Proposal of Multivariate Grid Indexes to the Distribution ... · cumprimento dos limites propostos...

Proposal of Multivariate Grid Indexes to the Distribution Systems Diagnosis

L. N. F. Silva, A. R. Abaide and N. Knak Neto

Abstract— The planning, in operation or expansion topology,

corresponds a fundamental step in the energy distribution systems, ensuring the quality and reliability of the product and the service delivered to the energy consumer. In planning studies, the first step developed is the diagnosis, the determination about current state of the active and passive system elements, and based on it, scenarios are determined on the planning horizon. In addition, the insertion of Smart Grid concepts, the diagnosis tends to be more complex, due to the increase of the influence variables in the grid operation, and the different relations between them. Thus, this article presents a proposal to the definition of three new Grid Indexes, the System Operability, the Intelligence Level and the Regulatory Standard. The modelling will be developed through the Fuzzy logic, mainly due to the better method behaviour in front of the low correlation of the variables that compose the indexes. Finally, will be presented some analysis, with results obtained from the operational parameters of a South Brazilian Utility.

Keywords— Distribution Planning, Fuzzy Logic, Grid Indexes,

Intelligence Level, Operability, Regulatory Standard, Smart Grid.

I. INTRODUÇÃO

S SISTEMAS de distribuição são definidos como o conjunto de linhas, subestações e equipamentos,

necessários para a interligação elétrica entre o sistema de Transmissão ou Geração e as instalações dos consumidores finais [1]. Isso corresponde a interface física mais próxima dos clientes, para o fornecimento de energia. Então, é preponderante garantir a eficácia da operação, atendendo os consumidores de forma contínua e com qualidade.

A eficácia está vinculada diretamente aos resultados de projeto e operação do sistema, que por sua vez são inerentes as condições estabelecidas nas etapas de planejamento. Assim, o planejamento compreende a determinação de investimentos e ações, no sistema elétrico, que garantam o atendimento econômico e confiável da demanda energética [2].

O planejamento pode ser dividido em 2 áreas principais. A primeira refere-se ao planejamento de expansão, onde são programados os novos ativos da concessionária, a fim de atender o crescimento da demanda. Por sua vez, a segunda área refere-se ao planejamento de operação, equivalente ao gerenciamento de recursos e a operação em tempo real [3].

Especificamente em relação ao planejamento de expansão, sua importância se justifica pela implicação direta nas esferas de engenharia, atendendo as características técnicas exigidas

para a qualidade do produto, de legislação, a fim de cumprir os aspectos regulatórios previstos, sujeito a penalizações, de economia, quanto a aplicação de alternativas viáveis e compatíveis com o estado atual do sistema, e de sociedade, no qual a exigência do consumidor, pelo serviço prestado, é máxima, além do retorno da concessionária à sociedade, como fatores de redução de impactos ambientais [2]-[3].

No Brasil, a ANEEL (Agência Nacional de Energia Elétrica) estabelece, através do PRODIST (Procedimentos de Distribuição), módulo 2, denominado Planejamento de Expansão de Sistemas de Distribuição, as diretrizes mínimas para a realização do planejamento de expansão, bem como os requisitos de informações vinculadas ao processo e os critérios de troca de informação entre os agentes participantes [4]. São estabelecidas 4 etapas fundamentais, a Previsão da Demanda, a Caracterização do Sistema, o Diagnóstico e o PDD (Plano de Desenvolvimento da Distribuição).

Através das duas primeiras etapas, busca-se alimentar o sistema de planejamento com o maior número de informações possíveis, auxiliando a acertibilidade na proposição de cenários. Define-se que a previsão de demanda compõe uma importante ferramenta utilizada no setor para definição de investimentos, planejamento e estratégias de operação [5]. A partir da previsão, por exemplo, pode-se determinar parâmetros como carregamento futuro, e assim o dimensionamento de condutores, transformadores e outros equipamentos. Com base na perspectiva futura, se estabelece a caracterização da carga e do sistema, que correspondem aos primeiros estudos de diagnóstico [4]. A caracterização é realizada, principalmente, através das campanhas de medição e formulação das curvas de carga dos diferentes tipos de consumidores conectados à rede.

Na etapa de diagnóstico, se definem os critérios e estudos para resolução da “função objetivo” do planejamento. Na regulamentação do PRODIST, a ANEEL delimita 3 linhas de diagnóstico, com base no estabelecimento da demanda de potência e a curva característica do alimentador, representados pelos métodos de cálculo do fluxo de potência, análise do perfil de tensão do alimentador, com a verificação do cumprimento dos limites propostos no módulo 8 do PRODIST, e a análise da qualidade do serviço dos alimentadores, como a determinação de indicadores de duração e frequência de interrupções, a fim de garantir propostas de cenários de alta confiabilidade [4]-[6].

Por fim, a última etapa do planejamento de expansão se refere a determinação de cenários e a análise da viabilidade econômica [4]. Um dos critérios gerais para essa definição é aplicar soluções de menores custos, porém que mantenham a qualidade e a confiabilidade do serviço e do produto.

Com base nessas etapas mencionadas, se verifica o alto grau de complexidade no desenvolvimento do planejamento de expansão do sistema elétrico. Dessa forma, quanto maior e

O

L. N. F Silva, Universidade Federal de Santa Maria (UFSM), Santa Maria, Rio Grande do Sul, Brasil, [email protected]

A. R. Abaide, Universidade Federal de Santa Maria (UFSM), Santa Maria, Rio Grande do Sul, Brasil, [email protected]

N. Knak Neto, Universidade Regional Integrada do Alto Uruguai e das Missões (URI – Santo Ângelo), Santo Ângelo, Rio Grande do Sul, Brasil, [email protected]

IEEE LATIN AMERICA TRANSACTIONS, VOL. 16, NO. 3, MARCH 2018 839

mais confiável forem as informações, tanto previstas quanto apuradas, maior a tendência que os investimentos nos cenários escolhidos venham a ser pontuais para cumprir com os objetivos do planejamento.

Conforme se observa, os aspectos exigidos pela regulamentação se baseia em características técnicas de fluxo de potência, qualidade de produto e serviço da rede existente, para definição dos cenários de expansão. Entretanto, tem-se a determinação e o reconhecimento de aspectos físicos e operacionais como etapa fundamental na abordagem de estratégias de planejamento. Esses aspectos podem ser gerenciados, então, através de indicadores de rede.

A proposição de indicadores de rede, em uma definição genérica, é um aspecto fundamental em estudos, principalmente de estrutura multicriterial. Esses fatores auxiliam na tomada de decisão de ações que venham a garantir a qualidade e confiabilidade do fornecimento de energia, considerando a otimização de recursos.

Referência [7] propõe a definição de um indicador, denominado SDEWES (Índice de Desenvolvimento Sustentável de Sistemas de Energia, Água e Clima), com a finalidade de analisar a performance dos sistemas de energia das cidades portuárias do mediterrâneo. Esse indicador é formado por 35 entradas, particionadas em 7 conjuntos, que relacionam condições de consumo de energia, emissão de CO2, potenciais de energia alternativa, planejamento de cidades e políticas de sustentabilidade. As entradas são agregadas em métodos de Max-Min, sendo posteriormente relacionadas através de um método Multicriterial de definição dos pesos, de forma empírica.

Referência [8] apresenta uma metodologia para a priorização de alimentadores para manutenção, considerando variáveis de entrada de condições do equipamento, taxa de falhas, custo de interrupção programada e não programada e os custos de penalidades. Com base nessas entradas, é estabelecida uma árvore de decisão, a fim de definir o melhor caminho para determinação das prioridades de manutenção.

Referência [9] propõem a aplicação de indicadores de rede para avaliação da distribuição de energia, na China, a fim de otimizar o processo de manutenção, operação e investimentos. Foi aplicado um sistema baseado no método AHP, onde foi considerada, como conjunto de variáveis de entrada, o modo de operação, a capacidade de fornecimento, a confiabilidade, a qualidade do produto entregue e condições econômicas.

No contexto de Smart Grid e automação na distribuição, referência [10] especifica um estudo para o desenvolvimento de um método de indicadores de automação do sistema de distribuição. Para tanto, foram aplicadas 4 variáveis primárias, correspondente a Estação de Comando (análise quanto a sincronização de sinais de comunicação e taxa de falhas), Comunicação (análise quanto a taxa de uso e erro), Terminal (taxa de falhas dos acessórios de comunicação) e Controle Remoto (taxa de falhas de controle). Visando um futuro automatizado das redes, essa análise é uma tendência para, assim como no campo de sistemas de potência, aumentar a confiabilidade no controle dos sistemas de distribuição.

Referência [11] apresentou indicadores de rede para realização de ajuste dos limites dos indicadores de interrupção de fornecimento. Para tanto, considerou um sistema composto de controladores Fuzzy, no qual um utiliza as Características

Operacionais, outro considera os Padrões de Rede, como taxas de falhas e seccionamento e o terceiro, Influência do Meio, que permite a avaliação dos principais tipos de falhas.

Também, em um prospecto do planejamento no futuro, considera-se a inserção de inteligência no nível de distribuição. Esse fato, representado pela inserção de Smart Grids, requer melhorias nos métodos tradicionais de planejamento, principalmente pelo aumento do número de variáveis envolvidas, com um maior controle sobre tensão, corrente, frequências e interrupções, além dos possíveis problemas relacionados a inserção das novas tecnologias, como de comunicação [15]. Assim, esse aprimoramento, principalmente na etapa de transição do sistema atual para o futuro, é crucial na garantia de determinação de cenários compatíveis com a situação atual das redes.

Dessa forma, o presente artigo apresenta uma proposta de Indicadores de Rede para aplicação no segundo e terceiro níveis de planejamento de expansão, além de atividades como a priorização de alimentadores em atividades de manutenção e operação, que se baseiam em características físicas e operacionais do sistema. O resultado do modelo são 3 indicadores, que representam aspectos de operação, inteligência e regulação. Nesse sentido, a proposta se ajusta tanto aos padrões atuais, como em um prospecto de diagnóstico pós-inserção de Redes Elétricas Inteligentes.

II. O IMPACTO DAS REDES ELÉTRICAS INTELIGENTES

As Redes Elétricas Inteligentes, ou Smart Grids, definem-se

como a rede elétrica que utiliza tecnologia avançada para monitoramento e gerenciamento em tempo real de fluxo de energia e informação, bidirecionais, possibilitando todos os usuários a ela conectados ações de tomadas de decisão, e considerando eficiência no fornecimento de energia sustentável, econômica e segura [12]. Essas características relacionam-se diretamente com aspectos de medição, geração distribuída, veículos elétricos, e o controle dos sistemas, com impacto, principalmente na intermitência da geração e carga [13]-[14].

Em um contexto de Smart Grids, a aplicação de medidores inteligentes é fundamental em atividades de monitoramento e operação, assumindo a inserção de cargas intermitentes [16]. Conforme já regulamentado, no cenário brasileiro, a aplicação desses medidores propicia, em primeiro momento, a adoção de tarifas horárias aos consumidores em baixa tensão [17]. Além disso, se vincula esses elementos como uma plataforma de comunicação direta com o consumidor, possibilitando tomadas de decisão do mesmo que influenciem, diretamente, no contexto operacional da rede.

Como resultado da implementação de medidores inteligentes e aumento qualitativo e quantitativo de informações do estado do sistema, os aspectos de Geração Distribuída (GD), realizada próxima e/ ou pelo consumidor, podem ser aprimorados, com contribuições para redução de perdas, em questões de níveis de tensão, estabilidade e uso de fontes renováveis de energia [18]-[19].

Também, por parte da concessionária, as redes elétricas inteligente favorecem a otimização do sistema, com o princípio de automatizar ações de proteção, reconfiguração,

840 IEEE LATIN AMERICA TRANSACTIONS, VOL. 16, NO. 3, MARCH 2018

custo de perdas de energia, estabelecendo as melhores condições de rede a fim de garantir o atendimento contínuo e confiável dos consumidores, e, também, a eficiência energética. Esses aspectos citados são possíveis devido a aquisição contínua de dados de estado do sistema, sejam eles correntes, tensões, consumo, entre outros, e a infraestrutura de comunicação que interliga todos esses dispositivos a centrais de controle e tomada de decisão [20].

Nesse sentido, a consideração desses aspectos em diagnóstico de sistemas se torna fundamental, principalmente na transição conceitual da distribuição atual. São necessárias propostas de cenários de expansão, em inteligência, graduais, vinculados a relação custo x benefício de implementação de tecnologia de inteligência. Assim, dentre os indicadores propostos, conforme serão apresentados, o Nível de Inteligência visa avaliar a rede em relação a alguns tópicos de implementação de Smart Grids.

III. ASPECTOS DOS INDICADORES DE REDE PROPOSTOS

Conforme se observa em estudos em Sistemas Elétricos de

Potência, a caracterização das variáveis do sistema é fundamental em processos de tomada de decisão. Uma série de exemplos foi apresentada, anteriormente, de caracterização, aplicada a estudos em manutenção, planejamento, qualidade de produto e serviço e confiabilidade. O resultado desses estudos, então, são indicadores que representam, com fidelidade, o estado do sistema, além de serem uma ferramenta comparativa importante, tanto no escopo interno de uma concessionária, quanto na avaliação geral da distribuição do país.

Com o cumprimento dos objetivos desse trabalho, se propõem indicadores que sejam ferramentas robustas para melhores resultados da tomada de decisão do planejador, uma vez da maior diversidade de variáveis no diagnóstico atual do estado dos alimentadores, sejam em aspectos físicos ou operacionais.

A qualidade do modelo proposto está diretamente vinculada a definição correta dos blocos dos indicadores e sua relevância aos aspectos dos sistemas de distribuição, e das variáveis que venham a compor esses blocos. Assim, pode-se garantir a aplicabilidade dos resultados obtidos.

A proposta de formulação dos 3 indicadores, Operacionalidade do Sistema (IOs), Nível de Inteligência (INi) e Padrão Regulatório (IPr) parte do princípio da interrelação entre variáveis de entrada com distintas abordagens conceituais. Essa heterogeneidade das entradas é visualizada, inicialmente, em uma análise da Fig. 1, que apresenta o escopo de modelagem da proposta, representando, graficamente, as entradas vinculadas a cada indicador.

A) Indicador Operacionalidade do Sistema (IOs) O primeiro indicador determina a Operacionalidade do

Sistema, denominado IOs, que visa apresentar uma avaliação da operação dos alimentadores. O mesmo deve retornar um índice entre 0 e 1, onde o máximo indica a melhor condição Operacional. Para tanto, as variáveis de entrada do indicador correspondem as características físicas e elétricas, sendo elas o

carregamento do alimentador, a extensão, em quilômetros, a quantidade de dispositivos de seccionamento, em relação a extensão, e o índice de taxa de falhas.

O tratamento de problemas de planejamento, seja de operação, manutenção, ou outra atividade em distribuição, com a aplicação do indicador IOs se difere da abordagem atual, uma vez que relaciona, em um único índice, quatro condições preponderantes da qualidade operacional. Esse fato favorece a definição de cenários globais robustos, evitando a solução de apenas problemas pontuais. Também, a sua definição é pouco trivial, em virtude da relação de variáveis de distintas unidades de medição, como distância (km), em relação a potência (VA), e taxas adimensionais.

B) Indicador Nível de Inteligência (INi) O segundo indicador corresponde ao Nível de Inteligência,

denominado INi. O mesmo está vinculado diretamente com o estudo da inserção das Redes Elétricas Inteligentes, avaliando o nível de automatização do sistema. São consideradas abordagens de equipamentos e sistemas de controle, onde as variáveis que definem o nível inteligência do sistema são a automação das chaves, da proteção do sistema e o índice de medidores inteligentes instalados. Atualmente, se verifica uma distribuição de energia com tecnologia defasada. Porém, avaliando a aplicação de Redes Elétricas Inteligentes, essa condição tende a melhorar.

Quanto ao impacto do indicador proposto, o grau de relevância é significativo, uma vez que essa abordagem não é usual em sistemas atuais. Isso se deve ao fato da baixa inserção de inteligência na distribuição, cenário que deve evoluir ao longo dos próximos anos. Portanto, considerar o INi, na avaliação do sistema, pode, além das características de planejamento, ser aplicado pelo órgão regulador na avaliação

Figura 1. Indicadores propostos no trabalho, com participação direta no diagnóstico em sistemas de distribuição de energia, e as respectivas variáveis de entrada do modelo.

NOGUEIRA FONTOURA SILVA et al.: PROPOSAL OF 841

geral das concessionárias, como referência na determinação de uma política de incentivo as Redes Elétricas Inteligentes.

C) Indicador Padrão Regulatório (IPr) Por fim, o terceiro indicador, denominado IPr, determina o

Padrão Regulatório, ou seja, a capacidade do sistema em estudo de planejamento de cumprir as normatizações da agência reguladora brasileira, a ANEEL, que define regras para garantir a confiabilidade e a continuidade do serviço, além da qualidade do produto entregue aos consumidores finais. Para tanto, é condicionado como entrada o DEC (Duração Equivalente de Interrupção por Unidade Consumidora) e o FEC (Frequência Equivalente de Interrupção por Unidade Consumidora), além da variável que representa o nível de tensão.

O IPr surge como uma alternativa aos atuais indicadores utilizados para avaliação da qualidade de produto e serviço, uma vez que essas condições são, por resolução, consideradas de forma separada. Nesse sentido, o indicador se comporta como um índice geral de confiabilidade dos alimentadores e das concessionárias, podendo, assim como o INi, ser uma referência a políticas de incentivo para garantir um atendimento contínuo e de qualidade aos consumidores, em conjunto com as políticas já implementadas.

IV. LÓGICA FUZZY

A lógica Fuzzy corresponde ao método, em Inteligência

Artificial, fundamentado no processamento do conhecimento, no qual é possível determinar relações entre dados de entrada na esfera qualitativa, em um processo de inferência, que simula o raciocínio humano [21]. Diferentemente da lógica computacional tradicional, aristotélica, o processamento Fuzzy se baseia em um espaço de existência de condições entre o “0” e o “1”, o verdadeiro ou falso, semelhante as possibilidades de raciocínio humano [22].

A escolha por esse método, para o problema proposto se deve ao fato da não linearidade das relações entre as variáveis de inicialização dos indicadores, onde a baixa correlação entre as entradas reduz a eficiência de métodos matemáticos usuais, além da grande influência de especialistas na definição dessas relações entre as variáveis, característico de problemas que envolvem diagnósticos de sistemas de distribuição [23]-[24].

Um problema Fuzzy é processado através de 3 etapas fundamentais, a Fuzzyficação, a Inferência e a Defuzzyficação.

A) Fuzzyficação A primeira etapa do processamento é dada pelo

mapeamento do domínio dos valores de entrada para o domínio Fuzzy, ou seja, a transcrição do problema do campo quantitativo para o qualitativo [25]-[26]. Essa etapa é desenvolvida com base na formulação de conjuntos Fuzzy, que representam cada variável de entrada do problema, sendo esses caracterizados por “n” funções de pertinência. Essas funções são gráficas, e atribuem valores de pertinência Fuzzy (entre 0 e 1), a cada dado de entrada. Esses valores determinam a ativação ou não das regras de processamento

durante o processo de inferência [26]. Quanto mais próximo de 1, maior o grau de ativação da regra.

Dentre as principais funções de pertinência aplicadas a modelos Fuzzy estão a triangular, no qual a faixa de variação dos dados de entrada assumem valores entre 0 e 1 de pertinência, respeitando o crescimento do triângulo até o ponto onde o valor de entrada possui pertinência máxima, e a partir do mesmo há um decréscimo da pertinência até 0, no final da faixa de variação da entrada. Também se aplicam funções trapezoidais, onde não apenas um, porém uma série finita de elementos das entradas apresentam pertinência máxima (valor de 1), para a função tratada, além de funções gaussianas e exponenciais [27]. Para o presente trabalho, serão considerados conjuntos Fuzzy compostos por funções triangulares e trapezoidais.

B) Inferência A segunda etapa corresponde ao processo de inferência.

Com base no valor de pertinência de cada variável de entrada, o conjunto de diferentes entradas são agrupadas, ativando assim uma ou um conjunto de regras, simbolizadas por argumentos dedutivos, por exemplo: “Se Entrada 1 é X e Entrada 2 é Y, então Saída é Z” [25].

Relacionando os valores de pertinência das variáveis de cada regra, é possível verificar o grau de ativação das mesmas, ou seja a influência de cada uma para a solução do problema. Nesse ponto, então, que prevalece as características de raciocínio do modelo.

Uma vez que cada variável de entrada pode ser representada por “n” diferentes funções de pertinência, a base de regras deve ser composta pelo cruzamento de todas as funções de pertinência de todas as entradas. Assim, o número de regras é proporcional ao produto do número de funções de pertinência das variáveis de entrada [23].

O cruzamento dos valores de pertinência das variáveis que compõem uma regra é estabelecido por um dentre uma série de métodos que se apresentam na literatura, entre eles Mandami Min, Zadeh Max-Min, Produto Larsen [28]. A definição está vinculada a necessidade do problema e questões computacionais de tempo e capacidade de processamento.

C) Defuzzyficação A última etapa de processamento corresponde ao método de

Defuzzyficação, para obtenção dos resultados [28]. Uma vez que o processo de inferência ocorre em termos Fuzzy, qualitativos, a resposta do mesmo também representa um resultado Fuzzy. Nessa última etapa, então, o resultado é transcrito do campo qualitativo para o quantitativo, representando a resposta final para o problema. Uma série de métodos matemáticos podem ser aplicados, porém está no Centróide, que estima o centro de gravidade do conjunto Fuzzy de saída, a forma mais exata de Defuzzyficação [26].

As próximas seções apresentarão a modelagem das

variáveis de entrada e saída para a concepção dos três indicadores propostos, Operacionalidade da Rede, Nível de Inteligência e Padrão Regulatório, apresentando, também, as características do modelo Fuzzy empregado.


V. CARACTERIZAÇÃO DO MODELO E DAS VARIÁVEIS DE ENTRADA E SAÍDA

Com base nos aspectos de lógica Fuzzy apresentados, foi

desenvolvida a metodologia, estabelecendo, inicialmente, a modelagem das variáveis de entrada e saída em seus respectivos conjuntos Fuzzy, composto pelas funções de pertinência, a definição da base de regras e a determinação dos métodos matemáticos aplicados no processamento. A implementação do modelo foi desenvolvida no ambiente computacional do software MATLAB, da MathWorks®, devido a existência de blocos programáveis do método.

Quanto as variáveis de entrada, a escolha decorreu de um processo de análise da influência de cada qual em um indicador desenvolvido, sendo os limites dos mesmos definidos pela análise histórica de desempenho de alimentadores e o conhecimento especialista, além de observação de aspectos regulatórios.

Um exemplo disso é dado em torno do controlador Padrão Regulatório. Atualmente, a estrutura do sistema de distribuição brasileiro, considerando um prospecto de curto e médio prazo, estabelece como variáveis da qualidade do produto e do serviço os indicadores de interrupção e a questão de tensão como responsabilidade exclusiva dos agentes de mercado, uma vez que, aspectos como o fator de potência das unidades consumidoras faturadas em média tensão, por exemplo, são de responsabilidade compartilhada. Assim, a escolha de DEC, FEC e nível de tensão, e o modelo matemático respectivo, são baseados na regulamentação atual.

No presente trabalho, se optou pela utilização das funções de pertinência triangulares e trapezoidais, na caracterização das variáveis. De forma geral, a justificativa para implementação das mesmas se dá por aspectos dinâmicos de processamento, sendo que a diferenciação se deve a condição “Don’t Care”, introduzida pela trapezoidal, no qual, em uma faixa de valores de entrada, a pertinência é a mesma, não sendo significativo para o resultado do problema o efeito dos diferentes valores dessa faixa. Por sua vez, na triangular, cada valor de entrada possui um valor de pertinência equivalente. Assim, se definem as escolhas do tipo de função, de acordo com o efeito das entradas sobre o sistema Fuzzy, e os limites, de acordo com aspectos técnicos, ou baseado em conhecimento especialista.

Uma breve justificativa da consideração das 10 variáveis de entrada e a respectiva modelagem em conjuntos Fuzzy, é apresentada nas próximas subseções.

A) Carregamento do Alimentador

O Carregamento de determinado alimentador é definido como a parcela de ocupação do sistema, dado pela relação entre a potência circulante e a potência máxima permitida pelos limites técnicos dos equipamentos, sendo um dos principais fatores para o planejamento da expansão dos sistemas elétricos. Com relação a esse fato, o estudo de fluxo de potência, no horizonte de planejamento, já é uma variável considerada no diagnóstico do sistema [4]. O reconhecimento do carregamento do sistema é uma variável importante, em virtude de dimensionamento de redes compatíveis com a atual situação e futura expansão da carga [15].

Quanto ao efeito sobre a Operacionalidade do Sistema, quanto mais próxima a relação entre o carregamento médio e carregamento nominal for de 1, melhor avaliado será o sistema frente a essa variável. A tendência dessa relação a zero indica um sobredimensionamento, ou seja, o alimentador encontra-se ocioso em grande parte do tempo. Por sua vez, quanto maior for à relação além de 1, há um indicativo de subdimensionamento, determinando urgência de medidas como a reconfiguração dos alimentadores, a curto prazo. Fig. 2 apresenta o gráfico de modelagem Fuzzy dessa variável, considerando 5 funções de pertinência trapezoidais, onde a abcissa indica os dados de entrada.

Figura 2. Funções de pertinência da variável Carregamento do Alimentador.

B) Extensão do Alimentador

A variável Extensão do Alimentador representa o

comprimento total do alimentador em estudo, em números absolutos. Com relação à distância, se estima que em alimentadores longos, por exemplo, esperam-se maiores quedas de tensão e necessidade de medidas corretivas, além do impacto sobre a duração da interrupção, influenciada por tempos de deslocamento e localização de faltas, e de uma probabilidade maior de ocorrências, devido a maior área física de abrangência do sistema [11].

Essa entrada se relaciona com o controlador Operacionalidade do Sistema, no sentido que devido a extensão do alimentador, cenários vinculados a correção do nível de tensão, alocação de novos consumidores e divisão de alimentadores podem ser propostos. Fig. 4 apresenta o gráfico de modelagem dessa variável, considerando 3 funções de pertinência trapezoidais, onde a abcissa indica a distância, em quilômetros, do alimentador. Foram utilizadas funções trapezoidais pois não há necessidade de um particionamento apurado da extensão para fins de resultado do modelo. Até 50 km, o alimentador é considerado curto, e assim recebe pertinência máxima, ocorrendo de forma semelhante para as funções médio e longo.

Figura 3. Funções de pertinência da variável Extensão do Alimentador.


C) Dispositivos de Seccionamento Os dispositivos de seccionamento representam os elementos

de flexibilização dos sistemas de distribuição. No contexto de proteção, definem a segurança de equipamentos, como em aplicações de chaves fusíveis, além das funções de isolamento de faltas e, assim, minimização do número de consumidores atingidos por uma interrupção. Essa reconfiguração, em períodos de contingência, pode ser aplicada, também, em ocorrências de sobrecarga do sistema, com a finalidade de seccionar alimentadores e compatibilização de carga [15].

Esses equipamentos também podem ser utilizados, no caso de cargas de grande importância, como elementos de confiabilidade, através de intertravamento e dupla alimentação [29]. De forma geral, um maior número desses dispositivos representa uma maior possibilidade de variação das topologias do alimentador, tornando-o, operacionalmente, mais robusto.

A modelagem dessa variável de entrada, para definição do indicador Operacionalidade do Sistema, é dada pela obtenção da taxa de dispositivos de seccionamento por quilômetro de alimentador, conforme (1).

!"#$%#"&"!"#/!" = !"!" (1)

Onde DS corresponde ao total de dispositivos de

seccionamento e EA a extensão do alimentador. Pela relação expressa em (1), pode-se comparar

alimentadores de distintos tamanhos, homogeneizando o modelo. Além disso, quanto menor o índice dessa entrada, maiores podem ser os recursos destinados a instalação de seccionamento, melhorando, assim, a flexibilidade da rede. Fig. 4 apresenta as funções de pertinência da variável, compostas de 1 triangular e 2 trapezoidais, onde, a partir de 3 dispositivos instalados por quilometro, o alimentador já pode ser considerado como de alta flexibilidade.

Figura 4. Funções de pertinência da variável Dispositivos de Seccionamento.

D) Taxa de Falhas A última variável do controlador Operacionalidade do

Sistema representa o grau de susceptibilidade aos principais tipos de ocorrências que venham a gerar interrupções de fornecimento. Dentre os principais fatores de falha estão àqueles vinculados a falha de equipamento, como em isoladores, transformadores, para-raios, condutores, chaves, postes, entre outros equipamentos [30].

Cada equipamento apresenta uma probabilidade de falha, que depende do tempo de vida e das condições que o mesmo

está exposto [29]. Além disso, definem-se como causas de falhas, aspectos naturais, como falhas devido à vegetação, descargas atmosféricas e fatores adversos, principalmente.

Um estudo apurado das causas das falhas pode auxiliar na redução de interrupções devido a fatores ponderáveis, estimando cenários de planejamento como a troca de equipamentos em vida útil avançada. Também, em interrupções imponderáveis, como descargas atmosféricas, o efeito negativo da sobretensão pode ser reduzido através de uma proteção bem planejada e adequada [31].

Assim, a taxa de falhas é modelada pela relação entre o número de falhas anuais, que provocaram interrupções apuradas em indicadores de confiabilidade, e a extensão do alimentador, conforme (2).

!"#" !" !"#ℎ!" = !"!" (2)

Onde FT é o total de falhas anuais e EA é a extensão do

alimentador em estudo. A Fig. 5 apresenta a definição das funções de pertinência da

variável taxa de falhas, compostas por 3 trapezoidais, no qual acima de 1,2 interrupções por quilômetro/ano, a mesma assume pertinência máxima na função Alta.

Figura 5. Funções de pertinência da variável Taxa de Falhas.

E) Automação das Chaves As redes elétricas inteligentes apresentam, em seus

conceitos básicos, a automação do processo de distribuição de energia. Nesse contexto, a automação das chaves seccionadoras dos alimentadores torna-se um dos pontos de inteligência. Em distribuição de energia, principalmente no cenário brasileiro, já se aplicam chaves telecomandadas, responsáveis por executar manobras de abertura e fechamento de circuitos, a fim de interromper o fluxo para manutenção ou manobras de transferência de carga, de forma remota [32].

A aplicação de automação nas redes de distribuição é uma solução eficaz em custo e qualidade, entretanto, para alimentadores com baixa densidade de consumidores ainda é um processo de baixo custo x benefício [33]. Porém, com as redes inteligentes, a inserção desses dispositivos, vinculados a um sistema de comunicação, é imprescindível.

Devido a aspectos de custo, as chaves telecomandadas ainda apresentam resistência no mercado. Além disso, há um grande número de seccionadoras fusíveis na rede, o que torna, proporcionalmente, os números de chaves automatizadas, baixo, uma vez que essas não são passíveis de comunicação.

A modelagem dessa variável, como entrada do controlador Nível de Inteligência, é baseada na relação entre o número de


dispositivos automatizados e o total de dispositivos de seccionamento no alimentador, conforme (3).

!"#$%&çã! !"# !ℎ!"#$ = !"#!" (3)

Onde DSA corresponde ao total de dispositivos de

seccionamento automatizados e DS o número total de dispositivos conectados no alimentador.

Quanto maior for a relação expressa por (3), melhor tende a ser o resultado de inteligência do indicador proposto. Fig. 6 apresenta o modelo das funções de pertinência dessa variável, composta de 3 funções triangulares e 1 trapezoidal, no qual, a partir de 35% de chaves automatizadas, o alimentador pode ser considerado de elevada automação, para essa entrada. Se verifica a aplicação de funções triangulares uma vez que uma pequena variação do número de dispositivos instalados pode indicar um grande flexibilidade para o sistema. Assim, é necessário uma maior estratificação da variável. Por sua vez, a partir de 35%, independentemente do valor de entrada, a pertinência é máxima para Elevada Auto., não representando influência para o resultado do controlador.

Figura 6. Funções de pertinência da variável Automação das Chaves.

F) Automação da Proteção Um sistema de proteção bem planejado indica uma alta

tendência de operação segura e confiável da distribuição. Atualmente, a proteção da distribuição corresponde a aplicação de disjuntores na saída das subestações, coordenados por um banco de relés, religadores ao longo do alimentador primário, evitando desligamentos devido a falhas temporárias, e chaves fusíveis, nos ramais de derivação, transformadores, entre outros elementos. Entretanto, para o caso de relés, por exemplo, caso as condições para qual o mesmo foi coordenado se alterem, a confiabilidade da proteção fica comprometida [34].

Nesse sentido, um dos desafios da inserção de Redes Elétricas Inteligentes, que traz consigo conceitos de carga intermitente e geração distribuída, é a necessidade de reconfigurações automáticas do sistema de proteção. Uma solução seria a inserção de relés inteligentes, que distinguem sinais de falhas e definam sua localização [35].

Por sua vez, em uma alternativa avançada, tem-se a possibilidade de aplicação de um sistema multivariável, que receba distintos dados de entrada e atualize, em tempo real, a proteção do sistema [34]. Esse sistema pode ser definido como um prospecto de Self-Healing.

A modelagem da variável Automação da Proteção é pouco trivial, em vista que o sistema possa ter dispositivos de proteção comunicáveis, como chaves telecomandadas, operando em conjunto com os dispositivos passivos, como chaves fusíveis, e ainda com aqueles automatizados, vinculados a um sistema Self-Healing. Sendo assim, através de (4) se estabelece a entrada de dados dessa variável, dado pela média aritmética entre a relação do número de dispositivos automatizados em um sistema de Self-Healing e o total de dispositivos passíveis de automação, e a relação entre esse último e o total de dispositivos vinculados a proteção do sistema, independentemente do nível de inteligência.

!"#$%&çã! !" !"#$%çã! = !"!! + !"#"$ ∗ !"2 ∗ !"# ∗ !" (4)

Onde DSA corresponde ao total de dispositivos de

seccionamento passíveis de automação e DS o número total de dispositivos conectados no alimentador e DSASH o número de dispositivos automatizados, em uma rede de Self-Healing.

O resultado de (1) compreende uma variação entre 0 e 1, no qual, por exemplo, no caso de 10% de dispositivos automatizados, com 30% dos mesmos vinculados em um sistema de Self-Healing, tem-se um índice de entrada equivalente a uma rede com 30% dos dispositivos automatizados, sendo 10% deles com Self-Healing. Fig. 7 apresenta as funções de pertinência da variável, compostas por 3 triangulares. Assim como a variável anterior, há necessidade de estratificação é necessária, com funções triangulares, a fim de estabelecer as pertinências para pequenas variações.

Figura 7. Funções de pertinência da variável Automação da Proteção.

G) Medidores Inteligentes Conforme citado anteriormente, uma das primeiras ações no

aspecto de inserção de conceitos em Redes Elétricas Inteligentes é a atualização do parque de medição, em virtude de viabilizar a implementação de tarifas horárias, geração distribuída, incentivando o consumidor a se tornar elemento ativo na rotina operacional da distribuição.

Nesse sentido, é justificável a consideração dessa variável para o nível de inteligência, uma vez que representa a interface física entre consumidor e concessionária. A modelagem da variável é dada por (5), que indica a relação entre os medidores inteligentes e o total de medidores vinculados a determinado alimentador. Ressalta-se que são considerados como inteligentes apenas os Smart Meters, com capacidade de armazenamento, fluxo de informação e potência


bidirecional, comunicação remota e capacidade de interação com a micro rede no qual está inserido [35].

!"#$#%&"' !"#$%&'$"#$( = !"!!"# (5)

Onde IMI corresponde ao índice de medidores inteligentes

instalados e ITM o total de medidores conectados no alimentador.

Dessa forma, Fig. 8 apresenta o modelo Fuzzy da variável, composto por 4 funções de pertinência trapezoidais. Conforme se observa, a partir da instalação de 70% dos medidores inteligentes, na rede, verifica-se o melhor prospecto, cujo grau de pertinência é máximo da função Elevada Inteligência.

Figura 8. Funções de pertinência da variável Medidores Inteligentes.

H) DECRelativo A primeira variável do conjunto Padrão Regulatório

representa a qualidade e a confiabilidade do serviço frente à duração de interrupção. Essa variável é o DEC – Duração Equivalente de Interrupção por Unidade Consumidora – que representa a duração média de interrupções em determinado período considerado [6]. O DEC é equivalente ao indicador internacional SAIDI (System Average Interruption Duration Index).

Para fins de regulação e contínuo aprimoramento da qualidade e da confiabilidade da distribuição brasileira, a ANEEL define, de forma anual, o limite do indicador de DEC para conjuntos consumidores. Quando transgredidos, implicam em penalidades à concessionária.

Dentre os principais aspectos que influenciam a duração da interrupção estão àqueles vinculados a recursos humanos, como o preparo das equipes de manutenção, e aqueles vinculados a recomposição de rede, após as ocorrências, como a flexibilidade do sistema [11].

Devido a homogeneidade dos indicadores propostos, assim, como outras relações já estabelecidas em variáveis de entrada, a modelagem da variável DECrelativo é dada pela relação entre o DEC apurado anual do alimentador, e o DEC limite do mesmo, conforme (6).

!"# !"#$%&'( =!"#!"#$%&'!"#!"#"$%

(6)

Onde DECApurado corresponde ao indicador anual de DEC do

alimentador e DECLimite o respectivo limite anual. A Fig. 9 apresenta as funções de pertinência, 2 triangulares

e 1 trapezoidal, para a variável DECrelativo. Conforme se verifica, a função Limítrofe possui pertinência máxima em

1,1, devido ao fato que, no cálculo das penalidades individuais, das unidades consumidoras, há variação máxima do índice apurado, que não resulte em alterações no valor de penalidades, é de mais ou menos 10%, conforme análise de tabelas contidas nas resoluções da ANEEL [6].

Figura 9. Funções de pertinência das variáveis de indicadores de confiabilidade.

I) FECRelativo Da mesma forma que a análise foi realizada para a variável

DECrelativo, ocorre para a entrada FECrelativo. O indicador de continuidade FEC – Frequência Equivalente de Interrupção por Unidade Consumidora – indica a quantidade média de interrupções ocorridas em determinado período [6]. O FEC é equivalente ao indicador internacional SAIFI (System Average Interruption Frequency Index). Assim como para o DEC, também são definidos limites para a frequência de interrupções, resultado em penalidades em caso de transgressões.

Os indicadores de FEC representam o quão confiável é o sistema devido a características do meio ambiente em que está inserido, além das condições de manutenção e o envelhecimento [11]. A modelagem do indicador FECrelativo é dada pela relação entre o indicador anual de FEC apurado para o alimentador em estudo e o FEC limite para o mesmo alimentador, conforme (7).

!"#!"#$%&'( =!"#!"#$%&'!"#!"#"$%

(7)

Onde FECApurado corresponde ao indicador anual de FEC do

alimentador e FECLimite o respectivo limite anual. Devido a semelhança na definição dos indicadores de DEC

e FEC, e, principalmente, à semelhança na apuração das penalidades, as funções de pertinência para a variável de entrada FECrelativo são as mesmas para DECrelativo, já apresentadas em Fig. 9.

J) Nível de Tensão A última variável de entrada, correspondente a terceira

variável do conjunto Padrão Regulatório representa a qualidade do produto, o Nível de Tensão. Através do módulo 8 do PRODIST, são definidos os limites adequados, precários e críticos, os indicadores de conformidade de tensão e as compensações devido a transgressão dos limites [6].

Para tensões primárias padronizadas, no sistema de distribuição brasileiro, de 13,8kV e 23kV, são definidas faixas de variação entre 0,93 e 1,05 da tensão nominal, em por


unidade (PU), para um atendimento adequado, 0,9 até 0,93 da tensão nominal para um atendimento precário, e as faixas abaixo de 0,9 e acima de 1,05, em PU, restantes indicam um atendimento crítico [6].

A regulação de tensão no sistema atual é realizada de forma passiva, com a mudança de TAP dos transformadores de potência e dos transformadores de distribuição. Entretanto, no prospecto da inserção de Redes Elétricas Inteligentes, essa condição tende a mudar, principalmente devido à conexão de unidades de Geração Distribuída e Veículos Elétricos. Esse fato exige um controle de tensão aprimorado, realizado através de métodos inteligentes e em tempo real, devido às rápidas variações de carga no sistema [36].

Quanto a modelagem, essa variável é baseada nos limites propostos pelo órgão regulador, devido a segregação em 4 patamares, Criticamente Baixo, Precário, Adequado e Criticamente Alto, se caracteriza a entrada de dados da variável como uma função descontínua nos limites de transição entre faixas. Assim, se estabelece que no intervalo de existência de cada patamar, a pertinência é máxima, independentemente do valor. De forma matemática, pode-se aproximar, para fins de modelagem Fuzzy, como 4 funções de pertinência trapezoidais conforme Fig. 10, onde os vértices superiores do trapézio apresentam a mesma posição, no eixo x, em relação aos vértices inferiores. A entrada de dados deve ser composta, então, pela tensão média apurada no pior ponto de operação do alimentador em estudo.

Figura 10. Funções de pertinência da variável Nível de Tensão.

K) Modelagem dos conjuntos Fuzzy de saída dos

Indicadores A modelagem das variáveis de saída está diretamente

vinculada ao método de processamento Para o problema, definiu-se a utilização do Mandami Min, devido a boa relação custo computacional x benefício de qualidade de resultados, além de ser amplamente utilizado em metodologias Fuzzy.

Esse método parte do princípio da criação de funções de pertinência para a saída, com um processamento que relacione as inferências, resultando, de forma visual, em um gráfico que traduza todas as relações de entrada. Sendo assim, pós-processamento, um método, conforme o utilizado no trabalho, do Centróide, encontra no centro de gravidade do gráfico de saída, o resultado numérico de processamento [37].

Com base nesses aspectos, foram modelados conjuntos Fuzzy para as saídas dos indicadores propostos. Para o indicador Operacionalidade do Sistema, são propostas 4 funções de pertinência, conforme Fig.12, sendo elas trapezoidais. Por sua vez, para INi e IPr, o modelo é

semelhante, porém compostos de 5 funções de pertinência, sendo três trapezoidais e duas triangulares, nos extremos, onde o acréscimo de uma função de pertinência melhora as condições de refinamento para a saída desses indicadores, uma vez que os limiares das variáveis de entradas dos últimos são mais sensíveis a pequenas alterações.

Figura 11. Funções de pertinência do indicador IOs.

Figura 12. Funções de pertinência dos indicadores INi e IPr.

Quanto a obtenção da base de regras dos controladores Fuzzy, foram formuladas, para a Operacionalidade do Sistema, 135 regras, para o Nível de Inteligência, 48 regras, e para o Padrão Regulatório, 36 regras. Não houve a necessidade de exclusão de regras redundantes, uma vez que a capacidade de processamento é compatível a condições técnicas dos computadores atuais.

VI. RESULTADOS E DISCUSSÕES

Assim, para fins de validação, foi aplicado um banco de

dados de 410 alimentadores de uma Concessionária da região sul do Brasil, composta de 1.300.000 unidades consumidoras, entre todas as classes de tensão, com uma demanda média horária de potência, no ano de 2016, de 1,120 GW. Os dados obtidos, referentes as variáveis de entrada dos indicadores, são respectivos aos resultados do ano de 2013.

Foram realizadas duas análises distintas dos resultados. A primeira possui foco no desempenho dos alimentadores. Para tanto, serão apresentados os resultados para 8 alimentadores de uma mesma subestação. A segunda análise tem como objetivo o desempenho da concessionária frente a esses indicadores, em uma análise estatística.

A) Análise do desempenho dos alimentadores A primeira análise é sobre o indicador Operacionalidade do

Sistema (IOs), na subestação exemplo. Assim, foi utilizado, para essa análise, os dados referentes aos 8 alimentadores de


saída de uma subestação. Os resultados são apresentados na Tabela I, composta pelos valores de entrada das variáveis que compõe o indicador, e o respectivo valor de saída.

TABELA I ALIMENTADORES SUJEITOS AO INDICADOR OPERACIONALIDADE

DO SISTEMA (IOs)

Alimentador Carregamento (%)

Extensão (km)

Chaves /km

Taxa de falhas IOs

AL-1 48,00 279,52 0,46 1,21 0,37 AL-2 83,44 206,26 0,43 1,07 0,65 AL-3 87,57 650,92 0,37 0,69 0,47 AL-4 57,01 532,36 0,32 0,83 0,45 AL-5 50,98 1167,94 0,36 0,71 0,45 AL-6 91,97 23,50 2,17 1,70 0,67 AL-7 69,92 36,04 1,58 1,03 0,71 AL-8 66,49 2,79 0,72 1,08 0,69

Pela análise da Tabela I, se verifica uma amplitude

significativa de resultados do indicador, entre o pior resultado, de AL-1, com de 0,37 e o melhor resultado, de AL-7, com 0,71. Em comparações, verifica-se um comportamento semelhante àquele esperado no desenvolvimento da metodologia. Apesar de o carregamento estar situado em uma faixa semelhante, AL-1 apresenta uma extensão 7,75 vezes maior, além de uma taxa de chaves 3,43 vezes menor que AL-7, justificando o baixo resultado do indicador.

Em comparação, AL-4 e AL-5 apresentam o mesmo resultado para IOs, de 0,45. Apesar do segundo apresentar o dobro de extensão em relação ao primeiro, ambos são considerados extensos, em faixas semelhantes no modelo.

Quanto a análise do índice Nível de Inteligência (INi), a Tabela II apresenta os valores de entrada e saída para o mesmo. Com base nesses resultados, verifica-se a pequena inserção de inteligência, principalmente devido ao pequeno percentual de automação das chaves, a inexistência de um sistema Self-Healing de coordenação de proteção e de medidores inteligentes nas unidades consumidoras.

TABELA II

ALIMENTADORES SUJEITOS AO INDICADOR NÍVEL DE INTELIGÊNCIA (INi)

Alimentador Automação das chaves

Automação da proteção

Medidores Inteligentes INi

AL-1 0,02 0,01 0 0,08 AL-2 0,01 0,01 0 0,06 AL-3 0,01 0,01 0 0,07 AL-4 0,01 0,01 0 0,06 AL-5 0,01 0,00 0 0,06 AL-6 0,06 0,03 0 0,10 AL-7 0,04 0,02 0 0,08 AL-8 0,00 0,00 0 0,05

Dessa forma, se verificam índices reduzidos de INi,

variando entre 0,05 e 0,10. O maior índice, do alimentador 6, se justifica pelo percentual de 6% das chaves com possibilidade de automação, que já se encontra, apesar da pequena pertinência, na faixa de boa automação. A tendência é que, com o processo de inserção das Redes Elétricas Inteligentes, esses valores para o indicador aumentem.

Por fim, a última análise é respectiva ao indicador Padrão Regulatório (IPr), com resultados apresentados na Tabela III. De forma geral, verificam-se entradas de DEC relativo com bons resultados, e, uma variação máxima de 12% do indicador apurado, em relação ao limite, para AL-2. Porém em FEC

relativo, há uma transgressão significativa dos valores anuais em 5 dos 8 alimentadores. Quanto a nível de tensão, os valores, para os piores pontos da rede, encontraram-se, em 6 alimentadores, no mínimo Precários.

TABELA III ALIMENTADORES SUJEITOS AO INDICADOR PADRÃO

REGULATÓRIO

Alimentador DEC Relativo

FEC Relativo

Nível de Tensão

IPr

AL-1 0,93 1,76 93,12 0,58 AL-2 1,12 1,15 90,10 0,48 AL-3 1,07 2,33 93,74 0,51 AL-4 1,00 2,30 93,00 0,38 AL-5 1,11 4,34 90,25 0,22 AL-6 0,16 0,21 94,58 0,85 AL-7 0,21 0,19 93,16 0,85 AL-8 0,00 0,00 100,59 0,94

Na comparação de resultados, obtiveram-se variações entre

0,22 para AL-5 e 0,94 para AL-8, em IPr. Essa grande variação entre alimentadores é justificada pelas entradas. Enquanto AL-8 pode ser considerado próximo a melhor condição de Padrão Regulatório, sem ocorrências de interrupções que resultem em penalidades, conforme regulamentação da ANEEL, AL-5 apresenta 11% de ultrapassagem anual para o DEC e 434% para o FEC, com um dos piores níveis de tensão. Em comparação de AL-6 e AL-7, verifica-se a constância do sistema, uma vez que atribui o mesmo IPr para ambos os alimentadores, de 0,85.

B) Análise do desempenho da Concessionária Em um segundo estudo proposto, foi realizada a análise de

desempenho dos alimentadores da Concessionária frente aos indicadores Operacionalidade do Sistema e Padrão Regulatório. Quanto ao indicador Nível de Inteligência, os resultados obtidos para todos os alimentadores seguem o padrão observado na Tabela II, com uma variação entre 0 e 0,1 para INi, indicando uma condição muito ruim. Assim, esse estudo se baseou na análise estatística, no agrupamento de alimentadores, pelos seus indicadores obtidos, em 10 classes, de amplitude 0,1, entre o valor mínimo e máximo do mesmo.

Em Fig. 13, se encontra a distribuição dos alimentadores em relação ao indicador Operacionalidade do Sistema.

Figura 13. Resultado dos alimentadores, separados em intervalos de classe, com relação ao indicador Operacionalidade da Rede.


A análise de Fig. 13 define um pico de ocorrências de indicadores entre 0,7 e 0,8, correspondente a 38,66% dos alimentadores. Nessa região, estão em transição entre as funções Bom e Muito Bom. Além disso, cerca de 83,05% dos alimentadores são, operacionalmente, no mínimo bons, além de não ocorrer nem um caso no campo muito ruim.

Isso significa que o desempenho operacional da concessionária no ano de 2013 foi muito bom, no qual, mesmo a extensão dos alimentadores sendo uma entrada praticamente invariante ao longo do ano, por exemplo, ocorreu um baixo índice de falhas e um correto manejo da carga.

Em Fig. 14, se encontra a distribuição dos alimentadores em relação ao indicador Padrão Regulatório, sobreposta as funções de pertinência de saída do indicador.

Figura 14. Resultado dos alimentadores, separados em classes, com relação ao indicador Padrão Regulatório.

Conforme os resultados da Fig. 14, há uma elevação

percentual de alimentadores ao longo das classes propostas, sendo a maior concentração entre 0,7 e 0,9. O maior índice ocorre entre 0,8 e 0,9 de valor do indicador Padrão Regulatório, com 33,42% dos alimentadores. Podem ser considerados, no mínimo bons, cerca de 75,5%, sendo aqueles ruins e muito ruins, de apenas 6,93%.

Relacionando os resultados do indicador IPr a regulamentação da ANEEL, de definição de penalidades, a tendência é a derivada dessa curva percentual de alimentadores tornar-se maior em pontos superiores a 0,4 de resultado, em virtude da melhora dos indicadores de qualidade, a fim de redução das transgressões.

VII. CONCLUSÕES

O desenvolvimento de novas metodologias, que aprimorem a forma como os sistemas de distribuição são analisados e operados, favorece a evolução no sentido de qualidade e confiabilidade. Assim, estudos de otimização de processos, com o objetivo de serem incluídos na rotina das concessionárias de distribuição, tendem a melhorar a qualidade do serviço prestado.

A definição de estratégias de Planejamento, principalmente de expansão, que equilibrem a relação custo x benefício dos cenários propostos, é umas das primeiras etapas de garantia da qualidade. Além disso, a adoção de Redes Elétricas

Inteligentes representa um avanço prático na distribuição atual, possibilitando um melhor controle da operação, abrindo espaços para a inclusão de novas formas de geração de energia, veículos híbridos ou elétricos e eficientização do consumo, visando um futuro sustentável, também nesse setor.

Entretanto, garantir a acertibilidade do planejamento e a adequação da rede para a nova realidade da distribuição é um grande desafio. Isso introduz uma ideia de que os estudos devem se tornar mais complexos, considerando um maior número de fatores.

Nesse sentido, a formulação proposta, que visa diagnosticar o sistema de distribuição de acordo com uma série de variáveis de operação, aspectos construtivos e regulação, torna-se uma ferramenta importante para uma análise pontual dos alimentadores. Uma vez que a ANEEL já define alguns indicadores para as concessionárias, essa proposta poderia se encaixar nesses grupos, a fim de se tornar um elemento avaliativo e de aplicação em diagnóstico para planejamento, na definição de cenários de expansão e operação mais exatos.

Assim, foram desenvolvidos três novos indicadores, a Operacionalidade do Sistema (IOs), o Nível de Inteligência (INi) e o Padrão Regulatório (IPr). No modelo, através de controladores Fuzzy, buscou-se a homogeneidade das variáveis de entrada, a fim da possibilidade dessa ferramenta ser única na inserção de qualquer topologia de alimentador. Também, a aplicação de Inteligência Artificial foi importante devido à baixa correlação das variáveis de entrada e a simplificação do modelo, em relação as funções de pertinência Fuzzy, no sentido de não ser necessário a atribuição de uma base única para as entradas.

Quanto aos resultados apresentados, a metodologia proposta apresentou índices satisfatórios. Seja na Operacionalidade, Nível de Inteligência, ou Padrão regulatório, foram obtidos valores para os indicadores compatíveis com a situação das variáveis de entrada. Não ocorreram divergências, no qual um alimentador, por exemplo, apresentou índices semelhantes a outro, porém com variáveis de entrada muito diferentes.

Quanto a concessionária em análise, apesar do indicador nível de inteligência ser próximo de zero, assim como a realidade, não só brasileira, mas da distribuição de boa parte do mundo, os outros indicadores apresentaram resultados bons. Tanto na operacionalidade quanto na regulação, a grande maioria dos testes resultou em índices acima de 0,7 para ambos, enquadrando-se na região “bom” ou “muito-bom”. Esse fato demonstra um controle eficiente da malha de distribuição, indicando uma concessionária próxima da etapa de inserção de maior inteligência nos alimentadores.

REFERÊNCIAS

[1] ANEEL, “Glossário – Sistemas de Distribuição de Energia Elétrica”, Agência Nacional de Energia Elétrica, Brasília, 2017. Disponível em: < http://www.aneel.gov.br/biblioteca/glossario.cfm?att=S >.

[2] J. Sousa, “Planejamento de Sistemas de Distribuição de Energia Elétrica através de um Modelo de Programação Linear Inteiro Misto (PLIM)”, Tese de Doutorado, Universidade Estadual Paulista Júlio de Mesquita Filho (UNESP), São Paulo, 2013.

[3] B. Sant’Anna, “Planejamento da Expansão dos Sistemas de Distribuição - Metodologia para a Consideração de Pequenas Centrais Hidrelétricas”, Dissertação de Mestrado, Universidade Federal de Minas Gerais (UFMG), Belo Horizonte, 2009.


[4] ANEEL, “Procedimentos de Distribuição de Energia Elétrica no Sistema Elétrico Nacional – PRODIST Módulo 2 – Planejamento da Expansão do Sistema de Distribuição”, Agência Nacional de Energia Elétrica, Brasília, 2016.

[5] L.C Andrade, I. da Silva, “ Very Short-Term Load Forecasting Based on ARIMA Model and Intelligent Systems”, 2009 15th International Conference on Intelligent System Applications to Power Systems, pp. 1–6, 2009.

[6] ANEEL, “Procedimentos de Distribuição de Energia Elétrica no Sistema Elétrico Nacional – PRODIST Módulo 8 – Qualidade da Energia Elétrica”, Agência Nacional de Energia Elétrica, Brasília, 2017.

[7] Siir Kilkis, “Composite index for benchmarking local energy systems of Mediterranean port cities”, Energy, vol. 92, Part 3, pp. 622-638, 2015.

[8] H. Shourkaei, A. Jahromi, M. Firuzabad, “Incorporating Service Quality Regulation in Distribution System Maintenance Strategy”, IEEE Transactions on Power Delivery, vol. 26, no. 4, 2011.

[9] L. Silong, Y. Jianping, S. Xiaolan, et. Al., “Study and Application of the Evaluation Index System for Distribution Network”, Electricity Distribution, 2008 China International Conference on. CICED 2008, pp. 1-6, 2008.

[10] W. Peng, Z. Jiang-He, Z. Bo, et. Al., “Study on the index system of distribution automation operation”, Power System Technology (POWERCON), 2014 International Conference on, pp. 1-6, 2014.

[11] N. Knak Neto. “Sistema Multivariável para Avaliações de Desempenho e Estabelecimento de Limites de Continuidade de Fornecimento de Energia Utilizando a Lógica Fuzzy”. Dissertação de Mestrado, Universidade Federal de Santa Maria (UFSM), Santa Maria, 2012.

[12] MCTI, “Redes Elétricas Inteligentes: contexto nacional”. Ministério da Ciência, Tecnologia e Inovação, Centro de Gestão e Estudos Estratégicos, Brasília, 2012.

[13] P. Chiradeja, “Benefit of Distributed Generation: A Line Loss Reduction Analysis”, 2005 IEEE/PES Transmission & Distribution Conference & Exposition: Asia and Pacific, pp. 1–5, 2005.

[14] L. Dow, M. Marshall, L. Xu, et. Al., “A novel approach for evaluating the impact of electric vehicles on the power distribution system”, Power and Energy Society General Meeting, 2010 IEEE, pp. 1–6, 2010.

[15] D. Bernardon, A. Melo, L. Canha, et. Al.. “Sistemas de Distribuição no Contexto das Redes Elétricas Inteligentes: uma abordagem para reconfiguração de redes”, 1ª Ed, Editora AGEPOC, 2015.

[16] M. Alizadeh, A. Scaglione, Z. Wang. “On the impact of SmartGrid metering infrastructure on load forecasting”, 2010 48th Annual Allerton Conference on Communication, Control, and Computing (Allerton), pp. 1628–1636, 2010.

[17] ANEEL, “Nota Técnica n° 362/2010 – SER - SRD”, Agência Nacional de Energia Elétrica, Brasília, 2010. Disponível em: < http://www.aneel.gov.br/biblioteca/glossario.cfm?att=S >.

[18] Z. Wang, B. Chen, J. Wang, J. Kim, M. Begovic, "Robust Optimization Based Optimal DG Placement in Microgrids," IEEE Transactions on Smart Grid, vol. 5, n. 5, pp. 2173 - 2182, 2014.

[19] P. Sotkiewicz, J. Mario Vignolo, "Allocation of Fixed Costs in Distribution Networks With Distrivbuted Generation," IEEE Trans. Power Systems, vol. 21, n. 2, pp. 639-652, 2006.

[20] Y. Yoldas, A. Onen, S. Muyeen, et Al., “Enhancing Smart Grid with microgrids: Challenges and opportunities”, Renewable and Sustainable Energy Reviews, vol. 72, pp. 205-214, 2017.

[21] T. Perry, “Lotfi A. Zadeh”, IEEE Spectrum, pp.32-35, 1995. [22] C. Malutta, “Método de apoio à Tomada de Decisão na Verificação da

Sustentabilidade de uma Unidade de Conservação, usando lógica Fuzzy”, Tese de Doutorado, Universidade Federal de Santa Catarina (UFSC), Florianópolis, 2004.

[23] M. El-Hawary, “Electric power applications of Fuzzy systems”, 1ª Ed, Editora Wiley-Blackwell, 376 p., 1998.

[24] B. Hobbs, S. Jitprapaikulsarn, D. Maratukulam, “Analysis of the value for unit commitment of improved load forecasts”, IEEE Transactions on Power Systems, vol. 14, no. 4, pp. 1342–1348, 1999.

[25] G. Wang, X. Hui, J. Song, “The R0-type Fuzzy logic metric space and an algorithm for solving Fuzzy modus ponens”, Computer and Mathematics with Applications, vol. 55, no. 9, p.1974-1987, 2008.

[26] I. Shaw, M. Simões, “Controle e Modelagem Fuzzy”, 1 ed., Editora Edgard Blucher Ltda., 165 p., 2001.

[27] W. Pedrycz, P. Ekel, R. Parreiras, “Fuzzy Multicriteria Decision-Making: Models, Methods and Applications”, 1 ed., Editora John Wiley & Sons Ltda., 337 p., 2011.

[28] X. Yang, F. Yu, W. Pedrycz, “Long-term forecasting of time series based on linear Fuzzy information granules and Fuzzy inference system”, International Journal of Approximate Reasoning, vol. 81, pp.1-27, 2017.

[29] R. E. Brown, “Electric Power Distribution Reliability”, 2ª Ed., Editora CRC Press, 2009.

[30] N. Kagan, E. Robba, H. Schmidt, “Estimação de Indicadores de Qualidade de Energia Elétrica”, Editora Blucher, 230 p., 2009.

[31] M. Parviainem, P. Heine, M. Omidiora, et. Al., “Short Interruptions Caused by Lightning in Overhead Line Medium Voltage Networks”. Power Quality and Supply Reliability Conference, 2008. PQ 2008, pp. 145–150, 2008.

[32] A. Alexandria, “Sistema de Monitoramento de Chaves Seccionadoras por Visão Computacional e Redes Neurais Artificiais para Suporte ao Sistema de Controle Supervisório da CHESF”. IV CITENEL/ANEEL Congresso de Inovação Tecnológica em Energia Elétrica, Araxá, 2007

[33] M. Rennó, E. Penner, “Chave 34,5 kV, telecomandada, de Baixo Custo, para Rede de Distribuição”. IV CITENEL/ANEEL Congresso de Inovação Tecnológica em Energia Elétrica, Araxá, 2007.

[34] R. Abedini, T. Pinto, Z. Vale, et. Al., “Multi-Agent approach for Power System in a Smart Grid Protection Context”, PowerTech (POWERTECH), 2013 IEEE Grenoble, pp. 1–6, jun. 2013.

[35] Y. Oualmakran, S. Herraiz, J. Melendez, “Opportunities and challenges for smart power restoration and reconfiguration”, Electrical Power Quality and Utilisation (EPQU), 2011 11th International Conference on, pp. 1–6, 2011.

[36] H. Laaksonen, K. Kauhaniemi, S. Voima, “Microgrid Voltage Level Management and Role as Part of Smart Grid Voltage Control”, PowerTech, 2011 IEEE Trondheim, pp. 1–8, 2011.

[37] H. Zimmermann, “Fuzzy Set Theory – and Its Applications”, 2 ed. Editora Springer, 399 p., 1991.

Leonardo Nogueira Fontoura da Silva possui graduação e mestrado em Engenharia Elétrica pela Universidade Federal de Santa Maria (UFSM), em Santa Maria, Brasil. Possui Doutorado em andamento, vinculado ao Programa de Pós-Graduação em Engenharia Elétrica da Universidade Federal de Santa Maria (UFSM). Formação com ênfase em Sistemas Elétricos de Potência, desenvolve pesquisas relacionadas a Planejamento do Sistema, principalmente em relação a

confiabilidade, indicadores e diagnóstico do sistema, com experiência em métodos de otimização baseados em Inteligência Artificial, como Redes Neurais Artificiais, Lógica Fuzzy e Sistemas Neuro-Fuzzy. Vinculado ao Centro de Excelência em Energia e Sistemas de Potência (CEESP).

Alzenira da Rosa Abaide possui graduação, mestrado e doutorado em Engenharia Elétrica pela Universidade Federal de Santa Maria (UFSM). Professora vinculada ao Departamento de Eletromecânica e Sistemas de Potência (DESP) e ao Programa de Pós-Graduação em Engenharia Elétrica (PPGEE), da Universidade Federal de Santa Maria (UFSM). Atuou como consultora para a pesquisa e elaboração do documento técnico Redes Elétricas Inteligentes: contexto

nacional para o CGEE e o Ministério de Ciência e Tecnologia e Inovação (MCTI). Desenvolve pesquisas e orienta mestrados e doutorados nas áreas de confiabilidade, planejamento, otimização e operação dos sistemas de distribuição e Smart Grids. Vinculada ao Centro de Excelência em Energia e Sistemas de Potência (CEESP).

Nelson Knak Neto é graduado em Engenharia Elétrica pela Universidade Federal de Santa Maria (UFSM), em Santa Maria, Brasil. Possui Mestrado e Doutorado pelo Programa de Pós-Graduação em Engenharia Elétrica da Universidade Federal de Santa Maria (UFSM). Professor da Universidade Regional Integrada do Alto Uruguai e das Missões (URI), possui experiência em Sistemas Elétricos Potência, com pesquisas desenvolvidas nas áreas de Indicadores de

Qualidade, Confiabilidade, Lógica Fuzzy, Otimização e Planejamento de Expansão dos Sistemas de Distribuição.


Proposal of Multivariate Grid Indexes to the Distribution ... · cumprimento dos limites propostos...

Documents

Transcript of Proposal of Multivariate Grid Indexes to the Distribution ... · cumprimento dos limites propostos...