UNIVERSIDADE ESTADUAL DE CAMPINAS Faculdade de Engenharia Elétrica e de Computação
JOHN EDISSON CARDONA RUIZ
CONTROLE DESCENTRALIZADO DO CARREGAMENTO DOS VEÍCULOS ELÉTRICOS USANDO APENAS MEDIÇÕES LOCAIS DE MAGNITUDE DE TENSÃO
DECENTRALIZED ELECTRICAL VEHICLES CHARGING COORDINATION USING ONLY LOCAL VOLTAGE MAGNITUDE MEASUREMENTS
CAMPINAS 2017
JOHN EDISSON CARDONA RUIZ
CONTROLE DESCENTRALIZADO DO CARREGAMENTO DOS VEÍCULOS ELÉTRICOS USANDO APENAS MEDIÇÕES LOCAIS DE MAGNITUDE DE TENSÃO
DECENTRALIZED ELECTRICAL VEHICLES CHARGING COORDINATION USING ONLY LOCAL VOLTAGE MAGNITUDE MEASUREMENTS
Dissertação apresentada à Faculdade de Engenharia Elétrica e de Computação da Universidade Estadual de Campinas como parte dos requisitos exigidos para a obtenção do título de Mestre em Engenharia Elétrica na área de energia elétrica.
Orientador: MARCOS JULIO RIDER FLORES
ESTE EXEMPLAR CORRESPONDE À VERSÃO FINAL DISSERTAÇÃO DEFENDIDA PELO ALUNO
JOHN EDISSON CARDONA RUIZ, E ORIENTADA PELO PROF. DR. MARCOS JULIO RIDER FLORES
CAMPINAS 2017
COMISSÃO JULGADORA – DISSERTAÇÃO DE MESTRADO
Candidato: John Edisson Cardona Ruiz RA: 180549 Data da Defesa: 28 de julho de 2017
Título da Dissertação: “Controle Descentralizado do Carregamento dos Veículos Elétricos
Usando Apenas Medições Locais de Magnitude de Tensão”.
Prof. Dr. Marcos Julio Rider Flores (Presidente, FEEC/UNICAMP) Prof. Dr. Antonio Padilha Feltrin (FEIS/UNESP)
Prof. Dr. Luiz Carlos Pereira da Silva (FEEC/UNICAMP)
A ata da defesa, com as respectivas assinaturas dos membros da Comissão Julgadora, encontra-se no processo de vida acadêmica do aluno.
À meu pai German Cardona e minha mãe Gloria Margarita Ruiz, porque cada logro em minha vida é uma consequência inerente do seu esforço, dedicação, conselho e amor.
“A imaginação muitas vezes conduz-nos a mundos a que nunca fomos, mas sem ela não iremos a nenhum lugar. ”
AGRADECIMENTOS
A vida nos faz tomar decisões que determinam o nosso caminho, caminho que em ocasiões leva-nos fora de nossa zona de conforto, mas o retroceder não é uma opção por mais incerto que o novo desafio seja. O importante é, no final, olhar para trás e ver que aquela aventura valeu a pena. Após mais um objetivo alcançado, não posso deixar de agradecer imensuravelmente pessoas que fizeram possível esta importante fase em minha vida:
Ao orientador Prof. Dr. Marcos Julio Rider Flores, que acreditou nas minhas capacidades e com sua dedicação, sabedoria, preocupação, paciência, revisões e respeito, tornou possível esta dissertação;
Aos meus pais, German e Gloria Margarita, e aos meus irmãos, Ruben Dario e Anny Yuliana, pelo amor incondicional e apoio para superar os meus desafios;
Ao meu amigo, Camilo Lopez, pela sua contribuição e incentivos para uma boa realização deste trabalho, pelas suas sugestões e conselhos, pela sua disponibilidade e paciência;
Ao meu amigo Victor Garcia pela ajuda, apoio e motivação para realização do meu mestrado;
Aos amigos da Engenharia Elétrica do LE-19, pela convivência e amizade construída;
Aos professores do Departamento de Sistemas de Energia, pelo suporte acadêmico nas disciplinas;
RESUMO
Neste trabalho é apresentada uma nova estratégia de gerenciamento do carregamento de Veículos Elétricos (VEs) através de um enfoque de controle descentralizado, considerando-se apenas o conhecimento do histórico da magnitude de tensão em cada ponto de carga onde um VE pode ser conectado. Procurou-se garantir os limites operacionais de magnitude de tensão e minimizar a sobrecarga dos transformadores de distribuição. Para diminuir o custo da energia fornecida aos VEs foi incorporada uma estratégia de carregamento com base na preferência de carga do usuário, no custo da energia e no histórico do caminho percorrido pelos veículos, informações que podem ser obtidas via internet das coisas (IoT). O método foi avaliado em um sistema teste de distribuição trifásico desequilibrado de 178 nós, que considera tanto o sistema primário quanto o secundário, onde são analisados variados níveis de penetração de VEs e o funcionamento ante a operação de um regulador de tensão (RT). Para avaliar o desempenho da metodologia proposta foram utilizadas simulações de Monte Carlo (MC), considerando diferentes cenários estocásticos de carregamento dos VEs, estado inicial das baterias e demandas convencionais; também analisando diferentes cenários de operação, como o carregamento sem controle e o carregamento descentralizado com e sem prioridade de usuário. Finalmente, os resultados do esquema de carregamento proposto são comparados com uma técnica de carregamento centralizada baseada num modelo de programação linear inteiro misto.
Palavras-chave:Carregamento descentralizado. Sistema elétrico de distribuição. Veículos
ABSTRACT
A new decentralized approach for the charging coordination of electric vehicles (EVs) connected to electrical distribution systems (EDS) is presented. The proposed charging coordination uses historic information of the voltage magnitudes at each load node in which an EV is being charged to guarantee that voltage magnitudes will be above their lower limits and distribution transformers will not reach their overload capacity. Furthermore, information gathered via Internet of Things (IoT), such as user’s priorities, cost of energy and EV’s historic routes can be used by the proposed decentralized approach to diminish the cost of the energy supplied to the EVs. The method was tested using an unbalanced three-phase EDS with 178 nodes, different EV penetration levels and a fixed voltage regulator case. Monte Carlo simulations have been implemented to analyze the performance of the proposed approach in different stochastic EVs charging scenarios, initial state of the batteries, and conventional demands. Also analyzing operating scenarios with and without charging control, and with or without user’s priorities. Finally, results are compared with the solution found by a centralized EV charging coordination approach based on a mixed-integer linear programming model.
Keywords: Decentralized charging approach. Electrical distribution systems. Electric vehicles.
LISTA DE ILUSTRAÇÕES
Figura 2.1: Vida útil das baterias de Lítio-Íon [11] ... 28
Figura 2.2: Perfil de recarga para as baterias de Lítio-Íon [14] ... 29
Figura 2.3: A Internet das coisas e prioridade de usuário ... 34
Figura 3.1: Restrição limite de tensão (fase A) [21]... 41
Figura 3.2: Fluxograma do algoritmo de MC ... 49
Figura 3.3: Curva de demanda diária e custo da energia ... 50
Figura 3.4: Funções de probabilidade 𝑡𝑖𝑎𝑟𝑟 𝑒 𝑡𝑖𝑑𝑒𝑝 ... 50
Figura 3.5: Função de probabilidade SoC inicial ... 50
Figura 4.1:Topologia da rede com 60% de penetração dos PEVs... 53
Figura 4.2: Convergência do algoritmo de MC ... 54
Figura 4.3: Seleção da janela de tempo da média móvel... 56
Figura 4.4: Carregamento com controle para uma penetração de 60% de PEVs ... 60
Figura 4.5: Perfil da magnitude de tensão dos nós 3208 e 1302 ... 60
Figura 4.6: Distribuição do horário de carregamento dos PEVs ... 61
Figura 4.7: Perfis de magnitude de tensão com controle de carregamento. ... 61
Figura 4.8: Carregamento com controle para uma penetração de 60% de PEVs ... 63
Figura 4.9: Perfil da magnitude de tensão por fase ... 64
Figura A.1: Seção de linha trifásica... 72
Figura A.2: Ordenação dos ramos em camadas ... 73
LISTA DE TABELAS
Tabela 2.1: Opções de equipo de recarga para veículos elétricos [8]... 25
Tabela 2.2: Características dos principais tipos de baterias utilizadas para PEVs [5] [10] ... 27
Tabela 2.3: Perda da vida útil em transformadores de distribuição convencionais [20] ... 32
Tabela 2.4: Principais artigos de acordo com a pesquisa ... 36
Tabela 3.1: Algoritmo proposto ... 45
Tabela 4.1: Seleção da janela de tempo ... 55
Tabela 4.2: Resumo das probabilidades obtidas nas simulações de MC... 57
Tabela 4.3: Resumo dos custos totais por dia da energia dos PEVs [US$] ... 59
Tabela 4.4: Função objetivo ... 62
LISTA DE ABREVIATURAS E SIGLAS
AC Corrente Alternada
AMI Advanced Metering Infrastructure
CC Corrente Contínua
CENELEC European Committee for Electrotechnical Standardization
EV Electric Vehicle
HEV Hybrid Electric Vehicles
IEC International Electrotechnical Commission
IEEE Institute of Electrical and Electronic Engineering
IoT Internet of Things
LV Low Voltage
MC Monte Carlo
ONAN Oil Natural Air Natural
PEV Plug-in Electric Vehicle
PHEV Plug-in Hybrids Electric Vehicles
PLIM Programação Linear Inteira Mista
PNLIM Programação Não Linear Inteira Mista
RT Regulador de Tensão
SDEE Sistema de Distribuição de Energia Elétrica
SOC State of Charge
LISTA DE SÍMBOLOS
Conjuntos
𝛺𝑏 Conjunto de barras
𝛺𝑙 Conjunto de circuitos
𝛺𝑡 Conjunto de períodos de tempo
𝛺𝑓 Conjunto de fases {𝑎, 𝑏, 𝑐}
Parâmetros
𝛼𝑆,𝑡𝐺 Custo da energia por kWh
𝛽 Fator de penalização pela energia que não é possível prover às baterias dos PEVs
𝐶𝑥𝑖,𝑓EV Conexão do PEV no nó 𝑖, na fase 𝑓. Por exemplo, 𝐶𝑥𝑖,𝑓ve = (1 0 1) indica conexão bifásica do PEV nas fases A e C
∆𝑡 Duração dos períodos de tempo
Δ𝑉𝑖,𝑓EV Queda média da magnitude de tensão causada pelo carregamento do PEV no nó 𝑖, na fase 𝑓
𝜙𝑖𝑗,𝜆 Discretização para a corrente do circuito 𝑖𝑗
Λ Número de blocos empregados na linearização da corrente ao quadrado
𝜃𝑓 Ângulo de referência da fase 𝑓
𝜃+ Desvio positivo máximo do ângulo da tensão em torno da referência para cada fase
𝜃− Desvio negativo máximo do ângulo da tensão em torno da referência para cada fase
𝜌𝑡 Parâmetro usado para incentivar o carregamento de um PEV com prioridade o mais rápido possível
𝐸̅𝑖EV Capacidade de energia da bateria do PEV no nó 𝑖
𝑓𝑘𝑖,𝑡 Parâmetro binário que indica a prioridade de usuário. Se 𝑓𝑘𝑖,𝑡 = 1, usuário no nó 𝑖 tem prioridade de carregamento no tempo 𝑡; 𝑓𝑘𝑖,𝑡 = 0, caso contrário 𝐼̅𝑖𝑗 Máxima corrente pelo circuito 𝑖𝑗
𝑃𝑖,𝑓𝐷 Potência ativa demandada no nó 𝑖 no tempo 𝑡 𝑃𝑖EV Potência máxima da bateria do PEV no nó 𝑖 𝑄𝑖,𝑓D Potência reativa demandada na barra 𝑖, na fase f 𝑅𝑖𝑗,𝑓,ℎ Resistência no circuito 𝑖𝑗 entre a fase 𝑓 e a fase ℎ 𝑆𝑜𝐶𝑖,𝑡 Estado de carga das baterias no nó 𝑖 no tempo 𝑡 𝑡min Período de tempo no qual a energia tem custo mínimo
𝑡𝑖arr Tempo de chegada do PEV no nó 𝑖 𝑡𝑖dep Tempo de saída do PEV no nó 𝑖
𝑉 Magnitude de tensão máxima do SDEE
𝑉 Magnitude de tensão mínima do SDEE
𝑉𝑖mim Tensão mínima média estabelecida no nó 𝑖 𝑉𝑖,𝑓re* Parte real da tensão estimada no nó 𝑖 e a fase 𝑓 𝑉𝑖,𝑓im* Parte imaginária da tensão estimada no nó 𝑖 e a fase 𝑓 𝑋𝑖𝑗,𝑓,ℎ Reatância no circuito 𝑖𝑗 entre a fase 𝑓 e a fase ℎ
Variáveis
Δre𝑖𝑗,𝑓,𝑡,𝜆 Valor da variável auxiliar λ-th usado para linearizar a corrente real no circuito 𝑖𝑗, fase 𝑓, no tempo 𝑡
Δim𝑖𝑗,𝑓,𝑡,𝜆 Valor da variável auxiliar λ-th usado para linearizar a corrente imaginária no circuito 𝑖𝑗, fase 𝑓, no tempo 𝑡
δ Penalização da energia que não é possível fornecer às baterias dos PEVs φ Penalização por fator de prioridade do carregamento dos PEVs
ω Custo da energia entregue pela subestação
𝐸𝑖𝐸𝑉 Energia entregue para a bateria do PEV no nó 𝑖 𝐸𝑖NS Energia não suprida à bateria do PEV no nó 𝑖
𝐼𝑖𝑗,𝑓,𝑡re Parte real da corrente através do circuito 𝑖𝑗, na fase 𝑓, no tempo 𝑡 𝐼𝑖𝑗,𝑓,𝑡im Parte imaginária da corrente através do circuito 𝑖𝑗, na fase 𝑓, no tempo 𝑡 𝐼𝑖,𝑓,𝑡ev_re Parte real da corrente suprida à bateria do PEV no nó 𝑖, na fase 𝑓, no tempo
𝑡
𝐼𝑖,𝑓,𝑡ev_im Parte imaginária da corrente suprida à bateria do PEV no nó 𝑖, na fase 𝑓, no tempo 𝑡
𝐼𝑖𝑗,𝑓,𝑡re+ Componente positiva da parte real da corrente através do circuito 𝑖𝑗 , na fase 𝑓, no tempo 𝑡
𝐼𝑖𝑗,𝑓,𝑡re- Componente negativa da parte real da corrente através do circuito 𝑖𝑗, na fase 𝑓, no tempo 𝑡
𝐼𝑖𝑗,𝑓,𝑡im+ Componente positiva da parte imaginária da corrente através do circuito 𝑖𝑗, na fase 𝑓, no tempo 𝑡
𝐼𝑖𝑗,𝑓,𝑡im- Componente negativa da parte imaginária da corrente através do circuito 𝑖𝑗, na fase 𝑓, no tempo 𝑡
𝐼𝑖,𝑓,𝑡Dre Parte real da corrente demandada no nó 𝑖, na fase 𝑓, no tempo 𝑡
𝐼𝑖,𝑓,𝑡Dre Parte imaginária da corrente demandada no nó 𝑖, na fase 𝑓, no tempo 𝑡 𝐼𝑠,𝑓,𝑡Gre Parte real da corrente gerada no nó 𝑖, na fase 𝑓, no tempo 𝑡
𝐼𝑠,𝑓,𝑡Gim Parte imaginária da corrente gerada no nó 𝑖, na fase 𝑓, no tempo 𝑡 𝑉𝑖,𝑓,𝑡 Tensão no nó 𝑖, na fase 𝑓, no tempo 𝑡
𝑉𝑖,𝑓,𝑡re Parte real da tensão no nó 𝑖, na fase 𝑓, no tempo 𝑡 𝑉𝑖,𝑓,𝑡im Parte imaginária da tensão no nó 𝑖, na fase 𝑓, no tempo 𝑡
𝑋𝑖,𝑡𝐸𝑉 Variável binária que representa o estado de carregamento do PEV no nó 𝑖, durante o período de tempo 𝑡.
SUMÁRIO 1 INTRODUÇÃO ... 18 1.1 OBJETIVOS ... 20 1.2 CONTRIBUIÇOES ... 21 1.3 ORGANIZAÇÃO DO TRABALHO ... 22 2 FUNDAMENTAÇÃO TEORICA... 23
2.1 CONSIDERAÇÕES GERAIS DOS VEÍCULOS ELÉTRICOS ... 23
2.1.1 Classificação dos veículos elétricos ... 23
2.1.2 Tipos de carregamento da bateria de EV e PHEV ... 25
2.1.3 Baterias ... 26
2.2 SIMULAÇÕES DE MONTE CARLO ... 29
2.3 LIMITES DE OPERAÇÃO DOS SDEE ... 31
2.3.1 Variações da magnitude de tensão... 31
2.3.2 Sobrecarga nos transformadores de distribuição ... 31
2.4 INTERNET DAS COISAS (IOT) ... 32
2.5 ESTADO DA ARTE DO PROBLEMA ... 35
3 METODOLOGIAS DE COORDENAÇÃO DE CARREGAMENTO ... 37
3.1 CARREGAMENTO CENTRALIZADO ... 37
3.1.1 Modelo PNLIM para o problema de coordenação de carregamento ... 38
3.1.2 Modelo PLIM para o problema coordenação de carregamento ... 40
3.2 CARREGAMENTO DESCENTRALIZADO ... 44
3.2.1 Algoritmo proposto ... 45
3.2.2 Simulações de Monte Carlo ... 48
4 TESTES E RESULTADOS ... 52
4.1 CARREGAMENTO DISTRIBUÍDO ... 52
4.1.1 Critério de convergência das simulações de MC ... 52
4.1.2 Casos de análises ... 54
4.1.3 Escolha da Janela de Tempo ... 55
4.1.4 Resultados das simulações de MC ... 56
4.2 CONTROLE DISTRIBUÍDO VS. CONTROLE CENTRALIZADO ... 59
4.3 CARREGAMENTO DISTRIBUÍDO COM REGULADOR DE TENSÃO ... 62
5.1 CONCLUSÕES ... 65
5.2 TRABALHOS FUTUROS ... 66
REFERÊNCIAS ... 67
APÊNDICE A. FLUXO DE CARGA TRIFÁSICO ... 72
18
1 INTRODUÇÃO
As mudanças climáticas têm causado graves impactos sobre os sistemas naturais e humanos em todos os continentes. Como consequência, as pessoas possuem mais consciência dos efeitos irreversíveis causados pelas emissões de gases de efeito estufa. Assim, é cada vez mais importante o uso de tecnologias amigáveis ao meio ambiente, que permitem a redução do consumo de combustíveis fósseis, como a utilização de veículos elétricos (VEs) para o transporte urbano [1]. Ao mesmo tempo, o impulso político no investimento e metas para reduzir as emissões de CO2, é de muita importância. De tal modo que, em mercados mais desenvolvidos, um avanço representativo dos VEs é alinhado a acordos ambientais assumidos por esses governos.
A tecnologia dos VEs, em termos de eficiência, autonomia, conforto e custo, se aproxima cada vez mais das características dos veículos convencionais. O custo das baterias é um fator importante que torna os VEs mais caros em relação aos veículos convencionais. A bateria responde hoje por cerca de 40% do preço de um VE, chegando a 60% dos modelos com maior autonomia. Mas a previsão é, de que em poucos anos ocorra um progressivo barateamento. Projeta-se deste modo, um panorama de progressiva penetração dos VEs nas cidades, impulsionado pela crescente demanda e oferta no mercado [2].
O crescimento esperado na penetração de VEs, abre a porta para um grande número de aplicações relacionadas como o gerenciamento das utilidades dos VEs e a interação com os usuários, através das tecnologias emergentes de comunicação e controle, sendo uma opção viável, a implementação via internet das coisas (IoT)[3]. A IoT permite que os objetos da vida cotidiana sejam parte integrante da internet, através de armazenamento de dados na internet e de canais de comunicação com outros objetos e com os usuários. Portanto, o paradigma da IoT pode causar o desenvolvimento de uma série de aplicativos que usam a quantidade e variedade enorme de dados gerados por esses objetos para fornecer novos serviços aos usuários. No caso dos VEs, pode-se disponibilizar na internet os dados referentes aos percorridos, os consumos de energia elétrica, autonomia, horários de carga, etc.
A introdução massiva dos diferentes tipos de VEs nos sistemas de distribuição de energia elétrica (SDEE) representa um maior uso da infraestrutura das redes e causa diversos efeitos negativos como a elevação dos picos de carga, a degradação da qualidade da energia, abaixamento do perfil da magnitude de tensão, sobrecarga nos circuitos, aumento das perdas de potência, e desequilíbrios entre as fases, tanto no sistema primário quanto no secundário
1. INTRODUÇÃO 19
[4],[5],[6], dado que os VEs têm um consumo de energia significativo comparado ao consumo convencional das residências. Mas como os VEs são cargas elétricas interrompíveis e, portanto, gerenciáveis, seu carregamento pode ser realizado nos períodos de baixa demanda (motivado pelo menor custo da energia), ou em períodos onde a rede tem capacidade disponível para carregá-los. Deste modo, os problemas ocasionados devido à introdução massiva dos VEs nos SDEE, podem ser mitigados usando estratégias de coordenação de carregamento que permitam uma operação eficiente e confiável dos SDEE, evitando ou adiando investimentos adicionais na infraestrutura das redes.
Tipicamente, as estratégias de carregamento de VEs utilizam um sistema de controle que requer uma análise centralizada através de sistemas de medição e comunicação sofisticados (Advanced Metering Infrastructure, AMI) [4]. A coordenação de carregamento de VEs com abordagem centralizada geralmente procura carregar os VEs rapidamente sem exceder os limites de operação do SDEE, através de uma gestão que minimiza as perdas no SDEE como também o custo da energia fornecida para os VEs. A decisão de carregar cada VE é tomada por um controle central com base nas informações dos VEs e nas medições do SDEE em tempo real (medições como a magnitude de tensão em diferentes pontos da rede e os fluxos de potência nos transformadores e cabos). A metodologia centralizada precisa de medidores inteligentes nos usuários e nos diferentes dispositivos do SDEE, com sistemas de comunicação integrados que permitem o intercâmbio de informação de forma confiável entre os medidores, o centro de controle e os atuadores no ponto de carga dos VEs.
Contudo, os sistemas centralizados podem se tornar difíceis de aplicar, pois são uma opção custosa e, em muitos casos, difíceis de serem programados e adaptados às redes reais. Portanto, existe a necessidade de novos métodos de solução que sejam eficientes, econômicos, de fácil implementação e que permitam controlar o carregamento dos VEs considerando as restrições operacionais dos SDEE. Assim, procuram-se metodologias que com pouca ou nenhuma infraestrutura de comunicação, e restrito conhecimento dos parâmetros das redes, possam gerenciar o carregamento dos VEs através de decisões locais. Estas metodologias são chamadas de carregamento descentralizado dos VEs. Note que, na coordenação descentralizada, os controladores no ponto de carregamento desconhecem o estado geral de operação da rede, porque não existe uma infraestrutura de comunicações e medição dedicada para isso.
1. INTRODUÇÃO 20
1.1 OBJETIVOS
Este trabalho tem como objetivo propor uma nova metodologia descentralizada para o gerenciamento do carregamento dos VEs, considerando-se apenas as medidas locais de magnitude de tensão, sem necessidade de conhecer o estado da rede ou da conexão dos demais veículos. O controlador instalado em cada ponto de carregamento de VE utiliza valores históricos da magnitude de tensão medida para calcular: (i) a magnitude de tensão mínima média de operação e (ii) a queda média da magnitude de tensão causada pelo carregamento do VE. A metodologia proposta tenta garantir que os limites operacionais da magnitude de tensão sejam respeitados em cada nó, ao mesmo tempo que minimiza a sobrecarga dos dispositivos da rede. O controlador instalado em cada ponto de carregamento opera um atuador ON-OFF, que regula a energia fornecida ao VE. A proposta de carregamento pode ser aumentada com informação obtida por meio da IoT, como horários de chegada e saída, os percursos dos VEs, e o custo da energia. Esta nova informação é utilizada para determinar a quantidade de energia entregue para cada VE nas horas de custo mínimo de energia e deste modo, incorporar uma estratégia de carregamento com base na prioridade do usuário.
Deve-se levar em conta que a IoT não é um requisito para o funcionamento da proposta de carregamento descentralizado. Já que o carregamento descentralizado proposto tem como objetivo carregar a totalidade dos VEs o mais rápido possível, sem gerar violações. A IoT representa uma opção para interagir com o usuário e conseguir uma carga econômica que pode atender às necessidades específicas de cada proprietário de VE.
Procura-se avaliar o desempenho da metodologia proposta utilizando simulações de Monte Carlo (MC), para analisar diferentes cenários de operação do SDEE em presença de PEVs, em função das violações sobre o sistema. Deste modo, é caracterizada através de funções de probabilidade a natureza estocástica de parâmetros como: a hora de chegada e hora de partida dos veículos, o estado inicial de carga e as demandas das cargas convencionais. Finalmente, os resultados do esquema de carregamento proposto são comparados com uma técnica de carregamento centralizada, apresentada em [7], sob um cenário representativo.
1. INTRODUÇÃO 21
1.2 CONTRIBUIÇOES
Em relação a outros trabalhos desenvolvidos com base em metodologias de gestão de carregamento de VEs com sistemas descentralizados (apresentados na secção 2.5), o gerenciamento proposto não requer nenhuma comunicação ativa ou passiva com agentes centrais, a decisão de carregamento é completamente local, baseadas na informação de tensão no ponto de carregamento. Além disso, é levado em consideração que os modelos do SDEE são trifásicos e desequilibrados.
As principais contribuições deste trabalho são:
• Uma nova metodologia para a coordenação do carregamento descentralizado dos VEs, que visa atender as restrições operacionais dos SDEE.
• A estratégia de carregamento proposta utiliza apenas medidas de magnitude de tensão no ponto de conexão do VE, e considera a prioridade do usuário, preferência de carregamento, custo da energia e histórico do caminho percorrido pelos VEs, através da aplicação da IoT.
• Um algoritmo intuitivo e de fácil implementação que permite gerenciar o carregamento dos VEs utilizando apenas a magnitude da tensão medida no ponto carregamento.
• A interação conjunta das respostas autônomas de cada controlador de carregamento de VE, permite a coordenação do carregamento de todos os VEs, sem ultrapassar os limites de operação do SDEE.
• Através das simulações de MC são simulados ampla variedade de cenários de carregamento de VEs através da implementação de parâmetros estocásticos que representam comportamentos próximos da realidade e é quantificado o impacto dos diferentes níveis de penetração de VEs sobre um SDEE.
1. INTRODUÇÃO 22
1.3 ORGANIZAÇÃO DO TRABALHO
Esta dissertação possui a seguinte organização:
• O capítulo 2 apresenta um referencial teórico dos principais conceitos e ferramentas utilizadas para o desenvolvimento da pesquisa. São indicadas as considerações gerais dos VEs (os diferentes tipos de carregamento e características das principais tecnologias de baterias elétricas no mercado). A aplicação da IoT como complemento da metodologia é explicada, como também os limites de operação do SDEE considerados para a avaliação do desempenho da metodologia proposta através das simulações de MC. Após propiciar a contextualização dos temas aqui utilizados, analisa-se as principais contribuições da proposta através da revisão bibliográfica.
• O capítulo 3 descreve a formulação matemática ligada às duas abordagens utilizadas para resolver o problema de carregamento dos VEs. Apresenta-se a metodologia de carregamento centralizada e a metodologia proposta de carregamento distribuído (descentralizado). A primeira baseia-se num modelo PLIM e procura uma resposta otima global, sendo subsequentemente utilizada como referência para avaliar o comportamento da metodologia proposta.
• O capítulo 4 contém a análise dos resultados das simulações de MC da metodologia proposta. O controle de carregamento centralizado é comparado com o controle distribuído. E finalmente, é realizada uma análise do desempenho do controle de carregamento distribuído com um regulador de tensão instalado no SDEE.
23
2 FUNDAMENTAÇÃO TEORICA
Neste capitulo é feita uma descrição dos principais conceitos e ferramentas utilizadas para o desenvolvimento do trabalho. Depois é realizada uma análise do estado da arte do problema de gestão descentralizada do carregamento dos VEs em redes de distribuição. Onde os artigos são avaliados de acordo com três indicadores: grau de entrada, intermediação e nível de saída. Adicionando uma perspectiva de árvore, que tem sido chamado de "Tree of Science" (árvore do conhecimento), como é desenvolvido em [7].
2.1 CONSIDERAÇÕES GERAIS DOS VEÍCULOS ELÉTRICOS
2.1.1 Classificação dos veículos elétricos
Os veículos de atuação elétrica são veículos que utilizam a eletricidade como a principal fonte de energia. Estes veículos podem ser divididos em duas categorias: veículos elétricos híbridos (Hybrid Electric Vehicles, HEVs) e veículos elétricos conectáveis (Plug-in Electric Vehicles, PEVs), ao mesmo tempo são divididos em veículos elétricos híbridos conectáveis (Plug-in Hybrid Electric Vehicles, PHEVs), e veículos totalmente elétricos (Electric Vehicles, EVs) [8].
• Hybrid Electric Vehicles (HEVs):
Os veículos elétricos híbridos (HEVs) são movidos por um motor de combustão e um motor elétrico que usa a energia armazenada em uma bateria. A energia adicional fornecida pelo motor elétrico permite o uso de um motor de combustão menor, sem prejudicar o desempenho. A bateria também alimenta as cargas auxiliares, tais como sistemas de áudio e faróis. Os HEVs podem se deslocar curtas distâncias em baixa velocidade usando apenas energia elétrica. Aqueles recursos normalmente resultam em melhor economia de combustível e menor taxa de poluentes, em relação aos veículos convencionais de características semelhantes. O HEV não pode ser ligado para carregar a bateria. Em vez disso, a bateria é carregada através da frenagem regenerativa e do motor de combustão interna. A frenagem regenerativa permite ao HEV capturar a energia normalmente perdida durante a frenagem, com o motor elétrico trabalhando como um gerador e armazenando a energia capturada na bateria.
2. FUNDAMENTAÇÃO TEORICA 24
• Plug-in Hybrid Electric Vehicles (PHEVs):
Os PHEVs utilizam bateria para alimentar um motor elétrico e usar outros combustíveis, como a gasolina, para acionar um motor de combustão interna. Os PHEVs podem ser ligados à rede elétrica para carregar as baterias, e também podem ser carregados através do motor de combustão interna e da frenagem regenerativa. As baterias dos PHEVs são maiores do que HEV, permitindo mover mais de 65 quilômetros utilizando apenas a eletricidade.
Assim, com a bateria carregada, um PHEV pode trabalhar principalmente com a eletricidade armazenada ao dirigir em áreas urbanas. O motor de combustão interna pode conduzir o veículo quando a bateria está totalmente descarregada, durante a aceleração rápida, quando o veículo atinge uma velocidade alta ou quando precisa-se usar o aquecimento ou ar condicionado em alta potência. Quando o trabalho é realizado somente pela bateria, os PHEVs não emitem gases de escape. Mesmo quando o motor de combustão interna está em operação, os PHEVs consomem menos combustível e, geralmente emitem menos gases de escape do que os veículos convencionais.
• Electric Vehicles (EVs):
Os EVs usam baterias para armazenar energia elétrica que aciona um ou mais motores. As baterias são carregadas conectando o veículo à rede elétrica. O EV também pode ser carregado por frenagem regenerativa. Eles não têm motor de combustão interna, portanto não emitem gases de escape. No entanto, existem emissões que são calculadas durante o chamado "ciclo de vida" implícito na maioria dos sistemas de produção de eletricidade de cada país.
A autonomia do deslocamento do EV é menor em relação a veículos convencionais de combustível. A maioria dos EVs tem um alcance de entre 112 km e 145 km com uma bateria totalmente carregada. Embora alguns modelos pudessem alcançar uma maior autonomia. A autonomia também varia de acordo com as condições e hábitos de condução, dirigindo em alta velocidade, condução imprudente, transporte de cargas pesadas e temperaturas ambientais extremas, tendem a reduzir a autonomia, pois a energia da bateria deve alimentar sistemas de ar condicionado, assim como para impulsionar o motor.
2. FUNDAMENTAÇÃO TEORICA 25
2.1.2 Tipos de carregamento da bateria de EV e PHEV
Estações de carregamento, também conhecido como equipamento de carregamento para veículos elétricos, fornece eletricidade para carregar as baterias de EVs e PHEVs, e garantem que o fluxo de energia seja adequado e seguro. Os equipamentos de carregamento dos veículos elétricos são classificados segundo a velocidade com que as baterias são carregadas. Dois tipos de carregamento AC (nível 1 e nível 2) fornecem corrente alternada ao veículo e em seguida o equipamento do veículo (carregador) converte a corrente alternada (AC) para corrente contínua (CC) necessária para carregar baterias. O outro tipo de carregador CC de carregamento rápido fornece eletricidade em corrente continua (CC) para o veículo. A carga rápida também é conhecida como Nível 3. A Tabela 2.1 apresenta os tipos de carregamento para os PEVs.
Tabela 2.1: Opções de equipo de recarga para veículos elétricos [8]
Corrente Tensão Potência Tempo de
carregamento Uso principal Nível 1 de CA 12 a 16 A 120 V 1,3 a 1,9 kW 3 a 8 km de autonomia por cada hora de carga.
Carregamento em área residencial e local de trabalho. Nível 2 de CA Até 80 A 208 ou 240 V Até 19,2 kW 16 a 32 km de autonomia por cada hora de carga. Carregamento em área residencial, local de trabalho e em espaços públicos. Nível 3 CC de carga rápida Até 200 A 208 a 600 V 50 a 150 kW 96 a 128 km de autonomia em menos de 20 minutos. Carregamento em local público.
O tempo de carregamento pode variar entre menos que 20 minutos até 20 horas ou mais, dependendo do tipo ou do nível do equipamento de carregamento, tipo de bateria, capacidade e o nível de descarga, e o tamanho do carregador interno do veículo. A bateria do EV normalmente tem uma maior capacidade do que PHEV, então o carregamento de um EV totalmente descarregado leva mais tempo que o carregamento de um PHEV. As unidades de carga podem ser instaladas em residências, frota de veículos, locais de trabalho e ambientes de espaços públicos.
2. FUNDAMENTAÇÃO TEORICA 26
2.1.3 Baterias
As baterias são dispositivos de armazenamento de energia elétrica. O armazenamento é feito através de um processo eletroquímico no meio de dois eletrodos (anodo e catodo) unidos por um fio ou um cabo elétrico.
2.1.3.1 Principais tipos de baterias para aplicação em veículos elétricos
• Chumbo / Ácido (PB/A):
Os eletrodos negativos da bateria têm chumbo elementar (Pb) e as placas positivas têm dióxido de chumbo (2 PbO) como material ativo no estado carregado. Os eletrodos ficam imersos em um eletrólito de ácido sulfúrico (H2SO4),
Esta tecnologia é a mais antiga das baterias dos PEVs e os preços são os mais baixos, de pouca manutenção e usada por veículos convencionais de combustão interna. Apesar disso, quando a bateria opera em um nível de carga muito próximo do nível mínimo, o ciclo de vida é diminuído e sua energia específica também é muito baixa comparada com as outras tecnologias.
• Hidreto de Metal de Níquel (Ni-MH).
Este tipo de bateria é considerado para a implementação no PEV. A bateria Ni-MH utiliza hidrogênio absorvido em um nitrato no eletrodo positivo. O oxihidróxido de níquel torna-se hidróxido de níquel durante a descarga e no eletrodo negativo é liberado hidrogênio a partir da água do metal produzindo elétrons durante a descarga.
Geralmente, este tipo de bateria têm o dobro de densidade de energia em relação às baterias de chumbo-ácido. A vida útil de uma bateria de Ni-MH pode chegar até 3000 ciclos, onde um ciclo representa uma carga e descarga completa da bateria.
As baterias de Ni-MH também são ambientalmente mais amigáveis, não apresentando o efeito memória, o que resulta em uma vida útil mais longa e podem ser totalmente descarregadas sem danos.
2. FUNDAMENTAÇÃO TEORICA 27
• Lítio-íon
As baterias de íon de Lítio (Lítio-íon) são baterias de alto desempenho devido às caraterísticas principais do metal de lítio, pois elas possuem maior potencial de energia específica. Todos os materiais que compõem estas baterias são muito leves, não apresentam efeito memória e também não contêm componentes tóxicos [9] [5] [10], este tipo de bateria pode ser recarregado rapidamente e tem um ciclo de vida maior do que outras tecnologias.
As baterias Litio-íon têm sido um avanço de muita importância para aplicações portáteis, mas sua principal desvantagem é seu custo de produção.
Os diferentes tipos de baterias têm variadas especificações, as quais são aproveitadas segundo os requerimentos dos PEVs. De forma geral na Tabela 2.2, são apresentadas as especificações das baterias comercialmente disponíveis no mercado, tais como potência específica, densidade de energia, energia específica, ciclos de vida e tempo de carga.
Tabela 2.2: Características dos principais tipos de baterias utilizadas para PEVs [5] [10]
Características Pb Ni - Mh Li - íon Energia específica (Wh/kg) 30 - 50 40 - 100 118 - 250 Densidade de Energia (Wh/l) 100 180 - 220 200 - 400 Potência específica (W/kg) 180 200 - 300 200 - 430 Número de Ciclos (Carga/Descarga) 200 - 500 1000 1200
Tempo Mínimo para Carga (h) 8 - 16 2 - 4 2 - 4
Tensão por Célula (V) 2.00 1.25 3.60
Corrente de Carga Baixa Moderada Alta
Custo Baixo Médio Alto
2.1.3.2 Considerações sobre as baterias de Lítio-Íon
As baterias consideradas neste trabalho são de Lítio-Íon, que apesar de apresentarem um elevado custo de investimento, elas oferecem uma densidade de energia maior comparada com baterias híbridas de níquel e metal, já que uma bateria de lítio-íon de mesmo peso e volume aumentará três vezes a densidade de energia.
2. FUNDAMENTAÇÃO TEORICA 28
• Vida útil
A vida útil da bateria depende dos ciclos de carregamento durante toda sua longevidade. Assim, as variações abruptas em corrente de carga e tensão da célula durante a recarga também podem afetar sua vida útil, já que estas variações estão relacionadas com o aumento de temperatura na bateria [11]. Na Figura 2.1 está representado o comportamento da capacidade da bateria em função dos ciclos de recarga, onde existe uma diminuição considerável de sua capacidade pelo aumento do nível de tensão nas celas.
Figura 2.1: Vida útil das baterias de Lítio-Íon [11]
As informações anteriores podem ser encontradas em maior profundidade nos trabalhos de [12] e [13].
• Potência demandada na recarga
O perfil de demanda durante a recarga das baterias de Lítio-Íon é mostrado na Figura 2.2, onde a potência de carga máxima da bateria é adquirida quase instantaneamente e o estado de carga apresenta um comportamento aproximadamente linear até 97% de carga. O que permite aproximar um modelo de carga de bateria com um comportamento binário como é mostrado no capítulo 3.2. Os perfis foram obtidos por meio de dados de medições em PEVs reais [14]. 0 200 400 600 800 1000 1200 50 60 70 80 90 100 C a p a c id a d e d a B a te ri a ( % )
2. FUNDAMENTAÇÃO TEORICA 29
Figura 2.2: Perfil de recarga para as baterias de Lítio-Íon [14]
2.2 SIMULAÇÕES DE MONTE CARLO
O nome do método MC é uma referência ao principado de Mônaco, por causa de uma roleta, um gerador de números aleatórios simples. O nome e o desenvolvimento sistemático do método datam de cerca de 1940. O método foi inicialmente utilizado no período da Segunda Guerra Mundial no projeto Manhattan para solucionar problemas relacionados com o desenvolvimento da bomba atômica. Foi proposto por Von Neumann e Ulam para solução de problemas matemáticos cujo tratamento analítico não se mostrava viável. Primeiramente, voltava-se à avaliação de integrais múltiplas para o estudo da difusão de nêutrons. Posteriormente, verificou-se que ele poderia ser aplicado em outros problemas matemáticos mais complexos de natureza não determinística [15].
A Simulação de MC é, basicamente, a geração de objetos aleatórios ou processos por meio de ferramentas computacionais. Esses objetos poderão surgir "naturalmente" como parte da modelagem de um sistema de vida real, como uma rede rodoviária complexa, o transporte de nêutrons, ou a evolução do mercado de ações. No entanto, em muitos casos, os objetos aleatórios são introduzidos "artificialmente" para resolver problemas puramente determinísticos. A ideia é executar muitas vezes os diferentes eventos variando aleatoriamente o valor dos parâmetros em relação à função de probabilidade que define seu comportamento, resultando num conjunto de valores finais. Este conjunto de valores pode ser usado para calcular seu valor médio e aplicar outros métodos de inferência estatística. Assim, as simulações de MC permitem calcular estatisticamente o valor final de uma sequência de eventos não determinísticos [16]. De forma abreviada [17] define a simulação de MC como um método para solução de problemas utilizando variáveis randômicas, através da matemática computacional.
0 1 2 3 4 5 0 20 40 60 80 100 Tempo (h) D e m a n d a ( % ) 0 1 2 3 4 50 20 40 60 80 100 S o C ( % )
2. FUNDAMENTAÇÃO TEORICA 30
Para avaliar o desempenho da metodologia proposta neste trabalho, são utilizadas simulações de MC para testar grande quantidade de cenários de operação do SDEE em presença de PEVs. Os diferentes cenários são determinados pela combinação dos diferentes valores que podem assumir os parâmetros com incerteza inerente do sistema, como a hora de chegada e hora de partida dos veículos, o estado inicial de carga e as demandas das cargas convencionais. Cada parâmetro é modelado através de alguma função de probabilidade que caracterize seu possível comportamento real. Durante uma simulação de MC os valores dos parâmetros com incerteza são obtidos aleatoriamente (gerando entradas). Cada conjunto de valores diferentes é chamado de evento, e o resultado produzido a partir de cada evento é registrado. A simulação de MC faz isso milhares de vezes, o produto disso é uma probabilidade dos resultados possíveis, que para este caso são as violações na operação do SDEE.
As principais vantagens da análise de MC são:
• Apresentam as probabilidades extremas
• Os resultados, além de mostrarem o que poderia ocorrer, também mostram probabilidade de cada ocorrência.
• Análises sobre muitas combinações de cenários efetivamente diferentes.
• Sua aplicabilidade não depende da natureza do modelo (e.g., pode ser fortemente não linear ou ter um número arbitrário de variáveis ou ambas).
As principais desvantagens são:
• A natureza numérica desta técnica impõe um esforço computacional intensivo.
• Necessidade de avaliação cuidadosa da qualidade dos geradores de números aleatórios utilizados.
• A simulação não dá resultados exatos.
• Suposições errôneas das funções de probabilidades de estimativas, afetam diretamente o resultado da simulação.
2. FUNDAMENTAÇÃO TEORICA 31
2.3 LIMITES DE OPERAÇÃO DOS SDEE
Esta seção apresenta uma análise sobre a operação dos SDEE em relação aos limites operacionais da magnitude da tensão e potência aparente nos transformadores de distribuição, em presença de sobrecarga, consequência do carregamento dos PEVs. Esta análise é feita com a finalidade de definir as violações analisadas nas simulações de MC.
2.3.1 Variações da magnitude de tensão
A variação da magnitude de tensão é um aumento ou diminuição da tensão, devido à alteração da carga total do SDEE ou uma parte dela. Conforme descreve a norma europeia EN 50160 [18] aprovada pelo CENELEC (European Committee for Electrotechnical Standardization) em 2005: sob condições normais de funcionamento a variação de tensão não deve exceder ± 10% da tensão nominal durante 95% do tempo de fornecimento, e em nenhum caso pode existir uma medida de tensão com média de 10 minutos, fora do intervalo de +10% e -15% da tensão nominal. Deste modo, o valor médio durante 95% do tempo deve encontrar-se entre 90% e 110% da tensão nominal. Isto significa que em um caso extremo, os clientes poderiam ser fornecidos continuamente com 90% da tensão nominal, admitindo que 5% do tempo, a tensão pode cair até 85%. Esta norma, a qual se apresenta como documento base para diversos países europeus, define, descreve e especifica as características principais do fornecimento de energia em redes elétricas de baixa, média e alta tensão, em condições normais de operação.
2.3.2 Sobrecarga nos transformadores de distribuição
A expectativa de vida normal de um transformador é uma base de referência para o serviço contínuo sob a temperatura ambiente projetada e as condições normais de operação. A aplicação de uma carga superior às especificações de placa, como também uma temperatura ambiente superior, envolve um grau de risco para o projeto e acelera o envelhecimento do transformador. A carga acima da indicação da placa de identificação e a perda cumulativa da vida útil do transformador têm sido as considerações básicas na norma IEC 60354 [19], para indicar os limites de carga dos transformadores de potência e de distribuição imersos em óleo.
2. FUNDAMENTAÇÃO TEORICA 32
Deste modo, os critérios básicos para determinar os limites de carga do transformador são a temperatura do enrolamento e o isolamento [20].
A Tabela 2.3 apresenta as análises realizadas em [20] baseadas na norma IEC 60354 [19], para determinar a perda de anos de vida dos transformadores típicos de distribuição (ONAN), com diferentes níveis de sobrecarga.
Tabela 2.3: Perda da vida útil em transformadores de distribuição convencionais [20]
Nível de carga (%) Temperatura do ponto quente (°C) Temperatura máxima do óleo (°C) Tempo de sobrecarga 5% 10% 20%
Diminuição da vida útil (anos)
100 98 75 0 0 0 110 104 79 1 2 4 120 110 84 2 4 8 130 116 87 4 8 16 140 122 92 8 16 >20 150 127 96 16 >20 >20
*Vida útil dos transformadores de 20 anos
Pode ser observado que, quando ocorrem sobrecargas superiores a 110% por mais de 10% da vida útil ou sobrecargas de 120% por mais de 5% do tempo, ocorre um sério envelhecimento dos transformadores, a vida útil é reduzida em 10%. Se os transformadores funcionarem a uma taxa de 120% durante 20% do tempo, então a vida normal será reduzida em 40% e uma carga de 140% durante 10% do tempo reduz a vida normal em 80%.
2.4 INTERNET DAS COISAS (IoT)
A IoT é um recente paradigma de comunicação, em que os objetos da vida cotidiana serão equipados com microcontroladores, transceptores de comunicação digital e protocolos que irão torná-los capazes de se comunicar com o outro e com os usuários, tornando-se parte integrante da Internet. O conceito da IoT, portanto, visa tornar a Internet ainda mais imersiva e penetrante, permitindo fácil acesso e interação com uma grande variedade de dispositivos como, por exemplo, eletrodomésticos, câmeras, sensores de monitoramento, atuadores, veículos e assim por diante. A IoT fomentará o desenvolvimento de um número de aplicações que fazem uso de grande quantidade e variedade de dados gerados por tais objetos para fornecer novos serviços aos cidadãos, as empresas e as administrações públicas. Assim, este paradigma
2. FUNDAMENTAÇÃO TEORICA 33
encontra aplicação em muitos domínios diferentes, tais como automação residencial, automação industrial, serviços médicos, assistência ao idoso, gerenciamento inteligente de energia e redes inteligentes, automotivas, gestão do tráfego e muitos outros. [3].
A IoT tradicionalmente é formada por três camadas. A primeira é a camada de percepção, cuja função é reconhecimento e coleta das informações dos objetos. No meio está a camada de transporte, trata-se de redes de telefonia móvel, redes de telefone fixo, redes de radiodifusão e redes de dados IP. A parte superior é a camada de aplicação, onde abundantes aplicativos são executados. Aplicações típicas incluem tráfego inteligente, logística inteligente, indústria inteligente, proteção do meio ambiente, enfermagem remota, defesa de segurança, entre outros. [21].
Neste trabalho, uma aplicação da IoT é proposta para integrar a metodologia de carregamento descentralizado com uma prioridade de usuário em relação ao horário e a quantidade de energia necessária para o carregamento do VE e conseguir uma carga econômica que pode satisfazer às necessidades específicas de cada proprietário de VE.
Na Figura 2.3 são apresentadas as seguintes informações que podem ser obtidas através da IoT em relação ao carregamento dos VEs:
• Preferência de carregamento: indica a decisão explícita do usuário, relativa ao tempo de carregamento e a quantidade de energia que precisa ser fornecida em seu VE cada dia, esta decisão pode ser administrada pelo meio de uma aplicação em seu telefone inteligente.
• Custo da energia em cada dia: que pode ser disponibilizado na internet pelo distribuidor de energia, se o custo da energia é variável no decorrer do dia.
• Histórico dos caminhos percorridos pelo VE: que é fornecido por cada VE através do seu computador central e conexão à internet.
A aplicação no telefone inteligente de cada usuário pode analisar as informações disponíveis na IoT e indicar a quantidade mínima de energia de carregamento necessária para o dia seguinte, com base nos dados históricos dos percursos do VE e sugerir o tempo mais adequado para carregar, em relação ao custo da energia. A decisão finalmente será tomada pelo usuário e enviada ao carregador do VE.
2. FUNDAMENTAÇÃO TEORICA 34
Figura 2.3: A Internet das coisas e prioridade de usuário
A implementação da prioridade de usuário através da IoT, precisa que o controlador de carregamento e o VE tenham conexão à internet. Além disso o usuário tem que disponibilizar dados na internet dos percursos realizados, consumo de energia e horários de chegada e partida do VE. Finalmente, a empresa de distribuição de energia precisa atualizar o custo da energia elétrica, que é assumido neste trabalho como variável no tempo, sendo a energia mais econômica nos períodos de tempo em que a demanda de potência no SDEE é menor.
A utilização do paradigma da IoT pode gerar grandes variedades de aplicações em torno do gerenciamento de carregamento dos VEs, a interação com os usuários e a operação dos SDEE. No entanto, a disponibilização de uma grande quantidade de informações na internet, precisa de condições de segurança informática suficientes para garantir a privacidade da informação. Para uma aplicação confiável das possibilidades da IoT deve-se implementar serviços apropriados de confidencialidade, integridade ou disponibilidade das informações.
2. FUNDAMENTAÇÃO TEORICA 35
2.5 ESTADO DA ARTE DO PROBLEMA
A revisão bibliográfica em relação ao carregamento descentralizado dos PEVs é feita através de análise de redes de citação, onde os artigos são avaliados de acordo com três indicadores: grau de entrada, intermediação e nível de saída. Adicionando uma perspectiva de árvore que tem sido chamado de "Tree of Science" (árvore do conhecimento). Nesta abordagem, os artigos com alto grau de entrada e saída muito baixa, têm sido chamados de raízes; os artigos com um elevado grau de intermediação foram chamados troncos, finalmente os artigos que possuem um elevado grau de saída e uma entrada baixa, são as folhas [7]
Na Tabela 2.4, foram classificados os principais artigos relacionados com a coordenação do carregamento de PEVs com sistemas de controle, tanto centralizados como distribuídos (descentralizados) e são apresentadas as características de cada artigo em relação a proposta feita no presente trabalho (última linha da Tabela). Assim, a Tabela 2.4 proporciona um contexto bibliográfico e diferencia as principais contribuições da proposta.
Na literatura sobre a coordenação do carregamento de PEV, existem muitas análises que consideram metodologias de carregamento centralizado, no entanto, na coordenação de carregamento com enfoques descentralizadas ainda há poucos desenvolvimentos. A maioria das abordagens descentralizadas utiliza técnicas que requerem determinado nível de comunicação entre os diferentes dispositivos do sistema. Como por exemplo os métodos baseados em agregadores nos transformadores de distribuição (usados para medir e comunicar aos controladores de carregamento o fluxo de potência e os limites de operação), ou metodologias baseadas em aplicações Multi-Agente que permitem intercâmbio parcial da informação. Além disso, poucos trabalhos analisam um nível de penetração de PEV de 100% (ou seja, um PEV em cada nó de baixa tensão do SDEE), o que permite uma avaliação mais detalhada do impacto dos PEV sobre os SDEE, já que uma distribuição de PEV aleatória pode gerar grande concentração de PEV em alguma parte do SDEE originando impactos importantes na qualidade da energia elétrica. Muitas propostas não aplicam algum tipo de prioridade do usuário, o que é importante já que cada usuário pode gerar necessidades específicas em relação ao uso e disponibilidade de seu PEV. Poucos desenvolvimentos realizam a análise do problema sobre uma rede de distribuição trifásica desequilibrada, o que é um fator muito importante devido à natureza desequilibrada das demandas convencionais.
2. FUNDAMENTAÇÃO TEORICA 36
Tabela 2.4: Principais artigos de acordo com a pesquisa
Ref. Título C o n tr o le C en tr al iz ad o Co n tr o le D is tr ib u íd o S ist em a Tr if ási co d ese q u il ib ra d o M in im iz aç ão d o s C u st o s C u st o d a en er g ia v ar iá v el n o t emp o P ar âme tr o s Est o cá st ic o s M ed id as L o ca is P ri o ri d ad e d e U su ár io 1 0 0 % d e p en et ra çã o d e P EV s A g re g ad o r S ist em as M u lt i-A g en te s C ar re g am en to V al le y -F il li n g Eq u il íb ri o d e N ash F o lh as
[22] A mixed-integer linear programming model for the electric vehicle charging coordination problem in
unbalanced electrical distribution systems
×
×
×
×
[23] Day-ahead resource scheduling including demandresponse for electric vehicles
×
×
×
[24] Real-time power balancing via decentralizedcoordinated home energy scheduling
×
×
×
×
×
×
[25] Multiagent charging of electric vehicles respecting
distribution transformer loading and voltage limits
×
×
×
×
×
×
[26] Optimal coordination and scheduling of demandresponse via monetary incentives
×
×
×
×
× ×
×
[27] Optimal load management with inclusion of electric
vehicles and distributed energy resources
×
×
×
[28] Electric vehicle charging in smart grid: optimalityand valley-filling algorithms
× ×
×
× ×
×
[29] nPlug: an autonomous peak load controller
×
× ×
[30] A distributed electric vehicle charging managementalgorithm using only local measurements
×
×
[31] Electric vehicle charging and grid constraints:Comparing distributed and centralized approaches
× × ×
× ×
Tr
o
n
co
[32] Real-time PEV charging/discharging coordination
in smart distribution systems
×
× × ×
×
×
[33] Optimal decentralized protocol for electric vehiclecharging
×
× ×
×
×
[34] Identification of control and management strategies for LV unbalanced microgrids with plugged-in
electric vehicles
× ×
×
[35] A Multi-Agent System for Controlled Charging of
a Large Population of Electric Vehicles
×
×
×
×
×
[36] Decentralized Plug-in Electric Vehicle ChargingSelection Algorithm in Power Systems
×
×
×
× × ×
[37] Application of plug-in electric vehicles to frequency regulation based on distributed signal acquisitionvia limited communication
×
× ×
[38] Packetized Plug-In Electric Vehicle Charge
Management
×
× × ×
×
×
[39] Using Price-Based Signals to Control Plug-in
Electric Vehicle Fleet Charging
×
× ×
×
[40] Optimal charging of electric vehicles in low-voltage
distribution systems
×
×
× ×
[41] Coordinated charging of electric vehicles for
congestion prevention in the distribution grid
×
×
×
[6] A Monte Carlo method to evaluate electric vehiclesimpacts in distribution networks
×
R
aí
ze
s
[42] The impact of charging plug-in hybrid electric
vehicles on a residential distribution grid
×
×
[5] Integration of Electric Vehicles in the ElectricPower System
× ×
× ×
×
[43] Decentralized Charging Control of Large
Populations of Plug-in Electric Vehicles
×
× ×
×
× ×
[44] Real-time coordination of plug-in electric vehicle charging in smart grids to minimize power lossesand improve voltage profile
×
× × ×
×
[45] Coordinated Charging of Plug-In Hybrid ElectricVehicles to Minimize Distribution System Losses
×
×
×
37
3 METODOLOGIAS DE COORDENAÇÃO DE CARREGAMENTO
Para fazer uma avaliação do desempenho do controle de carregamento distribuído em relação à resposta obtida com um enfoque centralizado, é usado um modelo trifásico de programação linear inteira mista (PLIM), que garante a resposta ótima do carregamento dos PEVs no SDEE considerado. Este capítulo descreve a formulação matemática vinculada às duas abordagens usadas para resolver o problema de carregamento de PEVs.
3.1 CARREGAMENTO CENTRALIZADO
Nesta seção é explicada a coordenação centralizada do carregamento de PEVs através de um modelo trifásico de PLIM, baseado em [22], assume-se que os pontos de carregamento dos PEVs possuem dispositivos de comunicação que permitem o controle do estado de carga das baterias por parte do operador do SDEE.
As seguintes hipóteses são consideradas:
1. O problema de gestão de carregamento procura satisfazer a demanda de energia dos PEVs da maneira mais rápida possível, carregando os PEVs, sem ultrapassar os limites de operação do SDEE (máxima potência de geração na subestação, capacidade dos transformadores de distribuição e capacidade de corrente nos cabos). Além disso, quer-se evitar investimentos na infraestrutura dos SDEE.
2. A energia requerida para cada bateria é conhecida em cada período de tempo.
3. Considera-se que as demandas das cargas são representadas pelas potências ativa e reativa, constantes e trifásicas.
Inicialmente é mostrada a formulação do problema de coordenação da carga do PEVs, através da implementação de um modelo de programação não-linear inteira mista (PNLIM), depois são feitas as respectivas linearizações das expressões não-lineares, para finalmente indicar o modelo PLIM e resolver assim o problema de coordenação do carregamento de PEVs.
3. METODOLOGIAS DE COORDENAÇÃO DE CARREGAMENTO 38
3.1.1 Modelo PNLIM para o problema de coordenação de carregamento
A seguir é apresentada a formulação do PNLIM Função objetivo: 𝐦𝐢𝐧 ω + δ − φ (3.1) ω = ∑ ∑ 𝛼𝑆,𝑡𝐺 ∆𝑡(𝑉𝑆,𝑓,𝑡𝑟𝑒 𝐼𝑆,𝑓,𝑡𝐺𝑟𝑒 + 𝑉𝑆,𝑓,𝑡𝑖𝑚 𝐼𝑆,𝑓,𝑡𝐺𝑖𝑚) 𝑡∈𝛺𝑡 𝑓∈𝛺𝑓 (3.2) δ = ∑ 𝛽𝐸𝑖NS 𝑖∈𝛺𝑏 (3.3) φ = ∑ ∑ 𝜌𝑡𝑃𝑖,𝑡𝐸𝑉 𝑡∈𝛺𝑡 𝑖∈𝛺𝑏 (3.4)
Onde ω é o custo da energia suprida pela subestação, 𝛼𝑆,𝑡𝐺 é o custo da energia para cada kWh; δ indica a penalização da energia não suprida para os PEVs, 𝛽 indica a magnitude da penalização da energia não suprida e 𝐸𝑖NS representa a energia que falta para ser entregue em cada PEV. Finalmente, φ indicia a prioridade de carregamento dos PEVs, a qual é determinada por uma função decrescente nos períodos de tempo, que incentiva o carregamento de PEVs o mais rápido possível. Logo, um valor alto de 𝜌𝑡 em os primeiros períodos de tempo é utilizado para priorizar o carregamento dos PEVs.
Restrições:
1) Estado de operação do SDEE
𝐼𝑖,𝑓,𝑡Gre + ∑ 𝐼𝑗𝑖,𝑓,𝑡re 𝑗𝑖∈𝛺𝑙 − ∑ 𝐼𝑖𝑗,𝑓,𝑡re 𝑖𝑗∈𝛺𝑙 −(∑𝑗𝑖∈𝛺𝑙𝐵𝑗𝑖,𝑓+ ∑𝑖𝑗∈𝛺𝑙𝐵𝑖𝑗,𝑓,) 𝑉𝑖,𝑓,𝑡 im 2 = 𝐼𝑖,𝑓,𝑡Dre + 𝐼𝑖,𝑓,𝑡𝑣𝑒_𝑟𝑒 ∀𝑖 ∈ 𝛺𝑏, 𝑓 ∈ 𝛺𝑓, 𝑡 ∈ 𝛺𝑡 (3.5) 𝐼𝑖,𝑓,𝑡Gim+ ∑ 𝐼 𝑗𝑖,𝑓,𝑡im 𝑗𝑖∈𝛺𝑙 − ∑ 𝐼𝑖𝑗,𝑓,𝑡im 𝑖𝑗∈𝛺𝑙 −(∑𝑗𝑖∈𝛺𝑙𝐵𝑗𝑖,𝑓+ ∑𝑖𝑗∈𝛺𝑙𝐵𝑖𝑗,𝑓,) 𝑉𝑖,𝑓,𝑡 re 2 = 𝐼𝑖,𝑓,𝑡Dim + 𝐼𝑖,𝑓,𝑡ve_im ∀𝑖 ∈ 𝛺𝑏, 𝑓 ∈ 𝛺𝑓, 𝑡 ∈ 𝛺𝑡 (3.6) 𝑃𝑖,𝑓,𝑡D = 𝑉𝑖,𝑓,𝑡re 𝐼𝑖,𝑓,𝑡Dre + 𝑉𝑖,𝑓,𝑡im 𝐼𝑖,𝑓,𝑡Dim * ∀𝑖 ∈ 𝛺𝑏, 𝑓 ∈ 𝛺𝑓, 𝑡 ∈ 𝛺𝑡 (3.7) 𝑄𝑖,𝑓,𝑡D = −𝑉𝑖,𝑓,𝑡re 𝐼𝑖,𝑓,𝑡Dim+ 𝑉𝑖,𝑓,𝑡im 𝐼𝑖,𝑓,𝑡Dre * ∀𝑖 ∈ 𝛺𝑏, 𝑓 ∈ 𝛺𝑓, 𝑡 ∈ 𝛺𝑡 (3.8)
3. METODOLOGIAS DE COORDENAÇÃO DE CARREGAMENTO 39 𝑉𝑖,𝑓,𝑡re − 𝑉𝑗,𝑓,𝑡re = ∑ (𝑅𝑖𝑗,𝑓,ℎ𝐼𝑖𝑗,𝑓,𝑡re − 𝑋𝑖𝑗,𝑓,ℎ𝐼𝑖𝑗,𝑓,𝑡im ) ℎ∈𝛺𝑓 ∀𝑖𝑗 ∈ 𝛺𝑙, 𝑓 ∈ 𝛺𝑓, 𝑡 ∈ 𝛺𝑡 (3.9) 𝑉𝑖,𝑓,𝑡im − 𝑉𝑗,𝑓,𝑡im = ∑ (𝑋𝑖𝑗,𝑓,ℎ𝐼𝑖𝑗,𝑓,𝑡re + 𝑅𝑖𝑗,𝑓,ℎ𝐼𝑖𝑗,𝑓,𝑡im ) ℎ∈𝛺𝑓 ∀𝑖𝑗 ∈ 𝛺𝑙, 𝑓 ∈ 𝛺𝑓, 𝑡 ∈ 𝛺𝑡 (3.10) 𝑉̅2≤ (𝑉 𝑖,𝑓,𝑡re ) 2 + (𝑉𝑖,𝑓,𝑡im) 2 ≤ 𝑉2 * ∀𝑖 ∈ 𝛺 𝑏, 𝑓 ∈ 𝛺𝑓, 𝑡 ∈ 𝛺𝑡 (3.11) 0 ≤ (𝐼𝑖𝑗,𝑓,𝑡re )2+ (𝐼𝑖𝑗,𝑓,𝑡im )2≤ 𝐼̅𝑖𝑗2 * ∀𝑖𝑗 ∈ 𝛺 𝑙, 𝑓 ∈ 𝛺𝑓, 𝑡 ∈ 𝛺𝑡 (3.12)
* expressões não lineares
2) Modelo de carregamento dos PEVs 𝐸𝑖EV= ∑ ∆𝑡𝑃𝑖,𝑡EV 𝑡∈𝛺𝑡 ∀𝑖 ∈ 𝛺𝑏 (3.13) 𝐸̅𝑖𝐸𝑉= 𝐸 𝑖𝐸𝑉+ 𝑆𝑜𝐶𝑖,0 + 𝐸𝑖NS ∀𝑖 ∈ 𝛺𝑏 (3.14) 𝑃𝑖,𝑡𝐸𝑉= 𝑃̅𝑖,𝑡𝐸𝑉 𝑋𝑖,𝑡𝐸𝑉 ∀𝑖 ∈ 𝛺𝑏, 𝑡 ∈ 𝛺𝑡 (3.15) 𝑃𝑖,𝑡EV= 3(𝑉𝑖,𝑓,𝑡re 𝐼𝑖,𝑓,𝑡 ev_re + 𝑉𝑖,𝑓,𝑡im 𝐼𝑖,𝑓,𝑡 ev_im ) * ∀𝑖 ∈ 𝛺𝑏, 𝑓 ∈ 𝛺𝑓, 𝑡 ∈ 𝛺𝑡 (3.16) 0 = −𝑉𝑖,𝑓,𝑡re 𝐼𝑖,𝑓,𝑡ev_im+ 𝑉𝑖,𝑓,𝑡im𝐼𝑖,𝑓,𝑡ev_re * ∀𝑖 ∈ 𝛺𝑏, 𝑓 ∈ 𝛺𝑓, 𝑡 ∈ 𝛺𝑡 (3.17) 𝑋𝑖,𝑡𝐸𝑉= 0 ∀𝑖 ∈ 𝛺𝑏, 𝑡 ∈ 𝑇: 𝑡𝑖𝑎𝑟𝑟< 𝑡 ˅ 𝑡 > 𝑡𝑖𝑑𝑒𝑝 (3.18) 𝑋𝑖,𝑡𝐸𝑉∈ {0,1} ∀𝑖 ∈ 𝛺𝑏, 𝑡 ∈ 𝛺𝑡 (3.19) * expressões não lineares
As equações (3.1) - (3.19) representam o modelo PNLIM para o problema de carregamento. Em que (3.1) - (3.12) simulam o estado de operação da rede, levando em conta a injeção de corrente real e imaginária dos PEVs no equilíbrio dos fluxos de corrente por nó, em (3.5) e (3.6), como cumprimento à lei de corrente de Kirchoff. As correntes exigidas pelas demandas de potência ativa e reativa são determinadas por (3.7) e (3.8). As restrições (3.9) e (3.10) representam a aplicação da lei de tensão de Kirchoff para cada malha no SDEE. As restrições (3.11) e (3.12) representam os limites da magnitude da tensão e da capacidade de corrente de cada circuito.
Enquanto as restrições (3.13) - (3.19) representam o modelo de carregamento dos PEVs. Assim, (3.13) indica a energia carregada (𝐸𝑖EV) no PEV; (3.14) estabelece o equilíbrio energético entre a capacidade de energia (𝐸̅𝑖𝐸𝑉), a energia carregada (𝐸𝑖𝐸𝑉), o estado inicial de energia (𝑆𝑜𝐶𝑖,0 ) e a energia não entregue para os PEVs (𝐸𝑖NS ); Em (3.15) é mostrado que a potência exigida pelo PEV depende do estado de carregamento (𝑋𝑖,𝑡𝐸𝑉, variável binária). As potências ativas e reativas exigidas pelos PEVs são definidas pelas equações (3.16) e (3.17). A equação (3.18) permite que os PEVs sejam carregados apenas durante o intervalo de tempo
3. METODOLOGIAS DE COORDENAÇÃO DE CARREGAMENTO 40
definido entre a chegada (𝑡𝑖𝑎𝑟𝑟) e partida (𝑡𝑖𝑑𝑒𝑝); finalmente, a natureza binária do carregamento dos PEVs é representada pela equação (3.19).
3.1.2 Modelo PLIM para o problema coordenação de carregamento
O PNLIM proposto em (3.1) - (3.19) não é convexo e, portanto, a resposta ótima não pode ser garantida por nenhuma das técnicas de otimização clássica [46]. Assim, esta seção apresenta um conjunto de estratégias de linearização para transformar o PNLIM em um modelo de PLIM. Este tipo de formulação é desejável porque existem ferramentas (por exemplo, solver comerciais) disponíveis para a sua solução, que são mais eficientes, que aqueles usados para formulações de PNLIM.
Note que o cálculo das demandas de potência ativas e reativas relacionadas com as cargas em (3.7) e (3.8), e com o PEVs em (3.16) e (3.17), assim como os limites para a magnitude de tensão em (3.11) e magnitude de corrente em (3.12), são expressões não-lineares. Nesta seção, serão apresentadas as estratégias de linearização para estas equações, de acordo [22].
3.1.2.1 Linearização da corrente de carga
As equações (3.7) e (3.8) podem ser escritas em função das potências demandadas e as componentes real e imaginária da tensão como mostrado nas equações (3.20) e (3.21).
𝐼𝑖,𝑓,𝑡Dre = 𝑔(𝑉𝑖,𝑓,𝑡re , 𝑉𝑖,𝑓,𝑡im ) = 𝑃𝑖,𝑓,𝑡D 𝑉𝑖,𝑓,𝑡re + 𝑄𝑖,𝑓,𝑡D 𝑉𝑖,𝑓,𝑡im (𝑉𝑖,𝑓,𝑡re )2+ (𝑉 𝑖,𝑓,𝑡im) 2 ∀𝑖 ∈ Ω𝑏, 𝑓 ∈ Ω𝑓, 𝑡 ∈ Ω𝑡 (3.20) 𝐼𝑖,𝑓,𝑡Dim= ℎ(𝑉𝑖,𝑓,𝑡re , 𝑉𝑖,𝑓,𝑡im ) = 𝑃𝑖,𝑓,𝑡D 𝑉𝑖,𝑓,𝑡im − 𝑄𝑖,𝑓,𝑡D 𝑉𝑖,𝑓,𝑡re (𝑉𝑖,𝑓,𝑡re ) 2 + (𝑉𝑖,𝑓,𝑡im ) 2 ∀𝑖 ∈ Ω𝑏, 𝑓 ∈ Ω𝑓, 𝑡 ∈ Ω𝑡 (3.21)
Por outro lado, as equações (3.20) e (3.21) podem ser linearizadas usando uma aproximação baseada na expansão em séries de Taylor. Para isso, utilizam-se valores estimados para as partes real e imaginária das tensões nodais (𝑉𝑖,𝑓,𝑡re* e 𝑉𝑖,𝑓,𝑡im*). As aproximações lineares das correntes de carga são dadas pelas equações (3.22) e (3.23).
𝐼𝑖,𝑓,𝑡Dre ≈ 𝑔∗+ 𝜕𝑔 𝜕𝑉re| ∗ (𝑉𝑖,𝑓,𝑡re − 𝑉𝑖,𝑓,𝑡re*) + 𝜕𝑔 𝜕𝑉im| ∗ (𝑉𝑖,𝑓,𝑡im − 𝑉𝑖,𝑓,𝑡im*) ∀𝑖 ∈ Ω𝑏, 𝑓 ∈ Ω𝑓, 𝑡 ∈ Ω𝑡 (3.22)
