HEURÍSTICA DE FACTIBILIZAÇÃO PARA ALGORITMOS EVOLUTIVOS NA RECONFIGURAÇÃO DE REDES EM SISTEMAS DE DISTRIBUIÇÃO DE ENERGIA ELÉTRICA

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.