Abstract:
RESUMO: A reconfiguração de sistemas de distribuição consiste na alteração da topologia da rede
através do fechamento e abertura de chaves instaladas em pontos estratégicos da rede.
Isolamento de faltas, minimização de perdas de potência ativa e balanceamento de cargas
entre os alimentadores estão entre os principais objetivos de uma reconfiguração. Esse
problema é de difícil resolução devido ao grande número de variáveis envolvidas e das
restrições impostas, como o atendimento às leis de Kirchhoff, aos limites de tensão, à
radialidade e ao não isolamento de carga. O problema pode ser classificado como um
problema de programação não linear inteiro misto (PNLIM) e apresenta o fenômeno de
explosão combinatória. Neste trabalho é proposta uma nova abordagem para o tratamento
de infactibilidade de soluções em algoritmos evolutivos que resolvem o problema de recon-
figuração de sistemas de distribuição radial de energia elétrica. Os métodos aproximados
são os mais comuns quando se lida com o problema de reconfiguração de sistemas de
energia elétrica. Destes, os Algoritmos Evolutivos (AE’s) são os mais aplicados e os que
apresentaram as melhores soluções. Porém, quando se lida com sistemas de grande porte,
há significativa instabilidade na qualidade das soluções encontradas pelo AE. Uma possível
causa desta instabilidade se deve ao fato de que, quando se lida com sistemas grande
porte, muitas soluções infactíveis são geradas ao longo da busca. Assim, o algoritmo leva
muitas gerações para conseguir encontrar soluções factíveis e somente a partir daí, é que o
processo de otimização destas realmente ocorre. Porém, mesmo após muitas iterações, não
há qualquer garantia que exista ao final da busca qualquer solução factível, principalmente
quando se lida com sistemas complexos. Diante desta grave limitação dos AE, propôs-se
neste trabalho uma heurística de factibilização para indivíduos da população de AE’s com
intuito de garantir estabilidade às soluções dadas pelo AE e também para assegurar que,
ao final do processo de busca ou a cada geração deste, todas as soluções da população do
AE sejam factíveis. Um Algoritmo Genético simples foi utilizado para minimização das
perdas de potência ativa, enquanto que o algoritmo NSGA-II foi empregado na otimização
de dois objetivos: redução do número de manobras e redução das perdas de potência
ativa. Ao serem realizados experimentos computacionais em sistemas de pequeno, médio
e grande porte verificou-se que o método proposto pôde encontrar menores perdas de
potência média para os sistemas de pequeno e médio porte. Obteve ainda a menor perda
de potência mínima em todos os cenários. Graças ao baixo esforço computacional que o
método como um todo demanda, pode-se admitir ainda a sua utilização em tempo real.
ABSTRACT: The reconfiguration of distribution systems consists of changing the network topology
by closing and opening keys installed at strategic points of the network. Fault isolation,
minimization of active power losses and load balancing between feeders are among the
main objectives of a reconfiguration. This problem is difficult to solve due to the large
number of variables involved and the restrictions imposed, such as compliance with
Kirchhoff laws, voltage limits, radiality and non-isolation of load. The problem can be
classified as a mixed integer nonlinear programming problem (PNLIM) and presents the
phenomenon of combinatorial explosion. This work proposes a new approach for the
treatment of infeasibility of solutions in evolutionary algorithms that solve the problem
of reconfiguration of radial electrical distribution systems. Approximate methods are
most common when dealing with the problem of reconfiguring power systems. Of these,
Evolutionary Algorithms (AE’s) are the most applied and the ones that presented the
best solutions. However, when dealing with large systems, there is significant instability in
the quality of the solutions found by AE. One possible cause of this instability is that,
when dealing with large systems, many unworkable solutions are generated throughout
the search. Thus, the algorithm takes many generations to find feasible solutions and
only then does the optimization process actually take place. However, even after many
iterations, there is no guarantee that any feasible solution will exist at the end of the
search, especially when dealing with complex systems. Given this serious limitation of the
AE, this work proposed a heuristic of feasibility for individuals of the population of AE in
order to guarantee stability to the solutions given by the AE and also to ensure that at
the end of the search process or each generation of it. all solutions of the EA population
are feasible. A simple Genetic Algorithm was used to minimize active power losses, while
the NSGA-II algorithm was used to optimize two objectives: reduction of the number of
maneuvers and reduction of active power losses. By conducting computational experiments
on small, medium and large systems it was found that the proposed method could find
lower average power losses for small and medium systems. It also achieved the smallest
minimum power loss in all scenarios. Thanks to the low computational effort that the
method as a whole demands, its use in real time can still be admitted.