INSTITUTO DE CIÊNCIAS EXATAS E APLICAS - ICEA

UNIVERSIDADE FEDERAL DE OURO PRETO

CURSO DE ENGENHARIA ELÉTRICA

ANTÔNIO MAIA DE AZEVEDO FILHO

PLANEJAMENTO DA EXPANSÃO DA DISTRIBUIÇÃO DA

ENERGIA ELÉTRICA DO BAIRRO CIDADE NOVA DA CIDADE
DE JOÃO MONLEVADE

JOÃO MONLEVADE

2018
 ANTÔNIO MAIA DE AZEVEDO FILHO

PLANEJAMENTO DA EXPANSÃO DA DISTRIBUIÇÃO DA

ENERGIA ELÉTRICA DO BAIRRO CIDADE NOVA DA CIDADE
DE JOÃO MONLEVADE

Projeto de Graduação apresentado

ao Curso de Engenharia Elétrica
do Instituto de Ciências Exatas e
Aplicadas, da Universidade
Federal de Ouro Preto, como parte
dos requisitos necessários à
obtenção do título de Engenheiro.
Orientador: Prof. Dr. Francisco A.
C. Baracho

JOÃO MONLEVADE

2018
 ANTÔNIO MAIA DE AZEVEDO FILHO

PLANEJAMENTO DA EXPANSÃO DA ENERGIA ELÉTRICA DO

BAIRRO CIDADE NOVA DE JOÃO MONLEVADE

Trabalho de Conclusão de Curso apresentado ao Curso de Engenharia

Elétrica da Universidade Federal de Ouro Preto, como requisito parcial para
obtenção do grau de Bacharelado de Engenharia Elétrica.

Aprovado em 18 de Dezembro de 2018.

BANCA EXAMINADORA

__________________________________

Prof. Dr. Francisco A. C. Baracho (UFOP) (Orientador)

__________________________________

Prof. Willington Guerra Zvietcovich (UFOP)

SUMÁRIO

1. INTRODUÇÃO ......................................................................................... 1
1.1 CONSIDERAÇÕES INCIAIS .................................................................... 1
1.2 OBJETIVOS ............................................................................................. 1
1.2.1 Objetivos Gerais e Justificativas ....................................................... 1
1.2.2 Objetivos Específicos ......................................................................... 2

2. REVISÃO BIBLIOGRÁFICA .................................................................... 3

2.1 PREDIÇÃO DE CARGAS ......................................................................... 3
2.1.1 Séries Temporais................................................................................. 4
2.1.2 Redes Neurais Artificiais .................................................................... 5
2.1.3 Backpropagation ................................................................................. 6
2.1.4 Resilient Backpropagation ................................................................. 6
2.2 FLUXO DE POTÊNCIA ............................................................................ 7
2.3 PLANEJAMENTO DE SISTEMAS DE DISTRIBUIÇÃO DE ENERGIA
ELÉTRICA .......................................................................................................... 9
2.3.1 Planejamento de Sistemas de Distribuição de Média Tensão ....... 10
2.3.2 Planejamento de Sistemas de Distribuição de Baixa Tensão ........11

3. REFÊNCIAS BIBLIOGRÁFICAS .. ERROR! BOOKMARK NOT DEFINED.

 1. INTRODUÇÃO

1.1 CONSIDERAÇÕES INCIAIS

A cidade de João Monlevade (MG, BR) contém atualmente,
aproximadamente, 79 mil habitantes, com uma área total de 99,158 Km² (IBGE,
2010). No último senso do IBGE, a cidade continha cerca de 73 mil habitantes,
que representa um crescimento populacional de 8,2% nos últimos oito anos. Tem
por base econômica, o setor industrial na produção de aços longos e trefilados,
para aplicações na indústria e uso geral e laminados para a construção civil
(ARCELORMITTAL, 2018).

Com o crescimento econômico e populacional do município, a expansão

urbana é, de certa forma, inevitável. Como consequência, novos bairros são
criados para atender a demanda da população. Logo, o planejamento da
expansão da rede de distribuição de energia elétrica da cidade precisa ser
analisado cuidadosamente.

Para os órgãos reguladores é desejável que exista um equilíbrio entre a

garantia de atendimento à demanda, a atratividade do setor elétrico para os
investidores, a confiabilidade do sistema e o custo para os consumidores. Neste
sentido, a avaliação da expansão da distribuição da energia elétrica é de extrema
importância para o constante crescimento urbano.

1.2 OBJETIVOS
1.2.1 Objetivos Gerais e Justificativas
O escopo fundamental do planejamento da expansão da distribuição de
um sistema elétrico é garantir, ao longo de um horizonte de planejamento, o
equilíbrio entre a geração e a demanda de energia elétrica do sistema. Com o
passar dos anos, a demanda tende a aumentar, seja pelo próprio crescimento
populacional ou, por parte da população, a aquisição de novos eletrodomésticos
ou a ampliação do setor industrial e comercial da cidade.

Este trabalho tem por objetivo avaliar a expansão do sistema de

distribuição de energia elétrica em João Monlevade devido à criação de um novo

1
bairro, este sendo denominado como Cidade Nova. A análise feita trata,
especialmente, sob o aspecto econômico, concebendo a evolução do sistema
ao longo dos anos e o crescimento do custo associados à transmissão de
energia elétrica.

Desta forma, um planejamento adequado torna-se de alta importância,

tanto referente ao fluxo de potência do sistema, caso ele se sobrecarregue, ou
em relação ao atendimento de qualidade considerando o custo de implantação
de novas linhas de transmissão para o atendimento da demanda.

1.2.2 Objetivos Específicos

Tendo em vista que este trabalho pretende mostrar o impacto da inserção
de um novo bairro, será tratado os sistemas de distribuição de média e baixa
tensão. O objetivo do planejamento é definir a expansão dos alimentadores, a
expansão das subestações de distribuição existentes e a localização das novas
subestações de distribuição, observando os critérios técnicos, econômicos e
ambientais (ANEEL MÓDULO 2, 2016).

Além disso, serão contemplados os seguintes possíveis investimentos:

 Investimentos apenas com extensão de ramais de serviço, levando

em conta investimento em ramais de serviço e medidores
necessários para ligar os consumidores residenciais urbanos com
a tensão no ponte de entrega inferior a 2,3kV, que não necessitam
de investimento em alta tensão (AT), média tensão (MT) e/ou baixa
tensão (BT) para serem ligados;
 Investimentos sem extensão de MT, considerando investimentos
em circuitos de BT (inclui transformadores MT/BT), ramais de
serviço e medidores necessários para ligar os consumidores
residenciais urbanos com a tensão no ponto de entrega inferior a
2,3kV, que não necessitam de investimento em AT e/ou MT para
serem ligados;
 Investimentos com extensão de MT, avaliando investimentos em
circuitos de MT, circuitos de BT (inclui transformadores MT/BT),
ramais de serviço e medidores necessários para ligar os

2
 consumidores residenciais urbano com a tensão no ponto de
entrega inferior a 2,3kV, que não necessitam de investimento em
AT para serem ligados dentro do Plano de Universalização;
 Investimentos em MT e AT, com investimentos em circuitos de AT,
e /ou circuitos de MT, e/ou transformadores AT/MT, e medidores
necessários para ligar os consumidores residenciais urbanos com
a tensão com a tensão no ponto de entrega superior a 2,3kV, que
necessitam de investimento em AT e/ou MT para serem ligados;
 Crescimento vegetativo urbano com construção de rede, com
ramal e medidor, ligação de consumidores;
 Crescimento vegetativo urbano sem construção de rede, com
ramal e medidor, ligação de consumidores.

Outros aspectos que serão abordados:

 Compulsório, no qual destina-se a projetos a serem implantados

objetivando adequar limites regulatórios, cuja não implementação
possa expor a concessionária a penalidades;
 Qualitativo e continuidade, para evitar a violação dos limites
regulatórios/legais de qualidade e continuidade do fornecimento
de energia elétrica, que serão violados durante o horizonte de
planejamento.
 Qualidade da energia elétrica, seguindo as diretrizes da ANEEL,
de acordo com o módulo 8 do PRODIST (ANEEL MÓDULO 8,
2018).

2. REVISÃO BIBLIOGRÁFICA
2.1 PREDIÇÃO DE CARGAS
Com o crescente aumento da demanda de energia elétrica, o Decreto
5163/2004 foi criado com o intuito de promover o comércio de energia elétrica
gerada no Brasil no Sistema Interligado Nacional (SIN). Este comércio é
realizado por leilões nos ambientes de contratação livre entre compradores e
vendedores, ou regulada, por meio de leilões gerenciados pela Câmara de
Comercialização de Energia Elétrica (CCEE). A diferença entre compra e venda,

3
ou contratação e consumo, é contabilizada mensalmente pela CCEE. Os lucros
ou prejuízos da concessionária estão ligados as diferenças entre o que é
contratado e consumido, com isso, caso ela tenha mais contratos do que
demanda, da mesma forma, se houver mais consumo do que contratos, ela
sofrerá penalizações. Com esta nova sistemática de comercialização da energia
elétrica, os geradores e distribuíres sofrem com a previsão de consumo e com o
montante de energia que devem contratar. Além disso, as concessionárias de
energia elétrica precisam antever o crescimento da demanda de energia elétrica
para que seja possível alocar os recursos disponíveis com antecedência. Entre
esses recursos estão a compra de novos equipamentos, a ampliação e
construção de linhas de transmissão ou as manutenções programadas.

Desta forma, o planejamento estratégico de um sistema de potência torna-

se cada vez mais necessário e uma ferramenta de fundamental importância é a
predição de cargas. A predição de cargas pode ser feita com um horizonte de
planejamento de curtíssimo, curto, médio ou longo prazo. A Agência Nacional de
Energia Elétrica (ANEEL) regulamenta o horizonte de planejamento mínimo para
cada tipo de estudo a ser realizado (ANEEL MÓDULO 2, 2016).

2.1.1 Séries Temporais

Uma série temporal é uma sequência de dados referenciada no tempo,
podendo ser aplicada em diversas áreas, como ciências naturais, economia e
engenharia, com o intuito de antever comportamentos e tomar decisões
(KOENIG, 2014).

Na literatura há várias técnicas de previsão. Antes do surgimento de

técnicas baseadas em inteligência computacional, eram aplicados os métodos
estatísticos para a previsão de séries temporais, como o modelo Box & Jenkins
(BOX, JENKINS e REINSEL, 2008) ou método de Croston (KOENIG, 2014). Ou,
de forma didática e inteiramente online, Hyndman (HYNDMAN e
ATHANASOPOULOS, 2017), o autor apresenta vários métodos e suas
respectivas aplicações mais usuais, além disso, apresenta um software para
auxiliar na predição de séries temporais.

4
 As técnicas baseadas em inteligência computacional como Redes Neurais
Artificiais e a lógica Fuzzy (HAYKIN, 2001), são destacadas por trabalharem com
grandes quantidades de dados não-lineares e não dependerem de complexos
modelos matemáticos. Estas técnicas são baseadas em aspectos biológicos de
aprendizagem (HAYKIN, 2001) (GUIRELLI, 2006).

2.1.2 Redes Neurais Artificiais

As Redes Neurais Artificiais (RNA) são baseadas no funcionamento do
sistema nervoso humano, em que o centro do sistema é o cérebro, no qual
representa a rede neural. Esta recebe as informações, interpreta-a e toma as
decisões apropriadas. O uso de RNA para previsão de cargas vem sendo
estudado desde os anos 80, após isso, a quantidade de trabalhos realizados na
área, vem aumentando, reforçando a alta aplicabilidade deste método, desde
então esta é uma das técnicas mais empregadas para predição de cargas.

Seguindo esta linha de raciocínio, o neurônio representa a unidade mais

básica de uma rede neural assim como em uma RNA o neurônio artificial também
é a unidade mais básica seguindo de suas várias conexões para formar as RNA.
Estudos mais detalhados sobre RNA podem ser vistas em Braga et al. (BRAGA,
CARVALHO e LUDERMIR, 2007); Haykin (HAYKIN, 2001).

As RNA podem ser aplicadas em uma gama de situações. Situações estas

que envolvem dados, experimentais ou não, que são apresentados à rede de
neurônios numa etapa definida como treinamento, em que os pesos são
ajustados com a intenção de que alguma tarefa seja realizada. Também pode
ser aplicada através da capacidade de aprendizado com exemplos. Outra etapa
é a validação, que é a capacidade de generalização, que consiste na habilidade
das RNA de apresentar soluções para dados distintos, ou seja, diferentes dos
dados apresentados na etapa de treinamento (BRAGA, CARVALHO e
LUDERMIR, 2007).

As principais razões para que RNA tenham se tornado uma das melhores
ferramentas para predição de cargas são o fato das RNA poderem aproximar
numericamente qualquer função desejada e o fato de não serem dependentes
de modelos.

5
 2.1.3 Backpropagation
Possivelmente, este é o método de treinamento mais conhecido das redes
neurais artificiais. A backpropagation calcula a inclinação de uma função de erro
em relação aos pesos da rede. Esta inclinação recebe um sinal de volta de modo
a atualizar os pesos, propondo a minimização da função de erro (HAYKIN, 2001).

O algoritmo pode ser dividido em propagação e atualização dos pesos.

Primeiro, há uma propagação do padrão de treinamento a partir dos dados de
entrada, a fim de obter-se uma saída. Em seguida, esta saída é enviada de volta,
através da rede neural, para gerar uma diferença, ou erro, entre os valores reais,
dados de entrada, e os valores obtidos, para todos os neurônios da rede
(BRAGA, CARVALHO e LUDERMIR, 2007).

Posteriormente, os pesos são atualizados com base no valor de erro

obtido, até que um novo valor, com maior adaptabilidade, seja obtido. Ambas as
fases são repetidas até que o desempenho da RNA seja suficiente dentro de
uma margem aceitável.

Contudo, há algumas limitações para este método. A fase de treinamento

pode demandar inúmeras iterações para haver convergência para a margem de
erro estipulada, resultando em um longo tempo de treinamento. Outro fator que
influencia no desempenho é a função de erro que está sujeita a perder-se em
mínimos locais, com isso, o erro de treinamento para de diminuir e estacione em
um valor acima do esperado.

2.1.4 Resilient Backpropagation

Este método é semelhante ao descrito anteriormente, podendo ser
considerado uma otimização daquele. No entanto, o método de aprendizado
resilient backpropagation é capaz de conduzir uma adaptação local da
atualização dos pesos de acordo com o comportamento da função de erro.

Resilient Propagation se destaca por uma característica importante, a de

ser um processo que busca tornar mais eficiente o método backpropagation. De
acordo com Riedmiller (RIEDMILLER e BRAUN, 1993), a principal adaptação foi
introduzir, em cada peso, um valor de atualização individual, determinando
somente o tamanho da atualização do peso; sendo esse valor adaptável,
6
evoluindo durante o processo de aprendizagem, baseado na visão local da
função de erro. Na atualização dos pesos sinápticos, independentemente do
algoritmo de treinamento, um parâmetro que tem influência direta no processo
de aprendizagem é a taxa de aprendizagem - um índice variando entre 0 (zero)
e 1 (um), buscando determinar quanto do valor atual, da sinapse, será alterado
na próxima época. Quanto menor for o parâmetro, menor serão as variações dos
pesos sinápticos da rede de uma iteração para a outra, sendo mais suave a
trajetória no espaço de pesos. Esta melhoria, porém, é obtida à custa de uma
taxa de aprendizagem lenta. Mas se utilizarmos um parâmetro muito alto, para
acelerar a taxa de aprendizagem, as grandes modificações, nos pesos
resultantes, podem tornar a rede instável (SILVA, SPATTI e FLAUZINO, 2010).

Apesar de ser superior ao backpropagation, outro problema emerge ao

ser utilizado o resilient backpropagation, que é o sobre-ajuste, ou overfitting. Este
problema surge quando o algoritmo ajusta-se em exageradamente ao conjunto
de dados, aprendendo desvios causados por erros de medição ou fatores
aleatórios da amostra, desta forma ele perde sua habilidade de generalização.

2.2 FLUXO DE POTÊNCIA

Este tópico dedica-se ao estudo do fluxo de potência de um sistema de
distribuição e sua modelagem para a realização do planejamento da expansão
da distribuição da energia elétrica.

Na literatura especializada, tem-se vários métodos de resolução do

problema de fluxo de potência. Os métodos de solução mais usados são Newton-
Raphson, Newton-Raphson Desacoplado Rápido, Gauss-Seidel e Linearizado
(GLOVER, SARMA e OVERBYE, 2008).

Para analisar o fluxo de potência, calcula-se as correntes de cada ramo e

as tensões em cada barra do sistema elétrico de potência (SEP) e o fluxo de
potência ativa e reativa de cada ramo. Na modelagem matemática do fluxo de
potência, são definidas três tipos de barras, cada qual com as variáveis
conhecidas e desconhecidas Glover et al. (GLOVER, SARMA e OVERBYE,
2008):

7
  Barra Slack ou de referência. Usualmente é definida como a barra
de geração de maior capacidade, em que o módulo de tensão (𝑉)
e ângulo de tensão (𝜃) são conhecidos e o programa de fluxo de
potência calcula a potência ativa (𝑃) e reativa (𝑄).
 Barras de carga ou Barra PQ. As potências ativa (𝑃) e reativa (𝑄)
são conhecidas e o programa de fluxo de potência calcula o módulo
de tensão (𝑉) e ângulo de tensão (𝜃).
 Barras controladas por tensão ou Barras PV. A potência ativa (𝑃) e
a o módulo de tensão (𝑉) são conhecidos e o programa de fluxo de
potência calcula a potência reativa (𝑄) e o ângulo de tensão (𝜃).

Para solucionar o problema de fluxo de potência, são descritas as

equações de potência ativa e reativa para cada barra. A formulação proposta por
Glover et al. (GLOVER, SARMA e OVERBYE, 2008), as equações para potência
ativa e reativa injetadas na barra 𝑘 são dadas:

𝐵𝑁
𝑃𝑘 = 𝑉𝑘 ∑𝑛=1 𝑉𝑛 (𝐺𝑘𝑛 cos 𝜃𝑘𝑛 + 𝐵𝑘𝑛 𝑠𝑒𝑛 𝜃𝑘𝑛 ) ∀𝑘 ∈ 𝐵 (1)

𝐵𝑁
𝑄𝑘 = 𝑉𝑘 ∑𝑛=1 𝑉𝑛 (𝐺𝑘𝑛 cos 𝜃𝑘𝑛 − 𝐵𝑘𝑛 𝑠𝑒𝑛 𝜃𝑘𝑛 ) ∀𝑘 ∈ 𝐵 (2)

Onde:

𝐺𝑘𝑛 é a condutância do elemento referente a 𝑘-ésima linha e 𝑛-ésima

coluna da matriz de admitância nodal 𝑌𝐵𝑎𝑟𝑟𝑎 do sistema.

𝐵𝑘𝑛 é a susceptância do elemento referente a 𝑘-ésima linha e 𝑛-ésima

coluna da matriz de admitância nodal 𝑌𝐵𝑎𝑟𝑟𝑎 do sistema.

𝜃𝑘𝑛 é a diferença entre os ângulos de tensão das barras 𝑘 e 𝑛.

A matriz 𝑌𝐵𝑎𝑟𝑟𝑎 é uma matriz quadrada de dimensão igual ao número de

barras 𝑁𝐵 do sistema que relaciona as tensões nas barras com as correntes
injetadas em cada barra.

𝐼𝐵 = 𝑌𝐵𝑎𝑟𝑟𝑎 . 𝑉𝐵 (3)

Onde:

𝐼𝐵 representa o vetor de correntes injetadas em cada barra.

8
 𝑉𝐵 representa o vetor de tensão em cada barra.

Barbosa (BARBOSA, 2012) apresenta um estudo de reconfiguração de

redes radiais e aborda os problemas encontrados nos métodos derivados de
Newton-Raphson, nos quais resolvem satisfatoriamente os sistemas elétricos
bem comportados, em outras palavras, sistemas cuja matriz Jacobiana fosse
positiva definida ou semidefinida. Em casos de matrizes mal-condicionadas,
estes métodos podem convergir com elevado número de iterações ou até mesmo
divergir. Para contornar estes problemas, o autor faz uso do Método de
Varredura Reversa/Direta com adaptações para os sistemas radiais.

2.3 PLANEJAMENTO DE SISTEMAS DE DISTRIBUIÇÃO DE

ENERGIA ELÉTRICA
Nesta seção serão apresentados os trabalhos científicos no qual o
problema a ser tratado neste documento foi baseado e as normas a serem
seguidas segundo a ANEEL. Nesta revisão bibliográfica, procurou-se trazer as
várias vertentes do estudo do planejamento da expansão da distribuição do
sistema elétrico, abordando as diferentes modelagens e os métodos de
resolução aplicados.

Cossi (COSSI, 2008) apresenta o planejamento de sistemas de

distribuição de média tensão (MT) e baixa tensão (BT) e o planejamento
integrado de ambos planejamentos, algo que havia sido pouco abordado na
literatura especializada. O autor usa o algoritmo metaheurístico de Tabu Search
Reativo (RTS) para solução de problemas multiobjetivos como ferramenta para
solução dos modelos matemáticos de planejamento e projetos de sistemas de
distribuição de energia elétrica de média e baixa tensão. Apresenta, também,
conceitos e principais aspectos práticos para a implementação de algoritmos
genéticos, dedicados à solução de problemas físicos reais.

Em Almeida (ALMEIDA, 2016), trata do problema da expansão

considerando a confiabilidade do sistema e seus riscos. Através de um modelo
multiobjetivo do problema do planejamento da expansão do sistema de
distribuição (PESD), que procura minimizar o custo global e o risco de
implantação de planos de expansão. O custo global abrange o custo de
investimento, custo de manutenção, custo de operação e custo de produção de
9
energia. Como ferramenta, Almeida (ALMEIDA, 2016), utiliza como ferramenta
para obtenção de soluções ótimas os algoritmos evolutivos Non-dominated
Sorting Genetic Algorihm-2 (NSGA2) e Strength Pareto Evolutionary Algorithm-
2 (SPEA2). Através destes, o autor modela o planejamento estático e dinâmico.
No planejamento dinâmico, no qual o processo de planejamento é subdividido
em várias etapas dentro do horizonte de estudo e as decisões são tomadas a
cada estágio deste horizonte, indicando cada momento em que cada ação do
plano de expansão deve ser concretizada. Já o planejamento estático, considera
apenas um estágio de expansão com duração igual ao horizonte de
planejamento, com isso, diminui-se a complexidade do modelo a ser analisado.

Rezende (REZENDE, 2006) e Gómez et al. (GÓMEZ, KHODR, et al.,

2004), para solucionar a problemática do planejamento da expansão de sistemas
de transmissão (PET), utilizam a otimização das possíveis soluções o algoritmo
genético de colônia de formigas, do inglês Ant Colony System (ACS). Eles
apresentam uma nova aplicabilidade deste algoritmo, visto que ainda não havia
sido empregado para a solução do problema de PET. Esta técnica procura obter
uma melhor orientação para as buscas, de forma que as melhores regiões do
espaço sejam exploradas e o ótimo global seja encontrado. Rezende aplica este
modelo para otimizar os investimento e custos das perdas ômicas do problema
de PET.

2.3.1 Planejamento de Sistemas de Distribuição de Média Tensão

O horizonte de planejamento a ser considerado neste trabalho terá como
base o tempo mínimo exigido pela Agência Nacional de Energia Elétrica
(ANEEL), contidos no módulo 2 dos Procedimentos de Distribuição (PRODIST)
para um sistema de distribuição de média e baixa tensão (ANEEL MÓDULO 2,
2016).

Neste módulo informa que, para a previsão de demanda do Sistema de

Distribuição em Média Tensão - SDMT deve-se fornecer as informações
necessárias ao planejamento das redes e linhas de distribuição, além de permitir
a avaliação do volume de obras necessárias ao seu reforço, ampliações e
correções diversas (ANEEL MÓDULO 2, 2016) e o horizonte de previsão é de

10
cinco anos, com periodicidade anual, devendo um novo estudo ser realizado a
cada ano.

Também devem ser observados os seguintes requisitos:

 A previsão deve ter caráter espacial, associada às áreas mais

representativas;
 A carga deve ser caracterizada pela demanda de potência ativa e
demanda de potência reativa;
 A carga deve ser caracterizada, em patamares, para os períodos
de ponta e fora-de-ponta, de acordo com o perfil das curvas de
carga verificadas dos SDMT em análise;
 Os pontos de interesse são as barras secundárias das subestações
de distribuição, e a sua distribuição ao longo dos circuitos de
SDMT;
 A extensão ou reforço do sistema de distribuição para atendimento
a novas áreas com baixa densidade de carga deve ser destacada,
classificando-se como atendimento a mercado emergente; e
 A conexão de geração distribuída, considerada suas
características de geração, disponibilidade e sazonalidade.

A definição da potência e do número de transformadores a serem

utilizados para a expansão da subestação de distribuição devem buscar o
aumento da confiabilidade do sistema, a otimização das perdas e do uso da
capacidade instalada, para o horizonte de estudos. Além disso, os estudos de
planejamento devem avaliar os estudos elétricos já realizados sobre o sistema,
a formulação de alternativas, análise técnica e ambiental preliminar para a
seleção de alternativas e a análise econômica.

Nos SDMT serão analisadas as demandas de potência ativa nos

alimentadores, a distribuição da carga ao longo dos alimentadores, o fator de
carga e o fator de potência.

2.3.2 Planejamento de Sistemas de Distribuição de Baixa Tensão

Para um planejamento do sistema de distribuição de baixa tensão (SDBT),
o horizonte de estudos é de cinco anos. Tem por objetivo definir um plano de
11
obras das redes secundárias do sistema de distribuição, compondo um conjunto
de obras pra atender o incremento de carga, tendo em vista os critérios técnicos,
econômicos e financeiros. Além disso, visa adequar o sistema existente para
atender as novas cargas e melhorar as condições operativas.

12
 3. REFERÊNCIAS
ALMEIDA, E. M. Planejamento de Sistemas de Distribuição de Energia
Elétrica Considerando Questões de Confiabilidade e Risco. Dissertação
(Mestrado em Engenharia Elétrica) - Universidade de São Paulo - USP. São
Carlos. 2016.

ANEEL MÓDULO 2. Procedimentos de Distribuição de Energia Elétrica

no Sistema Elétrico Nacional – PRODIST Módulo 2 - Planejamento da Expansão
de Sistemas de Distribuição. Agência Nacional de Energia Elétrica - ANEEL,
Novembro 2016. ISSN Revisão 11. Disponivel em:
<http://www.aneel.gov.br/modulo-2>. Acesso em: Novembro 2018.

ANEEL MÓDULO 8. Módulos 8 – Qualidade da Energia Elétrica. Agência

Nacional de Energia Elétrica, 2018. ISSN Revisão 10. Disponivel em:
<http://www.aneel.gov.br/modulo-8>. Acesso em: Novembro 2018.

ARCELORMITTAL. ArcelorMittal Aços Longos Brasil. ArcelorMittal Aços

Longos Brasil, 2018. Disponivel em:
<http://longos.arcelormittal.com/empresa/arcelormittal-acos-longos/perfil>.

BARBOSA, C. H. N. R. Reconfiguração e Restauração Ótima de

Sistemas de Distribuição Primária de Energia Elétrica. Dissertação
(Doutorado em Engenharia Elétrica) Universidade Federal de Minas Gerais -
UFMG. Belo Horizonte. 2012.

BOX, G. E. P.; JENKINS, G. M.; REINSEL, C. G. Time Series Analysis:

Forecasting and Control. 4. ed. New Jersey: Wiley, 2008.

BRAGA, A. P.; CARVALHO, A. P. L.; LUDERMIR, T. B. Redes Neurais

Artificiais: teoria e aplicações. 2ª. ed. [S.l.]: LTC - Livros Técnicos e Científicos,
2007.

COSSI, A. M. Planejamento de Redes de Distribuição de Energia

Elétrica de Média e Baixa Tensão. Dissertação (Doutorado em Engenharia
Elétrica) - Universidade Estatual Paulista - UNESP. Ilha Solteira. 2008.

GLOVER, J. D.; SARMA, M. S.; OVERBYE, T. J. Power System Analysis

and Design. 5ª. ed. Stamford: Cengage Learning, 2008.
13
 GÓMEZ, J. F. et al. Ant colony system algorithm for the planning of
primary distribution circuits. IEEE Transactions on Power Systems. New York:
[s.n.]. 2004. p. p.996-1004.

GUIRELLI, R. C. Previsão da carga de curto prazo de áreas elétricas

através de técnicas de inteligência artificial. Dissertação (Doutorado em
Engenharia) - Universidade de São Paulo - USP. São Paulo. 2006.

HAYKIN, S. S. Redes Neurais - Princípios e Prática. 2ª. ed. Porto

Alegre: Bookman, 2001.

HYNDMAN, R. J.; ATHANASOPOULOS, G. Forecasting: Principles and

Practice. OTEXTS, 2017. Disponivel em: <https://otexts.org/fpp2/>. Acesso em:
Novembro 2018.

IBGE. Panorama Populacional. Instituto Brasileiro de Geografia e

Estatística, 2010. Disponivel em: <https://cidades.ibge.gov.br/brasil/mg/joao-
monlevade/panorama>.

KOENIG, A. Previsão de demanda em séries temporais intermitentes

mediante a utilização do método de Croston. Dissertação (Mestrado em
Engenharia de Produção) - Universidade Federal de Santa Catarina - UFSC.
Florianópolis. 2014.

REZENDE, S. L. Planejamento da Expansão de Sistemas de

Transmissão Através de Otimização por Colônia de Formigas. Dissertação
(Mestrado em Engenharia Elétrica) - Universidade Federal de Itajubá - UNIFEI.
Itajubá. 2006.

RIEDMILLER, M.; BRAUN, H. A Direct Adaptive Method for Faster

Backpropagation Learning: The RPROP Algorithm. IEEE International
Conference on Neural Networks. San Francisco, ca: [s.n.]. 1993. p. 586-591.

SILVA, I. N. D.; SPATTI, D. H.; FLAUZINO, R. A. Redes Neurais

Artificiais: para engenharia e ciências aplicadas. São Paulo: Artliber, 2010.

14