[pt] O cálculo do fluxo de potência em uma rede elétrica consiste em determinar o estado da rede, os fluxos e perdas elétricas nas linhas e as perdas internas totais no sistema. Nesse tipo de problema, a modelagem do sistema é estática e a rede é representada por um conjunto de equações e inequações algébricas.
Diferentes métodos de solução foram propostos na literatura para realizar cálculos de fluxo de potência. No entanto, para redes de distribuição, esses métodos devem ser capazes de modelar, com detalhes suficientes, algumas características únicas desses sistemas, como sua estrutura quase radial, a
natureza desequilibrada das cargas e a inserção de geradores distribuídos. Além disso, a modelagem do padrão de consumo nos sistemas de distribuição é mais complexa e os parâmetros das linhas são mais difíceis de serem obtidos, quando comparados com o sistema de transmissão. Portanto, a aplicação de métodos tradicionais para cálculos de fluxo de potência em redes de distribuição pode levar a soluções divergentes. Nesse contexto, o presente trabalho propõe uma nova abordagem para cálculos de fluxo de potência em sistemas de distribuição, baseada em Machine Learning. Os modelos propostos utilizam
Redes Neurais Artificiais (RNAs) para prever as perdas ativas internas de uma rede de distribuição e os fluxos de potência nas fronteiras com o sistema de transmissão. Simulações numéricas demonstram o desempenho eficiente da abordagem proposta, além de suas vantagens computacionais em relação aos
softwares normalmente utilizados nesse tipo de estudo pois, uma vez treinadas, as RNAs podem aproximar, de modo extremamente rápido, cálculos de fluxo de potência, já que apenas operações matriciais são realizadas. Além disso, o trabalho apresenta uma aplicação da metodologia proposta: as previsões,
obtidas pela RNA, para os fluxos nas fronteiras com a rede de transmissão foram utilizadas para gerar contratos ótimos de demanda para um sistema de distribuição real no Brasil. / [en] The power flow calculation on an electric network consists of determining the network s state, power flows and electrical losses on the lines, and total losses on the feeder. In this type of problem, the system s modeling is static, and the network is represented by a set of algebraic equations and inequations. Different solution methods were proposed in the literature to perform power flow calculations. However, for distribution networks, these methods must be able to model, with sufficient details, some unique features of these systems, such as their near radial structure, the unbalanced nature of the loads, and distributed
generators insertion. Besides that, modeling the consumption pattern in distribution systems is more complex, and the line parameters are more difficult to be obtained when compared to the transmission system. Hence, applying traditional methods for power flow calculations in distribution networks may
lead to divergent solutions. Within this context, this work proposes a new approach for power flow calculations in distribution systems based on Machine Learning. The proposed models use Artificial Neural Networks (ANNs) to predict the active internal losses of a distribution network and the power
flows at the borders with the transmission system. Numerical simulations demonstrate the effective performance of the proposed approach, as well as its computational advantages over benchmark software programs since, once trained, ANNs can approximate power flow calculations extremely fast, as only
matrix operations are needed. Moreover, the work presents an application of the ANN methodology proposed: predictions of the flows at the borders with the transmission network were used to generate optimal demand contracts for a real distribution system in Brazil.
| Identifer | oai:union.ndltd.org:puc-rio.br/oai:MAXWELL.puc-rio.br:54970 |
| Date | 23 September 2021 |
| Creators | MARIANA DE ARAGAO RIBEIRO RODRIGUES |
| Contributors | ALEXANDRE STREET DE AGUIAR |
| Publisher | MAXWELL |
| Source Sets | PUC Rio |
| Language | English |
| Detected Language | English |
| Type | TEXTO |
Page generated in 0.0025 seconds