UNIVERSIDADE FEDERAL DE SÃO JOÃO DEL-REI

Alocação de Geração Solar Fotovoltaica em Sistemas

de Distribuição Trifásicos Desequilibrados via
Metaheurística Cuckoo Search

Orientador: Prof. Dr. Francisco Carlos Rodrigues Coelho

Aluno: Matheus do Vale Araújo
Engenharia Elétrica/UFSJ

São João del-Rei, 22 de março de 2020

SUMÁRIO

1 RESUMO......................................................................................................... 1
2 INTRODUÇÃO ................................................................................................ 2
3 METODOLOGIA.............................................................................................. 2
3.1 FORMULAÇÃO MATEMÁTICA ................................................................ 3
3.2 FLUXO DE POTÊNCIA TRIFÁSICO DESEQUILIBRADO ........................ 4
3.3 METAHEURÍSTICA CUCKOO SEARCH .................................................. 5
3.4 QUANTIDADE DE BARRAS ALOCADAS................................................. 6
3.5 SISTEMA DE POTÊNCIA ANALISADO .................................................... 7
4 RESULTADOS ................................................................................................ 7
4.1 ESTUDO DE CASO 1: MÁXIMO DE 10 .................................................... 7
4.2 ESTUDO DE CASO 2: MÁXIMO DE 15 .................................................... 8
4.3 ESTUDO DE CASO 3: MÁXIMO DE 20 .................................................... 9
4.4 ESTUDO DE CASO 4: MÁXIMO DE 25 .................................................. 10
4.5 ESTUDO DE CASO 5: MÁXIMO DE 30 .................................................. 11
4.6 ESTUDO DE CASO 6: MÁXIMO DE 35 .................................................. 11
4.7. ESTUDO DE CASO 7: MÁXIMO DE 40 ................................................. 12
4.8 COMPARAÇÃO ENTRE ESTUDOS DE CASO ...................................... 13
5 CONCLUSÕES ............................................................................................. 14
ANEXO I: SISTEMA DE 123 BARRAS UTILIZADO ......................................... 15
6 AGRADECIMENTOS .................................................................................... 16
7 REFERÊNCIAS BIBLIOGRÁFICAS .............................................................. 17
LISTA DE FIGURAS

Figura 1 Cálculo do Fluxo de potência trifásico no OpenDSS ------------------------------------------- 5

Figura 2 Algoritmo do Cuckoo Search -------------------------------------------------------------------------- 6
Figura 3 Convergência do ótimo global para o Estudo de Caso 1 -------------------------------------- 8
Figura 4 Perdas Totais após alocação de GD’s para Estudo de Caso 1 ------------------------------ 8
Figura 5 Convergência do ótimo global para o Estudo de Caso 2 -------------------------------------- 9
Figura 6 Perdas Totais após alocação de GD’s para Estudo de Caso 2 ------------------------------ 9
Figura 7 Convergência do ótimo global para o Estudo de Caso 3 --------------------------------------- 9
Figura 8 Perdas Totais após alocação de GD’s para Estudo de Caso 3 ------------------------------ 9
Figura 9 Convergência do ótimo global para o Estudo de Caso 4 -------------------------------------- 10
Figura 10 Perdas Totais após alocação de GD’s para Estudo de Caso 4 ------------------------------ 10
Figura 11 Convergência do ótimo global para o Estudo de Caso 5 -------------------------------------- 11
Figura 12 Perdas Totais após alocação de GD’s para Estudo de Caso 5 ------------------------------ 11
Figura 13 Convergência do ótimo global para o Estudo de Caso 6 -------------------------------------- 12
Figura 14 Perdas Totais após alocação de GD’s para Estudo de Caso 6 ------------------------------ 12
Figura 15 Convergência do ótimo global para o Estudo de Caso 7 -------------------------------------- 12
Figura 16 Perdas Totais após alocação de GD’s para Estudo de Caso 7 ------------------------------ 12
Figura 17 Comparativo entre a evolução da redução das perdas de potência entre os Estudos 13
de Caso -----------------------------------------------------------------------------------------------------
Figura 18 Comparativo entre a redução das perdas máximas de potência entre os Estudos de 13
Caso ---------------------------------------------------------------------------------------------------------
Figura 19 Sistema Trifásico utilizado para modelagem do problema proposto ----------------------- 15
 1. RESUMO

O problema da alocação de GD solar consiste em determinar o melhor local para

sua conexão no SDEE, considerando um ou mais objetivos, como por exemplo,
minimização das perdas de potência ativa e melhoria no perfil de tensão do
sistema. Como não há controle sobre a potência gerada (trata-se de uma fonte
não despachável), a única variável de decisão do problema de otimização é a
escolha das barras. Por possuir variáveis inteiras, contínuas e não linearidades,
este problema é classificado como Não Linear Inteiro Misto (NLIM) [1].
Em suma, o problema que se propõe abordar neste projeto decorre da seguinte
questão: As unidades fotovoltaicas de geração podem ser conectadas em
diferentes regiões da rede elétrica de distribuição, sendo que seus impactos na
operação do sistema variam de acordo com as possibilidades de conexão. Neste
trabalho, serão definidos os melhores locais para estas unidades devem ser
alocadas para se obter o máximo de eficiência possível, além de definir uma
certa quantidade de barras que não inviabilize o processo.

Palavras chave: metaheurística, cuckoo, geração distribuída

1
 2. INTRODUÇÃO

A sociedade global vem exigindo cada vez mais o uso racional dos recursos
naturais disponíveis a fim de mitigar os danos provocados pela atividade
humana. Neste contexto, o uso da Geração Distribuída (GD) pode contribuir de
forma efetiva para tornar os Sistemas de Distribuição de Energia Elétrica (SDEE)
mais eficientes e ecologicamente sustentáveis, através do uso de fontes de
energia renováveis como, por exemplo, solar fotovoltaica e eólica.
A presença de painéis solares fotovoltaicos na rede de distribuição de energia
elétrica tem grande influência sobre sua operação, e esta modalidade de geração
vem crescendo exponencialmente no Brasil e no mundo nos últimos anos [2].
Por meio de incentivos econômicos como Net Metering e Tarifas Feed-in, muitos
governos têm impulsionado a popularização da GD por parte dos consumidores
[3]. Para o sistema elétrico de distribuição em si, a expansão desta modalidade
de geração pode ser desafiadora e ao mesmo tempo vantajosa.
Os principais desafios estão associados à operação, que fica consideravelmente
mais complexa na medida em que aumenta a penetração destas fontes. Já os
potenciais benefícios vêm do aumento da confiabilidade, alívio de alimentadores
operando próximos aos seus limites, melhoria nos níveis de tensão e redução
das perdas de potência ativa [4].
A alocação de painéis solares diretamente na rede elétrica de distribuição se
encaixa no problema geral sobre alocação de GD, que, em princípio, não
distingue a fonte primária. No entanto, as diferentes tecnologias empregadas
possuem particularidades, e o que se pretende neste projeto é tratar das
características da geração solar fotovoltaica. Como se sabe, esta é uma fonte
intermitente, dependente de condições ambientais como irradiação solar e
temperatura.

3. METODOLOGIA

A metodologia adotada neste projeto pode ser dividida em três partes principais:
(i) formulação matemática do problema de otimização que o dimensionamento
de GD representa; (ii) estudo sobre o fluxo de potência trifásico desequilibrado

2
sequencial no tempo, através do software OpenDSS; e (iii) metaheurística
Cuckoo Search no ambiente do MATLAB.

3.1. FORMULAÇÃO MATEMÁTICA

Na formulação aqui apresentada, considera-se a alocação de múltiplas unidades

fotovoltaicas, cujo fator de potência é unitário. A potência de saída dos módulos
resulta, além das características construtivas, das entradas de temperatura e
irradiação, que serão computadas de hora em hora.
Como objetivo, deseja-se minimizar as perdas de potência ativa dos SDEE
analisados, mantendo as tensões nodais dentro dos limites pré-estabelecidos. A
variável de decisão é o local (barra) de conexão dos painéis solares. A seguir,
apresenta-se a formulação matemática do problema de otimização, onde a
Equação (3.1) é a função objetivo a ser minimizada [5].

Minimizar 𝑃𝐿 ,

𝑛𝑏𝑢𝑠 (3.1)
𝐺𝐷𝑗 ∗ 𝑃𝐺𝐷 𝑗 + 𝑃𝐺 𝑗 − 𝑃𝐷𝑗 + ∑ 𝑓𝑝𝑗𝑘 = 0
𝑘=1
𝑛𝑏𝑢𝑠 (3.2)
𝑄𝐺𝑗 − 𝑄𝐷𝑗 + ∑ 𝑓𝑄𝑗𝑘 = 0
𝑘=1
0, 𝑠𝑒𝑚 𝐺𝐷 (3.3)
𝐺Dj {
1, 𝑐𝑜𝑚 𝐺𝐷
𝑉 𝑚𝑖𝑛 ≤ 𝑉𝑗 ≤ 𝑉 𝑚𝑎𝑥 (3.4)

onde:

𝑃𝐿 - Perdas de potência ativa do sistema (kW)

𝐺𝐷𝑗 - Variável que indica o status de conexão de GD na barra 𝑗

𝑃𝐺𝐷𝑗 - Potência ativa injetada na barra 𝑗, pelo painel fotovoltaico (kW)

𝑃𝐺𝑗 - Potência ativa gerada na barra 𝑗, previamente a conexão de GD (kW)
𝑃𝐷𝑗 - Potência ativa demandada na barra 𝑗 (kW)
𝑛𝑏𝑢𝑠 - Número de barras do sistema
𝑓𝑃𝑗𝑘 - Fluxo de potência ativa da barra 𝑘 para barra 𝑗 (kW)
𝑄𝐺𝑗 - Potência reativa gerada na barra 𝑗, previamente a conexão de GD (kvar)

3
𝑄𝐷𝑗 - Potência reativa demandada na barra 𝑗 (kvar)
𝑓𝑄𝑗𝑘 - Fluxo de potência reativa da barra 𝑘 para barra 𝑗 (kvar)
𝑃𝐺𝐷𝑚𝑎𝑥 - Limite superior de potência que pode ser despachada pela GD (kW)
𝑉𝑗 - Tensão na barra 𝑗 (kV)
𝑉𝑚𝑖𝑛 - Limite inferior de tensão nas barras do sistema (kV)
𝑉𝑚𝑎𝑥 - Limite superior de tensão nas barras do sistema (kV)

As equações (3.1) e (3.2) são referentes ao balanço de potência ativa e reativa

nas barras do SDEE, respectivamente. A Equação (3.3) representa os dois
estados operativos das GD’s, conectadas ou não nos barramentos do sistema
de distribuição, enquanto a Equação (3.4) restringe os níveis de tensão aos
limites pré-estabelecidos.
Ressalta-se que a formulação apresentada é para determinadas condições
operativas instantâneas, no entanto, o que se deseja minimizar são as perdas
de energia, e não de potência. Para se conseguir os resultados esperados será
feito uso da ferramenta de fluxo de potência sequencial no tempo através do
OpenDSS, de modo que as perdas de potência serão integradas com o passo
discreto de uma hora, ao longo de um dia.

3.2. FLUXO DE POTÊNCIA TRIFÁSICO DESEQUILIBRADO

Desenvolvido pelo EPRI (Electric Power Research Institute), o OpenDSS (Open

Distribution System Simulator) é uma ferramenta de simulação de sistemas de
distribuição de energia elétrica. O software possui modelagem para diversos
equipamentos presentes nos sistemas de distribuição, como relés, capacitores,
sistemas de armazenamento de energia e painéis fotovoltaicos [6].
O fluxo de carga no OpenDSS é calculado com base no processo iterativo
mostrado na Figura 1. Através um cálculo direto do circuito, considerando
apenas as injeções de corrente das fontes presentes no sistema, as tensões em
todas as barras são obtidas. Trata-se de um chute inicial para estas grandezas
elétricas. Após este primeiro passo, atualizam-se as correntes de compensação
com base no quão distantes estas estão dos valores necessários para se atingir
a carga especificada, que pode ser de potência constante, corrente constante,
dentre outros modelos. De posse dos novos valores para as correntes de

4
compensação, as tensões são atualizadas. O processo iterativo se repete até
que a maior variação de tensão seja menor do que uma tolerância especificada.
Sendo este o caso, o algoritmo converge.

Figura 1 - Cálculo do Fluxo de potência trifásico no OpenDSS

Neste algoritmo básico de funcionamento, as iterações possuem baixo custo

computacional, visto que a matriz estrutural não é atualizada no decorrer do
cálculo do fluxo de carga. Por este motivo, normalmente o OpenDSS chega de
maneira relativamente rápida a situação de convergência [6].

3.3. METAHEURÍSTICA CUCKOO SEARCH

A metaheurística Cuckoo Search [7] é bioinspirada no comportamento

reprodutivo de algumas espécies dos pássaros cucos. A estratégia destas
espécies para se reproduzir é deixar seus ovos em ninhos de outras aves para
que as outras aves os choquem e até mesmo os alimentem nos primeiros dias
de vida. Para alcançar este objetivo, alguns cucos se especializam em mimetizar
os ovos da espécie de ave “anfitriã”, fazendo que que a cor e forma dos ovos
sejam idênticos.
A principal analogia presente nesta metaheurística é a identificação dos ninhos
como sendo possíveis soluções para o problema de otimização analisado.
Adicionalmente, este algoritmo conta com as seguintes idealizações: (i) cada
cuco põe apenas um ovo por vez, aleatoriamente, em um determinado ninho; (ii)
os melhores ninhos com ovos de alta qualidade (fitness) são levados para as

5
próximas gerações (iterações); (iii) o número de ninhos disponíveis é fixo, e
existe uma probabilidade 𝑝𝑎 ∈ [0;1] de que o ovo intruso seja descoberto. Neste
caso a ave que sofre o parasitismo “abandona” o ninho que está sofrendo o
parasitismo e constrói um ninho completamente novo.
A Figura 2 apresenta os passos básicos do algoritmo Cuckoo Search
considerando a minimização da função objetivo 𝑓(𝒙), cuja dimensão é 𝑑.

Função objetivo 𝑓(𝒙), 𝒙=(𝑥1,…,𝑥𝑑)𝑇

Gerar população inicial de 𝑛 ninhos anfitriões 𝒙𝑖
Enquanto (t < Max iterações)
Gerar solução aleatória por voo de Lévy
Avaliar nova solução 𝐹𝑖
Escolher aleatoriamente um ninho 𝑗
Se (𝐹𝑖<𝐹𝑗), considerando minimização
Substituir 𝑗 pela nova solução
Fim Se
Uma fração 𝑝𝑎 dos piores ninhos é abandonada,
e novos ninhos/soluções são gerados
Manter melhores soluções (ovos de boa qualidade)
Listar as soluções e identificar a melhor atual
Fim enquanto
Pós-processamento e visualização de resultados
Figura 2 - Algoritmo do Cuckoo Search

Uma das características desta metaheurística é que sua estratégia de

diversificação, ou busca global, é realizada através de voos de Lévy, que são
“passos” aleatórios cujo tamanho é obtido através de uma distribuição de Lévy,
mostrada na Equação (3.3.1).
𝐿é𝑣𝑦 ~ 𝑢 = 𝑡 −𝜆 , (1 < 𝜆 < 3) (3.3.1)

A criação de uma nova solução 𝑥𝑖 (𝑡+1) ocorre segundo a equação (3.3.2), onde
𝛼 é um fator escalar que multiplica o passo aleatório. O valor de 𝛼 depende do
quão grande é o espaço de busca, ou seja, trata-se de uma adequação de
proporcionalidade.

𝑋𝑖𝑡+1 = 𝑥𝑖𝑡 + 𝛼⨁𝐿é𝑣𝑦(𝜆) (3.3.2)

O apelo para uso de voos de Lévy na exploração do espaço de soluções está no
fato de que o mesmo pode ser observado na natureza em diversos mecanismos
eficientes de busca por alimento, desde moscas às tribos humanas de
caçadores-coletores. Esta estratégia de busca combina passos aleatórios curtos

6
com passos mais longos, o que aumenta significativamente o número de regiões
“visitadas” no processo de otimização.

3.4. QUANTIDADE DE BARRAS ALOCADAS

Considerando um sistema físico real do sistema elétrico de potência, é

necessário avaliar o suporte máximo para que as barras alocadas pelo algoritmo
não causem efeitos indesejados. Seguindo o objetivo base deste trabalho de
minimização de perdas de energia, o algoritmo do Cuckoo Search, mostrado na
figura 2 da seção 3.3, foi modificado para atender ao critério de um número
máximo de barras que podem ser alocadas ao sistema.
No momento da criação de uma certa população, ela é submetida a esse critério,
assim como em todos os momentos que alguma população inicial nova for
adicionada. O número máximo de barras alocadas é variável e depende da
dimensão do sistema de interesse, variando convenientemente.

3.5. SISTEMA DE POTÊNCIA ANALISADO

Para simular um ambiente real de utilização do Cuckoo Search de forma a

minimizar as perdas de um sistema de distribuição, foi utilizado um sistema que
contém 123 barras [8] e pode ser analisado no Anexo I, ao fim deste trabalho.
Do sistema acima, foram consideradas apenas as barras trifásicas, reduzindo o
número de barras de 123 para 66.
Considerando a magnitude do sistema analisado, foram considerados sete
estudos de caso, variando o limite máximo de barras entre 10 e 40, de forma a
ocupar um valor máximo superior à metade do sistema completo. Os estudos de
caso possuem um número máximo de 10, 15, 20, 25, 30, 35 e 40 barras
alocadas, respectivamente.

4. RESULTADOS

As análises do sistema de 123 barras mostrado na seção 3.5 consideraram os

seguintes critérios, baseado nas equações 3.3.1 e 3.3.2, além da figura 2.

7
 𝑓𝑎𝑡𝑜𝑟𝑝𝑎 = 25% 𝛼 = 0.5 𝜆 = 1.1
𝑛𝑢𝑚𝑖𝑡𝑒𝑟𝑎𝑐𝑜𝑒𝑠 = 100 𝑛𝑢𝑚𝑖𝑛𝑑𝑖𝑣𝑖𝑑𝑢𝑜𝑠 = 100
Estes coeficientes foram utilizados em todos os estudos de caso e todos foram
selecionadas através de testes, que determinaram os valores mais adequados
para a situação, de forma a equilibrar o tempo de processamento com a
qualidade dos resultados obtidos. Para o sistema analisado, a perda de energia
sem qualquer alocação de geração distribuída foi de 𝑃𝑒𝑟𝑑𝑎𝑠𝑠𝑒𝑚𝐺𝐷 = 2174.91 𝑘𝑊

4.1. ESTUDO DE CASO 1: MÁXIMO DE 10

No primeiro Estudo de Caso, temos um limite máximo de 10 unidades de GD

alocadas nas barras. Abaixo é possível analisar os resultados de perda de
potência ao longo das iterações realizadas, assim como o menor valor
alcançado.

Figura 3 – Convergência do ótimo global para o Estudo Figura 4 – Perdas Totais após alocação de GD’s para
de Caso 1 Estudo de Caso 1

Com um limite de 10 unidades alocadas e a partir dos valores acima, obteve-se

uma redução de 24,35% nas perdas totais de potência.

4.2. ESTUDO DE CASO 2: MÁXIMO DE 15

No segundo caso, temos um limite máximo de 15 unidades de GD no sistema,

onde os resultados podem ser analisados abaixo.

8
Figura 5 – Convergência do ótimo global para o Estudo Figura 6 – Perdas Totais após alocação de GD’s para
de Caso 2 Estudo de Caso 2

Neste caso, chegou-se a uma redução de 37,99% das perdas. Uma mudança
significativa, se comparado com o primeiro caso.

4.3. ESTUDO DE CASO 3: MÁXIMO DE 20

Abaixo é possível visualizar os resultados provenientes do terceiro caso, com um

limite máximo de 15 unidades.

Figura 7 – Convergência do ótimo global para o Estudo Figura 8 – Perdas Totais após alocação de GD’s para
de Caso 3 Estudo de Caso 3

9
 Neste terceiro Estudo de Caso, a redução encontrada foi de 45,24%, em relação
as perdas encontradas sem nenhuma alocação de unidade de geração
distribuída. Outro crescimento considerável, em relação ao Estudo de Caso
anterior.

4.4. ESTUDO DE CASO 4: MÁXIMO DE 25

O quarto Estudo de Caso chega a um limite de 25 unidades de geração

distribuída e seus resultados podem ser analisados abaixo.

Figura 9 – Convergência do ótimo global para o Figura 10 – Perdas Totais após alocação de GD’s para
Estudo de Caso 4 Estudo de Caso 4

Neste caso, é possível verificar que a convergência do ótimo global se deu em

cerca de metade das iterações realizadas, o que pode significar um possível
gasto computacional desnecessário, o que também pode ser verificado nos itens
4.2, 4.3 e 4.4, até o momento. Uma análise de convergência pode ser implantada
posteriormente a fim de evitar que várias iterações sejam realizadas
desnecessariamente. Nesta situação, chegou-se a uma redução de perdas de
50,42%.

10
 4.5. ESTUDO DE CASO 5: MÁXIMO DE 30

Figura 11 – Convergência do ótimo global para o Figura 12 – Perdas Totais após alocação de GD’s para
Estudo de Caso 5 Estudo de Caso 5

Neste Estudo de Caso, é possível observar uma diminuição do valor das perdas
já na parte final das iterações realizadas, mas não um valor relevante ao ponto
de se contrariar as afirmações da seção anterior. Todavia, obteve-se uma
redução de 53,47% nas perdas totais, um valor não tão distante do último e que
talvez não justifique o aumento de cinco unidades, da mesma forma que as 100
iterações realizadas talvez não sejam justificáveis.

4.6. ESTUDO DE CASO 6: MÁXIMO DE 35

No último Estudo de Caso analisado, com 35 unidades como limite máximo, valor
que ultrapassa metade das barras disponíveis, será possível analisar o
comportamento do sistema quando há uma vasta possibilidade de alocação de
unidades de geração distribuída.

11
 Figura 13 – Convergência do ótimo global para o Figura 14 – Perdas Totais após alocação de GD’s para
Estudo de Caso 6 Estudo de Caso 6

Nesta análise de redução das perdas de potência, para um máximo de 35

unidades alocadas, chegou-se a uma redução de 54,86%, também não muito
distante dos valores encontrados nos dois Estudos de Caso anteriores.

4.7. ESTUDO DE CASO 7: MÁXIMO DE 40

Por fim, realizaremos o último Estudo de caso, limitando em 40 o máximo de

alocação de unidades de GD.

Figura 15 – Convergência do ótimo global para o Figura 16 – Perdas Totais após alocação de GD’s
Estudo de Caso 7 para Estudo de Caso 1

12
 Nesta análise, assim como já mencionado na seção 4.6, não houve uma redução
significativa das perdas, alcançando uma redução de 55,15%, apenas cerca de
1% a mais que no caso anterior.

4.8. COMPARAÇÃO ENTRE ESTUDOS DE CASO

Nesta seção, será realizado um comparativo entre todas as reduções de

potência e analisadas graficamente, de forma a ter uma visão geral sobre o efeito
de cada limite máximo de unidades alocadas e como o custo de construção das
GD’s pode ser contraposto ao aumento do limite máximo, em detrimento à
redução das perdas de potência. Os gráficos abaixo ilustram essa ideia.

Figura 17 – Comparativo entre a evolução da redução Figura 18 – Comparativo entre a redução das perdas
das perdas de potência entre os Estudos de Caso máximas de potência entre os Estudos de Caso

Apesar de conterem informações semelhantes, ambos os gráficos podem ser

utilizados para analisar a problemática: aumento do limite x redução das perdas.
Observando a característica de ambos, é possível notar um comportamento
razoavelmente exponencial, com um fator de decaimento/decrescimento
pequenos, o que torna possível afirmar que, até certo ponto razoavelmente
distante do inicial, há uma alteração significativa na função objetivo.
No gráfico X, a redução das perdas é extremamente significativa quando o limite
máximo sofre um acréscimo de 10 para 15 e de 15 para 20 unidades. Analisando
o gráfico X, exibido para facilitar a noção prática deste aumento, entre estes dois

13
pontos, a perda total de potência foi reduzida em cerca de 450kW, pouco mais
de 20% do valor de perdas inicial, sem que nenhuma unidade fosse alocada.
Por outro lado, para uma alocação máxima entre 30 e 40 unidades, o valor da
redução das perdas de potência não é acrescido o suficiente para gerar uma
expectativa alta sobre sua viabilidade, alcançando apenas 36kW de redução,
bem distante do valor alcançado nos primeiros casos e representando apenas
2% das perdas iniciais.

5. CONCLUSÃO

A partir da análise realizada na seção 4.8, o acréscimo de até 20 unidades

alocadas é válido, por representar uma redução considerável nas perdas.
Porém, uma vez que o limite máximo de 30 é alcançado, nota-se uma atenuação
maior e, consequentemente, uma maior inviabilidade do aumento deste limite
proposto. Observando superficialmente ambos os gráficos, o valor mais indicado
para o limite máximo se encontraria entre 20 e 25 unidades de GD alocadas,
porém, para se ter uma percepção mais apurada, é necessária uma análise de
custo detalhada, englobando a potência que cada unidade entrega, local de
instalação, análise macro econômica e até mesmo um provável cenário de
retorno a longo prazo, técnico e financeiro, que pode ser realizado em estudos
futuros.

14
 ANEXO I – SISTEMA DE 123 BARRAS UTILIZADO

32 29 250 350
30 51 111 110 112 113 114
33 251
28 50 151 300
31 49
109 107
25 47
48 46
26 108 451
27 45 106 104
64
44 43 103
23 65 450
105 102
63 100
42 41
24 66 101
21 99
40 71
22 98
39 62 197 70
38
35 36 97 69
19 135
20 18 68
75
160 67
37 74
60
73
14 57
11 58
59 72 85
61 79
610
9 78
53 54 77
10 52
2 152 55 56
76
8 13
7 80
94 84
96 76
149 1 34 88
12 90 81
150 17 92

15 87 86 83
95 91 89 82
3 93
5 6 16
4 195

Figura 19 - Sistema Trifásico utilizado para modelagem do problema proposto

15
 6. AGRADECIMENTOS

Queria agradecer primeiramente à UFSJ e ao professor Francisco, que me

propôs este desafio de ingressar no ambiente científico e da pesquisa. Num
momento delicado em que nosso país se encontra, fomentar o interesse pela
ciência é uma das saídas para que soluções sejam encontradas o mais
rapidamente possível. Em seguida, queria agradecer às pessoas mais próximas
a mim neste último ano, em especial minha namorada Camila, que me traz
motivação diária em todos os quesitos acadêmicos e pessoais, meus
companheiros de moradia João Victor e Marco Tulio, além da minha amiga
Helena, que foram essenciais para que todo esse processo fosse concluído com
sucesso. Paralelamente a estas pessoas, meus pais, José Dimas e Maria
Helena, mesmo de longe, não deixam de participar diretamente das minhas
conquistas e de todos os momentos, complicados e tranquilos. Não seria
diferente agora. Mostraram completo interesse em ver todos os gráficos e
simulações que mostrei, mesmo totalmente leigos no assunto, me trazendo
motivação para seguir neste processo, que terá continuidade em breve.

16
 7. REFERÊNCIAS BIBLIOGRÁFICAS

[1] P. S. Georgilakis, S. Member, and N. D. Hatziargyriou, “in Power

Distribution Networks : Models , Methods , and Future Research,” IEEE
Trans. Power Syst., vol. 28, no. 3, pp. 3420–3428, 2013.
[2] B. E. Balance, “Balanço energético nacional,” 2018.
[3] B. H. Chowdhury and F. Meng, “Economics of grid-tied customer-owned
photovoltaic power generation,” IEEE Power Energy Soc. Gen. Meet., pp.
1–5, 2012.
[4] M. Pesaran H.A, P. D. Huy, and V. K. Ramachandaramurthy, “A review of
the optimal allocation of distributed generation: Objectives, constraints,
methods, and algorithms,” Renew. Sustain. Energy Rev., vol. 75, no.
September 2015, pp. 293–312, 2017.
[5] B. H. Dias, L. W. Oliveira, F. V. Gomes, I. C. Silva, and E. J. Oliveira,
“Hybrid heuristic optimization approach for optimal Distributed Generation
placement and sizing,” IEEE Power Energy Soc. Gen. Meet., pp. 1–6,
2012.
[6] R. C. Dugan and T. E. McDermott, “An open source platform for
collaborating on smart grid research,” IEEE Power Energy Soc. Gen.
Meet., no. Ivvc, pp. 1–7, 2011.
[7] R. Schubotz and A. D. Friederici, “Electrophysiological correlates of
temporal and spatial information processing,” Neuroreport, vol. 8, no. 8,
pp. 1981–1986, 1997.
[8] IEEE, IEEE 123 Node Test Feeder Letterhead. 2014.

17