Please use this identifier to cite or link to this item: http://repositorio.unicamp.br/jspui/handle/REPOSIP/259987
Type: TESE
Title: Controle integrado de tensão e potência reativa através de aprendizado de máquina
Title Alternative: Integrated voltage and reactive power control using machine learning
Author: Pinto, Adriano Costa, 1989-
Advisor: Freitas Filho, Walmir de, 1971-
Filho, Walmir de Freitas
Abstract: Resumo: A crescente demanda por energia elétrica, por vezes em ritmo mais acelerado que os investimentos em expansão das redes de distribuição, tem levado as distribuidoras a operarem próximo aos limites aceitáveis, o que torna toda a operação da rede mais complexa. Um dos desafios atuais é estabelecer um efetivo controle de tensão e potência reativa (Volt/var) na rede buscando melhorar o nível de operação e de eficiência energética da rede. Muitas propostas para encontrar a solução do problema partiram de uma abordagem de forma desacoplada: o controle de tensão e o controle de potência reativa foram resolvidos separadamente. Neste trabalho, porém, foram estudados métodos de solução do problema visando à segurança da operação e à otimização global dos recursos da rede de modo integrado, ou seja, considerando a dependência entre tensão e potência reativa. Na literatura, grande parte dos trabalhos reportam soluções baseadas em modelos elétricos da rede de distribuição. Os métodos estudados nessa dissertação são baseados em técnicas de aprendizado de máquina com o objetivo de construir um modelo capaz de utilizar apenas as medições de tensão e corrente provenientes dos medidores instalados ao longo da rede e obter o melhor despacho dos ajustes dos dispositivos de controle, sem a necessidade de um modelo elétrico do sistema. A grande vantagem de não depender dos dados e modelo elétrico do sistema está associada às imprecisões tipicamente existentes na base de dados elétricos das concessionárias de distribuição de energia elétrica. Neste contexto, primeiramente, propõe-se o uso de aprendizado por reforço, no qual o agente interage com a rede enquanto acumula experiência de operação dos controles. A implementação através do algoritmo Q-Learning permite a construção de um operador virtual da rede de distribuição a partir dos dados provenientes dos medidores instalados em determinadas barras do sistema, dos quais é extraído o estado corrente da condição de carregamento da rede. Os principais aspectos da aplicação do método ao problema de controle integrado de tensão e potência reativa são simulados em redes típicas e as capacidades de aplicação prática ao cenário atual do sistema elétrico são discutidas. Em uma segunda etapa, propõe-se utilizar um algoritmo de aprendizado supervisionado através de Máquinas de Vetores de Suporte (em inglês, Support Vector Machine ¿ SVM), uma técnica eficientemente aplicada a problemas de mineração de dados. O modelo é implementado através de técnicas de classificação, que extraem características relevantes nos conjuntos de dados, a fim de otimizar a operação da rede para cada condição de carregamento, eliminando a necessidade de repetir o treinamento do modelo ou calcular uma nova solução do problema de otimização a cada novo cenário. Discute-se o desempenho do método baseado em SVM para diferentes características de entrada. Investiga-se ainda a generalização do modelo proposto na presença de ruídos nos dados e no caso de reconfiguração da rede. Estudos em sistemas típicos de distribuição mostram que o método proposto é eficiente na solução de problemas práticos do dia-a-dia das concessionárias, principalmente em ambientes com grande volume de dados

Abstract: The growing demand for electricity, sometimes at a faster rate than investments in distribution network expansion, has led utilities operating close to acceptable limits, which makes the network operation more complex. One of current challenges is to establish an effective voltage and reactive power control, improving the operation as well as the efficiency of the distribution network. There are many methods reported to find a solutions for the voltage and reactive power problem. Most of them have adopted a decoupled form, solving the voltage control and reactive power (Volt/var) control separately. However, in this work, methods for the problem solution aiming the operation safety and the global assets optimization are approached in an integrated fashion, i. e., considering the dependence between voltage and reactive power. Most papers reports solution based on electrical models of distribution network. In this dissertation, the methods studied are based on machine learning techniques aiming to build a model with directly power meter data using capability, and set optimal dispatch of controls devices adjustments, without the need of an electrical model of the system and, therefore, not susceptible to inaccuracies of the model of the distribution network under study. Firstly, it proposes a reinforcement learning use, in which the agent interacts with the network while earns control operating experience. The implementation, thought de Q-Learning algorithm allows a construction of a distribution network virtual operation from data obtained from the meters installed on buses. From the meter data, is extracted the current state of the network loading condition. The main aspects of the application of the method to the integrated voltage and reactive power control are simulated in a typical network and the possibilities of practical application in the current scenario of the electrical system are discussed. In a second step, an algorithm for supervised learning via the Support Vector Machine (SVM), a technique applied efficiently to problems in data mining is proposed. The model is implemented by classification techniques, extracting relevant features in the data sets from the power meters in order to optimize the operation of the network for each loading condition. Thus it eliminates the need to retraining model or calculating a new optimization problem solution for each new scenario. Discusses the performance based on different features for SVM model input. Also the generalization capabilities of the proposed model in the presence of noise and in the case of network reconfiguration are studied. Studies in typical distribution systems show that proposed method is a good candidate to solve the practical problem of the system, especially in large networks with large amounts of data
Subject: Sistemas de energia elétrica - Distribuição
Sistemas de energia elétrica - Controle
Aprendizado de máquina
Maquina de vetores de suporte
Editor: [s.n.]
Date Issue: 2015
Appears in Collections:FEEC - Dissertação e Tese

Files in This Item:
File SizeFormat 
Pinto_AdrianoCosta_M.pdf2.02 MBAdobe PDFView/Open


Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.