Lucas Salla Pagnan, Matheus
Raphael Elero e Vanessa de F´atima Dias por toda amizade e apoio, os quais
tor-naram poss´ıvel e muito mais divertido esse per´ıodo da minha vida. Sem d´uvidas,
sozinho eu n˜ao teria conseguido concluir essa etapa.
Agradecimento especial ao meu orientador Luis Alfonso Gallego Pareja, `a
professora Silvia Galv˜ao de Souza Cervantes, `a Karina Yamashita e a todo o
pessoal do grupo de pesquisa em sistemas el´etricos de potˆencia por todo o suporte
e contribui¸c˜ao para o desenvolvimento desse trabalho.
Agrade¸co a todos os professores, sem exce¸c˜ao, que direta ou indiretamente
contribu´ıram para meu aprendizado e forma¸c˜ao.
E, por fim, agrade¸co a todas as pessoas que de alguma forma participaram da
minha vida nesse per´ıodo e contribu´ıram com experiˆencias ´unicas, boas ou ruins,
Resumo
Este trabalho tem como objetivo o desenvolvimento de algoritmos para a
aloca¸c˜ao ´otima de gera¸c˜ao distribu´ıda (GD) em sistemas de distribui¸c˜ao de
ener-gia, particularmente sistemas radiais monof´asicos. Inicialmente ´e feita a
in-trodu¸c˜ao `a GD, definindo o termo e comentando os tipos e tecnologias dispon´ıveis
atualmente, as normas regulat´orias da ANEEL acerca do assunto, e os m´etodos
de aloca¸c˜ao mais utilizados. Em seguida, s˜ao descritos os algoritmos
implemen-tados e testada a aloca¸c˜ao de GDs em diferentes sistemas de distribui¸c˜ao. Com
isso, espera-se atingir um entendimento adequado sobre o comportamento de uma
GD em um sistema, analisando-se os riscos de uma aloca¸c˜ao mal planejada e os
benef´ıcios que uma correta aloca¸c˜ao pode propiciar ao sistema, de acordo com
investimento, custo e viabilidade. A an´alise matem´atica ser´a validada a partir de
simula¸c˜ao computacional utilizando-se um algoritmo gen´etico (AG) adaptado ao
problema, apoiado ao uso extensivo do m´etodo backward /forward sweep (BFS)
para o c´alculo das perdas do sistema.
Palavras-chave: Sistema de distribui¸c˜ao; Aloca¸c˜ao de gera¸c˜ao distribu´ıda;
Abstract
This paper aims at the development of algorithms for the optimal allocation of distributed generation (DG) in power distribution systems, particularly single phase radial systems. Initially is made an introduction to the DG, defining the term and commenting the currently available types and technologies, the ANEEL regulatory standards on this subject, as well as the most used allocation meth-ods. Thereafter, the implemented algorithms are described, and the allocation of DGs in a distribution system is tested. With this, is expected to reach a sat-isfactory understanding of a DG behavior in a system, analyzing the risks of a poorly planned allocation and the benefits that a correct allocation may provide for the distribution system, accordingly with the investment, cost and feasibility. The mathematical analysis will be validated through a computational simula-tion employing a genetic algorithm (GA) adapted to the issue, bolstered by the extensive use of backward/forward sweep (BFS) method for the system losses measurement.
Key-Words: Distribution system; Allocation of distributed generation; Ge-netic algorithm; Reduction of losses.
Sum´
ario
Lista de Figuras
Lista de Tabelas
1 Introdu¸c˜ao 1
2 Modelamento Matem´atico 4
2.1 Fluxo de Potˆencia . . . 7
2.1.1 C´alculo das Correntes Nodais L´ıquidas . . . 8
2.1.2 Backward Sweep . . . 8
2.1.3 Forward Sweep . . . 8
3 Algoritmo Gen´etico 10 3.1 Codifica¸c˜ao do Problema . . . 10 3.2 Fun¸c˜ao Objetivo . . . 12 3.3 Popula¸c˜ao Inicial . . . 13 3.4 Sele¸c˜ao . . . 13 3.5 Cruzamento . . . 14 3.6 Muta¸c˜ao . . . 14
3.7 Crit´erios de Aceita¸c˜ao . . . 15
3.8 Melhoramento Local . . . 15
3.9 Inser¸c˜ao na Popula¸c˜ao . . . 16
3.10 Teste de Convergˆencia . . . 16
3.11 Fluxograma do Algoritmo . . . 16
4.1 Sistema de 34 Barras . . . 18
4.2 Sistema de 70 Barras . . . 21
4.3 Sistema de 202 Barras . . . 24
5 Ajuste dos Parˆametros 28 5.1 N´umero de indiv´ıduos da Popula¸c˜ao . . . 28
5.1.1 Sistema de 34 Barras . . . 29 5.1.2 Sistema de 70 Barras . . . 29 5.1.3 Sistema de 202 Barras . . . 30 5.2 Taxa de Sele¸c˜ao . . . 31 5.2.1 Sistema de 34 Barras . . . 32 5.2.2 Sistema de 70 Barras . . . 32 5.2.3 Sistema de 202 Barras . . . 33 5.3 Taxa de Muta¸c˜ao . . . 34 5.3.1 Sistema de 34 Barras . . . 35 5.3.2 Sistema de 70 Barras . . . 36 5.3.3 Sistema de 202 Barras . . . 36
5.4 An´alise de Tempo . . . 37
5.4.1 Sistema 34 Barras . . . 37
5.4.2 Sistema 70 Barras . . . 39
5.4.3 Sistema 202 Barras . . . 40
6 Conclus˜ao 41
Referˆencias 42
Lista de Figuras
2.1 Representa¸c˜ao de uma curva de carga discreta. . . 5
3.1 Representa¸c˜ao de um indiv´ıduo para um sistema de 11 barras. . . 11
3.2 Representa¸c˜ao de uma populac˜ao de m indiv´ıduos de um sistema
de n barras. . . 12
3.3 Exemplo de processo de cruzamento entre dois pais gen´ericos
(sis-tema de 11 barras). . . 14
3.4 Exemplo de processo de muta¸c˜ao em um filho resultante de
cruza-mento (sistema de 11 barras). . . 15
3.5 Fluxograma do processo realizado pelo algoritmo implementado. . 17
4.1 Sistema de 34 barras. . . 19
4.2 Curva de convergˆencia do algoritmo gen´etico implementado, para
a aloca¸c˜ao de uma GD no sistema de 34 barras. . . 20
4.3 Perfil de tens˜ao no n´ıvel de carga alto do sistema 34 barras, antes
e depois da aloca¸c˜ao da GD na barra 24. . . 21
4.4 Sistema de 70 barras. . . 22
4.5 Curva de convergˆencia do algoritmo gen´etico implementado, para
a aloca¸c˜ao de uma GD no sistema de 70 barras. . . 23
4.6 Perfil de tens˜ao no n´ıvel de carga alto do sistema 70 barras, antes
e depois da aloca¸c˜ao da GD na barra 62. . . 24
4.7 Sistema de 202 barras. . . 25
4.8 Curva de convergˆencia do algoritmo gen´etico implementado, para
a aloca¸c˜ao de duas GDs no sistema de 202 barras. . . 26
4.9 Perfil de tens˜ao no n´ıvel de carga alto do sistema 202 barras, antes
e depois da aloca¸c˜ao das GDs nas barras 131 e 200. . . 27
5.1 Curvas de convergˆencia do AG para diversos valores de m, na
5.2 Curvas de convergˆencia do AG para diversos valores de m, na
aloca¸c˜ao de uma GD no sistema de 70 barras. . . 30
5.3 Curvas de convergˆencia do AG para diversos valores de m, na
aloca¸c˜ao de duas GDs no sistema de 202 barras. . . 31
5.4 Curvas de convergˆencia do AG para diversos valores de kT, na
aloca¸c˜ao de uma GD no sistema de 34 barras. . . 32
5.5 Curvas de convergˆencia do AG para diversos valores de kT, na
aloca¸c˜ao de uma GD no sistema de 70 barras. . . 33
5.6 Curvas de convergˆencia do AG para diversos valores de kT, na
aloca¸c˜ao de duas GDs no sistema de 202 barras. . . 34
5.7 Curvas de convergˆencia do AG para diversos valores de σ, na
aloca¸c˜ao de uma GD no sistema de 34 barras. . . 35
5.8 Curvas de convergˆencia do AG para diversos valores de σ, na
aloca¸c˜ao de uma GD no sistema de 70 barras. . . 36
5.9 Curvas de convergˆencia do AG para diversos valores de σ, na
aloca¸c˜ao de duas GDs no sistema de 202 barras. . . 37
5.10 Curvas de convergˆencia do AG para dois valores de m, na aloca¸c˜ao
de uma GD no sistema de 34 barras. . . 38
5.11 Curvas de convergˆencia do AG para dois valores de m, na aloca¸c˜ao
de uma GD no sistema de 70 barras. . . 39
5.12 Curvas de convergˆencia do AG para dois valores de m, na aloca¸c˜ao
Lista de Tabelas
4.1 N´ıveis de carga para o sistema 34 barras. . . 19
4.2 Perdas de potˆencia ativa do sistema 34 barras. . . 20
4.3 N´ıveis de carga para o sistema 70 barras. . . 22
4.4 Perdas de potˆencia ativa do sistema 70 barras. . . 23
4.5 N´ıveis de carga para o sistema 202 barras. . . 25
4.6 Caracter´ısticas das 2 GDs poss´ıveis. . . 25
4.7 Perdas de potˆencia ativa do sistema 202 barras. . . 26
A.1 Dados de barra do sistema de 34 barras. . . 46
A.2 Dados de circuito do sistema de 34 barras. . . 47
A.3 Dados de barra do sistema de 70 barras. . . 48
A.4 Dados de circuito do sistema de 70 barras. . . 49
A.5 Dados de barra do sistema de 202 barras - Parte 1. . . 50
A.6 Dados de barra do sistema de 202 barras - Parte 2. . . 51
A.7 Dados de barra do sistema de 202 barras - Parte 3. . . 52
A.8 Dados de circuito do sistema de 202 barras - Parte 1. . . 53
A.9 Dados de circuito do sistema de 202 barras - Parte 2. . . 54
1
1
Introdu¸
c˜
ao
O desenvolvimento econˆomico, industrial e social de um pa´ıs est´a ligado
di-retamente `a demanda por energia el´etrica, o que exige sistemas de transmiss˜ao
e distribui¸c˜ao robustos e confi´aveis, bem como baixas tarifas de energia,
respei-tando, entre outras exigˆencias, o controle de n´ıvel de tens˜ao e fator de potˆencia
na rede. Nesse contexto, por parte das concession´arias de energia, tornam-se
ne-cess´arios investimentos nos referidos sistemas, sendo tamb´em crescente a busca
por solu¸c˜oes inteligentes e formas alternativas de gera¸c˜ao de energia. Desta
ma-neira, a Gera¸c˜ao Distribu´ıda (GD) se destaca como uma boa solu¸c˜ao a m´edio
prazo para o problema.
Este trabalho prop˜oe uma solu¸c˜ao para a correta aloca¸c˜ao de GDs em sistemas
de distribui¸c˜ao, na tentativa de reduzir as perdas do sistema e melhorar o perfil
de tens˜ao da rede, a fim de proporcionar uma economia direta `a distribuidora
de energia e indireta aos consumidores, considerando que essa economia pode ser
repassada na forma de redu¸c˜ao de tarifas.
A Gera¸c˜ao Distribu´ıda (GD) ´e uma fonte geradora de energia em um sistema.
Por´em, diferentemente da Gera¸c˜ao Centralizada (GC), ´e normalmente instalada
pr´oximo aos consumidores finais (DOS SANTOS; DOS SANTOS, 2016). A GD
pode atuar como uma reserva descentralizada ou como fonte de energia. Agindo como reserva descentralizada, ela pode suprir diversas necessidades do sistema,
como excesso de demanda de ponta e melhoria do fornecimento em regi˜oes com
baixa qualidade no atendimento. Agindo como fonte de energia, supre a
necessi-dade de uma s´o carga ou cargas pr´oximas e, se conectada `a rede de distribui¸c˜ao,
pode vender (injetar) o excedente ao sistema (VERGILIO et al., 2012).
O termo GD engloba as formas de produ¸c˜ao de energia de menor dimens˜ao,
re-nov´aveis ou n˜ao, como: biomassa, fotovoltaica, e´olica, PCHs (Pequenas Centrais
Hidrel´etricas), g´as natural, grupo gerador diesel, entre outras (DOS SANTOS;
DOS SANTOS, 2016; GUEDES, 2003). Trabalhando com formas de energias
re-nov´aveis, o ponto de instala¸c˜ao de uma unidade GD pode ser explorado pela
1 Introdu¸c˜ao 2
dos sistemas de gera¸c˜ao, dando base para um futuro estudo de implanta¸c˜ao de
usinas e projetos para expans˜ao (PRADO; GARCES, 2013).
Segundo a ANEEL (2012), ´e caracterizada como microgera¸c˜ao distribu´ıda
uma central geradora de energia el´etrica com potˆencia instalada menor ou igual a
75 kW e que utilize cogera¸c˜ao qualificada, conforme regulamenta¸c˜ao da ANEEL,
ou fontes renov´aveis de energia el´etrica, conectada na rede de distribui¸c˜ao por
meio de instala¸c˜oes de unidades consumidoras. De maneira semelhante, ´e
ca-racterizada como minigera¸c˜ao distribu´ıda uma central com potˆencia instalada
superior a 75 kW e menor ou igual a 3 MW para fontes h´ıdricas ou menor ou
igual a 5 MW para cogera¸c˜ao qualificada. No manual de micro e mini gera¸c˜ao
da ANEEL (2016) ´e especificado que sistema de medi¸c˜ao da GD deve ter
funci-onalidade de medi¸c˜ao bidirecional de energia el´etrica ativa (medi¸c˜ao de consumo
e de gera¸c˜ao). Caso sejam necess´arias melhorias ou refor¸cos na rede para
co-nex˜ao da GD, no contrato da execu¸c˜ao da obra pela distribuidora devem estar
discriminados o prazo de implementa¸c˜ao das obras e as condi¸c˜oes de pagamento
da eventual participa¸c˜ao financeira do consumidor, entre outras condi¸c˜oes. Nesse
manual ´e citado tamb´em o inovador Sistema de Compensa¸c˜ao de Energia El´etrica
introduzido na Resolu¸c˜ao Normativa nº 482/2012, que permite que o excedente
gerado pela GD seja injetado na rede da distribuidora, armazenando-o. Quando
a energia injetada na rede for maior que a consumida, o consumidor receber´a um
cr´edito em energia (kWh) a ser utilizado para abater o consumo em outro posto
tarif´ario ou na fatura de energia dos meses subsequentes, entre outras op¸c˜oes.
No plano de pesquisa atual sobre o tema de aloca¸c˜ao de GDs, aparecem
di-versas t´ecnicas propostas para a otimiza¸c˜ao da solu¸c˜ao do problema. Sookananta,
Utaton e Khongsila (2010) aplicaram o m´etodo da busca por colˆonia de formigas
(ant colony search, ACS), desenvolvido por Dorigo, Maniezzo e Colorini (1996),
para a aloca¸c˜ao ´otima de uma GD em um SD. Essa t´ecnica consiste de um m´etodo
heur´ıstico, na qual o processo de busca otimizada ´e feito baseando-se no
compor-tamento de colˆonias de formigas na natureza quando viajam em busca de comida
deixando feromˆonio pelo caminho, tornando mais atraentes os caminhos mais
curtos, portanto mais prov´aveis de serem utilizados. No trabalho de Sookananta,
Utaton e Khongsila (2010) foram obtidos bons resultados na aloca¸c˜ao de uma GD
em sistemas pequenos com essa t´ecnica, alcan¸cando uma boa redu¸c˜ao de perdas
e sugest˜ao de dimensionamento e localiza¸c˜ao da GD.
Nos trabalhos de Sookananta, Kuanprab e Hanak (2010) e Cui (2012), foi
uti-lizada otimiza¸c˜ao por enxame de part´ıculas (particle swarm optimization, PSO),
comporta-1 Introdu¸c˜ao 3
mento social animal, como revoada de p´assaros e cardume de peixes. Como em
um algoritmo gen´etico, ´e gerada uma popula¸c˜ao inicial onde cada indiv´ıduo ´e
chamado de part´ıcula e, a cada itera¸c˜ao, as part´ıculas se movem a uma certa
velocidade para uma nova posi¸c˜ao, dependendo da experiˆencia e qualidade no
novo local descoberto. No trabalho citado foram obtidos bons resultados e uma
performance satisfat´oria.
Abu-Mouti e El-Hawary (2011) aplicaram o algoritmo de colˆonia artificial
de abelhas (artificial bee colony, ABC) para determinar o tamanho, fator de
potˆencia e local ´otimo de uma GD, em busca de reduzir as perdas de potˆencia
ativa totais em um sistema. O ABC ´e um algoritmo meta-heur´ıstico apresentado
por Karaboga (2005) baseado no comportamento de forrageamento inteligente natural das abelhas.
No ABC s˜ao criados trˆes grupos de abelhas: campeiras, observadoras e
ex-ploradoras. As campeiras buscam fonte de alimento (solu¸c˜oes) aleatoriamente, e
trocam informa¸c˜ao sobre a qualidade dessas fontes com as observadoras. As
ob-servadoras escolhem ent˜ao, probabilisticamente, as fontes de alimento favoritas,
proporcionalmente ao valor fitness (que determina numericamente a qualidade
da solu¸c˜ao) da fonte. Consequentemente, uma boa fonte de alimento (solu¸c˜ao)
atrai mais abelhas que uma ruim. As exploradoras iniciam um ciclo de busca
quando a fonte de alimento (solu¸c˜ao) ´e esgotada (testada). Os resultados
obti-dos no ABC foram comparaobti-dos com outros m´etodos meta-heur´ısticos conhecidos
(e.g., PSO, AG e EP) e, segundo Abu-Mouti e El-Hawary (2011), como ele possui
menos parˆametros a sintonizar, ele possui uma maior probabilidade de sucesso
que os outros, apresentando-se eficiente, robusto e capaz de lidar com problemas
de otimiza¸c˜ao n˜ao-linear inteira mista.
No trabalho desenvolvido, foi aplicado o algoritmo de busca probabil´ıstica
formulado por Chu e Beasley (1997), que consiste em um algoritmo gen´etico
heur´ıstico baseado no processo evolutivo, que ser´a descrito com mais detalhes na
Se¸c˜ao 3. Essa mesma t´ecnica foi aplicada no trabalho de Prado e Garces (2013)
na aloca¸c˜ao de GDs, obtendo-se bons resultados.
A disposi¸c˜ao do trabalho se d´a da seguinte maneira: na Se¸c˜ao 2 ´e descrito
o modelamento matem´atico do problema; na Se¸c˜ao 3 ´e detalhado o algoritmo
gen´etico implementado e os processos por ele desenvolvidos; na Se¸c˜ao 4 s˜ao
de-monstrados e discutidos os resultados alcan¸cados com a aplica¸c˜ao do algoritmo na
solu¸c˜ao do problema em SDs diversos; e na Se¸c˜ao 5 s˜ao ajustados os parˆametros
4
2
Modelamento Matem´
atico
O problema de aloca¸c˜ao ´otima de gera¸c˜ao distribu´ıda se baseia na busca pela
minimiza¸c˜ao da fun¸c˜ao v, que representa os gastos do sistema com perdas de
potˆencia ativa do sistema e investimento na instala¸c˜ao de GDs:
m´ın v = Ke nC X i=1 PiTi + nB X k=1 CGDt ηkGD tΩMGD (2.1) Na qual:
Ke = custo da energia (US$/kWh);
nC = n´umero de n´ıveis de carga do sistema;
Pi = total de perdas de potˆencia ativa do sistema no n´ıvel de carga i (kW);
Ti = per´ıodo de dura¸c˜ao do n´ıvel de carga i no sistema (h);
nB = n´umero de barras do sistema;
CGDt = custo de instala¸c˜ao de uma GD do tipo t (US$);
ηkGD = vari´avel bin´aria (assume valores entre 0 e 1) que indica a existˆencia
ou n˜ao de uma GD na barra k.
ΩMGD = conjunto dos tipos de GD dispon´ıveis para o sistema em an´alise.
A varia¸c˜ao da carga ao longo do dia ´e aproximada a curvas de carga,
ca-racterizadas pelos n´ıveis de demanda e respectivas dura¸c˜oes (DE SOUZA et al.,
2002, apud DE ALBUQUERQUE, 2006). Como demonstrado na Equa¸c˜ao 2.1,
no algoritmo implementado o n´ıvel de carga do alimentador afeta diretamente a
potˆencia demandada em cada barra do sistema. Normalmente s˜ao considerados
trˆes n´ıveis de carga, sendo eles leve, intermedi´ario e alto (ou de pico). Por´em, a
quantidade de n´ıveis de carga pode variar dependendo do sistema.
A Figura 2.1 apresenta uma curva de carga, onde a cada per´ıodo de dura¸c˜ao
Ti do n´ıvel considerado, a carga total demandada nas barras do sistema ´e
2 Modelamento Matem´atico 5
intervalo.
Figura 2.1: Representa¸c˜ao de uma curva de carga discreta.
Fonte: Gallego, Monticelli e Romero, (2001).
Onde:
S0 = N´ıvel de carga indicando a potˆencia aparente demandada pelo sistema
no per´ıodo T0 (VA);
Si = N´ıvel de carga indicando a potˆencia aparente demandada pelo sistema
no per´ıodo Ti (VA);
Snt = N´ıvel de carga indicando a potˆencia aparente demandada pelo sistema
no per´ıodo Tnt (VA).
Este trabalho n˜ao realiza o dimensionamento da GD, portanto s˜ao propostas
GDs com valores de potˆencia e custo dependentes do sistema e do investimento
desejado. As caracter´ısticas da GD s˜ao sua potˆencia ativa, fator de potˆencia e
custo. Na barra, a GD ´e modelada como uma carga com sinal oposto, injetando
potˆencia constante (GALLEGO; CARRENO; PADILHA-FELTRIN, 2010).
A potˆencia l´ıquida aparente na barra ´e a soma entre as potˆencias ativas e
reativas que fluem por ela. O sinal positivo indica cargas injetadas e o negativo cargas que saem da barra.
SLk = −SDk + SGDt ηGDk tΩMGD (2.2)
Onde:
SLk = Potˆencia l´ıquida aparente na barra k (VA);
2 Modelamento Matem´atico 6
St
GD = Potˆencia aparente de uma GD do tipo t (VA).
Para um c´alculo v´alido deve-se existir o balan¸co de potˆencia no sistema. A
partir do M´etodo de Newton, para o c´alculo do fluxo de potˆencia resultam as
Equa¸c˜oes 2.3 e 2.4, que representam respectivamente a parte ativa e reativa das
componentes de potˆencia em uma barra.
(PGk+ PGDt ηGDk − PDk) − X kmΩL [Pkm+ (Ikm)2Rkm] = 0 tΩMGD (2.3) (QkG+ QtGDηGDk − QkD) − X kmΩL [Qkm+ (Ikm)2Xkm] = 0 tΩMGD (2.4)
As potˆencias que entram na barra s˜ao representadas com sinal positivo, e que
saem com sinal negativo:
Pk
G = Potˆencia ativa gerada na barra k ;
Pt
GD = Componente de potˆencia ativa injetada por uma GD do tipo t, caso
esteja instalada na barra;
Pk
D = Potˆencia ativa demandada na barra k ;
Pkm = Parte ativa do fluxo de potˆencia;
Ikm = Corrente do ramo entre as barras k e m;
Rkm = Resistˆencia do ramo entre as barras k e m;
(Ikm)2Rkm = Perdas de potˆencia ativa no ramo entre as barras k e m;
QkG = Potˆencia reativa gerada na barra k ;
QtGD = Componente de potˆencia reativa injetada por uma GD do tipo t, caso
esteja instalada na barra;
QkD = Potˆencia reativa demandada na barra k ;
Qkm = Parte reativa do fluxo de potˆencia;
Xkm = Reatˆancia do ramo entre as barras k e m;
(Ikm)2Xkm = Perdas de potˆencia reativa no ramo entre as barras k e m;
ΩL = Conjunto de ramos ligados `a barra k.
Padilha-2.1 Fluxo de Potˆencia 7
Feltrin (2010) e Cheng e Shirmohammadi (1995), as solu¸c˜oes de fluxo de potˆencia
e aloca¸c˜ao ´otima de GD possuem algumas restri¸c˜oes. Para a convergˆencia do
sistema deve-se respeitar as potˆencias limite, condi¸c˜ao intr´ınseca ao fluxo de
potˆencia, representadas pelas Equa¸c˜oes 2.5 a 2.8.
0 ≤ PGk ≤ Pk ∀kΩb (2.5)
0 ≤ QkG ≤ Qk ∀kΩb (2.6)
0 ≤ PGDk ≤ Pk ∀kΩb (2.7)
0 ≤ QkGD ≤ Qk ∀kΩb (2.8)
Para manter a qualidade no fornecimento de energia pela concession´aria, ´e
estabelecido um limite m´ınimo e m´aximo permitido para os valores de tens˜ao Vk
das barras. Este limite varia dependendo do sistema e deve ser respeitado.
Vk≤ Vk ≤ Vk ∀kΩb (2.9)
O limite m´ınimo de tens˜ao na barra k do sistema ´e indicado por Vk, e o limite
m´aximo ´e indicado por Vk. Na maioria dos sistemas, 0, 90 pu ≤ Vk ≤ 1, 05 pu,
considerando a tens˜ao base da subesta¸c˜ao como 1,00 pu.
2.1
Fluxo de Potˆ
encia
O fluxo de potˆencia foi baseado no m´etodo backward /forward sweep (BFS)
proposto por Cheng e Shirmohammadi (1995), que apresenta a solu¸c˜ao de
siste-mas de distribui¸c˜ao radiais sem interconex˜oes.
O m´etodo BFS ´e composto basicamente por trˆes etapas: c´alculo das corrente
nodais, backward sweep e forward sweep. As equa¸c˜oes que comp˜oem o fluxo de
2.1 Fluxo de Potˆencia 8
2.1.1
C´
alculo das Correntes Nodais L´ıquidas
A corrente nodal ´e a corrente que circula pela barra, e seu c´alculo ´e feito
realizando-se o conjugado da raz˜ao entre a potˆencia l´ıquida pela tens˜ao na barra.
O sinal negativo adotado indica o sentido da corrente, saindo da barra para a carga. Ink = − S k L Vk ∗ − Yk sh· V k (2.10) Onde:
Ink = Corrente nodal na barra k (A);
Yk
sh = Admitˆancia dos elementos shunt conectados `a barra k (S ou Ω
−1);
Como nos sistemas testados n˜ao ser˜ao analisados os elementos shunt, a Equa¸c˜ao
2.10 se simplifica, resultando na Equa¸c˜ao 2.11.
Ink = − S k L Vk ∗ (2.11)
2.1.2
Backward Sweep
O c´alculo da corrente de ramo entre uma barra k e outra m, estando k `a
montante de m, ´e feito realizando-se a soma entre a corrente da barra m (que vai
para a carga) e o somat´orio das correntes conectadas a ela `a jusante.
Irkm = Inm+ X
nΩAm
Irmn (2.12)
Onde:
Irkm = Corrente de ramo entre as barras k e m.
Am = o conjunto das barras alimentadas pela barra m.
2.1.3
Forward Sweep
Como ´e sabido os dados el´etricos do sistema, o c´alculo das tens˜oes de barra
´
e feito calculando-se as quedas de tens˜ao nos ramos do sistema at´e a chegada na
barra analisada. Dessa maneira, a tens˜ao na barra m, `a jusante da barra k, ´e a
2.1 Fluxo de Potˆencia 9
Em um sistema monof´asico, s˜ao somente consideradas as impedˆancias da pr´opria
fase, resultando na Equa¸c˜ao 2.13.
Vm = Vk− (Ikm
r · Z
km); (2.13)
Onde:
Zkm = Impedˆancia do ramo entre as barras k e m.
Com os dados calculados na etapas do BFS, ´e poss´ıvel definir o fluxo de
10
3
Algoritmo Gen´
etico
Como proposta de solu¸c˜ao para o problema de aloca¸c˜ao ´otima de GD, foi
implementado um algoritmo gen´etico baseado no trabalho proposto por Chu e
Beasley (1997), conhecido como CBGA (Chu-Beasly genetic algorithm).
Um algoritmo gen´etico ´e um algoritmo meta-heur´ıstico de busca probabil´ıstica
inspirado no processo evolutivo. Para isso ´e criada uma popula¸c˜ao de solu¸c˜oes
representada por indiv´ıduos que, ao se aplicar operadores gen´eticos, sofre
mo-difica¸c˜oes a cada itera¸c˜ao, produzindo assim uma busca constante por melhores
solu¸c˜oes (CHU; BEASLEY, 1997).
A forma de cria¸c˜ao e o tamanho da popula¸c˜ao s˜ao importantes para o
desem-penho do algoritmo. A popula¸c˜ao inicial deve conter amostras de todo o universo
de solu¸c˜oes. Dessa maneira, para uma mais r´apida convergˆencia, a popula¸c˜ao
inicial deve ser diversificada, e portanto os indiv´ıduos devem ser criados com
caracter´ısticas aleat´orias, respeitando os parˆametros exigidos na codifica¸c˜ao do
problema. A quantidade de indiv´ıduos da popula¸c˜ao ´e fixa e deve ser ajustada.
3.1
Codifica¸
c˜
ao do Problema
No problema abordado, cada solu¸c˜ao da popula¸c˜ao de indiv´ıduos foi
codi-ficada como um vetor de dimens˜ao nB (n´umero de barras) posi¸c˜oes, similar ao
aplicado por Prado e Garces (2013). Na codifica¸c˜ao, cada elemento do vetor ´e
chamado gene, representando uma barra do sistema, e o conjunto de genes ´e
conhecido como cromossomo, correspondendo ao sistema de distribui¸c˜ao.
As caracter´ısticas de cada indiv´ıduo s˜ao:
• Quantidade de GDs: ´e definido como parˆametro a quantidade m´axima de-sejada de GDs no sistema;
• Tipo de GD: como nesse trabalho n˜ao ´e feito o dimensionamento ´otimo da
3.1 Codifica¸c˜ao do Problema 11
instala¸c˜ao;
• Posi¸c˜ao da GD: que define a barra do sistema a ser alocada a GD espec´ıfica. Dessa maneira, cada gene assume valores entre zero e a quantidade de tipos
de GD, sendo que o n´umero zero indica que n˜ao ser´a alocada nenhuma GD
naquela barra e outro valor diferente de zero indica o tipo de GD que ser´a alocada,
semelhante ao modelo implementado por Prado e Garces (2013) que, ao utilizar
somente um tipo de GD, implementa um vetor bin´ario onde a presen¸ca do valor
um na barra indica a aloca¸c˜ao de uma GD nela. ´E importante ressaltar que ´e
alocada no m´aximo uma GD por barra.
A Figura 3.1 ilustra o cromossomo que representa de um indiv´ıduo gen´erico
para um sistema de 11 barras.
Figura 3.1: Representa¸c˜ao de um indiv´ıduo para um sistema de 11 barras.
Fonte: O pr´oprio autor.
Na Figura 3.1 cada posi¸c˜ao do vetor equivale a uma das barras de um sistema
de 11 barras, e o conte´udo de cada posi¸c˜ao representa a aloca¸c˜ao ou n˜ao do tipo
de GD referido. Portanto, o indiv´ıduo define uma poss´ıvel solu¸c˜ao de aloca¸c˜ao
de GDs no sistema.
Como j´a mencionado, no in´ıcio do algoritmo ´e gerado aleatoriamente um
conjunto de solu¸c˜oes denominado popula¸c˜ao, onde as solu¸c˜oes s˜ao chamadas de
indiv´ıduos. Considerando um n´umero de indiv´ıduos m, a popula¸c˜ao assume uma
3.2 Fun¸c˜ao Objetivo 12
Figura 3.2: Representa¸c˜ao de uma populac˜ao de m indiv´ıduos de um sistema
de n barras.
Fonte: O pr´oprio autor.
3.2
Fun¸
c˜
ao Objetivo
Para avaliar numericamente o desempenho dos indiv´ıduos, ´e atribu´ıdo a cada
um deles um valor v, conhecido como fun¸c˜ao objetivo (FO). No problema
anali-sado a FO caracteriza a soma dos custos com perdas ativas e instala¸c˜ao de GDs
no sistema, na configura¸c˜ao representada pelo indiv´ıduo a ela associado.
Na literatura s˜ao encontrados variados tipos de fun¸c˜ao objetivo. Alguns
au-tores como Pisica e Bulac e Eremia (2009) e Tautiva, Cadena e Rodriguez (2009)
incluem tamb´em outros gastos como custo de opera¸c˜ao e manuten¸c˜ao da GD.
Pode-se observar que nesses casos a fun¸c˜ao objetiva deve ser minimizada. Mas h´a
tamb´em casos como o citado por Alinejad-Beromi et al. (2007), em que o objetivo
do trabalho ´e buscar solu¸c˜oes que diminuem as perdas e aumentam o n´ıvel de
tens˜ao do sistema sem, contudo, avaliar os custos por meio da FO, criando assim
uma fun¸c˜ao que deve ser maximizada.
Chu e Beasley (1997) utilizam o conceito de fun¸c˜ao aptid˜ao (fitness). Uma
fun¸c˜ao fitness realiza uma an´alise mais profunda acerca do valor da FO, levando
em conta n˜ao somente o custo envolvido, mas tamb´em o grau de factibilidade da
solu¸c˜ao configurada pelo indiv´ıduo. Dessa maneira, quando a solu¸c˜ao ´e infact´ıvel
ela sofre uma penalidade, apresentando assim um valor de aptid˜ao e outro de
inaptid˜ao (unfitness).
No problema analisado, a solu¸c˜ao se torna unfitness quando n˜ao cumpre os
crit´erios de n´ıveis de tens˜ao (Equa¸c˜ao 2.9), tendo seu valor fitness multiplicado
3.3 Popula¸c˜ao Inicial 13
O valor da fun¸c˜ao objetivo ´e o parˆametro que define o desempenho de uma
solu¸c˜ao, tornando poss´ıvel assim classificar os indiv´ıduos. Tendo como referˆencia
esse valor, o algoritmo seleciona os melhores indiv´ıduos para a aplica¸c˜ao dos
operadores gen´eticos e decidir quem merece continuar na popula¸c˜ao ou n˜ao.
Deste modo, o objetivo do algoritmo ´e se localizar o indiv´ıduo com o menor
valor v poss´ıvel, o que significa encontrar a melhor solu¸c˜ao ou se aproximar mais
dela a cada itera¸c˜ao.
3.3
Popula¸
c˜
ao Inicial
No in´ıcio do algoritmo deve ser criada aleatoriamente uma popula¸c˜ao de
in-div´ıduos de dimens˜ao n´umero de indiv´ıduos por nB.
Essa popula¸c˜ao deve estar adequada aos crit´erios de aceita¸c˜ao que envolve o
limite de quantidade m´axima de GD (nGD). Portanto, primeiramente ´e gerada
uma matriz de zeros, e depois criado um loop de um a nGD, que sorteia valores
entre 1 a nB para a aloca¸c˜ao de uma GD de tipo aleat´orio entre 1 e a quantidade
de tipos de GD.
Ap´os esse processo devem ser testados todos os indiv´ıduos da popula¸c˜ao
ini-cial, determinando assim a FO de cada um, necess´aria para a compara¸c˜ao e
sele¸c˜ao dos melhores indiv´ıduos.
3.4
Sele¸
c˜
ao
Na sele¸c˜ao s˜ao eleitos dois indiv´ıduos da popula¸c˜ao, chamados de pais, que
juntos ir˜ao gerar dois outros indiv´ıduos chamados de filhos.
No trabalho realizado ´e utilizada o m´etodo de sele¸c˜ao por torneio, onde ´e
defi-nida uma taxa de sele¸c˜ao (kT), que ´e fixa e determina a quantidade de indiv´ıduos a
serem sorteados. Baseando-se nessa taxa, s˜ao sorteado por probabilidades iguais
kT indiv´ıduos, dentre os quais o melhor ´e selecionado para a gera¸c˜ao de um filho.
Este ´e chamado de pai.
Essa sele¸c˜ao acontece duas vezes por itera¸c˜ao do algoritmo, portanto, s˜ao
3.5 Cruzamento 14
3.5
Cruzamento
No cruzamento (crossover ) ou recombina¸c˜ao, os dois pais eleitos na etapa
de Sele¸c˜ao trocam informa¸c˜oes gen´eticas para tentar formar um filho com
carac-ter´ısticas boas e uma melhor FO que eles.
Para isso, ´e sorteado um ponto (n´umero entre 1 e nB) onde deve-se quebrar
o cromossomo dos pais e executar a troca. Essa troca ´e uma troca simples. Esse
processo ir´a gerar dois novos indiv´ıduos, denominados filhos, que ser˜ao testados
e receber˜ao um valor de FO, e o filho que apresentar a menor FO ser´a designado
para a muta¸c˜ao.
O processo de cruzamento utilizado ´e exemplificado na Figura 3.3.
Figura 3.3: Exemplo de processo de cruzamento entre dois pais gen´ericos
(sistema de 11 barras).
Fonte: O pr´oprio autor.
3.6
Muta¸
c˜
ao
Na muta¸c˜ao ocorrem altera¸c˜oes nos genes do filho designado, buscando uma
renova¸c˜ao das caracter´ısticas da popula¸c˜ao, o que auxilia na descoberta de
me-lhores solu¸c˜oes e evita a convergˆencia para m´ınimos locais. A porcentagem dos
genes do indiv´ıduo que sofrer˜ao muta¸c˜ao ´e denominada taxa de muta¸c˜ao (σ).
Como exemplificado na Figura 3.4, na muta¸c˜ao pode ocorrer:
• Adi¸c˜ao de uma nova caracter´ıstica;
• Remo¸c˜ao de uma caracter´ıstica;
3.7 Crit´erios de Aceita¸c˜ao 15
Figura 3.4: Exemplo de processo de muta¸c˜ao em um filho resultante de
cruzamento (sistema de 11 barras).
Fonte: O pr´oprio autor.
Durante a muta¸c˜ao pode acontecer a inadequa¸c˜ao do indiv´ıduo, com o
des-respeito ao valor de nGD. Portanto, ap´os a muta¸c˜ao o filho deve passar por um
processo para o cumprimento dos crit´erios de aceita¸c˜ao.
3.7
Crit´
erios de Aceita¸
c˜
ao
Para cumprir os crit´erios de aceita¸c˜ao, o filho mutacionado ´e testado e
ade-quado, removendo-se suas caracter´ısticas de impacto negativo e/ou caracter´ısticas
de menor impacto, que excedem o limite imposto por nGD, ou seja, removendo
os genes que aumentam o valor de sua FO ou que influenciam menos na redu¸c˜ao
dela.
3.8
Melhoramento Local
Para aumentar a capacidade de convergˆencia do algoritmo foi inclu´ıda uma
etapa de busca em local, que testa as solu¸c˜oes em uma curta vizinhan¸ca. Essa
ideia ´e aplicada ao algoritmo de colˆonia artificial de abelhas proposto por
Abu-Mouti e El-Hawary (2011), onde as melhores solu¸c˜oes atraem mais abelhas
es-pectadoras que, selecionando a fonte de recursos preferida (solu¸c˜ao com boa FO),
buscam outras boas solu¸c˜oes em posi¸c˜oes vizinhas a ela, comparando a quantidade
de comida das duas (valor de FO).
Para isso, no algoritmo implementado o indiv´ıduo passa por testes, realocando
suas GDs para barras vizinhas `a montante e `a jusante, buscando a redu¸c˜ao do
valor de sua FO. Por quest˜oes de desempenho, o raio da vizinhan¸ca utilizado foi
de somente uma barra. Caso uma melhor solu¸c˜ao seja encontrada na vizinhan¸ca
´
e mantida a altera¸c˜ao feita no indiv´ıduo. Caso contr´ario, a configura¸c˜ao inicial
do indiv´ıduo n˜ao sofre altera¸c˜oes.
3.9 Inser¸c˜ao na Popula¸c˜ao 16
de distribui¸c˜ao tˆem como caracter´ıstica regi˜oes com presen¸ca de ´otimos locais,
sendo que a solu¸c˜ao ´otima est´a sempre cercada de sub-´otimas em sua vizinhan¸ca,
tornando vi´avel e interessante o uso de t´ecnicas como a busca de melhoramento
local para a melhora da performance do algoritmo.
3.9
Inser¸
c˜
ao na Popula¸
c˜
ao
O filho mutacionado ´e agora comparado com o pior indiv´ıduo da popula¸c˜ao.
Se o filho apresentar uma melhor FO que o indiv´ıduo comparado, este ser´a, ent˜ao,
substitu´ıdo pelo filho. Caso contr´ario nada se altera. Isso tamb´em exclui a
in-ser¸c˜ao de solu¸c˜oes repetidas na popula¸c˜ao, evitando a homogeneidade e mantendo
a caracter´ıstica de diversidade de indiv´ıduos (GALLEGO et al., 2009).
O processo de inser¸c˜ao renova a popula¸c˜ao eliminando os indiv´ıduos que
apre-sentam menor desempenho e, consequentemente, tornando-a mais selecionada e
forte a cada itera¸c˜ao, buscando sempre a convergˆencia para a solu¸c˜ao ´otima. As
etapas descritas at´e agora se repetem at´e o programa atingir a convergˆencia.
3.10
Teste de Convergˆ
encia
Como crit´erio de parada, o algoritmo ´e configurado para atingir a convergˆencia
em uma das duas diferentes situa¸c˜oes:
• 1ª Situa¸c˜ao: Quando atingir um n´umero m´aximo pr´e-determinado de itera¸c˜oes
(itmax);
• 2ª Situa¸c˜ao: Quando o melhor indiv´ıduo n˜ao for substitu´ıdo dentro de um
determinado n´umero de itera¸c˜oes (itrpt).
3.11
Fluxograma do Algoritmo
O processo realizado pelo algoritmo implementado ´e exemplificado no
flu-xograma da Figura 3.5. ´E importante ressaltar que o processo do c´alculo das
fun¸c˜oes fitness e unfitness est´a impl´ıcito nas etapas, sendo que sua realiza¸c˜ao ´e
3.11 Fluxograma do Algoritmo 17
Figura 3.5: Fluxograma do processo realizado pelo algoritmo implementado.
18
4
Resultados
Ap´os a implementa¸c˜ao do algoritmo, foram realizados testes em diversos
sis-temas de distribui¸c˜ao. O algoritmo foi implementado em linguagem C/C++ e os
testes foram realizados em trˆes sistemas, identificados como sistema de 34, 70 e
202 barras. Foi considerado para o custo de energia nos n´ıveis de demanda dos
sistemas o valor de Ke = US$ 0,06 (EL-FERGANY; ABDELAZIZ, 2014;
GAL-LEGO; MONTICELLI; ROMERO, 2001; LAZO, 2015). Em todos os testes a
tens˜ao de opera¸c˜ao da subesta¸c˜ao foi fixada em 1,0 pu.
Os dados el´etricos de impedˆancia dos ramos e de potˆencia demandada em cada
barra dos sistemas foram retirados da publica¸c˜ao de Lazo (2015) e se encontram
em apˆendice. Para os testes foram adotados para parˆametros de entrada do
algoritmo gen´etico os seguintes valores:
• Tamanho da popula¸c˜ao (m): 30 indiv´ıduos;
• Taxa de sele¸c˜ao (kT): 2 indiv´ıduos;
• Taxa de muta¸c˜ao (σ): 5%;
• Crit´erio de parada: de acordo com a quantidade de GDs a ser alocada (15
gera¸c˜oes para cada GD).
4.1
Sistema de 34 Barras
O sistema de 34 barras ´e um sistema de distribui¸c˜ao radial com tens˜ao
nomi-nal de 11,00 kV. O diagrama unifilar com a disposi¸c˜ao das barras do sistema ´e
apresentado na Figura 4.1. Nesse sistema foram considerados trˆes n´ıveis de carga,
4.1 Sistema de 34 Barras 19
Figura 4.1: Sistema de 34 barras. Fonte: Brandini, (2007, apud LAZO, 2015).
Tabela 4.1: N´ıveis de carga para o sistema 34 barras.
N´ıvel de Carga Per´ıodo (h) Custo da Energia (US$)
1,80 1000 0,06
1,00 6760 0,06
0,50 1000 0,06
O valor dos n´ıveis de carga da Tabela 4.1 correspondem a um fator
multiplica-tivo sobre a potˆencia aparente demandada nas barras do respectivo sistema,
apre-sentada em anexo no Apˆendice A. Ou seja, esses valores representam a exigˆencia
de demanda no sistema nos per´ıodos indicados.
Utilizando os algoritmos implementados, foi simulada a aloca¸c˜ao de um
ge-rador de 1000 kW de potˆencia e fator de potˆencia 0,95 no sistema. O custo de
instala¸c˜ao da GD assumido foi de US$ 12.500,00, baseando-se em uma m´edia
dos valores encontrados no trabalho de Shlatz, Buch e Chan (2013). O custo de
instala¸c˜ao de uma GD varia dependendo, entre outros fatores, do tipo de GD e
do local onde ser´a instalada (´area rural ou urbana).
O valor da fun¸c˜ao objetivo do sistema original, ou seja, sem GD alocada, ´e
equivalente ao custo das perdas do sistema nos trˆes diferentes n´ıveis de carga
ao longo de um ano. Ap´os 13 itera¸c˜oes foi retornada pelo algoritmo a aloca¸c˜ao
de uma GD na barra 24 como solu¸c˜ao. A curva de convergˆencia do programa ´e
4.1 Sistema de 34 Barras 20 1 2 3 4 5 6 7 6.755 6.7555 6.756 6.7565 6.757 6.7575 6.758 6.7585 6.759 6.7595 6.76x 10 4 Iterações F unção O bjeti vo (US$)
Curva de Convergência do AG - Sistema 34 Barras
Figura 4.2: Curva de convergˆencia do algoritmo gen´etico implementado, para
a aloca¸c˜ao de uma GD no sistema de 34 barras.
Fonte: O pr´oprio autor.
O resultado obtido foi validado por meio de um algoritmo de busca exaustiva,
mostrando ser a solu¸c˜ao ´otima para esse sistema. Os valores de perda do sistema
e seu respectivo custo antes e depois da aloca¸c˜ao da GD est˜ao dispostos na Tabela
4.2.
Tabela 4.2: Perdas de potˆencia ativa do sistema 34 barras.
Sem GD Com GD
N´ıvel de Carga Perdas (kW) Custo (US$) Perdas (kW) Custo (US$)
1,80 388,46 23.307,41 319,75 19.185,26
1,00 115,07 46.671,50 85,46 34.662,82
0,50 28,08 1.684,59 20,11 1.206,56
Total 531,60 71.663,50 425,32 55.054,64
Considerando os valores dos investimentos em GD, a FO da solu¸c˜ao, ou seja,
o gasto total em um ano, seria de US$ 67.554,64. Comparando as perdas ativas
do sistema antes e depois da aloca¸c˜ao das GDs, houve uma redu¸c˜ao de 19,99%.
A altera¸c˜ao do perfil de tens˜ao do sistema ap´os a aloca¸c˜ao da GD ´e apresentada
na Figura 4.3, onde foram representados os perfis de tens˜ao no per´ıodo de n´ıvel
4.2 Sistema de 70 Barras 21 5 10 15 20 25 30 0.94 0.95 0.96 0.97 0.98 0.99 1 Barras Tensão (P. U.)
Perfis de Tensão no Nível de Carga Alto - Sistema 34 Barras
Sem GD Com GD
Figura 4.3: Perfil de tens˜ao no n´ıvel de carga alto do sistema 34 barras, antes
e depois da aloca¸c˜ao da GD na barra 24.
Fonte: O pr´oprio autor.
Analisando o perfil de tens˜ao evidencia-se que, ap´os a aloca¸c˜ao da GD, o
n´ıvel de tens˜ao em todo o sistema ´e elevado mas, principalmente, nas regi˜oes
com menor qualidade de fornecimento. ´E importante ressaltar tamb´em que, de
acordo com o procedimento do algoritmo implementado, essas regi˜oes possuem
maior probabilidade de serem escolhidas como solu¸c˜ao para a aloca¸c˜ao de GDs.
4.2
Sistema de 70 Barras
O sistema de 70 barras ´e um sistema de distribui¸c˜ao radial com tens˜ao
nomi-nal de 12,66 kV. O diagrama unifilar com a disposi¸c˜ao das barras do sistema ´e
apresentado na Figura 4.4. Nesse sistema foram considerados trˆes n´ıveis de carga,
4.2 Sistema de 70 Barras 22
Figura 4.4: Sistema de 70 barras. Fonte: Almeida, (2013, apud LAZO, 2015).
Tabela 4.3: N´ıveis de carga para o sistema 70 barras.
N´ıvel de Carga Per´ıodo (h) Custo da Energia (US$)
1,00 1000 0,06
0,80 6760 0,06
0,50 1000 0,06
Utilizando os algoritmos implementados, foi simulada a aloca¸c˜ao de um
ge-rador de 1000 kW de potˆencia e fator de potˆencia 0,95 no sistema. O custo de
instala¸c˜ao da GD assumido foi de US$ 12.500,00. Ap´os 17 itera¸c˜oes foi retornada
pelo algoritmo a aloca¸c˜ao de uma GD na barra 62 como solu¸c˜ao. A curva de
4.2 Sistema de 70 Barras 23 1 2 3 4 5 6 7 8 9 10 11 12 6.06 6.07 6.08 6.09 6.1 6.11 6.12 6.13 6.14x 10 4 Iterações F unção O bjeti vo (US$)
Curva de Convergência do AG - Sistema 70 Barras
Figura 4.5: Curva de convergˆencia do algoritmo gen´etico implementado, para
a aloca¸c˜ao de uma GD no sistema de 70 barras.
Fonte: O pr´oprio autor.
O resultado obtido foi validado por meio de um algoritmo de busca exaustiva,
mostrando ser a solu¸c˜ao ´otima para esse sistema. Os valores de perda do sistema
e seu respectivo custo antes e depois da aloca¸c˜ao da GD est˜ao dispostos na Tabela
4.4.
Tabela 4.4: Perdas de potˆencia ativa do sistema 70 barras.
Sem GD Com GD
N´ıvel de Carga Perdas (kW) Custo (US$) Perdas (kW) Custo (US$)
1,00 225,02 13.501,15 149,18 8.950,70
0,80 138,91 56.343,84 90,86 36.851,72
0,50 51,61 3.456,62 39,29 2.357,48
Total 415,54 73.301,62 279,33 48.159,90
Considerando os valores dos investimentos em GD, a FO da solu¸c˜ao, ou seja,
o gasto total em um ano, seria de US$ 60.659,90. Comparando as perdas ativas
do sistema antes e depois da aloca¸c˜ao das GDs, houve uma redu¸c˜ao de 32,78%.
A altera¸c˜ao do perfil de tens˜ao do sistema ap´os a aloca¸c˜ao da GD ´e apresentada
na Figura 4.6, onde foram representados os perfis de tens˜ao no per´ıodo de n´ıvel
4.3 Sistema de 202 Barras 24 10 20 30 40 50 60 70 0.9 0.92 0.94 0.96 0.98 1 Barras Tensão (P. U.)
Perfis de Tensão no Nível de Carga Alto - Sistema 70 Barras
Sem GD Com GD
Figura 4.6: Perfil de tens˜ao no n´ıvel de carga alto do sistema 70 barras, antes
e depois da aloca¸c˜ao da GD na barra 62.
Fonte: O pr´oprio autor.
Analisando o perfil de tens˜ao evidencia-se que, ap´os a aloca¸c˜ao da GD, o
n´ıvel de tens˜ao em todo o sistema ´e elevado mas, principalmente, nas regi˜oes
com menor qualidade de fornecimento. ´E importante ressaltar tamb´em que, de
acordo com o procedimento do algoritmo implementado, essas regi˜oes possuem
maior probabilidade de serem escolhidas como solu¸c˜ao para a aloca¸c˜ao de GDs.
4.3
Sistema de 202 Barras
O sistema sistema de 202 barras ´e um sistema de distribui¸c˜ao radial com
tens˜ao nominal de 13,80 kV. O diagrama unifilar com a disposi¸c˜ao das barras
do sistema ´e apresentado na Figura 4.7. Nesse sistema foram considerados dois
4.3 Sistema de 202 Barras 25
Figura 4.7: Sistema de 202 barras. Fonte: Almeida, (2013, apud LAZO, 2015).
Tabela 4.5: N´ıveis de carga para o sistema 202 barras.
N´ıvel de Carga Per´ıodo (h) Custo da Energia (US$)
1,66 1000 0,06
1,00 7760 0,06
Utilizando os algoritmos implementados, foi simulada a aloca¸c˜ao de dois
ge-radores no sistema. ´E importante refor¸car que neste processo o n´umero m´aximo
de GDs escolhido foi 2, o que n˜ao significa que ser˜ao sempre instaladas 2 GDs
no sistema, pois essa decis˜ao depende da solu¸c˜ao encontrada pelo algoritmo e
do valor de sua fun¸c˜ao objetivo. Os tipos de GD poss´ıveis e suas respectivas
caracter´ısticas s˜ao apresentados na Tabela 4.6.
Tabela 4.6: Caracter´ısticas das 2 GDs poss´ıveis.
Tipo Potˆencia (kW) F.P. Custo (US$)
1 1000 0,95 13.750,00
2 2000 0,94 24.500,00
4.3 Sistema de 202 Barras 26
equivalente ao custo das perdas do sistema nos dois diferentes n´ıveis de carga ao
longo de um ano. Ap´os 30 gera¸c˜oes, foi retornada pelo algoritmo a aloca¸c˜ao de
uma GD do tipo 1 na barra 131 e uma do tipo 2 na barra 200 como solu¸c˜ao. A
curva de convergˆencia do programa ´e ilustrada na Figura 4.8.
0 2 4 6 8 10 12 14 16 18 20 3.5 3.505 3.51 3.515 3.52 3.525 3.53 3.535x 10 5 Iterações F unção O bjeti vo (US$)
Curva de Convergência do AG - Sistema 202 Barras
Figura 4.8: Curva de convergˆencia do algoritmo gen´etico implementado, para
a aloca¸c˜ao de duas GDs no sistema de 202 barras.
Fonte: O pr´oprio autor.
Os valores de perda do sistema e seu respectivo custo antes e depois da
aloca¸c˜ao da GD est˜ao dispostos na Tabela 4.7.
Tabela 4.7: Perdas de potˆencia ativa do sistema 202 barras.
Sem GD Com GD
N´ıvel de Carga Perdas (kW) Custo (US$) Perdas (kW) Custo (US$)
1,66 1.603,63 96.217,80 1.465,76 87.945,65
1,00 552,00 257.012,78 481,34 224.109,85
Total 2.155,63 353.230,58 1.947,09 312.055,50
Considerando os valores dos investimentos em GD, a FO da solu¸c˜ao, ou seja,
o gasto total em um ano, seria de US$ 350.305,50. Comparando as perdas ativas
do sistema antes e depois da aloca¸c˜ao das GDs, houve uma redu¸c˜ao de 9,67%. A
altera¸c˜ao do perfil de tens˜ao do sistema ap´os a aloca¸c˜ao da GD ´e apresentada na
Figura 4.9, onde foram representados os perfis de tens˜ao no per´ıodo de n´ıvel de
4.3 Sistema de 202 Barras 27 20 40 60 80 100 120 140 160 180 200 0.92 0.93 0.94 0.95 0.96 0.97 0.98 0.99 1 Barras Tensão (P. U.)
Perfis de Tensão no Nível de Carga Alto - Sistema 202 Barras
Sem GD Com GD
Figura 4.9: Perfil de tens˜ao no n´ıvel de carga alto do sistema 202 barras, antes
e depois da aloca¸c˜ao das GDs nas barras 131 e 200.
Fonte: O pr´oprio autor.
Analisando o perfil de tens˜ao ´e poss´ıvel observar que, ap´os a aloca¸c˜ao das
GDs, o n´ıvel de tens˜ao no sistema todo ´e elevado mas, principalmente, nas regi˜oes
com menor qualidade de fornecimento e, comparando com os outros sistemas
analisados, o impacto positivo trazido pela aloca¸c˜ao ´e inferior. Isso se d´a pela
dimens˜ao e quantidade de demanda do sistema, que s˜ao altas, necessitando assim
da inser¸c˜ao de uma maior quantidade de GDs ou de GDs de potˆencia superior para
uma melhora mais significativa, o que ´e inviabilizado pela rela¸c˜ao de investimento
e gastos demonstrada pela FO utilizada.
Por´em, os resultados obtidos ainda apontam a vantagem de investimento em
GD para controle e diminui¸c˜ao de perdas de potˆencia e gastos decorrentes dessas
28
5
Ajuste dos Parˆ
ametros
Como citado na Se¸c˜ao 3, o algoritmo exige alguns parˆametros de entrada:
n´umero de indiv´ıduos da popula¸c˜ao (m), taxa de sele¸c˜ao (kT), taxa de muta¸c˜ao
(σ) e n´umeros m´aximos de itera¸c˜oes do crit´erio de parada (itmax e itrpt).
Es-tes parˆametros devem ser calibrados, adaptando-os `a dimens˜ao do problema em
quest˜ao (CELLI; PILO, 2001). No ajuste dos parˆametros busca-se melhorar a
eficiˆencia do algoritmo, levando em conta a velocidade de convergˆencia e precis˜ao
do resultado.
5.1
N´
umero de indiv´ıduos da Popula¸
c˜
ao
Uma vez estabelecido que a popula¸c˜ao deve ser diversificada, contendo solu¸c˜oes
em todo espa¸co de busca, evita-se a convergˆencia para m´ınimos locais. Por´em, na
quest˜ao de eficiˆencia, uma popula¸c˜ao muito grande pode exigir mais tempo para
encontrar a solu¸c˜ao ´otima do problema (VENKATESH et al., 2009, apud
IAS-TRENSKI, 2015). Prado e Garces (2013) adotam um valor de 50% do n´umero
de barras do sistema para o n´umero de indiv´ıduos da popula¸c˜ao. Empiricamente
foi constatado que o tamanho da popula¸c˜ao inicial influencia bastante no tempo
computacional gasto pelo algoritmo no problema em quest˜ao, pois quanto maior
a popula¸c˜ao, maior o n´umero de c´alculos de fluxo de potˆencia necess´arios para a
determina¸c˜ao da fun¸c˜ao objetivo de todos os indiv´ıduos da popula¸c˜ao.
Os sistemas testados na Se¸c˜ao 4 foram novamente testados com diferentes
tamanhos de popula¸c˜ao (m), buscando encontrar um valor que melhore a
per-formance de convergˆencia do algoritmo para cada sistema. Dessa maneira, as
aloca¸c˜oes foram simuladas 100 vezes para cada valor de m, realizando-se uma
m´edia das performances de convergˆencia apresentadas pelo algoritmo.
Posterior-mente as performances m´edias para cada valor de m foram comparadas entre si,
sendo selecionado o valor de m que mais beneficia a convergˆencia do algoritmo
5.1 N´umero de indiv´ıduos da Popula¸c˜ao 29
5.1.1
Sistema de 34 Barras
Foi testada novamente a aloca¸c˜ao da GD no sistema de 34 barras, todavia
agora variando m entre 6, 12, 18, 27 e 30, com kT = 2 e σ = 5% fixos. As curvas
representando as performances m´edias para cada valor de m est˜ao dispostas na
Figura 5.1. 1 2 3 4 5 6 7 6.82 6.83 6.84 6.85 6.86 6.87 6.88x 10 4 Iterações F unção O bjeti vo (US$)
Curvas de Convergência do AG - Sistema 34 Barras
6 Indivíduos 12 Indivíduos 18 Indivíduos 27 Indivíduos 30 Indivíduos
Figura 5.1: Curvas de convergˆencia do AG para diversos valores de m, na
aloca¸c˜ao de uma GD no sistema de 34 barras.
Fonte: O pr´oprio autor.
Graficamente ´e poss´ıvel observar que, para este sistema, o algoritmo
apre-senta uma melhor performance para valores de m pr´oximos a 27. A cria¸c˜ao da
popula¸c˜ao ´e uma etapa importante para a convergˆencia e ocorre somente uma vez
durante o processo iterativo, contudo influencia diretamente no tempo
computa-cional gasto pelo algoritmo. Dessa maneira ser´a escolhido m que mais melhore a
performance do AG, evitando o uso de altos valores, que exijam um maior tempo
na gera¸c˜ao da popula¸c˜ao. O valor de m = 12 indiv´ıduos se mostra interessante
nesse aspecto.
5.1.2
Sistema de 70 Barras
Foi testada novamente a aloca¸c˜ao da GD no sistema de 70 barras, por´em
agora variando m entre 14, 28, 42, 56 e 70, com kT = 2 e σ = 5% fixos. As curvas
representando as performances m´edias para cada valor de m est˜ao dispostas na
5.1 N´umero de indiv´ıduos da Popula¸c˜ao 30 1 2 3 4 5 6 7 8 9 6.1 6.15 6.2 6.25 6.3 6.35x 10 4 Iterações F unção O bjeti vo (US$)
Curvas de Convergência do AG - Sistema 70 Barras
14 Indivíduos 28 Indivíduos 42 Indivíduos 56 Indivíduos 70 Indivíduos
Figura 5.2: Curvas de convergˆencia do AG para diversos valores de m, na
aloca¸c˜ao de uma GD no sistema de 70 barras.
Fonte: O pr´oprio autor.
Graficamente ´e poss´ıvel observar que, para este sistema, o algoritmo apresenta
uma melhor performance para valores de m pr´oximos de 70, sendo parecidas as
performances para m = 56 e m = 70. Entretanto ´e mais interessante a escolha
de um m de menor valor, como m = 28.
5.1.3
Sistema de 202 Barras
Foi testada novamente a aloca¸c˜ao das GDs no sistema de 202 barras,
entre-tanto agora variando m entre 20, 60, 100, 140 e 180, com kT = 2 e σ = 5%
fixos. As curvas representando as performances m´edias para cada valor de m
5.2 Taxa de Sele¸c˜ao 31 1 2 3 4 5 6 7 8 9 3.538 3.54 3.542 3.544 3.546 3.548 3.55 3.552 x 105 Iterações F unção O bjeti vo (US$)
Curvas de Convergência do AG - Sistema 202 Barras
20 Indivíduos 60 Indivíduos 100 Indivíduos 140 Indivíduos 180 Indivíduos
Figura 5.3: Curvas de convergˆencia do AG para diversos valores de m, na
aloca¸c˜ao de duas GDs no sistema de 202 barras.
Fonte: O pr´oprio autor.
Graficamente ´e poss´ıvel observar que, para este sistema, o algoritmo
apre-senta uma melhor performance para valores de m pr´oximos de 140. Contudo,
as performances para os variados m simulados s˜ao bem parecidas, tornando-se
interessante a escolha de um menor valor, como m = 20.
5.2
Taxa de Sele¸
c˜
ao
Junto com uma popula¸c˜ao diversificada, o algoritmo depende de um meio de
sele¸c˜ao entre os indiv´ıduos, de modo a encaminhar a solu¸c˜ao para um melhor
resultado. O n´ıvel de influˆencia desta sele¸c˜ao no funcionamento do algoritmo ´e
determinado pelo valor de kT. O parˆametro kT deve ser ajustado de modo a
buscar melhores solu¸c˜oes, sem descartar solu¸c˜oes promissoras. Ou seja, caso kT
assuma valores baixos, somente uma pequena parcela do universo de solu¸c˜oes ser´a
explorada, limitando a capacidade do algoritmo na busca de solu¸c˜oes e gera¸c˜ao
de bons filhos, atrasando a convergˆencia para a melhor solu¸c˜ao. Por outro lado,
caso kT assuma valores altos, o algoritmo pode acabar excluindo solu¸c˜oes com
potencial para a gera¸c˜ao de bons filhos em troca de solu¸c˜oes sub-´otimas, o que
pode acarretar em uma progressiva diminui¸c˜ao da diversidade da popula¸c˜ao e
convergˆencia para m´ınimos locais.
Os sistemas foram novamente testados utilizando os valores de m j´a
5.2 Taxa de Sele¸c˜ao 32
convergˆencia do algoritmo para cada sistema. O m´etodo para a defini¸c˜ao de kT
´
e similar ao utilizado anteriormente no ajuste de m.
5.2.1
Sistema de 34 Barras
Utilizando o valor de m = 12 selecionado anteriormente, foi realizada a
aloca¸c˜ao da GD no sistema, variando agora kT entre 2, 3, 4, 5 e 6 com σ =
5% fixo. As curvas representando as performances m´edias para cada valor de kT
est˜ao dispostas na Figura 5.4.
1 2 3 4 5 6 7 6.823 6.8235 6.824 6.8245 6.825 6.8255 x 104 Iterações F unção O bjeti vo (US$)
Curvas de Convergência do AG - Sistema 34 Barras
2 Indivíduos 3 Indivíduos 4 Indivíduos 5 Indivíduos 6 Indivíduos
Figura 5.4: Curvas de convergˆencia do AG para diversos valores de kT, na
aloca¸c˜ao de uma GD no sistema de 34 barras.
Fonte: O pr´oprio autor.
Graficamente ´e poss´ıvel observar que, para este sistema, o algoritmo apresenta
uma melhor performance para kT = 2.
5.2.2
Sistema de 70 Barras
Utilizando o valor de m = 28 selecionado anteriormente, foi realizada a
aloca¸c˜ao da GD no sistema, variando agora kT entre 2, 3, 4, 5 e 6, com σ =
5% fixo. As curvas representando as performances m´edias para cada valor de kT
5.2 Taxa de Sele¸c˜ao 33 1 2 3 4 5 6 7 8 9 6.126 6.128 6.13 6.132 6.134 6.136 6.138 6.14 6.142 6.144 6.146 6.148x 10 4 Iterações F unção O bjeti vo (US$)
Curvas de Convergência do AG - Sistema 70 Barras
2 Indivíduos 3 Indivíduos 4 Indivíduos 5 Indivíduos 6 Indivíduos
Figura 5.5: Curvas de convergˆencia do AG para diversos valores de kT, na
aloca¸c˜ao de uma GD no sistema de 70 barras.
Fonte: O pr´oprio autor.
Graficamente ´e poss´ıvel observar que, para este sistema, o algoritmo apresenta
uma melhor performance para kT = 4.
´
E importante tamb´em refor¸car que aqui busca-se ajustar os parˆametros de
forma a acelerar a convergˆencia do algoritmo, ent˜ao a melhor resposta poss´ıvel
´
e que influencia em uma maior probabilidade de convergˆencia para a resposta
´
otima, com um menor n´umero de itera¸c˜oes.
5.2.3
Sistema de 202 Barras
Utilizando o valor de m = 20 selecionado anteriormente, foi realizada a
aloca¸c˜ao das GDs no sistema, variando agora kT entre 2, 3, 4, 5 e 6, com σ
= 5% fixo. As curvas representando as performances m´edias para cada valor de
5.3 Taxa de Muta¸c˜ao 34 1 2 3 4 5 6 7 8 9 3.538 3.54 3.542 3.544 3.546 3.548 3.55 3.552 3.554x 10 5 Iterações F unção O bjeti vo (US$)
Curvas de Convergência do AG - Sistema 202 Barras
2 Indivíduos 3 Indivíduos 4 Indivíduos 5 Indivíduos 6 Indivíduos
Figura 5.6: Curvas de convergˆencia do AG para diversos valores de kT, na
aloca¸c˜ao de duas GDs no sistema de 202 barras.
Fonte: O pr´oprio autor.
Graficamente ´e poss´ıvel observar que o algoritmo apresenta uma melhor
per-formance para kT = 5. O tamanho do sistema e a quantidade de GDs torna essa
aloca¸c˜ao mais complexa que as anteriores, demandando um maior n´umero de
itera¸c˜oes para sua convergˆencia. Portanto, mesmo que a performance de kT = 5
em rela¸c˜ao ao n´umero de itera¸c˜oes seja melhor que as outras, ´e mais interessante
a escolha de um menor kT, pois reduz bastante o tempo computacional gasto na
escolha dos pais na etapa de sele¸c˜ao. Escolhendo kT = 3, por exemplo, seriam
selecionados e comparados 4 pais a menos em cada itera¸c˜ao do algoritmo.
5.3
Taxa de Muta¸
c˜
ao
O parˆametro σ ´e muito importante para a manuten¸c˜ao da diversidade da
popula¸c˜ao no algoritmo que, juntamente com o processo de cruzamento, contribui
para a gera¸c˜ao do indiv´ıduo que representa a solu¸c˜ao ´otima de aloca¸c˜ao. Caso
σ assuma valores baixos, ´e maior o risco de convergˆencia do algoritmo para um
m´ınimo local, pois ´e atrav´es da muta¸c˜ao que s˜ao introduzidas novas caracter´ısticas
na popula¸c˜ao. Caso σ assuma valores altos, ele pode induzir o algoritmo a uma
busca aleat´oria e menos inteligente, pois os filhos gerados n˜ao ir˜ao preservar
as caracter´ısticas dos pais (IASTRENSKI, 2015). Al´em disso, aumentaria-se
o tempo computacional gasto durante a etapa de adequa¸c˜ao do indiv´ıduo aos
5.3 Taxa de Muta¸c˜ao 35
Conforme citado por Gallego et al. (2009), os dados emp´ıricos divulgados
por pesquisadores da `area sugerem que, em problemas relacionados `a de
trans-miss˜ao de energia, o intervalo de muta¸c˜ao varia de 0,1% a 5%. No trabalho de
Iastrenski (2015), foi utilizada uma taxa de muta¸c˜ao igual a n1
B. Entretanto,
essa taxa representa a probabilidade de cada uma das barras sofrer altera¸c˜ao, o
que pode acarretar na muta¸c˜ao de mais de uma ou at´e mesmo nenhuma barra
durante o processo. No presente trabalho, diferentemente, a taxa de muta¸c˜ao ´e
aplicada sobre nB e o valor resultante ´e arrendondado para cima, determinando
um valor inteiro fixo de barras em muta¸c˜ao durante a etapa. Dessa maneira, em
sistemas menores uma varia¸c˜ao pequena na taxa de muta¸c˜ao n˜ao faria diferen¸ca
na quantidade de barras mutacionadas. O m´etodo usado para a escolha do valor
de σ ´e similar ao aplicado nos ajustes de m e kT.
5.3.1
Sistema de 34 Barras
Utilizando os valores de m = 12 e kT = 2 selecionados anteriormente, foi
realizada a aloca¸c˜ao da GD no sistema, variando agora σ entre 1 %, 3 %, 6 % e
9 %, o que equivale a 1, 2, 3 e 4 barras do sistema sofrendo altera¸c˜oes durante
a etapa de muta¸c˜ao. O m´etodo para a defini¸c˜ao do valor de σ que melhora a
performance do algoritmo ´e similar ao utilizado nos ajustes de m e kT. As curvas
representando as performances m´edias para cada valor de σ est˜ao dispostas na
Figura 5.7. 1 2 3 4 5 6 7 8 9 6.823 6.8235 6.824 6.8245 6.825 6.8255 6.826 6.8265x 10 4 Iterações F unção O bjeti vo (US$)
Curvas de Convergência do AG - Sistema 34 Barras
1 % 3 % 6 % 9 %
Figura 5.7: Curvas de convergˆencia do AG para diversos valores de σ, na
aloca¸c˜ao de uma GD no sistema de 34 barras.
5.3 Taxa de Muta¸c˜ao 36
Graficamente ´e poss´ıvel observar que, para este sistema, o algoritmo apresenta
uma melhor performance para σ = 3%.
5.3.2
Sistema de 70 Barras
Utilizando os valores de m = 28 e kT = 4 selecionados anteriormente, foi
realizada a aloca¸c˜ao da GD no sistema, variando agora σ entre 1 %, 2%, 3%, 5 %
e 6%, o que equivale a 1, 2, 3, 4 e 5 barras do sistema sofrendo altera¸c˜oes durante
a etapa de muta¸c˜ao. O m´etodo para a defini¸c˜ao do valor de σ que melhora a
performance do algoritmo ´e similar ao utilizado nos ajustes de m e kT. As curvas
representando as performances m´edias para cada valor de σ est˜ao dispostas na
Figura 5.8. 2 4 6 8 10 12 6.125 6.13 6.135 6.14 6.145 6.15x 10 4 Iterações F unção O bjeti vo (US$)
Curvas de Convergência do AG - Sistema 70 Barras
1 % 2 % 3 % 5 % 6 %
Figura 5.8: Curvas de convergˆencia do AG para diversos valores de σ, na
aloca¸c˜ao de uma GD no sistema de 70 barras.
Fonte: O pr´oprio autor.
Como o objetivo do ajuste ´e buscar convergˆencia com um menor n´umero
de itera¸c˜oes, graficamente, para este sistema, o algoritmo apresenta uma melhor
performance com σ = 2,0 %. Mesmo sendo atraentes as performances para σ =
3,0 % e σ = 6,0 %, um menor valor de σ ´e sempre mais interessante em termos
de tempo computacional.
5.3.3
Sistema de 202 Barras
Utilizando os valores de m = 20 e kT = 3 selecionados anteriormente, foi
5.4 An´alise de Tempo 37
2,0 %, 2,5 % e 3,0 %, o que equivale a 1, 2, 3, 4 e 5 barras do sistema sofrendo
altera¸c˜oes durante a etapa de muta¸c˜ao. O m´etodo para a defini¸c˜ao do valor de
σ que melhora a performance do algoritmo ´e similar ao utilizado nos ajustes de
m e kT. As curvas representando as performances m´edias para cada valor de σ
est˜ao dispostas na Figura 5.9.
1 2 3 4 5 6 7 8 9 3.538 3.54 3.542 3.544 3.546 3.548 3.55 3.552 3.554 3.556 3.558x 10 5 Iterações F unção O bjeti vo (US$)
Curvas de Convergência do AG - Sistema 202 Barras
0,4 % 1,2 % 2,0 % 2,5 % 3,0 %
Figura 5.9: Curvas de convergˆencia do AG para diversos valores de σ, na
aloca¸c˜ao de duas GDs no sistema de 202 barras.
Fonte: O pr´oprio autor.
Graficamente ´e poss´ıvel observar que, para este sistema, o algoritmo apresenta
uma melhor performance para σ = 2,5 %. Todavia, as performances para σ =
2,5 % e σ = 2,0 % s˜ao parecidas, tornando-se mais interessante a escolha do σ de
menor valor.
5.4
An´
alise de Tempo
As simula¸c˜oes foram realizadas em um computador com processador
In-tel(R) Core(TM) i7-4510U CPU @ 2.00GHz 2.6GHz, e mem´oria RAM DDR3 de
8,00GHz, atrav´es do software Microsoft Visual Studio 2015. Ser´a demonstrado
ent˜ao o desempenho em termos de tempo computacional gasto pelo algoritmo at´e
a convergˆencia, para os parˆametros selecionados anteriormente nesta Se¸c˜ao.
5.4.1
Sistema 34 Barras
Com kT = 2 indiv´ıduos e σ = 3 % fixos, foi simulada a aloca¸c˜ao da GD para