Otimização de sistemas híbridos de geração de energia solar-eólico-diesel através de métodos metaheurísticos e função multiobjetivo

Abstract

Sistemas Híbridos de Geração de Energia (SHGE) baseados em fontes renováveis, quando dimensionados de forma correta, apresentam menor custo de energia gerada, maior confiabilidade no fornecimento de energia, além de benefícios ambientais, comparados a sistemas baseados em uma única fonte renovável ou em fontes tradicionais de geração. No entanto, o dimensionamento deste tipo de sistema apresenta-se como uma tarefa complexa, devido à variabilidade dos recursos renováveis e da demanda de energia, além das caraterísticas não lineares de alguns dos seus componentes e a alta interação entre as variáveis do sistema. No presente trabalho propõe-se um método de otimização baseado em simulação para o dimensionamento de SHGE considerando a presença de incertezas nas variáveis de entrada. O método proposto permite dimensionar o sistema considerando aspectos econômicos, de confiabilidade e ambientais como critério de otimização, e incorporar incertezas na disponibilidade dos recursos renováveis, na demanda de energia e na indisponibilidade dos componentes sujeitos a falha. A otimização é feita por meio da metaheurística de Algoritmos Genéticos. O método de amostragem de Hipercubo Latino (LHS – Latin Hypercube Sampling) é utilizado para gerar os cenários de incerteza nos recursos renováveis e na demanda, enquanto que Simulação de Monte Carlo é empregada para gerar históricos de operação dos componentes do sistema. A metodologia de otimização baseada em simulação é aplicada a um caso de estudo mostrando resultados satisfatórios. A abordagem apresenta-se especialmente útil em situações onde é necessário dimensionar um sistema de forma ótima e robusta. No entanto, devido ao alto custo computacional que implica a aplicação do método, sugere-se realizar uma simulação probabilística prévia para explorar a sensibilidade das soluções obtidas com o algoritmo de otimização determinístico. Caso a média das soluções determinísticas sob incerteza ultrapasse as restrições impostas pelo usuário, justifica-se aplicar a otimização probabilística.

When properly design, Hybrid Power Systems (HPS) based on renewable sources, present technical, economic and environmental benefits when compared to single source-based renewable power systems or traditional source-based power systems. Nonetheless, the optimal design of HPS is a daunting task, due to the stochastic behavior of the renewable resources availability and the demand to be met, the non-linear characteristic of some of the components and the high interaction between the system variables. This study proposes a simulation-based optimization approach for dimensioning HPS considering uncertainties in the input variables. The proposed methodology allows to optimal design the system considering economic, reliability and environmental criteria, while incorporating the presence of uncertainty related to the renewable resources availability, the power demand, and the availability of the components subjected to failure. The optimization is performed by means of Genetic Algorithms. The Latin Hypercube Sampling method is used to generate uncertainty scenarios related to the renewable resources and the load, while Monte Carlo simulation is employed to generate chronological system state transition process for each component of the system. The proposed methodology was applied in a case study showing satisfactory results. The simulation-based optimization approach is especially useful for dimensioning hybrid power systems that require both optimality and robustness. However, due to the method being computational intensive, it is suggested to perform a probabilistic simulation on the solutions obtained by the deterministic algorithm, in order to explore its sensitivity in the presence of uncertainty. If the average objective value of the deterministic solutions simulated under uncertainty exceeds the restrictions imposed by the user, then the increased cost of computing the probabilistic optimization is warranted.