Escolar Documentos
Profissional Documentos
Cultura Documentos
Abstract Big industries and industrial parks are one of the biggest energy consumers in a country and therefore it is of the
electrical system’s interest to encourage that the energy consumed by those industries is made efficiently. One of the ways to
achieve this goal is to use a demand side management technique where loads can be shifted according to pre-determined objectives
such as reducing the costs with electrical energy. In this paper a methodology for load shifting is presented for use in industrial
systems utilizing a genetic algorithm.
Keywords Demand Side Management, Industrial Systems, Load Shifting, Genetic Algorithms, Direct Load Control.
Resumo Grandes indústrias e parques industriais estão entre os maiores consumidores de energia de um país e sendo assim é
interessante do ponto de vista do sistema elétrico fazer com que a energia utilizada por estes consumidores seja consumida de
forma eficiente. Uma das maneiras de se atingir este objetivo é através do Gerenciamento pelo Lado da Demanda onde se pode
remanejar cargas de acordo com um objetivo pré-estabelecido, como por exemplo, a diminuição de custos com energia elétrica.
Neste trabalho é apresentada uma metodologia para realocação de cargas em sistemas industriais com o auxílio de um algoritmo
genético.
Palavras-chave Gerenciamento pelo Lado da Demanda, Sistemas Industriais, Realocação de carga, Algoritmo Genético,
Controle direto de carga.
podem ser utilizados para este fim e seus horários de - A variável Objetivo depende do objetivo do
funcionamento. Os dados dos equipamentos estão programador, por exemplo, se o objetivo principal for
mostrados na Tabela 1 apresentada anteriormente. a redução de custos, como neste trabalho, é montada
Em seguida devem ser definidas as condições de uma curva inversamente proporcional às tarifas
contorno, e colocar algumas restrições necessárias ao horárias praticadas durante o dia e assim têm-se uma
funcionamento do mesmo. As restrições utilizadas curva final.
neste trabalho foram organizadas de forma que a carga Com essa função de aptidão assim definida, o
total da rede permaneça constante durante as 24 horas algoritmo deve alocar os equipamentos de forma a
do estudo, ou seja, cada equipamento retirado de minimizar a diferença entre essas duas curvas dentro
algum horário deverá ser alocado em outro horário. das possibilidades apresentadas pelas restrições do
Definiu-se que a população inicial neste trabalho problema.
seria gerada aleatoriamente contendo 200 Assim, cada cromossomo é avaliado, sendo
cromossomos. Cada cromossomo contém diversas aqueles com melhor aptidão os que representam
variáveis de decisão, que por usa vez correspondem melhores soluções para o problema.
aos equipamentos que desejamos realocar e a hora em Resumidamente, enquanto o algoritmo progride,
que eles devem ser realocados. Cada cromossomo novas populações de cromossomos são geradas a
encontrado através do processo de evolução é uma partir das populações antigas através de operadores
potencial solução para o problema. Como foi dito genéticos.
anteriormente, esta população é aleatoriamente Neste trabalho foi utilizado o crossover de um
inicializada e cada gene é inicializado entre os limites único ponto e mutação. Sabe-se que uma taxa de
inferiores e superiores definidos para ele. Para crossover alta pode levar a uma convergência mais
exemplificar, seja o cromossomo exemplo da Figura 2 rápida para a solução, e por outro lado altas taxas de
a seguir: neste caso cada índice de X corresponde ao mutação podem resultar em perdas de boas soluções
dispositivo e à hora do dia. Portanto x32 corresponde de gerações anteriores e fazer com que o algoritmo
a quantos dispositivos do tipo 3 estão conectados na pare antecipadamente, em ótimos locais. Neste
hora 2. No caso do problema abordado são trabalho as taxas foram encontradas
contemplados 6 diferentes tipos de dispositivo e um experimentalmente para o problema, sendo elas:
período de estudo de 24 horas. crossover (0,8) e mutação (0,1).
Além disso, foi considerado o elitismo para evitar
a perda de boas soluções que possam surgir
prematuramente. E a reprodução neste trabalho foi
baseada na técnica de torneio.
O algoritmo termina quando o numero de
Figura 2: Exemplo de um cromossomo gerações estipulado (no caso foram consideradas 200
gerações) é alcançado ou quando a diferença entre os
Finalmente definiu-se a função objetivo que é valores das funções de aptidão não variem por valores
gerada a partir das tarifas operadas pela maiores do que a tolerância por 50 gerações. O
concessionária na região. O objetivo principal é de fluxograma do AG está mostrado na Figura 3 a seguir:
minimizar o custo e, portanto a função objetivo é
inversamente proporcional às tarifas.
A função de aptidão (Fitness) definida para
avaliar cada cromossomo, em cada etapa das gerações
do AG, de forma que o algoritmo busque boas
configurações de dispositivos, para alcançar uma
curva de carga final o mais perto possível da curva
objetivo é dada na equação a seguir:
1
𝐴𝑝𝑡𝑖𝑑ã𝑜 = 1+ ∑24 2 (1)
𝑡=1(𝐶𝑎𝑟𝑔𝑎(𝑡)−𝑂𝑏𝑗𝑒𝑡𝑖𝑣𝑜(𝑡))
Onde:
- A variável Carga que se encontra na função de
aptidão pode ser dividida em três partes. A primeira é
a carga prevista do parque industrial, a segunda
representa as cargas conectadas pelo algoritmo em
cada instante de tempo e a terceira corresponde às
cargas desconectadas em cada hora. Ou seja, Carga, é
à soma da curva de carga original com os dispositivos
conectados naquele horário do dia menos os
dispositivos desconectados no mesmo horário.
Figura 3: Fluxograma do AG