Академический Документы
Профессиональный Документы
Культура Документы
UFRN
Agosto/2011
Universidade Federal do Rio Grande do Norte
Programa de Pós-graduação em Engenharia
Elétrica e de Computação
Orientador:
UFRN
UFRN
Agradecimentos
A Deus, pelo dom da vida e por ter me sustentado em todos os momentos.
Resumo
Neste trabalho, propõe-se uma metodologia para definição dos valores máximos
de potência ativa a serem injetados em barras pré-definidas das redes de distribuição
estudadas, considerando a possibilidade de múltiplos acessos de unidades geradoras. A
definição desses valores máximos se obtém a partir de um estudo de otimização, no qual as
novas perdas não superam as do caso base, ou seja, sem a presença da geração distribuída.
No estudo atendem-se as restrições de carregamentos nos ramos e tensões do sistema. Para
tratar o problema, propõe-se um algoritmo baseado no método numérico de otimização
nuvem de partículas, ou particle swarm optimization – PSO, aplicado ao estudo de fluxo de
carga convencional CA e ao fluxo de carga ótimo para maximização da penetração da
geração distribuída. Também se incorporou o método de Newton-Raphson, como
alternativa, para a resolução do fluxo de carga. Realiza-se a programação computacional
no software SCILAB. Testa-se o algoritmo proposto com os dados da rede IEEE-14 barras
e de uma rede de distribuição em alta tensão (69 kV) do Estado do Rio Grande do Norte,
com 25 barras. O algoritmo determina valores permitidos de potência ativa nominal de
geração distribuída, em termos percentuais relativos à demanda da rede, a partir de valores
de referência.
Abstract
This work develops a methodology for defining the maximum active power being
injected into predefined nodes in the studied distribution networks, considering the
possibility of multiple accesses of generating units. The definition of these maximum
values is obtained from an optimization study, in which further losses should not exceed
those of the base case, i.e., without the presence of distributed generation. The restrictions
on the loading of the branches and voltages of the system are respected. To face the
problem it is proposed an algorithm, which is based on the numerical method called
particle swarm optimization, applied to the study of AC conventional load flow and
optimal load flow for maximizing the penetration of distributed generation. Alternatively,
the Newton-Raphson method was incorporated to resolution of the load flow. The
computer program is performed with the SCILAB software. The proposed algorithm is
tested with the data from the IEEE network with 14 nodes and from another network, this
one from the Rio Grande do Norte State, at a high voltage (69 kV), with 25 nodes. The
algorithm defines allowed values of nominal active power of distributed generation, in
percentage terms relative to the demand of the network, from reference values.
Lista de Figuras
Figura 3.1 - Espaço de busca na nuvem de partículas ......................................................... 41
Figura 3.2- Fluxograma do algoritmo para cálculo do fluxo de carga com PSO ............... 47
Figura 3.3 - Fluxograma do algoritmo para cálculo do FCO e do FC com PSO ................ 51
Figura 3.4 - Fluxograma do algoritmo para cálculo do FCO com PSO e do FC com
Newton-Raphson ................................................................................................................. 54
Figura 4.1 -Diagrama unifilar da Rede IEEE de 14 barras .................................................. 57
Figura 4.2 – Diagrama Unifilar - Sistema de Distribuição – R. G. do Norte - Brasil ......... 58
Figura 4.3 - Perfil de carga da Região Nordeste – dias úteis – mês de dezembro [ONS,
2007] .................................................................................................................................... 59
Figura 4.4 - Perfil de carga da Região Nordeste – dias úteis – mês de junho[ONS, 2007]. 59
Figura 4.5- Comportamento típico da função objetivo de convergência aplicada à Rede
IEEE-14 barras em relação ao n° de iterações ..................................................................... 63
Figura 4.6 - Comportamento típico da função objetivo de convergência aplicada à Rede
IEEE-14 barras durante as últimas iterações ....................................................................... 63
Figura 4.7 – Perdas na rede RN com GD para diferentes valores propostos ...................... 68
Figura 4.8 – Valores permitidos de GD na rede RN para diferentes valores propostos ...... 69
Figura 4.9- Comparativo das tensões da rede do caso base e com GD na Rede RN........... 73
Figura 4.10 – Potências ativas permitidas para GD nas barras 7 e 23 da Rede RN e
correspondentes perdas totais .............................................................................................. 75
Figura 4.11 - Potências ativas permitidas para GD nas barras 7 e 8 da Rede RN e
correspondentes perdas totais .............................................................................................. 75
Figura 4.12 – Potências ativas permitidas para GD nas barras 7, 8 e 23 da Rede RN e
correspondentes perdas totais .............................................................................................. 76
7
Lista de Tabelas
Tabela 1 – Níveis de tensão considerados para a conexão de centrais geradoras [ONS,
2011c] .................................................................................................................................. 28
Tabela 2 –Tensões da rede IEEE-14 barras - PSO X Newton-Raphson ............................. 61
Tabela 3 - Fluxo de carga PSO X Newton-Rapson - Potências .......................................... 62
Tabela 4 – Desempenho do PSO para fluxo de carga em função do n° de partículas ......... 64
Tabela 5 – Desvio-padrão da maximização da GD para diferentes n° de partículas – barras
7 e 18 da rede RN. ............................................................................................................... 70
Tabela 6 – Desvio das perdas em relação ao caso base para diferentes n° de partículas .... 71
Tabela 7 – Tensões do caso base e caso com GD nas barras 7 e 23 da Rede RN ............... 72
Tabela 8 – Carregamentos da Rede RN no caso base e com GD nas barras 7 e 23 ............ 74
Tabela 9 – Maximização da GD testada em diversos conjuntos de barras da Rede RN ..... 77
Tabela 10- Valores propostos e permitidos para a GD em diversas barras na Rede RN .... 78
9
FC – Fluxo de Carga
GD – Geração Distribuída
GS – Gauss-Seidel
NR – Newton-Raphson
Lista de Símbolos
função de perdas.
função de tensão.
tensão de referência.
função de penalidade.
: número de ramos.
: quantidade de partículas.
Sumário
1.3 Metodologia........................................................................................................... 22
3.2.3 Algoritmo para cálculo do fluxo de carga ótimo e do fluxo de carga com
PSO 48
4.3 Simulações com o algoritmo para cálculo do fluxo de carga com base em Newton-
Raphson e para otimização da GD utilizando o PSO .......................................................... 66
GLOSSÁRIO 90
Capítulo 1
Introdução
concessionária estabeleça critérios para definição dos limites de potência ativa injetadas
nas barras de conexão. A determinação destes limites, embora possam ser diferentes para
cada produtor, não devem violar o princípio do tratamento isonômico observado pela
concessionária de distribuição. Isso é possível, com a sistematização dos acessos dos
produtores, com base em critérios bem definidos, aos quais todos estarão submetidos. Em
termos econômicos globais, é interessante que as perdas no sistema de distribuição, com a
presença da geração distribuída, sejam minimizadas, ou pelo menos, que se mantenham
inalteradas. E em termos de desempenho do sistema elétrico, deseja-se que as tensões se
mantenham próximas a valores de referência.
perdas próximas às do caso base e a solução com tensões nodais próximas a valores de
referência.
[Celli & Pilo, 2001] analisam uma rede italiana de média tensão e propõe uma
metodologia para gerenciamento de incertezas frente ao aumento da GD. [Foote et al.,
2005] fazem um levantamento das fontes de geração distribuída utilizadas na baixa tensão
em países da Europa e propõem ferramentas para análise de cenários futuros (ano 2020).
[Rodrigues et al., 2007] analisam o papel da geração distribuída no Brasil, e aplicam um
modelo proposto a uma empresa distribuidora, com o objetivo de minimizar custos de
contratação de energia, face a incertezas da demanda e da provisão de fontes como a
eólica. [Bajay et al., 2006] conceituam a geração distribuída de eletricidade, indicam-se
mecanismos de fomento a este tipo de geração no País e se discutem as perspectivas de sua
difusão nos Estados de São Paulo, Bahia e Mato Grosso.
al., 2010] ; estratégias de controle [Liew & Strbac, 2002]; alocação ótima de geração
distribuída [Kountroumpezis & Safigianni, 2009] e [Singh et al., 2008]; perdas [Quezada
et al., 2006], [Ayres, et al., 2009]; controle remoto de fator de potência [Oliveira et al. ,
2009a] ; custo de geração [Alhajali et al., 2008] .
[Momoh et al., 1999a] e [Momoh et al., 1999b] apresentam uma revisão das
técnicas de programação matemática a partir de um apanhado de artigos publicados até
1993, e selecionados para enfatizar a diversidade de formulações e a dimensão do escopo
dos problemas considerados.
[Shi & Eberhart, Shi & Eberhart, 1998a] introduzem o fator de ponderação de
inércia e analisam o seu impacto no desempenho do PSO [Shi & Eberhart, 1998b] .
[dell Valle et al., 2008] apresentam uma revisão sobre os conceitos básicos e
variantes do PSO com aplicações em sistemas de potência. Outro levantamento de
aplicações do PSO em sistemas elétricos é realizado por [AlRachid & El-Hawary] .
22
Os estudos de [Abido, 2002] , [Park et al., 2005] , [VINODH et al., 2008], [Chen
& Lin, 2009] , [Oliveira et al., 2009b] , [PhanTu Vu et al. , 2010] , baseados no particle
swarm optimization, têm aplicação em problemas de fluxo de carga ótimo com diversos
objetivos como minimização de perdas, despacho econômico e controle de tensão. Outros
estudos recentes utilizam o algoritmo particle swarm optimization diretamente na
resolução do fluxo de carga como um problema de otimização [EL-Dib et al., 2004],
[Salomon et al., 2010] , [Acharjee & Goswami, 2008], [Mageshvaran et al., 2008],
[Acharjee & Goswami, 2009].
1.3 Metodologia
Na realização do presente trabalho foram executadas as seguintes ações:
- Escrita da Dissertação.
Capítulo 2
O problema da maximização da geração
distribuída
Devido à variação da carga, com mudança dos fluxos nas linhas ao longo do dia,
os impactos nas perdas de potência transmitida são analisados, neste trabalho, para duas
situações extremas, a de carga máxima e a de carga mínima.
27
Neste trabalho optou-se por testar um cenário menos restritivo, com cerca de 40%
da demanda ativa máxima da RD estudada, percentual significativo para identificação do
impacto da GD.
O estudo está dividido em duas partes: a solução do fluxo de carga básico, através
da otimização da função que representa o equilíbrio de carga nas barras do sistema; e a
solução de um fluxo de carga ótimo com múltiplos objetivos, através da otimização da
função objetivo que representa a maximização de acesso da geração distribuída. A
integração dessas partes, através do algoritmo proposto neste trabalho, proporciona a
solução geral do problema.
( ) ∑( ) 2.1
Essas duas funções são definidas de acordo com as equações não lineares do fluxo
de carga:
∑ ( ) 2.2
∑ ( ) 2.3
∑ 2.4
da solução com tensões nodais próximas à média dos valores limites. A função objetivo é,
assim, composta de três parcelas, descritas a seguir:
∑( ) 2.5
: número de barras;
( )
2.6
( ) 2.7
∑
: número de barras;
2.8
2.9
( )
∑ 2.10
( )
∑ 2.11
( )
∑ 2.12
: tensões do nó i calculadas;
: número de ramos;
38
2.13
( ) ( )
∑( ) ∑
( )
( ) (∑ ) 2.14
( ) ( )
(∑ ) (∑ )
Capítulo 3
Algoritmo proposto
3.1
3.2
3.3
( ) ( ) 3.4
: quantidade de partículas;
( ) ∑( ) 3.5
3.6
: número de partículas;
6. Atualização das posições das partículas (valores dos ângulos e dos módulos
das tensões das barras).
Teste de aptidão ( )
N
Cálculo das velocidades ( ) Parada
PSO
Fim
Figura 3.2- Fluxograma do algoritmo para cálculo do fluxo de carga com PSO
( ) ( )
∑( ) ∑
( )
( ) (∑ ) 3.7
( ) ( )
(∑ ) (∑ )
Para essa função, o vetor de posição das partículas tem dimensão igual ao número
de barras da rede e se compõe das potências ativas geradas pelos produtores, a serem
maximizadas, conforme equação 3.8:
3.8
48
No primeiro (seção 3.2.3), utiliza-se o PSO tanto para a solução do fluxo de carga
ótimo como para a solução do fluxo de carga; no segundo (seção 3.2.3), utiliza-se o PSO
para a solução do fluxo de carga ótimo e o método de Newton-Raphson para a solução do
fluxo de carga.
6.5. Atualização das posições das partículas (valores dos ângulos e dos
módulos das tensões das barras).
Para-se o PSO quando a melhor partícula não é alterada por 100 iterações
seguidas, ou antes, se a velocidade dessa partícula cai abaixo de uma tolerância
especificada.
10. Atualização das posições das partículas do PSO (potências ativas geradas
pelas unidades de GD).
N
9. Cálculo velocidades das partículas
Parada
PSO
10. Atualização posições das partículas
S
Fim
3.2.4.1 Passos do Algoritmo para cálculo do FCO com PSO e do FC com Newton-
Raphson
Finaliza-se o PSO quando a melhor partícula não é alterada por 100 iterações
seguidas, ou antes, se a velocidade dessa partícula cai abaixo de uma tolerância
especificada.
9. Cálculo das velocidades das partículas (potências ativas geradas pela GD).
10. Atualização das posições das partículas (potências ativas geradas pela
GD).
S
8. Teste de
Fim
parada
N
9. Cálculo das velocidades das partículasS
Figura 3.4 - Fluxograma do algoritmo para cálculo do FCO com PSO e do FC com
Newton-Raphson
55
Capítulo 4
Simulações Computacionais
A seção 4.1 traz uma descrição das redes estudadas. A seção 4.2 e a seção 4.3
descrevem as simulações e analisam seus principais resultados.
Não existem geradores no caso base, sendo a energia da rede totalmente suprida
pela barra slack. Essa barra de balanço (nó n°1) faz fronteira com o sistema de transmissão
58
Figura 4.3 - Perfil de carga da Região Nordeste – dias úteis – mês de dezembro [ONS,
2007]
Figura 4.4 - Perfil de carga da Região Nordeste – dias úteis – mês de junho[ONS, 2007]
As partículas foram inicializadas com valores aleatórios entre 0,99 e 1,085 pu,
para as magnitudes; e entre –0,001 e –0,399 rad, para os ângulos das tensões, de barra.
Para as magnitudes das tensões, houve diferença entre os dois métodos no caso
das barras 9, 10 e 13, a partir da terceira casa decimal; e para os ângulos em graus, apenas
na barra 14, na primeira casa decimal. Para as potências ativas e reativas calculadas, houve
diferença entre os dois métodos no caso de algumas barras, a partir da terceira casa
decimal.
1.4
1.2
1.0
0.8
Fconv
0.6
0.4
0.2
0.0
0 200 400 600 800 1000 1200 1400
Iterações
0.020
0.018
0.016
0.014
0.012
Fconv
0.010
0.008
0.006
0.004
0.002
0.000
200 400 600 800 1000 1200 1400
Iterações
principalmente, nos ângulos das tensões das barras, leva a uma variação significativa nas
potências líquidas dessas barras, utilizadas para a observação da convergência do fluxo de
carga.
Esse fato não inviabilizou a pesquisa, uma vez que resultados foram alcançados
com a integração do fluxo de carga, através do método de Newton-Raphson, ao algoritmo
de otimização da GD, este desenvolvido com base no PSO, proposto na seção 3.2.4. Os
resultados dessas simulações são descritos a seguir.
Nesse caso o valor nominal total testado foi de 180 MW, cerca de 40% da
demanda de potência ativa. As barras testadas com GD são a de n° 7, com 72 MW, e a de
n° 18, com 108 MW, que correspondem ao rateio do valor total testado, na proporção de
40% e 60%, respectivamente.
Perdas relativas ao CB
100%
90%
80%
70%
0
12
16
20
24
28
32
36
40
Proposta de GD (percentual da demanda da rede) com
rateio entre as barras 7 (40%) e 18 (60%)
Observa-se que para o acréscimo de GD até cerca dos 20% da demanda da rede a
relação entre os valores máximos obtidos e os valores de referência testados é
69
aproximadamente constante. No restante do teste, dos 20% aos 40%, essa relação passa a
decair, indicando que as restrições operacionais a partir desse ponto limitam a penetração.
25%
Penetração GD
20%
15%
10%
5%
0%
0
12
16
20
24
28
32
36
40
Proposta de GD (percentual da demanda da rede) com rateio entre as
barras 7 (40%) e 18 (60%)
médio igualmente superior. O sinal positivo do desvio significa que as perdas calculadas
são maiores que as do caso base. Já para o teste com 16 partículas, em apenas um dos 20
processamentos o valor das perdas do caso base foi superado, o que não ocorreu com a
média desses processamentos. Finalmente, com 20 partículas, em nenhum dos 20
processamentos houve superação das perdas do caso base.
Tabela 6 – Desvio das perdas em relação ao caso base para diferentes n° de partículas
Desvio das perdas da Rede RN
Pot Ativa
N° de N° de N° de Tempo Perdas Desvio perdas
GD total
partículas processamentos iterações (s) (pu) (pu)
(pu)
5
4 20 12 7 1,0902 0,0632 0,00480
1
8 20 15 65 1,0768 0,0625 0,00410
3
16 20 14 32 1,0476 0,0583 -0,00007
4
20 20 14 15 1,0500 0,0584 -0,00005
1,000
0,975
0,950
13
27
4
10
11
12
14
15
16
17
18
19
20
21
22
23
24
25
26
28
29
30
1
2
3
5
6
7
8
9
N° da barra
Figura 4.9- Comparativo das tensões da rede do caso base e com GD na Rede RN
1,5000
0,0000
GD 7 GD 8 GD total Perdas
Barra com GD
Pot. ativa e 2
perdas (pu)
1,5
1 Carga máxima
0,5 Carga mínima
0
GD7 GD8 GD23 GD total Perdas
Barra com GD
Facesso X n° iterações
2.4
2.2
2.0
1.8
Função objetivo de acesso
1.6
1.4
1.2
1.0
0.8
0.6
0 2 4 6 8 10 12 14 16 18 20 22
Iterações
Facesso X n° iterações
0.94
0.92
0.90
0.88
0.84
0.82
0.80
0.78
0.76
0.74
2 4 6 8 10 12 14 16 18 20 22
Iterações
Capítulo 5
Conclusões
- Analisar a robustez do método proposto por meio de simulações com redes com
diferentes topologias, níveis de carregamento e quantidade de produtores independentes.
Referências Bibliográficas
[Abido, 2002] Abido, M. A. 2002. Optimal power flow using particle swarm optimization.
Electrical Power and Energy Systems 24 (2002) 563-571.
[Acharjee & Goswami, 2009] Acharjee, P. and Goswami, S. K. 2009. Chaotic Particle
Swarm Optimization based reliable algorithm to overcome the limitations of conventional
power flow methods. Power Systems Conference and Exposition, 2009. PSCE '09.
IEEE/PES.
[Ackerman et al., 2001] Ackerman, Thomas; Andersson, Göran; Söder, Lennart. 2001.
Distributed generation: A definition. Electric Power Systems Research 57 (2001) 195–204.
[Alhajali et al., 2008] Alhajali, Mounes; Cregan, Michael; Flynn, Damian and Morrow, D.
J. 2008. The impact of generation mix on scheduling of power systems with high wind
penetration. Universities Power Engineering Conference, 2008. UPEC 2008. 43rd
International, 1-4 Sept. 2008, pages 1-5.
[Ayres, et al., 2009] Ayres, H. M.; da Silva, L. C. P.; Freitas, W.; de Almeida, M. C.; da
Costa, V. F. 2009. Evaluation of the Impact of Distributed Generation on Power Losses by
Using a Sensitivity-Based Method. Power & Energy Society General Meeting, 2009, PES
'09, IEEE, Pages 1-6.
85
[Ayres et al., 2010] Ayres, H.M.; Freitas, W.; De Almeida, M.C.; Da Silva, L.C.P. 2010.
Method for determining the maximum allowable penetration level of distributed generation
without steady-state voltage violations. Generation, Transmission & Distribution, IET. Vol
4, Issue 4, 2010, pages 495-508.
[Bajay et al., 2006] BAJAY, Sérgio Valdir, LEITE, Álvaro Afonso Furtado, CARVALHO,
Cláudio Bezerra de et al. Perspectivas da geração distribuída de eletricidade nos estados de
São Paulo, Bahia e Mato Grosso.. In: ENCONTRO DE ENERGIA NO MEIO RURAL, 6.,
2006, Campinas. Proceedings online... Available from:
<http://www.proceedings.scielo.br/scielo.php. Acess on: 06 June. 2011.
[Bakirtzis & Zoumas, 2002] Bakirtzis, A. G. & Zoumas, C. E. 2002. Optimal Power Flow
by Enhanced Genetic Algorithm. IEEE TRANSACTIONS ON POWER SYSTEMS, VOL. 17,
NO. 2, MAY 2002.
[Brown et al., 1963] Brown, H. E., Carter, G. K., Happ, H. H., & Person, C. E. 1963.
Power flow solution by impedance matrix iterative method. IEEE Trans. Power App.
Syst., PAS-8, 1–10.
[Celli & Pilo, 2001] Celli, G. & Pilo, F. 2001. MV Network Planning under uncertainties
on Distributed Generation penetration. Power Engineering Society Summer Meeting,
2001. IEEE , Page(s): 485 - 490 vol.1.
[Clerc & Kennedy, 2002] Clerc, M.; Kennedy, J. 2002. The particle swarm-explosion,
stability, and convergence in a multidimensional complex space, IEEE Trans. Evolutionary
Computation, 6, 58–73 (2002).
[Chen & Lin, 2009] Chen, Chang-Huang and Lin, Chin-Chung. 2009. Simple particle swarm
optimization for economic dispatch with piecewise quadratic fuel cost function.
Conference on Innovative Technologies in Intelligent Systems and Industrial Applications
(CITISIA 2009) Monash University, Sunway campus, Malaysia, 25th & 26th July 2009.
[dell Valle et al., 2008] Yamille del Valle, Ganesh Kumar Venayagamoorthy, Salman
Mohagheghi, Jean-Carlos Hernandez, Ronald G. Harley, “Particle Swarm Optimization:
Basic Concepts, Variants and Applications in Power Systems”. IEEE TRANSACTIONS ON
EVOLUTIONARY COMPUTATION, VOL. 12, NO. 2, APRIL 2008.
[Dommel & Tinney, 1968] H.W. Dommel and W. F. Tinney, “Optimal power flow
solutions,” IEEE Trans. Power Apparat. Syst., vol. PAS-87, pp. 1866–1876, Oct. 1968.
86
[Falcão, 2008]. Falcão, Djalma. Fluxo de Potência Ótimo. 2008 – Programa de Engenharia
Elétrica – UFRJ.
[Foote et al., 2005] Foote, C. E. T.; Burt, G. M. ; Elders, I. M. and Ault, G. W. 2005.
Developing distributed generation penetration scenarios. Future Power Systems, 2005
International Conference on. Page(s): 6 pp. – 6.
[Glimn & Stagg, 1957] Glimn, A. F., & Stagg, G. W. 1957. Automatic calculation of
load flow. IEEE Trans. Power App. Syst., 76, 817–828.
[IEA, 2010] International Energy Agency, 2010, “Key World Energy Statistics –
Outlook for World TPES to 2030”, available in www.iea.org (december/2010).
[Kagan et al. , 2009] Kagan, N., Schmidt, H. P., de Oliveira, C. C. B., Kagan, H. 2009.
Métodos de Otimização Aplicados a Sistemas Elétricos de Potência. Ed. Blucher, São
Paulo
[Kashem & Ledwich, 2005] Kashem, M. A. and Ledwich, Gerard. 2005. Multiple
Distributed Generators for Distribution Feeder Voltage Support. IEEE Transactions on
Energy Conversion, Vol. 20, n°3, September 2005.
[Keane et al., 2010] Keane, Andrew; Ochoa, L. F.; Vittal, Eknath; Dent, C. J; Harrison, G.
P. 2010. Enhanced Utilization of Voltage Control Resources with Distributed Generation.
Acepted to publishing on IEEE Transactions on Power Systems.
[Kennedy & Eberhart, 1995] Kennedy, J., & Eberhart, R. 1995. “Particle swarm
optimization”, in Proc. 1995 IEEE Int. Conf. Neural Networks, 4, 1942–1948.
[Kodsi & Canizares, 2003] Kodsi, S. K. M.; Canizares, Claudio A. 2003. Modeling and
simulation of IEEE 14 bus system with FACTS controllers – Technical Report # 2003 - 3.
87
[Liew & Strbac, 2002] Liew, S. N.; Strbac, G. 2002. Maximizing penetration of wind
generation in existing distribution networks. IEEE proc. Gener. Transm. Distrib., Vol. 149,
No 3, May 2002.
[Leeton, 2010] Leeton, U. 2010. Power Loss Minimization Using Optimal Power Flow
Based on Particle Swarm Optimization. Electrical Engineering/Electronics Computer
Telecommunications and Information Technology (ECTI-CON), 2010 International
Conference on. Issue Date: 19-21 May 2010, On page(s): 440 – 444.
[Mageshvaran et al., 2008] Mageshvaran, R.;. Raglend, I. Jacob; Yuvaraj, V.; Rizwankhan,
P.G.; Vijayakumar, T.; Sudheera. 2008. Implementation of Non-Traditional Optimization
Techniques (PSO, CPSO, HDE) for the Optimal Load Flow Solution. TENCON 2008 -
2008 IEEE Region 10 Conference.
[Monticelli, 1983] Monticelli, A. J., “Fluxo de carga em redes de energia elétrica”, São
Paulo, Editora Edgard Blucher, 1983, p.75.
[Oliveira et al. , 2009a] Oliveira, C. B. M., Oliveira, J. T., JR., M. F. MEDEIROS, &
Chianca, M. 2009. Modelo de Fluxo de Carga Ótimo Soma de Potências para Controle de
Reativos na Barra de Conexão de Parques Eólicos. VII Congresso Brasileiro para
Qualidade de Energia Elétrica.
[Oliveira et al., 2009b] Oliveira, C. B. M., Oliveira, J. T., JR., M. F. MEDEIROS. 2009.
New Method based in Particle Swarm Optimization for Power Factor Remote Control and
Loss Minimization in Power Systems with Wind Farms Connected. 15th International
Conference on Intelligent System Applications to Power Systems, 2009. ISAP '09.
88
[PhanTu Vu et al. , 2010] PhanTu Vu, DinhLuong Le, NgocDieu Vo and Josef Tlusty,
2010. A Novel Weight-Improved Particle Swarm Optimization Algorithm for Optimal
Power Flow and Economic Load Dispatch Problems. Transmission and Distribution
Conference and Exposition, 2010 IEEE PES.
[Park et al., 2005] Park, Jong-Bae; Lee, Ki-Song; Shin, Joong-Rin and Lee, Kwang Y.
2005. A Particle Swarm Optimization for Economic Dispatch With Nonsmooth Cost
Functions. IEEE TRANSACTIONS ON POWER SYSTEMS, VOL. 20, NO. 1, FEBRUARY
2005.
[Pepermansa et al., 2005] Distributed generation: definition, benefits and issues. Energy
Policy. 2005, Vol. 33, 6, pp. 787-788.
[Pires et al., 2011] Pires, B. A. S.; Oliveira, C. B. M.; Oliveira, J. T.; Medeiros Jr, M. F.
Maximising penetration of active power by distributed generation on a real system. 2011.
CIRED, Frankfurt, junho 2011, paper 093.
[Quezada et al., 2006] Quezada, V. H. M.; Abbad, J. R. and San Román, T. G. 2006.
Assessment of Energy Distribution Losses for Increasing Penetration of Distribution
Generation. IEEE TRANSACTIONS ON POWER SYSTEMS, VOL. 21, NO. 2, MAY 2006.
[Rodrigues et al., 2007] Rodrigues, F. F. C.; Borges, C. L. T.; Falcão, Djalma M. 2007.
Programação da contratação de energia considerando geração distribuída e incertezas na
previsão de demanda. Revista Controle & Automação/Vol.18 no.3/Julho, Agosto e
Setembro 2007.
[Stott & Alsac, 1974] Stott, B; Alsac, O. Fast Decoupled Load Flow. Transactions on
Power Apparatus and Systems, Volume PAS-93 Issue 3, 859-869.
89
[Stott, 1972] Stott, B. Decoupled Newton Load Flow. IEEE Transactions on Power
Apparatus and Systems, Volume PAS-9, 1955-1959.
[Singh et al., 2008] Deependra Singh, Devender Singh, and K S Verma, “Comparative
Analysis for Penetration of Distributed Generation in Power Systems. IEEE International
Conference on Sustainable Energy Technologies, ICSET 2008.
[Shi & Eberhart, 1998a] Shi, Yuhui and Eberhart, Russel. 1998a. A Modified Particle
Swarm Optimizer. IEEE Internationational Conference on Evolutionary Computation
Proceedings, 1998. IEEE World Congress on Computational Intelligence. Pages 69 – 73.
[Shi & Eberhart, 1998b] Shi, Yuhui and Eberhart, Russel. 1998b. Parameter Selection in
Particle Swarm Optimization. Proceedings of the Seventh Annual Conference on
Evolutionary Programming pp. 591-600. Springer-Verlag, New York.
[Salomon et al., 2010] Salomon, Camila P.; Lambert-Torres, Germano; Martins, Helga G.;
Ferreira, Cláudio; Costa, Cláudio I. A. 2010. Load Flow Computation via Particle Swarm
Optimization. Proceedings of the 9th IEEE/IAS International Conference on Industry
Applications.
[Taylor & Treece, 1967] Taylor, D. G.; & Treece, J. A. 1967. Load flow analysis by the
Gauss-Seidel method. Symposium on Power Systems Load Flow Analysis, University of
Manchester Institute of Science and Technology, September 1967.
[Tinney & Hart, 1967] Tinney, W.F.; Hart, C.E. Power Flow Solution by Newton's
Method. 1967. IEEE Transactions on Power Apparatus and Systems. PAS-86. 1449 –
1460.
[Van Ess & Griffin, 1961] Van Ess, J. E. & Griffin, J. H. 1961. Elimination Methods for
Load-flow studies. AIEE Transactions PAS-80, 299-304, New-York, 1961.
[Wang et al., 2000] Wang, Z; David, C.Y.; Tse, C.Y. 2000. Transmission congestion
management in restructured electricity supply system. Proceedings of the 5th International
Conference on Advances in Power System Control, Operation and Management, APSCOM
2000.
[Yan & Sekar, 2002] Yan, Ping & Sekar, Arun. 2002. Study of Linear Models in Steady State
Load Flow Analysis of Power Systems. Power Engineering Society Winter Meeting, 2002.
IEEE. 666 - 671 vol.1
[Yoshida et al, 2000] Yoshida,H.; Kawata, K.; Fukuyama,Y.; Takayama, S. and Nakanishi, Y.
2000. A Particle Swarm Optimization for Reactive Power and Voltage Control Considering
Voltage Security Assessment. IEEE TRANSACTIONS ON POWER SYSTEMS, VOL. 15,
NO. 4, NOVEMBER 2000.
90
GLOSSÁRIO
Fator de capacidade:
Razão entre a energia produzida durante um período de tempo considerado e a energia que
seria produzida se a GD operasse continuamente a plena potência durante esse mesmo
período.
Subestação consumidora:
Subestação para atendimento a unidade consumidora atendida em média ou alta tensão de
distribuição.