UNIFEI - Campus 1: Itajubá PPG - Programas de Pós Graduação Dissertações
Use este identificador para citar ou linkar para este item: https://repositorio.unifei.edu.br/jspui/handle/123456789/2262
Tipo: Dissertação
Título: Determinação das condições operativas de microredes baseada em redes neurais
Autor(es): MONTEIRO, Luiz Fernando Ribas
Primeiro Orientador: FERREIRA, Luis Henrique de Carvalho
Resumo: O aumento da inserção de geração renovável, principalmente eólica e solar, traz novos desafios para o planejamento e operação de sistemas elétrico de potência devido à sua dependência de condições climáticas. Nesta perspectiva, esta dissertação tem o objetivo de propor uma metodologia com base em Redes Neurais Artificiais (ANN) de reconhecimento de padrão e mapa auto organizável para auxiliar no planejamento e operação do sistema de potência. Neste contexto, as condições operacionais que podem levar o sistema à violação dos limites de tensão podem ser identificadas possibilitando a realização de ações de controle corretivas. Além disso, a abordagem proposta é capaz de identificar a unidade específica responsável por conduzir o sistema a uma condição operativa insatisfatória. Para isso, a metodologia é testada em uma microrrede representada pelo sistema IEEE 34-barras trifásico desequilibrado modificado, considerando o emprego de geração eólica e solar. O conjunto de dados de condições operativas satisfatórias e insatisfatórias são obtidos empregando a simulação de Monte Carlo. Para este propósito, o fluxo de potência por varredura backward-forward é empregado. Em seguida esses dados são fornecidos às ANNs para treinamento, validação e teste. Os resultados obtidos indicam uma metodologia robusta capaz de auxiliar na tomada de decisão e determinar ações de controle durante a operação do sistema com alta inserção de renováveis evitando assim sobretensões.
Abstract: The increased insertion of renewable generation, mainly wind and solar, brings new challenges for the planning and operation of electric power systems due to its dependence on climatic conditions. In this perspective, this dissertation aims to propose a methodology based on Artificial Neural Networks (ANN) for pattern recognition and a self-organizing map to assist in the planning and operation of the power system. In this context, the operational conditions that can lead the system to breach of voltage limits can be identified, enabling corrective control actions to be carried out. In addition, the proposed approach is able to identify the specific unit responsible for driving the system to an unsatisfactory operating condition. For this, the methodology is tested in a microgrid represented by the modified unbalanced three-phase IEEE 34-bus system, considering the use of wind and solar generation. The data set of satisfactory and unsatisfactory operating conditions are obtained using the Monte Carlo simulation. For this purpose, the backward-forward scan power flow is employed. These data are then provided to ANNs for training, validation and testing. The results obtained indicate a robust methodology capable of assisting in decision making and determining control actions during the operation of the system with high insertion of renewables, thus avoiding overvoltages.
Palavras-chave: ANN
Geração renovável
Planejamento
Operação do sistema de potência
Limites de tensão
CNPq: CNPQ::ENGENHARIAS::ENGENHARIA ELÉTRICA
Idioma: por
País: Brasil
Editor: Universidade Federal de Itajubá
Sigla da Instituição: UNIFEI
metadata.dc.publisher.department: IESTI - Instituto de Engenharia de Sistemas e Tecnologia da Informação
metadata.dc.publisher.program: Programa de Pós-Graduação: Mestrado - Engenharia Elétrica
Tipo de Acesso: Acesso Aberto
URI: https://repositorio.unifei.edu.br/jspui/handle/123456789/2262
Data do documento: 18-Dez-2020
Aparece nas coleções:Dissertações

Arquivos associados a este item:
Arquivo Descrição TamanhoFormato 
Dissertação_2021001.pdf3.1 MBAdobe PDFVisualizar/Abrir


Os itens no repositório estão protegidos por copyright, com todos os direitos reservados, salvo quando é indicado o contrário.