Demand Planning in Smart Homes

Transcrição

1 Demand Planning in Smart Homes J. T. Flores, W. C. Celeste, D. J. C. Coura, S. D. Rissino, R. E. N. Moraes and H. R. O. Rocha Abstract This paper deals with the application of Heuristic and Genetic Algorithms to solve the demand planning problem in smart homes, in order to reduce the total monetary value of consumed energy or offset the seasonality from based electric generators renewable sources such as wind and solar generators. The demand management application takes into account the presence of distributed generation, time-differentiated prices (White Tariff), priority of loads and prepaid rate. The demand planning is a combinatorial problem subjected to the load allocation restrictions. The problem is solved using a heuristic method together with a Genetic Algorithm to get a compromise between comfort and the cost of energy expended. Tests with a radial residential system are performed in order to validate the model. Keywords Heuristic, Genetic Algorithm, Demand Planning, White Tariff, Pre-paid Rate. O I. INTRODUÇÃO ATUAL modelo de geração, transmissão, distribuição e consumo de energia elétrica tem-se mostrado insustentável, pois a geração é feita de forma centralizada, onde grandes usinas geradoras produzem uma considerável quantidade de energia elétrica que deve ser transportada e posteriormente distribuída a unidades consumidoras muito distantes de suas fontes, gastando-se muitos recursos na construção e manutenção de tais sistemas. Além disso, em geral, a geração dessa grande quantidade de energia elétrica resulta em impactos ambientais consideráveis. Já no lado das unidades consumidoras, principalmente os consumidores de média e baixa potência, a energia elétrica tem sido utilizada de forma pouco inteligente e sem nenhum controle. O problema é que a energia elétrica, que atualmente é considerada um bem essencial, tem-se tornado cada vez mais cara. Com isso, a geração distribuída tem se inserido muito bem em um novo paradigma de geração e consumo de energia cada vez mais presente nos mercados de energia elétrica de todo o mundo, em especial, nos países desenvolvidos e em desenvolvimento, os quais são os maiores geradores e consumidores de energia elétrica. Neste novo paradigma, as redes elétricas são compostas por geradores de baixa potência J. T. Flores, Universidade Federal do Espírito Santo (UFES), São Mateus,Espírito Santo, Brasil, jardel_ter@hotmail.com W. C. Celeste, Universidade Federal do Espírito Santo (UFES), São Mateus,Espírito Santo, Brasil, wanderley.celeste@ufes.br D. J. C. Coura, Universidade Federal do Espírito Santo (UFES), São Mateus,Espírito Santo, Brasil, daniel.coura@ufes.br S. D. Rissino, Universidade Federal do Espírito Santo (UFES), São Mateus,Espírito Santo, Brasil,silvia.rissino@ufes.br R. E. N. Moraes, Universidade Federal do Espírito Santo (UFES), São Mateus,Espírito Santo, Brasil, renato.moraes@ufes.br H. R. O. Rocha, Universidade Federal do Espírito Santo (UFES), São Mateus,Espírito Santo, Brasil, helder.rocha@ufes.br baseados, em geral, em fontes alternativas de energia e por unidades consumidoras geograficamente próximas. São as denominadas Microrredes [1], as quais têm permitido o desenvolvimento do conceito de Redes Inteligentes (Smart Grids) [2], [3], [4]. As Smart Grids são microrredes dotadas de sistemas de comunicação e controle entre seus elementos, propiciando o uso otimizado da energia produzida, melhorando, inclusive, a qualidade da energia e a eficiência da rede elétrica. O conceito Smat Grid é bastante transversal dentro das Engenharias, pois envolve um grande número de áreas de pesquisa e requer uma interação constate entre tais áreas. Para desenvolver um projeto em Smart Grid são necessários conhecimentos específicos em, por exemplo, geração, transmissão e distribuição de energia, técnicas de sensoriamento, monitoramento e supervisão de grandezas físicas e econômicas, além do conhecimento em transmissão de dados em uma rede geograficamente distribuída e de técnicas de armazenamento e processamento de grandes volumes de informações. Um dos problemas a ser tratado em uma Smart Grid é o Gerenciamento pelo Lado da Demanda (GLD) Demand Side Management (DSM), que permitem um maior controle do usuário sobre o seu consumo de energia, promovendo o uso eficiente da energia elétrica. As ações no lado da demanda mais comuns são a redução do consumo de ponta, o preenchimento de vales e o deslocamento de carga. Os programas de GLD podem ser divididos em duas categorias, a saber: o GLD direto, no qual a concessionária determina as cargas a serem desconectadas ou reduzidas, conforme condições especificadas em um contrato de interrupção com o consumidor; e o GLD indireto, onde o próprio consumidor remaneja sua demanda em resposta a sinais de preço gerados pela concessionária [5]. Neste artigo é apresentado uma nova formulação para o problema de GLD indireto, onde é considerada a curva diária de tarifação da energia elétrica (a Tarifa Branca) e são definidos níveis de conforto do usuário no uso de equipamentos elétricos/eletrônicos. O objetivo geral é o de desenvolver uma técnica que permita a redução monetária da energia paga pelo consumidor final. Vários trabalhos na literatura têm abordado o problema de GLD. Dentre tais trabalhos pode-se citar Ying-Sun [6] que desenvolveu um software que considera Geração Distribuída (GD), sistema de recarga de veículos elétricos híbridos e de dispositivos de armazenamento de energia com o objetivo de regular a curva de carga e a qualidade de energia do sistema proposto. Cita-se ainda Logenthiran [7] que propôs um algoritmo evolucionário com representação binária para a solução do problema de GLD. Siebert [8] desenvolveu um sistema baseado em Algoritmos Genéticos para agendamento de consumo de eletrodomésticos em uma residência, considerando os requisitos de tarifas diferenciadas no tempo (Tarifa Branca). Teixeira [9] estendeu o trabalho de Siebert

2 [8] quando decidiu incluir um banco de baterias para armazenamento de energia elétrica e cenários de geração distribuída através de micro geração eólica e solar residencial. Em Silva [10] analisou-se o custo da energia em consumidor atendido em baixa tensão, quando aplicada a tarifa branca em conjunto com a utilização de baterias. Para otimização do sistema, utilizou-se o método de Recozimento Simulado. Cita-se ainda Ogwumike [11], que desenvolveu uma heurística para agendamento de aparelhos eletrodoméstico de uma residência usando uma estratégia gulosa. Este artigo apresenta um sistema de gerenciamento do consumo nos ramais da rede elétrica contribuindo com a criação de uma heurística construtiva que é usada em conjunto com o Algoritmo Genético para controlar a curva de demanda. O sistema leva em consideração a presença de geração distribuída, tarifas diferenciadas no tempo (Tarifa Branca), prioridade dos ramais elétricos e tarifa pré-paga. Testes com uma rede elétrica radial residencial são realizados, a fim de validar o sistema proposto. Na sequência, na Seção II são apresentados mais detalhes sobre o Gerenciamento pelo Lado da Demanda (GDL), enquanto que na Seção III é apresentada a formulação do problema tratado neste artigo. A Seção IV descreve a metaheurística usada para tratar o problema de otimização. As Secções V e VI mostram detalhes da codificação adotada na formulação, bem como a heurística e as especificações do AG usada no GDL. Resultados de testes de simulações são comentados na Seção VII. Por fim, a Seção VIII apresenta as principais conclusões baseadas nos resultados obtidos. II. GERENCIAMENTO PELO LADO DA DEMANDA As Smart Grids permitem um maior controle do usuário sobre o seu consumo de energia, promovendo o uso eficiente da energia elétrica. Esse conceito de controle do consumo pelo consumidor é conhecido como Demand Side Management (DSM) ou Gerenciamento pelo Lado da Demanda (GLD). Gellings e Chamberlin [4], criadores do termo DSM, definiram que as atividades de GLD são aquelas que envolvem ações no lado dos consumidores, buscando remodelar a curva de carga, a fim de beneficiar tanto o consumidor como a concessionária. As ações no lado da demanda mais comuns são a redução do consumo de ponta, o preenchimento de vales e o deslocamento de carga. De uma maneira geral, pode-se dizer que estas ações buscam aumentar a utilização e o fator de carga das unidades geradoras. O GLD oferece uma alternativa bastante atrativa para evitar investimentos no aumento da capacidade de geração, sendo tal conceito aplicado em alguns países (em especial, os desenvolvidos). Atualmente, além desta utilidade, pode ser destacado que o GLD busca também aumentar a independência energética e impulsionar o uso das chamadas fontes limpas de energia. O GLD é um campo da tecnologia que surgiu no final dos anos 70, sendo utilizado para diversos propósitos, dependendo da finalidade almejada por cada empresa de energia. Atualmente no Brasil, são raros os programas de GLD para o consumidor residencial. Programas de GLD incluem medidas que buscam reduzir os picos de consumo e a demanda total de energia, melhorar a confiabilidade da rede, aumentar a eficiência energética através de um melhor balanceamento da rede, gerenciar os gastos com energia, proporcionar um maior controle dos equipamentos, favorecer a geração distribuída, aumentar a utilização e o fator de carga das unidades geradoras, e proporcionar o deslocamento de carga quando o sistema estiver operando próximo à capacidade de geração. Com a inclusão da GD através do conceito Smart Grid, o GLD torna-se mais complexo, mas, em contra partida, ajuda na redução dos custos com a energia. Neste contexto de GD, o objetivo é de minimizar o gasto de acordo com a energia produzida e a proveniente da distribuidora de energia. Considerando que as concessionárias distribuidoras passem a estimular o deslocamento do consumo através da adoção de tarifas mais caras no horário de pico, o GLD, além de otimizar o uso dos recursos energéticos, planejará o consumo nos períodos mais favoráveis, reduzindo-o nos períodos mais críticos. Assim, o consumidor poderá alterar o seu perfil de consumo, possibilitando uma redução do custo monetário da energia e aumentando a eficiência do sistema energético, [12], [13]. O sistema de otimização da demanda apresentado neste trabalho faz parte de um projeto maior ilustrado nas Figuras 1 a 3. Pode-se observar na Figura 1 a existência de três blocos fundamentais, a saber: Unidade de Gerenciamento e Controle (UGC); Unidade Consumidora (UC); e Rede Pública (RP). De acordo com a Fig. 1, a UGC recebe as seguintes informações: geração interna, ou quantidade de energia gerada pela Smart Grid; disponibilidade financeira, ou o quanto o consumidor pode ou quer gastar com a compra de energia; energia comprada, que é a energia fornecida por uma concessionária via RP; tarifa corrente, que é o valor instantâneo pago pela energia adquirida da RP; e energia consumida nos ramais da UC. Figura 1. Sistema de gerenciamento e controle de curva de demanda. A Fig. 2 apresenta um detalhamento da UGC, a qual subdivide-se em três módulos que podem se comunicar através de um barramento de dados. São eles: Banco de Dados, o qual provê uma forma eficiente de guardar e disponibilizar todas as informações que forem pertinentes, isto é, que servirem aos demais módulos da UGC;

3 Módulo Supervisório (MS), o qual é responsável por gerenciar e apresentar de forma conveniente as informações de operação do sistema Smart Grid; Módulo de Otimização e Controle (MOC), responsável pelo controle da curva de demanda. A principal função do MS é apresentar as informações acerca do consumo de energia, de modo que os consumidores entendam e reconheçam facilmente seus perfis de consumo, seja através de visualização gráfica ou através de relatórios. O MOC será baseado em heurísticas e metaheurísticas que levarão em conta todas aquelas informações que entram na UGC e que são convenientemente arranjadas no Banco de Dados da Smart Grid. O objetivo será controlar os ramais através dos mecanismos de atuação a serem implementados na UC. Assim, as cargas serão desligadas ou acionadas automaticamente no instante desejado, inclusive considerando situações onde a tarifa de energia é mais barata em determinados horários. O efeito real disso será um deslocamento da curva de demanda da Smart Grid. Com o MOC, a Smart Grid também será capaz de determinar de forma automática em quais instantes ela comprará energia fornecida via RP. Na Fig. 3 é mostrado o detalhamento da UC, que se divide nos seguintes módulos: Módulo Atuador On/Off, formado por um conjunto de contactores que conectam/desconectam eletricamente os ramais do barramento central da Smart Grid; Módulo de Medição de Energia, o qual é responsável por medir corrente e tensão instantâneas em cada ramal do barramento central da Smart Grid. III. FORMULAÇÃODO PROBLEMA A otimização da demanda é um problema combinatório sujeito a restrições de alocação da carga, ou seja, o objetivo é obter uma solução que minimize os custos com a energia elétrica e máxima o número de equipamentos operando segundo sua prioridade sujeita a restrições tais como: região de conforto, ciclos de operação do equipamento e custo prépago, isto é: M N Min X ( i, Ed( Eg( i) C( i) i = 1 1 j = N Max Y ( P( j = 1 s/a : ( 1) X ( l, k) = 0; ( l = 1: T ( k) l = T ( k) : 24); k = 1: N Min Max (2) Ciclo( = 1, se T ( = H ( ; Op M N ( 3 ) X ( i, Ed( Eg( i) C( i) C pp i = 1 1 j = ( 4 ) X [0,1] ( 5 ) 1, se X ( i, = 1 H ( = ; i = 1: 24; j = 1:N 0, se X ( i, = 0 Y [0,1] Onde X(i, representa se o j-ésimo equipamento consome energia no instante i, Ed( é a energia demanda pelo j-ésimo ramal da Smart Grid, Eg(i) é a energia elétrica gerada pela Smart Grid no instante i, C(i) é o custo da energia elétrica comprada da rede pública no instante i, M=24é a quantidade de partes em que se divide um dia de funcionamento da Smart Grid; e N é o número de ramais nos quais as cargas de uma Smart Grid pode se dividir, Y( representa se o j-ésimo equipamento esta ligado, P( é a prioridade do ramal, T Min e T Max indicam a região de conforto de funcionamento do equipamento k, T op é o tempo de operação do equipamento j, ciclo (k) é no número de ciclos de operação do equipamento k, Cpp representa o custo da energia que será gasta no período 24 horas e Ciclo indica o número de ciclos de operação do equipamento k. (1) A restrição 1 indica a região de conforto para funcionamento do k-ésimo equipamento; Figura 2. Detalhes da unidade de Gerenciamento e controle. A restrição 2 indica que o número de ciclos e período de operação do k-ésimo equipamento; A restrição 3 refere a uma quantidade definida de energia elétrica adquirida via rede pública; A restrição 4 e 5 garante que X seja uma matriz-solução binária e Y seja também binária. Figura 3. Detalhes da unidade consumidora. Critérios como prioridade de equipamentos ou ramais, tarifação diferenciada ao longo do tempo, energia pré-paga, ciclos e períodos de operação e quantidade de energia gerada internamente e/ou armazenada em banco de baterias são considerados.

4 Visando avaliar a adequação de cada solução candidata para o problema, optou-se por uma função de avaliação monoobjetivo formulada como: M = N FA (, ) ( ) ( ) ( ) = 1 X i j Ed j Eg i C i i = 1 j N + P 1 + P 2 + P j = 1 3 (2) Onde P 1 é uma penalização aplicada caso o equipamento for ligado fora da região de conforto ou este não esteja ligado, P 2 é uma penalidade que é utilizada quando o equipamento viola o tempo do ciclo e o número de ciclos de operação e P 3 é a penalidade se o ramal ao ser ligado o custo total da energia consumida ultrapassa o custo da energia pré-paga. A formulação proposta neste trabalho incluiu novas restrições como tarifa pré-paga e prioridade dos ramais elétricos, possibilitando assim o desligamento de ramais quando o custo pretendido ultrapassa o custo pré-pago, dando mais flexibilidade ao sistema quando comparado aos demais trabalhos apresentados na literatura. Com relação à Siebert [8] e Teixeira [9], que usaram tarifas diferenciadas no tempo, banco de baterias e micro geração, o modelo proposto aqui acrescentou a tarifa pré-paga e prioridade nos ramais. Já Silva [10] considerou apenas o ramal proveniente da rede pública, a tarifa branca e banco de baterias, enquanto que Ogwumike [11] incluiu restrições tais como prioridade e período de operação dos equipamentos. IV. ALGORITMOS GENÉTICOS Proposta em Holland [14], a meta-heurística conhecida por Algoritmos Genéticos (AGs) inspira-se nos mecanismos de evolução dos seres vivos. Baseia-se na teoria da evolução por seleção natural desenvolvida por Charles Darwin. Basicamente, o AG parte de uma população de cromossomos para gerar novos cromossomos com propriedades genéticas superiores às de seus antecedentes. Esta idéia foi então associada a soluções de um problema em que a partir de um conjunto de soluções atuais são geradas novas soluções, sob algum critério pré-estabelecido. Os AGs originalmente trabalhavam com uma representação binária para associar uma solução a um determinado problema abordado. Embora esta representação tenha se mostrado eficiente para vários problemas, observou-se, à medida que foram crescendo as aplicações de AGs, que em diversos problemas com um elevado número de restrições, esta representação pode não ser a mais adequada. Assim, surgiram alternativas como, por exemplo, a representação por inteiros, onde um cromossomo é descrito por um vetor de números inteiros. Independentemente do tipo de representação selecionada, deve-se sempre verificar se a representação está corretamente associada às características do problema analisado e ao seu domínio. Gerar uma população inicial de cromossomos em um AG não é normalmente uma tarefa das mais difíceis. Em muitos problemas, a população é gerada de forma aleatória. Após a geração da população inicial é feita a avaliação dos cromossomos, ou seja, determina-se o seu nível de aptidão para sobrevivência. Em seguida, são aplicados os operadores genéticos cujo objetivo é produzir novos cromossomos que possuam propriedades genéticas superiores às encontradas nos pais. As operações genéticas mais usadas são a seleção, o cruzamento e a mutação. A seleção é a operação genética na qual os cromossomos dos indivíduos tidos como mais aptos são escolhidos para formar a base genética da geração subsequente a deles. Os indivíduos podem ser selecionados de acordo com sua função de aptidão. Quanto maior a função de aptidão, maior a chance de o indivíduo ser selecionado. No cruzamento são determinados um ou mais cortes entre dois genes adjacentes de cada cromossomo pai. Para um corte, são gerados dois novos cromossomos reunindo os genes à esquerda do corte do pai 1 com os genes à direita do corte do pai 2 e os genes à direita do pai 2 com os genes à esquerda do corte do pai 1. A mutação corresponde a alterações aleatórias que ocorrem nos genes de um cromossomo. No AG, a mutação é definida como mudanças de valores em algumas posições do cromossomo. Em um AG existe um conjunto de parâmetros e critérios a serem definidos no momento da sua implementação. Por exemplo, deve-se definir o tamanho de uma população, a seleção dos cromossomos reprodutores, o critério de sobrevivência dos cromossomos e o critério de parada do AG. A especificação mais adequada desses e de outros parâmetros depende de cada problema, mas normalmente adota-se valores típicos, tais como os descritos em Goldberg [15]. V. CODIFICAÇÃO DA SOLUÇÃO E HEURÍSTICA CONSTRUTIVA Detalhes da modelagem binária do cromossomo usada na heurística construtiva e no AG proposto neste trabalho são delineados nesta seção. A população inicial é gerada a partir de uma heurística construtiva proposta para garantir sempre a viabilidade das soluções. Na modelagem aqui proposta, cada matriz-solução X representa um plano de demanda, ou seja, uma possível solução para o problema. Cada plano de demanda é representado por uma matriz em que cada linha representa um equipamento ou ramal, j, e cada coluna representa o período de alocação do equipamento iniciada no instante i durante um dia de funcionamento da rede. A dimensão da matriz corresponde ao número máximo de equipamentos ou ramais, dado por N, e ao número máximo de períodos de funcionamento de uma Smart Grid em um dia de funcionamento, dado por M. Os elementos da matriz contêm valores binários, assumindo valor 1 quando o equipamento estiver consumindo Energia e 0 caso contrário. A Fig. 4 ilustra a codificação de um cromossomo para um sistema de três barras. Nota-se neste caso específico que N=10 e M=24, de modo que cada período corresponde a uma hora inteira Eq Eq Eq Figura 4. Codificação do problema.

5 Para garantir soluções viáveis para o sistema foi desenvolvido uma heurística construtiva. Tal heurística se subdivide nas sete tarefas a seguir: (1) Ordenar os equipamentos de forma crescente de acordo com a prioridade; (2) Selecionar a região de conforto do j-ésimo equipamento; (3) Sortear o instante inicial i de consumo do j-ésimo equipamento; (4) Selecionar o período de consumo do j-ésimo equipamento; (5) Verificar se o número de ciclos de funcionamento do j- ésimo equipamento foi respeitado, senão voltar ao passo (ii); (6) Calcular a demanda consumida pela Smart Grid; (7) Verificar se a energia consumida é menor que a prédefinida (Cpré-paga). Se for, selecionar o equipamento j=j+1 e voltar ao passo (ii). Senão, fim do programa. VI. ALGORITMO GENÉTICO APLICADO NO GLD Nesta seção será descrito o uso do Algoritmo Genético aplicado ao GLD em conjunto com a Heurística Construtiva. O AG executa os seguintes passos: 1. Gera a população inicial a partir da Heurística Construtiva e avalia-se cada solução obtida. 2. Sorteia os membros da população que irão realizar o cruzamento de maneira inversamente proporcional ao gasto de energia. Dessa maneira, se um primeiro elemento obtiver gasto duas vezes menor do que um segundo, este terá duas vezes menos chances de ser sorteado; 3. As soluções escolhidas no passo anterior serão recombinadas dada uma probabilidade de ocorrer o cruzamento. Sorteia-se uma linha i, com i>1, e a partir de i até o final da matriz (cromossomo) ambas as matrizes trocam suas linhas nas posições correspondentes. Ver Figura 5: Eq Eq Eq (a) Cromossomopai Eq Eq Eq (b) Cromossomopai 2 Figura 5. Cruzamento de Cromossomos entanto, sua ocorrência é limitada por uma probabilidade. Se esta ocorrer, é sorteada uma linha i da matriz e todos os valores de i são deslocados um posição à direita ou à esquerda de acordo uma probabilidade. Ver Figura 6. Eq Antes da mutação Ep Depois da mutação Figura 6. Mutação de Cromossomo 5. Elitismo: se a melhor solução da geração anterior for melhor que a pior da geração atual, a antiga substitui a mais recente, evitando que seja perdida a melhor solução da geração anterior; 6. Avalia-se as matrizes (cromossomos) de consumo obtidas; 7. Se atingir o número de gerações determinado, fim do programa. Senão, volta ao passo 2. VII. TESTES E RESULTADOS O algoritmo proposto foi implementado na linguagem de programação Matlab, sendo que os experimentos foram realizados em uma máquina Dell Optiplex 790 com um processador Intel Core i5 Duo de 3,3 GHz, 8 GB de memória RAM e rodando o sistema operacional Windows 7. Para avaliar o desempenho da metodologia proposta foram realizados testes com um sistema residencial de 10 ramais (foi considerado 1 equipamento por ramal). As Tabelas I e II apresentam os parâmetros usados na função de avaliação e no algoritmo Genético, respectivamente. TABELA I PARÂMETROS DA FUNÇÃO DE AVALIAÇÃO Parâmetros Valor P P P TABELA II PARÂMETROS DE SIMULAÇÃO DO AG Parâmetros Valor Tamanho da População 300 Inicialização da População Heurística Número de Gerações 350 Método de Seleção Roleta Taxa de Cruzamento 0,8 Cruzamento Um ponto Taxa de Mutação 0,01 Elitismo Sim 4. A mutação é aplicada a todos os membros da população. No

6 As Tabelas III e IV apresentam as características dos equipamentos instalados na residência tais como: prioridade do equipamento, potência média, tempo de operação, quantidade de ciclos no período de 24 horas e as regiões de conforto para funcionamento de cada equipamento. Essas regiões de conforto são escolhidas pelo usuário sendo este mínimo, médio ou máximo. A região de conforte máximo permite que a maioria dos equipamentos funcione no horário de maior custo, sendo este o momento de maior conforto para os usuários da residência. A residência considerada tem uma produção de energia renovável (solar e eólica) conforme demonstrado na Fig. 7. Esta energia é armazenada numa bateria e esta será utilizada como fonte de energia para a residência no período de maior custo, caso a energia consumida pelos equipamentos sejam superior à gerada. TABELA III CARACTERÍSTICAS DOS EQUIPAMENTOS Equipamento Pri. P Média T Op Cic. (W) (min) Bomba d agua Lavadora de roupa Lavadora de louca Secadora de roupa Chuveiro Elétrico Chuveiro Elétrico Computador Ar-condicionado Ar-condicionado Cafeteira Equipamento TABELA IV REGIÃO DE CONFORTO Conf Min Conf Med Conf Max T Min T Max T Min T Max T Min T Max Bomba d agua Lavadora de roupa Lavadora de louca Secadora de roupa Chuveiro Elétrico Chuveiro Elétrico Computador Ar-condicionado Ar-condicionado Cafeteira Figura 7. Potência gerada pelo sistema de energia renovável. Neste trabalho será considerada a Tarifa Branca, utilizando três tarifas diferenciadas conforme descritos em Teixeira (Teixeira; Ferreira, 2014). Pode observar na Tabela V que o período de ponta está compreendido entre 18h e 21h e o custo de energia fora de ponta foi divido em dois períodos. TABELA V PREÇO DE ENERGIA POR PERÍODO Valor (R$/kWh) Período (horas) 0, ás17 3 X 0, ás18 e 21 ás 22 5X 0, ás 21 Os horários de funcionamento dos equipamentos proposto usando a Heurística e Heurística mais AG, para um certo conforto e uma energia pré-paga definida são demonstradas nas Tabelas VI, VII, VIII e Tabela IX. Pode ser observado pela Tabela VI que o agendamento obtido pela Heurística construtiva pura e pela Heurística+AG tem o mesmo custo, apenas o horário de funcionamento foi alterado quando se usa o AG, exemplo disso e a lavadora de louca que no agendamento da heurística funciona as 10 horas passou a funcionar as 2 horas com a inclusão do AG. O custo é idêntico provavelmente porque o custo mínimo possível já foi atingido pela Heurística fazendo com o que o AG, não se consegue minimizar mais o custo. Nesta situação a Heurística se mostrou superior ao AG, por possuir um tempo computacional inferior ao AG. Pode ser observado pela Tabela VII que o agendamento obtido pela Heurística é superior ao Heurística+AG. Isso demonstra que o AG conseguiu reduzir o custo obtido pela Heurística, apesar dessa redução ser pequena. No entanto deve-se lembrar de que este é o custo diário e ao final de 30 dias, seria economizados com o AG algo em torno de 3 reais. Note-se na Tabela VIII que o agendamento obtido utilizando a Heurística+AG forneceu uma solução superior a da Heurística. Nessa situação, o AG conseguiu reduzir em quase 4,4% do gasto de energia, mostrando ser mais eficiência. Um dos aparelhos de ar-condicionado não conseguiu ser ligado, pois isso iria ultrapassar o valor do custo pré-pago. Neste caso, por ser conforto máximo, muitos aparelhos têm a restrição de serem ligados das 18 até às 22 horas e nesse horário a energia é mais cara. Além disso, mesmo que o primeiro ar-condicionado seja de maior prioridade do que o segundo, conforme pode ser visto na tabela VIII o primeiro tem restrição de horário entre 18:00 e 21:00, sendo este o período mais caro da energia, enquanto o segundo possui restrição entre 19:00 e 22:00 horas, e às 22:00 o valor da energia é menor possibilitando ao segundo ser ligado em uma faixa de horário que reduz o custo de funcionamento comparado ao primeiro e consequentemente, diminui valor final do consumo. A Tabela IX mostra o agendamento proposto para o custo pré-pago de 20 reais. Neste caso observa-se que o aparelho de ar-condicionado que não foi ligado para o custo pré-pago de 15 reais é ligado, o valor total gasto com energia é de 16,04 R$ com a Heurística e 15,99 R$ com a Heuristica+AG. Observa também que se todos os aparelhos permanecerem

7 ligados no período de conforto máximo tem-se um gasto de 51,7% maior do que no conforto mínimo. TABELA VI AGENDAMENTO PROPOSTO PARA CONFORTO MÍNIMO Equipamento Prioridade Heurística Heurística+AG Bomba d agua 10 1:00 13:00 Lavadora de roupa 9 9:00 9:00 Lavadora de louca 8 10:00 2:00 Secadora de roupa 7 3:00 16:00 Chuveiro elétrico 6 9:00 6:00 Chuveiro elétrico 5 5:00 e 24:00 4:00 e 24:00 Computador 4 4:00 e 13:00 10:00 e 15:00 Ar-condicionado 3 13:00 5:00 Ar-condicionado 2 2:00 6:00 Cafeteira profissional 1 9:00 5:00 Custo (R$/dia) 10,55 10,55 Custo Pré-pago(R$/dia) Tempo computacional 4,1 segundos 82,7 segundos TABELA VII AGENDAMENTO PROPOSTO PARA CONFORTO MÉDIO Equipamento Prioridade Heurística Heurística+AG Bomba d agua 10 22:00 17:00 Lavadora de roupa 9 13:00 17:00 Lavadora de louca 8 15:00 12:00 Secadora de roupa 7 14:00 12:00 Chuveiro elétrico 6 6:00 e 10:00 5:00 e 10:00 Chuveiro elétrico 5 13:00 e 16:00 12:00 e 15:00 Computador 4 15:00 15:00 Ar-condicionado 3 21:00 21:00 Ar-condicionado 2 23:00 23:00 Cafeteira profissional 1 5:00 e 7:00 5:00 e 7:00 Custo (R$/dia) 12,83 12,72 Custo Pré-pago(R$/dia) Tempo computacional 2,5 segundos 80,2 segundos TABELA VIII AGENDAMENTO PROPOSTO PARA MÁXIMO CONFORTO Equipamento Prioridade Heurística Heurística+AG Bomba d agua 10 14:00 17:00 Lavadora de roupa 9 22:00 22:00 Lavadora de louca 8 22:00 22:00 Secadora de roupa 7 23:00 23:00 Chuveiro elétrico 6 7:00 e 9:00 8:00 e 9:00 Chuveiro elétrico 5 20:00 e 21:00 20:00 e 22:00 Computador 4 22:00 22:00 Ar-condicionado Ar-condicionado 2 22:00 22:00 Cafeteira profissional 1 6:00 e 8:00 7 :00 e 8:00 Custo (R$/dia) 10,12 9,67 Custo Pré-pago(R$/dia) Tempo computacional 1,9 segundos 81,2 segundos

8 TABELA IX AGENDAMENTO PROPOSTO PARA MÁXIMO CONFORTO COM MAIOR CRÉDITO PRÉ-PAGO Equipamento Prioridade Heurística Heurística+AG Bomba d agua 10 22:00 17:00 Lavadora de roupa 9 22:00 22:00 Lavadora de louca 8 21:00 22:00 Secadora de roupa 7 23:00 23:00 Chuveiro elétrico 6 7:00 e 8:00 7:00 e 9:00 Chuveiro elétrico 5 20:00 e 22:00 19:00 e 21:00 Computador 4 22:00 22:00 Ar-condicionado 3 22:00 22:00 Ar-condicionado 2 21:00 21:00 Cafeteira profissional 1 6:00 e 7:00 7 :00 e 8:00 Custo (R$/dia) 16,04 15,99 Custo Pré-pago(R$/dia) Tempo computacional 1,9 segundos 82,2 segundos VIII. CONCLUSÃO Apresentou-se neste trabalho uma nova formulação e um aplicativo de otimização para o problema de gerenciamento de consumo de energia em residências. O aplicativo leva em consideração a presença de geração distribuída, tarifas diferenciadas no tempo (Tarifa Branca), prioridade dos ramais elétricos e tarifa pré-paga. Foi proposta uma Heurística Construtiva que é usada em conjunto com o Algoritmo Genético para controlar a curva de demanda de uma residência. A Heurística Construtiva proposta mostrou-se extremamente eficaz para a obtenção de soluções de alta qualidade durante o processo de busca, sendo estas soluções melhoradas pela aplicação do Algoritmo Genético. Nos testes realizados, foi possível observar que a metodologia utilizando o AG+Heurística apresentou melhor desempenho quando comparadas ao emprego apenas da Heurística. AGRADECIMIENTOS Os autores agradecem o apoio do CNPq, Proc / e a da FAPES, Proc /14. REFERÊNCIAS [1] R. H. Lasseter, MicroGrids, IEEE Power Engineering Society Winter Meeting, vol.1, pp , [2] H.Farhangi, The Path of the Smart Grid, IEEE power & energy magazine, pp , [3] A. Carvalho and J. Cooper,The Advanced Smart Grid Edge Power Sustainability, Artech House, [4] N. Hadjsaïd and J. Sabonnadière, Smart Grids, John Wiley & Sons, Inc., [5] C.W. Gellings and J.H. Chamberlin, Demand-Side Management, p. Concepts and Methods, Oklahoma, p. PennWell Publishing Company, [6] H. Ying-Sun, L. Wei-Jen et al.,a Demand Side Management Model Based on Advanced Metering Infrastructure, IEEE, pp , [7] T. Logenthiran, D.Srinivasan, T. Z. Shun,Demand side management in smart grid using heuristic optimization, IEEE Transactions on Smart Grid,vol. 3, no.3, pp , [8] L. C. Siebert, A. R. Aoki, E. K. Yamakawa, F. O. Toledo,Gerenciamento pelo Lado da Demanda em Redes Inteligentes Utilizando Algoritmos Genéticos, Anais do IV Simpósio Brasileiro de Sistemas Elétricos (SBSE), Goiânia, [9] C. P. Teixeira, V. H. Ferreira, Gerenciamento da Demanda Residencial Utilizando Métodos de Otimização Natural e Considerando a Geração Distribuída, Anais do IV Simpósio Brasileiro de Sistemas Elétricos (SBSE), Foz do Iguaçu, [10] R. V. da Silva, C. M. Affonso, Demand Side Management of a Residential System using Simulated Annealing, IEEE Latin America Transactions, vol. 13, no. 5, pp [11] C. Ogwumike, M. Short, Evaluation of a Heuristic Approach for Efficient Scheduling of Residential Smart Home Appliances, 15 th International Conference on Environment and Electrical Engineering (EEEIC), pp , June [12] D. M. Han, J. H. Lim,Design and implementation of smart home energy management systems based on Zigbee, IEEE Transactions on Consumer Electronics, vol.56, no.3, pp , Aug [13] M. Pipattanasomporn, M. Kuzlu, S. Rahman,Algorithm for Intelligent Home Energy Managemen and Demand Response Analysis, IEEE Transactions on Smart Grids, vol.3, no.4, pp , Dec [14] J. H.Holland, Adaptation in natural and artificial systems, AnnArbor:University of Michigan Press, [15] D. E.Goldberg, Genetic algorithms in search, optimization and machine learning, Addison-Wesley, Jardel Terci Flores é graduado em Engenharia de Computação pela Universidade Federal do Espírito Santo em Wanderley Cardoso Celeste possui graduação e doutorado em Engenharia Elétrica pela Universidade Federal do Espírito em 2002 e Atualmente é professor da Universidade Federal do Espírito Santo. Daniel José Custódio Coura possui graduação em Engenharia Elétrica pelo Instituto Nacional de Telecomunicações (1998) e doutorado em Engenharia Elétrica pela Universidade Federal do Espírito Santo (2009). É professor da Universidade Federal do Espírito Santo. Silvia das Dores Rissino é doutora em Ciências em Engenharia Elétrica pela Universidade Federal de Itajubá (2009) e Bacharel em Ciência da Computação pela Universidade Federal do Pará (1994). É atualmente professora da Universidade Federal do Espírito Santo. Renato Elias Nunes de Moraes possui graduação em Engenharia de Computação pela Pontifícia Universidade Católica do Rio de Janeiro (1996) e Doutorado em Computação pela Universidade Federal Fluminense (2009). Atualmente é professor da Universidade Federal do Espírito Santo.

9 Helder Roberto de Oliveira Rocha possui graduação em Engenharia Elétrica e doutorado em Computação pela Universidade Fluminense em 2002 e É professor da Universidade Federal do Espírito Santo.