Aplicação de conceitos de Smart Grids para otimização através de reconfiguração de sistemas radiais seletivos subterrâneos

Abstract

A introdução de Smart Grids em sistemas de distribuição subterrâneos tem sido viabilizada pela tecnologia de informação e comunicação de dados, sensoriamento e controle inteligentes. Devido à alta densidade de carga e ao aumento progressivo da demanda de energia elétrica, dada complexidade do sistema duplo radial, é necessário aprimorar técnicas que incorporam as necessidades operacionais emergentes para melhorar a qualidade de energia e garantir operabilidade. O estudo foca na rede da Companhia Estadual de Energia Elétrica – Distribuição (CEEE-D), destacando a necessidade de inovação e a transição de redes tradicionais para Smart Grids. As reconfiguração de redes de distribuição são extremamente necessárias para evitar contingências e atribuir uma condição ótima entre unidades geradoras, cargas do sistema de distribuição e sistema de proteção. Neste projeto é proposto o desenvolvimento de uma modelagem computacional em que RNA analisam os consumos e as demandas pontuais do sistema de distribuição de energia elétrica através de dados acumulados, analisadores de sinal e sensores em tempo real condicionados nas chaves telecomandadas. O objetivo é aplicar técnicas de IA por redes neurais artificias para reduzir o tempo de reconfiguração de sistemas de distribuição, através da reconfiguração dinâmica. A RNA é utilizada para enfrentar a complexidade dos sistemas elétricos de distribuição subterrâneos, utilizando funções de ativação não-lineares e arquiteturas para reconfigurações. Os resultados obtidos pela RNA com a função de ativação sigmoide na camada oculta e da função linear na camada de saída, em conjunto com o algoritmo Backpropagation e a otimização pelo método de Levenberg-Marquardt, apresentam as configurações de chaveamento, as quais serão aplicadas às chaves de transferência automáticas. A técnica adotada provou ser eficiente, resultando em previsões confiáveis que contribuem para a redução de perdas, respeitando os limites de capacidade de corrente e magnitude de tensão. Os resultados dos testes em três cenários evidenciam a robustez do modelo, que conseguiu capturar variações nas potências de carga e prever configurações de chaveamento, mantendo desempenho elevado mesmo em condições não vistas durante o treinamento. A aplicação de RNA em Smart Grids destaca-se pela precisão e adaptabilidade, mostrando-se promissora para otimizações futuras em sistemas mais complexos.