Anais do XIX Congresso Brasileiro de Automática, CBA 2012.

ALOCAÇÃO DE BANCOS DE CAPACITORES EM SISTEMAS DE DISTRIBUIÇÃO

UTILIZANDO TÉCNICA DE OTIMIZAÇÃO BIO-INSPIRADA

FELIPE G. DUQUE

Laboratório de Sistemas de Potência – LAPSOT, Departamento de Eletricidade, Universidade Federal de

Juiz de Fora – UFJF
Rua Vitorino Braga 1056/201 – Vitorino Barga, 36060 – 000, Juiz de Fora, MG, BRASIL
E-mails: felipe.duque@engenharia.ufjf.br

FELIPE G. DUQUE, LEONARDO W. OLIVEIRA, EDIMAR J. OLIVEIRA

Laboratório de Sistemas de Potência, Depto. de Eletricidade, Universidade Federal de Juiz de Fora

Rua José Lourenço Kelmer s/n – São Pedro, 36036 – 900, Juiz de Fora, MG, BRASIL
E-mails: felipe.duque@engenharia.ufjf.br, leonardo.willer@ufjf.edu.br,
edimar.oliveira@ufjf.edu.br

Abstract This paper proposes a methodology for fixed capacitor allocation in electrical distribution systems, through the
application of bio-inspired optimization technique. The objective is to minimize the costs related to the energy losses in the dis-
tribution network during a planning horizon, with minimum investment cost in capacitors. A modified bio-inspired optimization
technique is proposed to handle the huge and combinatorial nature of this problem. The contributions of this paper are the
evaluation of the application of this technique to the capacitor allocation problem, which was not investigated in the literature,
and the proposition of modifications aiming further fitting to the capacitor allocation problem. A conventional load flow algo-
rithm is used to evaluate each candidate solution. Cases studies comprising well-know test systems are performed in order to
evaluate the proposed methodology.

Keywords Capacitor Allocation, Distribution Systems, Loss Minimization, Bio-inspired Optimization.

Resumo Este artigo propõe uma metodologia para a alocação de bancos fixos de capacitores em sistemas de distribuição
de energia elétrica, através da aplicação de técnica de otimização bio-inspirada. O objetivo é minimizar os custos relativos às
perdas de energia na rede de distribuição durante um horizonte de planejamento da operação, com o mínimo custo de investi-
mento em capacitores. Uma técnica de otimização bio-inspirada modificada é proposta para tratar a natureza combinatória e de
grande escala deste problema. As contribuições deste artigo são a avaliação da aplicação desta técnica para o problema de aloca-
ção de capacitores, ainda inexplorada na literatura, e a proposição de modificações a fim de melhor adaptá-la às características
deste problema. Um algoritmo de fluxo de potência convencional é usado para avaliar cada solução candidata. Estudos de casos
com sistemas difundidos na literatura são realizados para avaliar o desempenho da metodologia proposta.

Palavras-chave Alocação de Capacitores, Sistemas de Distribuição, Minimização de Perdas, Otimização Bio-inspirada.

heurísticas, incluindo técnicas de otimização bio-

1 Introdução
Alocação de bancos de capacitores consiste em
uma opção amplamente investigada para redução de
perdas, correção de fator de potência (Grainger et al.,
1981; Grainger et al., 1982) e melhoria do nível de
tensão em sistemas de distribuição de energia (SDE).
Os estudos realizados para avaliar as opções de alo-
cação de capacitores em um SDE encontram dificul-
dades devido ao grande número de combinações pos-
síveis agravadas com o tamanho do sistema. Além da
natureza combinatória de grande escala, este proble-
ma é não linear e não convexo, ou seja, sua região de
solução apresenta uma infinidade de pontos ótimos
locais.
Devido às características citadas anteriormente, os
métodos propostos nos estudos de alocação de ban-
cos de capacitores devem aliar soluções de qualidade
com tempos de processamento que não sejam proibi-
tivos para as análises de planejamento de SDE (Gal-
lego, 2001). A aplicação de heurísticas e meta-
inspiradas, visa atender tais requisitos.
Neste contexto, Silva Jr. et al. (2008) propuseram um
algoritmo heurístico construtivo para a alocação óti-
ma de bancos de capacitores em sistemas de distribu-
ição, com os objetivos de minimização das perdas de
energia e dos custos de investimento nestes equipa-
mentos. Este algoritmo utiliza índices de sensibilida-
de, baseados nos multiplicadores de Lagrange obti-
dos de uma ferramenta de Fluxo de Potência Ótimo
(FPO). A seleção prévia de um conjunto de barras
candidatas à alocação via análise de sensibilidade
reduz de forma eficiente o espaço de busca, aumen-
tando a eficiência e a eficácia do algoritmo proposto.
Métodos de otimização bio-inspirada (Goldberg,
1989; Dorigo et al., 1999) também têm sido propos-
tos para o problema de alocação de capacitores
(Chang, 2001; Levitin et al., 2000; Ghadimi, 2011).
Estes métodos são geralmente inspirados no compor-
tamento de animais na busca por fontes de alimento,
e visam captar e representar tal comportamento em
modelos computacionais de otimização combinatória.
O propósito é determinar soluções sub-ótimas de boa

ISBN: 978-85-8001-069-5 4211

 Anais do XIX Congresso Brasileiro de Automática, CBA 2012.
qualidade para o problema de otimização, podendo
eventualmente obter a solução ótima global.
Chang (2001) e Sirjani et al. (2011) propuseram a
técnica bio-inspirada intitulada Colônia de Formigas
Artificiais para alocação ótima de capacitores em
SDE. Com este mesmo propósito, Levitin et al.
(2000) e Beê (2007) apresentaram metodologias ba-
seadas em algoritmo genético e Ghadimi (2011) a-
presentou a metodologia baseada em enxame de par-
tículas.
Com base na aplicação de otimização bio-inspirada
para a determinação da alocação ótima de bancos
fixos de capacitores em sistemas de distribuição, o
presente trabalho propõe um algoritmo de alocação
baseado na aplicação da técnica conhecida como
“Monkey Search” (MS). A minimização das perdas
de energia durante um horizonte de planejamento da
operação do sistema, aliada ao custo mínimo de in-
vestimento em capacitores, consiste no objetivo do
algoritmo proposto. Para tanto, o método MS origi-
nalmente proposto por Kammerdiner et al. (2009) foi
modificado a fim de incorporar as particularidades do
problema em questão e aumentar sua eficiência com-
putacional. Portanto, as contribuições deste artigo são
a avaliação da aplicação de uma técnica ainda inex-
plorada na literatura para o problema de alocação de
capacitores, bem como a proposição de modificações
nesta técnica a fim de melhor adaptá-la às caracterís-
ticas deste problema.
Os estudos de casos realizados com sistemas de 14 e
69 barras, difundidos na literatura, apontam para um
método eficiente e adequado para avaliação de siste-
mas de grande porte e aplicação através de proces-
samento paralelo.
2 Técnica Bio-inspirada “Monkey Search”
A técnica de otimização combinatória bio-
inspirada denominada “busca do macaco” (do inglês
Monkey Search - MS) (Kammerdiner et al., 2009;
Mucherino and Seref, 2007) tem como principio o
comportamento de macacos na busca por fontes de
alimento. Esta busca é efetuada através de movimen-
tos de subida e descida em árvores que abrigam tais
fontes. A cada movimento, a memória do macaco é
atualizada a fim de armazenar as melhores rotas en-
contradas e direcionar sua busca a partir destas rotas.
Para representar computacionalmente o comporta-
mento acima descrito, a técnica MS utiliza-se do con-
ceito de memória adaptativa e realiza simulações dos
movimentos de subida e descida nas árvores. Estes
movimentos são associados aos deslocamentos reali-
zados dentro do espaço de busca de um problema de
otimização e as fontes de alimentos são relacionadas
com as possíveis soluções deste problema.
Da mesma forma que outras técnicas baseadas em
heurísticas e comportamentos bio-inspirados, o mé-
todo MS foi proposto para determinar soluções de
boa qualidade com tempos computacionais aceitáveis
ISBN: 978-85-8001-069-5
de acordo os requisitos do problema. Os passos de
um algoritmo MS podem ser organizados, de forma
generalizada, em duas etapas:
Etapa 1: Busca pela árvore inicial.
Quando o MS inicia o processo de busca, não há ne-
nhuma informação sobre os ramos a serem investiga-
dos, ou seja, não existem soluções armazenadas na
memória. Assim, a busca na árvore inicial é exausti-
va, envolvendo todos os ramos candidatos.
A partir dos resultados obtidos da busca exaustiva na
árvore inicial, o mecanismo de memória adaptativa
passa a armazenar um conjunto de soluções que ser-
virão como referências para as próximas árvores,
denominadas como subsequentes.
Etapa 2: Busca pelas árvores subsequentes.
As árvores subsequentes investigadas no processo de
busca do MS são obtidas a partir de perturbações na
melhor solução encontrada na árvore inicial.
A partir da memória de referência formada na Etapa
1, o algoritmo de otimização efetua uma varredura
direcionada pelas árvores subsequentes, evitando o
processo de busca exaustiva e acelerando a investiga-
ção destas árvores.
A busca em uma árvore subsequente inicia-se pela
sua raiz. Cada árvore tem como estrutura um sistema
binário, representando as duas opções de cada ramo,
ou seja, “1” (ramo visitado) ou “0” (ramo não percor-
rido). A Figura 1 ilustra esta estrutura, em que as
linhas reforçadas consistem nos ramos percorridos
pelo processo de busca.
D
B
E
A
F
G
Figura 1. Estrutura da árvore.
A partir da raiz, cada ramo visitado conduz à possibi-
lidade de dois novos ramos. O algoritmo então decide
por qual destes ramos subir, até que o topo da árvore
seja alcançado, correspondendo a uma nova solução.
A partir do topo, o algoritmo retorna pelo mesmo
caminho de subida, simulando a descida da árvore até
a raiz. Daí, o processo de subida e descida é reinicia-
do, até que a condição de convergência da árvore
seja atendida. Esta condição será descrita posterior-
mente.
Os procedimentos descritos geram soluções de forma
que a memória adaptativa é atualizada toda vez que o
processo encontra uma solução melhor que outra
previamente armazenada. A melhor solução de uma
árvore é então perturbada direcionando a busca para
a próxima árvore, conforme sugerido em (Kammer-
diner et al., 2009), até a convergência do algoritmo.
Alguns parâmetros devem ser especificados na apli-
cação do algoritmo MS, tais como: (i) altura da árvo-
4212
 Anais do XIX Congresso Brasileiro de Automática, CBA 2012.

re (topo); (ii) raiz da árvore; (iii) número de cami- Fluxo de potência reativa entre as barras i e j
qij ,u
nhos possíveis; (iv) critérios de convergência. Estes com nível de carga u;
parâmetros serão descritos na seção 4. Número máximo de banco de capacitores
Nbc
por barra;
3 Formulação do Problema de Otimização DI mi Estado (1: alocado; 0: não alocado) do ban-
co de capacitores m na barra i;
A formulação do problema de otimização pro- Vi ,u Módulo de tensão da barra i com nível de
posto envolve a função objetivo e as restrições asso- carga u;
ciadas à alocação de bancos de capacitores em siste- gi , j Condutância do trecho i – j.
mas de distribuição. Este problema é formulado a
seguir. A função objetivo (FOB), definida em (1), envolve o
custo total associado à perda de energia (primeira
 nt  nc  nb 
Min FOB      ceu .Tu .Lk ,u   cb.DI mi .Qbmi  (1) parcela), considerando diferentes níveis de carga u, e
 u 1  k 1  i 1  o custo de investimento em bancos de capacitores
(segunda parcela). Esta função também foi usada em
Sujeito a: (Silva Jr. et al., 2008).
As equações (1.1) e (1.2) correspondem às restrições
Pgi ,u  Pli.u  p
ji
ij , u 0 (1.1) de balanço de potencia ativa e reativa em cada barra,
respectivamente. A equação (1.3) é usada para cálcu-
 Nbc  lo da perda de potência no trecho k.
Qgi ,u   DI mi .Qbmi   Qli ,u   qij ,u  0 (1.2) Observa-se que a alocação de bancos de capacitores é
 m1  ji
representada através de um montante correspondente
Lk ,u  gi , j  Vi ,2u  V j2,u  2.Vi ,2u .V j2,u .cos ij ,u  (1.3) de potência reativa injetada numa barra candidata i,
conforme equação (1.2). Este montante é dado pelo
produto da potência de cada banco pelo número de
Em que: bancos alocados nesta barra.
FOB Função Objetivo; O número de bancos alocados numa barra i é deter-
minado pelas variáveis discretas DImi. Por exemplo,
supondo-se um número máximo de bancos por barra
nt Número de níveis de carga; (Nbc) igual 3, se DI1,i = DI2,i = 1 e DI3,i = 0, então
dois bancos são alocados em i. Para tratar as variá-
nc Número de trechos de distribuição; veis discretas DIm,i, a técnica MS é proposta, confor-
me metodologia descrita na próxima seção.
ceu Custo da energia (US$/kWh) para nível de
carga u;
Tu 4 Metodologia Proposta
Tempo de duração do nível de carga u;

Lk ,u Perdas da potência ativa no trecho k, no ní- A metodologia proposta para alocação ótima de
vel de carga u; bancos de capacitores via técnica bio-inspirada MS
Número de barras candidatas à alocação de será descrita a seguir. Aspectos importantes do méto-
nb do como a definição dos parâmetros, critérios de
bancos de capacitores;
convergência e mecanismo de perturbação da solução
cb Custo do banco de capacitores (US$/kVAr); corrente serão abordados. Por fim, será apresentado o
fluxograma do algoritmo proposto com a descrição
Qbmi Potência reativa do banco de capacitores m de cada passo do mesmo.
na barra candidata i;
Pgi ,u Potência ativa gerada na barra i com nível 4.1 Parâmetros da Árvore Inicial
de carga u;
Potência de carga ativa na barra i com nível Define-se como árvore inicial o conjunto de so-
Pli ,u luções candidatas ao problema de alocação de bancos
de carregamento u;
de capacitores, que serve como ponto de partida para
Conjunto de barras conectadas a barra i a-
i o algoritmo MS proposto. A obtenção desta árvore é
través de trechos de distribuição; realizada através de um processo iterativo que se
pij ,u Fluxo de potência ativa entre as barras i e j inicia de uma única solução aleatória. A partir desta
com nível de carga u; solução, este processo gera soluções derivadas. Cada
Qgi ,u Potência reativa gerada na barra i com nível nível de derivação conduz a uma nova profundidade
de carga u; na busca. Para exemplificar, considera-se na Figura 1
Potência de carga reativa na barra i com que a solução inicial aleatória seja dada por "A". O
Qli ,u número de derivações em cada nível é igual a 2. Sen-
nível de carregamento u;
do assim, a partir de "A", 2 novas soluções são gera-

ISBN: 978-85-8001-069-5 4213

 Anais do XIX Congresso Brasileiro de Automática, CBA 2012.
das ("B" e "C") no primeiro nível de derivação. Ana-
logamente, no segundo nível, são obtidas as soluções
"D"-"G", totalizando dois níveis de derivação.
Com base na Figura 1, o processo iterativo para ob-
tenção da árvore inicial converge quando todas as
derivações possíveis, considerando-se o número de
derivações em cada nível e o número de níveis (pro-
fundidade), sejam obtidas, compondo o conjunto
denominado árvore inicial.
Como descrito anteriormente, a memória adaptativa
utilizada no método MS não tem informação prévia
para a exploração da árvore inicial definida anterior-
mente. Sendo assim, o processo de busca deve avaliar
todos os ramos candidatos desta árvore, conforme
Figura 1, a fim de formar a memória necessária para
a varredura das árvores subsequentes.
Na técnica MS, define-se como um caminho o con-
junto de ramos visitados entre a raiz e topo de deter-
minada árvore. No exemplo da Figura 1, a raiz é o nó
"A", o topo é dado pelos nós "D"-"G", e o caminho é
definido pelos ramos (segmentos de reta destacados),
ou seja, o caminho é dado por: "A"-"B"-"E".
Define-se como tamanho ou altura da árvore (h) o
número de níveis de derivação, ou seja, na Figura 1 h
= 2. O número de caminhos de uma árvore (c) é limi-
tado pelo parâmetro h, conforme equação (2).
c  2h (2)
Em que:
c Número de caminhos possíveis na árvore;
h Altura da árvore (topo).
Portanto, na Figura 1, tem-se 4 caminhos possíveis:
(i) "A"-"B"-"D"; (ii) "A"-"B"-"E"; (iii) "A"-"C"-
"F"; (iv) "A"-"C"-"G".
O método MS efetua a busca em determinada árvore,
da raiz até o topo e do topo até a raiz pelo mesmo
caminho, simulando o processo de subida e descida.
Para a árvore inicial, este ciclo é repetido até que
todos os c caminhos sejam percorridos. Para as árvo-
res subsequentes, a busca é direcionada como será
apresentado posteriormente.
4.2 Memória Adaptativa
A memória adaptativa do método MS proposto é
composta das dez melhores soluções encontradas.
Esta memória é inicializada através da busca exausti-
va realizada na árvore inicial, sendo atualizada du-
rante as buscas nas árvores subsequentes.
Para ilustrar, considera-se que a memória formada
após a exploração da árvore inicial (memom1) seja
constituída pelas soluções de m1,1 a m10,1, dispostas
em ordem decrescente de qualidade, conforme ex-
pressão (3).
memom1  [m1,1 , m2,1 , m3,1 , m4,1 , m5,1 ,
m6,1 , m7,1 , m8,1 , m9,1 , m10,1 ]
ISBN: 978-85-8001-069-5
Em que:
memom1 Memória adaptativa inicial;
mn,mi Solução armazenada na posição n durante
a exploração da árvore mi;
mi = m1 para a árvore inicial.
Após a exploração da árvore inicial (m1), a melhor
solução encontrada, m1,1, é definida como raiz da
primeira árvore subsequente (m2). Esta solução, m1,1,
será perturbada até que o critério de convergência da
árvore m2 seja alcançado. Se este processo encontrar
uma solução melhor que alguma pertencente ao con-
junto [m1,1:m10,1], esta memória será atualizada, des-
locando os valores subsequentes para a direita, e des-
cartando a última posição m10,1. Destaca-se que o
tamanho da memória, ou seja, o número de soluções
armazenadas permanece o mesmo durante todo o
processo.
Para exemplificar, supondo-se que durante a busca na
árvore m2, duas soluções encontradas, m1,2 e m2,2,
sejam melhores que as soluções m2,1 e m5,1 da memó-
ria em (3), respectivamente. Então esta memória deve
ser atualizada para a configuração mostrada em (4).
memom 2  [m1,1 , m1,2 , m2,1 , m3,1 , m4,1 , (4)
m2,2 , m5,1 , m6,1 , m7,1 , m8,1 ]
Em que:
memomi Memória adaptativa obtida após a con-
vergência da árvore mi.
Este procedimento possibilita a incorporação de so-
luções perturbadas cuja qualidade é inferior a m1,1,
como m1,2 e m2,2 por exemplo, mas que podem se
candidatar a outras posições da memória, aumentan-
do a eficiência computacional do método. Destaca-se
que esta abordagem consiste em uma modificação no
método originalmente proposto por Kammerdiner et
al. (2009), sendo portanto, uma contribuição deste
artigo.
4.3 Mecanismo de Perturbação da Solução Corrente
O mecanismo de perturbação proposto visa dire-
cionar a busca pela solução ótima para outros subes-
paços, introduzindo diversidade neste processo. Esta
perturbação é traduzida em termos de incremento ou
decremento unitário do número de bancos de capaci-
tores, em uma barra candidata escolhida de forma
aleatória.
4.4 Convergência
-- Árvore Inicial: A convergência é alcançada quando
todos os caminhos desta árvore forem percorridos.
-- Árvore Subsequente: A convergência é alcançada
quando pelo menos um dos critérios a seguir for a-
tendido:
(3) (i) uma solução melhor que a solução raiz for al-
cançada, ou seja, considerando-se a memória em
(3), quando a qualidade de uma solução pertur-
4214
 Anais do XIX Congresso Brasileiro de Automática, CBA 2012.

bada (mm,n) for superior à da melhor solução Início Passo 1

(m1,1). Neste caso, FOB(mm,n) < FOB(m1,1);
(ii) todos os c caminhos da árvore, vide equação
(2), forem percorridos. Raiz da árvore inicial (m1) Passo 2

-- Convergência Global do Algoritmo: A convergên- ic = 1

cia global do algoritmo MS é alcançada quando a
diferença entre as funções objetivo da última posição Sobe a árvore Passo 3

da memória adaptativa e da primeira posição desta

memória for nula, ou seja, quando: FOB(m10,1) - Não

FOB(m1,1) = 0, na memória em (3). Atingiu o topo da árvore?

Sim
Sim
4.5 Algoritmo Proposto
ic = ic + 1 Desce a árvore Passo 4
Para descrever o algoritmo proposto no presente
trabalho, o sistema de 14 barras (Civanlar et al.,
1988), ilustrado na Figura 2, será utilizado como
ic < c ?
tutorial de aplicação. A Figura 3 apresenta o fluxo-
grama deste algoritmo. mi = m2 = 2 Não
1

Raiz da árvore (mi) Passo 5

11
6
2

8 12
Sobe a árvore mi perturbando a Passo 6
7
melhor solução da árvore mi - 1
3 9 10

Não
4 5 14 13
Atingiu o topo da árvore?
Figura 2. Sistema 14 barras (Civanlar et al., 1998). Não
Sim
-- Passo 1 (Figura 3): Definição dos parâmetros asso-
ciados ao método MS e ao problema de otimização m i = mi + 1 Desce a árvore mi Passo 7

formulado em (1). Neste caso tutorial, os seguintes

parâmetros serão utilizados:
 cb = 4 US$/kVAr; Convergência de mi?
 Qbmi = 200 kVAr;
 ceu = 0,06 US$/kWh para os três níveis de Sim

carga considerados (leve, média e pesada);

 Tu = 1000, 6760, e 1000 horas, para carga
leve, média e pesada, respectivamente;
 Fatores multiplicativos da carga = 0,5 (le-
ve), 1,0 (média) e 2,45 pu (pesada);
 Nbc = 3;
 Limite de capacitores para o sistema = 15;
 h = 8, resultando em c = 256, equação (2).
Nesse passo, executa-se o fluxo de potência para o
sistema original, ou seja, sem alocação de capacito-
res. Os resultados são mostrados na Tabela 1.
Tabela 1. Perdas sem Alocação de Capacitores, 14 barras.
Perdas
Nível de Carga
(kWh)
Leve 135,22
Média 555,39
Pesada 3.626,43
Total 4.317,04
-- Passo 2: Início da exploração da árvore inicial
(m1), a partir de sua raiz, para a inicialização da
memória adaptativa, equação (3). Inicialização do
contador de caminhos, ic = 1.
Convergência Global?
Sim
Fim
Figura 3. Fluxograma do algoritmo proposto.
-- Passo 3: Subida pela árvore inicial (m1) desde a
raiz até o topo. Durante este movimento, cada nível
alcançado na árvore leva a dois novos ramos candi-
datos para dar continuidade à subida, até que o topo
seja alcançado. Neste ponto, o algoritmo segue para o
passo 4.
-- Passo 4: Após atingir o topo, o algoritmo simula a
Custo das Perdas
(US$)
descida da árvore até a raiz. Chegando à raiz, verifica
8.113,68 se todos os caminhos da árvore inicial foram percor-
225.265,70 ridos. Se positivo, a busca é direcionada para a pri-
217.585,53 meira árvore subsequente (m2), no passo 5. Caso
450.964,91 contrário, o contador de caminhos ic é incrementado
(ic = ic + 1), iniciando-se uma nova subida pela ár-
vore m1. Destaca-se que este passo de descida não
requer simulações de fluxo de potência ou cálculos
adicionais, sendo apenas definido no algoritmo para
representar o fato de que os caminhos sempre partem
da solução raiz da árvore. Os custos totais de opera-

ISBN: 978-85-8001-069-5 4215

 Anais do XIX Congresso Brasileiro de Automática, CBA 2012.

ção e investimento, calculados em (1), associados às Tabela 6. Redução do Custo Total em Relação ao Sistema sem
Alocação de Capacitores.
soluções pertencentes à memória adaptativa inicial,
memom1, são apresentadas na Tabela 2. Redução (%) 20,63
Redução (US$) 93.016,43
Tabela 2. Soluções da Memória Adaptativa Inicial.
Tabela 7. Perdas com Alocação de Capacitores, 14 barras.
Posição Custo (US$) Posição Custo (US$)
m1,1 360.632,79 m6,1 364.742,71 Perdas Custo das Perdas
Nível de Carga
m2,1 360.952,25 m7,1 365.515,42 (kWh) (US$)
m3,1 362.723,05 m8,1 365.873,27 Leve 156,17 9.370,41
m4,1 363.266,69 m9,1 366.051,77 Média 410,86 166.646,04
m5,1 363.954,98 m10,1 367.037,18 Pesada 2.898,87 173.932,20
Total 3.465,90 349.948,65
-- Passo 5: Início da exploração da árvore subsequen-
te mi, através de perturbações na melhor solução da O custo de alocação de capacitores associado à solu-
árvore mi - 1. ção das Tabelas 5 e 7 foi de US$ 8.000,00, totalizan-
-- Passo 6: Subida pela árvore mi, realizando pertur- do um custo de investimento (capacitores) e operação
bações nas soluções obtidas em cada nível desta ár- (perdas) de US$ 357.948,65.
vore, através do processo de incremento e/ou decre-
mento unitário de capacitores em uma barra aleatória.
Após atingir o topo, segue para o passo 7. 5 Resultados
-- Passo 7: Simula a descida da árvore mi, do topo até
sua raiz, pelo mesmo caminho de subida. Verifica se A fim de avaliar a eficácia e a eficiência do algo-
a solução encontrada por esse caminho é superior à ritmo MS proposto, utilizou o sistema de 69 barras
melhor solução da memória obtida na árvore mi - 1. (Baran et al., 1989), 12,66 kV, 74 circuitos, ilustrado
Se não for, a solução encontrada não satisfaz ao crité- na Figura 4. Os mesmos custos e parâmetros descri-
rio de convergência da árvore mi, e o processo retor- tos para o sistema tutorial de 14 barras foram utiliza-
na ao passo 6, podendo atualizar a memória adaptati- dos neste estudo de caso. Os testes foram realizados
va conforme mostrado em (4). A qualidade da solu- utilizando um processador Intel Core I7 – 2600 , 4
ção encontrada na árvore é avaliada através do cálcu- GHz RAM, frequência 3,40 GHz.
lo do fluxo de potência na rede, para a determinação
das perdas de energia, sendo esta qualidade inversa-
mente proporcional às perdas. Se a convergência de
mi for obtida, verifica-se o critério de convergência
global do algoritmo proposto. Daí, o processo retorna
ao passo 6, incrementando mi (mi = mi +1) e passan-
do à próxima árvore, até que este critério seja atendi-
do, quando o algoritmo é finalizado.
A Tabela 3 apresenta a quantidade de árvores explo-
radas e o tempo de processamento até a convergência
global do algoritmo proposto. Cada árvore teve o Figura 4. Diagrama do sistema de 69 barras (Baran et al., 1989).
número de perturbações (NP) até a convergência Neste caso, a fim de permitir a comparação com ou-
dado na Tabela 4. tro método da literatura, as mesmas barras candidatas
A melhor solução obtida para o problema de aloca- à alocação de capacitores em (Silva Jr. et al., 2008)
ção de bancos de capacitores é apresentada na Tabela foram definidas como candidatas no presente traba-
5, enquanto que a Tabela 6 traz as reduções percen- lho. Destaca-se que estas barras, listadas no vetor NB
tual e absoluta do custo total obtido pelo MS em rela- em (5), foram definidas em (Silva Jr. et al., 2008)
ção ao sistema sem alocação de capacitores. Por fim, através de análise de sensibilidade.
a Tabela 7 apresenta as perdas de energia e os custos NB = [7 8 9 10 11 12 14 15 16 17 18 21 24 (5)
associados, para cada nível de carga considerado. 26 27 49 50 51 54 55 59 61 62 64 65
Tabela 3. Tempo de Processamento e Árvores Exploradas. 66 67 68 69]
Tempo de Processamento 6,96 segundos
A Tabela 8 apresenta as perdas de energia do sistema
Número de Árvores 9 original, com os respectivos custos e níveis de tensão
mínima, para os três níveis de carga considerados
Tabela 4. Número de Perturbações por Árvore. durante um horizonte de planejamento anual. A Ta-
Árvore 1 2 3 4 5 6 7 8 9 bela 9 apresenta os resultados de alocação obtidos
NP 5 30 1 1 224 246 256 8 256 pelo algoritmo MS proposto. Para tanto, o custo total
de investimento em capacitores foi de US$ 7.200,00.
Tabela 5. Alocação Ótima de Banco de Capacitores, 14 barras.
Na Tabela 10 são apresentadas as perdas de energia e
Barra 2 3 5 6 7 8 10 11 14 os respectivos custos e níveis de tensão mínima, para
Nº Capacitores 1 1 1 1 2 1 1 1 1 os três níveis de carga na solução obtida.

ISBN: 978-85-8001-069-5 4216

 Anais do XIX Congresso Brasileiro de Automática, CBA 2012.

Tabela 8. Perdas sem Alocação de Capacitores, 69 barras. Após o total de 500 execuções do algoritmo MS, ve-
Perdas Custo das Perdas Tensão rificou que 99,20 % das soluções apresentaram resul-
Nível de Carga
(kWh) (US$) Mínima (pu) tado melhor que o HCA. Além disto, 51 % deste per-
Leve 51,61 3.096,60 0,9566 centual corresponderam à solução ótima global para
Média 225,00 91.260,00 0,9091 este caso. A Figura 6 apresenta um gráfico represen-
Pesada 1.970,39 118.223,40 0,7268 tativo das soluções encontradas durante as 500 exe-
Total 2.247,00 212.580,00 --- cuções do algoritmo MS proposto, representadas por
Tabela 9. Alocação Ótima de Banco de Capacitores, 69 barras. cruzes (legenda MS). Estas soluções são confrontadas
com a solução ótima global, representada pela linha
Nº Barras 12 21 61 62 64
contínua (legenda OT), e com a solução obtida em
Nº Capacitores 1 1 3 3 1
(Silva Jr. et al., 2008) via HCA, representada pela
Tabela 10. Dados de Perdas com Alocação de Capacitores, linha tracejada (legenda HCA).
69 barras. Destaca-se que a solução ótima global para este sis-
Perdas Custo das Perdas Tensão tema foi obtida através de um processo de busca e-
Nível de Carga
(kWh) (US$) Mínima (pu) xaustiva, realizado previamente à execução do algo-
Leve 58,12 3.486,91 0,9787 ritmo MS. Contudo, essa busca exaustiva está vincu-
Média 146,29 59.336,47 0,9339 lada ao horizonte de planejamento estudado levando
Pesada 1.374,40 82.463,80 0,7694 em conta as barras candidatas e a quantidade de ca-
Total 1.578,81 145.287,18 ---
pacitores alocados obtidos em Silva Jr. et al. (2008).
Tempo 0,68 minutos
Isto porque o número total de combinações para o
5
Convergência da Função
1.64
x 10
sistema proposto de 70 barras (Baran et al., 1989) é
da ordem de 470  1042 , levando a um elevado tempo
convergência
162734,40 US$ Valor m1,1 da memória
1.62 computacional. A solução obtida pelo HCA é apre-
sentada nas Tabelas 11 e 12 (Silva Jr. et al., 2008).
Valor da Função Objetivo (US$)

160198,34 US$
1.6 159931,01 US$ 5
x 10 MS x (HCA, OT)
158940,88 US$ 1.528
158887,33US$
HCA
1.58
1.5275 OT
MS
154575,83 US$
Valor da Função Objetivo (US$)

1.56 154477,32 US$

1.527 HCA
154475,21 US$
154423,12 US$
155206,00 US$ 154246,00 US$
1.54 153943,71 US$ 1.5265

1.526
1.52
0 100 200 300 400 500 600 700
Número de Pertubações
1.5255

Figura 5. Perturbações e Convergência

1.525
OT
A Figura 5 mostra a evolução da função objetivo do
1.5245
problema de otimização formulado em (1) até a con- 0 50 100 150 200 250 300 350 400 450 500
Quantidade de Simulações
vergência do algoritmo, através da evolução da me-
lhor solução da memória, armazenada na posição
Figura 6. Comparação entre as soluções obtidas para um total de
m1,1, em função do número de perturbações. 500 simulações pelo método proposto (MS), com a solução ótima
Comparando-se as Tabelas 8 e 10, observa-se uma global (OT) e com a solução do HCA (Silva Jr. et al., 2008).
redução das perdas de energia de 2.247,00 kWh para
1.578,81 kWh. Consequentemente, o custo operacio- Tabela 11. Alocação de Banco de Capacitores: HCA
(Silva Jr. et al., 2008).
nal associado às perdas reduziu de US$ 212.580,00
para US$ 145.287,18. Acrescentando a este custo o Nº Barras 12 21 59 61 62 64
valor do investimento em capacitores, US$ 7.200,00, Nº Capacitores 1 1 1 3 1 2
obtém-se o custo total de US$ 152.478,18, inferior ao Tabela 12. Custos e Perdas com Alocação de Capacitores HCA
custo do sistema original sem alocação, US$ (Silva Jr. et al., 2008).
212.580,00. Portanto, a solução proposta conduz a
Perdas Custo das Perdas
uma redução de US$ 60.101,82 no custo total de Nível de Carga
(kWh) (US$)
operação durante o horizonte de planejamento anual Leve 56,63 3.397,80
considerado. Observa-se das Tabelas 8 e 10 que a Média 145,90 59.177,04
solução proposta melhora os níveis de tensão da rede. Pesada 1.382,10 82.926,00
Os resultados do algoritmo proposto foram compara- Total 1.584,63 145.500,84
dos com o método da literatura (Silva Jr. et al., 2008) Tempo 0,7 minutos
denominado HCA (Heuristic Constructive Algori-
thm). Para esta comparação, um total de 500 execu- O custo de investimento em capacitores obtido pelo
ções do algoritmo MS foi realizado, a fim de demons- HCA foi de US$ 7.200,00, totalizando um custo total,
trar, além da eficiência computacional, a robustez incluindo o custo de perdas da Tabela 12, de US$
deste algoritmo.

ISBN: 978-85-8001-069-5 4217

 Anais do XIX Congresso Brasileiro de Automática, CBA 2012.
152.700,84. Este custo é, portanto, superior ao custo
total da melhor solução determinada pelo algoritmo
MS proposto, US$ 152.478,18. Conforme descrito
anteriormente, o ganho em relação ao HCA foi verifi-
cado em 99,20 % das 500 execuções do MS.
O tempo de processamento médio para as 500 execu-
ções do algoritmo MS proposto foi de 0,68 minutos.
Este tempo é próximo do tempo de 0,70 minutos,
divulgado em (Silva Jr. et al., 2008) para o HCA.
Nesta referência, os autores comparam o tempo do
HCA com o tempo médio obtido via algoritmo gené-
tico, 32 minutos, demonstrando a eficiência compu-
tacional do HCA. Portanto, as conclusões sobre a
eficiência computacional podem ser estendidas para o
algoritmo MS proposto no presente trabalho.
Destaca-se que o método MS proposto tem potencial
para a otimização de sistemas de grande porte, com a
utilização de processamento paralelo. Neste caso, as
500 simulações realizadas poderiam, por exemplo,
ser distribuídas em 20 núcleos processadores, ficando
cada núcleo com 25 árvores iniciais.
6 Conclusão
Este trabalho apresentou um algoritmo baseado em
técnica de otimização bio-inspirada para alocação
ótima de capacitores em sistemas de distribuição. Os
objetivos são a minimização das perdas de energia
combinada com o mínimo investimento em capacito-
res. Os resultados obtidos mostraram que o método
consegue determinar soluções cuja qualidade é com-
patível com a literatura, demonstrando seu potencial
de aplicação. Para o caso de estudo utilizado, foi
possível obter uma solução melhor do que outro mé-
todo da literatura, com robustez comprovada através
de um número elevado de execuções. A aplicação da
metodologia proposta para alocação de bancos cha-
veados de capacitores será investigada em trabalhos
futuros.
Agradecimentos
Os autores agradecem ao Programa de Pós-
Graduação em Engenharia Elétrica (PPEE) da UFJF,
a CAPES, CNPq, INERGE e FAPEMIG pelo apoio à
pesquisa.
Referências Bibliográficas
Baran, M. E. and Wu, F. F., Optimal capacitor
placement on radial distribution systems, IEEE
Trans. Power Delivery, vol. 4, no. 1, Jan.1989.
Beê, R. T. (2007). Alocação de Banco de Capacitores
em Sistema de Distribuição de Energia Elétrica
Utilizando Algoritmos Genéticos. Universidade
Fedral do Paraná, Paraná, PR.
Chang, C. F., (2001), Reconfiguration and Capacitor
Placement for Loss Reduction of Distribution
ISBN: 978-85-8001-069-5
Systems by Ant Colony Search Algorithm, IEEE
Transactions on Power Systems 16(4), pp. 1747-
1755.
Civanlar, S.; Grainger J. J.; Yin H. and Lee S. S. H.
(1988) .Distribution Reconfiguration for Loss
Reduction. IEEE Transactions on Power
Delivery, Vol. 3, No. 3, pp. 1217-1223.
Dorigo, M. and Di Caro, G., (1999), Ant Colony
Optimization: A New Meta-Heuristic, in
Proceedings of the Congress on Evolutionary
Computation, 1999, pp. 1470–1477.
Gallego, R.A., Monticelli, A.J., and Romero, R.,
(2001), Optimal capacitor placement in radial
distribution networks, IEEE Transactions on
Power Systems 16(4), pp. 630-637.
Ghadimi, N., (2011), Optimal Placement of
Capacitor Banks in order to Improvement of
Voltage Profile and Loss Reduction based on
PSO, Department of Engineering, Ardabil
Branch, Islamic Azad University, Ardabil, Iran.
Goldberg, D. E., (1989), Genetic Algorithms in
Search, Optimization & Machine Learning,
Reading, MA: Addison-Wesley, 1989.
Grainger, J. J. and Lee, S. H., Optimum size and
location of shunt capacitors for reduction of
losses on distribution feeders, IEEE Trans.
Power App. Syst., vol.PAS-100, no.3, Mar.1981.
Grainger, J. J. and Lee, S. H., Capacity release by
shunt capacitor placement on distribution
feeders: A new voltage dependent, IEEE Trans.
Power App. Syst., vol. PAS-101, no. 5, May
1982.
Kammerdiner, A. R.; Mucherino, A. and Pardalos, P.
M. (2009). Application of Monkey Search Meta
– heuristic to Solving Instances of the
Multidemcnional Assignment Problem.
University of Florida, Gainesville, FL. M.J.
Hirsch et al. (Eds.): Optimization & Cooperative
Ctrl. Strategies, LNCIS 381, pp. 385–397.
Levitin, G; Kalyuzhny, A.; Shenkman, A. And
Chertkov, M., “Optimal capacitor allocation in
distribution systems using a genetic algorithm
and a fast energy loss computation technique,”
IEEE Trans. Power Del., vol.15, no.2, Apr.2000.
Mucherino, A. and Seref, O. (2007). Monkey Search:
a novel metaheuristic search for global
optimization. Center for Applied Optimization,
University of Florida, Florida, USA.
Silva Jr., I. C.; Carneiro Jr., S.; Oliveira, E. J.; Costa,
J.S.; Pereira, J. L. R., Member, IEEE, and
Garcia, P. A. N. (2008). A Heuristic
Constructive Algorimt for Capacitor Palcement
on Distribution Systems. IEEE Transactions on
Power Systems, Vol.23, No. 4; pp. 1619- 1626.
Sirjani, R. and Hassanpour, B., (2011), A New Ant
Colony-Based Method For Optimal Capacitor
Placement And Sizing In Distribution Systems,
Science And Research Branch, Islamic Azad
University, Tehran, Iran.
4218