Escolar Documentos
Profissional Documentos
Cultura Documentos
FELIPE G. DUQUE
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.
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.
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
ji
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
m1 ji
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-
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
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.
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$)
1.526
1.52
0 100 200 300 400 500 600 700
Número de Pertubações
1.5255
152.700,84. Este custo é, portanto, superior ao custo Systems by Ant Colony Search Algorithm, IEEE
total da melhor solução determinada pelo algoritmo Transactions on Power Systems 16(4), pp. 1747-
MS proposto, US$ 152.478,18. Conforme descrito 1755.
anteriormente, o ganho em relação ao HCA foi verifi- Civanlar, S.; Grainger J. J.; Yin H. and Lee S. S. H.
cado em 99,20 % das 500 execuções do MS. (1988) .Distribution Reconfiguration for Loss
O tempo de processamento médio para as 500 execu- Reduction. IEEE Transactions on Power
ções do algoritmo MS proposto foi de 0,68 minutos. Delivery, Vol. 3, No. 3, pp. 1217-1223.
Este tempo é próximo do tempo de 0,70 minutos, Dorigo, M. and Di Caro, G., (1999), Ant Colony
divulgado em (Silva Jr. et al., 2008) para o HCA. Optimization: A New Meta-Heuristic, in
Nesta referência, os autores comparam o tempo do Proceedings of the Congress on Evolutionary
HCA com o tempo médio obtido via algoritmo gené- Computation, 1999, pp. 1470–1477.
tico, 32 minutos, demonstrando a eficiência compu- Gallego, R.A., Monticelli, A.J., and Romero, R.,
tacional do HCA. Portanto, as conclusões sobre a (2001), Optimal capacitor placement in radial
eficiência computacional podem ser estendidas para o distribution networks, IEEE Transactions on
algoritmo MS proposto no presente trabalho. Power Systems 16(4), pp. 630-637.
Destaca-se que o método MS proposto tem potencial Ghadimi, N., (2011), Optimal Placement of
para a otimização de sistemas de grande porte, com a Capacitor Banks in order to Improvement of
utilização de processamento paralelo. Neste caso, as Voltage Profile and Loss Reduction based on
500 simulações realizadas poderiam, por exemplo, PSO, Department of Engineering, Ardabil
ser distribuídas em 20 núcleos processadores, ficando Branch, Islamic Azad University, Ardabil, Iran.
cada núcleo com 25 árvores iniciais. Goldberg, D. E., (1989), Genetic Algorithms in
Search, Optimization & Machine Learning,
Reading, MA: Addison-Wesley, 1989.
6 Conclusão
Grainger, J. J. and Lee, S. H., Optimum size and
location of shunt capacitors for reduction of
Este trabalho apresentou um algoritmo baseado em losses on distribution feeders, IEEE Trans.
técnica de otimização bio-inspirada para alocação Power App. Syst., vol.PAS-100, no.3, Mar.1981.
ótima de capacitores em sistemas de distribuição. Os
Grainger, J. J. and Lee, S. H., Capacity release by
objetivos são a minimização das perdas de energia
shunt capacitor placement on distribution
combinada com o mínimo investimento em capacito-
feeders: A new voltage dependent, IEEE Trans.
res. Os resultados obtidos mostraram que o método
Power App. Syst., vol. PAS-101, no. 5, May
consegue determinar soluções cuja qualidade é com-
1982.
patível com a literatura, demonstrando seu potencial
Kammerdiner, A. R.; Mucherino, A. and Pardalos, P.
de aplicação. Para o caso de estudo utilizado, foi
M. (2009). Application of Monkey Search Meta
possível obter uma solução melhor do que outro mé-
– heuristic to Solving Instances of the
todo da literatura, com robustez comprovada através
Multidemcnional Assignment Problem.
de um número elevado de execuções. A aplicação da
University of Florida, Gainesville, FL. M.J.
metodologia proposta para alocação de bancos cha-
Hirsch et al. (Eds.): Optimization & Cooperative
veados de capacitores será investigada em trabalhos
Ctrl. Strategies, LNCIS 381, pp. 385–397.
futuros.
Levitin, G; Kalyuzhny, A.; Shenkman, A. And
Chertkov, M., “Optimal capacitor allocation in
Agradecimentos distribution systems using a genetic algorithm
and a fast energy loss computation technique,”
Os autores agradecem ao Programa de Pós- IEEE Trans. Power Del., vol.15, no.2, Apr.2000.
Graduação em Engenharia Elétrica (PPEE) da UFJF, Mucherino, A. and Seref, O. (2007). Monkey Search:
a CAPES, CNPq, INERGE e FAPEMIG pelo apoio à a novel metaheuristic search for global
pesquisa. optimization. Center for Applied Optimization,
University of Florida, Florida, USA.
Referências Bibliográficas 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
Baran, M. E. and Wu, F. F., Optimal capacitor
Constructive Algorimt for Capacitor Palcement
placement on radial distribution systems, IEEE
on Distribution Systems. IEEE Transactions on
Trans. Power Delivery, vol. 4, no. 1, Jan.1989.
Power Systems, Vol.23, No. 4; pp. 1619- 1626.
Beê, R. T. (2007). Alocação de Banco de Capacitores
Sirjani, R. and Hassanpour, B., (2011), A New Ant
em Sistema de Distribuição de Energia Elétrica
Colony-Based Method For Optimal Capacitor
Utilizando Algoritmos Genéticos. Universidade
Placement And Sizing In Distribution Systems,
Fedral do Paraná, Paraná, PR.
Science And Research Branch, Islamic Azad
Chang, C. F., (2001), Reconfiguration and Capacitor
University, Tehran, Iran.
Placement for Loss Reduction of Distribution