Professional Documents
Culture Documents
Algoritmo Evolutivo
Computacionalmente Eficiente
para Reconfigurao de
Sistemas de Distribuio
iv
Agradecimentos
Deus, motivo da minha existncia, de tudo o que fao e por quem tudo
fao. Porque Todas as coisas foram feitas por ele, e sem ele nada do que foi feito
se fez. (Joo 1:3).
minha esposa, Kelly Martins Salvatierra dos Santos, pelo apoio,
companheirismo, incentivo e por toda ajuda que me concedeu nesses longos anos.
Aos meus pais, Geraldo Clemente dos Santos e Teresa Ortega dos Santos,
que mesmo distncia, sempre apoiaram o trabalho e no mediram esforos para
conceder-me uma educao de qualidade.
Ao professor Alexandre Cludio Botazzo Delbem, pela competncia com que
me orientou no desenvolvimento desta tese e pelo tempo generosamente dedicado,
transmitindo-me os melhores e mais teis ensinamentos com pacincia, lucidez e
confiana, alm das crticas construtivas. Agradeo tambm pelo incentivo e
motivao pesquisa e pela reviso de inmeros textos cientficos.
Ao meu orientador, professor Newton Geraldo Bretas, pela viso acadmica
em geral e orientaes. Pelas crticas construtivas e reviso de artigos cientficos,
sempre sugerindo uma nova maneira de apresent-los. E por acreditar em mim no
desenvolvimento desta tese.
Ao CNPq (Conselho Nacional de Desenvolvimento Cientfico e Tecnolgico),
pelo auxlio financeiro concedido em forma de bolsa de estudos e taxa de bancada,
a qual foi muito til na aquisio de equipamentos utilizados no desenvolvimento do
trabalho e no financiamento de publicaes de artigos, alm de possibilitar
participaes em eventos cientficos.
vi
SUMRIO
Resumo .....................................................................................................................ix
Abstract.....................................................................................................................xi
Lista de Siglas e Abreviaturas ..............................................................................xiii
Lista de Figuras.......................................................................................................xv
Lista de Tabelas .....................................................................................................xix
1
Introduo..........................................................................................................1
1.1 Apresentao do Problema.........................................................................4
1.2 Objetivos .....................................................................................................9
1.3 Organizao do Documento......................................................................10
Reviso da Literatura......................................................................................13
2.1 Restabelecimento em Contingncia..........................................................14
2.2 Reduo de Perdas...................................................................................32
2.3 Outras Aplicaes de Reconfigurao de Redes ......................................39
Representao N-Profundidade...................................................................55
4.1 Fundamentos da RNP...............................................................................55
4.2 Operadores da RNP..................................................................................57
4.2.1 Operador 1 .....................................................................................58
4.2.2 Operador 2 .....................................................................................61
4.3 Localizando um n na RNP de uma floresta .............................................63
4.4 Determinao dos ns p, r e a ..................................................................64
viii
10
ix
Resumo
SANTOS, A. C., Algoritmo Evolutivo Computacionalmente Eficiente para
Reconfigurao de Sistemas de Distribuio. So Carlos, 2009, 186p. Tese de
doutorado Escola de Engenharia de So Carlos, Universidade de So Paulo.
xi
Abstract
SANTOS, A. C., Evolutionary Algorithm Computationally Efficient for Distribution
System Reconfiguration. Sao Carlos, 2009, 186p. Thesis of doctorate Engineering
School of Sao Carlos, University of Sao Paulo.
The main
approaches for energy restoration in large-scale distribution systems have been the
Evolutionary Algorithms (EAs). After a fault has been identified and isolated, the
algorithm must find solutions that: 1) supply energy to the larger number of
consumers, 2) reduce the number of switching operations, 3) respect operational
constraints of the system, 4) reduce the amount of power losses, 5) generate
exclusively radial configurations and 6) find solutions in real time. This work uses a
new data structure, called Node-Depth Encoding (NDE), to manipulate graphs
producing exclusively radial and connected configurations, and guaranteeing that all
potential solutions generated by the algorithm satisfy items (1) and (5). Moreover, we
propose an EA using the NDE that is capable of finding adequate restoration plans in
real time for large-scale distribution systems, with thousands of switches and buses.
xiii
AE
Algoritmo Evolutivo
AEMT
AG
Algoritmo Gentico
BT
Busca Tabu
BTR
EDA
EDHI
FMCC
FMPC
Inteligncia Artificial
MPF
Modelo Pai-Filho
NA
Normalmente Aberta
NF
Normalmente Fechada
NSGA
PGSA
PM
Programao matemtica
PSO
RNP
Representao N-Profundidade
SA
Simulated Annealing
SDR
xiv
SE
Subestao
SEP
SPEA
TPC
xv
Lista de Figuras
xvi
xvii
xix
Lista de Tabelas
1 Introduo
Nas ltimas dcadas, Sistemas Eltricos de Potncia (SEP) tornaram-se
mais complexos. Em um SEP, existem centenas de componentes: geradores,
transformadores, linhas de transmisso, equipamentos de proteo e controle, etc.
Alm do aumento em escala dos SEP, a utilizao crescente de cargas envolvendo
eletrnica de potncia e controladores baseados nessa tecnologia, bem como a
ampliao dos sistemas de co-gerao so caractersticas que tornam a operao
dos SEP mais complexa. Nesse contexto, o desenvolvimento de ferramentas
computacionais de auxlio operao tem crescido, tornando-se cada vez mais
importante.
Esta pesquisa foca na elaborao de uma ferramenta de reconfigurao
para auxiliar a operao de sistemas de distribuio de energia. O desenvolvimento
de ferramentas computacionais para SEP de larga-escala relativamente complexo,
uma vez que esses sistemas possuem um nmero relativamente alto de
componentes interligados de forma esparsa, gerando o que tem sido chamado na
literatura de redes complexas [1-3].
A Figura 1.1 apresenta um SEP destacando-se suas trs partes principais:
gerao, transmisso e distribuio. A seguir, destacam-se caractersticas
qualitativas e quantitativas que diferenciam as partes de um SEP:
Gerao
SD
SD
Distribuio
SD
Transmisso
G
TR
TR
SD
SD
SD
TR
13,8kV
S
Rede Primria
SB
S
TR
S
S
220/127V
Rede Secundria
Figura 1.2 Representao de um sistema de distribuio, onde SB um barramento na
subestao, TR um transformador e S uma chave seccionadora.
1.
2.
3.
4.
5.
6.
7.
Mais especificamente, o nmero de solues potenciais para o problema dado pelo nmero de
chaves NA (nNA) vezes o nmero de chaves NF (nNF) para 1 par de manobras. Para k pares, ter-sek
iam (nNA x nNF) potenciais solues para serem investigadas por um algoritmo de busca exaustiva.
(EDAs) [46, 47], etc. Dentre esses, os AEs tm sido a metaheurstica mais explorada
para o problema de reconfigurao de sistemas de distribuio. Alm disso,
possuem um suporte relevante da literatura em problemas multiobjetivos [34, 48-50].
1.2 Objetivos
O objetivo principal deste trabalho desenvolver um AE eficiente para
resolver problemas de reconfigurao de redes de distribuio de energia eltrica de
grande porte. Os seguintes problemas so considerados: (i) restabelecimento de
energia, aps a ocorrncia de uma falta, ao maior nmero de consumidores possvel
(ou seja, isolar a rea em falta e interligar setores a jusante do local em falta a outros
alimentadores); (ii) encontrar configuraes que minimizem a quantidade de chaves
manobradas, a queda de tenso, o carregamento da rede, o carregamento das
subestaes e o total de perdas de potncia. Mesmo no restabelecimento de energia
s reas desenergizadas, buscar-se- configuraes que tambm reduzam o total
de perdas de potncia e o nmero de chaves alteradas, uma vez que o nmero de
chaves a ser alteradas influencia no tempo de restabelecimento de energia, pois a
maioria das chaves alterada manualmente pelos operadores.
Ao se utilizar sistemas de distribuio de grande porte, as possibilidades de
novas configuraes aumentam consideravelmente comparadas com sistemas de
pequeno e mdio porte. A maior quantidade de planos alternativos investigados
possibilita encontrar melhores solues. Ao se considerar mais pontos de cargas,
obtm-se solues que correspondem a um fluxo de carga mais prximo do real
para uma dada configurao. Assim, uma metodologia capaz de lidar com redes
completas tende a melhorar a qualidade dos planos de restabelecimento
encontrados para redes de grande porte. Para isso, preciso o desenvolvimento de
um AE capaz de lidar eficientemente com problemas de reconfigurao de grandes
redes envolvendo mltiplos objetivos.
A estratgia para obter um AE eficiente a utilizao de uma estrutura de
dados especial para manipulao e armazenamento de um conjunto de rvores
10
11
13
2 Reviso da Literatura
Existem diversas aplicaes para problemas envolvendo reconfigurao de
redes
para
sistemas
de
distribuio,
dentre
as
quais
se
destacam:
trabalhos
englobam
os
seguintes
problemas
de
reconfigurao:
esses
so
relevantes
para
desenvolvimento
de
uma
tcnica
14
15
16
17
18
19
20
um alimentador com outro. Uma rotina para detectar e corrigir essas infactibilidades
aplicada a cada novo indivduo gerado. Os descendentes so gerados por um AG,
em seguida, os operadores convencionais de reproduo, mutao e cruzamento
so aplicados. A rotina para verificar e corrigir infactibilidades aplicada novamente
aps a aplicao dos operadores;
5) Mltiplas faltas so abordadas nos testes, sendo esse tema bem
explorado no artigo, tratando diferentes aspectos envolvidos no retorno da conexo
dos setores fora de servio ao restante do sistema. Foram realizadas de 1 at 5
faltas simultneas mostrando com clareza as dificuldades enfrentadas por algoritmos
ao lidar com problemas de restabelecimento;
6) Praticamente todas as restries operacionais so consideradas na
formulao do problema, incluindo queda de tenso nas barras, carregamento nas
linhas e carregamento nos transformadores aumentando significativamente o grau
de confiabilidade da tcnica.
Em 2002, Toune et al. [55] apresentaram um estudo comparativo entre 4
algoritmos heursticos utilizados em restabelecimento de energia em SDRs: BT,
busca tabu reativa (BTR), SA e AGs. Na formulao do problema foram
considerados: fonte de potncia formulada como fonte de injeo de corrente, a
tenso na fonte conhecida, utiliza o conceito de setor, cada setor concentra um
ponto de carga e utiliza-se o modelo de corrente constante. O objetivo encontrar
planos de reconfigurao que restabelea energia ao maior nmero de
consumidores possvel aps a ocorrncia de uma falta. A representao de varivel
de estado (pontos de busca) verificada na formulao geral de um problema
envolvendo esses algoritmos. Um algoritmo especfico utilizado para verificar se
alguma restrio foi violada. Caso seja positivo, alteraes so realizadas na
21
22
23
24
25
26
27
do
setor
em
falta,
carregamento
nas
linhas,
carregamento
nos
28
visitado pela segunda vez significa que existe um ciclo na configurao, portanto
uma chave NF deste ciclo alterada para NA mantendo a rede radial. Operadores
convencionais de AGs so utilizados para produzir novas solues atravs de
cruzamento e mutao. Resultados de testes do mtodo proposto, denominado
NSGA-II avanado foram comparados com resultados do NSGA-II bsico e AG
tradicional. As seguintes caractersticas foram comparadas: capacidade de reduzir
perdas, capacidade de restabelecer energia ao maior nmero de consumidores,
tempo de processamento e a capacidade de restabelecer energia primeiramente s
cargas prioritrias. A tcnica desenvolvida conseguiu reproduzir os resultados
encontrados pelas outras com tempo de processamento reduzido. As taxas de
cruzamento e mutao so diferentes para cada sistema, dependendo da
experincia do programador. A diferena no tempo de processamento deve-se a
implementao do NSGA-II conforme o trabalho de Jensen em 2003 [87], que
conseguiu melhor tempo de processamento devido a estrutura de dados adotada.
Assim, somente o tempo de processamento alterado quando comparado com o
NSGA-II bsico.
1) A rede mapeada segundo um grafo com ramos e ns representando,
respectivamente, chaves fechadas e barras do mesmo. Quatro redes de distribuio
so utilizadas nos testes, todas radiais de pequeno porte. As dimenses variam de
13 barras e 10 chaves at 173 barras e 75 chaves;
2) O computador utilizado nos testes e o nmero de indivduos gerados no
foram especificados. O processo encerrado quando todos os indivduos
permanecerem inalterados de uma gerao para outra. O tempo de processamento
variou de 4,38s para a rede com 13 barras at 700,4s para a rede com 173 barras;
29
30
31
32
33
34
35
36
ciclos diferentes, apenas uma dever ser aberta. Porm, esse mtodo requer
conhecimento prvio do circuito, o que restringe sua utilizao. Resultados
encontrados pelo PGSA para o maior SDR testado foram idnticos aos resultados
encontrados por outros mtodos: evoluo diferencial hbrida inteiro-mista
melhorada [95], SA, AG, e algoritmo de busca baseado em colnia de formigas [96].
O tempo de processamento do PGSA foi razoavelmente menor que os 3 ltimos
mtodos e maior que evoluo diferencial hbrida.
1) Testes foram realizados em dois SDRs, um de 12,66kV, 33 barras, 1
alimentador, 32 chaves NF e 5 chaves NA e o sistema de Taiwan Power Company
de 11,4kV, com 84 barras, 11 alimentadores, 83 chaves NF e 13 chaves NA;
2) Um programa computacional foi desenvolvido em Visual C++ e executado
em um computador com processador de 2,2 GHz e 256 MB de memria RAM. O
tempo de processamento para encontrar uma boa soluo foi de 0,5s para o SDR de
33 barras e de 113,25s para o SDR de 84 barras;
3) O processo inicia-se com o sistema radial, ou seja, uma chave aberta em
cada ciclo independente, que identificado ao se fechar uma chave. O conjunto de
solues para o ciclo 1 composto de todas as chaves do mesmo, onde cada
configurao para esse ciclo consta de uma chave aberta e todas as outras
fechadas. O conjunto de solues possveis para todos os ciclos so as
possibilidades de reconfigurao da rede;
4) Restries de carregamento nas linhas, queda de tenso, radialidade da
rede e todos os consumidores atendidos foram considerados na formulao do
problema.
Tambm em 2008, Enacheanu et al. [97] apresentaram um AG para
minimizar perdas de potncia atravs de reconfigurao de redes. O trabalho
37
38
39
de perdas foi alcanada com o algoritmo conjunto quando comparada aos mtodos
de reconfigurao de redes e chaveamentos de capacitor separadamente.
1) O SDR utilizado nos testes consta de 119 barras, 118 ramos com chaves
NF e 15 ramos com chaves NA divididas em 4 alimentadores;
2) O algoritmo foi desenvolvido utilizando um pacote de programas e
executado em um sistema de computao PIII 866MHz/128MB. O tempo de
processamento para o caso (vii) (utilizando o algoritmo de otimizao proposto em
conjunto com o AG adaptativo melhorado) foi de 28,39s;
3) Codificao binria utilizada na representao do SDR e o nmero
mximo de geraes utilizado como critrio de parada;
4) Restries utilizadas na formulao matemtica foram: queda de tenso,
carregamento nas linhas e atendimento das leis de Kirchoff da corrente e da tenso
(determinadas atravs de um fluxo de carga). A restrio de rede radial tambm
observada. As restries de queda de tenso e carregamento nas linhas so
inseridas na funo objetivo atravs de penalidades.
40
41
42
baseado
em
conjuntos
fuzzy
para
agrupar
os
indivduos
que
permanecero nessa populao. Esse procedimento foi utilizado pela primeira vez
nesse trabalho. Um SDR com 41 barras e 2 subestaes de 20MVA foi utilizado nos
testes. Ambas as tcnicas NSGA e SPEA apresentaram resultados
computacionais similares tanto em relao ao tempo de processamento quanto s
fronteiras de Pareto encontradas.
Em 2008, Prasad et al. [11] apresentaram uma tcnica para resolver
problemas de reconfigurao de sistemas de distribuio para balanceamento de
cargas utilizando AG. Reconfigurao de redes foi utilizada para transferir cargas de
alimentadores mais carregados para alimentadores menos carregados. Duas
equaes so requeridas para realizar o balanceamento de cargas. De modo geral,
o objetivo minimizar um ndice que mede o balanceamento de cargas entre os
alimentadores, no violando restries de queda de tenso, carregamento nas
linhas,
carregamento
nos
transformadores
radialidade
da
rede.
Como
43
gerada, aplica-se uma rotina para alter-la at que atenda todas as restries. A
seleo de indivduos para reproduo realizada atravs do mtodo da roleta. O
nmero mximo de geraes utilizado como regra de parada. Testes foram
realizados em um SDR de 69 barras.
Neste Captulo as principais tcnicas e modelos computacionais para o
tratamento de problemas de reconfigurao de redes foram apresentadas,
principalmente envolvendo restabelecimento de energia em SDRs e reduo de
perdas de potncia.
O prximo Captulo trata o problema de restabelecimento de energia.
Conceitos de Grafos so introduzidos e a formulao matemtica para o problema
tratado apresentada.
45
3 O Problema de Reconfigurao
Neste Captulo apresenta-se o problema de reconfigurao de redes de
energia e uma formulao matemtica genrica que modela em conjunto o problema
de restabelecimento, reduo de perdas e planejamento da expanso do sistema,
entre outros.
Para apresentar essa formulao, adequado rever alguns conceitos de
teoria de grafos. Muitas situaes podem ser convenientemente descritas por meio
de diagramas que consistem de um conjunto de pontos, juntamente com linhas que
ligam alguns pares desses pontos. Por exemplo, os pontos podem representar
centros de comunicaes e as linhas ligaes entre os centros. A abstrao
matemtica de situaes desse tipo d lugar ao conceito de grafo.
Um grafo G um par (N(G),E(G)), onde N(G) um conjunto finito de
elementos denominados ns e E(G) um conjunto no ordenado de elementos
denominados arestas [105]. SDRs podem ser representados por grafos. Considere o
grafo abaixo.
46
47
20
10
19
11
Alimentador 1
18
23
22
21
14
2
Alimentador 2
Alimentador 3
16
24
12
13
26
15
25
17
29
28
27
Alimentador 4
30
48
9
8
19
11
6
Alimentador 1
16
D
Alimentador 2
12
23
15
21
24
Alimentador 3
26
25
E
29
17
13
18
22
A 14
20
10
28
27
Alimentador 4
30
9
7
1
19
11
6
Alimentador 1
Alimentador 2
A 14
12
23
13
15
18
22
C
16
20
10
21
24
Alimentador 3
26
25
E
17
29
28
27
Alimentador 4
30
49
7
1
19
11
5
6
Alimentador 1
C
16
B
2
Alimentador 2
A 14
12
20
10
13
15
23
18
22
21
24
Alimentador 3
26
25
E
17
29
28
27
Alimentador 4
30
50
Min . E(F )
H(F )= 0
s .a . (F ) 0
F ser uma floresta ,
(1)
onde,
F grafo correspondente a uma configurao do sistema, representado por
uma floresta de grafo, onde cada rvore dessa floresta corresponde a um
alimentador conectado a uma subestao;
E(F) funo objetivo;
H(F) restries de igualdade representando as equaes de fluxo de carga;
I(F) restries de desigualdade representando as restries operacionais da
rede.
A funo E(F) contm, em geral, um ou mais dos seguintes componentes:
(F) nmero de barras com cargas fora de servio para uma topologia de
rede radial (uma floresta F);
(F) perdas de potncia no sistema para F;
(F,F0) nmero de operaes de chaveamentos requerido para obter uma
dada configurao F a partir da configurao original F0.
As restries de igualdade correspondem s equaes de fluxo de carga,
que podem ser representadas como um sistema linear do tipo Ax = b, onde:
A matriz incidncia de F;
x vetor de corrente de linha;
b vetor contendo as correntes de carga nas barras (bi 0) ou as correntes
injetadas nas subestaes (bi > 0).
As restries operacionais I(F) em problemas de reconfigurao de sistemas
de distribuio geralmente incluem:
um limitante superior de corrente x para cada corrente de linha x . A maior
j
taxa x
51
tenso.
O vetor de tenso v dado por Yv=b, onde Y a matriz de admitncia
nodal, que pode ser calculada por meio da expresso Y=AYxAT, onde Yx a matriz
admitncia diagonal.
Em SDRs possvel utilizar o modelo de corrente constante e as barras
serem armazenadas segundo o Modelo Pai-Filho (MPF) do ingls, terminalsubstation order [32]. Assim, atravs de um fluxo de carga, pode-se calcular o fluxo
de corrente partindo dos ns terminais (ns folhas) em direo subestao (n
raiz); enquanto as tenses podem ser obtidas de forma encadeada partindo da
subestao at as barras terminais. Detalhes do fluxo de carga podem ser vistos no
Captulo 5.
A funo objetivo para problemas envolvendo SDRs geralmente no linear,
descontnua e com vrios timos locais, dificultando a utilizao de PM. Por outro
lado, quando AEs so empregados para resoluo desse tipo de problema, algumas
modificaes so realizadas na formulao apresentada em (1). A fim de penalizar
as configuraes da rede que violarem as restries operacionais I(F), so inseridos
fatores de penalidades [79]. Dessa forma, o problema em SDR pode ser reformulado
como segue:
Min . E(F )
+ | I(F )
|
H(F )= 0
s .a .
F ser uma floresta ,
(2)
52
,...
0,.....
,...
0,.....
,..
0,....
n
r 1 Z r
=
Min . E(F )
+ | I(F )
|
H(F )= 0
s .a .
F ser dado pelos operadores da RNP .
(3)
53
Min . E(F )
+ | I(F )
|
(4)
55
4 Representao N-Profundidade
Neste Captulo uma estrutura de dados eficiente para armazenar e
manipular grafos apresentada Representao N-profundidade (RNP). Dois
Operadores que modificam dados na RNP so utilizados para obter, de forma
eficiente, novas topologias de rede. As Sees 4.1, 4.2, 4.3 e 4.4 apresentam a
RNP, seus operadores e caractersticas intrnsecas da RNP que capacitam a mesma
a ter alta eficincia computacional.
56
2
Alimentador-2
Alimentador-1
10
16
11
12
17
18
13
19
14
15
20
21
Alimentador-3
22
23
24
25
26
27
Figura 4.1 SDR com trs alimentadores. Grafo com trs arvores.
0 1 2 3 2 3 4 3 4 4
prof.
n = 1 4 5 6 10 11 12 16 22 23
T2 =
0 1 2 3 2 3 3
prof.
n = 2 9 15 14 8 7 13
T3 =
0 1 2 3 2 3 4 5 3 4
prof.
n = 3 27 21 20 26 19 18 17 25 24
57
A lista de adjacncia considera todas as conexes possveis de cada n, isto , conexes referentes
tanto a chaves abertas quanto fechadas, desta forma, no se altera de uma configurao para outra.
58
N
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
Adjacentes
4
9
27
1
4
5
6
7
2
4
5
6
7
8
9
10
11
12
13
14
15
16
16
18
19
19
3
5
6
7
8
9
8
11
10
11
8
13
14
17
16
17
18
19
20
23
17
23
24
20
21
10
11
12
13
13
15
16
12
13
12
15
21
22
18
19
20
21
27
14
17
18
14 19
20
23
23
24
25 26
26
22 24
25
26
25 27
26
4.2.1 Operador 1
A gerao de uma floresta F de um grafo G a partir de outra floresta F de G
pode ocorrer pela aplicao do Operador 1. Esse processo equivalente a
transferncia de uma subrvore de uma rvore Tde para outra Tpara da mesma
59
60
T de
1
5
4
6
p
11
12
10
22
16
0 1 2 3 2 3 4 3 4 4
1 4 5 6 10 11 12 16 22 23
23
a
17
20
T para
3
21
27
18
19
26
24
25
0 1 2 3 2 3 4 5 3 4
3 27 21 20 26 19 18 17 25 24
12
T tmp 11
p
6 7
11 12
6
T' de
1
5
4
10
22
16
0 1 2 3 2 3 4 4
1 4 5 6 10 16 22 23
23
Figura 4.5 Tde e sua RNP.
61
12
11
20
T' para
3
18
21
27
17
19
24
26
25
0 1 2 3 2 3 4 5 6 7 3 4
3 27 21 20 26 19 18 17 11 12 25 24
4.2.2 Operador 2
Assim como o Operador 1, o Operador 2 tambm produz uma floresta F de
um grafo G quando aplicado a outra floresta F de G. No entanto, transferindo uma
subrvore de uma rvore Tde com uma nova raiz para outra rvore Tpara da mesma
floresta. A nova raiz pode ser qualquer n da subrvore diferente da raiz original.
A descrio do Operador 2 assume que um conjunto de ns seja
previamente determinado: o n de poda p, o novo n raiz r e o n adjacente a. Os
ns p e r pertencem rvore Tde e o n a pertence Tpara. As diferenas entre o
Operador 1 e o Operador 2 esto nos Passos 2 e 3 do procedimento do Operador 1
(ver a Seo 4.2.1), isto , a formao da subrvore cortada e o armazenamento da
mesma no array temporrio Ttmp so diferentes.
Os Passos 2 e 3 para o Operador 2 so descritos a seguir (ver Figura 4.7 a
Figura 4.10). Para o Operador 2, o procedimento de copiar a rvore cortada pode ser
separado em dois Passos: o primeiro Passo similar ao Passo 2 do Operador 1,
diferindo apenas na troca de ip por ir. O segundo Passo considera os ns no caminho
de r a p (isto , r0, r1, r2, ..., rn, onde r0 = r e rn = p) como razes das subrvores
(retngulo tracejado na Figura 4.7). O algoritmo para o segundo Passo dever copiar
a subrvore com a raiz ri (i = 1, ..., n) sem a subrvore com raiz ri-1 (Figura 4.8) e
62
6
T de
1
12
11
10
p
0 1 2 3 2 3 4 3 4 4
1 4 5 6 10 11 12 16 22 23
22
16
r
23
12
11
22
r
16
23
6 7 7
16 22 23
10
7 8 9
10 11 12
22
r
16
12
23
11
p
10
6 7 7 7 8 9
16 22 23 10 11 12
63
22
16
20
T' para
3
21
27
23
17
18
11
10
19
26
12
24
25
0 1 2 3 2 3 4 5 6 7 7 7 8 9 3 4
3 27 21 20 26 19 18 17 16 22 23 10 11 12 25 24
k0
h
ih
.
jh
kh
64
65
67
68
69
P +Q
V
'2
'2
+P ,
Li
(5)
=Q + x
i
P +Q
V
'2
'2
onde
Pi o fluxo de potncia ativa no ramo i;
Qi o fluxo de potncia reativa no ramo i;
PLi a potncia ativa de carga na barra i;
QLi a potncia reativa de carga na barra i;
Pi = Pi + PLi;
Qi = Qi + QLi.
+Q ,
Li
(6)
70
(7)
+1
1
= tan(
k1 / k 2 )
,
(8)
(P x Q r )
k1 =
,
V
i
(P r Q x )
k 2 =V
.
V
i
+1
1
= tan(
k1 / k 2 )
,
i
(9)
onde
Vi a amplitude da tenso na barra i;
71
9
6
Alimentador 1
15
10
14
8
11
13
12
Alimentador 2
72
B
6
Alimentador 1
H
14
15
10
8
4
13
F
11
12
Alimentador 2
D
A
Alimentador 1
Alimentador 2
T2 =
Profundidade
N
Profundidade
N
73
BDH =
0 1 2 2
6 7 8 9 10
0
2 3 4
15 10 9 7 8
74
T1 =
A B C D
Setor
rvores
5
9
10
15
10
7
8
2
14
11
11
11
13
10
12
15
15
14
Aresta
14
11
Aresta e n adicional
75
Setor
A
B
C
D
E
F
G
H
RNPs do Setor
0
1
0 1 2
0 1 2
1 3 6
7 6 3
0 1 2
3 4 5
0 1 2 2 3
1 2 3 4
6 7 8 9 10 15 10 9 7 8
0
2
0
0 1
14 11
0
2 11
2
11 12 13
0
10 15 14
11 14 15
76
da linha da rede correspondente a uma impedncia constante Zmn para cada linha
entre as barras m e n.
O algoritmo de fluxo de carga finaliza seu ciclo aps a execuo de 2 subrotinas: uma obtm as correntes a jusante por meio da varredura inversa
(CORRENTES, ver Algoritmo 1) para todas as barras de um alimentador e a outra
utiliza as correntes a jusante para obter as tenses nas barras do mesmo
alimentador utilizando a varredura direta (TENSES, ver Algoritmo 2). Com o
modelo de corrente constante, a convergncia atingida em um nico ciclo,
diferindo de vrios modelos usuais de varredura direta/inversa [77, 88, 114].
A sub-rotina CORRENTES percorre os ns (barras) do sistema partindo dos
ns terminais at o n raiz, ver Algoritmo 1. importante observar que a ordem dos
ns visitados no sentido dos ns terminais para a raiz, ordem que est prdeterminada nas RNPs do alimentador e do setor. A carga de uma barra m
denominada I(m) e a corrente a jusante dessa barra m denominada J(m).
Algoritmo 1. Pseudocdigo para calcular a corrente a jusante de uma barra.
CORRENTES
PARA k:=ltima posio em T, AT K:=1, FAA:
u := prxima posio (menor que k) em que a profundidade do n seja T.prof(k) 1;
s:=T.no(k);
r:=T.no(u);
J(T):= 0 //A corrente a jusante em todas as barras em T recebem zero
PARA q:=ltima posio em Bsr, AT q:=1, FAA:
p := prxima posio (menor que q) em que a profundidade do n seja Bsr.prof(q) 1;
m:=Bsr.no(p);
n:=Bsr.no(q);
corrente_acumulada:=J(n) + I(n);
J(m):= J(m) + corrente_acumulada;
FIM
FIM
77
CORRENTES
TENSOES
so
aplicadas
somente
esses
78
Profundidade
0 1
E F G H
11 14 15
ordem da
RNP
do
alimentador 2,
determinam-se
11 12 13
79
2 11
80
81
setor 14 sofreu uma falta. O primeiro procedimento isolar o setor em falta, que
pode ser realizado abrindo-se as chaves A e B (2 manobras de chaves). Porm, os
setores 15, 16 e 17 ficaram desconectados do sistema. Para conect-los ao SDR
necessrio fechar uma chave que os conectam a algum alimentador, que pode ser
realizado fechando a chave C, D ou E (1 manobra de chave). Portanto, na primeira
alterao de topologia, 3 manobras de chaves foram necessrias.
9
7
1
19
11
Alimentador 1
C
16
B
2
Alimentador 2
A 14
12
20
10
13
15
23
18
22
21
24
Alimentador 3
26
25
E
17
29
28
27
Alimentador 4
30
Figura 5.4 Operaes necessrias para isolar o setor em falta.
82
Chaves / estados
Configuraes
o ... x ... y
1 1
2 1
3 0
4 0
5 1
Chaves / estados
Configuraes
o ... x ... y
1 1
2 1
3 0
4 0
5 1
83
Chaves / estados
Configuraes
o ... x ... y
1 1
2 1
3 0
4 0
5 1
84
1 2 3 4 5 6 7 8
Chaves
Estado Inicial 1 1 1 0 0 1 1 1
D
A
Alimentador 1
3
2
C
5
4
H
8
7
G
Alimentador 2
...
85
D
A
3
2
Alimentador 1
5
4
H
8
7
G
Alimentador 2
0 2
...
D
A
Alimentador 1
3
2
C
5
4
H
8
7
G
Alimentador 2
0 2 2
...
Suponha agora, que a configurao 1 foi escolhida para ser alterada (x) e
originar a configurao 3 (y). A chave 7 aberta e a chave 4 fechada, alterando
86
D
A
Alimentador 1
3
2
C
5
4
H
8
7
G
Alimentador 2
0 2 2 4
...
0 2 2 4 0 ...
87
89
6 Algoritmos Evolutivos
Mtodos de otimizao e busca estocstica tm recebido crescente
interesse nas ltimas dcadas, principalmente os baseados em princpios da teoria
da evoluo. O desenvolvimento de modelos computacionais inspirados nos
mecanismos evolutivos caracteriza-se pela configurao de algoritmos de otimizao
robustos e sistemas adaptativos [116]. AEs so algoritmos computacionais
pertencentes a uma classe de mtodos regidos por princpios evolutivos. Tais
princpios so oriundos do mundo biolgico e baseados na teoria da evoluo
Darwiniana [117, 118]. Os AEs tentam abstrair e imitar mecanismos evolutivos para
resoluo de problemas que requerem adaptao, busca e otimizao.
Em
um
AE,
um
conjunto
de
solues
(populao)
modelado
90
[123, 124] e
Algoritmos Genticos [79, 92, 123, 125, 126]. Apesar dos AEs terem sido
desenvolvidos muito tempo atrs, foram popularizados a partir dos trabalhos de
Holland em 1975 [127] e Goldberg em 1989 [79]. Esses algoritmos tornaram-se to
difundidos e aplicados em engenharia que mais de 95% dos artigos envolvendo
mtodos heursticos publicados em sistemas de potncia so baseados em AGs
[128]. O Algoritmo 5 apresenta os principais passos de um AE genrico.
91
92
A2 = 110/10,
A2= 11001.
A2= 11101.
93
Suponha a procura por um automvel com preo baixo e alto conforto. A Figura 6.1
ilustra algumas alternativas de escolha.
90%
Conforto
fronteira de
Pareto
4
2
40%
1
20
Custo
70
x1000
94
Definio: a soluo x(1) dita dominar outra soluo x(2), se satisfaz duas
condies:
1. A soluo x(1) no pior que x(2) em todos objetivos;
2. A soluo x(1) estritamente melhor que x(2) em pelo menos um
objetivo.
Conjunto Pareto-timo seja o conjunto de solues P envolvendo o espao
de busca total, o conjunto com as solues no dominadas P chamado de
conjunto de Pareto-timo.
Fronteira de Pareto interligando-se os pontos do conjunto de Pareto timo
obtm-se uma curva que usualmente chamada de fronteira de Pareto (ver Figura
6.1). Deve-se observar que o conceito de fronteira de Pareto precisamente definido
no espao contnuo.
95
96
f2
d 0=
i-1
C ubide
d u=
i
i+ 1
di
u
f1
O termo crowding distance foi utilizado em ingls devido a dificuldade em encontrar uma traduo
adequada para o mesmo.
97
98
Algoritmo 6. NSGA-II.
ALGORITMO NSGA-II
ENQUANTO critrio de parada no satisfeito, FAA
// Combine a populao pai com a populao de descendentes
Rt := Pt Qt;
// F := (F1,F2,...), todas as fronteiras no-dominadas de Rt
F := ordenao por no dominncia de (Rt)
// Cria a populao para prxima gerao (Pt+1)
Pt+1 := e i = 1
// At que a populao pai esteja completa
ENQUANTO | Pt+1| + |Fi| N, FAA
// Calcule a crowding distance em Fi
Fi := di
// Inclua a i-sima fronteira no dominada na populao pai
Pt+1 := Pt+1 Fi
// Cheque a prxima fronteira para incluso
i := i + 1
FIM
// Ordene em ordem decrescente utilizando c
Ordene (Fi, c )
// Escolha os (N | Pt+1|) elementos de Fi
Pt+1 := Pt+1 Fi [1 : N | Pt+1|)]
// Use seleo, cruzamento e mutao para criar uma nova populao Qt+1
Qt+1 :=gere_nova_populao (Pt+1)
// Incremente o contador de gerao
t := t + 1
FIM
99
Pt
Ordenao
por
Dominncia F1
F2
Crowding
Distance
Pt+1
F3
Qt
Rejeitadas
Rt
100
'
R(i )=
S(j )
.
Pt +Pt
'
,j
i
Note que o fitness nesse caso para ser minimizado, isto , R(i) = 0
corresponde a um indivduo no-dominado, enquanto um alto valor de R(i) significa
que i dominada por muitos indivduos.
Embora a atribuio de um fitness R(i) ordene as solues baseadas no
conceito de dominncia de Pareto, ela pode falhar quando muitos indivduos no so
dominados uns pelos outros. Nesse caso, foi incorporada a informao de
densidade D(i) entre os indivduos com idntico R(i). A tcnica de informao de
densidade proposta em [130] uma adaptao do mtodo do k-simo vizinho mais
101
prximo [132] e pode ser estimada como o inverso da distncia do indivduo i ao ksimo vizinho mais prximo. Assim, o fitness total de um indivduo i definido por:
F(i )= R(i )
+ D(i )
.
Algumas aplicaes necessitam de informaes de densidade D(i) com
maior preciso. Nesses casos, em [130] foi sugerido que se calcule, para cada
indivduo i, a distncia (no espao dos objetivos) para todos os indivduos j tanto na
populao normal quanto na populao externa em seguida armazene-as em uma
lista, ordenando-as em ordem crescente. O k-simo elemento apresenta a distncia
procurada, denotada por ik , onde k pode ser obtido pela raiz quadrado da soma do
tamanho das populaes ( k = N + N ). Assim, a densidade D(i) correspondente ao
'
1
.
+2
k
i
No denominador, adicionado 2 para garantir que seu valor seja maior que
zero e que D(i) < 1.
'
'
'
102
'
'
'
Onde,
k
i
103
Algoritmo 7. SPEA2.
ALGORITMO SPEA2
// 1. Inicializao: Gere uma populao inicial P0 e crie uma populao externa P0 vazia
P0 := e t := 0
// 2. Atribuio de fitness: Calcule o fitness dos indivduos em Pt e Pt
Fi := S(i)+D(i)
// 3. Seleo e Truncamento: Copie os indivduos no-dominados de Pt e Pt para Pt+1
Pt+1 := solues_no-dominadas_(Pt + Pt)
// Se o nmero de elementos em Pt+1 exceder N
SE |Pt+1| > N FAA
// Aplique operador de truncamento
Truncamento_Pt+1
// Se nmero de elementos em Pt+1 for menor que N
SE |Pt+1| < N FAA
// Complete Pt+1 com elementos dominados de Pt e Pt
Pt+1 := Pt+1 + solues_dominadas_(Pt + Pt)
// 4. Critrio de Parada: Se algum critrio de parada satisfeito, fornea sada
SE t T ou outro critrio de parada satisfeito
// Apresente soluo e pare o processo
A := indivduos_no_dominados_de_Pt+1
PARE
// 5. Variao: Aplique operador para reproduo
SENO
// Aplique operadores de recombinao e mutao em Pt+1
Pt+1 := Operadores_Pt+1
// Incremente contador de geraes e v para a o passo 2
t := t + 1
v para passo 2
FIM
104
105
106
No processo de seleo de
107
AEs de uma forma geral foram apresentados neste Captulo, com destaque
para o NSGA-II, SPEA2 e o AEMT. No prximo Captulo, resultados de testes do
AEMT utilizando o SDR real da cidade da cidade de So Carlos-SP so
apresentados, alm de comparaes de resultados entre esses algoritmos.
109
7 Resultados Experimentais
Resultados de simulao computacional so apresentados neste Captulo.
Testes foram realizados em um SDR real de grande porte sem simplificaes, ou
seja, todas as linhas, chaves e barras foram consideradas. A rede constituda de
3.860 barras, 533 setores, 632 chaves sendo 509 chaves NF e 123 chaves NA, 3
subestaes e 23 alimentadores. A subestao Bela Vista possui 2 transformadores
de 25MVA; a subestao So Carlos tem 2 transformadores de 25MVA e a
subestao Paraso tem 1 transformador de 25MVA. Os tipos de cabos existentes na
rede so A47, A33, A10, A04 e A02. Esse SDR corresponde rede da cidade de
So Carlos-SP (SDR-SC) no ano de 1994. Para verificar que o AEMT pode ser
aplicado em SDRs maiores que o SDR-SC no incorrendo no problema de exploso
combinatorial, testes foram realizados para reconfigurao de redes utilizando o
SDR-SC aumentado, ou seja, com tamanho duplicado, quadruplicado e octuplicado
(ver Seo 7.6). Foram tambm realizados testes com o SDR da Taiwan Power
Company (TPC), consistindo em um sistema trifsico equilibrado de 11,4kV com 11
alimentadores, 83 chaves NF, 13 chaves NA, com 28,35MW de carga ativa total e
20,70MVAr de carga reativa total.
A metodologia proposta pode ser utilizada em problemas de reconfigurao
de redes com diversos propsitos, dentre os quais se destacam: restabelecimento
de energia aps uma contingncia, reduo de perdas de potncia, de queda de
tenso, de carregamento na rede e nas subestaes, balanceamento de cargas nos
110
111
Seleo
Somente Operador 1
Somente Operador 2
Aleatria
Ajuste Dinmico
Perdas de
Potncia [kW]
293,08
291,36
283,47
281,66
Tempo de
Processamento [s]
1,94
1,95
2,10
2,10
Iterao do Melhor
Indivduo
25.309,07
27.325,13
27.628,80
26.479,73
112
especificao da ANEEL [134] para tenses entre 1kV e 69kV. Para todos os casos
apresentados nas Sees 7.1 a 7.5, foram utilizadas 30.000 iteraes como o
nmero mximo de indivduos gerados (gmax). No restante do Captulo 7, valores
diferentes de 30.000 para gmax so informados quando ocorrem. Nas Sees 7.1 a
7.7 e 7.9 foi utilizado o fluxo de carga com o modelo de corrente constante.
113
30.000
uma
populao
de
tamanho
20
empregada.
Verificou-se
experimentalmente que testes com gmax maior que 30.000 no produzem melhorias
significativas para os casos investigados. Nesse trabalho, os indivduos da
populao inicial so gerados a partir da configurao com o setor em falta
eliminado do SDR.
O problema foi modelado utilizando um nico objetivo. Os testes foram
agrupados em 5 casos de acordo com o objetivo empregado:
1 Caso: reduo de perdas;
2 Caso: reduo da maior queda de tenso;
3 Caso: reduo do maior carregamento da rede;
4 Caso: reduo do maior carregamento das Subestaes;
5 Caso: minimizao da funo agregao.
No
ltimo
caso,
seguinte
f(x )= 1x 1 + 2 x 2 + 3 x 3 + 4 x 4 + 5 x 5 ,
onde
funo
agregao
x 1, x 2 , x 3 , x 4 e x 5
foi
utilizada
correspondem,
= 1;
1
= 1;
2
=
i
para i = 3, 4,5.
114
115
503
3659
3660
3661
Alimentador 1
...
Subestao 1
25MVA
Detalhes de
conexes do Setor 504
Alimentador 5
Alimentador 6
3664
3663
3665
...
Subestao 2
50MVA
3666
Alimentador 14
3667
Alimentador 15
502 507
500
501 506
513 518
517
520
LEGENDA
515 516
i
532
525
530
529 526
531
Setor
505
519
509
23
Alimentador 23
3668
508
512
503
3669
Setor
23
...
Subestao 3
50MVA
Setor
504
3662
511
527
522
521
Setor i
524
j
523
528
Barra j
Alimentador k
Tabela 7.2 Mdia de 15 execues do AE com RNP com modelagem mono-objetivo para
falta nica.
Populao
1 caso
2 caso
3 caso
4 caso
5 caso
Perdas de
Potncia
[kW]
284,14
610,39
469,49
6678,40
295,28
Queda
Tenso
[%]
3,18
3,17
3,89
16,58
3,25
Carregamento
da Rede
[%]
72,23
169,86
72,76
717,77
76,93
Carregamento
das Subestaes
[%]
58,79
57,02
54,03
44,75
54,12
Nmero de
Chaveamentos
93,80
76,20
69,80
106,60
23,00
116
117
181
170
...
172
Alimentador 14
187
185
205
180
184 196
204
178 179
190
Alimentador 6
Subestao 2
50MVA
186
171 175
176
173 174
177
188
192
191
44
199
201
45
35
37
46
39
40
36
43
42
38
Alimentador 15
497
498 499
...
496 495
Subestao 3
50MVA
22
Alimentador 22
Alimentador 23
491 492
490
487
493
494
488
489
66
471 473
449 451
481
456
457 458
482
483
466 465
480 467
468
477
476
474
469
484 485
118
Tabela 7.3 Mdia de 15 execues do AE com RNP com modelagem mono-objetivo para
mltiplas faltas.
Populao
1 caso
2 caso
3 caso
4 caso
5 caso
Perdas de
Potncia
[kW]
287,59
612,78
433,92
6372,56
300,87
Queda
Tenso
[%]
3,19
3,18
3,50
15,80
3,25
Carregamento
da Rede
[%]
72,69
157,13
64,85
693,88
76,45
Carregamento
de Subestaes
[%]
60,33
57,45
58,87
45,01
59,18
Nmero de
Chaveamentos
96,87
71,00
56,60
108,60
29,27
119
120
121
carregamento
das
subestaes
nmero
de
chaveamentos
so
significativamente reduzidos.
A Tabela 7.4 mostra o valor mdio (obtido aps 15 execues do AEMT) do
melhor indivduo para cada subpopulao ao final do processo. A primeira linha da
Tabela 7.4 apresenta o resultado obtido, em mdia, para o melhor indivduo na
subpopulao de reduo de perdas. As perdas encontradas para esse indivduo
foram menores que as perdas de qualquer outro indivduo de outras subpopulaes.
O mesmo ocorre para o melhor indivduo das outras subpopulaes, que possuem o
menor valor para a caracterstica que sua subpopulao representa, o que
destacado pelos nmeros em negrito. O tempo de processamento para gerar os
30.000 indivduos avaliados foi em mdia de 2,19s e o tempo mdio para encontrar
a melhor soluo (indivduo da iterao 26.531) em termos de funo agregao foi
de 1,90s.
A modelagem multi-objetivo para falta nica possibilitou encontrar resultados
melhores que os encontrados quando a modelagem mono-objetivo foi utilizada. Essa
afirmao pode ser verificada comparando a Tabela 7.2 com a Tabela 7.4.
122
Carregamento
Da Rede [%]
Carregamento
da subestao
[%]
Nmero de
Chaveamentos
Queda de
Tenso
[%]
Subpopulao
Perdas de
Potncia [kW]
282,82
330,86
315,65
8097,65
294,08
3,18
3,13
3,22
18,94
3,24
72,12
82,28
60,25
701,99
76,69
57,34
55,15
55,66
44,52
54,31
95,67
73,27
73,27
107,93
24,87
123
124
125
Carregamento
Da Rede [%]
Carregamento
de Subestao
[%]
Nmero de
Chaveamentos
Queda de
Tenso
[%]
Subpopulao
Perdas de
Potncia [kW]
286,90
351,50
347,56
6971,99
302,46
3,17
3,14
3,30
17,18
3,25
71,47
92,34
62,78
686,55
77,71
60,07
58,29
57,83
44,89
59,33
96,33
56,87
61,53
108,60
28,20
Entre os resultados em negrito encontrados pelas modelagens monoobjetivo e multi-objetivo para mltiplas faltas, apresentados na Tabela 7.3 e Tabela
7.5, respectivamente, os melhores foram encontrados na modelagem multi-objetivo,
onde o AEMT foi utilizado. Porm, o tempo mdio de processamento para gerar os
30.000 indivduos pelo algoritmo mono-objetivo foi de 0,85s, enquanto para o multiobjetivo foi de 2,02s.
Em sntese, pode-se dizer que resultados apresentados nas Sees 7.2 a
7.5 mostram que AEs utilizando a RNP so capazes de resolver problemas de
restabelecimento para um SDR relativamente grande (SDR-SC, com 3860 barras e
632 chaves) em casos de uma ou mltiplas faltas. Em geral, as melhores solues
encontradas so obtidas em menos iteraes quando a modelagem mono-objetivo
utilizada, em comparao com a modelagem multi-objetivo. Por outro lado, a
possibilidade do algoritmo convergir para timos locais maior naquela modelagem.
Dessa forma, o AEMT, atravs de suas tabelas, proporciona ferramentas para
escapar desses timos locais, e possibilita encontrar solues levemente melhores,
por meio de uma melhor explorao do espao de busca.
126
Dessa forma, mostrou-se que o AEMT uma ferramenta capaz de lidar com
redes de tamanho real em tempo de processamento reduzido, possibilitando sua
aplicao em problemas que requerem solues em tempo real para casos de uma
ou de mltiplas faltas envolvendo grandes reas desenergizadas.
Tabela 7.6 Dados dos Sistemas construdos a partir do SDR-SC (Sistema 1).
SDR
Sistema 1
3.860
533
509
123
23
Sistema 2
7.720
1.066
1.018
259
46
Sistema 3
15.440
2.132
2.036
541
12
92
Sistema 4
30.880
4.264
4.072
1.094
24
184
127
128
Sistema
1
2
3
4
Nmero de Iteraes
Reduo de Perdas[%]
Tempo de Processamento [s]
Reduo de Perdas[%]
Tempo de Processamento [s]
Reduo de Perdas[%]
Tempo de Processamento [s]
Reduo de Perdas[%]
Tempo de Processamento [s]
10.000
14,41
0,34
11,73
0,51
10,59
0,96
6,76
1,22
100.000
15,88
3,56
15,58
5,95
23,33
11,87
24,03
14,58
400.000
15,89
14,57
15,66
24,90
24,08
52,46
26,90
67,51
800.000
15,89
29,18
15,66
50,58
24,16
108,11
27,43
149,87
1.000.000
15,89
36,92
15,66
63,98
24,17
137,10
27,52
192,37
129
130
47
49
48
50
51
52
55
54
8
9
10
61
62
5
56
58
57
77
79
78
73
80
68
67
66
69
63
82
81
64
83
76
75
74
65
60
59
70
71
72
11
13
12
43
46
45
44
14
41
53
30
25
31
32
33
26
27
34
28
35
36
37
42
38
29
39
40
18
15
16
17
19
20
21
131
MATLAB;
AEMT Pentium IV, processador de 2,01GHz, 4GB de memria RAM,
desenvolvido em C.
Os trabalhos citados acima utilizaram a mesma configurao inicial (ver
Figura 7.22) e encontraram a mesma soluo com reduo de 11,68% nas perdas
de potncia, diferenciando no tempo de processamento. A perda total na
configurao inicial de 531,99kW e na configurao final de 469,88kW. As
chaves abertas na topologia das configuraes inicial e final correspondem a:
Inicial 5-55, 7-60, 11-43, 12-72, 13-76, 14-18, 16-26, 20-83, 28-32, 29-
132
Tabela 7.8 Tempo de processamento dos mtodos que utilizam o SDR da TPC.
Mtodos
AEMT
PGSA
EDHI
SA
AG
ACF
Tempo de Proc. [s]
0,01
113,25
36,15
257,43
303,66
241,51
Processador
P. IV
N.E(*)
P. II
P. IV
P. IV
P. IV
(**)
9
OPS
2,01.10
2,20.109 0,27.109
1,30.109
1,30.109
1,30.109
NO(***)
0,02.109 249,15.109 9,62.109 334,66.109 394,76.109 313,96.109
(*) N.E. Famlia de processador no especificada. Nesse caso supe-se um Pentium.
(**) OPS Nmero de Operaes por Segundo;
(***) NO Nmero de Operaes.
133
134
FMCC
FMPC
Perdas
Finais
(kW)
237,43
2,88
236,09
2,74
Tempo de
Processamento
(s)
0,79
0,01
2,73
0,07
Nmero de
Chaveamentos
87
6
89
5
Iterao
do Melhor
Indivduo
11409
4234
10068
3469
Alimentador
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
Barra com
menor
tenso
937
621
814
884
903
1245
1313
1396
1618
1811
1867
1951
2087
2408
2516
2613
2670
2711
2770
1623
3259
3436
3777
FMCC
FMPC
V (pu)
Graus
V (pu)
Graus
0,995116
0,994029
0,985929
0,998518
0,999370
0,992436
0,995389
0,994298
0,993790
0,991044
0,998192
0,996401
0,996232
0,967477
0,997469
0,998132
0,994663
0,997539
0,997427
0,991276
0,993568
0,987014
0,988665
-0,73
-0,74
-1,65
-0,20
-0,09
-0,97
-0,25
-1,03
-0,95
-1,04
-0,32
-0,65
-0,54
-2,11
-0,25
-0,27
-0,57
-0,45
-0,37
-0,74
-0,78
-1,00
-0,41
0,995128
0,994036
0,985952
0,998520
0,999371
0,992459
0,995394
0,994409
0,993801
0,991053
0,998194
0,996418
0,996234
0,967571
0,997471
0,998134
0,994669
0,997543
0,997430
0,991285
0,993579
0,987034
0,988674
-0,73
-0,74
-1,65
-0,20
-0,09
-0,97
-0,25
-1,03
-0,95
-1,04
-0,32
-0,65
-0,54
-2,11
-0,25
-0,27
-0,57
-0,45
-0,37
-0,74
-0,78
-1,00
-0,41
135
SPEA2
AEMT
Deve-se ressaltar que, para o AEMT, apenas 1 indivduo foi gerado em cada
iterao, enquanto que para os mtodos NSGA-II e SPEA2 100 indivduos foram
136
137
Figura 7.23 Fronteiras de Pareto encontradas pelo NSGA-II nas iteraes 1 e 150.
Figura 7.24 Fronteiras de Pareto encontradas pelo SPEA2 nas iteraes 1 e 150.
138
Figura 7.26 Comparao das melhores fronteiras obtidas pelo AEMT, NSGA-II e SPEA2.
139
141
8 Concluses
Este Captulo sintetiza os principais resultados obtidos e apresenta algumas
consideraes sobre perspectivas de pesquisas futuras relativas a este trabalho. O
restabelecimento de energia em SDRs geralmente envolve reconfigurao de redes.
Um AE associado a uma estrutura de dados eficiente foi proposto, o AEMT. Existem
vrias aplicaes para o AEMT, sendo algumas citadas como sugestes de
trabalhos futuros. Este trabalho explorou com maior nfase essa tcnica para o
problema de restabelecimento de energia em um SDR real, no qual se busca o
restabelecimento de energia ao maior nmero possvel de consumidores aps as
faltas terem sido identificadas e isoladas, sem violar os limites operacionais do
sistema como sobrecarga nas linhas e subestaes e queda de tenso
estabelecidos em normas tcnicas.
Sistemas de Distribuio do mundo real possuem grande quantidade de
barras e chaves. Assim, tcnicas que consigam lidar com modelagens complexas
envolvendo a maior quantidade possvel de componentes de um SDR podem ser
interessantes para obteno de planos de restabelecimento de melhor qualidade. O
uso da estrutura de dados RNP base de desenvolvimento do AEMT, uma vez que
essa codificao garante a rpida gerao de novas configuraes de rede sempre
radiais e conexas. Com isso, evitam-se rotinas para identificar e corrigir essas
infactibilidades, que aumentam consideravelmente o tempo de processamento e
esto presentes em vrias abordagens encontradas na literatura.
142
O AEMT foi avaliado utilizando uma rede de um SDR real com 3.860 barras
e 632 chaves (509 chaves NF e 123 chaves NA) sem simplificaes em relao
rede real, ou seja, foram consideradas todas as linhas, barras e chaves da mesma.
Alm disso, foram realizados testes utilizando outras trs redes sintetizadas a partir
desse SDR real. As redes sintetizadas possuem tamanhos (nmero de barras e
chaves) que so aproximadamente duas, quatro e oito vezes o tamanho do SDR
real. Com isso, o AEMT foi avaliado inclusive para uma rede com 30.880 barras,
4.264 setores, 5.166 chaves (4.072 chaves NF e 1.094 chaves NA), 24 subestaes
e 184 alimentadores. Considerando que o SDR real alimentava uma cidade de
quase 200.000 habitantes, a maior rede sintetizada corresponderia a uma SDR para
uma cidade de cerca de 1,5 milhes de habitantes.
Quanto maior o tamanho da rede, maior o nmero de configuraes
possveis. Em conseqncia, aumenta-se a possibilidade de existirem um nmero
maior de solues que atendam as restries do problema. Por outro lado, obter
resultados adequados para esse tipo de problema difcil, pois o nmero de
configuraes infactveis tambm aumenta com o tamanho da rede. Outros aspectos
como funes no-lineares, descontnuas, com vrios timos locais e envolvendo
mltiplos objetivos conflitantes tornam o problema ainda mais complexo.
Os resultados obtidos nos testes com o AEMT para o SDR-SC e para as
redes sintetizadas mostram que o AEMT capaz de vencer tais dificuldades e
explorar
adequadamente
espao
das
solues
factveis,
encontrando
143
144
para
reduo
de
perdas,
porm
com
tempo
de
145
Large-Scale Distribution System using EA and a New Data Structure", 2008 IEEE
Power & Energy Society General Meeting, Pittsburgh-PA, USA, july, 2008.
5.
Jr., N. G. Bretas, "A Power Flow Method Computationally Efficient for Large-Scale
Distribution Systems", 2008 IEEE PES Latin America Transmission and Distribution
Conference and Exposition, Bogota-Colombia, Aug., 2008.
146
6.
Evolutionary Algorithm with Node-depth Encoding for Energy Restoration", The 4th
International Conference on Natural Computation - ICNC'08, Jinan-China, Oct., 2008.
7.
In:
XL
SBPO:
Simpsio
Brasileiro
de
Pesquisa
Operacional,
Energy
Restoration
in
Distribution
Systems
using
Multi-Objective
Evolutivonary Algorithm and an Efficient Data Structure. In: Proceedings of the IEEE
Power Tech, Bucharest Romania, 2009. (Aceito para publicao).
11.
147
10
Referncias Bibliogrficas
[1] S. H. Strogatz, "Exploring complex networks", Nature, vol. 410, pp. 268-276,
Maro, 2001.
[2] W. X. Fan, C. Guanrong, "Complex networks: small-world, scale-free and
beyond", IEEE Circuits and Systems Magazine, vol. 3, pp. 6-20, 2003.
[3] S. N. Dorogovtsev, A. V. Goltsev, J. F. F. Mendes, "Critical phenomena in
complex networks", Reviews of Modern Physics, vol. 80, pp. 1275, Outubro, 2008.
[4] J. A. Cipoli, Engenharia de Distribuio, 1 ed. Rio de Janeiro: Qualitymark
Editora Ltda, 1993.
[5] N. Kagan, C. C. B. Oliveira, E. J. Robba, Introduo aos sistemas de distribuio
de energia eltrica, vol. 1, 1 ed. So Paulo: Edgard Blucher, 2005.
[6] R. J. Sarfi, M. M. A. Salama, A. Y. Chikhani, "Distribution system reconfiguration
for loss reduction: an algorithm based on network partitioning theory", IEEE Power
Industry Computer Application Conference, pp. 503-509, Maio, 1995.
[7] F. V. Gomes, S. Carneiro, Jr., J. L. R. Pereira, M. P. A. Vinagre, P. A. N. A.
Garcia, L. R. A. De Araujo, "A new distribution system reconfiguration approach
using optimum power flow and sensitivity analysis for loss reduction", IEEE
Transactions on Power Systems, vol. 21, pp. 1616-1623, Novembro, 2006.
[8] C. S. Chen, M. S. Kang, J. C. Hwang, C. W. A. Huang, "Application of binary
integer programming for load transfer of distribution systems", Proceedings:
148
system with load variations", IEEE Transactions on Power Systems, vol. 23, pp.
219-225, Fevereiro, 2008.
[15]
distribution substation and primary feeder planning via the fixed charge network
149
generation
optimization
model
for
distribution
system
planning",
IEEE
system planning using dynamic programming technique and GIS facilities", IEEE
Transactions on Power Delivery, vol. 17, pp. 242-247, Janeiro, 2002.
[22]
150
[24]
Takaoka, M. Sakuraoka, "A Tabu Search algorithm for determining distribution tie
lines", Proceedings, ISAP '96, International Conference on Intelligent Systems
Applications to Power Systems, pp. 266-270, Janeiro, 1996.
[29]
system planning", Electric Power Systems Research, vol. 62, pp. 55-65, Janeiro,
2002.
[31]
151
[32]
J.-S. Wu, T. E. Lee, Y.-J. Lin, "A rule-based genetic algorithm for the inter-
Villasana, A. J. Urdaneta, "Ant colony system algorithm for the planning of primary
distribution circuits", IEEE Transactions on Power Systems, vol. 19, pp. 996-1004,
Maio, 2004.
[38]
152
[39]
153
[47]
Seventh International
K.
Deb,
Multi-objective
optimization
using
evolutionary
algorithms.
154
[54]
scale distribution system using EA and a new data structure", 2008 IEEE Power &
Energy Society General Meeting, Pittsburgh-PA, USA, Julho, 2008.
[55]
power supply", Electric Power Systems Research, vol. 24, pp. 119-125, Agosto,
1992.
[58]
the faulted substation transformer using the best-first search method", IEEE
Transactions on Power Delivery, vol. 7, pp. 1434-1442, Julho, 1992.
[59]
155
[62]
network",
IEE
Proceedings-Generation,
Transmission
and
power supply in complex distribution systems," in power system for the year 2000
and beyond. Proc. 6th Nat. Power Syst. Conf.: New Delhi: Tata McGraw-Hill,
1990, pp. 122-125.
[68]
International
156
[69]
urban distribution systems", Electric Power Systems Research, vol. 29, pp. 181192, Maio, 1994.
[71]
in distribution networks for service restoration," in Power Systems for the Year
2000 and Beyond, Proc. 6th Nat. Power Systems Conj., Bombay, India, N. D.
Tata McGraw-Hill, Ed., 1990, pp. 131-135.
[75]
configuration in distribution systems", J. Chin. Inst. Eng., vol. 12, pp. 781-789,
1989.
[76]
157
[77]
Bretas, "A power flow method computationally efficient for large-scale distribution
systems", 2008 IEEE PES Latin America Transmission and Distribution
Conference and Exposition, Bogota-Colombia, Agosto, 2008.
[79]
D.-J. Shin, J.-O. Kim, T.-K. Kim, J.-B. Choo, C. Singh, "Optimal service
158
[85]
refined genetic algorithm", Electric Power Systems Research, vol. 62, pp. 37-42,
Maio, 2002.
[92]
159
[94]
C.-T. Su, C.-F. Chang, J.-P. Chiou, "Distribution network reconfiguration for
loss reduction by ant colony search algorithm", Electric Power Systems Research,
vol. 75, pp. 190-199, Agosto, 2005.
[97]
loss reduction and load balancing", IEEE Transactions on Power Delivery, vol. 4,
pp. 1401-1407, Abril, 1989.
[101]
distribution systems", IEEE Transactions on Power Delivery, vol. 21, pp. 202-209,
Janeiro, 2006.
160
[102]
distribution systems", IEEE Transactions on Power Systems, vol. 23, pp. 161-169,
Fevereiro, 2008.
[103]
161
[112]
power systems", IEEE Transactions on Power Apparatus and Systems, vol. PAS100, pp. 1736-1743, Abril, 1981.
[113]
D. Rajicic, A. Bose, "A modification to the fast decoupled power flow for
networks with high R/X ratios", IEEE Transactions on Power Systems, vol. 3, pp.
743-746, Maio, 1988.
[114]
M. H. Haque, "Efficient load flow method for distribution systems with radial
mesh
configuration",
IEE
Proceedings-Generation,
Transmission
and
13th IFAC World Congress, San Francisco, CA, USA, pp. 181-186, 1996.
[117]
preservation of favoured races in the struggle for life [1859]. New York: reprinted
by Random House, 1993.
[119]
162
[121]
163
[129]
dominated sorting genetic algorithms", Evolutionary Computation, vol. 2, pp. 221248, 1995.
[130]
the strength pareto approach", Technical Report 43, Computer Engineering and
Networks Laboratory (TIK), Swiss Federal Institute of Technology (ETH) Maio,
1998.
[132]
using simulated annealing", Electric Power Systems Research, vol. 29, pp. 227238, Maio, 1994.
[136]
165
Apndice A
Dados de barra e de linha do SDR da Taiwan Power Company. Considere
Bi-Bf sendo a barra inicial e final respectivamente, R sendo a resistncia na linha, X a
reatncia na linha, P a carga ativa na barra final e Q a carga reativa na barra final. A
Figura 7.22, com a topologia inicial do SDR da TPC, reproduzida a seguir:
G
47
49
48
50
51
52
55
54
61
62
77
79
78
73
68
69
64
83
76
75
67
66
63
82
81
80
74
65
60
59
58
57
70
71
72
11
13
12
43
46
45
44
14
41
8
9
10
6
5
56
53
30
25
31
32
33
26
27
34
28
35
36
37
42
38
29
39
40
18 19 20
15
16
17
21
166
Bi-Bf
A-1
1-2
2-3
3-4
4-5
5-6
6-7
7-8
7-9
7-10
B-11
11-12
12-13
12-14
C-15
15-16
16-17
17-18
18-19
19-20
20-21
21-22
21-23
23-24
D-25
25-26
26-27
27-28
28-29
E-30
30-31
31-32
32-33
33-34
34-35
35-36
36-37
37-38
38-39
39-40
38-41
41-42
F-43
43-44
44-45
45-46
G-47
47-48
R
()
0,1944
0,2096
0,2358
0,0917
0,2096
0,0393
0,0405
0,1048
0,2358
0,1048
0,0786
0,3406
0,0262
0,0786
0,1134
0,0524
0,0524
0,1572
0,0393
0,1703
0,2358
0,1572
0,1965
0,1310
0,0567
0,1048
0,2489
0,0486
0,1310
0,1965
0,1310
0,1310
0,0262
0,1703
0,0524
0,4978
0,0393
0,0393
0,0786
0,2096
0,1965
0,2096
0,0486
0,0393
0,1310
0,2358
0,2430
0,0655
X
()
0,6624
0,4304
0,4842
0,1883
0,4304
0,0807
0,1380
0,2152
0,4842
0,2152
0,1614
0,6944
0,0538
0,1614
0,3864
0,1076
0,1076
0,3228
0,0807
0,3497
0,4842
0,3228
0,4035
0,2690
0,1932
0,2152
0,5111
0,1656
0,2690
0,3960
0,2690
0,2690
0,0538
0,3497
0,1076
10,222
0,0807
0,0807
0,1614
0,4304
0,4035
0,4304
0,1656
0,0807
0,2690
0,4842
0,8280
0,1345
P
(kW)
0
100
300
350
220
1100
400
300
300
300
0
1200
800
700
0
300
500
700
1200
300
400
50
50
50
50
100
100
1800
200
0
1800
200
200
800
100
100
20
20
20
20
200
50
0
30
800
200
0
0
Q
(kVAr)
0
50
200
250
100
800
320
200
230
260
0
800
600
500
0
150
350
400
1000
300
350
20
20
10
30
60
70
1300
120
0
1600
150
100
600
60
60
10
10
10
10
160
30
0
20
700
150
0
0
Bi-Bf
48-49
49-50
50-51
51-52
52-53
53-54
54-55
H-56
56-57
57-58
58-59
59-60
60-61
61-62
62-63
63-64
I-65
65-66
66-67
67-68
68-69
69-70
70-71
71-72
J-73
73-74
74-75
75-76
K-77
77-78
78-79
79-80
80-81
81-82
82-83
5-55
7-60
11-43
12-72
13-76
14-18
16-26
20-83
28-32
29-39
34-46
40-42
53-64
R
()
0,0655
0,0393
0,0786
0,0393
0,0786
0,0524
0,1310
0,2268
0,5371
0,0524
0,0405
0,0393
0,0262
0,1048
0,2358
0,0243
0,0486
0,1703
0,1215
0,2187
0,0486
0,0729
0,0567
0,0262
0,3240
0,0324
0,0567
0,0486
0,2511
0,1296
0,0486
0,1310
0,1310
0,0917
0,3144
0,1310
0,1310
0,1310
0,3406
0,4585
0,5371
0,0917
0,0786
0,0524
0,0786
0,0262
0,1965
0,0393
X
P
Q
()
(kW) (kVAr)
0,1345
0
0
0,0807
200
160
0,1614
800
600
0,0807
500
300
0,1614
500
350
0,1076
500
300
0,2690
200
80
0,7728
0
0
11,029
30
20
0,1076
600
420
0,1380
0
0
0,0807
20
10
0,0538
20
10
0,2152
200
130
0,4842
300
240
0,0828
300
200
0,1656
0
0
0,3497
50
30
0,4140
0
0
0,7452
400
360
0,1656
0
0
0,2484
0
0
0,1932 2000
1500
0,0528
200
150
11,040
0
0
0,1104
0
0
0,1932 1200
950
0,1656
300
180
0,8556
0
0
0,4416
400
360
0,1656 2000
1300
0,2640
200
140
0,2640
500
360
0,1883
100
30
0,6456
400
360
0,2690
0,2690
0,2690
0,6994
0,9415
1,0824
0,1883
0,1614
0,1076
0,1614
0,0538
0,4035
0,0807