Distribution Network Reconfiguration with the
OpenDSS using Improved Binary Particle
Swarm Optimization
R. A. Pegado and Y.P. M. Rodriguez
Abstract—This paper presents a new method for distribution
network reconfiguration that uses the features of the Open
Source Distribution System Simulator (OpenDSS) and improved
binary particle swarm optimization (IBPSO), a new activation
function is introduced into binary particle swarm optimization
(BPSO) to propose the IBPSO. The proposed algorithm was
developed in C# language allowing the integration between
OpenDSS and the IBPSO. Numerical result using 33-
Bus system and the 69-Bus system were used to compare
the results of the proposed method with other modern
techniques reported in the technical literature.
Keywords— Distribution network, improved binary particle
swarm optimization, OpenDSS, reconfiguration.
I. INTRODUÇÃO
O crescimento populacional aliado ao desenvolvimento
técnico-científico tem tornado a sociedade moderna cada
vez mais dependente da energia elétrica. Nesse contexto, é
necessário que os sistemas de distribuição de energia operem
de forma eficiente, confiável e segura sempre visando a quali-
dade nos serviços prestados.
Neste sentido, a Agência Nacional de Energia Elétrica
(ANEEL) em sua Nota técnica No 0104/2014-SRD [1], esta-
beleceu o uso do software OpenDSS (Distribution System
Simulator) como ferramenta padrão para realização de estudos
de fluxo de potência e de cálculo da perda regulatória das
distribuidoras de energia, em sistemas de distribuição de ener-
gia elétrica de baixa e média tensão.
A minimização das perdas de energia de um sistema elétri-
co reflete na qualidade dos serviços e na economia das distri-
buidoras de energia [2]. Todavia, devido aos sistemas de dis-
tribuição ser, em sua grande maioria, de grande porte, reduzir
as perdas do sistema é uma tarefa bastante complexa [3]. Di-
ante desse panorama, surge à necessidade de utilizar ferramen-
tas computacionais capazes de solucionar os problemas de
otimização da rede.
Uma das principais técnicas utilizadas na redução de perdas
é a reconfiguração das redes de distribuição. Essa técnica
consiste em encontrar a melhor topologia da rede, a partir da
comutação de chaves instaladas no sistema. A reconfiguração
pode ser utilizada para redução de perdas, melhorar os níveis
de tensão, realizar o balanceamento de cargas e melhorar os
indicadores de qualidade de serviço.
Na literatura, vários métodos de otimização são utilizados
________________________________
R. A. Pegado, Universidade Federal da Paraíba (UFPB), João Pessoa, Brasil,
raoni.pegado@cear.ufpb.br.
Y. P. Molina, Universidade Federal da Paraíba (UFPB), João Pessoa, Brasil,
molina.rodriguez@cear.ufpb.br.
Corresponding author: R. A. Pegado.
para aumentar a eficiência da reconfiguração. Esses métodos,
de acordo com [4], são agrupados em métodos baseados em
conhecimentos (heurística [5], lógica Fuzzy [6], etc.) e méto-
dos baseados em modelos físicos ou biológicos (algoritmos
genéticos [7], enxame de partículas [8]–[10], colônia de for-
migas [11], etc.).
Nesse artigo, utilizou-se uma técnica de reconfiguração ba-
seada em uma nova versão do método otimização por enxame
de partículas binário, do inglês Binary Particle Swarm Opti-
mization (BPSO) [12]–[15], com o objetivo de reduzir as
perdas do sistema. Para isso, foi desenvolvido um modo de
solução na linguagem C#, que utiliza os recursos de fluxo de
carga e cálculo de perdas do software OpenDSS via interface
Component Object Model (COM), ao mesmo tempo em que
implementa o método proposto.
A nova versão do BPSO, nomeada de otimização por en-
xame de partículas binário melhorado (IBPSO), propõem a
substituição da função ativação sigmoide do BPSO com o
objetivo de tornar o processo de busca mais eficiente, estabe-
lecendo um limite para uma maior exploração após a conver-
gência da população, aumentando a taxa de mudança do vetor
de bits.
Para comprovar a eficiência do método proposto, foram uti-
lizados dois sistemas comumente encontrados nos estudos de
reconfiguração. O sistema 33-Bus [5] e o sistema 69-Bus [16].
Os resultados obtidos pelo método proposto foram compara-
dos com os resultados de outras técnicas modernas encontra-
das na literatura.
As principais contribuições do método proposto são:
a) A utilização do fluxo de carga do OpenDSS conjun-
tamente com a otimização por enxame de partículas
binário melhorado, através da linguagem de progra-
mação C#, aumentando a eficiência na obtenção dos
resultados;
b) Promove uma melhor exploração do espaço de busca
fazendo com que as melhores soluções sejam encon-
tradas mais rapidamente, esta melhora é devido à
mudança da função sigmoide pela função de tangente
hiperbólica;
c) Aumenta a taxa de mudança das partículas para des-
cobrir as melhores soluções, como resultado direto da
 aplicação da função tangente hiperbólica que é me- O início do algoritmo para o fluxo de potência no OpenDSS
nos acentuada que a função sigmoide; ocorre com a montagem da matriz admitância primitiva
d) O método proposto apresentou uma melhoria na con- (Yprim) de cada elemento. Desse modo, a matriz admitância do
vergência da população, e na redução de número de sistema é formada pelas contribuições das matrizes admitância
iteração na obtenção da solução. primitivas de cada elemento, conforme ilustrado na Fig. 2. O
O artigo está organizado da seguinte forma: Na Seção 2 é
algoritmo é descrito em três passos [18], [21]:
apresentado um resumo das principais características do sof-
1) Remoção de todos os elementos de conversão de energia
tware OpenDSS. Na Seção 3, o problema de reconfiguração da rede, como geradores e cargas. Calcular o valor inicial de
proposto é formulado. Na Seção 4 são introduzidos os princí- tensão do barramento para a iteração com a matriz admitância
pios básicos do método PSO e suas variações. Na seção 5 é da rede desta forma.
apresentado o método proposto e na Seção 6 é apresentado o 2) Conectar todos os elementos na rede e calcular a injeção
algoritmo para resolução do problema de reconfiguração com de corrente (Iinj) de cada elemento de conversão com a sua
o método IBPSO. Na Seção 7 são apresentados os resultados matriz admitância, tensão do nó e potência.
das simulações do IBPSO, onde são comparados com as solu- 3) Utilizar as correntes de injeção de cada elemento para
ções de outros trabalhos, para os dois sistemas teste. Final- formar uma matriz de injeção de corrente. As tensões dos nós
mente, a conclusão é apresentada na Seção 7. podem ser calculadas com a matriz corrente de injeção e a
matriz admitância do sistema através da operação matricial.
II. OPEN DISTRIBUTION SIMULATOR SOFTWARE - OPENDSS Manter a iteração até que o erro de tensões nodais seja inferior
O software OpenDSS é uma abrangente ferramenta de si- à tolerância.
Elementos passivos e ativos
mulação de sistemas de energia elétrica voltada para sistemas (1) (2) (n)
Yprim Yprim Yprim
de distribuição de energia. Seu desenvolvimento iniciou em
1997 na Electrotek Concepts, Inc. por Roger Dugan e Thomas (1)
McDemontt, com o objetivo principal de dar apoio às análises Iinj
de redes com a presença de geração distribuída (GD) [17], (2)
Iinj Tensões
[18]. O software apresenta uma licença de código aberto e Iinj = Y E nodais
disponibiliza da interface COM, permitindo ser controlado por
(n)
uma variedade de plataformas de softwares existentes, a Iinj
exemplo Phyton, C#, MATLAB, ferramentas do MS Office,
Iteração
dentre outros. A estrutura do OpenDSS é ilustrada na Fig. 1. Figura 2. Ciclo de solução do OpenDSS.

Linhas de comando
DLL escrita
III. FORMULAÇÃO DO PROBLEMA
pelo usuário
A. Função Objetivo
Interface Simulador Principal
COM Normalmente os problemas de reconfiguração têm como
função objetivo alguns critérios como a redução de perdas de
potência ativa, o balanceamento de carga, melhoria dos níveis
Linhas de comando, de tensão e melhoria da confiabilidade do sistema. Nesse
relatórios
artigo, será considerada como função objetivo a redução de
perdas de potência ativa, definida pela seguinte expressão:
Figura 1. Estrutura do software OpenDSS. N

Uma característica importante que o software apresenta é a

min f ( x)  r
k 1
km ikm
2
(1)

possibilidade de realizar simulações sequenciais no tempo.
Desse modo, é possível analisar como os sistemas se compor-
tam durante um intervalo de tempo definido. Os principais
modos de solução presentes no OpenDSS são: fluxo de potên-
cia no qual subdivide em modo instantâneo, diário, anual,
Monte Carlo e Dutycycle; análise harmônica; análise dinâmi-
ca; estudos de curto-circuito e análise de corrente induzida
geomagneticamente [19].
O OpenDSS apresenta dois algoritmos apropriados para o
cálculo do fluxo de potência em sistemas de distribuição: o
método da injeção de correntes (CIM) e o método de Newton.
O método da injeção de correntes se baseia na utilização da
técnica de decomposição da matriz de admitâncias nodais. O
método de Newton é uma variação do método CIM, onde as
matrizes são atualizadas a cada iteração [20]. Sua aplicação é
feita em sistemas mais complexos e de difícil resolução.
Onde N é o número total de ramos; rkm é a resistência do ramo
km; ikm é a corrente que passa pelo ramo km.
B. Restrições do problema de Reconfiguração
Para o problema de reconfiguração, foram consideradas as
seguintes restrições:
1. Limites operacionais de tensão nas barras:
Emin  Ek  Emax (2)
Onde Ek é a tensão na barra k e Emin e Emax são os limites
mínimos e máximos de tensão permitidos na barra, em módu-
lo. Usualmente, esses valores pertencem à faixa de ± 5% do
valor de tensão nominal.
2. Limitação de corrente no ramo:
 No OpenDSS é possível definir os níveis de corrente máxi- soluções combinatórias, a exemplo o problema de reconfigu-
ma suportada pela linha. Logo, ração de redes de distribuição apresentado nesse artigo. Dessa
ikm  ikm max (3) forma, Kennedy e Eberhart [15] adaptaram o algoritmo do
PSO para operar com variáveis binárias no domínio discreto.
Onde ikm é a corrente do ramo km e é o módulo da
Nessa versão, a posição de cada partícula é forçada a assumir
máxima corrente permitida no ramo km.
o valor 0 (zero) ou 1 (um) em cada dimensão, onde sua res-
3. Topologia da Rede: pectiva velocidade representa um valor uniformemente distri-
A configuração encontrada deve garantir radialidade da rede buído no intervalo [0-1]. A atualização da posição de cada
de distribuição, bem como o atendimento de todas as cargas. partícula é feita a partir das Equações (11) e (12).
1
sigmoide(vid k 1 )  k 1 (11)
IV. OTIMIZAÇÃO POR EXAME DE PARTÍCULAS - PSO 1  evid
O método de otimização por enxame de partículas (Particle
Swarm Optimization - PSO), originalmente desenvolvido por 1, se rand  sigmoide(vid k 1 )
Kennedy e Eberhart em 1995 [12], é um algoritmo de otimiza- xid k 1   (12)
ção evolutiva que modela o comportamento social de grupos 0, caso o contrário
de pássaros ou peixes em busca de alimento.
No algoritmo PSO, cada membro é chamado de partícula, Khalil e Gorpinich [13] propuseram uma simples modifica-
que representa uma solução candidata ao problema em ques- ção ao PSO binário para pesquisar em um espaço seletivo. No
tão, e cada partícula se movimenta no espaço de busca multi- SPSO, um espaço de busca em cada d-dimensão é definido
dimensional com uma velocidade, que é constantemente atua- por:
lizada pela própria experiência da partícula e pela experiência Sd  sd1, sd 2 , ..., sdn  (13)
dos vizinhos da partícula. Para o espaço de busca d- Onde dn é o número das posições selecionadas na dimensão d.
dimensional, a posição, a velocidade, a melhor posição anteri-
Nesse caso, será mapeado o espaço de busca Sd de dn posi-
or para cada partícula (i-ésima partícula) e a melhor posição
ções de cada dimensão d, onde a posição de cada partícula
para todas as partículas são representadas por vetores e descri-
deixa de ser um ponto em um espaço de valor real e passa a
tas como:
ser um ponto no espaço seletivo. As Equações (11) e (12) são
X i   xi1, xi 2 ,...xid  (4) modificadas para:
Vi  vi1, vi 2 ,...vid  (5) 1
sigmoide(vid k 1 )  dn k 1 (14)
Pbesti   Pbi1 , Pbi 2 ,...Pbid  (6) 1  evid
Gbest   Gb1, Gb2 ,...Gbd  (7)  sd1 , se sigmoide(vid k 1 )  1

k 1  s , se sigmoide(vid k 1 )  2
Na iteração k, a velocidade e a posição para a dimensão d xid   d2 (15)
da i-ésima partícula são atualizadas por (8) e (9) respectiva-

 k 1
mente:  sdn , se sigmoide(vid )  dn
vid k 1  wvid k  c1r1 (Pbid k  xid k )  c2 r2 (Gbd k  xid k ) (8) Onde sd1, sd2… sdn são os valores selecionados na dimensão d.
k 1 k 1 Os valores de velocidade são restritos a valores mínimos e
xid  xid  vid
k
(9)
máximos [Vmin, Vmax] usando a Equação (16) [22].
Onde w é o peso de inércia; c1 e c2 são as constantes de acele- Vmax , se vid k 1  Vmax

ração com valores no intervalo [0-2], sendo c1 + c2 ≤ 4; r1 e r2 vid k 1   vid k 1 , se vid k 1  Vmax (16)
são os dois valores aleatórios no intervalo [0-1].  k 1
Vmin , se vid  Vmin
A função peso w é atualizada a cada iteração de acordo com
[10], [13], e calculada pela equação (10): Da mesma forma, equação (17) é usada para evitar a invari-
w  wmin abilidade do valor da i-ésima velocidade da partícula em uma
w  wmax  max x iter (10) dimensão d nos valores máximos ou mínimos e forçar cada
itermax
partícula atravessar o espaço de busca [22].
Onde wmax é o peso inicial de valor 0,9; wmin é o peso de
rand * v k 1 , se v k 1 = v k
k 1  id id id
valor final de valor 0,5; itermax é o número máximo de itera- vid  (17)
ções e iter é a iteração atual. 
 vid k 1 , caso o contrário

A. Enxame de Partículas Seletivo – SPSO V. MÉTODO PROPOSTO

O método PSO considera variáveis reais contínuas durante o O algoritmo proposto apresenta uma modificação na função
processo de otimização. Todavia, existem problemas de otimi- de ativação do algoritmo SPSO, baseando-se no comporta-
zação na engenharia cujo modelo envolve variáveis discretas e mento da função sigmoide.
 No SPSO, a velocidade vid representa a probabilidade de o 1 v k 1
f a (vid k 1 )  dn (tanh( id )  1) (20)
bit xid assumir valor 1. Em outras palavras, se vid = 0,20, então 2 4
existe uma chance de vinte por cento de xid ser 1, e uma chan-
ce de oitenta por cento de xid ser 0 [15]. Dessa forma, tanto os  sd1 , se f a (vid k 1 )  1

valores limites de vid (Vmin e Vmax) quanto o comportamento  s , se f a (vid k 1 )  2
da função ativação podem influenciar na escolha do valor de xid k 1   d2 (21)
xid. 
 k 1
Nesse contexto, o método proposto sugere uma modificação  sdn , se f a (vid )  dn
no comportamento da função sigmoide do SPSO, com o obje-
tivo de melhorar o desempenho do algoritmo. Em [23], é pro- VI. RECONFIGURAÇÃO DE REDES DE DISTRIBUIÇÃO USANDO
posto a substituição da função sigmoide do algoritmo BPSO O IBPSO
por uma função tangente hiperbólica que recebe apenas valo-
A reconfiguração da rede a partir do algoritmo IBPSO pode
res absolutos de vid. Essa função é descrita na Equação (18).
ser divida em três passos:
exp(2* vid )  1 A) Determinar o número de dimensões;
f ( vid )  tanh( vid )  (18)
exp(2* vid )  1 B) Encontrar o espaço de busca para cada dimensão;
C) Aplicar o IBPSO para selecionar a solução ótima para os
Entretanto, devido ao seu comportamento, a função apresen- espaços de busca.
tada na Equação (18) não teria uma aplicação efetiva no pro- A. Determinar o número de dimensões
blema de reconfiguração. Nesse contexto, optou-se por utilizar O número de dimensões é obtido a partir do fechamento de
uma nova função ativação que apresentasse um comportamen- todas as chaves de interligação presentes na rede de distribui-
to semelhante, porém menos acentuado que a função sigmoide ção. O número de malhas originadas pelo fechamento das
Essa função é descrita por: chaves será igual ao número de dimensões.
1 v
f a  (tanh( id )  1) (19) B. Encontrar o espaço de busca para cada dimensão
2 4
Na Fig. 3 é exposto um comparativo as entre funções ativa- O espaço de busca para cada dimensão é definido de acordo
ção para o intervalo [Vmin, Vmax] = [-4,4]. com os seguintes passos:
1) Fecham-se todas as chaves de interligação formando
1 malhas;
X: 4 2) Os ramos que não fazem parte de alguma malha são
0.9 Y: 0.98
X: 4 desconsiderados;
0.8 Y: 0.88
3) O espaço de busca de cada dimensão consistirá dos
0.7 ramos que pertencem a malha que a representa;
Função ativação

0.6 4) Os ramos que pertencem a mais de uma malha, isto é,

0.5
a mais de uma dimensão, devem fazer parte apenas
de uma dimensão. Essa escolha é feita randomica-
0.4
mente.
0.3

0.2 X: −4
Y: 0.11 Sigmoide C. Aplicar o algoritmo IBPSO
Proposta
0.1 X: −4
Y: 0.017 Definido o número de dimensões e o espaço de busca para
0
−10 −8 −6 −4 −2 0 2 4 6 8 10
cada dimensão, aplica-se o algoritmo IBPSO para encontrar a
Velocidade vid solução ótima para o espaço de busca de cada dimensão fa-
Figura 3. Comparativo entre as funções ativação.
zendo uso das Equações (8), (16), (17), (20) e (21) respecti-
O que se observa na Fig. 3 é que a utilização da função pro- vamente. O algoritmo proposto é mostrado na Fig. 4.
posta limita, em um intervalo de [0.11-0.88], a probabilidade
máxima de xid assumir valor 0 (zero) ou 1 (um), enquanto que
VII. SIMULAÇÃO E RESULTADOS
para a função sigmoide esse intervalo é de [0.017-0.98]. O
resultado disso é que novos vetores ainda serão testados, Utilizando o ambiente de desenvolvimento integrado Micro-
mesmo depois de cada partícula atingir sua melhor posição. soft Visual Studio, foi desenvolvido um modo de solução
Assim como Vmax e Vmin [15], o uso da nova função de ativa- próprio na linguagem C# para implementar o algoritmo da
ção no enxame de partículas discreto estabelece um limite Fig. 4 e, ao mesmo tempo, utilizar os recursos do OpenDSS
para uma maior exploração após a convergência da população, via a interface COM. O programa é mostrado na Fig. 5.
acarretando em uma maior taxa de mudança. O método proposto foi aplicado em dois sistemas bastante
Logo, as equações para atualização da posição são modifi- utilizados nos problemas de reconfiguração. O sistema teste
cadas para: 33-Bus e o sistema 69-Bus.
 A. O sistema teste 33-Bus
O sistema 33-Bus de 12,66 kV, apresentado por Baran e
Wu [5], tem seu esquemático ilustrado na Figura 6. Esse sis-
tema consiste em um alimentador principal, três laterais e
cinco linhas de interligação. As chaves normalmente abertas
são as chaves s33, s34, s35, s36 e s37. Para a topologia inicial,
as perdas totais de potência ativa correspondem a 202,67 kW.

1
Figura 4. Plataforma OpenDSS C# Extension – IBPSO. s1
s2 s22 s23 s24
2 3 23 24 25
s3
s18 4
Início s4 s37
19 5
s19 s5
s25 s26 s27 s28
6 26 27 28 29
C a r r e g a m e n to d o s d a d o s d o siste m a
20 s6 s29
peso de inércia (w n ), s20 7 30
Número de partículas (N par ), s7 s30
s33
Número máximo de iterações (m ax-iter) 21 8 31
s31
32
s8 s32
Definir o espaço de busca: 33
Dimensões (d n ) s36
s34 s15 s16 s17
s21 9 15 16 17 18
s9
10 s14
Iniciar o enxame com as velocidades s10
e posições aleatórias; 14
d e fin ir o P b e st e G b e st. 11
s11 s13
s35
22 12 s12 13

iteração = iteração + 1 Figura 6. Sistema 33-Bus.

Inicialmente, definiu-se o número de dimensões fechando

Utilizar as equações do IB PSO todas as chaves de interligação e, a partir dos laços originados,
para atualizar as posições e velocidades
de cada partícula para cada dimensão encontrou-se o espaço de busca para cada dimensão. Os espa-
ços de busca encontrados foram:
S1 = [s2, s3, s4, s5, s6, s7, s18, s19, s20, s33];
Calcular o Fluxo de potência
para cada posição usando o OpenDSS S2 = [s8, s9, s10, s11, s21, s35];
S3 = [s12, s13, s14, s34];
S4 = [s15, s16, s17, s29, s30, s31, s32, s36];
Restrições? S5 = [s22, s23, s24, s25, s26, s27, s28, s37].
Sim V mín e V máx O próximo passo foi aplicar o algoritmo IBPSO fazendo
Ib máx
uso do software desenvolvido para encontrar a solução ótima
para cada espaço de busca. Uma característica importante do
Não
método é que apenas uma chave é selecionada em cada di-
Determinar o Pbest e o Gbest mensão, garantindo que todas as topologias escolhidas obede-
çam à restrição de radialidade do sistema. Os parâmetros do
algoritmo utilizados na simulação do sistema 33-Bus são indi-
cados na Tabela I.
TABELA I
Não
iter > max-iter Parâmetros da simulação do IBPSO.

Parâmetro Valor
Sim Número de Partículas (Nbirds) 30
Imprimir os resultados: Número máximo de iterações (itermax) 60
- M elhor topologia 2
- Perdas (kW) c1 e c2
- Tensão nas Barras
wmin e wmax 0.5 e 0.9
Dimensões (ND) 5
Fim

Figura 5. Algoritmo proposto.

A solução ótima apresentada pelo algoritmo proposto foi man- metros foram iguais aos utilizados no teste do sistema 33-
ter a chave s37 aberta e fechar as chaves s33, s34, s35 e s36, Bus (Tabela I). As chaves s1, s2, s27, s28, s29, s30, s31,
abrindo as chaves s7, s9, s14 e s32. Essa configuração apre- s32, s33, s34, s50, s51, s65, s66, s67, e s68 são desconside-
sentou um valor de perdas de potência ativa igual a 137,08 radas, pois não pertencem a nenhum laço. O tempo total pa-
kW, correspondendo a uma redução de aproximadamente ra apresentação dos resultados foi de 59 segundos.
32,4%. Os testes foram realizados em um computador com A configuração ótima obtida pelo método proposto con-
processador Intel Core i5 e necessitaram de um tempo total de sistiu em fechar as chaves s71, s72 e s73; manter abertas as
6 segundos para apresentação dos resultados. Na Tabela II é chaves s69 e s70 e abrir as chaves s14, s56 e s61. Essa con-
apresentado o resultado obtido a partir do método proposto figuração apresentou um valor de perdas de potência ativa
juntamente com os resultados de diferentes métodos encontra- igual a 98,28 kW, correspondendo a uma redução de
dos na literatura para este sistema teste. 56,31%. A redução de perdas foi 12,31% maior quando
comparada ao SPSO original em [26].
TABELA II
Resultados da reconfiguração do sistema 33-Bus para diferentes métodos
1
s1
Métodos Perdas (kW) Redução (%) Chaves abertas 2
s2
Método proposto 137,08 32.4 s7, s9, s14,s32,s37 s36 s35
s27 s28 s29 s30 s31 s32 s33 s34
Song NIE [25] 137,21 32.29 s7,s9,s14,s32,s37 37 36 3 28 29 30 31 32 33 34 35
s37 s3
Laura Vélez [24] 138,92 31,43 s7,s9,s14,s32,s37 s46 s47 s48 s49
4 47 48 49 50
Flaih [10] 139,55 31,14 s7,s9,s14,s32,s37 38 s4
Azad [8] 139,53 31,14 s7,s9,s14,s32,s37 s38 5
s5
Niknam [6] 139,53 31,14 s7,s9,s14,s32,s37 39
6
s39 s72
s6
40 7
Para comprovar a eficácia do método proposto, o mesmo foi s7
s40 s50 s51
comparado com o SPSO original realizando cem testes no 8 51 52
41 s8
sistema 33-Bus, cada. Os resultados das cem simulações são s52 s53 s54 s55 s56 s57 s58 s59 s60 s61 s62
s41 9 53 54 55 56 57 58 59 60 61 62 63
expostos na Tabela III, onde o número entre parênteses signi- s9 s63
42
fica a quantidade de vezes que a solução se repetiu. s42
10 64
s10 s64
s69 s65 s66
43 11 66 67 65
TABELA III
s43 s11
Comparativo entre os resultados do SPSO e IBPSO. s67 s68
12 68 69 s73
44 s12 s21 s22 s23 s24 s25 s26
s70 21 22 23 24 25 26 27
SPSO IBPSO Perdas s44 13
(kW) s13 s20
45
(89) s07,s09,s14,s32,s37 (100) S07,s09,s14,s32,s37 137,08 14 20
s45 s19
(5) s33,s11,s34,s32,s28 - 141,78 s14
s71 s15 s16 s17 s18
(5) s33,s10,s34,s32,s28 - 141,93 46 15 16 17 18 19
(1) s07,s11,s14,s32,s37 - 138,56 Figura 7. Sistema 69-Bus

Pela Tabela III, nota-se que o método proposto apresentou
100% de repetitividade comparado aos 89% do método SPSO
original, sempre convergindo para a solução ótima do sistema.
Embora em alguns casos o algoritmo SPSO não apresente a
configuração ótima do sistema, todas as configurações obtidas
apresentam uma melhoria em relação à configuração inicial do
sistema 33-Bus.
Como a nova função ativação ajuda a explorar melhor o es-
paço de busca, a solução ótima é obtida na sexta iteração no
IBPSO. As demais partículas convergem na nona iteração. Por
outro lado, no algoritmo SPSO, a melhor solução é obtida na
vigésima oitava iteração, enquanto que as outras partículas
convergem com 39 iterações.
B. O sistema teste 69-Bus
Assim como o sistema 33-Bus, o sistema 69-Bus é bas-
tante utilizado nos estudos de reconfiguração da rede de dis-
tribuição. Os dados de linha e de barra podem ser obtidos
em [16]. Inicialmente, o sistema apresenta como chaves
normalmente aberta as chaves s69, s70, s71, s72 e s73. As
perdas totais correspondentes a essa configuração são de
224,96 kW. Sua configuração é ilustrada na Fig. 7.
Para a realização dos testes nesse sistema, foram utiliza-
das 60 partículas (Nbirds) e 100 iterações. Os demais parâ-
VIII. CONCLUSÕES
Nesse trabalho foi apresentada uma metodologia de recon-
figuração de redes de distribuição que faz dos recursos do
software OpenDSS em conjunto com método de otimização
IBPSO. O algoritmo proposto foi implementado em um modo
de solução na linguagem C# fazendo uso do ambiente Micro-
soft Visual Studio.
O método IBPSO utilizado é uma modificação do método
PSO binário, podendo ser usado em diversas aplicações da
engenharia em que os espaços de busca consistam de valores
específicos. Além apresentar um algoritmo simples, pode ser
implementado em linguagens de programação de alto nível
com tempo computacional baixo.
O uso dos recursos do OpenDSS permite que o algoritmo
de reconfiguração seja aplicado em sistemas de distribuição
reais e de grande porte, sem grandes esforços computacionais.
Uma das vantagens é a utilização de um método de cálculo de
fluxo de potência dedicado para os sistemas de distribuição.
Para demonstrar a eficácia do algoritmo apresentado, foram
usados os sistemas teste 33-Bus e 69-Bus, diversamente utili-
zados na literatura. Os resultados dos testes confirmaram a
precisão e a eficiência do método proposto.
Os trabalhos futuros serão direcionados para aplicação da
metodologia proposta considerando o problema da seletivida-
de e coordenação da proteção como restrição do problema de [20] P. A. Garcia, J. L. R. Pereira, S. Carneiro, V. M. da Costa, N. Mar-
tins, “Three-phase power flow calculations using the current injec-
reconfiguração. Outro ponto a ser considerado será a aplicação
tion method”, IEEE Transactions on Power Systems, vol. 15, no. 2,
do método em sistemas cujas cargas apresentam variação de pp. 508–514, 2000.
comportamento. [21] R. C. Dugan, “Reference guide: The open distribution system sim-
ulator (opendss)”, Electric Power Research Institute, Inc, vol 7.6,
2016.
REFERÊNCIAS [22] M. F. Ta¸sgetiren, Y.-C. Liang, “A binary particle swarm optimi-
zation algorithm for lot sizing problem”, Journal of Economic and
[1] ANEEL, “Nota técnica 0104/2014-SRD - Aprimoramento dos pro- Social Research, vol. 5, no. 2, pp. 1–20, 2003.
cedimentos e da metodologia de cálculo de perdas na distribuição [23] Chandrasekaran, K., and Sishaj P. Simon. "Binary/real coded par-
regulamentada no Módulo 7 - Cálculo de Perdas na Distribuição ticle swarm optimization for unit commitment problem." Power,
do PRODIST”, 2014. Signals, Controls and Computation (EPSCICON), 2012 Interna-
[2] Molina, Yuri P., Osvaldo R. Saavedra, and Hortensia Amarís. tional Conference on. IEEE, 2012.
"Transmission network cost allocation based on circuit theory and [24] L. P. V. Prieto, Uma eficiente metodologia para reconfiguração de
the Aumann-Shapley method." IEEE Transactions on Power Sys- redes de distribuição de energia elétrica usando otimização por
tems 28.4 (2013): 4568-4577. enxame de partículas, Dissertação de Mestrado, Universidade Fe-
[3] Molina, Yuri P., Ricardo B. Prada, and Osvaldo R. Saavedra. deral do ABC, 2015.
"Complex losses allocation to generators and loads based on cir- [25] S. Nie, X.-P. Fu, P. Li, F. Gao, C.-D. Ding, H. Yu, C.-S. Wang,
cuit theory and Aumann-Shapley method." IEEE Transactions on “Analysis of the impact of DG on distribution network reconfigu-
Power Systems 25.4 (2010): 1928-1936. ration using OpenDSS”, in Innovative Smart Grid Technologies-
[4] A. P. C. de Mello, Reconfiguração de redes de distribuição consi- Asia (ISGT Asia), 2012 IEEE, pp. 1–5, IEEE, 2012.
derando multivariáveis e geração distribuída, Dissertação de Mes- [26] T. M. Khalil, A. V. Gorpinich, “Reconfiguration for Loss Reduc-
trado, Universidade Federal de Santa Maria, 2014. tion of Distribution Systems Using Selective Particle Swarm Op-
[5] M. E. Baran, F. F. Wu, “Network reconfiguration in distribution timization”, International Journal of Multidisciplinary Sciences
systems for loss reduction and load balancing”, IEEE Transactions and Engineering (IJMSE), vol. 3, no. 6, 2012.
on Power delivery, vol. 4, no. 2, pp. 1401–1407, 1989.
[6] T. Niknam, E. Azadfarsani, M. Jabbari, “A new hybrid evolution-
ary algorithm based on new Fuzzy adaptive PSO and NM algo- Raoni Pegado possui graduação em Engenharia Elétrica
rithms for distribution feeder reconfiguration”, Energy Conversion (2016) na Universidade Federal de Campina Grande. Atu-
and Management, vol. 54, no. 1, pp. 7–16, 2012. almente é aluno de mestrado do Programa de Pós-
[7] H. D. de Macêdo Braz, B. A. de Souza, “Distribution network re- Graduação em Engenharia Elétrica da Universidade Federal
configuration using genetic algorithms with sequential encoding: da Paraíba. Seus temas de interesse são configuração ótima
Subtractive and additive approaches”, IEEE Transactions on Pow- de redes de distribuição usando inteligência computacional e
er Systems, vol. 26, no. 2, pp. 582–593, 2011. eletrônica de potência aplicada a sistemas elétricos
[8] E. Azad-Farsani, M. Zare, R. Azizipanah-Abarghooee, H. Aska-
rian-Abyaneh, “A new hybrid CPSO-TLBO optimization algo- Yuri P. M. Rodriguez possui graduação em Engenharia
rithm for distribution network reconfiguration”, Journal of Intelli- Elétrica (2003) pela Universidade Nacional de Engenharia,
gent & Fuzzy Systems, vol. 26, no. 5, pp. 2175–2184, 2014. Lima, Peru. M.Sc. em Sistemas de Potência (2005), na
[9] S. R. Tuladhar, J. G. Singh, W. Ongsakul, “Multiobjective ap- Universidade Federal do Maranhão. Doutorado em Enge-
proach for distribution network reconfiguration with optimal DG nharia Elétrica (2009) pela Universidade Católica do Rio de
power fator using NSPSO”, IET Generation, Transmission & Dis- Janeiro, Brasil. Atualmente é Professor Adjunto do Depar-
tribution, vol. 10, no. 12, pp. 2842–2851, 2016. tamento de Engenharia Elétrica da Universidade Federal da
[10] F. M. Flaih, X. Lin, M. K. Abd, S. M. Dawoud, Z. Li, O. S. Adio, Paraíba, Centro de Energias Alternativas e Renováveis. Seus
“A New Method for Distribution Network Reconfiguration Analy- interesses abrangem operação de sistemas de potência em ambiente competi-
sis under Different Load Demands”, Energies, vol. 10, no. 4, p. tivo e energias renováveis.
455, 2017.
[11] F. S. Pereira, Reconfiguração ótima de sistemas de distribuição de
energia elétrica baseado no comportamento de colônias de formi-
gas, Tese de Doutorado, Universidade de São Paulo, 2010.
[12] J. Kennedy and R. Eberhart, “Particle swarm optimization,” in ,
IEEE International Conference on Neural Networks, 1995. Pro-
ceedings, 1995, vol. 4, pp. 1942–1948 vol.4.
[13] T. M. Khalil, A. V. Gorpinich, “Selective particle swarm optimiza-
tion”, International Journal of Multidisciplinary Sciences and En-
gineering (IJMSE), vol. 3, no. 4, 2012.
[14] de Souza, Jeane Silva, et al. “Modified Particle Swarm Optimiza-
tion Algorithm for Sizing Photovoltaic System.” IEEE Latin Amer-
ica Transactions 15.2 (2017): 283-289.
[15] J. Kennedy, R. C. Eberhart, “A discrete binary version of the parti-
cle swarm algorithm”, in Systems, Man, and Cybernetics, 1997.
Computational Cybernetics and Simulation., 1997 IEEE Interna-
tional Conference on, vol. 5, pp. 4104–4108, IEEE, 1997.
[16] Savier, J. S., and Debapriya Das. "Impact of network reconfigura-
tion on loss allocation of radial distribution systems." IEEE Tran-
sactions on Power Delivery v 22.n 4 pp. 2473-2480, 2007.
[17] P. R. R. de Freitas, Modelos avançados de análise de redes elétri-
cas inteligentes utilizando o software OpenDSS, Trabalho de con-
clusão de curso, Universidade de São Paulo USP, 2015.
[18] F. F. de Carvalho, Estudo do Simulador OpenDSS, Trabalho de
conclusão de curso, Universidade Federal do Paraná, 2014.
[19] J. Sexauer, “New User Primer:The Open Distribution System Sim-
ulator (OpenDSS)”, Electric Power Research Institute, Inc, vol.
7.6, 2012.
Distribution Network Reconfiguration with the OpenDSS Reviewer No. 2.
using Improved Binary Particle Swarm Optimization

R. A. Pegado and Y.P. M. Rodriguez Comentário 1

Uso indevido da crase na primeira página em "sempre visando

Comentários dos Revisores à qualidade nos serviços..." e "surge à necessidade de utili-

zar...";

Reviewer No. 1 Resposta:

Foi realizada uma revisão completa do artigo e a observa-

Comentário 1 ção levantada foi corrigida.

The manuscript is a good technical report. The authors pre- Comentário 2

sented a methodology of reconfiguration of distribution net- Deixar claro na introdução qual a inovação proposta por este

works that makes OpenDSS software resources in conjunction trabalho, diferenciando-o do estado da arte na área.

with IBPSO optimization method. An algorithm was devel- Resposta:

oped in C# language to integrate OpenDSS and IBPSO. From Foi incluído um paragrafo no artigo em que as contribui-

the scientific point of view, there is little contribution of this ções e inovações do artigo são ressaltadas.

article.
Comentário 3

Resposta: O uso da função tanh no lugar da sigmoide para o BPSO não é

Atendendo ao pedido dos revisores, as principais contri- novo na literatura [1]. Isto deve ser destacado no trabalho ao

buições do artigo são: invés de ser clamado como uma inovação proposta.

a) A utilização do fluxo de carga do OpenDSS con- Resposta:

juntamente com a otimização por enxame de par- A referência foi acrescentada ao texto. Entretanto, a fun-

tículas binário melhorado, através da linguagem ção tanh proposta por [1] recebe apenas os valores absolu-

de programação C#, aumentando a eficiência na tos de vid, com o objetivo de obter valores entre 0-1, ob-

obtenção dos resultados; tendo um comportamento totalmente diferente da função

b) Promove uma melhor exploração do espaço de que foi proposta neste trabalho, conforme pode ser obser-

busca fazendo com que as melhores soluções se- vado na figura abaixo. Para o problema proposto neste

jam encontradas mais rapidamente, esta melhora trabalho, os valores negativos de vid são considerados e a

é devido a mudança da função sigmoide pela fun- melhora obtida nos resultados é basicamente pelo compor-

ção de tangente hiperbólica; tamento menos acentuado da função proposta em relação

c) Aumenta a taxa de mudança das partículas para às demais.

descobrir as melhores soluções, como resultado

direto da aplicação da função tangente hiperbólica
que é menos acentuada que a função sigmoide;
d) O método proposto apresentou uma melhoria na
convergência da população, e na redução de nú-
mero de iteração na obtenção da solução.
Estas contribuições foram incluídas no artigo.

Para fins de comprovação, foram realizados testes para o
problema de reconfiguração utilizando a função tanh de
[1] e os resultados foram piores que o esperado.
Comentário 4
Para aplicação desta proposta na prática sugiro considerar o
problema da seletividade e coordenação da proteção como
restrição do problema de reconfiguração. É pouco provável
que uma distribuidora opte por reduzir um pouco as perdas no
sistema em detrimento dos indicadores de continuidade. Além
disso, a reconfiguração para redução de perdas é um problema
que precisa ser resolvido a cada patamar de carga, isto poderia
ser mencionado e discutido no artigo.
Resposta:
Os trabalhos futuros serão direcionados para os pontos
citados acima.
Comentário 5
Expressão "laço" usada na seção V.A e outras poderia ser
melhor expressada como "malha".
Resposta:
Atendido.
Comentário 9
Na seção de resultados: tanto para o exemplo de 33 barras
quanto de 69 barras poderia ser anunciado qual a solução
ótima, bem como a redução das perdas para a solução ótima.
Resposta:
Foram introduzidas as seguintes frases no artigo:
-Para o sistema de 33 barras
“A solução ótima apresentada pelo algoritmo proposto foi
manter a chave s37 aberta e fechar as chaves s33, s34, s35 e
s36, abrindo as chaves s7, s9, s14 e s32. Essa configuração
apresentou um valor de perdas de potência ativa igual a
137,08 kW, correspondendo a uma redução de aproximada-
mente 32,4%.”
Para o sistema de 69 barras
“A configuração ótima obtida pelo método proposto consistiu
em fechar as chaves s71, s72 e s73; manter abertas as chaves
s69 e s70 e abrir as chaves s14, s56 e s61. Essa configuração
apresentou um valor de perdas de potência ativa igual a 98,28
kW, correspondendo a uma redução de 56,31%.”
Comentário 10
Sugiro, além da repetitividade na tabela 3, mostrar em média
qual foi o número da iteração que obteve a melhor solução
para os algoritmos SPSO e IBPSO.
Resposta:
Foi introduzido o seguinte parágrafo no artigo:
“Como a nova função ativação ajuda a explorar melhor o
espaço de busca, a solução ótima é obtida na sexta iteração
no IBPSO. As demais partículas convergem na nona itera-
ção. Por outro lado, no algoritmo SPSO, a melhor solução
é obtida na vigésima oitava iteração, enquanto que as ou-
tras partículas convergem com 39 iterações.”
Referências:
[1] Chandrasekaran, K., Simon, S. P. "Binary/real coded parti-
cle swarm optimization for unit commitment problem" 2012
International Conference on Power, Signals, Controls and
Computation, pp. 1-6, 2012.
Reviewer No. 3
Comentário 1
The authors should demonstrate clearly their contribution with
respect to others proposals in the literature before the paper
could be published. Please include a new review of the litera-
ture with more recent papers and compare your proposal with
others in the literature at least using hardware-in-the-loop
experiments.
Resposta:
Atendendo ao pedido dos revisores, as principais contri-
buições do trabalho foram incluídas no artigo.
Quanto à simulação em hardware-in-the-loop, não será
possível a realização, pois a Universidade não dispõe do
RTDS. Todavia, além do algoritmo apresentar um curto
tempo de simulação, as simulações em tempo real seriam
realizadas para apenas três patamares de carga, que é o
que geralmente se utiliza nas simulações dos sistemas de
distribuição. Dessa forma, os resultados seriam idênticos
as simulações realizadas no programa desenvolvido neste
trabalho.