Search

Coordenação de Aperfeiçoamento de Pessoal de Nível Superior Este trabalho tem como objetivo o desenvolvimento e a aplicação de ferramentas de Inteligência Artificial como Redes Neurais Artificiais, Algoritmos Genéticos e Regras Heurísticas para solucionar problemas de planejamento da operação energética de sistemas de geração de energia elétrica compreendendo hidrelétricas, termelétricas, e parque eólico. A formulação escolhida para solucionar o problema agrega a operação dos reservatórios das hidrelétricas dando como dados de referência ao problema os volumes iniciais e os volumes finais. Esta formulação envolve problemas de grande porte, cujo tamanho varia de acordo com o horizonte de estudo e o detalhamento do sistema gerador. As Rede Neurais Artificiais recorrentes são conhecidas como eficientes ferramentas de otimização para solucionar problemas de programação linear e quadrática, além de apresentar um grande potencial para implementação em hardware do tipo Very- Large-Scale Integration, na qual pode ser mais eficiente do que as técnicas tradicionais de otimização. Os Algoritmos Genéticos também formam outras ferramentas de otimização que vêm sendo estudadas nos últimos anos. Além dessas duas ferramentas podem ser produzidas regras heurísticas para acelerar e melhorar a convergência destes métodos. As técnicas de Inteligência Artificial implementadas foram aplicadas ao despacho econômico de geração do sistema interligado CHESF-ELETRONORTE, para o qual foram obtidos a solução otimizada da operação, os custos marginais de geração e o valor da água associado com cada hidrelétrica

O planejamento tem por objetivo otimizar os investimentos em expansão para atender ao mercado de forma econômica e segura. A expansão com eólicas e solares requerem uma abordagem sistêmica estruturada, baseada na integração geração-transmissão e na alocação da curva de carga. Apesar dos esforços do setor, a metodologia atual não consegue atender essas necessidades. Com isso, há um descasamento da expansão com o atendimento dos requisitos de reserva, fundamental para cobrir erros de previsão e falhas no sistema. Esta tese mostra que esses recursos não são suficientes e as baterias (BESS), térmicas de ar comprimido (CAES) e hidrelétricas reversíveis (PHES) terão um papel importante no sistema. Para fundamentar a pesquisa, foi realizada uma revisão bibliográfica considerando os estudos realizados nos Estados Unidos e na Europa. A proposta usa a representação horária das fontes renováveis, permitindo visualizar restrições de geração e transmissão não detectadas em modelos puramente energéticos. Três experimentos são apresentados: O primeiro, com uma variante do sistema IEEE RTS para a validação da metodologia. O segundo, com os dados reais da operação 2015 e 2016 para determinar as curvas de carga e, por último, a aplicação na expansão do sistema Brasileiro. De acordo com os resultados, os dispositivos de armazenamento permitem reestabelecer o requisito mínimo de reserva e proporcionam maior flexibilidade operativa. Suas aplicações variam de PHES, para sistemas de grande porte, como as BESS, para soluções locais descentralizadas. The purpose of planning is to optimize investments in expansion to meet the market economically and safely. Wind and solar expansion require a structured systemic approach, based on generation-transmission integration and load shape allocation. Despite industry efforts, the current methodology fails to meet those needs. With this, there is a mismatch of expansion with the fulfillment of the reserve requirements, fundamental to cover forecast errors and system failures. This thesis shows that these resources are not sufficient and the batteries (BESS), thermal compressed air (CAES) and hydroelectric reversible (PHES) will play an important role in the system. To support the research, a bibliographic review was carried out considering the studies realized in the United States and Europe. The proposal uses the hourly representation of renewable sources, allowing the visualization of generation and transmission constraints not detected in purely energetic models. Three experiments are presented: The first one, with a variant of the IEEE RTS system for the validation of the methodology. The second, with the actual data of the 2015 and 2016 operation to determine load curves and, finally, the application in Brazilian system expansion. According to the results, the storage devices allow to reestablish the reserve minimum requirement and provide greater operational flexibility. Their applications range from PHES, for large systems, such as BESS, to decentralized local solutions.

FACEPE A energia elétrica é considerada como um dos principais insumos do setor industrial; sua disponibilidade, qualidade e custo são diretamente ligados à capacidade competitiva deste setor. Com o aumento dos custos da eletricidade e da emissão de gases causadores do efeito estufa, ações voltadas para o uso eficiente deste insumo tornam-se cada vez mais atrativas. Uma parte muito importante da área de controle e automação dos processos industriais é a sintonia dos controladores PID, uma vez que os processos, dentre outras coisas, dependem dos seus controladores, e estes para serem produtivos precisam estar bem sintonizados. O presente trabalho descreve uma maneira de sintonizar desses tipos de controladores baseada em inteligência artificial utilizando uma técnica de otimização evolutiva, conhecida como Otimização por Enxame de Partícula (PSO), técnica eficiente na otimização de funções com vários mínimos locais, funcionando desta forma como uma alternativa às diversas formas de sintonizações clássicas existentes. O objetivo deste trabalho é o de demonstrar o ganho em desempenho no controlador, tanto na parte energética como na ação de controle, proporcionado pela sintonia do controlador através do PSO. Uma parte importante da metodologia deste trabalho é a possibilidade da implementação direta no sistema real dos parâmetros sintonizados do controlador, encontrados por meio da otimização por PSO via simulação computacional; para isso, foi necessária a modelagem do sistema de forma digital, a qual permitiu reproduzir os efeitos da dinâmica do processo real. A implementação real foi feita por meio do protótipo de um sistema de exaustão industrial, o qual é todo controlado por um controlador lógico programável (CLP), localizado no Laboratório de Sistemas Motrizes da Universidade Federal de Pernambuco, a partir do qual foi realizada a coleta de dados experimentais para a análise do desempenho do sistema quando do uso deste tipo de sintonia do controlador. Electricity is considered as one of the main inputs of the industrial sector; its availability, quality and cost are directly related to the competitive capacity of this sector. With rising costs of electricity and the emission of greenhouse gases, actions aimed at the efficient use of this input become increasingly attractive. A very important part of the area of control and automation of industrial processes is the tuning of the parameters of the PID controllers, since the processes, among other things, depend on their controllers, and these to be productive must be well tuned. The present work describes a way of tuning these types of controllers based on artificial intelligence using an evolutionary optimization technique, known as Particle Swarm Optimization (PSO), an efficient technique for optimizing functions with several local minimums, working in this way as a different form of classical tuning. The objective of this work is to demonstrate the gain in performance in the controller, both in the energy part and in the control action, provided by the controller tuning through the PSO. An important part of the methodology of this work is the possibility of directly implementing in the real system the tuned parameters of the controller, found by means of PSO optimization through computational simulation; for this it was necessary to model the system in digital form, which allowed to reproduce the effects of the actual process dynamics. The actual implementation was done through the prototype of an industrial exhaust system, which is all controlled by means of a PLC, located in the Laboratory of Motor Systems of the Federal University of Pernambuco, from which the collection of experimental data for the analysis of the performance of the system when using this type of controller tuning.

CNPQ Nesta dissertação se propõe modelos de previsão de geração eólica baseados em técnicas de Inteligência Artificial (IA), tais como aplicações de Redes Neurais Artificiais (RNAs) e Sistemas de Inferência Fuzzy (SIFs). Tais previsões foram realizadas de forma horária, sendo os horizontes de 1h à 24h, classificando os modelos como previsores de curto prazo. Atrelada à presciência respectiva de cada modelo de entrada, estão as predições de velocidades médias ou velocidades médias e direções médias do vento. Estas são utilizadas como entradas para modelos de curva de potência dos parques eólicos em análise, nos quais dependendo do modelo em questão, esta poderá ser uma RNA ou um SIF. Tal aplicação é feita para dois parques reais descritos ao longo deste trabalho. Ao fim, faz-se uma comparação entre tais modelos, na qual o desempenho obtido revela-se bastante competitivo em termos de acurácia nas previsões de geração eólica dos SIFs em relação às RNAs This paper proposes and develops models for wind power prediction, based on Artificial Intelligence concepts with regard to ANN applications (Artificial Neural Networks) and FIS (Fuzzy Inference System). Such models have application time horizon, which is 24 hours, which is why the models are short term denominated. Linked to their foreknowledge of each model are predictions of medium and / or medium speeds directions, which serve as input for a specific power curve of the park in question. Where depending on the model in question, it may be an artificial neural network or Fuzzy inference block, such a study is made for two typical parks described throughout this work. At the end, makes a comparison between these models showing the highly competitive performance in terms of power efficiency in predictions, the Fuzzy inference blocks in relation to neural networks.