Upload
others
View
4
Download
0
Embed Size (px)
Citation preview
AVALIAÇÃO PROBABILÍSTICA DO IMPACTO DE GD FOTOVOLTAICA NOS ÍNDICES DE
CONFORMIDADE DE TENSÃO
ELSON N. M. SILVA, ANSELMO B. RODRIGUES, MARIA G. SILVA
Laboratório de Confiabilidade e Qualidade, Departamento de Engenharia Elétrica, UFMA
Av. dos Portugueses, 1966, Bacanga, CEP: 65080-805,São Luís-MA
E-mails: [email protected], [email protected], [email protected]
Abstract The Distributed Generation (DG) technology is increasingly more present in distribution systems, mainly those
based on renewable sources due to environmental constraints. The DG Photovoltaic (DGFV) has been featured among the re-
newable resources due to the reduction in the costs of the photovoltaic panels. Inserting DG in distribution systems has signifi-
cant impact on Power Quality (PQ). The main aim of this paper is to assess the voltage conformity indices, since it is an im-
portant issue in PQ, when the DGFV is connected to the system. The stochastic nature of the DGFV and loads were considered
in the study using probabilistic techniques. The proposed methodology in this paper for the probabilistic assessment of conform-
ity is based on the combination of: load flow through Gauss-Zbus Method, ARMA (Auto-Regressive Moving Average) models
for time series and Quasi-Sequential Monte Carlo Simulation. The results show that the insertion of DGFV improves the voltage
conformity indices.
Keywords Voltage Conformity, Electric Power Quality, Power Distribution Networks, Time series, Monte Carlo Simulation.
ResumoA tecnologia de Geração Distribuída (GD) está cada vez mais presente nos sistemas de distribuição, principalmente
as que se baseiam em fontes renováveis devido a restrições ambientais. A GD Fotovoltaica (GDFV) vem se destacando entre as
fontes renováveis devido a redução nos custos dos painéis fotovoltaicos. A inserção de GD nos sistemas de distribuição tem im-
pacto significante na Qualidade de Energia Elétrica (QEE). Este artigo tem como objetivo avaliar os índices de conformidades
de tensão, que é um aspecto importante em relação a QEE, quando a GDFV é conectada no sistema. A natureza estocástica da
GDFV e das cargas foram modeladas no estudo usando-se técnicas probabilísticas. A metodologia proposta nesse artigo para a
avaliação probabilística da Conformidade de tensão se baseia na combinação das seguintes técnicas: fluxo de carga via Gauss-
Zbus, modelo ARMA (Auto-Regressive Moving Average) para séries temporais e Simulação Monte Carlo Quasi-Sequencial. Os
resultados mostram que a inserção da GDFV melhora os índices de conformidade de tensão.
Palavras-chaveConformidade de Tensão, Qualidade de Energia Elétrica, Redes de Distribuição de Energia, Séries temporais,
Simulação Monte Carlo
1 Introdução
A Geração Distribuída (GD) é definida como a
produção de energia elétrica através de tecnologias
de geração de pequeno porte conectada ao longo do
sistema de distribuição. A ANEEL (ANEEL, 2012)
define o tamanho da GD em duas categorias: micro-
geração (com potência instalada menor ou igual a
100 kW) e minigeração (com potência superior a 100
kW e menor a 1MW). No cenário atual as GD reno-
váveis ganham bastante atenção devido a diversos
fatores como: redução do dióxido de carbono, preo-
cupação com o efeito estufa e o custo dos combustí-
veis convencionais.
Um tipo de GD renovável que vem se destacan-
do cada vez mais é a GD solar, que utiliza o sol como
fonte primária para geração de energia elétrica. A
energia solar pode ser convertida em energia elétrica
usando a tecnologia Termo Solar ou a Fotovoltaica
(FV). Com relação a Geração Distribuída Fotovoltai-
ca (GDFV), o Brasil possui uma série de característi-
cas naturais favoráveis a utilização da geração FV
tais como alto nível de insolação.
Pelo fato da GD ser conectada ao longo da rede
elétrica os aspectos relacionados a Qualidade de
Energia Elétrica (QEE) devem ser considerados na
avaliação técnica da instalação da GD. Nos dias atu-
ais o problema da QEE preocupa tantos as compa-
nhias de energia elétrica quanto os consumidores,
devido a diversos fatores como: o crescente uso das
cargas sensíveis a variação da QEE, as cargas não-
lineares, a percepção dos consumidores industriais e
residências com relação aos distúrbios da QEE. Um
aspecto importante em relação a QEE é a conformi-
dade de tensão da rede de distribuição, ou seja, a
adequação da tensão aos limites de tensão determina-
dos pelos órgãos reguladores. A preocupação com a
conformidade de tensão é devido ao mau funciona-
mento e perda de vida útil dos equipamentos dos
consumidores causados por sobretensões e subten-
sões de longa duração.
A contribuição da GDFV para o sistema de dis-
tribuição é diferente das GD convencionais. A potên-
cia na saída da GDFV é altamente variável e incerta.
Consequentemente, ela não pode ser controlada da
mesma maneira como na GD convencional. Desta
forma, é importante realizar estudos para avaliar o
impacto causado pela inserção da GDFV na QEE.
Neste artigo os índices de conformidade de ten-
são são estimados considerando a natureza aleatória
da GDFV e da incerteza na curva de carga. A melhor
maneira de estudar o comportamento estocástico des-
tas variáveis é através de métodos probabilísticos.
Anais do XX Congresso Brasileiro de Automática Belo Horizonte, MG, 20 a 24 de Setembro de 2014
731
A técnica usada nesse artigo para avaliação pro-
babilística da conformidade de tensão, considerando
a presença de GDFV, se baseia na combinação das
seguintes técnicas: fluxo de carga via Gauss-Zbus,
modelo ARMA (Auto-Regressive Moving Average)
para séries temporais e Simulação Monte Carlo.
Em (Vieira, 2012) é realizado um estudo proba-
bilístico dos efeitos da GD convencional nos índices
de conformidade de tensão. Esta referência não con-
siderou GD baseada em fontes renováveis. As princi-
pais contribuições deste artigo, com relação a (Viei-
ra, 2012), são: apresentar um estudo do impacto da
GDFV nos índices de conformidade de tensão e a
modelagem estocástica da carga e da GDFV.
A metodologia proposta foi testada no sistema
teste de 33 barras proposto por Baran e Wu (Baran,
1989) que a partir daqui será abreviado para STBW
(Sistema Teste de Baran e Wu). Os resultados dos
testes no STBW demonstraram que a conexão de
GDFV na rede elétrica tem um efeito significativo
nos índices de conformidade de tensão nodais e sis-
têmicos.
2 Modelos Determinísticos e Probabilísticos
2.1 Fluxo de Potência via Gauss-Zbus
Para obter os índices de conformidade de tensão
é necessário determinar o estado da rede, ou seja,
estimar as tensões nodais em regime permanente se-
noidal. O Método adotado neste artigo foi o método
Gauss-Zbus (Chen, 1991). A grande vantagem deste
método é que ele pode ser aplicado em redes de dis-
tribuição com qualquer tipo de topologia: radial, ma-
lhada ou mista.
2.2 Modelagem da Curva de Carga via Séries Tem-
porais
Uma série temporal, t
Z , é uma sequência de ob-
servações ordenadas no tempo. Esta sequência pode
ser decomposta em três componentes conforme é
mostrado na equação abaixo:
ttttaTSZ (1)
Onde: tZ é a série observada, tT é a componente
de tendência, tS é a componente de sazonalidade e
ta é uma componente aleatória, de média zero e vari-
ância constante 2
a .
A modelagem das séries proposta neste artigo
consiste de duas etapas:
i) Estimação/identificação das componentes Tt e St
por meio de um método de regressão, cuja soma de Tt
e St é chamada de séria prevista Zt.
ii) Estimação de at por meio dos resíduos, ou erro de
previsão, que é definido como a diferença da série
observada da prevista.
Neste artigo, as componentes Tt e St da curva de
carga foram modeladas usando o método de variáveis
sazonais artificiais (Morettin, 2004), conforme defi-
nido na equação (2).
1
10
ˆP
j
jtj
m
j
j
jtDtZ (2)
Onde: t
Z é o valor previsto no instante t, m é ordem
da tendência, βj é o coeficiente da tendência j, αj é o
coeficiente de sazonalidade j, P é o período e Djt é a
variável artificial sazonal.
A série temporal da curva de carga anual horária
do sistema STBW foi obtida a partir dos dados de
carga do sistema IEEE-RTS (Billinton, 1994). Ela
está associada com três estações do ano: inverno,
verão e primavera/outono. As características da curva
de carga são bastante diferenciadas para cada estação
do ano, para os dias de fim de semana (sábado e do-
mingo) e durante a semana (segunda-feira à sexta-
feira) (Soliman, 2010). Desta forma, foram desenvol-
vidos modelos da curva de carga associados com as
estações do ano e com os dias de semana e de fim de
semana. Portanto, foram gerados seis modelos para a
curva de carga. A estação de inverno foi selecionada
para o estudo de conformidade de tensão, pois é
quando ocorre o pico de carga do sistema. Devido a
isto, em vez de modelar as seis curvas de carga, mo-
delam-se apenas as curvas associadas com o inverno
durante o fim de semana e durante a semana. A partir
daqui estas curvas serão denominadas de IFS (Inver-
no Fim de Semana) e IDS (Inverno Durante a Sema-
na).
A estimação das componentes de tendência e sa-
zonalidade das curvas de carga IFS e IDS é feita co-
mo se segue: (i) aplica-se uma transformação loga-
rítmica nas séries temporais IFS e IDS; (ii) conside-
rando que a tendência é quadrática (m=2) e períodos
de 48 e 120 horas para as curvas de IFS e IDS, res-
pectivamente, estima-se os coeficientes dos modelos
de tendência e sazonalidade usando o Método de
Mínimos Quadrados Linear.
A adequação do modelo de previsão é geralmen-
te realizada testando a normalidade dos seus resí-
duos. Esta hipótese pode ser verificada usando-se o
teste do periodograma acumulado (Morettin, 2004).
Se o periodograma dos resíduos permanecer dentro
do intervalo de confiança, então é desnecessário ajus-
tar um modelo adicional aos resíduos, ou seja: os
resíduos se comportam como um ruído branco. Caso
contrário, deve-se ajustar um modelo aos resíduos até
que estes se comportem como um ruído branco. Esta
estratégia assume que os modelos de tendência e sa-
zonalidade são adequados. Alternativamente, também
é possível substituir os modelos de tendência e sazo-
nalidade que geram os resíduos. A Figura 1 mostra os
testes do periodograma acumulado para os resíduos
dos modelos de tendência e sazonalidade das séries
IFS e IDS. A partir desta figura, pode-se concluir que
os resíduos não se comportam como ruídos brancos.
Para contornar este problema, decidiu-se ajustar um
Anais do XX Congresso Brasileiro de Automática Belo Horizonte, MG, 20 a 24 de Setembro de 2014
732
modelo Auto-Regressivo de Média Móvel (“Autore-
gressive Moving Average - ARMA”), aos resíduos
definido de acordo com a equação (3), para cada sé-
rie da curva de carga. Esta estratégia foi selecionada
após identificar que o melhor modelo para represen-
tar a sazonalidade e a tendência é aquele baseado em
variáveis artificiais.
tqtqtptpttwwwxxx
1111 (3)
(a) (b)
Figura 1: Teste periodograma acumulado: (a) série IDS, (b) série
IFS.
Onde: wt é um ruído branco com variância σ²;
p ,,
1 são os parâmetros auto-regressivo de ordem
p; q
,,1 são os parâmetros média móvel de ordem
q. Este modelo é definido como ARMA(p,q).
A identificação das ordens e a estimação dos pa-
râmetros dos modelos ARMA foram realizadas mi-
nimizando-se o critério de informação de Akaike
(Morettin, 2004). Esta tarefa foi realizada utilizando
o software R (R Core Team, 2013). Com base neste
software, identificou-se os modelos ARMA(1,1)
apresentados nas equações (4) e (5) para as séries IFS
e IDS, respectivamente. IFS
t
IFS
t
IFS
t
IFS
twwxx
110104,09814,0 (4)
IDS
t
IDS
t
IDS
t
IDS
twwxx
110039,09929,0 (5)
Onde, os desvios padrões associados com os ruídos
brancos IFS
tw e IDS
tw são iguais a 0,006125357 e
0,00388201, respectivamente.
Os periodogramas acumulados dos resíduos dos
modelos ARMA das séries IFS e IDS são mostrados
na Figura 2. A partir desta figura, pode-se concluir
que as retas estão dentro do intervalo de confiança.
Portanto, os modelos podem ser considerados ade-
quados.
(a) (b)
Figura 2: Periodograma Acumulado dos resíduos do modelo
ARMA: (a) série IDS, (b) série IFS.
A série simulada, associada com uma semana da
estação de inverno, é obtida combinando-se as séries
simuladas das curvas de carga IFS e IDS para formar
uma única série. As séries simuladas IFS e IDS são
geradas de acordo com o algoritmo abaixo:
i) Gere o vetor de ruídos brancos gaussianos w com
dimensão Tmax
, onde Tmax
é o comprimento da série
simulada. A distribuição normal usada para gerar o
vetor w tem média nula e desvio padrão igual aquele
estimado para o modelo ARMA.
ii) Faça Tmin
= min(p, q) + 1
iii) Repita os passos (iv)(vii) para t = Tmin
,..., Tmax
iv) Calcule o somatório associado com os termos
auto-regressivos
p
i
obs
itiZ
1
Onde, obs
itZ
é o valor observado da série de resí-
duos, pois o modelo ARMA foi ajustado para uma
série de resíduos do modelo de tendência e sazonali-
dade.
v) Calcule o somatório associado com os termos
de médias móveis
q
i
itiw
1
vi) Calcule o valor simulado da série no instante t
t
sim
twZ
Onde, sim
itZ
é o valor simulado da série de resíduos.
vii) Adicione as componentes de tendência e sazona-
lidade ao vetor de resíduos sorteados, dado por:
sim
t
pre
t
pre
t
sim
tZTSZ exp
Onde, sim
tZ é o valor simulado da série no instante t;
pre
tS pre
tT é o valor previsto da componente de sa-
zonalidade (tendência) no instante t; e ]exp[ é a
função exponencial aplicada para desfazer a trans-
formação logarítmica.
A Figura 3 mostra as séries das curvas de carga
observada e simulada para quatro semanas de inverno
(aproximadamente um mês). A partir desta figura,
pode-se observar que a série simulada tem boa ade-
rência com relação a série observada, ou seja, a com-
binação dos modelos ARMA e de variáveis artificiais
é capaz de representar o processo estocástico associ-
ado com a curva de carga.
Figura 3: Comparação das séries das curvas de carga observada e
simulada para quatro semanas de inverno.
Anais do XX Congresso Brasileiro de Automática Belo Horizonte, MG, 20 a 24 de Setembro de 2014
733
2.3 Modelagem da Irradiância e da Temperatura via
séries temporais
A potência na saída da GDFV depende da inten-
sidade de irradiância e da temperatura e ambas são de
natureza estocástica (Villalva, 2010). O método ado-
tado para a modelagem das séries de irradiância e
temperatura, é semelhante ao da curva de carga. Isto
é, inicialmente elimina-se a componente sazonal
usando-se técnicas de regressão linear e em seguida
ajusta-se um modelo ARMA aos resíduos da série
dessazonalizada. O modelo de Fourier (Morettin,
2004), ou modelo harmônico, definido em (6), foi
adotado para representar as variações sazonais das
séries de irradiância e da temperatura.
hN
h
hhhhttbtsenabZ
1
0cosˆ (6)
Onde,t
Z é o valor previsto pelo modelo harmônico
no instante t; ah e bh são os coeficientes da h-ésima
componente harmônica associada com a série tempo-
ral; b0 é o coeficiente da componente associada com
o nível CC (frequência nula); Nh é o número de har-
mônicos considerado na série temporal; h é a fre-
quência da h-ésima componente harmônica.
Os coeficientes desconhecidos ah, bh e b0 em (6)
são estimados através do método de mínimos qua-
drados linear, pois as frequências h são conhecidas.
As frequências não-nulas de uma série temporal po-
dem ser visualizadas através do seu periodograma.
Podem ocorrer picos no periodograma devido a flu-
tuações aleatórias que não correspondem a compo-
nentes periódicas da série original. Portanto, deve-se
identificar apenas as frequências significativas asso-
ciadas com a série. Neste artigo, o teste de Whittle
(Morettin, 2004), foi utilizado para identificar as fre-
quências significativas das séries de temperatura e
irradiância.
O modelo harmônico foi aplicado diretamente na
série de irradiância. Foi necessário remover as mé-
dias diárias antes de se aplicar o modelo harmônico
na série de temperatura. Este procedimento foi suge-
rido no método de geração de séries sintéticas de
temperatura proposto em (Magnano, 2008). Determi-
nando-se os coeficientes do modelo harmônico, os
resíduos (série livre de sazonalidade) são obtidos
através da diferença entre as séries observada e a
prevista pelo modelo de Fourier.
As séries temporais de temperatura e irradiância
foram obtidas da estação de Las Vegas do “National
Solar Radiation Data Base” (NREL, 2014). Utilizan-
do o critério de informação de Akaike (Morettin,
2004), os modelos ARMA(1,1) (equação (7)) e
ARMA (2,2) (equação (8)) foram ajustados para as
séries dessazonalizadas de irradiância e temperatura,
respectivamente. ir
t
ir
t
ir
t
ir
t
ir
twwwxx
1110397,07109,0 (7)
temp
t
temp
t
temp
t
temp
t
temp
t
temp
t
ww
wxxx
2
121
03737,0
37,17507,027,1 (8)
Os testes do periodograma acumulado para os
resíduos dos modelos ARMA das séries de irradiân-
cia e temperatura são mostrados na Figura 4. A partir
desta figura, pode-se concluir que os modelos das
séries de irradiância e temperatura são adequados.
O procedimento para gerar séries simuladas de
temperatura e irradiância é similar aquele usado para
gerar séries de carga simuladas. A Figura 5 mostra as
séries simulada e observada para a irradiância. A
Figura 6 mostra as séries simulada e observada da
temperatura para um período semanal. A partir das
Figuras 5 e 6, pode-se concluir que as séries simula-
das da temperatura e da irradiância são próximas das
suas respectivas séries observadas.
(a) (b)
Figura 4: Teste Periodograma Acumulado: (a) Irradiância (b)
Temperatura.
2.4 Modelagem da GDFV
O sistema de GDFV é composto por células FV
que são responsáveis pela geração de energia elétrica.
As células são conectadas em série para formar mó-
dulos com o objetivo de aumentar a tensão por elas
produzida. Por sua vez, os módulos podem ser conec-
tados em série ou em paralelo para elevar o valor da
sua tensão ou corrente, respectivamente. A conexão
série, paralela ou mista dos módulos é denominada
de arranjo ou conjunto fotovoltaico (“array”). Este
conjunto é ligado a um inversor CC/CA. A potência
gerada pela GDFV é obtida utilizando a equação (9)
(Alam, 2012):
CCdminvACPP (9)
Onde:
CCP é a potência CC gerada pelos módulos FV.
CCP
é obtido a partir da curva característica I-V do painel
solar dada por (10).
CCCCCC
IVP ,max (10)
CCV e
CCI são respectivamente tensão e corrente
gerada pelo painel PV, e )max( é a função de Ras-
treamento do Ponto de Potência Máxima (RPPM).
Existem diversas técnicas que podem ser usadas para
realizar o RPPM (Subudhi, 2013).
ACP é a potência ativa gerada pelo inversor para um
dado valor de CC
P ;
inv ,
m e
d são constantes usadas para considerar
os seguintes efeitos: eficiência do inversor; incompa-
tibilidade entre múltiplos módulos FV e sujeira, res-
pectivamente.
Anais do XX Congresso Brasileiro de Automática Belo Horizonte, MG, 20 a 24 de Setembro de 2014
734
Figura 5: Série de irradiância diária observada e simulada.
Figura 6: Série de Temperatura semanal observada e simulada.
Um arranjo FV consiste da combinação serial e
paralela de diversos módulos FV cujo circuito elétri-
co equivalente é mostrado na Figura 7 (Villalva,
2009), (Villalva, 2010).
Figura 7: Circuito equivalente do módulo FV.
A partir do circuito equivalente da Figura 7, tem-
se que CC
V e CC
I para um arranjo FV são calculados
através da seguinte equação (Villalva, 2009), (Vil-
lalva, 2010):
210
1exp parparpv
NINII (11)
Onde:
sert
CCparsersCC
NaV
INNRV
1 (12)
parserp
CCparsersCC
NNR
INNRV
2 (13)
nTInpvpv
GGKII ,
(14)
1exp ,
,
0
t
TVnoc
TInpv
aV
KV
KII
(15)
Nser é a quantidade de módulos em série, em uma
cadeia (string), Npar é a quantidade de cadeias em
paralelo, 0
I é a corrente de saturação reversa do mó-
dulo fotovoltaico; qkTNVSt
é a tensão térmica de
um módulo FV composto por S
N células em série;
q é a carga elementar do elétron
-19101,60217646 ; k é a constante de Boltzman
23103806503,1 ; T é a temperatura da junção p-n;
npvI
, é a corrente FV, em ampères, gerada em condi-
ções nominais (temperatura de 25º C e irradiação
solar de 1000W/m2);
nTTT ;
nT é a temperatu-
ra nominal em Kelvin; G é a irradiação incidente na
superfície do módulo em W/m2;
nG é a irradiação
nominal; I
K e V
K são os coeficientes de corren-
te/temperatura (Ampères/Kelvin) e ten-
são/temperatura (Volts/Kelvin), respectivamente.
Os fabricantes de módulos fotovoltaicos forne-
cem os seguintes dados sobre os módulos fotovoltai-
cos: tensão de circuito aberto, corrente de curto-
circuito, tensão e corrente na potência máxima e má-
xima potência de pico. Desta forma, os seguintes
parâmetros da relação CCCC
VI do módulo FV são
desconhecidos: s
R , p
R e npv
I,
. Nas referências (Vil-
lalva, 2009) e (Villalva, 2010) é apresentado um al-
goritmo para calibrar estes parâmetros tal que a má-
xima potência calculada pelo modelo seja igual a
máxima potência especificada pelo fabricante. Após
estes parâmetros serem calibrados, pode-se determi-
nar aCC
P de acordo com o seguinte algoritmo de
RPPM:
i) Calcular Ipv e I0 de acordo com as equações acima
para uma condição de temperatura e irradiação solar.
ii) Calcular a tensão de circuito aberto (VOC) do cir-
cuito equivalente da Figura 7 considerando ICC = 0
em (11).
iii) Inicializar PCC com um valor negativo grande
(PCC = - inf)
iv) Repetir os passos (v)-(vi) para VCC de 0 até VOC
com um passo de VOC/100.
v) Calcular ICC na equação (11).
vi) Se VCC ICC > PCC, então faça PCC = VCC ICC
3 Simulação Monte Carlo Quasi-Sequencial
Para obter uma avaliação adequada dos índices
de conformidade de tensão, a natureza estocástica de
parâmetros do sistema (flutuação da potência gerada
pela GDFV e da curva de carga) deve ser incluída. A
melhor maneira de estudar estas incertezas é através
do método de Simulação Monte Carlo (SMC). A
principal vantagem da SMC com relação as técnicas
analíticas é a sua capacidade para modelar caracterís-
ticas operacionais do sistema que não podem ser fa-
cilmente representadas por fórmulas analíticas fecha-
das. Esta capacidade é devido ao fato de que a SMC
emula a operação do sistema real em um ambiente
computacional.
Anais do XX Congresso Brasileiro de Automática Belo Horizonte, MG, 20 a 24 de Setembro de 2014
735
A representação das incertezas na SMC pode ser
classificada em duas categorias: não-sequencial e
cronológica ou sequencial. Na SMC não-sequencial a
dependência temporal do sistema é ignorada e os
estados são selecionados de forma aleatória sem con-
siderar a ordem em que eles ocorrem. Esta caracterís-
tica torna a sua implementação bastante simples. Por
outro lado, na SMC sequencial, os estados do sistema
são selecionados considerando-se o processo crono-
lógico de transição de estados. Isto é, há uma replica-
ção do processo estocástico associado com a opera-
ção do sistema. Esta replicação é denominada de
cenário do sistema, isto é, um cenário é um conjunto
de estados amostrados cronologicamente. A SMC
sequencial exige um esforço computacional bastante
elevado e a sua implementação é mais complexa do
que a SMC não-sequencial.
Na referência (González-Fernández, 2010) é
proposta uma nova versão da SMC para estudos de
confiabilidade. Esta versão da SMC é denominada de
SMC Quasi-Sequencial (SMCQS). A principal van-
tagem da SMCQS é preservar a cronologia de incer-
tezas dependentes do tempo e manter a simplicidade
e o baixo custo computacional da SMC não-
sequencial. Devido a isto, esta técnica foi utilizada
neste artigo para realizar uma avaliação probabilísti-
ca da conformidade de tensão considerando a presen-
ça de GDFV.
4 Algoritmo Conceitual da Metodologia Proposta
O algoritmo para avaliação probabilista dos ín-
dices de conformidades de tensão baseado na
SMCQS é resumido nos seguintes passos:
i) Ler os dados da rede de distribuição.
ii) Ler os dados dos modelos de séries temporais da
carga, temperatura e irradiação.
iii) Construir a matriz admitância nodal e calcular os
seus fatores LU.
iv) Repetir os passos (v)-(xii) para k = 1,..., NCmax
,
onde, NCmax
é o número máximo de amostras de ce-
nários do sistema.
v) Gerar séries temporais simuladas de carga, tempe-
ratura e irradiação solar.
vi) Repetir os passos (vii)-(xi) para t = 1,....,NP,
onde NP é o número e patamares da curva de carga.
vii) Calcular a potência de saída da GDFV com base
nos valores simulados de temperatura e irradiância
para o instante de tempo t.
viii) Alocar a carga simulada do sistema no instante t
nos pontos de demanda.
ix) Calcular as tensões nodais usando o método de
Gauss-Zbus.
x) Identificar os estados de conformidade dos pontos
de demanda.
xi) Atualizar as funções-testes cronológicas dos índi-
ces.
xii) Atualizar as amostras e estatísticas dos índices de
conformidade com base nas suas respectivas funções-
teste cronológicas para o cenário simulado.
As funções-teste cronológicas dos índices de
conformidade de tensão são definidas como (Vieira,
2012):
i) DRAi (Duração Relativa do estado Adequado para
o ponto de carga i)
NP
t
tk
iD
k
ixDRA
TtDRA
1
][)(
100)(
(16)
ii) DRPi (Duração Relativa do estado precário para o
ponto de carga i)
NP
t
tk
iD
k
ixDRP
TtDRP
1
][)(
100)(
(17)
iii) DRCi (Duração Relativa do estado Crítico para o
ponto de carga i)
NP
t
tk
iD
k
ixDRC
TtDRC
1
][)(
100)( (18)
iv) DRAeq (Duração Relativa da Faixa de Tensão
Adequada Equivalente)
NPCtDRAtDRANPC
i
k
i
k
eq
1
)()( (19)
v) DRPeq (Duração Relativa da Transgressão de Ten-
são Precária Equivalente)
NPCtDRPtDRPNPC
i
k
i
k
eq
1
)()( (20)
vi) DRCeq (Duração Relativa da Transgressão de
Tensão Crítica Equivalente)
NPCtDRCtDRCNPC
i
k
i
k
eq
1
)()( (21)
vii) ICC (Índice de Unidades Consumidoras com
Tensão Crítica)
NPCtICCtICCNPC
i
k
i
k
1
)(100)( (22)
Onde:
)(tDRAk
i, )(tDRP k
i e )(tDRC k
i são as funções-teste
cronológicas dos índices DRAi, DRPi e DRCi, respec-
tivamente, no cenário k.
)(][
tk
iDxDRA , )(
][
tk
iDxDRP e )(
][
tk
iDxDRC são fun-
ções-teste estáticas dos índices DRAi, DRPi e DRCi,
respectivamente, no instante t do cenário k pra a bar-
ra referente ao ponto de carga i (D[i]). As funções-
teste estáticas serão unitárias se a tensão na barra D[i]
estiver na faixa de tensão associada com o índice de
conformidade (ANEEL, 2009) no instante t do cená-
rio k. Caso contrário, as funções-teste estáticas serão
nulas.
T é a duração dos cenários amostrados. Considerou-
se que cada cenário possui duração semanal devido à
regulação vigente para a medição de índices de con-
formidade de tensão (ANEEL, 2009).
NPC é o numero de pontos de carga.
NP é o número de patamares da curva de carga.
)(tICC k
ié a função de teste cronológica do índice
ICC para o ponto de carga i no cenário k. Esta função
Anais do XX Congresso Brasileiro de Automática Belo Horizonte, MG, 20 a 24 de Setembro de 2014
736
é unitária se 0)( tDRC k
i, caso contrário a função de
teste é nula.
)(tICC k é a função de teste cronológica do índice
ICC para o cenário k.
5 Resultados dos Testes
A metodologia proposta foi testada no STBW
mostrado Figura 8 (Baran, 1989).
Figura 8: Sistema teste STBW.
A avaliação probabilística dos índices de con-
formidades de tensão no STBW foi realizada consi-
derando os seguintes estudos de casos:
i) Caso 0: Sem instalação de GD e considerando ape-
nas as incertezas associadas com as flutuações esto-
cásticas na carga.
ii) Caso1: Duas GDFV instaladas nas barras 33 e 18
no sistema teste, considerando as incertezas associa-
das com flutuações estocásticas na: carga, temperatu-
ra e irradiação solar. As principais características dos
arranjos FV associados com este estudo de caso são
apresentadas na Tabela I. A área ocupada pela GDFV
corresponde a cerca de 50% da área de um campo de
futebol oficial. Os parâmetros do Módulo FV
KC200GT foram obtidos a partir das referências
(Villalva, 2009) e (Villalva, 2010).
iii) Caso 2: Duas GD convencionais instaladas nas
barras 33 e 18 no sistema teste, considerando as in-
certezas com flutuações estocásticas na carga e indis-
ponibilidade da GD. As principais características das
GD convencionais associadas com este estudo de
caso são apresentadas na Tabela II. Os dados da GD
convencional foram obtidos a partir da referência
(Vieira, 2012).
Em todos os estudos de casos foram geradas
1000 amostras de cenários do sistema. Além disso,
foi considerado o modelo de carga típico de países
em desenvolvimento, isto é: 25% de potência cons-
tante e 75% de impedância constante (Short, 2004).
O período de estudo considerado foi semanal, con-
forme sugerido na legislação vigente para índices de
conformidade de tensão (ANEEL, 2009).
As Figuras 9 e 10 mostram os índices DRP e
DRC nodais, respectivamente, associados com os
estudos de caso #0, #1 e #2. Os números das barras
mostrados no eixo das abscissas destas figuras são
classificados em ordem crescente de distância elétrica
com relação ao nó fonte. A partir das Figuras 8 e 9
pode-se concluir que os índices de conformidade
melhoram significativamente após a inserção da GD.
No entanto, as melhorias obtidas com a GD conven-
cional são mais expressivas do que aquelas alcança-
das usando-se a GDFV. Este resultado é devido ao
fato de que a GD convencional é operada continua-
mente ao longo do período semanal (base de carga),
enquanto a GDFV não é capaz de produzir energia
em períodos sem irradiação solar (período noturno).
Apesar disso, as melhorias no perfil de tensão obtidas
com a GDFV ainda são bastante significativas.
Tabela 1: Dados da GDFV instalada.
Potência Nominal 540 kW
Fator de Potência do Inversor 0.9
Nº de módulos em série por cadeia 60
Nº de cadeias em paralelo 45
Modelo do módulo KC200GT
Área ocupada 3808 m2
Impedância do transformador 1,8284 + j7,8568 Ohms
Tabela 2: Dados da GD convencional instalada.
Tipo da GD Máquina à gás
Potência Ativa 530 kW
Potência Reativa 397 kVAr
Impedância do transformador 1,8284 + j7,8568 Ohms
Indisponibilidade 4.6 %
Figura 9: Índices DRP nodais para os casos #0, caso #1 e caso #2.
Figura 10: Índices DRC nodais para os caso #0, caso #1 e caso #2.
A Tabela 3 apresenta os índices de conformidade
sistêmicos estimados para o STBW. A quinta e a
sexta colunas desta tabela mostram as variações per-
Anais do XX Congresso Brasileiro de Automática Belo Horizonte, MG, 20 a 24 de Setembro de 2014
737
centuais dos índices para os casos #1 e #2, respecti-
vamente, com relação ao caso #0. A partir desta tabe-
la pode-se observar que as reduções nos índices de
conformidade, causadas pela inserção da GD, são
muito expressivas. Por exemplo, o índice ICC tor-
nou-se nulo após a adição das GD a gás. Conforme
ocorreu com os índices nodais, as reduções associa-
das com a GDFV são menos expressivas que aquelas
referentes à GD convencional.
Tabela 3: Índices de conformidade sistêmicos.
Índices Caso 0 Caso 1 Caso 2 Variação (%)
Caso 1 Caso 2
DRAeq 64,54 72,35 99,19 12,1 53,69
DRPeq 27,12 22,78 0,81 -16 -97,01
DRCeq 8,34 4,88 0 -41,49 -100
ICC 32,87 32,87 0 0 -100
6 Conclusões
Neste artigo foi apresentada uma metodologia
probabilística para avaliar o impacto da GDFV nos
índices de conformidade de tensão. Esta avaliação foi
realizada através de modelos de séries temporais e da
SMCQS. Os resultados dos testes com o STBW de-
monstraram que:
i) O perfil de tensão melhorou significativamente
após a conexão da GD.
ii) As reduções mais expressivas nos índices de con-
formidade de tensão foram obtidas com a GD con-
vencional devido a intermitência da irradiação solar
associada com a GDFV.
iii) A melhoria nos índices de conformidade associa-
da com a GDFV é bastante significativa apesar da
variabilidade da fonte primária de energia (sol).
Finalmente, é importante enfatizar que é impor-
tante reconhecer as incertezas associadas com GDFV
na avaliação técnica da sua conexão à rede distribui-
ção.
Agradecimentos
Os autores agradecem ao Conselho Nacional de De-
senvolvimento Científico e Tecnológico (CNPq) pelo
apoio financeiro através de bolsa de iniciação cientí-
fica e infraestrutura.
Referências Bibliográficas
Alam, M. J. E.; Muttaqi, K. M. and Sutanto, D.
(2012). “A Three-Phase Power Flow Approach
for Integrated 3-Wire MV and 4 - Wire
Multigrounded LV Networks With Rooftop
Solar PV”, IEEE Transactions on Power
Systems, Vol. 28, No. 2, pp. 1728-1737.
ANEELAgência Nacional de Energia Elétrica
(2009). “Procedimentos de Distribuição de
Energia Elétrica no Sistema Elétrico Nacional –
PRODIST, Módulo 8 – Qualidade da Energia
Elétrica”, [internet], Disponível em:
<http://www.aneel.gov.br>, [Acessado em 18 de
janeiro de 2014].
ANEEL - Agência Nacional de Energia Elétrica.
(2012) “Resolução Normativa Nº482”,
[internet]. Disponível em:<
http://www.aneel.gov.br>, [Acesado em 5 de
junho de 2014].
Baran, M. E. and Wu, F. F. (1989). “Network
Reconfiguration in Distribution Systems for Loss
Reduction and Load Balance”, IEEE
Transactions on Power Delivery, Vol. 4, No. 2,
pp. 1401-1407.
Billinton, R. and Li, W. (1994). “Reliability
Assessment of Electrical Power Systems
Using Monte Carlo Methods”, Plenum Press.
Chen, T. H, Chen M., Hwang K. J., P. and Kotas, P
(1991). “Distribution system power flow
analysis-a rigid approach”, IEEE Transactions
on Power Delivery, Vol.6, No. 3, pp. 1146 –
1152.
González-Fernández, R. A., Leite da Silva, A. M.,
Sales, W. S. e Manso, L. A. F (2010),
“Avaliação da confiabilidade de sistemas com
dependência cronológica via simulação Monte-
Carlo Quasi-Sequencial”, XVIII Congresso
Brasileiro de Automática (CBA), pp. 4014-4021.
Magnano, L.; Bolandy, J. W. and Hyndman, R. J.
(2008). “Generation of synthetic sequences of
half-hourly temperatures”, Environmetrics,Vol.
19, No. 8, pp. 818–835.
Morettin, P. A. and Toloi, C. M. C. (2004). “Análise
de Séries Temporais”, Edgard Blücher Ltda.
NRELNational Renewable Energy Laboratory
(2005). “National Solar Radiation Data Base”,
[internet], Washington, NREL. Disponível em:
<http://rredc.nrel.gov/solar/old_data/nsrdb/>
[Acessado em 18 de janeiro de 2014]
Short, T. (2004). “Electric Power Distribution
Handbook”, CRC Press.
Soliman, S. A. and Al-Kandari, A. M. (2010)
"Electrical Load Forecasting: Modeling and
Model Construction", Butterworth-Heinemann.
Subudhi, B. and Pradhan, R. (2013). “A Comparative
Study on Maximum Power Point Tracking
Techniques for Photovoltaic Power Systems”,
IEEE Transactions on Sustainable Energy,
Vol.4, No. 1, pp. 89-98.
Vieira, C. H. S. (2012). “Análise Probabilística da
Conformidade de Tensão em Redes de
Distribuição Considerando a Presença de
Geração Distribuída”, Dissertação de Mestrado,
PPGEE/UFMA.
Villalva, M. G.; Gazoli, J. R.; and Ruppert Filho, E.
(2009). “Comprehensive Approach to Modeling
and Simulation of Photovoltaic Arrays”, IEEE
Transactions on Power Electronics, Vol.24, No.
5, pp. 1198-1208.
Villalva, M. G (2010). “Conversor eletrônico de
potência trifásico para sistema fotovoltaico
conectado à rede elétrica”, Tese de Doutorado,
FEEC/UNICAMP.
Anais do XX Congresso Brasileiro de Automática Belo Horizonte, MG, 20 a 24 de Setembro de 2014
738