Embed Size (px)
Citation preview
XXII Seminário Nacional de Distribuição de Energia Elétrica
SENDI 2016 - 07 a 10 de novembro
Curitiba - PR - Brasil
Daniel Pinheiro Bernardon Universidade Federal de Santa Maria [email protected]
Nelson Knak Neto Universidade Federal de Santa Maria [email protected]
Vinicius Jacques Garcia Universidade Federal de Santa Maria [email protected]
MARCIO DE ABREU ANTUNES CEEE Distribuição [email protected]
Donorvan Rodrigo Fagundes Aes Sul Distribuidora Gaúcha de Energia [email protected]
Denis Garcia Kroeff Aes Sul Distribuidora Gaúcha de Energia [email protected]
Eduardo Lehnhart Vargas Aes Sul Distribuidora Gaúcha de Energia [email protected]
Roberto Andre Pressi Aes Sul Distribuidora Gaúcha de Energia [email protected]
Eduardo da Silva Martins [email protected]
Santos Pedrozo Viana [email protected]
Planejamento de Sistemas de Distribuição Considerando a Realidade de Redes Elétricas Inteligentes e Geração
Distribuída
Palavras-chave
Automação
Diagnóstico de Redes
Geração Distribuída
Planejamento da Expansão
Redes Elétricas Inteligentes
Sistemas de Distribuição
Resumo
Os sistemas de distribuição estão passando por uma revolução devido às mudanças tecnológicas e regulatórias
que gradualmente estão fazendo parte dos setores de planejamento e operação das distribuidoras. Esta nova
concepção do sistema elétrico ocorre sob a ótica das Redes Elétricas Inteligentes (REI), caracterizando-se por
integrar uma série de tecnologias, metodologias e procedimentos, tendo impacto direto nos sistemas de
informação, comunicação, medição, automação e geração distribuída. Como principais benefícios têm-se um
melhor gerenciamento dos sistemas, redução de consumo de energia, de perdas, de custos de operação e
manutenção, adequação tarifária, entre outros. Isto deverá provocar mudanças significativas nas técnicas
tradicionais de planejamento da expansão dos sistemas que deverão contemplar esta nova realidade e,
consequente, regulamentação. Este projeto propõe o desenvolvimento de uma tecnologia inovadora: PSM –
Planning Smart Management,
1/12
criando uma nova concepção de estudos de planejamento para sistemas de distribuição.
1. Introdução
O planejamento de um sistema de distribuição pode ser considerado um processo sistematizado de estudos elétricos,
ambientais e econômicos que visam estabelecer a alocação ótima de recursos, de modo que sejam atingidos
determinados objetivos. Dessa forma, o objetivo primordial desses estudos está centrado na obtenção de uma
sequência de melhorias que garantam o atendimento aos requisitos de qualidade e continuidade de serviço, envolvendo
um esforço financeiro considerado factível. Essas alternativas de solução podem ser a construção ou adequação de
subestações, construção de circuitos, a substituição de condutores e a instalação de equipamentos, por exemplo.
Recentemente, devido às mudanças de mercado, o planejamento dos sistemas de distribuição se tornou um tema de
maior importância. Essas mudanças têm foco na busca de soluções alternativas através da inserção de novas
tecnologias no sistema de distribuição, as quais são provenientes das Redes Elétricas Inteligentes (REI), permitindo uma
maior integração da Geração Distribuída (GD), em média e baixa tensão, e de técnicas associadas ao gerenciamento de
carga (RAVADANEGH et al., 2014).
Essa mudança de paradigmas deve possibilitar a superação de diversas limitações econômicas e técnicas associadas
aos sistemas de distribuição de energia elétrica, porém deve trazer consigo uma série de novos desafios.
A partir da aplicação das tecnologias associadas as redes inteligentes, tais como comunicação, medição e a uma
infraestrutura automatizada de operação, os sistemas de distribuição devem apresentar maiores níveis de flexibilidade,
versatilidade, confiabilidade, resiliência e observabilidade (SIOSHANSI, 2011). Entretanto, haverá aumento da
complexidade das análises desse sistema, uma vez que seu comportamento passa a ser dinâmico e adaptativo, tendo
sua configuração alterada de acordo com o comportamento das cargas (RAVADANEGH et al., 2014). Já a inserção de
geração de energia em redes inicialmente concebidas para acomodar apenas cargas, pode ter efeitos positivos e
negativos, o que pode tornar ainda mais complexo o problema de planejamento dos sistemas de distribuição (MACIEL,
2012). Diante do exposto faz-se necessário desenvolver metodologias e ferramentas que permitam estudar esses novos
cenários envolvidos de forma integrada e otimizada.
Considerando essas premissas, neste trabalho é proposta uma metodologia capaz de avaliar e determinar,
automaticamente, as soluções para a expansão dos sistemas de distribuição a partir de diferentes cenários e horizontes
de planejamento, baseando-se em dados históricos e em tempo real do sistema, e considerando as funcionalidades e
impactos das redes elétricas inteligentes, como a geração distribuída em baixa tensão, as tarifas horárias e veículos
elétricos. A metodologia será incorporada em uma plataforma computacional denominada de PSM - Planning Smart
Management.
A Figura 1 ilustra a visão geral do sistema proposto:
2/12
Figura 1 - Visão geral do sistema proposto.
2. Desenvolvimento
2.1 Impactos das REI no Planejamento dos Sistemas de Distribuição
Atualmente os consumidores de energia elétrica, especialmente residenciais e comerciais de pequeno porte, tem uma
única função no sistema: consumir energia. Um dos grandes impactos esperados a partir das REI, além de toda a
modernização do sistema, é a mudança de perfil desses consumidores, os quais passam a desempenhar um papel mais
ativo dentro do sistema (MALLET et al., 2014). Essa mudança é fundamentada em dois importantes aspectos.
Primeiramente, há uma mudança no mercado de energia, ao possibilitar que esse consumidor opte por tarifas horárias e
assim, gerencie de forma proativa seu consumo de energia. Além disso, há a questão da geração distribuída em baixa
tensão, que também altera o comportamento do consumidor. Ou seja, ambos os casos trazem impacto para o sistema e
da mesma forma para o planejamento da expansão (SANTOS, 2014). Há ainda a questão dos veículos elétricos,
também chamados cargas móveis. Devido às suas baterias, os veículos elétricos se caracterizam tanto como uma carga
do sistema, quanto uma fonte de energia, uma vez que há a possibilidade de se utilizar a energia armazenada (MALLET
et al., 2014).
Assim, a projeção de cenários com impacto de funcionalidades das redes inteligentes para o planejamento da expansão
deve ser focada em como e quanto cada funcionalidade vai impactar no perfil de consumo de energia de cada
consumidor.
2.2 Projeção de Cenários de Expansão das Redes de Distribuição
Tradicionalmente, aplica-se taxas de crescimento com base em registros históricos para projetar horizontes de expansão
das redes de distribuição, mantendo-se o mesmo comportamento das curvas de carga.
A proposta deste trabalho é projetar o crescimento das cargas também considerando características inerentes as REI
como fatores influenciadores na mudança do perfil de consumo de energia. Nesse contexto, é proposto um sistema fuzzy
de quatro variáveis que avalia de forma integrada esse impacto.
É considerado o impacto de três variáveis nas curvas típicas: Capacidade de GD disponível, Abrangência de Tarifas
Horárias e Abrangência de Veículos Elétricos. Ao estabelecer uma relação entre as variáveis de entrada, espera-se
mensurar o impacto dessas tecnologias no comportamento da carga, obtendo-se assim um ajuste a ser aplicado a
própria curva de carga de um grupo de consumidores.
A Figura 2 apresenta a estrutura do sistema proposto.
3/12
Figura 2 - Sistema fuzzy para estimação da curva típica do consumidor.
A seguir são detalhadas as variáveis consideradas no controlador fuzzy.
2.2.1 Curva Típica
As curvas típicas usualmente expressam o comportamento da carga de diferentes grupos de consumidores. Sua
principal característica é o seu formato e é por isso que são normalizadas. Dessa forma, apenas reproduzem a variação
do consumo de energia para um período especificado, geralmente um dia, e não considera a magnitude da carga. Ao
inserir a própria curva típica na avaliação fuzzy, busca-se inserir um norteador para o ajuste, identificando os horários de
maior e menor carregamento.
2.2.2 Capacidade de GD Disponível
Há diversos trabalhos discutindo o seu ótimo dimensionamento e alocação no sistema (BARIN et al., 2007), (MORADI
et al., 2012) e (KAYAL et al., 2013). Entretanto, a maioria deles tem foco na aplicação da GD em MT e apenas em
horário de ponta, seja para melhorar níveis de tensão e confiabilidade ou para melhorar a capacidade da rede. Ao se
considerar a GD em BT, deve ser adicionado o fator de interesse do consumidor em gerar energia e a própria
disponibilidade de geração do sistema. Esses fatores elevam as incertezas em relação a previsão de carregamento,
assim como aumentam a complexidade das análises (KARIMYAN, 2014). No sistema fuzzy proposto, a GD conectada
ao consumidor em BT é vista sob o ponto do sistema. Isso significa que é considerada a sua abrangência em relação ao
sistema analisado, visando mensurar sua força para aumentar ou reduzir o consumo de energia e assim mudar o perfil
de carga do consumidor. Assim, para modelar o impacto da GD em BT sobre o Sistema, deve ser considerada a
capacidade total de geração disponível e a sua respectiva disponibilidade para cada hora do dia, além da demanda
média do sistema associada ao grupo de consumidores para cada hora do dia. Considerando as dimensões
características de GD em BT, modelos PQ são considerados suficientes, assumindo GD como uma carga negativa.
2.2.3 Abrangência de Tarifa Branca
A Tarifa Branca, como é chamada, apresenta três postos tarifários ao longo do dia: fora ponta, intermediário e ponta. Ao
propor tarifas mais caras em horários de ponta do sistema, essa visa estimular o gerenciamento de demanda pelos
consumidores, deslocando o consumo de energia para horários fora de ponta do sistema. Em um cenário em que a tarifa
branca é opcional, conforme previsto pela regulamentação da ANEEL, deve haver um grande incentivo para que o
consumidor migre para a tarifação horária (FIGUEIRO et al., 2013). Essa característica traz uma série de incertezas para
o estudo de planejamento de sistemas de distribuição, uma vez que é possível apenas estimar qual será o
comportamento do consumidor perante a esse tipo de tarifação (FIGUEIRO et al., 2013) e (NETO et al., 2014). Assim,
para modelar o impacto da Tarifa Branca sobre o sistema, considera-se a sua abrangência em relação ao total de
consumidores desse sistema, estimando assim a tendência a mudança de perfil, ao assumir que a adesão a essa
tarifação está associada a mudança de comportamento no consumo de energia.
2.2.4 Abrangênca de Veículo Elétrico
Basicamente, o conceito de carga atribuído ao veículo elétrico incorpora tanto as características de uma fonte de energia
4/12
descentralizada (DER) quanto de uma carga de grande porte. Isso significa que em alguns períodos do dia o VE deve
consumir energia do sistema ou de GD para carregar suas baterias e em outros períodos deve operar como uma DER,
suprindo energia para o sistema (MALLET et al., 2014).. Logo, cenários de planejamento que levam em conta aspectos
de REI, devem estimar o impacto dos mesmos sobre as curvas típicas. Para isso, devem ser consideradas
características tais como: o número de veículos a suas respectivas capacidades de armazenamento e consumo de
energia, a disponibilidade de operar como DER ou apenas como carga e também o número de pontos de carregamento
disponíveis. Assim, de modo geral, espera-se um comportamento misto que integre tanto características de GD como
das tarifas horárias. Em outras palavras, o VE pode ser considerado uma carga negativa do sistema e também como
fator de deslocamento de consumo para horários fora de ponta (CARDENAS, 2013), sendo esses atributos considerados
na modelagem da variável fuzzy.
2.2.5 Análise de Comportamento
Para a análise desse sistema, é considerado o grupo de consumidores residenciais com faixa de consumo entre 0 e
100kWh, para o qual é estabelecido uma curva típica de consumo conforme a Figura 3.
Figura 3 - Curva típica para consumidor residencial (0 a 100 kWh).
São apresentadas três hipóteses para Capacidade de GD, Abrangência de TB e Abrangência de VE, de forma a
caracterizar um cenário de Baixa, um de Média e um de Alta influência dessas variáveis. A Tabela 1 apresenta os
respectivos valores estabelecidos para cada uma das variáveis.
Tabela 1– Variáveis para estimação do comportamento de cargas.
Como hipótese simplificadora, a Capacidade de GD disponível foi considerada constante ao longo do dia para todos os
cenários. As Figuras 4, 5 e 6 apresentam os resultados para os respectivos cenários.
5/12
Figura 4 - Nova Curva Típica para Cenário 1.
Figura 5 - Nova Curva Típica para Cenário 2.
Figura 6 - Nova Curva Típica para o Cenário 3.
6/12
De modo geral, todos os cenários trouxeram mudanças no comportamento do consumidor. É possível notar que a
medida em que aumenta a integração dessas novas tecnologias o comportamento do consumidor vai ficando ainda mais
distinto. Enquanto há uma redução de demanda no horário de ponta, nos horários fora-ponta houve aumento na
demanda de forma generalizada. Pode-se perceber a formação de um novo pico de demanda entre 21h e 22h, no caso
dos Cenário 2 e 3. No Cenário 3, com uma influência muito forte das três características, há uma mudança drástica no
perfil de demanda desse grupo de consumidores. É caracterizado um novo pico de consumo, deslocado do horário de
Ponta para aproximadamente 22h, atingindo 1 pu. Durante o horário de ponta, no qual a tarifa é mais cara, há grande
redução, aproximando-se de 0,3 pu. Nos demais períodos fora de ponta, há um aumento de demanda generalizado.
2.3 Soluções de Planejamento
O sistema indicará de forma automática as soluções de planejamento para as violações das restrições técnicas de
carregamento e de níveis de tensão para o horizonte de expansão dos sistemas de distribuição.
A seguir são apresentados de forma simplificada os principais métodos implementados:
2.3.1 Contrução de Rede Nova
No caso de construção de rede nova o usuário indicará o trajeto da mesma, podendo ser nova subestação, novo
alimentador ou interligação de alimentadores. A indicação se faz necessária pela complexidade de se modelar em
função da grande quantidade de variáveis envolvidas.
Após a indicação da rede, o algoritmo define a nova configuração da topologia das redes de distribuição. Para tanto, é
proposta uma técnica heurística de otimização que adota uma função objetivo (FO) composta pela minimização de três
indicadores, representados por: (i) Perdas de energia na rede primária para a nova configuração; (ii) Frequência
Equivalente de Interrupção Esperada por Consumidor e (iii) Energia Não Suprida Esperada.
A Equação 1 ilustra a FO, que deve respeitar as restrições técnicas definidas na Equação 2:
(1)
Sujeito a:
(2)
Onde “*” representa valores normalizados; p1...p3 são os pesos dos critérios para adequar a prioridade de otimização; I
Kmáx é a corrente (A) máxima admissível do equipamento ou condutor no ramo “k”; VK é a tensão (V) dentro da faixa de
valores de tensão admissíveis em cada nó da rede; PGDn é a potência ativa (kW) fornecida pelo gerador distribuído n.
Os valores de Pmín e Pmáx dependem da tecnologia de GD considerada.
Além destas restrições o sistema deve sempre manter a radialidade dos alimentadores após a reconfiguração e não
deve permitir a operação ilhada das unidades de GD. A verificação das condições de restrição e cálculo das perdas é
realizada pelo algoritmo de fluxo de potência com GD (KERSTING, 1976) e (ZHANG et al., 2009). Já o cálculo dos
indicadores de confiabilidade FECesp e ENSesp é obtido a partir das equações de confiabilidade para estes indicadores
durante o processo de fluxo de potência (BROWN, 2009).
Os indicadores da função objetivo são julgados de acordo com o conceito de modelagem de preferência, definido pelo
7/12
método de tomada de decisão AHP - Analytic Hierarchy Process, desenvolvido por Saaty (SAATY, 1980). O método tem
como premissa o julgamento e a conversão dos critérios em pesos, afim de que se possa adequar à prioridade que cada
critério tem sobre o outro. Em (PFITSCHER et al., 2013) é apresentado o detalhamento do método e os cálculos para
definição dos pesos dos critérios: Perdasespigual a 0,64; FECesp igual a 0,26 e ENSesp igual a 0,10.
Para escolha das topologias e avaliação de seus respectivos impactos na função objetivo e restrições, aplica-se um
método de otimização baseado na técnica heurística Branch-Exchange, que executa sucessivas alterações na
configuração da rede, conforme detalhado em (BERNARDON et al., 2014).
2.3.2 Complemento de Fase
No caso de complementação de fase, será considerado o mesmo trajeto e bitola da rede existente, realizando a sua
complementação para rede trifásica. As cargas serão balanceadas entre as fases, ocasionando redução de
carregamento e melhoria dos níveis de tensão por fase.
2.3.3 Reforço de Rede
No caso de reforço de rede, também será considerado o mesmo trajeto da rede existente, alterando o tipo de condutor
para um de bitola superior que atenda aos requisitos mínimos de carregamento e níveis de tensão definidos.
2.3.4 Deslocamento de Equipamentos Especiais
Será verificada a possibilidade de adequação dos níveis de tensão da rede com o deslocamento de equipamentos
especiais existentes, tais como: reguladores de tensão e bancos de capacitores.
2.3.5 Alocação de Reguladores de Tensão
A alocação dos reguladores de tensão será na rede tronco, respeitando o limite do número de reguladores em série. O
mesmo será instalado no ponto da rede tronco que atingir o valor de nível de tensão estipulado em 0,93 pu,
coordenando com os demais reguladores da rede, se for o caso. Também será considerado o número de consumidores
a jusante, visando beneficiar o maior número possível.
2.3.6 Alocação de Bancos de Capacitores
Os bancos de capacitores serão instalados no centro de cargas reativas, respeitando o limite do número e potência de
bancos de capacitores. Preferencialmente, os mesmos serão instalados na rede tronco, podendo segmentar a rede em
mais de um centro de carga.
O processo para localização do centro de carga é definido pelo cálculo do baricentro dos pontos considerados como de
carga puntiforme e correspondentes à potência reativa demandada, com suas respectivas coordenadas. Depois de
calculado o centro de carga reativa, é verificado o ponto da rede tronco mais próximo por distância Euclidiana.
2.3.7 Alocação de Geração Distribuída
Como solução de planejamento também é analisada a alocação de geração de distribuída na média tensão. Para tanto,
é considerado o tipo de tecnologia de geração distribuída mais indicado para cada região da AES Sul bem como a
disponibilidade dos recursos naturais (combustível).
De forma análoga ao banco de capacitor, a estratégia de alocação leva em consideração o centro de carga ativa, bem
como a potência necessária para adequar as redes.
8/12
2.3.8 Alocação de Equipamentos Automatizados
O objetivo principal do algoritmo de otimização é encontrar a melhor localização, nas redes de distribuição, para
alocação do conjunto de chaves telecomandas (troncal e interligação). Para tanto, será considerada a solução que
apresentar um maior ganho para a confiabilidade dos sistemas, considerando os indicadores de continuidade do
fornecimento de energia elétrica (valor esperado de energia elétrica não suprida, número esperado de consumidores
sem fornecimento de energia elétrica ou número esperado de consumidores-hora sem energia elétrica). A obtenção
destes indicadores pode ser realizada por meio da Matriz Lógico Estrutural - MLE (POPOV et al., 2004).
Para construção da Matriz Lógico-Estrutural (MLE), são necessários os seguintes dados de entrada:
taxa de falhas anual (?);
tempo médio de restabelecimento (TR);
número de consumidores atendidos pelos transformadores de distribuição e consumidores primários (N);
carga, potência ativa, dos transformadores de distribuição e consumidores primários (L).
Ressalta-se que o tempo de restabelecimento é composto por:
tempo de espera (TE);
tempo de deslocamento (TD);
tempo de serviço (TS).
2.4 Priorização das Obras
Depois de se projetar a expansão dos sistemas de distribuição e definir as soluções de planejamento para adequar as
restrições técnicas apresentadas, é necessário definir a relação de obras no horizonte de estudo.
Para tanto, são seguidas as seguintes diretrizes:
horizonte de estudos de 5 anos;
restrições técnicas de carregamento e de níveis de tensão;
estudos por patamar de carga;
as soluções de planejamento são propostas para o ano crítico - Ano 5;
as obras devem ser planejadas para entrarem em operação no ano anterior em que ocorrer a superação dos
critérios técnicos;
cada solução proposta deve atender a critérios técnicos mínimos;
a priorização das obras será anual considerando seus custos e benefícios econômicos em valores presentes,
bem como a performance e criticidade atual da rede, aplicando o método AHP.
2.5 Resultados Práticos da Plataforma PSM
As metodologias propostas foram implementadas na plataforma computacional PSM – Planning Smart Management,
que é desenvolvida em Java usando a API do Google Maps.
A Figura 7 ilustra a tela de execução do programa PSM com a representação da topologia da rede da AES Sul:
9/12
Figura 7 – Tela do PSM com a rede de distribuição de um alimentador da AES Sul.
Já a Figura 8 mostra os resultados do estudo de diagnóstico para esta rede, considerando os cenários de expansão
convencional e com a alteração da curva de carga para parte dos consumidores em função da influência de geração
distribuída em baixa tensão.
(a)
(b)
10/12
Figura 8 – Diagnóstico das redes de distribuição (a) cenário convencional (b) cenário com influência das redes elétricas
inteligentes.
E a Figura 9 ilustra um exemplo de solução de obras indicadas automaticamente pelo PSM para uma rede de
distribuição com problemas de carregamento e níveis de tensão:
Figura 9 – Indicação de obras realizada pelo PSM.
3. Conclusões
Este trabalho apresentou uma nova metodologia para planejamento dos sistemas de distribuição, propondo o
desenvolvimento de uma plataforma computacional, PSM – Planning Smart Management. A arquitetura proposta do
sistema é inovadora, incluindo as funcionalidades e impactos das redes elétricas inteligentes nos estudos de
planejamento da expansão.
Os resultados são promissores, mostrando o potencial da ferramenta. A sua aplicação propiciará uma maior
assertividade nos investimentos de expansão e/ou postergação dos mesmos, fornecendo apoio técnico-científico e
agilidade nas tomadas de decisões. A aplicação destes resultados nos sistemas elétricos contribuirá para a melhoria da
qualidade e continuidade do fornecimento de energia elétrica, refletindo no aumento da satisfação dos consumidores.
4. Referências bibliográficas
Ravadanegh, S. N. e Roshanagh, R. G. On optimal multistage electric power distribution networks expansion planning.
Int. J. Electr. Power Energy Syst., vol. 54, pp. 487–497, Jan. 2014.
Sioshansi, F. P. Smart Grid: Integrating Renewable, Distributed & Efficient Energy. 1 edition. Academic Press, 2011, p.
568.
Maciel, R. S. Otimização Multiobjetivo na Análise da Integração de Geração Distribuída às Redes de Distribuição.
Universidade Estadual Paulista, 2012.
Mallet, P.; Granstrom, P. O.; Hallberg, P.; Lorenz, G. e Mandatova, P. Power to the People!: European Perspectives on
the Future of Electric Distribution. IEEE Power Energy Mag., vol. 12, no. 2, pp. 51–64, Mar. 2014.
Santos, L. L. C. Metodologia para Análise da Tarifa Branca e da Geração Distribuída de Pequeno Porte nos
Consumidores Residenciais de Baixa Tensão. UNiversidade Fedeal de Santa Maria, 2014.
Barin, A.; Pozzatti, L. F.; Canha, L. N.; Machado, R. Q.; Abaide, A. R. e Arend, G. Multi-objective analysis of impacts of
11/12
distributed generation placement on the operational characteristics of networks for distribution system planning. Int. J.
Electr. Power Energy Syst., vol. 32, no. 10, pp. 1157–1164, Dec. 2010.
Moradi, M. H. e Abedini, M. A combination of genetic algorithm and particle swarm optimization for optimal DG location
and sizing in distribution systems. Int. J. Electr. Power Energy Syst., vol. 34, no. 1, pp. 66–74, Jan. 2012.
Kayal, P. e Chanda, C. K. Placement of wind and solar based DGs in distribution system for power loss minimization and
voltage stability improvement. Int. J. Electr. Power Energy Syst., vol. 53, pp. 795–809, Dec. 2013.
Karimyan, P.; Gharehpetian, G. B.; Abedi, M. e Gavili, A. Long term scheduling for optimal allocation and sizing of DG
unit considering load variations and DG type. Int. J. Electr. Power Energy Syst., vol. 54, pp. 277–287, Jan. 2014.
Figueiro, I. C.; Abaide, A. R.; Bernardon, D. P. e Neto, N. K. Residential market facing the new challenges of application
of energy hourly rate. 10th International Conference on the European Energy Market (EEM), 2013, pp. 1–7.
Neto, N. K.; Figueiro, I. C.; Abaide, A. R.; Bernardon, D. P.; Canha, L. N.; Silveira, A. S. e Pressi, R. Smart grid and the
prospects of electricity demand forecast in Brazilian distribution system. 49th International Universities Power Engineering
Conference (UPEC), 2014, pp. 1–6.
Cardenas, J. A.; Gemoets, L.; Ablanedo Rosas, J. H. e Sarfi, R. A literature survey on Smart Grid distribution: an
analytical approach. J. Clean. Prod., Oct. 2013.
Kersting, W. H. e Mendive, D. L. An application of ladder network theory to the solution of three-phase radial load-flow
problems. IEEE Power Engineering Society Winter Meeting, 1976, pp.1-6.
Zhang, L.; Tang, W.; Guan, H. e Zhang, L. The Back/Forward Sweep-based Power Flow Method for Distribution
Networks with DGs. IEEE International Conference on Power Electronics and Intelligent Transportation System, 2009,
145-149.
Brown, R.E. Electric Power Distribution Reliability. CRC Press, Second Edition, ISBN 978-0-8493-7567-5, New York,
2009.
Saaty, T. L. The Analytic Hierarchy Process: Planning, Priority Setting, Resource Allocation. New York: McGraw-Hill,
1980.
Pfitscher, L. L.; Bernardon, D. P.; Canha, L. N.; Montagner, V. F.; Garcia, V. J. e Abaide, A. R. Intelligent system for
automatic reconfiguration of distribution network in real time. Electric Power Systems Research, 97, pg. 84-92, April 2013.
Bernardon, D. P.; Mello, A. P. C.; Pfitscher, L. L.; Canha, L. N.; Abaide, A. R. e Ferreira, A. A. B. Real-time
reconfiguration of distribution network with distributed generation. Electric Power Systems Research, v.107, p.59 - 67,
2014.
Popov, V. A.; Abaide, A. R.; Canha, L. N. e Bernardon, D. P. Algorithm of Reliability Optimization for Operational
Planning of Distribution Systems. IEEE/PES Transmission and Distribution Conference and Exposition Latin America, pp.
523-528, Nov. 2004.
_________________________________________
12/12
