Gestão Do Lado Da Procura Numa Rede Elétrica de Distribuição Inteligente Incluindo Energias Renováveis

FACULDADE DE E NGENHARIA DA U NIVERSIDADE DO P ORTO
Gestão do Lado da Procura numa Rede

Elétrica de Distribuição Inteligente
Incluindo Energias Renováveis
Bernardo José Malhado Ferreira da Silva
Mestrado Integrado em Engenharia Eletrotécnica e de Computadores

Major Automação
Orientador: Prof. Doutor João Paulo da Silva Catalão

Coorientador: Prof. Doutor Miadreza Shafiekhah
Julho de 2018

c Bernardo José Malhado Ferreira da Silva, 2018
Resumo
Com a grande penetração das fontes de energia renováveis, tais como os sistemas fotovoltaicos
e parques eólicos, em grande ou em pequena escala, bem como as pequenas unidades de energia e
os produtores individuais, levam a uma grande variação na produção de eletricidade. No entanto,
os recursos renováveis, quando integrados no sistema elétrico, trazem alguma incerteza para a
rede, devido à volatilidade associada à produção renovável.
Posto isto, com a implementação dos diferentes componentes e equipamentos que tornam
os dispositivos elétricos inteligentes, assim como as avançadas infraestruturas de medição nas
diversas secções dos sistemas elétricos, especialmente na secção da distribuição, e a consideração
da gestão do lado da procura, pode-se assim garantir uma operação mais segura e económica,
conferindo mais flexibilidade à rede inteligente, e consequentemente, a redução das emissões
poluentes.
Desta forma, os clientes desempenham um papel ativo no conceito da rede elétrica moderna,
seja pela participação como pequenos produtores renováveis, assim como o elevado potencial de
participação na gestão do lado da procura, transforma estes clientes em elementos-chave da rede.
O modelo proposto segue uma abordagem estocástica de forma a lidar com a incertezas
associadas às energias renováveis. Assim, o modelo proposto é retratado como um problema
estocástico de duas etapas, com a integração de parques eólicos e sistemas solares, assim
como Demand Response Aggregators (DRA). Os agregadores cedem aos clientes três estratégias
distintas, load curtailment, load shifting e load recovery, que permitem otimizar a gestão do lado
da procura e, consequentemente, aumentar a flexibilidade do sistema elétrico. O objetivo do
modelo proposto passa pela minimização dos custos operacionais do sistema elétrico do ponto
de vista do operador de distribuição do sistema (DSO).
Palavras-Chave
Agregadores de resposta à procura, Energia Renovável, Gestão do lado da procura,

Programação estocástica.
i
ii
Abstract
The large penetration of renewable energy sources, such as photovoltaic systems and wind
farms, on a large or small scale, as well as small power units and individual producers, lead to
a large variation in energy production. However, renewable resources, when integrated into the
electric power system, bring some uncertainty to the grid due to the volatility associated with the
renewable production.
With the merging of the different intelligent components and equipment into intelligent
electrical devices, as well as the advanced measurement infrastructures in the various sections
of the electrical power systems, especially in the distribution section, and the consideration of
demand side management, ensure a safer and more economical operation, giving more flexibility
to the intelligent network, and consequently, reducing the pollutant emissions.
In this way, customers play an active role in the modern electricity grid, as small producers
through the use of renewable sources, as well as the high potential for the participation in demand
side management, turning the customers into key elements of the network.
The proposed model follows a stochastic approach in order to deal with the uncertainty
associated with renewable energies. Thus, the proposed model is portrayed as a two-stage
stochastic problem with integration of wind farms and solar systems, as well as Demand Response
Aggregators (DRA). Aggregators give to customers three different strategies, load curtailment,
load shifting and load recovery, in roder to optimize the demand side management and thus,
increasing the flexibility of the electrical system. The objective of the proposed model is to
minimize the operating costs of the electrical system from the point of view of the system
distribution operator (DSO).
Keywords
Demand response aggregators, Demand side management, Renewable energy, Stochastic

programming.
iii
iv
Agradecimentos
Em primeiro lugar, um agradecimento ao meu orientador, Professor Doutor João Paulo da

Silva Catalão, por todo o apoio e disponibilidade demonstrados ao longo do desenvolvimento da
dissertação. Ao meu coorientador, Doutor Miadreza Shafiekhah por toda a dedicação e atenção
prestada ao longo da dissertação.
A todos os docentes do Mestrado Integrado de Engenharia Eletrotécnica e de Computadores
da Faculdade de Engenharia da Universidade do Porto pelos conhecimentos transmitidos ao longo
destes últimos cinco anos.
Ao Doutor Gerardo Osório e ao Doutor Saber Talari por toda a dedicação e ajuda prestada
para o desenvolvimento da presente dissertação.
Aos meus amigos por toda a força e apoio durante este percurso e por me incentivarem a nunca
desistir.
Agradeço aos meus pais por todo o apoio ao longo do meu percurso académico e por sempre
acreditarem em mim.
Bernardo José Malhado Ferreira da Silva
v
vi
Conteúdo
1 Introdução 1
1.1 Enquadramento . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1
1.2 Motivação . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
1.3 Objetivos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6
1.4 Estrutura da dissertação . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6
1.5 Organização do texto . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
2 Revisão Bibliográfica 9
2.1 Rede inteligente . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10
2.1.1 Integração das Energias Renováveis . . . . . . . . . . . . . . . . . . . . 11
2.1.2 Integração dos Veículos Elétricos . . . . . . . . . . . . . . . . . . . . . 12
2.2 Demand Side Management . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13
2.3 Programas de DR . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13
2.3.1 Programas de DR Baseados em Preços . . . . . . . . . . . . . . . . . . 14
2.3.2 Elasticidade dos Preços da Procura . . . . . . . . . . . . . . . . . . . . . 17
2.3.3 Programas de DR Baseados em Incentivos . . . . . . . . . . . . . . . . . 18
2.3.4 DR Aggregators . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19
2.3.5 Classificação dos Clientes DR . . . . . . . . . . . . . . . . . . . . . . . 20
2.4 Benefícios e Limitações da DSM . . . . . . . . . . . . . . . . . . . . . . . . . . 21
2.5 Mercados Elétricos com a Integração de Energias Renováveis . . . . . . . . . . . 22
2.6 Micro-Redes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25
2.7 Programação Estocástica . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 26
2.7.1 Modelo Estocástico de Duas Etapas . . . . . . . . . . . . . . . . . . . . 27
2.7.2 Problemas Multi-Objetivos . . . . . . . . . . . . . . . . . . . . . . . . . 28
3 Formulação Matemática 31
3.1 Função Objetivo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 31
3.2 Restrições do Problema . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 32
3.2.1 Restrições da Primeira Etapa . . . . . . . . . . . . . . . . . . . . . . . . 32
3.2.2 Restrições de Segunda Etapa . . . . . . . . . . . . . . . . . . . . . . . . 37
4 Estudo de Casos e Análise de Resultados 39

4.1 Estudo de Casos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 43
4.1.1 Comparação do Caso Base com os Casos 2 e 3 . . . . . . . . . . . . . . 46
4.1.2 Comparação do Caso Base com os Casos 4, 5 e 6 . . . . . . . . . . . . . 46
4.1.3 Comparação do Caso Base com os Casos 7, 8 e 9 . . . . . . . . . . . . . 49
4.1.4 Comparação do Caso 4 com o Caso 7 . . . . . . . . . . . . . . . . . . . 50
vii
viii CONTEÚDO

4.1.7 Comparação do Caso Base com o Caso 2 e 4 . . . . . . . . . . . . . . . 55
4.1.8 Comparação do Caso Base com o Caso 3 e 7 . . . . . . . . . . . . . . . 57
5 Conclusões e Trabalho Futuro 59

5.1 Conclusões . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 59
5.2 Trabalhos Futuros . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 60
Referências 61
Lista de Figuras
1.1 Capacidade global acumulada instalada de energia eólica . . . . . . . . . . . . . 2

1.2 Evolução da produção elétrica em Portugal Continental . . . . . . . . . . . . . . 2
1.3 Evolução das Emissões Específicas do Setor Elétrico Português . . . . . . . . . . 3
2.1 Classificação das diferentes estratégias de DSM . . . . . . . . . . . . . . . . . . 14

2.2 Programas DR baseados em preços . . . . . . . . . . . . . . . . . . . . . . . . . 16
2.3 Influência do programa de DR TOU . . . . . . . . . . . . . . . . . . . . . . . . 16
2.4 Curva de riscos e recompensas dos diferentes mecanismos baseados em preços . 17
2.5 Determinação do preço da eletricidade operacional da rede inteligente . . . . . . 19
2.6 Programas DR baseados em incentivos . . . . . . . . . . . . . . . . . . . . . . . 19
2.7 Arquitetura dos mercados do sistemas elétrico . . . . . . . . . . . . . . . . . . . 24
2.8 Representação de uma Micro-Rede típica . . . . . . . . . . . . . . . . . . . . . 25
2.9 Representação do modelo de árvore de cenários . . . . . . . . . . . . . . . . . . 27
2.10 Frente de Pareto . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 30
4.1 Rede do caso em estudo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 40

4.2 Cenários da produção de energia eólica considerados . . . . . . . . . . . . . . . 41
4.3 Produção de energia eólica prevista . . . . . . . . . . . . . . . . . . . . . . . . . 41
4.4 Cenários da produção de energia fotovoltaica considerados . . . . . . . . . . . . 42
4.5 Produção de energia fotovoltaica prevista . . . . . . . . . . . . . . . . . . . . . 42
4.6 Preço da energia . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 42
4.7 Curva de carga . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 43
4.8 Comparação do caso base com o caso 2 e 3 . . . . . . . . . . . . . . . . . . . . 47
4.9 Carga reduzida no caso 2 em relação ao caso base . . . . . . . . . . . . . . . . . 47
4.10 Carga reduzida no caso 3 em relação ao caso base . . . . . . . . . . . . . . . . . 48
4.11 Comparação do caso base com o caso 4, 5 e 6 . . . . . . . . . . . . . . . . . . . 49
4.12 Comparação do caso base com o caso 7, 8 e 9 . . . . . . . . . . . . . . . . . . . 51
4.13 Comparação do caso 4 com o caso 7 . . . . . . . . . . . . . . . . . . . . . . . . 52
4.14 Carga recuperada e reduzida no caso 4 em relação ao caso base . . . . . . . . . . 52
ix
x LISTA DE FIGURAS
Lista de Tabelas
4.1 Potência dos geradores . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 41

4.2 Probabilidade de cada cenário ocorrer em relação aos parques eólicos . . . . . . 41
4.3 Probabilidade de cada cenário ocorrer em relação aos sistemas solares . . . . . . 43
4.4 Casos em estudo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 44
4.5 Custos para os diferentes casos . . . . . . . . . . . . . . . . . . . . . . . . . . . 44
4.6 Informação dos contratos LC para DRA em 3/5 barramentos . . . . . . . . . . . 45
4.7 Informação adicional para os contratos LC . . . . . . . . . . . . . . . . . . . . . 45
4.8 Informação dos contratos LS para DRA em 3/5 barramentos . . . . . . . . . . . 45
xi
xii LISTA DE TABELAS
Acrónimos
A/S Ancillary Service Market

CAP Capacity Market Program
CPP Critical Peak Pricing
DB Demand Bidding/Buyback
DER Recursos de Energia Distribuídos
DLC Direct Load Control
DG Produção de energia distribuída
DR Demand Response
DRA DR Aggregators
DMS Sistema de gestão da distribuição
DSM Demand Side Management
DSO Operador do Sistema de Distribuição
EDRP Emergency Demand Response Program
EMCS Sistema de gestão e controle de energia
ESS Sistema de Armazenamento de Energia
IBDR Programas de DR baseados em incentivos
I/C Interruptible/Curtailabe Services
ISO Operador Independente do Sistema
LC Load Shifting
LS Load Curtailment
LR Load Recovery
MG Micro-rede
PBDR Programas de DR baseados em preços
PTR Peak Time Rebate
RTP Real Time Pricing
RTM Mercado em Tempo Real
SEE Sistema Elétrico de Energia
SG Rede Inteligente
SCUC Compromisso de unidade com restrição de segurança
TIC Tecnologia de informação e comunicação
TOU Time of use
VPP Variable Peak Pricing
V2G Vehicle to Grid
xiii
xiv ACRÓNIMOS
Nomenclatura
A. Índices
τ Índice de partições lineares na linearização
DG Índice para a DG
n, n0 (NN) Índice (conjunto) para os barramentos
k(NK) Índice (conjunto) para os contratos
s(S) Índice (conjunto) para os cenários
t(NT ) Índice (conjunto) para as horas
TtkX̂ Conjunto de intervalos de tempo para a estratégia X̂
PCC Superscripts para os pontos de ligação com a rede a montante
PV Superscripts para os sistemas solares
WF Superscripts para os parques eólicos
X̂ ∈ LC, LS, LR Superscripts para LC, LS e LR
U ∈ PV,W F, PCC, DG Superscripts para a potência
B. Parâmetros
CtnDG Custo de produção de cada unidade geradora
Ctreg ,Csts reg
Custo de regulação para o mercado do dia seguinte e em tempo real
PCC
regtn , regstns PCC Regulação para o mercado do dia seguinte e em tempo real
MCPt Market clearing price
LDtn Act , LDRct , Carga ativa e reativa prevista
tn
Max
Inn Capacidade máxima de corrente na linha
0
Vmax ,Vmin ,V Nom Voltagem máxima, mínima e nominal

∆Stnn0 Limite superior na discretização do fluxo quadrático (kVA)
U,Max
Ptn Capacidade da potência máxima para cada U
Rnn0 , Xnn0 Resistência e indutância das linhas de distribuição
X̂
qtk Quantidade de carga cedida para cada contrato k da estratégia X̂
X̂
ptk Custo do contrato k para a estratégia X̂
LRDmax, nk
X̂
, LRDmin,
nk
X̂
Tempo máximo/mínimo para o contrato k da estratégia X̂
MNnk X̂ Número máximo de utilizações da estratégia X̂ por dia
probs Probabilidade de ocorrência de cada cenário
C. Variáveis binárias
X̂
utnk Indicador do estado em que se encontra a redução de carga do
contrato k para a estratégia X̂
X̂
ytnk Indicador relativo ao inicio da redução de carga do contrato k para a
estratégia X̂
xv
xvi NOMENCLATURA
X̂
ztnk Indicador relativo ao fim da redução de carga do contrato k para a
estratégia X̂
D. Variáveis
LRtnX̂ Redução de carga agendada para a estratégia X̂
CLRtn X̂ Custo total da redução de carga agendada para a estratégia X̂
U , PsU
Ptn Potência ativa no mercado do dia seguinte e em tempo real para cada
tns
U
QU U
tn , Qstns Potência reativa no mercado do dia seguinte e em tempo real para
cada U
+ + + +
Ptnn 0 , Qtnn0 , (Pstnn0 s , Qstnn0 s ) Fluxo de potência ativa e reativa na direção a jusante no mercado do
dia seguinte (tempo real) (kW)
− − − −
Ptnn 0 , Qtnn0 , (Pstnn0 s , Qstnn0 s ) Fluxo de potência ativa e reativa na direção a montante no mercado
do dia seguinte (tempo real) (kW)
I, I2tnn0 , (Is, I2stnn0 s ) Fluxo da corrente e fluxo da corrente quadrática no mercado do dia
seguinte (tempo real) (A)
V,V 2tn , (V s,V 2stns ) Tensão e tensão quadrática no mercado do dia seguinte (tempo real)
(V)
θ Fator de potência
E. Funções
Fcusto Função Custo
Capítulo 1
Introdução
Neste capítulo é apresentado as linhas gerais para o desenvolvimento da presente dissertação

de mestrado. Com isto, para uma melhor compreensão do tema proposto, em primeiro lugar, é
realizado o seu enquadramento no panorama atual. Em seguida, são apresentadas as motivações
que levaram a abordar este tema, assim como os objetivos do trabalho proposto. Por fim, é descrita
a estrutura da dissertação e a organização do texto.
1.1 Enquadramento
Atualmente, o desenvolvimento sustentável, e a mitigação das mudanças climáticas, são dois
dos muitos desafios dependentes do setor da energia. O consumo de energia está intrinsecamente
dependente dos combustíveis fósseis, já que estes correspondem a grande parte da procura de
energia ao nível da produção de eletricidade e dos transportes, entre outros.
No entanto, a pegada ambiental associada às fontes não renováveis é considerável,
nomeadamente as emissões de gases de efeito de estufa que causam grandes alterações climáticas.
Caso as políticas de mitigação relativas aos problemas ambientais não se tornarem relevantes, as
emissões poderão aumentar em, aproximadamente, 30% [1].
Desta forma, para alcançar as metas ambientas estipuladas pelos governos, a integração
de fontes renováveis nos sistemas elétricos é uma das soluções mais eficientes. Estas são
ilimitadas, são endógenas, e possuem diversos benefícios em comparação com as fontes de energia
convencionais, como a redução das emissões de gases de efeito de estufa a longo prazo [2].
Em relação à energia eólica, constata-se que esta desempenha, cada vez mais, um papel
fundamental no sistema elétrico de energia (SEE). A partir da Figura 1.1 é possível verificar que
a integração de energia eólica no SEE tem aumentado progressivamente nos últimos anos a nível
mundial.
Por sua vez, em Portugal, a produção elétrica através de fontes renováveis também tem
aumentado ao longo dos últimos anos, permitindo a redução da utilização dos recursos fósseis,
como se pode verificar na Figura 1.2.
1
2 Introdução
É de referir, que a produção elétrica com recurso à energia eólica é a que tem evoluído mais
significativamente em comparação com os restantes recursos renováveis. Em contrapartida, a
energia solar (fotovoltaica), ainda se encontra pouco integrada nos sistemas elétricos atuais, no
entanto, é expectável que possa evoluir substancialmente os próximos anos.
Em Portugal, com a integração de produção renovável no SEE as emissões têm diminuído ao
longo dos últimos anos, sendo que em 2017 este valor fixou-se em 360 kg/MWh.
Prevê-se que nos próximos anos as emissões continuem a diminuir, devido ao aumento da
produção de eletricidade através dos recursos renováveis, como se verifica na Figura 1.3.
Posto isto, o relevo dos recursos renováveis, como os sistemas fotovoltaicos e parques
eólicos, tanto em grande escala, como em pequenas unidades de produção, têm aumentado
substancialmente, o que leva a uma grande variação na produção de energia. Com isto, a
quantidade de energia volátil produzida aumenta, já que a produção destas origens se encontram
inteiramente dependentes das fontes que lhe dão origem, i.e., o sol e o vento.
Figura 1.1: Capacidade global acumulada instalada de energia eólica (extraído de [3])
Figura 1.2: Evolução da produção elétrica em Portugal Continental (extraído de [4])

1.1 Enquadramento 3
Figura 1.3: Evolução das Emissões Específicas do Setor Elétrico Português (extraído de [4])
No entanto, associado aos recursos renováveis existe a incerteza associada a este tipo
de aproveitamento, que se deve em grande medida ao elevado grau da imprevisibilidade da
disponibilidade da fonte geradora, o que leva o SEE a perder a flexibilidade, bem como a reduzir
eventualmente a fiabilidade e a robustez necessária.
Com o aumento da utilização das fontes renováveis, também, atualmente, se assiste a
substituição gradual dos veículos de combustão por veículos elétricos, uma vez que os veículos
elétricos permitem a redução das emissões poluentes, e ainda poderão também trazer benefícios
para a rede elétrica, seja pelo aumento da flexibilidade, seja pelo armazenamento, através da
adequada gestão e interligação [5].
Nos sistemas tradicionais de energia elétrica o lado da procura não tem qualquer influência,
isto é, o equilíbrio entre a produção e a procura de eletricidade é centralizada pelo lado da
produção. Desta forma, com vista a mitigar o impacto relacionado com os comportamentos
estocásticos dos recursos renováveis, existe a necessidade de evolução das redes tradicionais para
redes inteligentes (SG), de forma a promover uma melhor gestão energética.
Nas SG existe, entre outros aspetos, uma comunicação bidirecional, proporcionando aos
clientes a possibilidade de participarem ativamente no adequado funcionamento da rede. Assim,
o conceito de SG pode ser aplicado à micro-rede (MG). Esta é composta por produtores
independentes de energia em pequena escala, assim como por produtores distribuídos (DG), os
sistemas de armazenamento, entre outros.
Nas tecnologias de DG, ao contrário da produção centralizada, a produção de eletricidade
acontece em lugares distintos. A DG permite reduzir o custo associado às infraestruturas da rede
elétrica, bem como melhorar a sua flexibilidade e fiabilidade [6]. Com isto, os clientes, cada vez
mais, poderão funcionar como pequenos produtores individuais, no qual desempenham um papel
ativo na rede elétrica moderna.
4 Introdução
Verifica-se que alguns aparelhos inteligentes, os veículos elétricos e os sistemas domésticos

de gestão de energia, permitem aos clientes serem peças fundamentais nos programas de Demand
Response (DR), ou resposta à procura [7].
Assim sendo, o ajuste entre a procura e a oferta torna-se relevante e, com isto, surge o conceito
de Demand Side Management (DSM). O objetivo do DSM é o de incentivar os clientes a alterarem
o seu consumo, de forma a que a procura seja adequada à oferta.
Desta forma, o DSM desempenha um papel fundamental, no que se refere a influenciar as
cargas na rede elétrica, assim como é uma das principais caraterísticas da rede de distribuição
inteligente [8].
Com estes programas os consumidores podem modificar o seu consumo de eletricidade em
resposta à mudança do preço das tarifas elétricas ou em troca de um incentivo. Desta forma,
ao introduzir os programas de DR no SEE a flexibilidade do sistema melhora. Deste modo, os
consumidores transformam-se em elementos-chave da rede ao exercerem funções fundamentais
na gestão do lado procura.
Por sua vez, a utilização de processos de DR nas MG também melhora a utilização dos
recursos do lado da procura na gestão do sistema. Deste modo, o DSM desempenha um
papel significativo na utilização eficiente das fontes renováveis e na manutenção do equilíbrio
energético, ao incentivar os clientes a alterar o seu consumo elétrico de acordo com as flutuações
da DG [9].
A utilização de SG proporciona a utilização de um sistema de gestão de distribuição (DMS).
Este permite a monitorização e o controlo dos equipamentos, assim como associado ao DMS se
encontram os processos de gestão do lado da procura que permitem melhorar a fiabilidade do
sistema.
Para cumprir o principal objetivo, i.e., equilibrar a produção e a carga, é necessário existir
uma comunicação bidirecional entre o DSO e os consumidores. Isto deve-se ao facto de o
DSO estar responsável por operar e regular a transferência da energia, assim como efetuar as
previsões da carga e da produção por parte dos recursos renováveis. Para o efeito, será necessário
a implementação de infraestruturas dotadas de tecnologia de informação e comunicação (TIC),
como, por exemplo, os contadores inteligentes, sistema de controlo remoto, entre outros.
Para além disso, os sistemas de armazenamento de energia (ESS) presentes na SG, permitem
assegurar o equilíbrio do SEE, compensando as flutuações associadas ao consumo. Estes sistemas
armazenam a energia quando a produção é excedente e, caso ocorra uma falha de produção
por parte dos recursos renováveis, ou ainda seja necessário nos momentos de maior procura, os
ESS podem garantir uma resposta à procura de forma rápida, mitigando a utilização de sistemas
convencionais de produção de eletricidade [10].
Posto isto, a presença em grande escala de dispositivos elétricos inteligentes na secção de
distribuição, bem como a consideração da gestão do lado da procura, garante uma operação mais
estável, flexível e económica [11].
1.2 Motivação 5
1.2 Motivação
As energias renováveis apesar de representarem um papel importante na melhoraria e
sustentabilidade do meio ambiente, do sistema elétrico e no progresso económico, apresentam
algumas limitações e barreiras quando integradas no sistema elétrico. Isto deve-se ao facto de
tanto a energia eólica como a fotovoltaica apresentarem incertezas associadas à sua produção, já
que estas dependem de fatores que não são controláveis, tornando-se assim difíceis de prever ou
gerir no seu estado natural.
Do ponto de vista do DSO, a otimização da gestão do lado da procura permite melhorar a
eficiência da rede e aumentar a sua flexibilidade. Com isto, recorre-se aos programas de DR onde
há uma participação ativa dos consumidores.
Assim, o lado da procura é responsável por modificar a sua procura de energia, com o objetivo
de obter um perfil de carga mais uniforme. Para isso, será necessário dotar as redes tradicionais de
tecnologia, isto é, transforma-las em redes inteligentes.
Desta forma, surgiu o tema desta dissertação que visa melhorar a eficiência e a fiabilidade
da rede elétrica, tendo sempre em consideração a integração progressiva das energias renováveis,
assim como o papel predominante do lado da procura.
O tema proposto é abordado do ponto de vista do DSO, ao contrário da maioria das abordagens
existentes na comunidade cientifica, que passam por dar resposta aos problemas anteriormente
expressos do ponto de vista do operador independente do sistema (ISO), o que se traduz num dos
desafios desta dissertação.
Grande parte dos estudos existentes apenas consideram a presença da energia eólica no SEE,
ao contrário do modelo desenvolvido ao longo da dissertação que tem em consideração tanto a
energia eólica como a solar fotovoltaica.
Para o efeito, importa desenvolver um modelo estocástico de gestão, estruturado em duas
etapas, que tem como objetivo a minimização dos custos operacionais da rede do ponto de vista do
DSO. Neste modelo são considerados os conceitos de DRA, ou agregadores, os quais funcionam
como uma entidade independente, permitindo a otimização da procura e ainda a redução dos custos
dos consumidores.
Os agregadores são introduzidos na rede para facilitar a interação entre o DSO e os clientes,
já que estes fornecem diversos contratos aos seus clientes, conferindo a possibilidade dos seus
clientes modificarem a forma da procura de eletricidade. Por outras palavras, os consumidores
conseguem participar no mercado do dia seguinte, e consequentemente, viabilizam a redução dos
custos elétricos.
Para além disso, também serão consideras as energias renováveis, nomeadamente, a energia
eólica e fotovoltaica, como parâmetros estocásticos, devido à volatilidade que lhes são naturais e
as consequentes flutuações provocadas na rede elétrica.
Assim sendo, o presente modelo a ser desenvolvido na presente dissertação pretende aumentar
a flexibilidade, fiabilidade e segurança do SEE, permitindo minimizar a ocorrência de falhas e, ao
mesmo tempo, contribuir para a sustentabilidade ambiental.
6 Introdução
1.3 Objetivos
Considerando o problema apresentado anteriormente, os objetivos desta dissertação passam
pelos seguintes pontos:
• Realizar uma revisão bibliográfica acerca da integração das energias renováveis no sistema
elétrico de energia, processos de DSM e programas de DR, mercados de energia e modelos
estocásticos para lidar com a incerteza das renováveis;
• Efetuar uma formulação matemática que modelize a interação entre os DRA e os clientes
de forma a que os clientes desempenhem um papel ativo no SEE ao modificarem o perfil da
procura/carga;
• Desenvolver um programa estocástico de duas etapas, ou dois estágios, cujo objetivo passa
pela minimização dos custos operacionais da rede do ponto de vista do DSO, considerando
as restrições da rede e dos diferentes cenários da produção eólica e fotovoltaica;
• Elaborar diferentes casos de estudo, para interpretação e análise dos resultados obtidos na
modelação do problema proposto.
1.4 Estrutura da dissertação

A presente dissertação se encontra dividida em cinco capítulos, sendo que cada um deles se
encontra estruturado em vários subcapítulos. No Capítulo 1 é realizado o enquadramento do tema
proposto, seguido da motivação, dos objetivos, e a ainda a forma da organização do texto da
presente dissertação.
No Capítulo 2 é efetuada uma revisão bibliográfica, onde são abordados diversos conceitos
subjacentes ao SEE como SG, veículos elétricos e micro-rede. Para além disso, é analisado o
conceito de DR e DSM, onde são apresentados os programas de DR e o conceito de DRA, assim
como os benefícios e limitações da DSM.
Ainda no Capítulo 2 é ainda abordado o conceito de mercados elétricos com a consequente
integração das energias renováveis, bem como os diferentes modelos de programação estocástica
que permitem lidar com a incerteza dos recursos renováveis, nomeadamente, o modelo estocástico
de duas etapas.
No Capítulo 3 é apresentado a formulação matemática que tem como objetivo a minimização
dos custos operacionais da rede sob o ponto de vista do DSO. O problema corresponde a um
programa estocástico de duas etapas, onde são considerados diversos cenários para os parques
eólicos e os sistemas fotovoltaicos. Para além disso, neste modelo foram considerados os DRA
que interagem com os clientes, de forma a que estes otimizem o lado da procura e aumentem a
flexibilidade do SEE.
1.5 Organização do texto 7
No Capítulo 4 são apresentados os diversos casos de estudo considerados no presente trabalho

e ainda será realizado a análise e interpretação dos resultados obtidos. Finalmente, no Capítulo
5 são apresentadas as conclusões relativas ao trabalho desenvolvido, bem como é realizada a
descrição sucinta de algumas propostas para os trabalhos futuros.
1.5 Organização do texto

A presente dissertação utiliza as mesmas notações utilizadas na literatura da comunidade
científica, harmonizando os aspetos comuns em todas as secções. As figuras, tabelas e expressões
matemáticas serão mencionadas em relação ao capítulo onde estão inseridas e a respetiva
numeração é reiniciada quando um novo capítulo é iniciado.
Por sua vez, as referências que suportam os diferentes capítulos que compõem a presente
dissertação estarão estruturadas e identificadas por [XX] e a formulação matemática por (X.X).
Os acrónimos utilizados encontram-se estruturados segundo a sintetização de nomes e
informação técnica oriunda da língua portuguesa, ou quando não for possível a tradução adequada,
na língua anglo-saxónica, ambas aceites na comunidade técnica e científica.
8 Introdução
Capítulo 2
Revisão Bibliográfica
Os combustíveis fósseis correspondem às energias limitadas e não endógenas. Estes são

influenciados por vários fatores geo-políticos, o que os torna voláteis. Estas fontes de energia
representam um papel importante no progresso económico, no entanto a sua pegada ambiental
é significativa. Logo, para reduzir a emissão de gases de efeito de estufa e limitar o impacto
ambiental, o recurso às energias renováveis torna-se fundamental. Este é um mercado que evoluiu
significativamente e que possui grande apoio por parte dos mecanismos políticos e económicos,
uma vez que melhora bastante a segurança no setor elétrico [12].
Assim, os recursos renováveis estão relacionados com o desenvolvimento e aproveitamento
sustentável, o que promove a criação de um sistema fiável e económico, já que estes recursos
correspondem a uma energia limpa e endógena [13].
No entanto, com a integração das energias renováveis surgem incertezas associadas, como por
exemplo as flutuações na rede, as quais podem afetar o mercado elétrico. Para mitigar tais efeitos
é necessário analisar o mercado e desenvolver novos modelos e/ou mecanismos. Tais mecanismos
fornecem informações acerca da variabilidade dos preços, assim como permitem determinar quais
as maiores incertezas associadas à utilização dos recursos renováveis, já que estes podem afetar o
planeamento económico, assim como o SEE [14].
Com isto, a segurança no SEE e a redução dos impactos ambientais dos serviços do SEE é
uma das grandes preocupações atualmente. Neste contexto, surgem os programas de eficiência
energética. Estes desempenham um papel relevante na redução das emissões de gases de efeito de
estufa, assim como na redução dos consumos elétricos [12].
Neste sentido, a participação ativa do lado da procura torna-se fundamental, permitindo
aos mercados elétricos serem economicamente mais sustentáveis, potencializando o seu
desenvolvimento, surgindo desta forma os conceitos de DR e DSM.
Assim, será também necessário evoluir para as redes de distribuição inteligentes e mais
eficientes, onde o lado da procura desempenha um papel predominante, e onde possam coexistir
os sistemas de produção de energia distribuída.
9
10 Revisão Bibliográfica
Também devido ao crescimento da população a escala global, muito devido à melhoria das
condições de vida, tal crescimento proporcionou a uma maior procura de energia, afetando
negativamente a eficiência e a fiabilidade do SEE, incentivando assim o aparecimento do conceito
de SG.
A SG consiste na automação inteligente do SEE, utilizando ferramentas TIC, o que permite
melhorar a eficácia da gestão da rede elétrica, tornando-a mais fiável, lucrativa e sustentável [15].
Por outras palavras, a inclusão dos recursos renováveis proporciona um aumento das
flutuações e estas necessitam de ser atenuadas e monitorizadas para manter a segurança e confiança
no SEE. Com isto, a necessidade de recorrer ao uso de programas de DR, bem como a utilização
de ESS torna-se essencial para manter o equilíbrio do SEE [16].
2.1 Rede inteligente

A SG é definida como uma rede elétrica que consegue fornecer eletricidade de forma
inteligente e controlada, desde o local onde é produzida até aos clientes. Como referido
anteriormente, a SG utiliza ferramentas TIC, ou seja, utiliza informações relativas aos
comportamentos dos fornecedores e dos consumidores, o que faz com que os clientes finais sejam
parte integrante.
Com isto, a utilização de uma SG permite melhorar a eficiência, a fiabilidade, a economia, a
sustentabilidade, a distribuição de eletricidade e, ao mesmo tempo, permite a inclusão segura dos
recursos de energia distribuídos e renováveis [17].
A SG permite com a inclusão das ferramentas TIC a integração de uma comunicação
bidirecional, onde cada cliente possui um contador inteligente que comunica com as empresas
de eletricidade, isto é, com os retalhistas. Desta forma, os clientes poderão conseguir obter
informações acerca do preço da eletricidade e, assim, futuramente, controlar o seu consumo de
acordo com as flutuações do preço elétrico do mercado [18].
Com a utilização de SG, surge a implementação de um sistema de gestão de distribuição que
consiste num conjunto de recursos que permitem melhorar a eficiência da rede elétrica. Esses
recursos correspondem tanto a equipamentos de monitorização, assim como a processos de gestão
do lado da procura. Desta forma, o DMS é uma estrutura inteligente que favorece o escalonamento
económico e operacional da SG, reduzindo o custo total da rede elétrica.
A gestão é feita pelo DSO que, através da utilização dos recursos abordados anteriormente,
otimiza o uso da DG, bem como possibilita aos consumidores participarem nos programas de
DSM. Para apoiar a gestão dos recursos energéticos por parte do DSO, a implementação de
modelos de Controlo e Supervisão Inteligente de Aquisição de Dados (SCADA) deverá ser
considerado num SEE dito SG.
Para os objetivos do DMS serem alcançados, é essencial que haja uma comunicação
bidirecional de informação em tempo real entre o DSO e os consumidores, já que o DSO é
o responsável por tomar a decisão final, bem como também é responsável pelo processo de
otimização, pela programação da energia e da reserva do sistema de distribuição [19], [20].
2.1 Rede inteligente 11
Com isto, surgem estratégias de DR que incitam alterações nos padrões da procura da
eletricidade por parte dos consumidores, em vez de apenas o padrão de produção ser alterado
face às variações das cargas [21].
No entanto, nas SG há uma elevada quantidade de dados como, por exemplo, dados das
medições, dados do armazenamento de energia, e dados de controlo, assim como uma progressiva
necessidade da troca dos mesmos, o que cria um desafio aos sistemas de comunicação das redes
dotadas de inteligência. Assim, existem dois pontos de vista para solucionar o problema anterior
[22]:
• Implementação de uma infraestrutura de comunicação distribuída escalável com vista a

melhorar a fiabilidade das comunicações, assim como melhorar o rendimento do sistema;
• Utilização de um esquema de decisão distribuída, isto é, a disposição de uma inteligência

distribuída, bem como a definição de metas localizadas. Com isto, a quantidade de dados
entregues pelas redes de comunicação diminui e os serviços locais da SG encontram-se mais
disponíveis.
É de salientar, a importância da implementação de infraestruturas de medição avançadas

nas SG, uma vez que permitem aumentar a flexibilidade do lado da procura, isto é, aumentar a
participação dos consumidores nos programas de DR. Para além disso, permitem aos operadores
da rede ter uma melhor perceção acerca das situações que acontecem em tempo real.
Resumindo, a SG corresponde a uma rede de distribuição de energia flexível e económica,
onde a DR possui um papel fundamental na alteração dos padrões de consumo do lado da procura
[23].
2.1.1 Integração das Energias Renováveis

Atualmente, há uma crescente utilização das fontes de energia renováveis devido ao aumento
da procura de energia e ao progressivo aumento das preocupações relacionadas com a utilização
dos combustíveis fosseis. Assim, as energias renováveis oferecem uma opção alternativa para a
produção de eletricidade, permitindo a redução das emissões de gases de estufa.
Desta forma, com a crescente integração das energia renováveis no sistema de SG, há uma
redução da necessidade de implementação ou construção adicional de fontes convencionais de
geração de eletricidade, a qualidade energética é melhorada, assim como é cumprido as restrições
ambientais e a satisfação dos clientes [24].
No entanto, as energias renováveis também têm um risco associado, nomeadamente,
flutuações de frequência e tensão, assim como há algumas perdas de energia envolvidas, pelo
que quanto maior for a integração renovável na rede, mais complexo é controlar a rede de uma
forma eficiente.
Posto isto, a instalação de fontes de energia renovável nas redes de distribuição têm diversas
implicações técnicas e estão subdivididas em quatro grupos: fluxos de carga, controlo da tensão,
níveis de falha e segurança da rede. Estes problemas podem causar dificuldades na operação
e controlo das redes [25]. Nesta perspetiva, surge a implementação dos ESS que permitem
minimizar as flutuações do sistema provenientes da produção renovável, melhorando a fiabilidade
e a flexibilidade do sistema.
Os ESS podem utilizar condensadores ou super-condensadores, assim como processos de
baterias eletroquímicas, entre outros. No entanto, um dos principais contributos para aumentar
a capacidade de armazenamento poderá passar pela utilização e integração dos veículos elétricos
[26]. É de salientar, que a integração dos ESS individuais é algo que pode não ser tão viável
já que o custo é elevado e o espaço restrito. Com isto, surge o conceito de ESS compartilhado,
onde o excesso de energia renovável de um dado cliente é armazenando no ESS e de seguida,
descarregado para outro cliente com falta de energia, desde que se garanta as restrições técnicas e
de funcionamento do ESS.
Este sistema compartilhado permite aos clientes reduzir o custo de energia comprada à rede, já
que o ESS é carregado nos períodos de tarifas baixas e descarregado durante os períodos de tarifas
elevadas. Contudo, neste tipo de sistema de armazenamento é necessário realizar uma complexa
gestão relativa ao carregamento e descarga da energia por parte dos clientes, de forma a otimizar
o sistema e garantir a sua robustez [27].
2.1.2 Integração dos Veículos Elétricos

A integração dos veículos elétricos na SG deve ser considerada dentro de um sistema
complexo, caraterizado principalmente pela produção de eletricidade a partir de recursos
renováveis distribuídos pelo território, assim como pela existência de ESS e ferramentas de gestão
que conectam os vários elementos.
Com isto, surge o conceito Vehicle to Grid (V2G), onde a energia possui uma natureza
bidirecional, isto é, os veículos elétricos encontram-se ligados à rede para recarregar as suas
baterias através de sistemas apropriados, mas, simultaneamente, podem ser vistos como sistemas
de armazenamento distribuídos, o que favorece uma boa gestão da SG, através da melhoria da
fiabilidade e estabilidade da mesma.
O V2G pode ser utilizado como DR, visto que funciona como um sistema de armazenamento
de energia capaz de injetar energia na rede, quando necessário. Assim, é possível armazenar o
excesso de energia nos períodos de baixa procura e fornece-la à rede nos períodos de pico, de
forma a contrariar a intermitência dos recursos energéticos renováveis.
Com o funcionamento dos veículos elétricos como ESS é possível reduzir as sobrecargas da
SG, bem como melhorar a qualidade da eletricidade, já que a tecnologia V2G permite armazenar
a energia eólica e fotovoltaica produzida em excesso.
Para além do V2G, existe outra tecnologia denominada de Smart Charging, um modo flexível
de carregamento, onde os veículos elétricos são carregados de acordo com a procura da rede, de
forma a seguir as restrições e evitar as falhas da rede elétrica.
2.2 Demand Side Management 13
Em resumo, os veículos elétricos conseguem equilibrar a procura e a oferta de energia, assim

como a comunicação bidirecional do V2G permite melhorar o processo de implementação de uma
SG [28], [29].
2.2 Demand Side Management

Por sua vez, a DSM está relacionada com o planeamento e elaboração de processos que
influenciam a quantidade de eletricidade que é utilizada, bem como o tempo de utilização. Com
isto, a DSM permite a um determinado usuário aumentar ou diminuir a procura de eletricidade,
assim como gerir o seu consumo. Por exemplo, pode encaminhar o consumo associado para um
período de pico ou de vazio, consoante queira reduzir ou não os custos relativos ao consumo de
eletricidade [30].
Assim, o DSM tem interesse tanto para o DSO como para os clientes, permitindo-lhes reduzir
os custos, através da alteração das cargas flexíveis, aumentando tanto a fiabilidade do SEE, assim
como a flexibilidade do sistema. É de salientar, que o DSM desempenha um papel fundamental no
desenvolvimento da integração das fontes de energia renováveis no SEE, uma vez que a existência
de um sistema com preços dinâmicos incita os clientes a utilizarem a energia quando há uma
quantidade elevada de energia produzida por recursos renováveis [31]. Com isto, é possível
classificar o DSM em seis estratégias distintas, representadas na Figura 2.1:
Peak Clipping - Esta resposta baseia-se na redução da carga máxima, onde os picos na curva
de carga são eliminados. Com isto, constata-se que este método tem menos efeito sobre a procura
total da energia.
Valley Filling - Nesta estratégia de resposta os períodos de baixa procura são afetados, isto é,
os vazios na curva de carga são utilizados para criar novos recursos fora do pico da curva de carga.
Load Shifting - Esta resposta permite o deslocamento de cargas do horário de pico, ou seja, de
períodos de alta procura para os períodos de baixa procura.
Strategic Conservation - Com este tipo de resposta é possível alterar a forma da curva de
carga, ou seja, através deste programa é possível direcionar o consumo do utilizador consoante a
sua preferência, alterando o padrão normal de utilização.
Strategic Load Growth - Neste tipo de resposta, em primeiro lugar, há um crescimento das
vendas, seguido da opção de preenchimento da curva de carga no vazio.
Flexible Load Shape - Nesta resposta os clientes têm determinadas vantagens se permitirem
que as cargas sejam reduzidas.
2.3 Programas de DR
Os programas de DR permitem ao consumidor desempenhar um papel importante em relação
às oscilações do preço da energia elétrica nos diferentes períodos do dia, incitando às variações no
padrão do seu consumo diário. Os clientes alteram o consumo de eletricidade devido ao aumento
do preço da eletricidade como quando a fiabilidade da rede é posta em questão.
Figura 2.1: Classificação das diferentes estratégias de DSM (extraído de [30])
Posto isto, os programas de DR permitem aos clientes reduzirem o consumo elétrico quando
o preço de mercado encontra-se substancialmente elevado [32]. Os programas DR são divididos
em dois grupos, nomeadamente programas de DR baseados em preços (PBDR) e os programas
baseados em incentivos (IBDR).
2.3.1 Programas de DR Baseados em Preços

Os PBDR, programas de DR baseados em preços, correspondem a programas voluntários que
permitem aos clientes diminuírem ou alterarem o consumo de eletricidade, ou seja, permitem aos
clientes modificar a sua procura em resposta à mudança do preço da eletricidade. Caso a diferença
do preço da eletricidade em determinados períodos seja relevante, os clientes podem ajustar as
suas cargas para períodos onde as tarifas são inferiores, reduzindo, por conseguinte, o consumo
elétrico.
Nestes estão incluídos vários programas como o programa com tempo de utilização (TOU),
programas de preços em tempo-real (RTP), programas de preços de pico críticos (CPP), programas
de redução nos períodos de pico (PTR), programas de preços de pico variáveis (VPP), programas
de preços de pico críticos em dias extremos e o com preços em dias extremos [33].
Desta forma, é relevante salientar que estes programas têm algumas diferenças entre uns e os
outros. Assim, as tarifas TOU são taxas diárias de energia que são diferenciadas tanto nos períodos
de pico como fora deste. Logo, os preços são mais elevados quando o consumo energético é
elevado, sendo que fora do pico de carga os preços são menores. É de referir, que os preços
sazonais também são aplicáveis a estas tarifas.
2.3 Programas de DR 15
Por sua vez, o programa CPP corresponde a uma sobreposição das tarifas TOU ou de preços
fixos. Este programa é utilizado quando a fiabilidade do sistema de energia é comprometido. O
CPP utiliza preços em tempo real quando o pico de carga é elevado. Deste modo, o CPP é apenas
utilizado um número reduzido de horas por ano.
No VPP as taxas da eletricidade são elevadas apenas em determinadas horas específicas, horas
de pico. Assim, neste programa, as tarifas sofrem alterações durante os períodos críticos consoante
as variações do preço da eletricidade no mercado grossista.
No programa com preços em dias extremos as tarifas são semelhantes ao CPP, a não ser em
determinados períodos críticos, onde o preço permanece elevado durante 24 horas, e no programa
com preços de pico críticos em dias extremos, as tarifas são semelhantes ao CPP nos períodos
críticos, sendo que nos restante períodos é utilizado uma tarifa fixa.
No caso do PTR, os clientes podem receber descontos pela redução da procura de energia
durante os períodos de pico críticos. Por fim, o RTP está profundamente interligado com o preço
do mercado grossista, variando ao longo do dia de acordo com as diferentes tarifas, ou seja, varia
em tempo-real [31], [34].
Desta forma, verifica-se que o TOU e o RTP são programas que se encontram sempre
implementados, ao contrário do CPP, e dos restantes programas que só são aplicados em alguns
dias do ano em condições de emergência [35]. Na Figura 2.2 está representado um esquema dos
diferentes programas de resposta à procura baseados em preços.
2.3.1.1 Exemplo da Influência de um PBDR
De seguida, é dado um exemplo prático da influência das tarifas TOU na redução do custo
elétrico do cliente, onde o consumo deste é potencializado. Este funciona da seguinte maneira:
caso a diferença existente entre o preço do pico e preço do vale do TOU for significativa, os
consumidores alteram o pico de energia para quando a tarifa é inferior. Assim, os consumidores
adaptam as suas cargas consoante o preço da energia. Na Figura 2.3 é possível verificar
as diferenças entre o consumo de energia sem otimização, gráfico do lado esquerdo, e com
otimização, recorrendo ao programa TOU, gráfico do lado direito. Com isto verifica-se que o
pico de energia diminui substancialmente, já que há um deslocamento do consumo elétrico em
reposta a uma mudança no preço da energia [16].
2.3.1.2 Riscos e Recompensas dos PBDR
Nos programas baseados em preços, existe uma relação entre o risco da utilização de tarifas
variáveis e a recompensa que se traduz na redução do preço da eletricidade, como se pode observar
na Figura 2.4.
Assim, quando a tarifa é fixa, não existe qualquer risco para o cliente. No entanto, quando as
tarifas apresentam flutuações verifica-se que quando o risco associado é maior, maior também será
a recompensa.
Deste modo, observa-se que o TOU apresenta recompensas inferiores, no entanto os riscos
associados são menores, já que as tarifas variam apenas consoante a hora do dia. De seguida,
surge o CPP que já envolve mais riscos, uma vez que o consumidor está sujeito ao aumento das
tarifas em períodos críticos, assim como ao risco associado às tarifas TOU.
Relativamente ao VPP, as tarifas apresentam flutuações nas cargas durante os períodos críticos,
o que consequentemente, aumenta o risco deste mecanismo. Por fim, surge o RTP que está
associado às tarifas que variam diariamente, isto é, em tempo-real, o que faz com que tanto o
risco como a respetiva recompensa sejam máximos.
Com isto, os consumidores que evitam o risco optam por escolher as tarifas TOU, enquanto
que os clientes para quais o fator risco não é decisivo optam pelo RTP, sendo que existem outros
mecanismos como o CPP, o VPP e o PTR para clientes mais ponderados [31].
Figura 2.2: Programas DR baseados em preços (adaptado de [31] )
Figura 2.3: Influência do programa de DR TOU (adaptado de [16])

Figura 2.4: Curva de riscos e recompensas dos diferentes mecanismos baseados em preços
(adaptado de [31])
2.3.2 Elasticidade dos Preços da Procura

Com os consumidores a alterarem os seus consumos de eletricidade face às variações dos
preços das tarifas, verifica-se uma redução do lado da procura nos horários de pico, assim como
uma melhoraria da eficiência operacional e fiabilidade da rede elétrica. Desta forma, surge o
conceito de elasticidade do lado da procura, que funciona como um indicador da variação da
procura em função das alterações do preço da eletricidade.
Esse indicador corresponde ao coeficiente de elasticidade e existem duas abordagens distintas,
o coeficiente self-elasticity e cross-elasticity.
Relativamente ao primeiro, self-elasticity, as variações da procura ocorrem durante um
intervalo de tempo específico devido às alterações do preço num determinado intervalo. As cargas
não podem ser transferidas de um período para outro, ou seja, as cargas são fixas, tendo uma
natureza inelástica.
Em relação ao coeficiente cross-elasticity, as mudanças do lado da procura têm em
consideração as variações dos preços em intervalos de tempo distintos, o que permite que as cargas
sejam transferidas de um período para outro.
A partir deste coeficiente é possível construir a matriz de elasticidade que representa a
capacidade dos consumidores responderem às variações dos preços. As diagonais da matriz de
elasticidade representam os coeficientes self-elasticity e os restantes elementos representam os
coeficientes cross-elasticity. Com isto, cada consumidor responde de forma diferente às variações
dos preços, logo, a matriz de elasticidade é calculada para cada um deles [36].
Em [37] é desenvolvido um modelo baseado na elasticidade do lado da procura, onde se
considera os incentivos e penalidades de determinados programas de DR. Assim, o consumo de
cada cliente varia de acordo com a elasticidade dos preços das tarifas. Desta forma, este modelo
permite melhorar as caraterísticas do perfil da carga e, por consequência, a satisfação dos clientes,
já que o modelo tem em consideração os benefícios e as perdas dos clientes.
Em [38] é demonstrado um exemplo de um mecanismo responsável por encontrar o preço

aplicado a cada hora, considerando a presença dos programas de DR. A curva A da Figura 2.5
representa o lado da produção, onde à medida que o preço aumenta, os produtores são incentivados
a aumentar a produção de eletricidade. Por outro lado, a curva B corresponde ao lado da procura, e
à medida que o preço da eletricidade aumenta, os consumidores tendem a reduzir o seu consumo.
O ponto de interseção das duas curvas corresponde ao preço que deve ser aplicado durante
uma determinada hora. Por conseguinte, o preço de cada hora é comunicado aos consumidores,
de forma a estes alterarem a sua posição na hora seguinte.
2.3.3 Programas de DR Baseados em Incentivos

Os programas IBDR, programas de resposta à procura baseados em incentivos, induzem os
consumidores a modificar a sua procura em troca de um pagamento específico, ou seja, de um
incentivo. Estes são classificados como voluntários, obrigatórios e de compensação de mercado
(market clearing programs).
Na categoria dos programas voluntários existem dois programas diferentes: Direct Load
Control (DLC) Programs, e Emergency Demand Response Programs (EDRP). Por sua vez, no
que se refere aos programas obrigatórios podem-se distinguir-se em Capacity Market Programs
(CAP), e Interruptible/Curtailabe (I/C) Services. Por fim, no market clearing programs estão
incluídos mais dois programas: Demand Bidding/Buyback (DB), e Ancillary Services (A/S) Market
[33].
O DLC é um programa de controlo da carga direta, implementado num curto espaço de tempo,
onde o ISO desliga os equipamentos elétricos do cliente com um curto aviso, em troca de um
incentivo.
Por sua vez, o EDRP fornece aos clientes incentivos para estes reduzirem as suas cargas
durante alguns eventos. Estes dois programas voluntários (DLC e EDRP) não têm qualquer
penalização para os clientes [35]. Relativamente aos programas obrigatórios, o serviço I/C permite
aos clientes reduzir a carga em períodos críticos, em troca de crédito ou de uma redução nas tarifas.
No CAP são efetuados, antecipadamente, compromissos detalhados que permitem a redução
de carga, sendo que o ISO pode recorrer a este quando o sistema está condicionado [39]. Por
fim, em relação aos programas do market clearing programs, no DB as reduções de carga são
agendadas diariamente e os pagamentos estão diretamente relacionados com o mercado do dia
seguinte.
Em relação, ao serviço A/S há um compromisso por parte dos clientes, onde estes efetuam
ofertas de mercado. Caso estas sejam aceites, os clientes devem estar preparados para reduzir a
carga, uma vez que o ISO pode solicitar o pedido com um tempo reduzido de antecedência. Esta
ação é recompensada pelo pagamento de incentivos [39]. A Figura 2.6 representada um esquema
dos diferentes programas de resposta à procura baseados em incentivos.
Figura 2.5: Determinação do preço da eletricidade operacional da rede inteligente

(adaptado de [38])
Figura 2.6: Programas DR baseados em incentivos (adaptado de [31])
2.3.4 DR Aggregators
Os DR Aggregators surgem como novas entidades nos mercados elétricos e estes funcionam
como intermediários entre os clientes e o ISO ou o DSO. Com isto, os DRA desempenham um
papel fundamental nos processos de redução da carga nos horários de pico, bem como contribuem
para a melhoria da segurança do SEE, e reduzem os efeitos negativos associados à incerteza dos
recursos renováveis.
Do ponto de vista dos clientes, os DRA funcionam como compradores que ajudam os
consumidores a avaliar a redução do lado da procura, assim como são responsáveis por fornecer
diferentes contratos, onde estes escolhem voluntariamente se querem ou não participar. Do ponto
de vista do ISO, os DRA submetem as suas ofertas no mercado do dia seguinte, da mesma forma
que as empresas responsáveis pela produção de eletricidade. De seguida, os agregadores verificam
a quantidade de DR que está disponível e enviam as propostas ótimas ao ISO [40].
Em [41] é proposto um modelo para a agregação de DR nos mercados grossistas de energia,

onde o ISO inicializa os programas de DR no mercado do dia seguinte. Por sua vez, o ISO envia
informações para os DRA e estes, consequentemente, submetem as suas ofertas de DR. Neste
modelo, os DRA têm em atenção tanto às informações fornecidas pelo ISO como pelos clientes,
de forma a maximizar a gestão do lado da procura.
É de salientar que, dependendo da estrutura dos mercados, os DRA podem corresponder,
por exemplo, ao DSO. No entanto, neste caso, os DRA funcionam como entidades financeiras
independentes dos operadores do sistema.
Os DRA projetam diversos contratos para os clientes, de forma a qualificarem-os para a
participação nos programas de DR, sendo que estes concentram os clientes que têm estratégias de
DR idênticos, num único contrato de DR para cumprir os requisitos mínimos de redução de carga.
Com isto, os DRA propõem quatro estratégias distintas de redução de carga: Load Curtailment
(LC), Load Shifting (LS), Onsite Generation (OG) e o ESS.
Relativamente ao LC, os clientes reduzem a quantidade total de energia utilizada no programa
de DR, sem ser necessário transferir carga para qualquer outro período temporal. No caso do LS,
os clientes podem reagendar e transferir a utilização de uma dada carga para outro período. Em
relação à utilização de OG, os consumidores reduzem a carga através da utilização de um gerador
local, de forma a que este alimente as cargas. Por fim, a utilização de um ESS permite aos clientes
compensarem as necessidades elétricas durante os programas de DR.
Posto isto, o objetivo deste modelo de DRA passa por maximizar o lucro do agregador no
mercado do dia seguinte, sendo que este lucra ao vender o produto resultante do programa de DR
no mercado elétrico, apesar de pagar aos participantes dos programas de DR pela redução da carga
horária.
2.3.5 Classificação dos Clientes DR

Os clientes podem ser divididos em duas grandes classes, tendo em conta o consumo elétrico
nas suas instalações, nomeadamente em clientes industriais e residenciais. Esta classificação
também é usada para melhorar a elasticidade dos modelos de clientes [15].
Os clientes industriais possuem tecnologias avançadas nas suas instalações para controlar as
cargas. As principais cargas nestas instalações são utilizadas na gestão, por exemplo, de sistemas
de ventilação, aquecimento e iluminação. Com isto, este tipo de clientes têm a capacidade de
participar no mercado grossista de eletricidade, assim como, muitas destas instalações possuem
equipamentos de produção que podem ser utilizados nos processos de DR.
No lado oposto, os clientes residenciais possuem cargas mais pequenas nas suas instalações,
como o aquecimento de água e aparelhos domésticos e, por isso, não têm tanta predisposição
para investir em processos de DR. Estes normalmente só participam nos mercados retalhista de
eletricidade e em programas de controlo da carga direta [20].
2.4 Benefícios e Limitações da DSM 21
Nas residências dos consumidores há um aumento de dispositivos que possuem diversos

benefícios através da agregação de pequenas cargas, como por exemplo, reduções mais longas
devido à perda sequencial de cargas individuais. No entanto, existe alguma dificuldade em
agregar estas pequenas cargas, uma vez que os aparelhos individuais e os sistemas de comunicação
instalados nas habitações são operados de forma independente [42].
2.4 Benefícios e Limitações da DSM

O DSM estimula os clientes a modificarem os padrões de utilização de eletricidade em resposta
às alterações no preço da eletricidade, ou ao pagamento de incentivos. Assim, o DSM traz
inúmeros benefícios, como a redução das contas de eletricidade dos clientes e o custo total da
procura de eletricidade, devido à diminuição da energia de pico comprada ao mercado grossista.
Com isto, o sistema torna-se mais fiável, a eficiência aumenta e a emissão de gases de estufa
diminui. Para além disto, o DSM permite a criação de novos postos de trabalho, assim como
possibilita o desenvolvimento de novas tecnologias. Por outras palavras, através do recurso
ao DSM, é possível introduzir o fator humano na gestão energética, o que contribui para uma
sociedade mais sustentável [31].
É de salientar, a relevância que o custo de aquisição e manutenção da capacidade de produção
têm contribuído para o aumento da totalidade dos custos. Desta forma, através da DR é possível
reduzir estes mesmos custos. Para além disso, estes processos permitem uma maior inclusão dos
recursos renováveis no sistema energético, já que conseguem equilibrar as flutuações que existem
na produção de energia renovável [43].
Por fim, com o crescimento contínuo de infraestruturas inteligentes, progressivamente, estão
presentes mais tecnologias inteligentes como contadores de intervalo de comunicação de duas
vias, bem como dispositivos de comunicação que indicam aos clientes quais os períodos onde há
redução de carga e sistemas de gestão energética [44].
No entanto, com o aumento da utilização de processos de DR, surgem desafios e limitações
associados à sua implementação, apesar de uma grande parte das tecnologias de monitorização e
comunicação ser acessível, o impacto da DR nos mercados elétricos é difícil de se prever. Contudo,
é de extrema importância retratar essas mesmas limitações para analisar as causas que levam os
clientes a comprometerem-se ou a retirarem-se de um programa de DR.
Um dos principais desafios é a falta de existência de mecanismos de mercados apropriados,
ou seja, em alguns processos de DR a resposta tem que ser planeada com algumas horas de
antecedência. Com isto, é necessário um adiamento prévio antes de ocorrer um ajuste no fluxo
das cargas, o que reduz a flexibilidade destes processos. Deste modo, os consumidores podem
retirar-se dos programas de DR, caso estes se transformem num inconveniente de natureza maior.
O mesmo se verifica quando as contas dos clientes não diminuem significativamente, o que
não justifica o investimento em equipamentos por parte dos clientes. Em alguns programas, o
facto dos clientes terem a tarefa de acompanhar os preços da eletricidade de uma forma contínua,
juntamente com a insuficiente poupança nas contas elétricas, faz com que estes se retirem dos
programas de DR [45].
Outra barreira está relacionada com as estruturas tarifárias e de regulação, isto é, se os clientes
alterarem o fluxo da carga em reposta à variação do preço da eletricidade, estes devem saber qual
é esse preço. Isto não se verifica já que o preço que está presente na conta do cliente não é o
preço real, uma vez que estão incluídos os impostos, pagamento de obrigações de serviço público,
e taxas de transmissão e distribuição.
Posto isto, o comportamento do utilizador constitui uma grande barreira para os programas
de DR, já que em geral, existe uma elevada falta de perceção da importância destes programas,
assim como a grande parte dos clientes têm uma baixa compreensão dos mercados elétricos e
das variações do preço da eletricidade. Assim, o reduzido conhecimento dos clientes, diminui
substancialmente a probabilidade destes demonstrarem um pensamento económico admissível.
Para além disso, os clientes ao estarem sujeitos à DR, passam a ser intervenientes ativos no
SEE, logo têm que estar consciencializados que as alterações que estes efetuam tanto em função
do preço, como em função do pagamento de incentivos têm um impacto direto na fiabilidade do
sistema. Isto pode levar a um peso excessivo sobre os clientes, de tal forma a que estes se retirem
dos programas de DR [43].
É de salientar, que os processos de DR têm despesas associadas, bem como o desenvolvimento
e implementação acarreta determinados custos como, por exemplo, investimentos em
infraestruturas inteligentes, gestão dos programas e a educação dos consumidores. Por sua vez, os
clientes também têm custos associados com a tomada de decisão em aderir aos programas de DR,
seja pelo custo de oportunidade como também os investimentos em tecnologias inteligentes, o que
se transforma noutro desafio associada à DR [44].
2.5 Mercados Elétricos com a Integração de Energias Renováveis

Com as modificações e a desregulação do SEE, existem alterações na sua operação, já que o
preço da eletricidade é determinado e comercializado pelos mercados elétricos, sendo que estes
variam de acordo com as condições económicas e das infraestruturas. O mercado de energia
elétrico encontra-se dividido em duas estruturas, o mercado grossista e o mercado retalhista.
Relativamente ao mercado grossista, constata-se que funciona ao nível da transmissão da rede
elétrica, de forma a assegurar que a oferta corresponde à procura. Este pode ser dividido em três
sub-mercados, mercado do dia seguinte, mercado intraday e mercado em tempo real (RTM). Estes
são divididos consoante a escala de tempo e os recursos determinados por essa mesma escala.
2.5 Mercados Elétricos com a Integração de Energias Renováveis 23
Nestes mercados é determinado o preço marginal que permite fornecer informações aos
consumidores para participarem no mercado através dos programas de DR, já que este analisa
o mercado em diferente zonas, e, consequentemente, determina os custos e as receitas de cada
consumidor.
Assim, no mercado do dia seguinte só há uma programação diária, e é onde é escolhido
uma hora de operação para o dia seguinte. Neste ocorre um leilão no dia anterior à entrega de
eletricidade, permitindo transações entre os produtores e os consumidores. No mercado intraday
há um agendamento no próprio dia, calculado a cada 15 minutos. Estes mercados são eficazes na
integração de recursos voláteis [46], [47].
No RTM as operações são efetuadas de forma discreta e em intervalos de tempo de 5 minutos.
Este corresponde às plataformas de transações não discriminatórias que viabilizam os serviços
necessários para garantir a fiabilidade e a flexibilidade do sistema. O RTM estabelece um
mecanismo eficaz para os recursos de energia distribuídos (DER) e para os consumidores que
utilizam processos de DR de forma a participar nos balanços de transações de mercado [48]. A
Figura 2.7 ilustra a arquitetura dos mercados dos sistemas elétricas modernos.
Em relação ao mercado retalhista, a regulação da distribuição da rede é realizada através do
DSO. Este é responsável pela compra da eletricidade de alta voltagem ao mercado grossista e a sua
consequente transferência para os consumidores. Neste mercado é calculado um preço fixo para a
eletricidade, o que provoca falhas no mercado, visto que as restrições do sistema de distribuição
não são consideradas [49].
Cada vez mais, recorre-se à utilização dos aproveitamentos renováveis, nomeadamente, à
energia eólica e fotovoltaica, uma vez que estes aproveitamentos permitem a redução das emissões
poluentes, o que impulsiona a proteção ambiental. Esta integração altera o planeamento subjacente
ao SEE, onde os processos de DR podem ser aplicados tanto aos consumidores finais como aos
DER [50].
Assim, a gestão e operação do SEE e dos respetivos mercados elétricos é um processo
complexo, devido à incerteza associada à produção e à procura de eletricidade, bem como
devido às políticas reguladores e aos interesses privados [51]. Devido à natureza intermitente das
energias renováveis e a consequente utilização de uma abordagem estocástica é necessário recorrer
aos modelos de otimização, nomeadamente aos programas de compromisso das unidades com
restrição de segurança (SCUC). Este tem em consideração as contingências do sistema, auxiliam
no processo de decisão, assim como atenuam de uma forma flexível a volatilidade e a incerteza
das energias renováveis [52].
A entidade independente conhecida como ISO é responsável pelo processo de coordenação
centralizada, ou seja, é responsável por operar o SEE e os seus mercados elétricos. Desta forma,
o ISO garante que o fornecimento de eletricidade seja fiável, apesar das flutuações associadas à
oferta e à procura de eletricidade.
Para além disso, pode existir a aquisição de recursos adicionais, nomeadamente, o
armazenamento de baterias ou a gestão do lado da procura, de forma a manter o equilíbrio entre a
oferta e a procura.
Assim, com a necessidade de novos serviços que garantam o equilíbrio, os mercados devem
fornecer incentivos a esses mesmos serviços, o que altera a própria estrutura dos mercados [53].
O processo de tomada de decisão do ISO, tradicionalmente, encontra-se do lado da produção,
ou seja, o ISO a partir da previsão da curva de carga, executa o modelo SCUC um dia antes para
cumprir os requisitos da procura. Todavia, com a crescente integração das energias renováveis, o
ISO encontra obstáculos devido às incertezas associadas. Também a SG permite ao ISO aumentar
a capacidade de adaptação, já que o lado da procura é integrado no seu agendamento, através de
processos de resposta à procura [54].
Ao contrário da rede elétrica tradicional, onde os fornecedores em grande escala produzem e
distribuem a eletricidade para os consumidores, a SG permite a integração de uma comunicação
bidirecional, controlando a procura e a oferta de energia, o que permite o aumento da eficiência
da rede. Na SG podem existir vários fornecedores pequenos, nomeadamente geradores ou
painéis solares que estão instalados nas habitações e edifícios. Estes conectam-se à rede
como fornecedores de energia, o que modifica a relação entre o número de fornecedores e os
consumidores.
No entanto, com a integração dos recursos renováveis, a quantidade de energia pode não ser
suficiente, já que estes recursos estão sujeitos às flutuações já mencionadas anteriormente. Assim,
os pequenos fornecedores precisam de comprar energia a fornecedores de grande escala [55].
Desta forma, surge o conceito de reserva operacional, responsável por manter o equilíbrio
do SEE. A reserva deve ser agendada de forma a contrariar o comportamento incerto por parte
do lado da procura, assim como as interrupções aleatórias dos geradores. Uma fonte de reserva
operacional pode ser a DR, uma vez que possibilita a alteração no fluxo de energia por parte do
lado da procura, reduzindo o custo operacional do sistema e as emissões poluentes [56].
Assim, a reserva é vista como um serviço auxiliar, essencial na manutenção da segurança
operacional do SEE. Devido à sua importância, os serviços públicos devem possuir capacidades
de produção na forma de reserva, de forma a permitir a existência dos erros de previsão e, ao
mesmo tempo, manter a estabilidade do sistema reduzindo o congestionamento da transmissão de
eletricidade [57].
Figura 2.7: Arquitetura dos mercados do sistemas elétrico (extraído de [48])

2.6 Micro-Redes 25
2.6 Micro-Redes
A micro-rede (MG) é um pequeno sistema de produção e distribuição composto por sistemas
de armazenamento, sistemas de conversão de energia, assim como por dispositivos de proteção e
controlo de energia, e por produtores distribuídos (DG), entre outros. Esta pode interligar vários
clientes a múltiplas fontes de produção distribuída e de armazenamento. Existem diversas formas
do DG estar presente na MG, nomeadamente, através da produção de energia fotovoltaica, eólica
e ainda através das células de combustível.
A MG pode ser controlada e gerida por si mesma, o que lhe permite funcionar de forma
independente ou ser ligada à rede. Com isto, esta pode efetuar o seu próprio agendamento e
distribuição de eletricidade, alcançando a otimização energética. A Figura 2.8 corresponde a uma
representação típica de uma MG que se liga ao SEE, onde estão representados os diferentes níveis
de carga, a DG, o sistema de armazenamento e o circuito de comunicação [58].
Com o aparecimento das MG, surge uma nova abordagem na gestão dos sistemas elétricos,
oposta à configuração tradicional, baseada em pequenas unidades de produção ligadas à rede
elétrica de média e baixa tensão.
A utilização de um sistema de gestão e controlo de energia (EMCS) desempenha um papel
importante nas MG, uma vez que este decide se a energia deve ser obtida a partir da rede
convencional ou pelos recursos de produção ligados à MG. O EMCS tem em consideração o preço
da eletricidade, de forma a reduzir os custos dos consumidores, assim como o tipo de clientes em
questão. Assim, o EMCS avalia a quantidade de eletricidade produzida pelos recursos de produção
da MG, de forma a que apenas a diferença entre esse valor e a procura total seja comprada à rede
convencional [59].
O EMCS escolhe os melhores pontos de ajuste para as cargas e recursos, dependendo se o
objetivo é maximizar o lucro ou diminuir a emissão de gases poluentes, entre outros. Os pontos de
ajuste consideram as variações associadas aos recursos renováveis, nomeadamente, as flutuações
da velocidade do vento e da radiação solar. Independentemente destas variações, geralmente,
é preferível utilizar estes recursos, uma vez que permitem reduzir a quantidade da emissões
poluentes [60].
Figura 2.8: Representação de uma Micro-Rede típica (extraído de [58])

Os ESS são uma parte fundamental da MG, já que podem contrariar a aleatoriedade da DG. A
gestão da carga ou descarga dos ESS tem em consideração o estado das operações da MG. Assim,
quando a MG está ligada ao feeder a probabilidade de ocorrer uma falha de energia é reduzida, o
que faz com que o modo de carregamento do ESS seja utilizado nestas situações. Por outro lado,
quando a MG opera em modo isolado, o suporte fornecido pelo sistema de distribuição é perdido
e a única fonte de energia é a DG. Desta forma, o modo de descarga do ESS deve ser utilizado de
forma a assegurar uma operação segura e estável.
Além disso, a estratégia operacional dos ESS passa por absorver o excedente da energia
renovável sempre que possível. Assim, quando a MG está ligado ao feeder, a DG tem prioridade
para servir a carga do sistema. No entanto, quando a MG funciona em modo isolado, o ESS
compensa a falha da DG.
Existem diversos métodos para avaliar a fiabilidade das MG, nomeadamente, a simulação
sequencial de Monte Carlo e o método do caminho mínimo modificado. Considerando que o
caminho mínimo corresponde a um caminho entre a carga e a fonte, se um ramo desse caminho
for removido, a conectividade é perdida.
Posto isto, se acontecer uma falha num componente que esteja presente no caminho mínimo da
MG, esta funcionará em modo isolado, caso contrário, a MG continua ligada ao feeder principal.
Resumindo, através da utilização de modos de operação flexíveis, programas de DR e de uma
gestão eficaz de carga/descarga dos ESS, a MG consegue restringir as flutuações associadas à DG,
aproveitando de forma eficiente os recursos renováveis [61], [62].
2.7 Programação Estocástica

Devido à incerteza associada às fontes de energia renováveis e às variações da carga horária
do lado da procura, surge a necessidade de desenvolver um modelo de otimização de programação
estocástica baseado na consideração de diversos cenários.
Desta forma, surge o conceito da árvore de cenários, representada na Figura 2.9, onde
as variáveis podem ser de diferentes naturezas, por exemplo, uma pode representar os preços
de eletricidade em mercado e outra a procura da carga. A árvore de cenários pode possuir
várias etapas, vários cenários, sendo que cada nó representa o estado da variável aleatória num
determinado intervalo de tempo, e o número de nós da segunda etapa corresponde ao número total
dos cenários. Os ramos representam os vários cenários que uma dada variável pode tomar, e a raiz
corresponde ao ponto inicial, ou seja, é onde as decisões da primeira etapa são tomadas.
No entanto, a complexidade do problema de otimização pode aumentar caso este inclua uma
grande quantidade de cenários. Assim, a utilização de algoritmos que proporcionam a redução
de cenários é crucial, já que o número de variáveis e equações é reduzido, permitindo alcançar
as soluções com uma maior eficácia. Todavia, a aplicação destes métodos introduz alguma
imprecisão na solução final [63].
2.7 Programação Estocástica 27
Figura 2.9: Representação do modelo de árvore de cenários (extraído de [63])
Por outro lado, os modelos de programação estocástica para além de possuírem várias etapas
também podem possuir mais do que um nível com funções objetivo distintas. Em [64], é descrito
um modelo de otimização com dois níveis, onde no nível superior o ISO minimiza o custo total
das operações, enquanto que no nível inferior ocorre a maximização do lucro dos DRA.
Relativamente ao nível superior, os DRA são incentivados a vender produtos de DR ao ISO
sob a forma de contratos. Assim, os DRA procuram definir os melhores contratos tendo em
consideração o mercado grossista, sendo que este nível é implementado num modelo estocástico
de duas etapas.
Por outro lado, no nível inferior, os DRA compram DR aos clientes e consequentemente,
procuram implementar os programas de DR de forma a maximizar o lucro. Posto isto, a
programação de dois níveis permite resolver duas funções objetivo diferentes, sendo que este
modelo pode ser transformado num problema matemático de programação de um nível.
2.7.1 Modelo Estocástico de Duas Etapas

Caso a programação estocástica seja de duas etapas, há diversas decisões que são tomadas
antes de determinados eventos aleatórios se realizarem. Assim, essas decisões são denominadas
de decisões de primeira etapa e só depois de ocorrer a realização de uma variável estocástica, é
que as ações referentes à segunda etapa são realizadas, sendo que as decisões que são tomadas
na primeira etapa, não se alteram na segunda [65]. Por exemplo, em [66] na primeira etapa são
determinados os compromissos de compra, bem como é decidido quais os períodos nos quais
ocorre as modificações no lado da procura com base no preço da eletricidade no mercado do dia
seguinte.
Relativamente à segunda etapa, há um ajuste causado pela previsão dos erros relativos à
procura real de eletricidade, e devido à presença de energias renováveis, já que a eletricidade
é comprada num mercado em tempo real e a procura do lado dos consumidores é deslocada
consoante as operações de armazenamento de energia.
Desta forma, na formulação do problema é preciso determinar a função objetivo. Neste caso,
esta passa por minimizar os custos relativos à aquisição diária de eletricidade, assim como os
custos dos recursos esperados associados à aquisição de eletricidade em tempo real para os vários
cenários possíveis da segunda etapa.
De seguida, é necessário estabelecer as restrições do problema. Estas encontram-se divididas
consoante pertençam à primeira ou à segunda etapa, sendo que as primeiras encontram-se
relacionadas com o mercado elétrico do dia seguinte e as segundas com o mercado elétrico em
tempo real.
Relativamente às restrições da primeira etapa, verifica-se que estas são de diferentes origens.
Em primeiro lugar, é determinada a equação de equilíbrio da energia, de forma a garantir que o
compromisso de energia no mercado elétrico do dia seguinte permita que a procura de eletricidade
seja satisfeita, tendo em consideração o armazenamento de energia e a integração de fontes
renováveis.
Outra restrição corresponde à definição de períodos de tempo onde ocorrem alterações no
lado da procura em tempo real, sendo estabelecido um número máximo de intervalos de tempo.
Também é relevante determinar as restrições correspondentes às operações de armazenamento
diário, reserva, assim como as restrições de não negatividade das variáveis de decisão da primeira
etapa.
Em relação às restrições da segunda etapa, é determinado as equações de equilíbrio de energia
na operação de aquisição de eletricidade em tempo real, onde está incluída tanto a procura real de
eletricidade como a energia proveniente de fontes renováveis.
Seguidamente, é necessário estabelecer restrições da própria rede, como, por exemplo,
restrições relacionadas com a resposta à procura e restrições relativas à qualidade de uso. Por
fim, é necessário estabelecer restrições para as operações de armazenamento, assim como declarar
as restrições de não negatividade das variáveis de decisão da segunda etapa.
2.7.2 Problemas Multi-Objetivos

Com a aumento das emissões poluentes e o consequente aquecimento global, a integração
das fontes endógenas renováveis no processo de produção de eletricidade e a imposição dos
limites às emissões poluentes tornaram-se aspetos fundamentais. Assim, devido às preocupações
ambientais, o planeamento operacional de um problema deixa de possuir apenas um carácter
económico e passa a ter um carácter económico/ambiental, o que faz com que um problema
clássico seja visto como um problema multi-objetivo [67]. Nos problemas multi-objetivo há a
otimização de um problema, considerando a existência de várias funções objetivo, ao contrário do
modelo estocástico abordado anteriormente.
As funções objetivo possuem diferentes naturezas, por exemplo, podem estar relacionadas
tanto com a minimização dos custos, como com a redução das emissões poluentes. Assim,
as várias funções objetivo são consideradas numa só otimização multi-objetivo. Neste tipo de
programação não existe uma única solução ótima que otimiza, simultaneamente, todas as funções
objetivo.
2.7 Programação Estocástica 29
Com isto, para os problemas de otimização multi-objetivo, uma metodologia comum passa por
determinar um conjunto ótimo de Pareto, que oferece uma curva de trade-off dos vários objetivos.
As soluções do espaço objetivo são comparadas em pares conforme a dominância de Pareto, já
que as soluções não dominadas pertencem à frente de Pareto, ao contrário das dominadas.
A passagem de um ponto para outro da frente de Pareto, representado na Figura 2.10 significa
que está a ser dada maior importância a um objetivo em deterioramento de outro, já que cada ponto
representa um solução do problema [68].
A frente de Pareto corresponde às soluções ótimas, isto é, correspondem às soluções que não
podem ser melhoradas numa função objetivo sem prejudicar o desempenho de pelo menos uma
das restantes funções. Esta fornece um conjunto diverso de soluções baseadas nos objetivos, na
qual o responsável de decisão apresenta uma única solução tendo em consideração a importância
desses mesmos objetivos. Para avaliar a qualidade da solução de Pareto encontrada, diferentes
critérios de avaliação podem ser aplicados [69].
É de salientar, que os modelos multi-objetivo podem ser resolvidos por diferentes algoritmos,
nomeadamente por algoritmos clássicos. Estes baseiam-se na transformação dos vários objetivos
numa única função objetivo ou na otimização de uma das funções objetivo e as restantes são
tratadas como restrições, como o método Augmented ε-constraint e o método Common ε-
constraint [68].
Relativamente ao método Augmented ε-constraint, em primeiro lugar, é configurada a tabela
de pagamentos, ou payoff table, na qual se encontram os resultados da otimização individual de
cada função objetivo.
De seguida, uma das funções objetivo é considerada como a principal, sendo que o alcance de
cada uma das funções, para K-1 iterações, será usada como uma restrição. Considerando que Q
corresponde a um número de igual parte, a função objetivo é dividida em Q-1 intervalos iguais,
obtendo-se um número de pontos, Q, que permitem variar paramétricamente parte da função
objetivo. A densidade da representação de um conjunto eficiente é passivo de ser controlado
se forem atribuídos valores corretos a Q, assim como quanto maior for o número de pontos, mais
denso será o conjunto eficiente obtido.
No primeiro método comparativamente com o segundo, a função objetivo é aumentada pela
soma de variáveis de folga, o que faz com que o método augmented ε-constraint gere apenas
soluções eficientes.
Assim, ao resolver cada sub-problema de otimização obtêm-se um solução ótima de Pareto,
sendo necessário, seguidamente, selecionar uma das soluções ótimas de Pareto para analisar os
resultados. Essa solução deve ser escolhida pelo responsável da decisão, considerando as várias
funções objetivo, de forma a escolher a melhor solução de compromisso [70].
Para além dos métodos abordados anteriormente, também os algoritmos evolucionários podem
ser utilizados para resolver problemas multi-objetivo como, por exemplo, o Summation Based
Multi-Objective Differential Evolution Algorithm, assim como os algoritmos genéticos como o
Non-Dominated Sorting Genetic Algorithm e o Niched Pareto Genetic Algorithm.
O método evolutivo Multi-Objective Particle Swarm Optimization Method também é bastante

utilizado na resolução destes problemas. O critério de Pareto é utilizado, com recurso a uma
classificação não-linear, baseada num mecanismo difuso.
Neste modelo as soluções não dominadas, e as desejadas, são armazenadas de modo a obter a
frente de Pareto, ou seja, um conjunto de soluções que podem ser aceites [71]. Nestes algoritmos
existem técnicas de processamento paralelas, através dos quais o tempo computacional é reduzido.
Com o desenvolvimento destes algoritmos, as diversas funções objetivo são tratadas de forma
independente, ao contrário dos algoritmos clássicos em que as funções são combinadas numa
única função objetivo [72], [73].
Figura 2.10: Frente de Pareto (adaptado de [68])

Capítulo 3
Formulação Matemática
Neste capítulo é apresentado um modelo que tem como objetivo otimizar a gestão do lado
da procura, de modo a conferir mais flexibilidade à rede, tendo em consideração a presença de
recursos renováveis. A formulação matemática proposta é suportada em [41], [64] e [74].
Para a modelização deste problema, foi utilizado o método de programação estocástico de
duas etapas, uma vez que na rede em estudo existem recursos renováveis, nomeadamente parques
eólicos e sistemas solares. Logo, os parâmetros estocásticos neste modelo correspondem à
produção de energia eólica e fotovoltaica, devido à incerteza associada a estes recursos. Desta
forma, estes parâmetros são modelados tendo em consideração diversos cenários, de modo a
simular os diferentes eventos em tempo real.
O modelo proposto passa pela utilização de DRA, que funcionam como entidades
independentes. Neste modelo, os DRA fornecem incentivos aos clientes, de forma a estes
reduzirem o seu consumo em determinados períodos. Por outras palavras, os agregadores
compram DR aos clientes e, por sua vez, submetem as ofertas dos consumidores ao DSO, de
forma a que este escolha as melhores ofertas existentes no mercado, isto é, as ofertas ótimas de
DR. Os DRA ao fornecerem opções de DR aos clientes, consciencializam-os da sua flexibilidade,
ou seja, maximizam a participação dos clientes no mercado elétrico.
Assim, os DRA têm em consideração os diferentes tipos de clientes, com vista a proporcionar
uma maior adesão por parte dos consumidores. Neste modelo são utilizadas três estratégias
distintas, load curtailment, load shifting e load recovery, que permitem aos consumidores
modificarem a procura de carga. Posto isto, o problema proposto é resolvido do ponto de vista
do DSO, cujo objetivo é a minimização dos custos operacionais do sistema elétrico.
3.1 Função Objetivo

No modelo proposto a função objetivo corresponde à minimização dos custos operacionais
do ponto de vista do DSO, representada na equação (3.1). Esta pode ser dividida em duas partes
distintas.
31
32 Formulação Matemática
Em relação à primeira, esta corresponde às variáveis relacionadas com o mercado do dia

seguinte, onde as decisões que são tomadas não se alteram na etapa seguinte. Com isto, as variáveis
são independentes dos diferentes cenários, já que estas mantêm sempre o mesmo valor.
Relativamente à segunda etapa, as variáveis estão relacionadas com as decisões realizadas no
mercado em tempo real. Com isto, o valor das variáveis não é sempre o mesmo, ao contrário do que
acontece na primeira etapa, já que diferentes cenários são considerados. Assim, a probabilidade
de ocorrência de cada cenário varia devido à incerteza associada à energia eólica e fotovoltaica.
A equação (3.2) representa a função do custo total das operações da rede de distribuição,
sendo que a primeira linha e a segunda correspondem à primeira e à segunda etapa do problema,
respetivamente. Para uma melhor compreensão da formulação matemática é necessário esclarecer
o significado de cada índice: t (NT ) o tempo (intervalo de tempo) em horas, n (NN) o barramento
(conjunto dos barramentos), s (S) o cenário (conjunto dos cenários) considerado e k (NK) o
contrato (conjuntos dos contratos).
Assim, na primeira etapa da função é considerado a potência dos geradores convencionais
PtnDG , DG corresponde ao custo associado, regPCC representa a regulação do mercado , que
onde Ctn tn
funciona como uma reserva para compensar a incerteza dos parques eólicos e dos sistemas solares,
sendo Ctreg o custo da reserva, PtnPCC corresponde à potência nos pontos de conexão entre a rede
de estudo e outra rede de maior escala, onde MCPt corresponde ao preço ao qual a energia é
comprada no mercado grossista. É de referir, que nesta etapa também são considerados os custos
LC e CLRLS dizem respeito ao custo da redução
totais associados às estratégias de DR, onde CLRtn tn
de carga das opções LC e LS, respetivamente.
Na segunda etapa da função, diferentes cenários são considerados, sendo probs a probabilidade
PCC corresponde à regulação do mercado em tempo real,
de ocorrência de cada um deles e regstns
reg
contrariando a volatilidade dos recursos renováveis, onde Csts representa o custo associado a
esse processo.
Minimizar(Fcusto ) (3.1)
"
Fcusto = ∑ ∑ (MCPt .PtnPCC +Ctn .Ptn +Ctreg .regtn
DG DG PCC LC
+CLRtn LS
+CLRtn )
t∈NT n∈NN
# (3.2)
reg PCC
+ ∑ probs (Csts .regstns )
s∈S
3.2 Restrições do Problema

3.2.1 Restrições da Primeira Etapa
Na primeira etapa são consideradas as restrições associadas ao mercado do dia seguinte.
As decisões que são tomadas nesta etapa não se alteram na seguinte, assim como não são
representados os diferentes cenários relativos à produção renovável.
3.2 Restrições do Problema 33
As equações (3.3) e (3.4) representam o balanço da potência ativa e reativa do sistema de

distribuição, respetivamente, ou seja, correspondem às equações de equilíbrio para o mercado do
dia seguinte, onde PtnPV , Qtn
PV , PW F e QW F corresponde à potência ativa e reativa da energia solar e
tn tn
Act e LDRct representam a carga ativa e reativa prevista, na devida ordem. As variáveis
eólica, LDtn tn
+ + − −
Ptnn 0 , Qtnn0 , Ptnn0 e Qtnn0 correspondem ao fluxo de potência ativa e reativa nas direções a jusante e
a montante em cada linha de transmissão.

LC e LRLS com recurso
Na equação (3.3) é ainda considerado a carga total que foi reduzida LRtn tn
LR .
às opções LC e LS, respetivamente, assim como a carga total recuperada LRtn
+ −
PtPCC + ∑ PtnPV + ∑ WF
Ptn + ∑ PtnDG + ∑ (Ptnn 0 − Ptnn0 )
n∈PV n∈W F n∈DG n0 ∈NN
+ −
− ∑ [(Ptnn 0 − Ptnn0 ) + Rnn0 .I2tnn0 ] (3.3)
n0 ∈NN
LC LS Act LR
+ ∑ (LRtn + LRtn ) = LDtn + ∑ LRtn ∀t, ∀n
n∈NN n∈NN
+ −
QtPCC + ∑ PV
Qtn + ∑ QW F
tn + ∑ DG
Qtn + ∑ (Qtnn0 − Qtnn0 )
n∈PV n∈W F n∈DG n0 ∈NN
(3.4)
+ − Rct
− ∑ [(Qtnn0 − Qtnn0 ) + Xnn0 .I2tnn0 ] = LDtn ∀t, ∀n
n0 ∈NN
A equação (3.5) diz respeito ao balanço da tensão nos barramentos da rede. Por sua vez a
equação (3.6) corresponde a restrições para linearizar a potência ativa e reativa, sendo que da
equação (3.7) à (3.11) é representado, de uma forma mais específica, a linearização de cada uma
dessas restrições.
+ − + −
V 2tn − 2Rnn0 .(Ptnn 0 − Ptnn0 ) − 2Xnn0 .(Qtnn0 − Qtnn0 )
(3.5)
−(R2nn0 + Xnn
2
0 ).I2tnn0 −V 2tn0 = 0 ∀t, ∀n
Nom
V 2tn .I2tnn0 = ∑(2τ − 1)∆Stnn0 ∆Ptnn0 + ∑(2τ − 1)∆Stnn0 ∆Qtnn0 ∀t, ∀n (3.6)
τ τ
+ −
Ptnn 0 + Ptnn0 = ∑ ∆Ptnn0 (τ) ∀t, ∀n (3.7)
τ
+ −
Qtnn 0 + Qtnn0 = ∑ ∆Qtnn0 (τ) ∀t, ∀n (3.8)
τ
∆Ptnn0 (τ) ≤ ∆Stnn0 ∀t, ∀n (3.9)
∆Qtnn0 (τ) ≤ ∆Stnn0 ∀t, ∀n (3.10)
V Nom .Inn
Max
0
∆Stnn0 = ∀t, ∀n (3.11)
τ
As equações (3.12) e (3.13) correspondem a limites técnicos impostos para toda a rede de
distribuição, nomeadamente, a restrições para a potência ativa e reativa, respetivamente.
+ − Nom Max
Ptnn0 + Ptnn0 ≤ V .Inn0 ∀t, ∀n (3.12)
+ − Nom Max
Qtnn0 + Qtnn0 ≤ V .Inn0 ∀t, ∀n (3.13)
A equação (3.14) representa as restrições para o fator de potência para qualquer U. As

equações (3.15) à (3.18) correspondem a restrições da rede, onde são estabelecidos limites para a
potência, assim como para a tensão e corrente nos barramentos.
U
Ptn . tan(cos−1 (−θ )) ≤ QU U −1
tn ≤ Ptn . tan(cos (θ )) ∀t, ∀n (3.14)
U U,Max
0 ≤ Ptn ≤ Ptn ∀t, ∀n (3.15)
2 2
VMin ≤ V 2 ≤ VMax ∀t, ∀n (3.16)
Nom
V 2tn = (V Nom )2 ∀t, ∀n (3.17)
Max 2
I2tnn0 ≤ (Inn0 ) ∀t, ∀n (3.18)
3.2.1.1 Estratégias de DR
Os DRA fornecem três estratégias distintas, LC, LS e LR aos clientes, a partir das quais estes
conseguem gerir a sua procura, assim como o DSO consegue minimizar os custos operacionais
da rede. De seguida, são apresentadas as equações referentes à redução e recuperação de carga
implementadas no modelo proposto.
Relativamente à estratégia LC, os consumidores, através da sua utilização, reduzem o consumo
nas horas de pico, nomeadamente entre as 9h e as 14h e as 18h e as 22h. Cada contrato LC inclui
LC e diferentes quantidade de carga que os consumidores podem reduzir qLC
diferentes preços ptk tk
que variam consoante o contrato k e o tempo t em questão. Estes preços funcionam como um
incentivo que é cedido aos clientes para estes modificarem a sua procura de energia.
Posto isto, a equação (3.19) representa a carga total reduzida com recurso à opção LC, onde a
LC toma o valor de 1 caso a redução de carga seja agendada pelo DRA. A equação
variável binária utnk
(3.20) representa o custo associado à estratégia LC, sendo que este custo é imposto ao DSO.
As equações (3.21) e (3.22) representam a duração máxima e mínima da redução de carga,
LC e zLC são variáveis binárias que assumem o valor de 1 quando o contrato k começa e
onde ytnk tnk
acaba, respetivamente. A equação (3.23) corresponde ao número máximo de reduções de carga
permitidas num dia.
Por sua vez, a equação (3.24) traduz o começo e o fim do contrato k fornecido e a equação
(3.25) assegura que as variáveis binárias não são 1 ao mesmo tempo, impedindo que um contrato
comece e acabe simultaneamente.
LC LC LC
LRtn = ∑ qtk .utnk ∀t, ∀n, ∀k (3.19)
k∈NK
LC LC LC LC
CLRtn = ∑ qtk .utnk .ptk ∀t, ∀n, ∀k (3.20)
k∈NK
t+LRDmax,LC
nk −1
LC LC
∑ ztnk ≥ ytnk ∀t, ∀n, ∀k (3.21)
t∈NT
t+LRDmin,LC
nk −1
∑ LC
utnk ≥ LRDmin,LC
nk
LC
ytnk ∀t, ∀n, ∀k (3.22)
t∈NT
LC LC
∑ ytnk ≤ MNnk ∀t, ∀n, ∀k (3.23)
t∈NT
LC LC LC
ytnk − ztnk = utnk − uLC
nk(t−1) ∀t, ∀n, ∀k (3.24)
LC LC
ytnk + ztnk ≤ 1 ∀t, ∀n, ∀k (3.25)
Em relação à estratégia LS, os clientes reduzem a sua carga na hora de ponta, contudo o seu
consumo pode ser alterado para outras horas do dia. Com isto, a carga que é reduzida nas horas de
pico, pode ser recuperada nas horas de vazio e de cheia através da utilização da estratégia LR.
LS e
Os contratos LS são similares aos contratos LC, já que cada um inclui vários preços ptk
LS consoante o
quantidades de carga que podem ser reduzidas e deslocadas para outras horas qtk
contrato k e o tempo t.
O TtkLS corresponde a um conjunto de intervalos de tempo, no qual a carga pode ser deslocada
para outro período, nomeadamente, dos períodos de pico para os períodos de vazio e de cheia.
Assim, as equações (3.26) e (3.27) correspondem à carga que é reduzida nas horas de pico
e que pode ser deslocada para outros períodos e ao custo associado a essa redução para o DSO,
LS funciona como um indicador, isto é, caso haja redução de
respetivamente. A variável binária utnk
carga esta assume o valor igual a 1. A equação (3.28) assegura aos DRA que os contratos LS são
apenas oferecidos aos consumidores nos períodos em que a carga pode ser deslocada para outras
horas.
Por sua vez, as equações (3.29) e (3.30) representam a duração máxima e mínima dos contratos
LS e zLS indicam quando o contrato é iniciado e terminado, na devida
k e as variáveis binárias ytnk tnk
ordem.
Por fim, a equação (3.31) corresponde ao número máximo de utilizações possíveis dos
contratos LS num dia e as equações (3.32) e (3.33) representam as relações entre as variáveis
binárias.
LS LS LS
LRtn = ∑ qtk .utnk ∀t, ∀n, ∀k (3.26)
k∈NK
LS LS LS LS
CLRtn = ∑ qtk .utnk .ptk ∀t, ∀n, ∀k (3.27)
k∈NK
LS
utnk =0 / TtkLS
∀t ∈ (3.28)
t+LRDmax,LS
nk −1
LS LS
∑ ztnk ≥ ytnk ∀t, ∀n, ∀k (3.29)
t∈NT
t+LRDmin,LS
nk −1
∑ LS
utnk ≥ LRDmin,LS
nk
LS
ytnk ∀t, ∀n, ∀k (3.30)
t∈NT
LS LS
∑ ytnk ≤ MNnk ∀t, ∀n, ∀k (3.31)
t∈NT
LS LS LS
ytnk − ztnk = utnk − uLS
nk(t−1) ∀t, ∀n, ∀k (3.32)
LS LS
ytnk + ztnk ≤1 ∀t, ∀n, ∀k (3.33)
No que diz respeito à estratégia LR, a equação (3.34) representa a carga fornecida pelos
LR assume
contratos LS e que é recuperada nas horas de vazio e de cheia, onde a variável binária utnk
o valor igual a 1 caso a carga seja recuperada.
Para além disso, o TtkLR representa um conjunto de intervalos de tempo onde a carga cedida
pelos contratos LS pode ser recuperada e este varia de acordo com o contrato k e o tempo t. Desta
forma, a equação (3.35) implica que a carga deslocada dos contratos LS só seja passível de ser
recuperada nesses períodos. Por último, a equação (3.36) assegura que as opções LS e LR não
ocorrem ao mesmo tempo.
LR LS LR
LRtn = ∑ qtk .utnk ∀t, ∀n, ∀k (3.34)
k∈NK
LR
utnk =0 / TtkLR
∀t ∈ (3.35)
LR LS
utnk + utnk ≤1 ∀t, ∀n, ∀k (3.36)
3.2.2 Restrições de Segunda Etapa

Na segunda etapa as restrições estão relacionadas com o mercado em tempo real e diversos
cenários são considerados, de forma a contrariar a incerteza dos recursos renováveis. As
equações (3.37) e (3.38) representam as equações de equilíbrio para o mercado em tempo real,
correspondendo, ao balanço da potência ativa e reativa da rede, respetivamente.
Estas equações são bastantes similares às da primeira etapa, no entanto nesta etapa os
parâmetros têm em consideração os diversos cenários s. É de referir que, na segunda etapa
não é considerada a energia produzida a partir de geradores convencionais, apenas há produção
PV , QsPV , PsW F e QsW F representam a potência ativa e reativa dos sistemas
renovável, onde Pstns tns tns tns
solares e dos parques eólicos, respetivamente. Na equação (3.37) também é considerado a
PCC , que permite compensar as flutuações dos recursos renováveis.
regulação do mercado regstns
PCC PV
regstns + ∑ (Pstns − PtnPV ) + ∑ (PsW F WF
tns − Ptn )
n∈PV n∈W F
+ − + −
+ ∑ (Pstnn 0 s − Pstnn0 s ) − (Ptnn0 − Ptnn0 )
n0 ∈NN (3.37)
+ −
− ∑ [(Pstnn0 s − Pstnn0 s ) + Rnn0 I2stnn0 s ]
n0 ∈NN
+ −
−[(Ptnn0 − Ptnn0 ) + Rnn0 I2tnn0 ] = 0 ∀t, ∀n, ∀s
PCC PV PV
Qstns + ∑ (Qstns − Qtn )+ ∑ (QsW F WF
tns − Qtn )
n∈PV n∈W F
+ − + −
+ ∑ (Qstnn 0 s − Qstnn0 s ) − (Qtnn0 − Qtnn 0)
n0 ∈NN (3.38)
+ −
− ∑ [(Qstnn 0 s − Qstnn0 s ) + Xnn0 I2stnn0 s ]
n0 ∈NN
+ −
−[(Qtnn 0 − Qtnn0 ) + Xnn0 I2tnn0 ] = 0 ∀t, ∀n, ∀s
Similarmente à primeira etapa do problema, na segunda é considerado o balanço da tensão nos
barramentos da rede de estudo, representado pela equação (3.39). A equação (3.40) corresponde
à linearização da potência ativa e reativa, sendo que da equação (3.41) à (3.44) é representado as
restrições subjacentes à linearização.
+ − + −
V 2stns − 2Rnn0 .(Pstnn 0 s − Pstnn0 s ) − 2Xnn0 .(Qstnn0 s − Qstnn0 s )
(3.39)
−(R2nn0 + Xnn
2
0 ).I2stnn0 s −V 2stn0 s = 0 ∀t, ∀n, ∀s
Nom
V 2tn .I2stnn0 s = ∑(2τ − 1)∆Stnn0 ∆Pstnn0 s + ∑(2τ − 1)∆Stnn0 ∆Qstnn0 s ∀t, ∀n, ∀s (3.40)
τ τ
+ −
Pstnn0 s + Pstnn0 s = ∑ ∆Pstnn0 s (τ) ∀t, ∀n, ∀s (3.41)
τ
+ −
Qstnn0 s + Qstnn0 s = ∑ ∆Qstnn0 s (τ) ∀t, ∀n, ∀s (3.42)
τ
∆Pstnn0 s (τ) ≤ ∆Stnn0 ∀t, ∀n, ∀s (3.43)
∆Qstnn0 s (τ) ≤ ∆Stnn0 ∀t, ∀n, ∀s (3.44)
As equações (3.45) e (3.46) representam limitações técnicas da rede, em particular, os limites

da potência ativa e reativa, respetivamente.
+ − Nom Max
Pstnn0 s + Pstnn0 s ≤ V .Inn0 ∀t, ∀n, ∀s (3.45)
+ − Nom Max
Qstnn0 s + Qstnn0 s ≤ V .Inn0 ∀t, ∀n, ∀s (3.46)
Por fim, a equação (3.47) indica os limites do fator de potência e as equações (3.48) e (3.49)
correspondem a restrições da rede relativas à tensão e à corrente nos barramentos, respetivamente.
−1 −1
PsU U U
tns . tan(cos (−θ )) ≤ Qstns ≤ Pstns . tan(cos (θ )) ∀t, ∀n, ∀s (3.47)
2 2
VMin ≤ V 2s ≤ VMax ∀t, ∀n, ∀s (3.48)
Max 2
I2stnn0 s ≤ (Inn0 ) ∀t, ∀n, ∀s (3.49)
Capítulo 4
Estudo de Casos e Análise de Resultados
O modelo proposto é aplicado a uma rede teste IEEE modificada de 15 barramentos,

representada na Figura 4.1. Esta corresponde a uma rede de distribuição de pequena escala,
onde existem três geradores convencionais, por exemplo, micro turbinas, assim como dois parques
eólicos e dois sistemas fotovoltaicos. Por sua vez, esta rede encontra-se ligada a outra na direção
a montante, de maior escala, onde o ISO é o responsável pelas operações. Isto permite ao DSO
comprar eletricidade a essa rede caso ocorram falhas na produção elétrica, por exemplo, caso seja
necessário compensar as flutuações da produção renovável.
O modelo em questão foi modelizado através do software General Algebric Modeling System
(GAMS) e foi aplicado o solver CPLEX . O computador utilizado é dotado de um hardware com 8
GB de RAM, e um processador Intel Core i5 de 2,7 GHz, e sistema operativo Windows 7. O tempo
de compilação do programa é inferior a 3 segundos. Os dados resultantes do modelo proposto são
tratados no Microsoft Excel. É de referir que, os dados históricos utilizados na modelização da
produção eólica e fotovoltaica forma extraídos de [75].
Os geradores utilizados na rede de teste estão presentes nos barramentos 5, 13 e 14, sendo que
a potência máxima e mínima destes está representada na Tabela 4.1.
Em relação aos parques eólicos, estes encontram-se presentes nos barramentos 8 e 12. Para a
modelização da produção eólica foi utilizada a distribuição de Weibull para a velocidade do vento.
De seguida, é utilizado um módulo de computação de variáveis estocásticas que armazena as
velocidades do vento previstas para cada hora, atribuindo uma função de distribuição de Rayleigh,
com a vista a obter uma função de distribuição de probabilidade (PDF) para cada um dos cenários
obtidos.
Consequentemente, o número de cenários foi reduzido para 10. Estes foram utilizados na
segunda etapa do problema estocástico e encontram-se representados na Figura 4.2, cada um com
uma probabilidade diferente de acontecer, descrita na Tabela 4.2. Por outro lado, na primeira etapa
do problema são considerados os valores previstos relativos à produção de energia eólica, Figura
4.3, de forma a que o DSO possa tomar as decisões no mercado elétrcio do dia seguinte.
39
40 Estudo de Casos e Análise de Resultados
Relativamente aos sistemas fotovoltaicos, estes foram inseridos nos barramentos 5 e 10. Tal
como os parques eólicos, estes também têm incertezas associadas, devido à inconsistência do
sol (variação da radiação, passagem de nuvens, entre outros). Com isto, para a modelização da
produção fotovoltaica foi utilizada a distribuição Beta para a irradiância solar. Os dados resultantes
são armazenados no módulo de computação de variáveis estocásticas, a partir do qual são obtidos
os diversos cenários, tendo em consideração os dados históricos recolhidos.
Assim, foram utilizados 10 cenários distintos com as respetivas probabilidades de ocorrência
de forma a simular a volatilidade destes sistemas, representados na Figura 4.4 e Tabela 4.3,
respetivamente.
Tal como se verifica com a energia eólica, os cenários são considerados na segunda etapa do
modelo estocástico, sendo que a produção prevista de energia fotovoltaica é utilizada na primeira
etapa do problema, representada na Figura 4.5.
Quanto aos DRA, dois casos distintos foram modelados, no primeiro apenas foram
considerados agregadores em 3 barramentos (3, 7 e 8) e no segundo em 5 barramentos (3, 7,
8, 5 e 6). A rede representada na Figura 4.1 corresponde ao segundo caso.
A curva de carga é dividida em diferentes períodos, período de vazio, de cheia e de pico. Desta
forma, o período de vazio corresponde ao intervalo entre a 1h e as 8h e as 23h e as 24h, o período
de cheia corresponde ao intervalo entre as 15h e as 17h e, por fim, o período de pico diz respeito
ao intervalo entre as 9h e as 14h e as 18h e as 22h. O pico da carga corresponde a 1609 kW. A
curva de carga pode ser observado na Figura 4.7.
Em relação aos preços da eletricidade, observa-se pela Figura 4.6, tal como esperado, que
estes são mais elevados durante as horas de ponta, ou seja, quando a procura é maior, enquanto
que nos períodos de vazio são inferiores. A tarifa elétrica mais cara é de 0,53 e/kW e corresponde
ao intervalo entre as 19h e as 22h, por outro lado a tarifa mais barata é de 0,26 e/kW entre as 3h e
as 5h. Nos períodos de cheia, nomeadamente, entre as 15h e as 17h o preço da eletricidade é cerca
de 0,42 e/kW. Posto isto, quanto maior for a procura num determinado intervalo de tempo, maior
será o preço da eletricidade nesse período, e vice-versa.
Figura 4.1: Rede do caso em estudo

Estudo de Casos e Análise de Resultados 41
Tabela 4.1: Potência dos geradores
Geradores Potência Mínima (kW) Potência Máxima (kW)

G1 23 230
G2 69 690
G3 46 460
Tabela 4.2: Probabilidade de cada cenário ocorrer em relação aos parques eólicos
Cenário 1 2 3 4 5 6 7 8 9 10
Probabilidade (%) 10,9 9,6 12,4 14,4 2,8 6,4 5,2 17,7 17,8 2,8
Figura 4.2: Cenários da produção de energia eólica considerados
Figura 4.3: Produção de energia eólica prevista

Figura 4.4: Cenários da produção de energia solar considerados
Figura 4.5: Produção de energia fotovoltaica prevista
Figura 4.6: Preço da energia

4.1 Estudo de Casos 43
Figura 4.7: Curva de carga
Tabela 4.3: Probabilidade de cada cenário ocorrer em relação aos sistemas solares
Cenário 1 2 3 4 5 6 7 8 9 10
Probabilidade (%) 13,3 6,7 4,6 8,1 16,3 14,2 9,4 14,2 4,2 9
4.1 Estudo de Casos

De forma a verificar a influência dos DRA no modelo proposto, diferentes casos de estudo são
considerados com os agregadores em 3 e 5 barramentos, com diferentes estratégias de DR, onde
os preços dos contratos sofrem variações de 30%.
No caso 1 que corresponde à modelização do problema sem a presença de DRA, ou seja,
sem estratégias de DR, este funciona como caso base usado como termo de comparação para os
restantes casos. A curva de carga para este caso encontra-se representada na Figura 4.7.
O caso 2 e 3 consideram a utilização de DRA em 3 e 5 barramentos, respetivamente, sendo
que estes fornecem contratos LC aos clientes. Relativamente aos casos 4, 5 e 6 são utilizados
agregadores em 3 barramentos, onde são cedidos aos clientes contratos LS sem modificações nos
preços, com um aumento e redução em 30%, respetivamente.
Por outro lado, os casos 7, 8 e 9 incluem agregadores em 5 barramentos, onde são fornecidos
contratos LS aos clientes, também estes com incentivos distintos, nomeadamente, normais e com
aumento e redução em 30%, na devida ordem. Os diferentes casos são descritos na Tabela 4.4 e
os respetivos custos para os vários casos em estudo estão representados na Tabela 4.5.
Com isto, os casos onde os preços de DR não sofrem modificações, servem de comparação
com os casos onde há um aumento ou redução em 30%, de forma a verificar a influência da
variação dos preços no perfil de carga. Posto isto, através da análise dos diferentes casos e das
diversas comparações efetuadas entre eles, é possível observar como o DSO reage à utilização
de DRA em 3 ou 5 barramentos, assim como à variação dos preços dos contratos cedidos pelos
agregadores.
A informação acerca dos contrato LC encontra-se representada nas Tabelas 4.6 e 4.7, sendo
que na Tabela 4.6 é descrito para cada contrato a quantidade de carga e o respetivo preço relativo
a cada período, e na Tabela 4.7 é apresentada a duração máxima e mínima de redução da carga,
bem como o número máximo dos contratos cedidos por dia para cada cliente.
Por sua vez, os dados relativos aos contratos LS encontram-se na Tabela 4.8, onde são
apresentados os períodos de LS e LR, assim como a quantidade de carga e os preços considerados
nos diferentes casos.
No modelo proposto o problema é resolvido do ponto de vista do DSO, com vista a minimizar
os custos operacionais da rede de distribuição. Com isto, o DSO comunica com os DRA,
para estes comprarem ofertas de DR aos clientes, ou seja, os agregadores fornecem incentivos
aos consumidores para reduzirem o consumo de carga em determinados períodos, com vista a
uniformizar a curva de carga. Logo, o sistema elétrico ganha flexibilidade e, possivelmente, os
clientes reduzem os seus custos.
Tabela 4.4: Casos em estudo
Caso Informações
1 Sem DRA
2 DRA em 3 barramentos com contratos LC
3 DRA em 5 barramentos com contratos LC
4 DRA em 3 barramentos com contratos LS e preços normais
5 DRA em 3 barramentos com contratos LS e preços aumentados em 30%
6 DRA em 3 barramentos com contratos LS e preços reduzidos em 30%
7 DRA em 5 barramentos com contratos LS e preços normais
8 DRA em 5 barramentos com contratos LS e preços aumentados em 30%
9 DRA em 5 barramentos com contratos LS e preços reduzidos em 30%
Tabela 4.5: Custos para os diferentes casos
Caso Custo total da operação (e) Custo da DR (e)

1 1014,3 0
2 1053,4 67,8
3 1037,3 107,9
4 1046,5 90,2
5 1064,9 71,9
6 1016,6 69,9
7 1023,5 146,8
8 1055,7 105,7
9 977,5 117,7
Tabela 4.6: Informação dos contratos LC para DRA em 3/5 barramentos
Contratos Períodos de LC (h) Quantidade (kW) Preço (e/kW)

9-14 16,1 0,02
K1
18-22 18,4 0,03
9-14 18,4 0,03
K2
18-22 21,85 0,04
9-14 21,85 0,04
K3
18-22 23 0,05
Tabela 4.7: Informação adicional para os contratos LC
Duração máxima Duração mínima

Número máximo
Contratos de redução de de redução de
de LC por dia
carga (h) carga (h)
K1 1 9 4
K2 1 9 4
K3 1 9 4
Tabela 4.8: Informação dos contratos LS para DRA em 3/5 barramentos
Contrato K1 Contrato K2 Contrato K3

9-14 9-14 9-14
Períodos de LS (h)
18-22 18-22 18-22
Períodos de LR (h) 2-7 15-17, 23 2-7, 15-17
Quantidade (kW) 16,1 18,4 20,7
Preço normal
0,02 0,03 0,04
(e/kW)
Preço aumentado
0,026 0,039 0,052
em 30% (e/kW)
Preço reduzido em
0,014 0,021 0,028
30% (e/kW)
Número máximo de
1 1 1
LS por dia
Duração máxima
de redução de carga 9 9 9
(h)
Duração mínima de
redução de carga 4 4 4
(h)
4.1.1 Comparação do Caso Base com os Casos 2 e 3

Nesta secção há uma comparação do perfil de carga do caso base com os casos onde apenas é
fornecido contratos LC aos clientes. Desta forma, os clientes ao utilizarem estes contratos reduzem
a carga nas horas de pico, nomeadamente, entre as 9h e as 14h e entre as 18h e as 22h.
Cada contrato cedido pelos DRA aos clientes apresenta uma determinada quantidade de carga
que estes podem reduzir. Esta depende do período em questão, sendo que entre as 18h e as 22h
essa quantidade é maior.
Para além disso, em cada contrato há um preço associado à quantidade de carga cedida,
que varia consoante o período em questão. Este preço traduz-se num custo para o DSO, no
entanto, do ponto de vista dos clientes, funciona como um incentivo para estes reduzirem a carga
nesses períodos. Os valores dos incentivos são proporcionais à quantidade de carga oferecida aos
consumidores.
Em relação à Figura 4.8, esta corresponde à comparação entre o caso base e os casos 2 e 3,
onde são utilizados agregadores em 3 e 5 barramentos, respetivamente. As Figuras 4.9 e 4.10
representam a carga que foi reduzida em cada hora e em cada barramento para os casos 2 e 3,
respetivamente. Assim, a partir destas figuras é possível observar a carga total reduzida em relação
ao caso base e verificar as diferenças entres os dois casos.
Desta forma, quando são utilizados DRA em 5 barramentos, há uma maior redução da procura
elétrica do que quando são utilizados agregadores em 3 barramentos nos períodos de pico. Para o
caso 2 existe uma redução de cerca de 170 kW entre as 9h e as 14h e durante as 18h e as 22h de
180 kW, em relação ao caso base. Por outro lado, no caso 3 a média de carga reduzida nos vários
intervalos de tempo é cerca de 280 kW, sendo que entre as 18h e as 22h é quando há uma maior
redução de carga.
É de referir que, os custos operacionais da rede, do ponto de vista do DSO, são maiores no
caso 2 do que no caso 3, sendo que para o primeiro é de 1053,4 e e para o segundo de 1037,3 e.
Além disso, o custo associado à DR nos casos 2 e 3 é de 67,8 e e 107,9 e, respetivamente. Assim,
quando são utilizados DRA em 5 barramentos, o custo associado à redução de carga é superior,
em comparação com a utilização de agregadores em 3 barramentos.
Posto isto, constata-se que a diminuição da procura é maior quando são considerados DRA
em 5 barramentos, o que torna o perfil de carga mais uniforme, otimizando a gestão do lado da
procura.
4.1.2 Comparação do Caso Base com os Casos 4, 5 e 6

Nesta secção é realizada uma comparação do caso base com os casos onde foram
implementados DRA em 3 barramentos. Estes fornecem aos clientes contratos LS, com uma
variação dos preços em 30%, sendo que no caso 4 os preços não sofrem nenhuma alteração, o
que serve como termo de comparação para os restantes casos. Por sua vez, nos casos 4 e 5 há um
aumento e redução do preço em 30%, respetivamente.
Figura 4.8: Comparação do caso base com o caso 2 e 3
Figura 4.9: Carga reduzida no caso 2 em relação ao caso base
Os contratos LS permitem aos consumidores reduzir a carga dos períodos de pico e,

consequentemente, transferi-la para outros períodos, nomeadamente para os períodos de vazio
e de cheia.
Assim, a carga é transferida dos períodos TtkLS (9h-14h, 18h-22h) para os períodos TtkLR (2h-7h,
15h-17h, 23h). Desta forma, os contratos LS possuem diferentes intervalos de tempo para os quais
a carga pode ser transferida.
Em relação à Figura 4.11, observa-se que nos períodos de pico existe uma diminuição da
procura nos casos 4, 5 e 6 em comparação com o caso base, no entanto essa procura aumenta nos
períodos de vazio e de cheia. Assim, verifica-se que nestes casos há recuperação da carga entre as
2h e as 7h, as 15h e as 17h e às 23h.
Figura 4.10: Carga reduzida no caso 3 em relação ao caso base
Para além disso, constata-se que quando há um aumento do preço em 30%, caso 5,
comparativamente com o caso 4, durante as 2h e as 8h o perfil de carga mantêm-se similar, o
mesmo acontece às 23h. No entanto, das 9h às 14h e das 18h às 22h a procura de energia no caso
4 é 44 kW e 63 kW inferior, respetivamente, quando comparada com o caso 5.
Isto deve-se ao facto de os contratos com preços mais elevados, caso 5, estarem associados
a custos totais operacionais da rede mais elevados, já que os incentivos cedidos aos clientes são
também eles superiores. Assim, verifica-se que o custo total da operação e o custo da DR no caso
5 é de 1064,9 e e 71,9 e, enquanto que no caso 4 é de 1046,6 e e 90,2 e, na devida ordem. Deste
modo, o DSO prefere escolher contratos que acarretem um menor custo e, consequentemente,
permitam otimizar a a gestão do lado da procura.
Por outro lado, quando há redução em 30% do preço, caso 6, constata-se que em determinadas
horas como, por exemplo, às 2h, 5h e 6h há um aumento da procura em 62 kW em comparação
com o caso 4. Nas restantes horas a procura mantêm-se similar nos dois casos.
Por sua vez, os custos operacionais e da DR no caso 6 são de 1016,6 e e 69,9 e,
respetivamente, valores inferiores aos praticados no caso 4. Assim, verifica-se que os custos
associados à redução de carga são superiores quando os preços dos contratos não sofrem
modificações e inferiores quando estes sofrem uma redução de 30 %.
Posto isto, nota-se que aumentar ou reduzir o preço da DR não influencia substancialmente a
procura de energia por parte dos clientes quando são considerados DRA em 3 barramentos. As
diferenças analisadas entre os vários casos não são significativas, visto que que no máximo ocorreu
uma oscilação de 63 kW, valor pouco significativo para provocar impacto na rede. Apesar disso,
a utilização de agregadores em 3 barramentos que fornecem contratos LS, permite obter um perfil
de carga mais uniforme, em comparação com o caso base.
Figura 4.11: Comparação do caso base com o caso 4, 5 e 6
4.1.3 Comparação do Caso Base com os Casos 7, 8 e 9

Nesta secção é realizada uma comparação entre o caso base e os casos onde são considerados
agregadores em 5 barramentos. Tal como na secção anterior, os DRA fornecem aos clientes
contratos LS. O dados relativos a estes contratos são os mesmo da secção anterior, representados
na Tabela 4.8.
Relativamente à Figura 4.12, constata-se que há uma diminuição da procura entre as 9h e as
14h e as 18h e as 22h nos casos 7, 8 e 9 em comparação com o caso base.
Por outro lado, uma vez que os DRA fornecem aos clientes contratos LS, verifica-se que entre
as 2h e as 7h, as 15h e as 17h e às 23h, a procura aumenta nos três casos em relação ao caso base.
Comparando o caso 7 e o 9 com o caso base, observa-se que entre as 9h e as 14h o perfil de
carga é igual para ambos os casos, sendo que durante estes períodos há uma redução de cerca de
280 kW em relação ao caso base. Entre as 18h e as 22h os valores do perfil de carga são similares
para ambos os casos, já que para o caso 9 há uma redução, em média, de 316 kW e para o caso 7
de 280 kW em relação ao caso base.
Para além disso, durante as horas de vazio, das 2h às 7h, o aumento da procura é maior no
caso 9 do que no caso 7 em relação ao caso base, sendo que no primeiro caso é, em média, 157
kW e no segundo 105 kW. Às 23h a carga recuperada foi a mesma para ambos os casos, sendo
esse valor igual a 90 kW, em comparação com a caso base. Nos períodos de cheia, entre as 15h e
as 17h, o perfil de carga é igual para o caso 7 e 9, onde o aumento de carga é igual a 196 kW, em
comparação com o caso base.
Por outro lado, comparando o caso 7 e 8 com o caso base, verifica-se que entre as 2h e as 6h
e às 23h a carga recuperada nestes casos é bastante similar, sendo, em média, 90 kW. No entanto,
no caso 7 às 7h a carga recuperada corresponde a 184 kW, enquanto que no caso 8 a 102 kW.
O mesmo se verifica entre as 15h e as 17h, onde no caso 7 e 8 o valor de carga recuperada é de
196 kW e 92 kW, respetivamente. Da mesma forma, durante os períodos de pico, a carga no caso
8 sofre uma menor redução quando comparada com o caso 7, nomeadamente, entre as 9h e as 14h
a diferença é de 88 kW, enquanto que das 18h às 22h é, em média, 120 kW.
Posto isto, tanto no caso 7, como no 8 e 9 verifica-se um aumento da procura nas horas de
vazio e de cheia, bem como uma diminuição da procura nas horas de pico.
No entanto, constata-se que quando o preço de DR sofre um aumento de 30% os resultado
obtidos não são tão favoráveis quando comparados com o caso 7 e 9, tal como acontece na secção
anterior.
É de referir que, o caso 9 corresponde ao caso de estudo onde há uma maior variação da
procura, quando comparado com o caso base. Contudo, equiparando o caso 7 com o 9 observa-se
que as diferenças entre estes casos não são significativas, se considerarmos a ordem de grandeza
da rede em estudo, já que, no máximo, ocorre uma oscilação de 50 kW entre o perfil de carga de
ambos os casos. Quando é efetuada a comparação entre o caso 7 e o 8 as diferenças já são mais
consideráveis, uma vez que nos períodos pico existe uma variação de valores superior a 100 kW.
Comparando os custos operacionais da rede, representados na Tabela 4.5, observa-se que o
caso base apresenta um custo de 1014,3 e, enquanto que nos casos 7, 8 e 9 esses mesmos custos
são de 1023,5 e, 1055,7 e e 977,5 e, respetivamente. Assim, conclui-se que quando os preços
dos contratos são reduzidos em 30%, os custos das operações são inferiores ao caso base.
Por sua vez, nos casos 7 e 8 os custos operacionais são superiores ao caso base, no entanto
ambos os casos são favoráveis ao DSO, visto que potencializam a gestão do lado da procura. É de
referir que quanto mais elevados forem os incentivos cedidos aos clientes, maiores serão os custos
operacionais da rede do ponto de vista do DSO.
Relativamente aos custos da DR, no caso 7, 8 e 9 são de 146,8 e, 105,7 e e 117,7 e,
respetivamente. Assim, verifica-se que quando não há alterações nos preços dos contratos esse
custo é superior em relação aos outros casos. Isto acontece, uma vez que no caso 8, com o
aumento dos incentivos, a redução de carga não é tão significativa, logo o custo da DR é inferior
aos restantes casos. Por outro lado, no caso 9, como os preços são reduzidos em 30%, o custo
associado também ele é menor, no entanto este caso é caraterizado pela elevada redução de carga
o que não permite que o custo da DR seja menor do que no caso 8.
Note-se que, a utilização de DRA em 5 barramentos permite obter um perfil de carga mais
uniforme, em comparação com o caso base, bem como reduzir os custos operacionais, conferindo
mais flexibilidade ao sistema elétrico.
4.1.4 Comparação do Caso 4 com o Caso 7

Nesta secção é efetuada uma comparação entre o caso 4 e 7 de forma a verificar as diferenças
entre considerar agregadores em 3 ou 5 barramentos, considerando os casos cujos contratos não
apresentam modificações nos preços.
Figura 4.12: Comparação do caso base com o caso 7, 8 e 9
Quanto à Figura 4.13, é possível verificar que, quando são utilizados DRA nos 5 barramentos,
durante as horas de pico, observa-se uma maior diminuição da procura em comparação com o caso
onde são considerados 3 barramentos. Assim, entre as 9h e as 14 há uma diferença de 115 kW e
entre as 18h e as 22h de 100 kW.
Por outro lado, nos períodos de vazio a diferença já não é tão significativa, uma vez que no
caso 7 há um aumento de 46 kW de carga recuperada em comparação com o caso 4 . Por fim, nas
horas de baixa carga, nomeadamente, entre as 15h e as 17h esse valor é de 79 kW.
Nas Figuras 4.15 e 4.14 é representada a carga recuperada e reduzida em cada barramento
para o caso 4 e 7, respetivamente. Assim, a partir das figuras é possível verificar a influência de
cada barramento na procura de energia, bem como observar a carga total reduzida e recuperada em
relação ao caso base em cada hora. Assim, verifica-se que a relevância dos diversos barramentos
na alteração do perfil de carga é similar para cada hora.
Posto isto, conclui-se que as diferenças entre a utilização de 3 ou 5 barramentos é apenas
significativa durante as horas de pico. Para além disso, a partir da tabela 4.5 verifica-se que quando
são utilizados DRA em 5 barramentos o custo total da operação é de 1023,5e e o custo da DR é
de 146,8 e, enquanto quando são considerados agregadores em 3 barramentos os custos são de
1046,5e e 90,2 e, respetivamente. Desta forma, verifica-se que ao considerar mais agregadores
nos barramentos é possível reduzir os custos operacionais da rede em estudo, apesar de o custo
associado à redução de carga ser superior.

Nesta secção é realizada a comparação entre o caso 5 e 8, onde são considerados os casos,
cujos contratos sofrem um aumento do preço em 30%, de forma a verificar as diferenças entre
utilizar DRA em 3 ou 5 barramentos nestes casos.
Figura 4.13: Comparação do caso 4 com o caso 7
Figura 4.14: Carga recuperada e reduzida no caso 4 em relação ao caso base
Relativamente à figura 4.16, verifica-se que nas horas de vazio e de cheia o perfil de carga é
bastante similar em ambos os casos, verificando-se apenas um aumento, em média, de 35 kW no
caso 8 em comparação com o caso 5.
Nas horas de pico verifica-se que há uma maior redução de carga no caso 8 em relação ao caso
5, sendo que a diferença entre ambos os casos das 9h às 14h é de 69 kW e entre as 18h e as 22h é
de 40 kW.
As Figuras 4.17 e 4.18 representam a carga reduzida e recuperada em relação ao caso base
para o caso 5 e 8, respetivamente. Estas permitem visualizar, de uma forma mais pormenorizada,
as diferenças entre considerar agregadores em 3 ou 5 barramentos.
Para além disso, é possível verificar quais os barramentos que possuem uma maior influência
na gestão do lado da procura, por exemplo, o barramento 3 é responsável por uma maior redução
de carga durante o período de pico, comparativamente com os restantes barramentos.
Desta forma, quando os preços sofrem um aumento em 30% as diferenças entre os perfis de
carga não são consideráveis, bem como os custos da operação são similares, para o caso 5 é de
1064,9 e e para o caso 8 de 1055,7 e.
Tal como na secção anterior, constata-se que quando são utilizados agregadores em menos
barramentos, os custo totais são superiores, assim como os custo associados à DR são inferiores,
nomeadamente para o caso 5 é 71,9 e e para o caso 8 é 105,7 e. Com isto, os custos operacionais
apresentados nesta secção são superiores aos apresentados na anterior, uma vez que o recurso a
incentivos superiores, aumenta os custos operacionais da rede do ponto de vista do DSO.
Para além disso, os perfis de carga destes casos apresentam uma maior similaridade entre si,
comparativamente com os casos da secção anterior, já que como o caso 5 e 8 têm custos mais
elevados do que os casos 4 e 7, o DSO opta por escolher os contratos mais económicos, o que se
traduz numa menor variação da procura elétrica nos casos onde os preços dos contratos são mais
elevados.

Após terem sido observadas as diferenças entre a utilização de agregadores em 3 ou 5
barramentos nos casos onde os contratos têm preços normais e incrementados 30%, é necessário
verificar as diferenças entre os casos 6 e 9, onde os preços sofrem uma redução de 30%.
Analisando as Figuras 4.19, 4.20 e 4.21 observa-se que entre as 2h e as 7h, a carga recuperada
é maior quando são considerados agregadores nos 5 barramentos, caso 9, em comparação com o
caso 6, onde são considerados apenas 3.
Neste período, a diferença entre estes casos é, em média, 67 kW, enquanto que no período de
cheia, onde se verifica a mesma situação, essa diferença é de 79 kW. Por sua vez, a diferença entre
estes casos às 23h é pouco significativa, sendo superior em 37 kW para o caso 9.
Nas horas de pico, nomeadamente, entre as 9h e as 14h, no caso 9 há uma maior diminuição
da procura em relação ao caso 6, sendo a diferença entre estes de 115 kW. Durante as 18h e as 22h
essa diferença é de 127 kW. É de salientar que, em ambos os casos, para cada hora a influência de
cada barramento na modificação da procura é a mesma.
Comparando o caso 6 e 9, com os casos observados nas duas últimas secções, verifica-se
que quando os preços sofrem redução em 30%, as modificações no perfil de carga são mais
significativas.
Assim, nestes casos há uma distribuição mais uniforme da procura, isto é, nos períodos de pico
a redução é maior, enquanto que nos períodos de vazio e de cheia a procura de energia aumenta
em relação ao caso base. É de salientar, que entre as 9h e as 14h e as 15h e as 17h o perfil de carga
dos casos em questão é similar aos casos 4 e 7 .
Relativamente aos custos operacionais da rede e a da DR, observa-se que no caso 9 são igual
a 977,5 e e 117,7 e, enquanto que para o caso 6 são 1016,6 e e 69,9 e, respetivamente. Assim,
verifica-se que, para além de o perfil de carga se tornar mais uniforme no caso 9, em comparação
com o caso 6, também os custos para o DSO são inferiores.
Posto isto, conclui-se que os custos operacionais nestes casos são inferiores em relação aos
casos 4 e 9. Isto deve-se ao facto, de como os incentivos fornecidos aos clientes serem menores,
o DSO opta por escolher esses contratos, já que lhe permite obter uma melhor gestão do lado da
procura e, ao mesmo tempo, reduzir os seus custos, bem como os custos elétricos dos clientes.
Para além disso, a utilização de DRA em 5 barramentos facilita os processos de DR do ponto
de vista do DSO, assim como permite reduzir os custos operacionais da rede, em relação aos casos
onde são considerados agregadores em 3 barramentos.
4.1.7 Comparação do Caso Base com o Caso 2 e 4

Após terem sido observadas as diferenças entre utilizar agregadores em 3 ou 5 barramentos,
assim como a influência resultante da variação dos preços dos contratos nos perfis de carga, é
pertinente analisar, as diferenças existentes na curva de carga quando os DRA cedem contratos
LC ou LS aos clientes. Na Figura 4.22, está representada uma comparação do caso base, que serve
como referência, com os casos 2 e 4, cujos agregadores estão implementados em 3 barramentos.
Em relação ao caso 2, verifica-se que este apenas atua nos períodos de pico, onde ocorre uma
redução de carga em relação ao caso base, uma vez que neste caso apenas são fornecidos contratos
LC aos clientes.
Por outro lado, o caso 4, para além de permitir uma redução de carga igual à do caso 2 nos
períodos de pico, permite aumentar a procura nos períodos de vazio e de cheia. Este aumento é,
em média, de 60 kW, em relação ao caso base, exceto entre as 15h e as 17h, que é de 118 kW. Por
fim, verifica-se que os contratos LS permitem obter uma melhor otimização do lado da procura,
em relação aos contratos LC e, ao mesmo tempo, permitem reduzir os custos para o DSO, como
se verifica na Tabela 4.5.
4.1.8 Comparação do Caso Base com o Caso 3 e 7

Por fim, tal como na secção anterior, são analisadas as diferenças do perfil de carga dos casos
3 e 7 em relação ao caso base. Em ambos os casos é considerada a presença de DRA em 5
barramentos. Por sua vez, no caso 3 os agregadores cedem contratos LC aos clientes, enquanto
que no caso 7 fornecem contratos LS.
Relativamente à Figura 4.23, observa-se que no caso 3 a carga sofre uma redução de 280 kW
em relação ao caso base nos períodos de pico. Por sua vez, no caso 7, a redução de carga nas horas
de ponta é igual ao caso 3.
Contudo, durante os períodos de vazio e de cheia ocorre recuperação da carga, ao contrário do
caso 3. Assim, entre as 2h e as 7h e às 23h a carga recuperada é, em média, 100 kW, enquanto que
das 15h às 17h é de 195 kW.
Em suma, tal como acontece na secção anterior, no caso 7 os DRA fornecem contratos LS
o que permite ao DSO obter uma distribuição mais uniforme da procura, comparativamente ao
caso 3, onde são cedidos contratos LC aos clientes. Para além disso, no caso 7 os custos totais da
operação são inferiores em relação ao caso 3, sendo que no primeiro são de 1023,5 e e no segundo
de 1037,3 e.

Capítulo 5
Conclusões e Trabalho Futuro
5.1 Conclusões
Nesta dissertação o problema proposto foi modelizado segundo um problema estocástico de
duas etapas, com a integração de energias renováveis, de forma a enfrentar as incertezas associadas
aos parques eólicos e aos sistemas fotovoltaicos. Este modelo tem em consideração a gestão do
lado da procura, de modo a aumentar a flexibilidade do SEE, sendo que os vários cenários de
produção eólica e fotovoltaica foram modelizados como parâmetros estocásticos.
Para isso, foram considerados os DRA que cedem aos clientes três opções de DR,
nomeadamente, LC, LS e LR. Os agregadores fornecem incentivos aos clientes, para estes
modificarem a procura, sendo que os contratos cedidos são definidos entre o DSO e os DRA.
Consequentemente, as ofertas dos consumidores são enviadas dos DRA para o DSO, para este
escolher as ofertas ótimas de DR. Posto isto, o modelo proposto tem como objetivo a minimização
dos custos operacionais da rede do ponto de vista do DSO.
O modelo proposto foi resolvido numa rede teste de 15 barramentos, onde foram realizados
diversos casos de estudo considerando agregadores em 3 e 5 barramentos, bem como os preços
dos contratos possam sofrer uma variação de 30%.
Os resultados obtidos permitem concluir que quando os DRA cedem contratos LC aos clientes,
há uma redução da procura nas horas de pico, no entanto quando são fornecidos contratos LS, para
além dessa redução, constata-se um aumento da carga recuperada nas horas de vazio e de cheia,
resultado da opção de LR. Assim, a estratégia LS permite obter um perfil de carga mais uniforme
em comparação com a opção de LC.
Comparando os casos onde os agregadores são considerados em 3 e 5 barramentos,
independentemente do preço da DR, observa-se que no segundo caso, a otimização da gestão do
lado da procura é mais significativa, assim como os custos da operação para o DSO são inferiores.
Em relação à variação dos preços dos contratos cedidos aos consumidores é possível concluir,
quando há uma redução em 30%, existe uma maior diminuição da procura da carga nas horas de
pico e um aumento da carga recuperada nas horas de vazio e de cheia, em relação aos casos onde
os preços não sofrem alterações.
59
60 Conclusões e Trabalho Futuro
Por outro lado, quando os preços sofrem um aumento em 30%, a gestão do lado da procura
não é tão significativa, em relação aos outros casos. Isto acontece, uma vez que a utilização dos
incentivos mais elevados traduz-se em custos superiores, e vice-versa. Logo, o DSO seleciona
os contratos que acarretam um menor custo e que por consequência, permitem melhorar a
flexibilidade do SEE.
É de referir que as variações dos preços da DR quando se utilizam DRA em 3 barramentos
não são significativas, ao contrário de quando são considerados agregadores em 5 barramentos.
Para além disso, nos diversos casos de estudo, os custos operacionais foram superiores ao caso
base, onde não há DR, exceto no caso onde são considerados DRA em 5 barramentos e redução
dos incentivos em 30 %. No entanto, apesar dos custos operacionais de quase todos os casos de
estudo serem superiores ao caso base, ainda que as diferenças não sejam elevadas, estes trazem
benefícios para o DSO, uma vez que garantem a otimização do lado da procura, aumentando a
fiabilidade e a eficiência do SEE.
Em suma, a implementação de DRA no sistema elétrico, com integração de parques eólicos e
sistemas fotovoltaicos, asseguram uma gestão eficaz do lado da procura, onde os consumidores
desempenham um papel ativo no sistema. A procura é adequada à oferta, a flexibilidade do
sistema aumenta, assim como os custos totais da operação do ponto de vista do DSO podem
ser minimizados, bem como os custos elétricos dos consumidores.
5.2 Trabalhos Futuros

Relativamente aos trabalhos futuros, o modelo proposto ao longo desta dissertação pode ser
abordado como um problema multi-objetivo, considerando como funções objetivo a minimização
dos custos operacionais do ponto de vista do DSO e a maximização do lucro dos DRA. A redução
das emissões poluentes é outra função objetivo que poderá ser considerada.
Para além disso, poderão também ser integrados no modelo posposto os sistemas de
armazenamento, nomeadamente, os sistemas de armazenamento baseados em baterias, assim
como a implementação e integração dos veículos elétricos, de forma a melhorar a flexibilidade
do sistema elétrico.
Por sua vez, em trabalhos futuros a interação entre DRA e os consumidores pode seguir um
modelo mais complexo, onde os clientes escolhem qual o DRA utilizado, e ainda poderá ser feito
uma análise sobre a competição entre os diferentes agregadores ligados ao SEE.
Referências
[1] E. Foster, M. Contestabile, J. Blazquez, B. Manzano, M. Workman, and N. Shah, “The

unstudied barriers to widespread renewable energy deployment: Fossil fuel price responses,”
Energy Policy, vol. 103, pp. 258–264, 2017.
[2] A. Hepbasli, “A key review on exergetic analysis and assessment of renewable energy
resources for a sustainable future,” Renewable and Sustainable Energy Reviews, vol. 12,
no. 3, pp. 593–661, 2008.
[3] “Gwec | representing the global wind energy industry,” [Acedido em: 05.03.2018]. [Online].
Available: http://www.gwec.net/.
[4] “Apren | associação de energias renováveis,” [Acedido em: 03.03.2018]. [Online]. Available:
http://www.apren.pt/pt.
[5] S. Akshya, A. Ravindran, A. S. Srinidhi, S. Panda, and A. G. Kumar, “Grid integration for
electric vehicle and photovoltaic panel for a smart home,” in 2017 International Conference
on Circuit ,Power and Computing Technologies (ICCPCT), April 2017, pp. 1–8.
[6] I. Biyya, G. Aniba, and M. Maaroufi, “Impact of load and renewable energy uncertainties
on single and multiple energy storage systems sizing,” in 2017 IEEE Power Energy Society
Innovative Smart Grid Technologies Conference (ISGT), April 2017, pp. 1–5.
[7] D. Fernando, R. Melo, S. Hanif, T. Massier, and G. H. Beng, “Combination of renewable

generation and flexible load aggregation for ancillary services provision,” in 2015 50th
International Universities Power Engineering Conference (UPEC), Sept 2015, pp. 1–6.
[8] F. Kupzog and C. Roesener, “A closer look on load management,” in 2007 5th IEEE
International Conference on Industrial Informatics, vol. 2, June 2007, pp. 1151–1156.
[9] I. Dusparic, A. Taylor, A. Marinescu, V. Cahill, and S. Clarke, “Maximizing renewable

energy use with decentralized residential demand response,” in 2015 IEEE First
International Smart Cities Conference (ISC2), Oct 2015, pp. 1–6.
[10] D. Metz, M. Conlon, and D. F. Mengapche, “Advantages of a dynamic smart grid training
tool for dso control centre staff,” in Power Engineering Conference (UPEC), 2013 48th
International Universities’, Sept 2013, pp. 1–6.
[11] M. Jaradat, M. Jarrah, Y. Jararweh, M. Al-Ayyoub, and A. Bousselham, “Integration of

renewable energy in demand-side management for home appliances,” in 2014 International
Renewable and Sustainable Energy Conference (IRSEC), Oct 2014, pp. 571–576.
[12] A. Ghaderi, M. Parsa Moghaddam, and M. K. Sheikh-El-Eslami, “Energy efficiency resource

modeling in generation expansion planning,” Energy, vol. 68, pp. 529 – 37, 2014.
61
62 REFERÊNCIAS
[13] F. Z. Kadda, S. Zouggar, M. E. Hafyani, and A. Rabhi, “Contribution to the optimization

of the electrical energy production from a hybrid renewable energy system,” in 2014 5th
International Renewable Energy Congress (IREC), March 2014, pp. 1–6.
[14] A. Kiani and A. Annaswamy, “Equilibrium in Wholesale Energy Markets: Perturbation

Analysis in the Presence of Renewables,” IEEE Trans. Smart Grid, vol. 5, no. 1, pp. 177
– 87, 2014.
[15] A. Asadinejad, K. Tomsovic, and C. f. Chen, “Sensitivity of incentive based demand response
program to residential customer elasticity,” in 2016 North American Power Symposium
(NAPS), Sept 2016, pp. 1–6.
[16] S. Pazouki and M. R. Haghifam, “Comparison between demand response programs in

multiple carrier energy infrastructures in presence of wind and energy storage technologies,”
in 2014 Smart Grid Conference (SGC), Dec 2014, pp. 1–6.
[17] M. S. Hossain, N. A. Madlool, N. A. Rahim, J. Selvaraj, A. K. Pandey, and A. F. Khan,

“Role of smart grid in renewable energy: An overview,” Renewable and Sustainable Energy
Reviews, vol. 60, pp. 1168–1184, 2016.
[18] R. Kutsuzawa, A. Yamashita, N. Takemura, J. Matsumoto, M. Tanaka, and N. Yamanaka,

“Demand response minimizing the impact on the consumers’ utility towards renewable
energy,” in 2016 IEEE International Conference on Smart Grid Communications
(SmartGridComm), Nov 2016, pp. 68–73.
[19] M. P. Anand, W. Ongsakul, J. G. Singh, and K. M. Sudhesh, “Impact of economic dispatch

in a smart distribution network considering demand response and power market,” in 2015
International Conference on Energy Economics and Environment (ICEEE), March 2015, pp.
1–6.
[20] P. Siano, “Demand response and smart grids—A survey,” Renewable and Sustainable Energy
Reviews, vol. 30, pp. 461–478, 2014.
[21] N. G. Paterakis, J. P. S. Catalão, A. Tascikaraoglu, A. G. Bakirtzis, and O. Erdinc,

“Demand response driven load pattern elasticity analysis for smart households,” in 2015
IEEE 5th International Conference on Power Engineering, Energy and Electrical Drives
(POWERENG), May 2015, pp. 399–404.
[22] D. Gosselin, J. Jiang, and H. Sun, “Household level distributed energy management system
integrating renewable energy sources and electric vehicles,” in 2017 IEEE 85th Vehicular
Technology Conference (VTC Spring), June 2017, pp. 1–6.
[23] J. An, P. R. Kumar, and L. Xie, “On transfer function modeling of price responsive demand:
An empirical study,” in 2015 IEEE Power Energy Society General Meeting, July 2015, pp.
1–5.
[24] M. A. Mohamed, A. M. Eltamaly, H. M. Farh, and A. I. Alolah, “Energy management and

renewable energy integration in smart grid system,” in 2015 IEEE International Conference
on Smart Energy Grid Engineering (SEGE), Aug 2015, pp. 1–6.
[25] T. Atasoy, H. E. Akınç, and Erçin, “An analysis on smart grid applications and grid
integration of renewable energy systems in smart cities,” in 2015 International Conference
on Renewable Energy Research and Applications (ICRERA), Nov 2015, pp. 547–550.
REFERÊNCIAS 63
[26] A. R. Di Fazio, T. Erseghe, E. Ghiani, M. Murroni, P. Siano, and F. Silvestro, “Integration of

renewable energy sources, energy storage systems, and electrical vehicles with smart power
distribution networks,” J. Ambient Intell. Human. Comput. (Germany), vol. 4, no. 6, pp. 663
– 71, 2013.
[27] K. Rahbar, M. R. Vedady Moghadam, S. K. Panda, and T. Reindl, “Shared Energy Storage
Management for Renewable Energy Integration in Smart Grid [arXiv],” arXiv, pp. 5 pp. –,
2016.
[28] F. Khosrojerdi, S. Taheri, H. Taheri, and E. Pouresmaeil, “Integration of electric vehicles

into a smart power grid: A technical review,” in 2016 IEEE Electrical Power and Energy
Conference (EPEC), Oct 2016, pp. 1–6.
[29] F. Laureri, L. Puliga, M. Robba, F. Delfino, and G. O. Bultò, “An optimization model for
the integration of electric vehicles and smart grids: Problem definition and experimental
validation,” in 2016 IEEE International Smart Cities Conference (ISC2), Sept 2016, pp. 1–6.
[30] R. Debnath, D. Kumar, and D. K. Mohanta, “Effective demand side management (dsm)
strategies for the deregulated market envioronments,” in 2017 Conference on Emerging
Devices and Smart Systems (ICEDSS), March 2017, pp. 110–115.
[31] J. Thakur and B. Chakraborty, “Demand side management in developing nations: A

mitigating tool for energy imbalance and peak load management,” Energy, vol. 114, no.
Supplement C, pp. 895–912, 2016.
[32] M. Parvania, M. Fotuhi-Firuzabad, and M. Shahidehpour, “Demand response participation

in wholesale energy markets,” in 2012 IEEE Power and Energy Society General Meeting,
July 2012, pp. 1–4.
[33] M. Rahmani-andebili, “Modeling nonlinear incentive-based and price-based demand

response programs and implementing on real power markets,” Electric Power Systems
Research, vol. 132, no. Supplement C, pp. 115–124, 2016.
[34] Z. Hu, J.-h. Kim, J. Wang, and J. Byrne, “Review of dynamic pricing programs in the U.S.
and Europe: Status quo and policy recommendations,” Renewable and Sustainable Energy
Reviews, vol. 42, no. Supplement C, pp. 743–751, 2015.
[35] E. Heydarian-Forushani, M. P. Moghaddam, M. K. Sheikh-El-Eslami, M. Shafie-khah, and

J. P. S. Catalão, “A stochastic framework for the grid integration of wind power using flexible
load approach,” Energy Conversion and Management, vol. 88, no. Supplement C, pp. 985–
998, 2014.
[36] S. Lokhande and Y. K. Bichpuriya, “Empirical analysis of convergence and sensitivity of

demand response based on real time pricing,” in 2017 IEEE Power Energy Society Innovative
Smart Grid Technologies Conference (ISGT), April 2017, pp. 1–5.
[37] H. A. Aalami, M. P. Moghaddam, and G. R. Yousefi, “Modeling and prioritizing demand

response programs in power markets,” Electric Power Systems Research, vol. 80, no. 4, pp.
426–435, 2010.
[38] S. Chanda and A. De, “An intelligent energy management system to optimise demand
response in smart micro grids,” in 2016 2nd International Conference on Control,
Instrumentation, Energy Communication (CIEC), Jan 2016, pp. 397–401.
64 REFERÊNCIAS
[39] M. Nikzad and B. Mozafari, “Reliability assessment of incentive- and priced-based demand
response programs in restructured power systems,” International Journal of Electrical Power
& Energy Systems, vol. 56, no. Supplement C, pp. 83–96, 2014.
[40] M. Wei and J. Zhong, “Optimal bidding strategy for demand response aggregator in
day-ahead markets via stochastic programming and robust optimization,” in 2015 12th
International Conference on the European Energy Market (EEM), May 2015, pp. 1–5.
[41] M. Parvania, M. Fotuhi-Firuzabad, and M. Shahidehpour, “Optimal Demand Response
Aggregation in Wholesale Electricity Markets,” IEEE Transactions on Smart Grid, vol. 4,
no. 4, pp. 1957–1965, 2013.
[42] S. Kiliccote, D. Olsen, M. D. Sohn, and M. A. Piette, “Characterization of demand response
in the commercial, industrial and residential sectors in the United States,” WIREs Energy
Environ. (USA), vol. 5, no. 3, pp. 288–304, 2016.
[43] N. OConnell, P. Pinson, H. Madsen, and M. OMalley, “Benefits and challenges of electrical
demand response: A critical review,” Renewable and Sustainable Energy Reviews, vol. 39,
no. Supplement C, pp. 686–699, 2014.
[44] P. Guo, V. O. K. Li, and J. C. K. Lam, “Smart demand response in China: Challenges and
drivers,” Energy Policy, vol. 107, pp. 1–10, 2017.
[45] S. Nolan and M. O’Malley, “Challenges and barriers to demand response deployment and
evaluation,” Applied Energy, vol. 152, no. Supplement C, pp. 1–10, 2015.
[46] M. Duan, X. Shao, G. Cui, A. Zheng, G. Tong, G. Wu, and C. Gao, “Rolling dispatch
of demand response resources considering renewable energy accommodation,” in 2017 4th
International Conference on Systems and Informatics (ICSAI), Nov 2017, pp. 358–362.
[47] M. H. Firouz and A. Alemi, “Optimal energy and reserve scheduling of wind power
producers in electricity market considering demand response,” in 2016 IEEE International
Conference on Power and Energy (PECon), 2016, pp. 652 – 6.
[48] Q. Wang, C. Zhang, Y. Ding, G. Xydis, J. Wang, and J. Østergaard, “Review of real-time
electricity markets for integrating Distributed Energy Resources and Demand Response,”
Applied Energy, vol. 138, pp. 695–706, 2015.
[49] P. Siano and D. Sarno, “Assessing the benefits of residential demand response in a real time
distribution energy market,” Appl. Energy, vol. 161, pp. 533 – 51, 2015.
[50] J. M. Morales, M. Zugno, S. Pineda, and P. Pinson, “Redefining the merit order of stochastic
generation in forward markets,” IEEE Transactions on Power Systems, vol. 29, no. 2, pp.
992–993, March 2014.
[51] R. Rajagopal, E. Bitar, P. Varaiya, and F. Wu, “Risk-limiting dispatch for integrating
renewable power,” International Journal of Electrical Power & Energy Systems, vol. 44,
no. 1, pp. 615–628, 2013.
[52] N. Hajibandeh, M. Ehsan, S. Soleymani, M. Shafie-khah, and J. P. S. Catalão,
“Modeling price- and incentive-based demand response strategies in the renewable-based
energy markets,” in 2017 IEEE International Conference on Environment and Electrical
Engineering and 2017 IEEE Industrial and Commercial Power Systems Europe (EEEIC / I
CPS Europe), June 2017, pp. 1–5.
REFERÊNCIAS 65
[53] M. Negrete-Pincetic, G. Wang, M. Arancibia, A. Kowli, E. Shafieepoorfard, and S. Meyn,

“The value of volatile resources in electricity markets,” Sustainable Energy, Grids and
Networks, vol. 11, pp. 46–57, 2017.
[54] N. Gong, X. Luo, and D. Chen, “Bi-level two-stage stochastic SCUC for ISO day-ahead
scheduling considering uncertain wind power and demand response,” J. Eng., pp. 71 – 7,
2017.
[55] Y. Taniguchi, R. Kutsuzawa, A. Yamashita, J. Matsumoto, and N. Yamanaka, “Demand

response minimizing the impact on the consumers’ utility considering forecast error
on renewable energy resource,” in 2017 IEEE International Symposium on Local and
Metropolitan Area Networks (LANMAN), June 2017, pp. 1–6.
[56] J. Saebi, M. H. Javidi, and D. T. Nguyen, “Integrating demand response market into
energy/reserve market: a bilevel approach,” in 2014 Smart Grid Conference (SGC), 2014,
pp. 1–7.
[57] H. Darvish, A. Darvishi, and H. Hejazi, “Integration of demand side management in security
constrained energy and reserve market,” in 2015 IEEE Power Energy Society Innovative
Smart Grid Technologies Conference (ISGT), Feb 2015, pp. 1–5.
[58] B. Chen, L. Cheng, Z. Wu, L. Lin, R. Wang, and Z. Chen, “Study on the reliability of
integration between smart micro-grid and distribution network,” in 2012 Asia-Pacific Power
and Energy Engineering Conference, March 2012, pp. 1–5.
[59] C. Alvarez-Bel, G. Escriva-Escriva, and M. Alcazar-Ortega, “Renewable generation and

demand response integration in micro-grids: development of a new energy management and
control system,” Energy Effic., vol. 6, no. 4, pp. 695–706, 2013.
[60] M. Mahoor, N. Iravani, S. M. Salamati, A. Aghabali, and A. Rahimi-Kian, “Smart energy

management for a micro-grid with consideration of demand response plans,” in 2013 Smart
Grid Conference (SGC), Dec 2013, pp. 125–130.
[61] G. Li, Z. Bie, B. Hua, and X. Wang, “Reliability evaluation of distribution systems including
micro-grids considering demand response and energy storage,” in 2012 47th International
Universities Power Engineering Conference (UPEC), Sept 2012, pp. 1–6.
[62] M. H. Amrollahi and S. M. T. Bathaee, “Techno-economic optimization of hybrid

photovoltaic/wind generation together with energy storage system in a stand-alone micro-
grid subjected to demand response,” Appl. Energy (Netherlands), vol. 202, pp. 66–77, 2017.
[63] J. Soares, B. Canizes, M. Ali Fotouhi Ghazvini, Z. Vale, and G. Kumar Venayagamoorthy,
“Two-Stage Stochastic Model Using Benders’ Decomposition for Large-Scale Energy
Resource Management in Smart Grids,” IEEE Trans. Ind. Appl., vol. 53, no. 6, pp. 5905
– 14, 2017.
[64] S. Talari, M. Shafie-khah, F. Wang, J. Aghaei, and J. P. S. Catalão, “Optimal scheduling of

demand response in pre-emptive markets based on stochastic bilevel programming method,”
IEEE Transactions on Industrial Electronics, pp. 1–1, 2017.
[65] A. Selin Kocaman, C. Abad, T. J. Troy, W. T. Huh, and V. Modi, “A stochastic model for
a macroscale hybrid renewable energy system,” Renew. Sustain. Energy Rev., vol. 54, pp.
688–703, 2016.
66 REFERÊNCIAS
[66] S. Kwon, L. Ntaimo, and N. Gautam, “Optimal Day-Ahead Power Procurement With
Renewable Energy and Demand Response,” IEEE Trans. Power Syst., vol. 32, no. 5, pp.
3924 – 33, 2017.
[67] A. Zakariazadeh, S. Jadid, and P. Siano, “Economic-environmental energy and reserve

scheduling of smart distribution systems: A multiobjective mathematical programming
approach,” Energy Convers. Manag., vol. 78, pp. 151 – 64, 2014.
[68] S. B. Selcuklu, D. W. Coit, F. Felder, M. Rodgers, and N. Wattanapongsakorn, “A new

methodology for solving multi-objective stochastic optimization problems with independent
objective functions,” in 2013 IEEE International Conference on Industrial Engineering and
Engineering Management, 2013, pp. 101 – 5.
[69] S. Jalali, M. Seifbarghy, J. Sadeghi, and S. Ahmadi, “Optimizing a bi-objective reliable

facility location problem with adapted stochastic measures using tuned-parameter multi-
objective algorithms,” Knowl.-Based Syst., vol. 95, pp. 45–57, 2016.
[70] A. Zakariazadeh, S. Jadid, and P. Siano, “Stochastic multi-objective operational planning of

smart distribution systems considering demand response programs,” Electr. Power Syst. Res.,
vol. 111, pp. 156 – 68, 2014.
[71] G. R. Aghajani, H. A. Shayanfar, and H. Shayeghi, “Demand side management in a smart

micro-grid in the presence of renewable generation and demand response,” Energy, vol. 126,
pp. 622–637, 2017.
[72] B. Y. Qu, J. J. Liang, Y. S. Zhu, Z. Y. Wang, and P. N. Suganthan, “Economic emission

dispatch problems with stochastic wind power using summation based multi-objective
evolutionary algorithm,” Inf. Sci., vol. 351, pp. 48–66, 2016.
[73] J. Qiu, J. Zhao, and D. Wang, “Flexible Multi-Objective Transmission Expansion Planning
with Adjustable Risk Aversion,” Energies, vol. 10, no. 7, pp. 1036 (20 pp.) –, 2017.
[74] F. A. S. Gil, M. Shafie-khah, A. W. Bizuayehu, and J. P. S. Catalão, “Offering strategy of a

plug-in electric vehicle parking lot in renewable-based distribution networks,” in 2015 IEEE
International Conference on Smart Energy Grid Engineering (SEGE), Aug 2015, pp. 1–6.
[75] “Welcome | esios electricity · data · transparency.” [Acedido em: 14.04.2018]. [Online].
Available: https://www.esios.ree.es/en

Gestão Do Lado Da Procura Numa Rede Elétrica de Distribuição Inteligente Incluindo Energias Renováveis

Enviado por

Dados do documento

Título original

Direitos autorais

Formatos disponíveis

Compartilhar este documento

Compartilhar ou incorporar documento

Opções de compartilhamento

Você considera este documento útil?

Este conteúdo é inapropriado?

Direitos autorais:

Formatos disponíveis

Gestão Do Lado Da Procura Numa Rede Elétrica de Distribuição Inteligente Incluindo Energias Renováveis

Enviado por

Direitos autorais:

Formatos disponíveis

FACULDADE DE E NGENHARIA DA U NIVERSIDADE DO P ORTO

Gestão do Lado da Procura numa Rede

Bernardo José Malhado Ferreira da Silva

Mestrado Integrado em Engenharia Eletrotécnica e de Computadores

Orientador: Prof. Doutor João Paulo da Silva Catalão

Agregadores de resposta à procura, Energia Renovável, Gestão do lado da procura,

Demand response aggregators, Demand side management, Renewable energy, Stochastic

Em primeiro lugar, um agradecimento ao meu orientador, Professor Doutor João Paulo da

Bernardo José Malhado Ferreira da Silva

4 Estudo de Casos e Análise de Resultados 39

4.1.6 Comparação do Caso 6 com o Caso 9 . . . . . . . . . . . . . . . . . . . 53

5 Conclusões e Trabalho Futuro 59

1.1 Capacidade global acumulada instalada de energia eólica . . . . . . . . . . . . . 2

2.1 Classificação das diferentes estratégias de DSM . . . . . . . . . . . . . . . . . . 14

4.1 Rede do caso em estudo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 40

4.1 Potência dos geradores . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 41

A/S Ancillary Service Market

Vmax ,Vmin ,V Nom Voltagem máxima, mínima e nominal

Neste capítulo é apresentado as linhas gerais para o desenvolvimento da presente dissertação

Figura 1.2: Evolução da produção elétrica em Portugal Continental (extraído de [4])

Verifica-se que alguns aparelhos inteligentes, os veículos elétricos e os sistemas domésticos

1.4 Estrutura da dissertação

No Capítulo 4 são apresentados os diversos casos de estudo considerados no presente trabalho

1.5 Organização do texto

Os combustíveis fósseis correspondem às energias limitadas e não endógenas. Estes são

2.1 Rede inteligente

• Implementação de uma infraestrutura de comunicação distribuída escalável com vista a

• Utilização de um esquema de decisão distribuída, isto é, a disposição de uma inteligência

É de salientar, a importância da implementação de infraestruturas de medição avançadas

2.1.1 Integração das Energias Renováveis

2.1.2 Integração dos Veículos Elétricos

Em resumo, os veículos elétricos conseguem equilibrar a procura e a oferta de energia, assim

2.2 Demand Side Management

Figura 2.1: Classificação das diferentes estratégias de DSM (extraído de [30])

2.3.1 Programas de DR Baseados em Preços

2.3.1.1 Exemplo da Influência de um PBDR

2.3.1.2 Riscos e Recompensas dos PBDR

Figura 2.2: Programas DR baseados em preços (adaptado de [31] )

Figura 2.3: Influência do programa de DR TOU (adaptado de [16])

2.3.2 Elasticidade dos Preços da Procura

Em [38] é demonstrado um exemplo de um mecanismo responsável por encontrar o preço

2.3.3 Programas de DR Baseados em Incentivos

Figura 2.5: Determinação do preço da eletricidade operacional da rede inteligente

Figura 2.6: Programas DR baseados em incentivos (adaptado de [31])

Em [41] é proposto um modelo para a agregação de DR nos mercados grossistas de energia,

2.3.5 Classificação dos Clientes DR

Nas residências dos consumidores há um aumento de dispositivos que possuem diversos

2.4 Benefícios e Limitações da DSM

2.5 Mercados Elétricos com a Integração de Energias Renováveis

Figura 2.7: Arquitetura dos mercados do sistemas elétrico (extraído de [48])

Figura 2.8: Representação de uma Micro-Rede típica (extraído de [58])

2.7 Programação Estocástica

Figura 2.9: Representação do modelo de árvore de cenários (extraído de [63])

2.7.1 Modelo Estocástico de Duas Etapas

2.7.2 Problemas Multi-Objetivos

O método evolutivo Multi-Objective Particle Swarm Optimization Method também é bastante

Figura 2.10: Frente de Pareto (adaptado de [68])

3.1 Função Objetivo

Em relação à primeira, esta corresponde às variáveis relacionadas com o mercado do dia

3.2 Restrições do Problema

As equações (3.3) e (3.4) representam o balanço da potência ativa e reativa do sistema de

a montante em cada linha de transmissão.

∆Ptnn0 (τ) ≤ ∆Stnn0 ∀t, ∀n (3.9)