Gerenciamento pelo Lado da Demanda em Redes Inteligentes Utilizando Algoritmos Genéticos

Transcrição

1 1 Gerenciamento pelo Lado da Demanda em Redes Inteligentes Utilizando Algoritmos Genéticos L. C. Siebert, A. R. Aoki, E. K. Yamakawa, F. O. Toledo Resumo Esse artigo descreve um método para o desenvolvimento de propostas de agendamento de consumo de dispositivos residenciais através de algoritmos genéticos. Essa proposta visa auxiliar clientes residenciais a moldarem seus hábitos, para usufruir os benefícios possibilitados pela utilização de tarifas Time-Of-Use e a estrutura de uma rede inteligente. Resultados de simulações e comparações entre uma curva de carga referência e a curva obtida através do método de otimização proposto indicam que o algoritmo é capaz de deslocar cargas de modo eficaz. conservação estratégica, crescimento estratégico e curva de carga flexível [1],[], como pode ser visto na Fig. 1. Palavras Chave Smart Grids, Redes Inteligentes, Gerenciamento pelo Lado da Demanda, Inteligência Artificial, Algoritmos Genéticos. G I. INTRODUÇÃO erenciamento pelo Lado da Demanda (DSM, do inglês Demand-Side Management) é o planejamento e implementação de atividades para influenciar o uso de eletricidade do consumidor de maneira que produza mudanças desejadas na curva de carga da concessionária de energia elétrica [1]. O DSM, embora seja um tema discutido a mais de 2 anos, recebe com o advento do smart grid, através de sistemas automáticos de controle e supervisão e de novas soluções de tecnologia da informação (TI), o impulso necessário para a efetividade de suas ações [2]. Uma rede inteligente de energia, ou smart grid, realiza a integração da TI com o sistema elétrico de potência []. Essa integração possibilita uma melhor coordenação e interação entre os diversos agentes do mercado de energia tais como geradores, operadores de rede, clientes, entre outros, causando uma maximização da eficiência, confiabilidade e estabilidade do sistema. A utilização de técnicas de DSM para gestão de cargas possibilita o alívio da rede em horário de pico, aumento da quantidade de geração distribuída que pode ser conectada à rede de distribuição, entre outros benefícios. A gestão das cargas é geralmente tratada em seis categorias : redução do pico, preenchimento de vales, deslocamento de carga, Esse trabalho foi desenvolvido no âmbito do programa Smart Grid Light. L.C. Siebert, A. R. Aoki e E. K. Yamakawa são pesquisadores do LACTEC Instituto de Tecnologia para o Desenvolvimento, Centro Politécnico da UFPR Jardim das Américas, BR Km 98 - S/N, Curitiba - Paraná Brasil ( luciano.siebert@lactec.org.br ). F. O. Toledo é gerente do programa Smart Grid Light. Fig. 1. Técnicas de gerenciamento de carga O DSM agrega dentro de seu conceito diferentes ações para o gerenciamento de carga, incluindo tarifas variáveis, uso racional de energia, substituição de combustíveis, eficiência energética (através de ações da concessionária) e resposta a demanda. Nesse trabalho será abordado a resposta a demanda, que refere-se a mecanismos para gerenciar a demanda de energia elétrica de clientes em resposta a condições de fornecimento, geração, ambientais, econômicas, entre outros []. A resposta a demanda pode ser realizada através de tarifas variáveis, tais como a Time-Of-Use (TOU), que varia para diferentes períodos do dia visando refletir situações típicas de fornecimento e demanda de energia, em intervalos fixos, como a tarifa branca, regulamentada há pouco pela ANEEL [6]. As tarifas TOU são classificadas em estáticas e dinâmicas. As estáticas são as usuais, a resposta ao preço depende da alteração discricionária dos hábitos de consumo por parte dos usuários [7]. Nas tarifas TOU dinâmicas, ou Dynamic Teleswitching, o controle da carga depende de sistemas automatizados [8]. Nos próximos capítulos será apresentado um método para o desenvolvimento de propostas de agendamento de consumo de energia em residências visando auxiliar clientes residenciais a moldarem seus hábitos de consumo, para usufruir os benefícios possibilitados pela utilização de tarifas TOU estáticas. A referência [9] também visa desenvolver propostas de

2 2 agendamento de consumo, utilizando para isso a técnica de otimização por enxame de partículas com repulsão estocástica entre as partículas. Considera para o agendamento um carro elétrico plug-in (que também pode ser utilizado como um banco de baterias para armazenamento de energia elétrica), aquecedor de água tipo caldeira e bomba de água de piscina, com energia elétrica proveniente da rede e de um sistema fotovoltaico local. Em [1] o agendamento do consumo de dispositivos, incluindo também a utilização de um banco de baterias para armazenamento de energia, é realizado através do algoritmo de agendamento minmax, onde, a cada iteração, é alocado ao horário com menor custo o dispositivo com maior consumo de energia. Em [1] é apresentada uma abordagem com algoritmos genéticos para gerenciar o consumo de energia de uma residência através de um sistema SCADA desenvolvido pelos autores. II. FORMULAÇÃO MATEMÁTICA Nesse trabalho, a proposta de agendamento do consumo tem como objetivo a minimização do custo com energia elétrica ( ), a suavização da curva de carga ( ) e a diminuição do pico máximo de demanda no período ( ). A função objetivo é: Onde é o horário de início de ciclo dos dispositivos e os pesos que referem à participação de cada parcela na composição da função objetivo, respeitando que: (1) (2) A função do custo com energia é expressa por: O algoritmo desenvolvido considera a atomicidade das tarefas, ou seja, se um dispositivo inicia seu funcionamento necessariamente ele deve continuar em funcionamento ininterruptamente até o fim de seu ciclo. Além disso, é garantido no algoritmo que todos os dispositivos serão agendados. Todas as parcelas apresentadas, que compõem a função objetivo do problema de otimização proposto, são normalizadas, ou seja, o valor obtido nas equações (), (7) e (8) são divididos pelo valor dessas mesmas equações para o caso proposto de referência a cada iteração, e somente então, multiplicados pelos seus respectivos pesos e somados. Essa normalização proporciona um valor 1 para o agendamento inicial de cada parcela, tendendo, conforme a distribuição dos pesos, a diminuir o valor. A. Caso Proposto O caso proposto para simulação contemplará o agendamento de alguns dos dispositivos típicos utilizados em residências brasileiras que contribuem significativamente para a demanda de horário de pico em dias úteis. A tabela I apresenta a duração para um ciclo de funcionamento, quantidade de ciclos por dia, potência média e o período proposto de referência para o funcionamento dos dispositivos. O valor das parcelas da função objetivo para o último momento do período proposto de referência (por exemplo, 19: para a lavadora de roupas) será utilizado para a normalização das mesmas. O período proposto de referência para cada dispositivo possui a mesma duração do período de amostragem da curva de carga de referência utilizada nas simulações. (8) Sujeito a: ( ) () () Onde é o vetor contendo as potências médias de cada dispositivo, e a quantidade de ciclos de funcionamento dos dispositivos contemplados. Para o cálculo da função que trata da suavização da curva de carga, é necessário obter a curva de carga modificada, que é apresentada em (6). Com a curva de carga modificada é possível calcular as funções referentes à suavização da curva de carga ( ) e diminuição do pico máximo ( ): () () (6) (7) TABELA I POTÊNCIA, DURAÇÃO E QUANTIDADE DE CICLOS DOS DISPOSITIVOS Lavadora de roupas Secadora de roupas Arcondicionado Bomba d água Chuveiro elétrico Lavadora de louças Potência Média [W] Duração/ciclo [min] Ciclos/dia Período proposto de referência :1-19: :1-22: :1-21: :1-18: 1 19:1-2: 2:1-21: 7:1-8: 8:1-9: :1-22: Para o cálculo da função de fitness ou objetivo é necessário da tarifa TOU a ser utilizada. Para esse trabalho a tarifa foi elaborada conforme a tarifa branca, aprovada pela ANEEL, e os horários dispostos na Resolução Normativa nº 1, de 9 de setembro de 21 [12]. Para esse trabalho foi considerado

3 Consumo [W] Valor da tarifa [$/kwh] como custo de energia fora de pico a metade do valor cobrado por uma concessionária de energia elétrica brasileira para o setor residencial, desconsiderando a incidência de ICMS/PIS/COFINS. Para a tarifa intermediária foi estabelecido o triplo da tarifa fora de pico e para a tarifa de pico cinco vezes o valor da tarifa fora de pico, como se pode ver na Fig Fig. 2. Tarifa TOU proposta III. ALGORITMOS GENÉTICOS Os Algoritmos Genéticos (AG) foram originalmente propostos por John Holland [1], e emulam a teoria da evolução biológica para resolver problemas de otimização. Um AG compreende um conjunto de elementos (população) além de um conjunto de operadores inspirados na biologia e definidos sobre a população [1]. O operador de mutação é necessário para a introdução e manutenção da diversidade genética da população, enquanto o cruzamento é responsável pela recombinação de características dos pais durante a reprodução, permitindo que as próximas gerações herdem essas características. Assim como na natureza, a seleção fornece o mecanismo para que as soluções mais aptas sobrevivam. Para isso toma como base o valor da função objetivo para cada indivíduo, que reflete o quão bom é comparado com outras soluções na população atual e anteriores [1]. Nesse trabalho, o indivíduo é uma sequencia de nove números reais que expressam o horário, em minutos, do início do ciclo de funcionamento de cada dispositivo. O tamanho da população foi de 2 indivíduos. Os operadores utilizados foram seleção via roleta (onde os indivíduos são ordenados de acordo com a função objetivo e lhes são atribuídas probabilidades decrescentes de serem escolhidos), mutação uniforme com taxa de 2%, cruzamento com taxa de 8% e elitismo de dois indivíduos. A alta taxa de mutação foi escolhida, após diversos testes, devido ao tamanho das restrições estabelecidas. Todas variáveis se encontram no intervalo de zero a 1. O Critério de Parada (CP) foi o de 1 gerações sem alteração no valor da função objetivo (stall generations), visando garantir assim a melhor solução possível. IV. RESULTADOS Visando analisar o funcionamento do algoritmo foram propostos casos, conforme a tabela III. Para cada um dos casos foram realizadas 1 simulações, sendo os valores referentes à função objetivo e número de gerações com base na média dessas simulações. Os gráficos, os valores percentuais de reduções de demanda de pico, deslocamento de energia e custo têm como base a simulação que apresentou melhor desempenho para cada caso. Todas curvas de carga apresentadas nesse trabalho possuem um período de amostragem de 1 hora, portanto os valores em uma determinada hora representam a média das demandas dos últimos 6 minutos. TABELA II RESULTADOS DAS PARCELAS DA FUNÇÃO OBJETIVO PARA O AGENDAMENTO INICIAL E OS CASOS PROPOSTOS Caso A 1/2 1/2 Caso B 1 Caso C 2/ 1/ 1/ Caso D (com restrições para horário de funcionamento) 2/ 1/ 1/ A inteção do caso A foi observar a efetividade da suavização da curva de carga e diminuição do pico máximo no algoritmo proposto. Nessa situação o algoritmo apresentou uma média de 118 gerações para atingir o critério de parada (CP), com uma função objetivo (FO) média de,9. A Fig. apresenta a curva de carga para o agendamento final proposto com melhor desempenho, onde foi constatada uma redução de,77% na demanda máxima, assim como uma suavização significativa na curva de carga. O custo com energia elétrica foi reduzido em 1,7% Fig.. Curva de carga para o caso A No caso B a otimização é realizada visando somente a redução dos gastos com energia elétrica. Para atingir o CP foram necessárias 218 gerações, obtendo uma FO de,6. A demanda máxima, que foi deslocada no tempo, apresentou uma redução de,%. Ocorreu também um deslocamento de

4 Consumo [W] Consumo [W] Consumo [W] 1,8% da energia consumida em horário de pico (destaque em vermelho) para horários intermediários (destaque em amarelo) ou fora de pico. A redução no gasto com energia elétrica, objetivo do caso, foi de 9,9%, a maior entre todos casos simulados. Na Fig., que apresenta a curva de carga para o agendamento proposto nesse caso, pode-se observar que há um pico no consumo às 18 horas (consumo médio entre 17:1 e 18:). Isso ocorre como um caso especial de CLPU (Cold Load Pick-Up), que é o fato de que carga associadas a programas de resposta a demanda tendem a não retornar a seu nível original de consumo, mas consumir mais do que usualmente durante um período anterior ou posterior ao período de alta tarifação [16] Fig.. Curva de carga para o caso B O caso C, por sua vez, visa reduzir os custos com energia elétrica e, simulataneamente, suavizar a curva de carga e dimunir a demanda máxima. Para isso foram atribuidos pesos iguais para a função do custo com energia e a soma das funções referente à modelagem da curva de carga. Com uma evolução através de 27 gerações, em média, foi obtida um FO no valor de,77. As Fig. e Fig. 6 apresentam os resultados obtidos. Foi constatado que 9,6% da energia anteriormente consumida em horário de pico foi deslocada do mesmo, o que em larga escala, pode auxiliar significativamente em aliviar a rede em horário de pico. A redução nos gastos com energia elétrica para o período foi de 8,7%, ligeiramente abaixo da obtida no caso B Fig. 6. Agendamento proposto para o caso C Lavadora de Roupas Secadora de Roupas Ar-condicionado Bomba d'água Lavadora de Louças O caso D possui a mesma divisão dos pesos que o caso C, porém difere ao possuir restrições para o horário de início de funcionamento dos dispositivos. Essas restrições foram inseridas visando que o agendamento proposto seja factível. Em uma aplicação real tais restrições poderiam ser inseridas pelo usuário, conforme sua conveniência. O problema de minimização proposto em (1) deve, para o caso D, respeitar as seguintes inequações: Onde e são as restrições para o horário de funcionamento do dispositivo, conforme tabela III. O algoritmo necessitou de 27 gerações, em média, para atingir o CP e obter a FO, no valor de,789. As Fig. 7 e Fig. 8 apresentam os resultados, sendo que na Fig. 8 as linhas contínuas em preto representam as restrições para início do funcionamento dos dispositivos. (9) Fig.. Curva de carga para o caso C Fig. 7. Curva de carga para o caso D

5 Fig. 8. Agendamento proposto para o caso D TABELA III HORÁRIO DE INÍCIO MÍNIMO, MÁXIMO E PROPOSTO INICIALMENTE PARA OS DISPOSITIVOS Lavadora de roupas 18: 22: Secadora de roupas 18: 22: Ar-condicionado 18: 22: Bomba d água 8: 22: 7:/18: 9:/22: Lavadora de louças 18: 22: Percebe-se que mesmo após a inserção das restrições para o horário de funcionamento (Caso D), o algoritmo foi capaz de reduzir em 1,7% os gastos com energia elétrica para um cliente com tarifa variável, porém a inserção das restrições prejudicou a redução do pico máximo e a suavização da curva de carga. A tabela IV apresenta o valor médio das funções, não normalizadas e sem a influência dos pesos, obtidas nas simulações realizadas para todos casos propostos. Lavadora de Roupas Secadora de Roupas Ar-condicionado Bomba d'água Lavadora de Louças TABELA IV VALORES MÉDIOS DAS PARCELAS DA FUNÇÃO OBJETIVO PARA O AGENDAMENTO INICIAL E OS CASOS PROPOSTOS Agendamento Inicial,89 2, 1,2 Caso A,78 1,7,91 Caso B 1,98 2,1 1,1 Caso C 1,998 1,7,128 Caso D 2,821 2,2 1,18 V. CONCLUSÕES A técnica de algoritmos genéticos se mostrou eficiente para obter uma solução quase ótima para o agendamento de consumo de dispositivos dentro de uma residência, possibilitando uma diminuição bastante significativa do custo com energia elétrica e a suavização da curva de carga. A proposta de agendamento se mostrou bastante valiosa no contexto da infraestrutura a ser construída em residências para possibilitar um gerenciamento ótimo de carga em uma rede inteligente. A inserção de restrições para o horário de funcionamento dos dispositivos mostrou que o sistema proposto pode ser bastante eficiente em uma aplicação real em residências, quando acompanhada de informações suficientes para a conscientização dos clientes quanto dos benefícios que podem ser obtidos. Percebeu-se também que a inserção das restrições para horário de funcionamento podem reduzir significativamente os ganhos obtidos pela concessionária quanto à suavização da curva de carga e diminuição da demanda máxima. O alto custo computacional demandado do algoritmo genético, porém, indica que para uma aplicação em tempo real outras técnicas para o agendamento devem ser pesquisadas, tais como o algoritmo de agendamento minmax ou otimização por enxame de partículas. A aplicação de sistemas multiagentes pode ser bastante proveitosa para a otimização de diversas residências simultaneamente. A análise realizada nesse trabalho pode ser estendida para uma análise simultânea de diversas unidades consumidoras, o que poderá possibilitar à concessionária estimar alguns dos efeitos da rede inteligente em larga escala, para isso estudos comportamentais e sobre a elasticidade do consumidor devem ser realizados. VI. REFERÊNCIAS [1] C. W. Gellings, The Concept of Demand-Side Management for Electric Utilities, Proceedings of the IEEE, v. 7, n. 1, pp , 198. [2] C. W. Gellings, The Smart Grid: Enabling Energy Efficiency and Demand Response, Primeira Edição,. Lilburn, GA, EUA: The Fairmont Press Inc., 29. [] IEA (Interational Energy Agency), Technology Roadmap Smart Grids, Paris, França, 211. [] G. Strbac, Demand side management: Benefits and challenges, Energy Policy, v. 6, n. 12, pp , 28. [] C. W. Gellings, and J. H. Chamberlin, Demand-Side Management: Concepts and Methods, Segunda Edição. Lilburn, GA, EUA: The Fairmont Press Inc., 199. [6] ANEEL (Agência Nacional de Energia Elétrica). Tarifa branca ao consumidor de baixa tensão valerá com novo medidor. Disponível em: dade=921&id_area=9. Acesso em /12/211. [7] ANEEL (Agência Nacional de Energia Elétrica), Nota técnica nº 62/21-SER-SRD/ANEEL Sinal Econômico para baixa tensão,. Brasília, 21. [8] OFGEN (Office of the Gas and Electricity Markets), A Discussion Paper: Demand Side Response, Disponível em: Acesso em [9] M. A. A. Pedrasa, T. D. Spooner, I. F. MacGill, Coordinated Scheduling of Residential Distributed Energy Resources to Optimize Smart Home Energy Services, IEEE Transactions on Smart Grid, v. 1, n.2, pp. 1-1, 21. [1] J. Xiao, J. Y. Chung, J. Li, R. Boutaba, J. Won-Ki Hong, Near Optimal Demand-Side Energy Management Under Real-time Demand-Response Pricing, in 21 International Conference on Network and Service Management, Niagara Falls, ON, EUA, pp [11] F. Fernandes, T. Sousa, M. Silva, H. Morais, Z. Vale, P. Faria, Genetic Algorithm Methodology applied to Intelligent House Control, in 211 IEEE Symposium on Computational Intelligence Applications In Smart Grid, Paris, França, pp [12] ANEEL (Agência Nacional de Energia Elétrica), Resolução Normativa nº 1, de 9 de setembro de 21, Brasília, 21. [1] J. H. Holland, Adaptation in Natural and Artificial Systems, Univ. of Michingan Press, Ann Arbor, Michigan, EUA, 197. [1] J. L. Ribeiro Filho, Algoritmos Genéticos Tutorial in III Simpósio Brasileiro de Redes Neurais, Recife, [1] S. J. Russell and P. Norvig, Artificial Intelligence: A Modern Approach, Prentice Hall, Englewood Cliffs, New Jersey, EUA, 199. [16] J. Medina, N. Muller, I. Roytelman, Demand Response and Distribution Grid Operations: Opportunities and Challenges, IEEE Transactions on Smart Grid, v. 1, n.2, pp , 21.