Inteligência artificial e parametrização matemática aplicadas na melhoria do fluxo de potência continuado

Abstract

A crescente demanda por carga, geração intermitente, restrições econômicas e preocupações ambientais têm levado os sistemas de energia a operar próximo de seus limites máximos, aumentando o risco de instabilidade. A análise da estabilidade estática de tensão requer uma avaliação das condições operacionais em diversas cargas e contingências. O método da continuação torna-se crucial para examinar os efeitos das variações nos parâmetros das linhas, monitorar tensões e sugerir melhorias na rede para evitar interrupções no fornecimento de energia. Publicações recentes refletem um crescente interesse das empresas elétricas, mesmo em melhorias modestas, buscando aprimorar o desempenho em várias análises. No método da continuação, a singularidade da matriz Jacobiana é eliminada pela inclusão de equações parametrizadas nas equações de fluxo de carga. Estudos iniciais indicam a viabilidade de utilizar variáveis globais, como potência ativa e reativa da barra de referência, assim como perdas totais de potência ativa e reativa, para compor equações lineares ou não lineares. Uma abordagem intrigante envolve a utilização de vários planos para mapear integralmente a curva P-V, como o plano formado pelas magnitudes em relação aos ângulos das tensões nodais, somas das tensões ou soma dos ângulos das tensões. Isso resulta em uma trajetória de soluções com um aspecto linear, especialmente próximo ao ponto de máximo carregamento (PMC), eliminando a singularidade. O uso dessas variáveis apresenta benefícios, como modificações mínimas nos programas de Fluxo de Carga e pouco impacto na matriz Jacobiana. Além disso, a aplicação da Inteligência Artificial, bem como as Redes Neurais Artificiais (RNAs) é uma consideração relevante para avaliar a margem de carregamento e atingir o ponto de carga máxima e também obter as perdas totais de potência ativa ou reativa do sistema elétrico. O objetivo deste projeto é continuar a pesquisa com técnicas de parametrização, ao mesmo tempo em que se aprimora a eficácia utilizando Inteligência Artificial na avaliação da margem de carregamento. Isso visa reduzir o tempo computacional, otimizando a obtenção dos valores da margem de carregamento

The growing load demand, economic and environmental restrictions have led energy systems to operate close to the maximum limits, increasing the risk of instability. The analysis of static voltage stability requires evaluation of operating conditions under different loads and contingencies. The continuation method is essential to examine the effects of variations in line parameters, monitor voltages and propose network improvements to avoid interruptions in power supply. Publications reflect the growing interest of electric companies, even in modest improvements, seeking to improve performance in various analyses. In the continuation method, the singularity of the Jacobian matrix is eliminated by including parameterized equations in the power flow equations. Initial studies suggest the feasibility of using global variables, such as real or reactive power of the slack bus, total losses of active and reactive power, to compose the line or nonlinear equations. Another very attractive idea is to use several plans for the complete design of the P-V curve, such as the plane formed by the magnitudes versus the angles of nodal voltages. This result in a trajectory of solutions with a linear aspect, particularly close to the maximum loading point (MLP), eliminating the singularity. Using these variables has benefits such as minimal modifications to Load Flow programs and little impact on the Jacobian matrix. Furthermore, the application of Artificial Neural Networks (ANNs) is a relevant consideration to evaluate the loading margin and reach the maximum loading point, and also obtain the total active or reactive power losses in electrical systems. The purpose of this project is to continue the research with parameterization techniques and, at the same time, improve the efficiency using Artificial Intelligence in the evaluation of the loading margin. This seeks to reduce computational time, while optimizing the obtaining of loading margin values.