ENE-101-PRO 14 Alocação Ótima de Energia Solar Usando Polinização de Flores e Método de Varredura Gringo Tavares Galina Barbosa RESUMO Este artigo apresenta uma metodologia para alocação de energia solar (SE) em sistemas de distribuição usando Algoritmos de Polinização por Flores (FPs) e Varredura de Avanço e Retorno (BFS). O AS é usado para avaliar as soluções candidatas diretamente, em vez de usar um Fluxo de Carga ou um Fluxo de Potência Ótimo (OPF), que são métodos iterativos. A metodologia proposta foi aplicada em dois sistemas, contendo 34 e 70 barras, respectivamente. Para cada sistema foi alocado duas unidades SE. A metodologia proposta foi comparada com uma técnica de busca exaustiva implementada e o ganho em tempo de processamento computacional é mostrado. Como principal resultado, obteve-se as melhores localizações para colocação de unidades SE considerando a minimização de perdas reais de potência e, consequentemente, uma melhoria no perfil de tensão do sistema. Palavras-chave - Algoritmo de Polinização por Flores, Varredura de Avanço, Fluxo de Carga, Energia Solar.
1 INTRODUÇÃO O consumo por energia elétrica cresce e segundo dados do plano de expansão de energia [1] estipulado pela Empresa de Pesquisas Energéticas Brasileira (EPE), o consumo da energia elétrica nos próximos 10 anos continuará crescendo. Esse crescimento tem obrigado o governo a investir em centrais de geração de energia elétrica, como centrais hidroelétricas e termelétricas que têm custo elevado de construção além da demora para a sua implantação. O impacto ambiental e social é um aspecto importante na decisão de construir grandes centrais de geração de energia elétrica. A geração fotovoltaica, vem ganhando espaço no mercado mundial e nacional, com destaque para micro e mini geradores fotovoltaicos por serem de fácil instalação e do seu custo ter diminuído muito nos últimos anos, apesar de ainda continuar caro para a grande parte da população brasileira. Sistemas fotovoltaicos conectados à rede de distribuição de energia elétrica ainda precisam melhora em muitos aspectos técnicos.
2 DESENVOLVIMENTO Materiais e Métodos Flower Pollination Optimization Algorithm De acordo com [25], o principal objetivo de uma flor é a polinização. E a polinização por flor é associada à transferência de pólen e essa transferência é realizada por polinizadores, como insetos, pássaros, morcegos e outros animais. A polinização é realizada por duas formas abiótica e biótica. Cerca de 90% das plantas pertencem à polinização biótica, ou seja, a transferência do pólen acontece por intermédio de insetos ou animais. Os outros 10% toma forma abiótica que não requer polinizadores podendo acontecer pela influência do vento e a difusão na água. Há dois passos fundamentais neste algoritmo a polinização global e a local. Na polinização global, os pólens das flores são transportados por polinizadores, como exemplo insetos isso garante a polinização e a reprodução para otimização global, que pode ser modelada matematicamente abaixo. x i t+1 = x i t + L (x i t g ) (1) Onde: t x i Representa o pólen da flor i ou solução do vetor x i ; t Iterações; g É a melhor solução atual encontrada dentre todas as soluções na geração/iteração atual; L É o parâmetro força da polinização que essencialmente é o tamanho do passo que obedece aos voos de Levy. De fato, L é baseado no voo de Levy como os insetos podem se mover a curtas e longas distâncias podemos basear nesse modelo para imitar essa característica de forma eficiente [1]. L ~ Γ( ) sin(π /2) π 1 S 1+, (S S 0 > 0) (2) Onde: Γ( ) É a função gama padrão, cuja distribuição é válida para grandes passos S > 0. Na maioria das simulações com esse algoritmo tem se adotado = 1.5. E para polinização local (abióticas), tem-se: x i t+1 = x i t + (x j t x k t ) (3)
Onde: x j t e x k t São pólens de flores diferentes da mesma espécie. Ainda conforme [25], na atividade de polinização de flores podem ocorrer tanto em escala global quanto na local. Para tanto se utiliza de probabilidade de trocas ou probabilidade de proximidade p [0,1] para alternar entre polinização global e local intensiva. Os dois passos principais mais a condição de parâmetro podem ser visualizados abaixo. Fluxo de Potência Back-Forward Sweep O método Back-Forward Sweep (BFS) [26] consiste em determinando o valor da tensão em todas as barras da rede de distribuição; definem-se essas tensões como sendo 1 pu. Após a definição das tensões, calculam-se as correntes de carga das barras. Partindo das linhas finais em direção a barra slack, é realizado a somatória das correntes (Backward), encontrando a corrente total da rede de distribuição. Usando os valores das correntes das linhas e partindo da barra slack calculam-se as novas tensões em todas as barras do sistema (Forward). Recalculam-se, depois, as novas correntes do sistema. O processo vai se repetindo até que o método atinja a convergência ou que algum critério de parada seja satisfeito. Cálculo das Correntes Nodais Temos que a carga de uma barra k é dada pela eq.(4), e a tensão na forma fasorial da barra é obtida pela eq.(5): S k = P k + jq k (4) V k = V k θ k (5) Então temos que a corrente da carga será: I k = ( S k V k ) (6) Backward Sweep
O método Backward Sweep consiste na somatória das correntes, para se determinar as correntes das linhas. O cálculo se inicia pelas linhas terminais (finais) e vai na direção à subestação, onde calcula as correntes nas linhas que conectam as barras de k e m: I km = I m + jεωm I mj (7) Onde: Ω m é o conjunto de barras alimentadas pela barra m. Forward Sweep Esta etapa inicia-se partindo da subestação e caminha na direção das barras terminais, onde as tensões nas barras são atualizadas. Para uma certa barra m, temos: V r(k) = V o(k) Z km I km (8) Onde a barra k é a outra barra terminal da linha km, que alimenta a barra m. Cálculo das Perdas Depois do levantamento das tensões do sistema, é possível calcular as perdas nas linhas como podemos ver na eq.(9): das linhas. P km = E k E m 2 g km (9) A perda de potência ativa total é composta ela soma das perdas de cada uma P total = P km (10)
Assim a técnica proposta será utilizada para encontrar o melhor ponto de conexão dos BC s assim como sua potência ideal onde reduzirá ao máximo as perdas do sistema. III. RESULTADOS E DISCUSSÃO O principal objetivo do trabalho é mostrar os benefícios em associar o fluxo de carga AC linearizado com uma técnica metaheurística para alocação de GD s. No entanto, por se tratar de uma metodologia aproximada (FA), em que não há garantia de convergência para o ponto ótimo, associada ao FCACL, se faz necessário uma profunda validação acerca da aplicação da metodologia proposta. Assim, a metodologia proposta, identificada como FA-FCACL foi comparada com uma busca exaustiva (BE) utilizando o FCACL, denominada BE-FCACL. Sendo esta a metodologia exata de validação do resultado. Para cada sistema foram realizados dois testes, alocando uma e duas GD s com a mesma capacidade. No primeiro teste, a potência ativa a ser alocada foi de 1MW para os sistemas. No segundo esta potência foi escolhida como sendo de 2MW e no último teste de 3MW. Os sistemas de distribuição estudados foram os de 34 barras [a] e 70 barras.. TABELA I RESUMO DOS SISTEMAS DE DISTRIBUIÇÃO Sistemas Linhas Alimentadores Barras com carga Carga do sistema (MW) Carga do sistema (Mvar) 34 barras 33 1 29 4,637 2,886 70 barras 69 1 48 3,802 2,695 Fonte: Gringo T G Barbosa Os testes foram realizados usando código desenvolvido para ambiente MATLAB utilizando um computador DELL Inspiron 7000 processador Intel Core i7-7700hq CPU @ 2.80 GHz, 8GB de memória RAM, sistema operacional Windows 10 Home - 64 Bits.
Sistema de 34 Barras Para o sistema de 34 barras foram alocados uma, duas sendo que a potência máxima pode chegar a 3MW. Para uma e duas SE s os resultados foram comparados com a alocação de forma exaustiva (BE-FP) para validar a metodologia proposta. Para alocarmos uma SE foram necessárias 33 simulações, para alocarmos duas SE s foram necessárias 561. Ao alocarmos as SE s além de proporcionar uma redução nas perdas elétricas dos sistemas testados, proporciona também uma melhoria na qualidade de energia referente aos níveis de tensão. Alocando 1 GD com potência fixa de 1MW, o melhor local foi a barra 27 onde as perdas de potência ativa reduziram de 202 kw que é o caso base (sem adição de GDs) para 130 kw. Alocando 1 GD com potência fixa de 2MW o melhor ponto de conexão foi a barra 24 onde as perdas foram reduzidas para 97,8 kw e finalmente alocando a GD com potência fixa de 3MW o melhor ponto de conexão foi a barra 23 que proporciona uma redução para algo entorno de 90,4 kw as perdas de potência ativa no sistema de 34 barras, os níveis de tensão podem ser verificados na figura 1. Sistema de 70 Barras Os testes foram replicados agora no sistema de 70 barras. Para alocação de uma GD foram necessárias 69 simulações, para duas GD s foram necessárias 2415 simulações e para alocarmos três GD s no sistemas de 70 barras foram necessárias 109480 simulações. Foram alocados uma e duas GDs sendo realizado testes com as potências fixas de 1MW, 2MW e 3MW de potência ativa.
7 CONCLUSÃO A identificação de microrganismos por processamento computacional de fotografias se mostrou viável, prático e com uma elevada taxa de acerto. A pequena diferença entre a contagem humana e a contagem efetuada pelo MicroCount, junto a possibilidade do usuário complementar e corrigir a contagem pela interface do programa, tornam o processo completamente preciso e confiável. Os autores acreditam que o programa desenvolvido possa ser utilizado em outras situações práticas envolvendo o processamento de imagens e que o tempo economizado pela facilidade e rapidez da contagem, unido ao fato do programa ser gratuito e possuir uma interface amigável, poderá ajudar nas atividades de profissionais da microbiologia, imunologia e biologia celular. Novos esforços estão sendo empregados para melhorar os blocos funcionais do software, sobretudo a segmentação e identificação de objetos, para torná-lo mais confiável e reconhecer outros tipos de colônias e padrões.
REFERÊNCIAS [1] PDE2026 h ttp://www.epe.gov.br/sites-pt/publicacoes-dadosabertos/publicacoes/publicacoesarquivos/publicacao-40/pde2026.pdf [a] M. Chis, M. M. A. Salama, and S. Jayaram, "Capacitor placement in distribution systems using heuristic search strategies," Generation, Transmission and Distribution, IEE Proceedings-, vol. 144, pp. 225-230, 1997. [b] A. A. El-Dib, H. K. M. Youssef, M. M. El-Metwally, and Z. Osman, "Optimum VAr sizing & allocation using particle swarm optimization," in Power Engineering Society General Meeting, 2006. IEEE, 2006, p. 8 pp. [c] A. Y. Abdelaziz, F. M. Mohammed, S. F. Mekhamer, and M. A. L. Badr, "Distribution Systems Reconfiguration using a modified particle swarm optimization algorithm," Electric Power Systems Research, vol. 79, pp. 1521-1530, 11// 2009. [d] M. E. Baran and F. F. Wu, "Optimal capacitor placement on radial distribution systems," Power Delivery, IEEE Transactions on, vol. 4, pp. 725-734, 1989. [X] Das P, Banerjee S. Optimal sizing and placement of capacitor in a radial distribution system using loss sensitivity factor and firefly algorithm. Int J Eng Comput Sci 2014;3:5346 52. [Y] Yang, X. S. "Firefly algorithms for multimodal optimization." Springer Berlin Heidelberg 2009. 169-178. [A1] S. Elsaiah, M. Benidris, and J. Mitra, "Analytical approach for placement and sizing of distributed generation on distribution systems," IET Generation, Transmission & Distribution, vol. 8, pp. 1039-1049, 2014.