Gerenciamento da Demanda Residencial Utilizando Métodos de Otimização Natural e Considerando a Geração Distribuída

Transcrição

1 Gerenciamento da Demanda Residencial Utilizando Métodos de Otimização Natural e Considerando a Geração Distribuída Carolina Pinchemel Teixeira Autora Curso de Graduação em Engenharia Elétrica Universidade Federal Fluminense UFF Niterói, RJ, Brasil carolinacpt@yahoo.com.br Vitor Hugo Ferreira Orientador Departamento de Engenharia Elétrica Universidade Federal Fluminense UFF Niterói, RJ, Brasil vitor@vm.uff.br Resumo-- Motivado pelos objetivos do projeto Cidade Inteligente Búzios e do lema Nossa energia para um mundo melhor da empresa Ampla Energia e Serviços S.A., a fim de promover o uso sustentável, racional e eficiente da energia elétrica, diminuindo o impacto ambiental do consumo energético através da participação ativa do consumidor na cadeia de geração de energia e reduzindo as perdas energéticas nas linhas de transmissão e distribuição de energia, o presente trabalho sugere uma aplicação para o projeto no qual o consumidor que possua a geração distribuída na sua residência, possa gerenciar a sua demanda residencial a fim de obter o melhor uso dos seus recursos energéticos, obtendo também benefícios econômicos. As Redes Inteligentes permitem a criação de microrredes com geração distribuída e programas de gerenciamento pelo lado da demanda, realizando o controle da carga e a gestão de energia. Através dos sistemas de gestão de energia o consumidor pode moldar os seus hábitos de consumo para usufruir dos benefícios que uma Rede Inteligente pode proporcionar. Esse trabalho apresenta um método para o agendamento de consumo de dispositivos residenciais através de métodos de otimização como Algoritmos Genéticos (AG) e Enxame de Partículas (Particle Swarm Optimization - PSO), para uma residência que possuí geração própria de energia por meio da geração solar, eólica e um veículo elétrico. Essa proposta tem o objetivo de reduzir os gastos do consumidor com a compra de energia da concessionária aproveitando a geração própria (eólica, solar e veículo elétrico). Os resultados obtidos evidenciam a importância da programação adequada principalmente no cenário que é proposto no projeto Cidade Inteligente Búzios, contemplando tarifas variáveis ao longo do dia, como por exemplo, a tarifa branca. Palavras Chave -- Algoritmo Genético, Cidade Inteligente Búzios, Enxame de Partículas, Gerenciamento Energético Residencial, Gerenciamento pelo Lado da Demanda. A I. INTRODUÇÃO Rede Inteligente de Energia, ou Smart Grid, vem sendo desenvolvida tendo como um de seus objetivos conciliar o crescimento da demanda com a melhor utilização dos recursos naturais. Além de benefícios ambientais através da difusão do uso de fontes renováveis de energia, a Rede Inteligente permite um maior controle do usuário sobre o seu consumo de energia, realizando uma integração do sistema elétrico de potência com o consumidor, promovendo o uso eficiente da energia elétrica. O consumidor pode gerar sua própria energia para consumo. O gerenciamento pelo lado da demanda (GLD) permite que o usuário controle o seu consumo de energia remodelando a sua curva de carga [1]. Com o objetivo de minimizar o gasto com a energia, o usuário realiza o planejamento do seu consumo de acordo a própria energia produzida. 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 consumo nos períodos mais críticos. Assim, o consumidor irá alterar o seu perfil de consumo, possibilitando uma operação mais eficiente do sistema. Existem na literatura diversas propostas de sistemas para gerenciamento energético residencial (home energy management system HEMS), abrangendo desde trabalhos com enfoque nas arquiteturas de redes e seus protocolos para

2 suportar tais sistemas [2], incluindo PLC (power line communication) [3] e Zigbee [4], até propostas de metodologias para programação dos equipamentos, podendo ser citadas as referências [5]-[1]. Neste cenário, este trabalho apresenta uma contribuição na linha de técnicas de otimização para programação de dispositivos elétricos de uma residência com o objetivo de reduzir o valor diário do gasto com a compra de energia da concessionária distribuidora local. As técnicas de otimização natural utilizadas neste trabalho já vêm sendo pesquisadas na literatura para abordagem do problema de agendamento de dispositivos. Na referência [8] foram desenvolvidas propostas de agendamento de consumo de eletrodomésticos em uma residência utilizando o método de otimização por Algoritmos Genéticos. Assim como no presente trabalho, em [8] são utilizadas tarifas diferenciadas no tempo, proposta que vem sendo debatida no Brasil e denominada como Tarifa Branca. As contribuições do presente trabalho em relação à referência [8] são as seguintes: comparação de métodos de otimização (Algoritmos Genéticos e Enxame de Partículas); possibilidade de agendamento de um veículo elétrico, o qual também pode ser utilizado como um banco de baterias para armazenamento de energia elétrica; inserção de cenários de geração distribuída através de micro geração eólica e solar residencial. O Presente trabalho propõe uma aplicação no projeto Cidade Inteligente Búzios [11] para consumidores residenciais no município de Armação dos Búzios RJ que possuam geração distribuída na própria residência, através de micro geração eólica e solar, façam uso de um veículo elétrico e são atendidos por uma tarifa variável ao longo do dia, a Tarifa Branca. II. GERENCIAMENTO PELO LADO DA DEMANDA Um programa de GLD visa influenciar nos hábitos de consumo dos usuários com o objetivo de obter uma utilização mais eficiente do sistema energético. As abordagens e técnicas de um programa de GLD envolvem parceria entre concessionárias e consumidores, sendo necessário um relacionamento estreito entre ambos, de modo que os dois sejam beneficiados. O GLD como problema de otimização proporciona o desenvolvimento de ferramentas de suporte à tomada de decisão que possibilitem atender os objetivos dos consumidores e/ou os interesses da concessionária de energia. Para a concessionária de energia os métodos de otimização podem ser aplicados para minimizar a demanda de energia no período de ponta do sistema, evitando sobrecargas na rede. Através da aplicação de tarifas com valores variados de acordo com o período do dia, a concessionária estimula a modificação da curva de carga, minimizando o consumo de energia no período de ponta do sistema. Do ponto de vista do consumidor, a otimização pode ser aplicada para minimizar o gasto com a compra de energia. Através de técnicas de GLD o consumidor pode alterar a sua curva de consumo através da reprogramação de suas cargas para obter benefícios que a concessionária oferece, como tarifas reduzidas em horários fora de ponta, ou também para aproveitar os horários de maior geração de energia da própria residência, quando disponível. Este trabalho aborda a questão do GLD como um problema de otimização, com sua formulação e o estudo de caso considerado sendo apresentados a seguir. A. Formulação do Problema e Métodos Utilizados Neste estudo a programação dos equipamentos residenciais tem por objetivo aumentar a eficiência do sistema energético da residência do consumidor, promovendo a melhor utilização dos recursos naturais e minimizando o gasto diário do consumidor com a compra de energia da concessionária distribuidora. Nesse problema as variáveis de decisão são os horários de partida dos equipamentos, representados por números de 1 à 24 correspondentes à hora do dia em que os dispositivos são agendados. Os limites para os horários de uso dos equipamentos, refletindo os hábitos de consumo médio da residência em estudo, serão inseridos como restrições do problema. A função objetivo pode ser representada pela equação: onde horario diario 24 i 1 horario C C i (1) C i ConsLiq i Tarifa i (2) C diario representa o valor diário pago (R$) à concessionária pela compra de energia; pago [R$] pela compra de energia na hora i; i o valor ConsLiq i é a Chorario energia líquida consumida [kwh] da concessionária na hora i; e Tarifa i a tarifa horária [R$/kWh]. Para o cálculo do consumo líquido será considerado que a residência possui geração própria de energia solar e eólica com custo de operação nulo. Cabe destacar que neste estudo não está sendo considerado o custo de implantação destas unidades de microgeração, sendo necessários estudos de viabilidade econômica para tal. Neste trabalho é considerado um cenário futuro de popularização da microgeração, o que no Brasil ainda depende de maiores incentivos governamentais. Além da microgeração, será considerado o uso do veículo elétrico como fonte de energia, restrito ao período de ponta do sistema. Esta restrição será imposta com o objetivo de minimizar o número de ciclos de carga e descarga do veículo, o que compromete a vida útil da bateria do mesmo. Portanto, além da geração de energia eólica e solar, a residência também contará com a energia disponível no banco de baterias do veículo elétrico Logo, a energia líquida consumida da concessionária, ConsLiq i, será representada como: ConsLiq iconsagend i Ger i (3)

3 onde ConsAgend i é a energia consumida pela residência e Ger i a geração própria de energia (solar, eólica e veículo). O consumo agendado é dado por: N ConsAgend i P j D j Ciclos j j 1 onde N representa o número de dispositivos; potência do dispositivo j [kw]; dispositivo j na hora i, dado em [h]; e (4) P j a D j o tempo de uso do Ciclos j o número de vezes que o dispositivo j foi utilizado na hora i. A hora de agendamento de cada dispositivo elétrico é a variável de decisão do problema, sendo determinada através de dois métodos de otimização natural: algoritmos genéticos (AG) e enxame de partículas (Particle Swarm Optimization - PSO). Estes métodos populacionais de busca requerem a especificação de alguns parâmetros, os quais são descritos a seguir. O tamanho da população considerada nos dois métodos de otimização foi de 4 indivíduos, sendo utilizada a mesma população inicial com o intuito de garantir uma base única de comparação entre os métodos. Todas variáveis foram modeladas como números reais no intervalo de 1 a 24 correspondendo às horas do dia em que os dispositivos podem ser agendados. No AG, os operadores foram: seleção via ranking, mutação adaptável, cruzamento com taxa de 9% e elitismo de dois indivíduos. Já no PSO a posição x t e a velocidade vij t de cada partícula são atualizadas a cada iteração t de acordo com (5) e (6): x t 1 x t v t (5) ij ij ij ij 1 vij t wvij t c11 r pbestij t xij t c2r 2 gbestij t xij t onde o peso inercial w possui valor inicial igual a,9 e final,4; as constantes de aceleração c 1 e c 2 são constantes e iguais a 2; e r 1 e r 2 são números aleatórios gerados segundo uma distribuição uniforme definida no intervalo [,1]. Por fim, foi adotado como critério de parada o limite de 5 gerações, visando garantir a melhor solução possível. Cabe destacar que estes parâmetros foram selecionados a partir de testes realizados onde foi identificada a melhor convergência dos métodos. III. PREMISSAS ADOTADAS As técnicas de otimização consideradas neste trabalho foram implementadas no software MATLAB tendo por objetivo a programação de suas cargas visando minimizar o custo diário com energia. Para avaliar o desempenho da metodologia desenvolvida será realizado um estudo de caso de uma residência modelo que possa ser atendida pelo projeto Cidade Inteligente Búzios [11], que possui geração distribuída, veículo elétrico e será considerado o uso de (6) determinados eletrodomésticos. Será utilizada nesse trabalho uma tarifação diferenciada, a Tarifa Branca, afim de que o consumidor modifique seus hábitos de consumo. A. Energia Eólica Foi considerada uma residência com um aerogerador ENERSUD, Gerar246, com potência máxima de 1 [kw] [12]. Para um determinado cenário de velocidade do vento ao longo do dia é possível determinar a potência elétrica em função da velocidade do vento, apresentada na Figura 1. Figura 1- Potência gerada pelo aerogerador ao longo do dia. B. Energia Solar Foi considerado o uso de 12 painéis fotovoltaicos solares da fabricante KYOCERA modelo KD135GH 2PU [13]. Considerando um cenário de radiação solar ao longo do dia é possível determinar a geração diária do sistema fotovoltaico (Figura 2). Figura 2 - Potência gerada pelo sistema fotovoltaico ao longo do dia. C. Veículo Elétrico Será considerado o uso do veículo elétrico Revai, carro popular fabricado na Índia que possui um banco de baterias com capacidade de 2 [Ah] e ciclo de recarga completa de 8 horas. D. Eletrodomésticos A Tabela I apresenta as características dos eletrodomésticos considerados neste estudo, incluindo potência média do aparelho, a duração e a quantidade de ciclos por dia, sendo que todos os ciclos do equipamento terão a duração descrita na Tabela I e todos os dipositivos

4 descritos serão agendados. Estes valores foram extraídos de [8]. Foram estipuladas restrições de horário para o funcionamento de cada equipamento visando representar os hábitos atuais de um dado consumidor. Estas restrições podem ser alteradas pelo usuário de acordo com seu interesse. Para o estudo, as restrições foram estabelecidas em [8]. A Tabela II mostra as restrições inseridas, novamente seguindo os valores sugeridos em [8]. Esta Tabela apresenta o intervalo no qual cada dispositivo pode ter seu funcionamento iniciado. A título de exemplo, a lavadora de roupas pode iniciar seu funcionamento entre 18 e 22 horas. A título de comparação será utilizado um horário de referência, representando o hábito de consumo atual, conforme apresentado na Tabela III. foi adotado como sendo a metade do valor cobrado pela concessionária distribuidora local para o setor residencial: para o estudo em tela, foi utilizado o valor cobrado pela Ampla correspondente a,39191 [R$/kWh] [14]. Para a tarifa intermediária foi estabelecido o triplo da tarifa fora de ponta e para a tarifa de ponta cinco vezes o valor da tarifa fora de ponta. A Figura 3 apresenta o preço da energia por período adotado neste trabalho. TABELA I CARACTERÍSTICAS DOS DISPOSITIVOS [8]. Potência Média Duração/Ciclos Ciclos/dia (W) (min) Lavadora de roupas Secadora de roupas Ar-Condicionado Bomba d'água Chuveiro elétrico Lavadora de louças TABELA II - RESTRIÇÕES DE HORÁRIOS PROPOSTAS T início mínimo T início máximo Lavadora de roupas 18: 22: Secadora de roupas 18: 22:3 Ar-Condicionado 18: 22: Bomba d'água 8: 22: Chuveiro elétrico 7: / 18: 9:3 / 22: Lavadora de louças 18: 22: TABELA III - HORÁRIO DE REFERÊNCIA [8] T início Lavadora de roupas 18: Secadora de roupas 21: Ar-Condicionado 2: Bomba d'ádua 17: Chuveiro elétrico 7: / 8: / 19: / 2: Lavadora de louças 21: E. Tarifa Branca Neste trabalho será considerada a Tarifa Branca para ações de resposta a demanda, utilizando o período de ponta do sistema da concessionária distribuidora local, período compreendido entre 18h e 21h em todos os dias úteis e feriados não nacionais [14]. O custo de energia fora de ponta A. Primeiro Cenário Figura 3 - Preço da energia. IV. RESULTADOS No primeiro cenário, é considerado que o veículo elétrico não será utilizado para uso locomotivo, atuando somente para o armazenamento e fornecimento de energia elétrica. Este cenário seria factível para finais de semana e considerando que as baterias não tivessem restrições de ciclos de carga e descarga. Carregado completamente às 18h, a energia armazenada no banco de bateria do veículo elétrico será utilizado como fonte de energia para a residência no período de ponta do sistema caso a energia consumida pelos dispositivos seja superior à energia própria gerada. Os horários de agendamento proposto para a utilização dos dispositivos, resultantes da aplicação dos métodos de otimização, estão expostos na TABELA IV TABELA IV - AGENDAMENTO PROPOSTO PARA O CENÁRIO 1 Horário Proposto AG PSO Lavadora de roupas 19: 19: Secadora de roupas 22: 18: Ar-Condicionado 22: 22: Bomba d'água 2: 19: Chuveiro elétrico 8: 8: Chuveiro elétrico 2: 19: Lavadora de louças 18: 2: Carro Elétrico 9: 9:

5 Energia [Wh] Energia [Wh] Energia [Wh] A Figura 4 e a Figura 5 apresentam a curva de carga proposta para o agendamento dos dispositivos utilizando o método de otimização do AG e do PSO respectivamente. intermediário antes do período de ponta do sistema e durante o período de ponta. Nesses dois períodos há uma contribuição maior da geração de energia eólica e solar e com a injeção de energia do veículo elétrico no horário de ponta o consumo líquido de energia da residência fica nulo pelo PSO pelo AG de Referência Figura 4- Curva de carga pelo método do AG e geração de energia Cenário Tempo[h] Figura 6 - Curvas de agendamento propostas para o cenário A Tabela V apresenta o custo financeiro obtido com a aplicação de cada método de otimização e a redução financeira obtida comparada ao valor da curva de referência. O PSO obteve um melhor resultado devido ao melhor uso da geração de energia da própria residência. Pela Tabela VI - Agendamento proposto para o cenário 2é possível verificar que o agendamento proposto pelo PSO obteve uma distribuição do consumo ao longo da curva de carga, diminuindo a sua demanda máxima Figura 5 - Curva de carga pelo método do PSO e geração de energia Cenário 1. A Figura 6 apresenta o consumo líquido pelos agendamentos obtidos por cada método de otimização (AG e PSO) juntamente com a curva de consumo para o horário de referência (vide Tabela III). Através da figura é possível verificar a diferença do horário da demanda máxima proposta por cada método. Pode ser observado também que o agendamento proposto pelo método do AG propõe que o veículo elétrico carregue durante o dia, aproveitando a máxima geração da energia eólica e solar, e a tarifa reduzida do período fora de ponta. Há um consumo dos eletrodomésticos no período de ponta do sistema, porém essa demanda é totalmente atendida pela energia armazenada no banco de baterias do veículo elétrico, dispensando a compra de energia da concessionária. Para o PSO é possível notar que o veículo elétrico é carregado no mesmo período proposto pelo AG, porém há uma diferença com relação à demanda máxima. O PSO propõe que o consumo máximo de energia ocorra no período TABELA V - ANÁLISE DE CUSTO POR MÉTODO DE OTIMIZAÇÃO PARA O CENÁRIO 1 Método Custo diário (R$/dia) Redução (%) AG 1,78 76% PSO 1,9 85% Referência 7,26 B. Segundo Cenário Neste cenário será utilizada a premissa no qual o veículo elétrico é utilizado durante o dia para atividades como o transporte. Neste cenário é considerado que o veículo retorna à residência com a bateria vazia, ou seja, esta fonte de energia não pode ser utilizada para atendimento da demanda residencial. Os horários de agendamento proposto para a utilização dos dispositivos, resultantes da aplicação dos métodos de otimização, estão expostos na Tabela VI. A Figura 7 e a Figura 8 apresentam a curva de carga proposta para o agendamento dos dispositivos utilizando o método de otimização do AG e do PSO respectivamente.

6 Energia [Wh] Energia [Wh] Energia [Wh] TABELA VI - AGENDAMENTO PROPOSTO PARA O CENÁRIO 2 Horário Proposto AG PSO Lavadora de roupas 22: 22: Secadora de roupas 22: 22: Ar-Condicionado 22: 22: Bomba d'água 19: 17: Chuveiro elétrico 7: 9: Chuveiro elétrico 22: 22: Lavadora de louças 22: 22: Carro Elétrico 2: 1: pelo PSO pelo AG de Referência Tempo[h] Figura 9 - Curvas de agendamento propostas para o cenário Figura 7 - Curva de carga pelo método do AG e geração de energia Cenário Figura 8 - Curva de carga pelo método do PSO e geração de energia Cenário 2. TABELA VII - ANÁLISE DE CUSTO POR MÉTODO DE OTIMIZAÇÃO PARA O CENÁRIO 2 Método Custo diário (R$/dia) Redução (%) AG 3,36 72% PSO 3,34 72% Referência 11,87 C. Terceiro Cenário Um dos benefícios das Redes Inteligentes é a automação residencial, além de levar conforto aos usuários, promove o uso eficiente da energia. A automação residencial permite a atuação dos dispositivos inteligentes, que podem ser programados para funcionarem em um determinado horário, sem ser necessária a intervenção humana. Alguns eletrodomésticos considerados neste trabalho podem ser automatizados para funcionarem independentes da presença do consumidor na residência. A lista com estes dispositivos é apresentada na Tabela VIII. Neste cenário será adotada a mesma premissa que o cenário anterior, no qual o veículo elétrico é utilizado durante o dia para atividades como o transporte e não há injeção de energia armazenada no banco de baterias. Será admitida a presença dos dispositivos automatizados da Tabela VIII e os demais dispositivos com as restrições de horários propostos na Tabela II. TABELA VIII - DISPOSITIVOS AUTOMATIZADOS Lavadora de roupas Secadora de roupas Bomba d'água Lavadora de louças A Tabela IX apresenta os horários de agendamento proposto para a utilização dos dispositivos, resultantes da aplicação dos métodos de otimização. A Figura 1 apresenta a curva de carga proposta para o agendamento dos dispositivos utilizando o AG e o PSO, respectivamente. Visto que as curvas de consumo líquido obtidas pelo AG e pelo PSO foram iguais (consumo agendado na Tabela IX), os dois métodos de otimização alcançaram o mesmo custo diário e uma mesma redução quando comparados com a curva de referência, conforme apresentado na Tabela X. A automação possibilitou um intervalo de tempo maior para o uso dos dispositivos, o que trouxe maior

7 Energia [Wh] flexibilidade para os métodos de otimização atuarem de forma a agendar a demanda desses dispositivos nos horários de maior geração eólica e solar. TABELA IX - AGENDAMENTO PROPOSTO PARA O CENÁRIO 3 AG Horário Proposto PSO Lavadora de roupas 16: 1: Secadora de roupas 13: 13: Ar-Condicionado 22: 22: Bomba d'água 11: 19: Chuveiro elétrico 9: 9: Chuveiro elétrico 22: 22: Lavadora de louças 14: 14: Carro Elétrico 1: 1: Figura 1- Curva de carga pelo método do AG e PSO e geração de energia Cenário 3. TABELA X- ANÁLISE DE CUSTO POR MÉTODO DE OTIMIZAÇÃO PARA O CENÁRIO 3 Método Custo diário (R$/dia) Redução (%) AG 2,84 76% PSO 2,84 76% Referência 11,87 V. CONCLUSÃO Os métodos de otimização por Algoritmos Genéticos e por Enxame de Partículas se mostraram eficientes para obter uma solução no agendamento de consumo dos dispositivos residenciais com o objetivo de aumentar a eficiência do sistema energético do consumidor, obtendo maior aproveitamento dos recursos naturais e tecnologia disponíveis e minimizando os gastos com a compra de energia da concessionária distribuidora. Neste estudo o método de otimização por Enxame de Partículas apresentou um desempenho melhor, resultando em um custo diário menor com a compra de energia em todos os cenários de agendamento propostos. A proposta de agendamento dos dispositivos de uma residência se mostrou competente possibilitando um gerenciamento de carga em uma Rede Inteligente. Desse modo foi possível modular a curva de carga de acordo com a curva de geração da própria residência, visando aproveitar o máximo dessa geração que possui custo de produção nulo para o consumidor e devido à adoção da Tarifa Branca, deslocar a demanda, quando possível, para períodos no qual a tarifa da energia é mais barata. O melhor aproveitamento da geração de energia própria e menor gasto que o consumidor obteve com a compra de energia da concessionária ocorreu quando o veículo elétrico foi utilizado para armazenar o excedente da geração de energia da própria residência e injetar essa energia armazenada no banco de baterias do veículo no horário de ponta do sistema. Quando o veículo foi utilizado para atividades como o transporte, não estando disponível na residência durante todo o dia, parte da energia gerada pela própria residência foi desperdiçada devido às restrições de horários impostas para o funcionamento dos dispositivos. Esse desperdício da energia com custo nulo foi refletido no aumento do gasto de energia do consumidor. A automação dos dispositivos apresentou um aumento da eficiência energética da residência e uma redução do custo, conforme pode ser evidenciado na Tabela XI, onde é apresentada a comparação entre o custo ótimo para os cenários 2 (sem automação) e 3 (com automação). Tal redução foi possível visto que os dispositivos automatizados foram agendados em horários de maior geração de energia pela própria residência. Cabe avaliar se esta redução de custo torna viável economicamente o investimento em automação residencial. TABELA XI - ANÁLISE DE CUSTO COM A AUTOMAÇÃO DOS DISPOSITIVOS Custo diário (R$/dia) Sem Automação Com Automação Redução (%) 3,34 2,84 15% Visando modificar o perfil do consumo realizando o melhor uso da energia proveniente de fontes renováveis próprias, o método de agendamento desenvolvido nesse trabalho apresentou um melhor aproveitamento energético e uma redução de gastos com energia em todos os cenários propostos utilizando as técnicas de GLD. O método desenvolvido com o objetivo de aplicação no projeto Cidade Inteligente Búzios [11] para consumidores residências no município de Armação dos Búzios RJ pode ser estendido para outras unidades consumidoras de energia, no qual os dispositivos residenciais e suas restrições são inseridos conforme a conveniência do consumidor.

8 VI. REFERÊNCIAS BIBLIOGRÁFICAS [1] A. Campos, Gerenciamento Pelo Lado da Demanda: Um Estudo de Caso, Dissertação de Mestrado, USP/SP, São Paulo, 24. [2] M. Inoue; T. Higuma; Y. Ito; N. Kushiro; H. Kubota, "Network architecture for home energy management system", IEEE Transactions on Consumer Electronics, vol.49, no.3, pp.66,613, Aug. 23. [3] Y.-S. Son; T. Pulkkinen; K.-D. Moon; C. Kim, "Home energy management system based on power line communication", IEEE Transactions on Consumer Electronics, vol.56, no.3, pp , Aug. 21. [4] 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. 21. [5] J. Byun; I. Hong; S. Park, "Intelligent cloud home energy management system using household appliance priority based scheduling based on prediction of renewable energy capability", IEEE Transactions on Consumer Electronics, vol.58, no.4, pp , November 212. [6] M. Pipattanasomporn; M. Kuzlu; S. Rahman, "An Algorithm for Intelligent Home Energy Management and Demand Response Analysis", IEEE Transactions on Smart Grids, vol.3, no.4, pp , Dec [7] T. Hubert; S. Grijalva, "Modeling for Residential Electricity Optimization in Dynamic Pricing Environments," IEEE Transactions on Smart Grid, vol.3, no.4, pp , Dec [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, 212. [9] Y. Ozturk; D. Senthilkumar; S. Kumar; G. Lee, "An Intelligent Home Energy Management System to Improve Demand Response," IEEE Transactions on Smart Grid, vol.4, no.2, pp , June 213. [1] Z. Zhao; W.C. Lee; Y. Shin; K.-B. Song, "An Optimal Power Scheduling Method for Demand Response in Home Energy Management System", IEEE Transactions on Smart Grids, vol.4, no.3, pp , Sept [11] Cidade Inteligente Búzios, Disponível em: < Acessado em 27 de abril de 214. [12] ENERSUD, Turbina Eólica Gerar 246 1kw, unpublished. [Online]. Available: [13] KYOCERA, Installation Manual for the KD135GH- 2PU~KD24GH 2PB of Solar Photovoltaic Power Modules, unpublished, [Online]. Available: [14] Ampla Energia e Serviços S/A, Modalidades Tarifárias, Disponível em: < Acessado em 23 de junho de 213.