Detalhes bibliográficos
Ano de defesa: |
2024 |
Autor(a) principal: |
Machado, Caio Fábio Bernardo
 |
Orientador(a): |
Silva Junior, Ivo Chaves da
 |
Banca de defesa: |
Mendonça, Isabela Miranda de
,
Marcato, André Luis Marques
 |
Tipo de documento: |
Dissertação
|
Tipo de acesso: |
Acesso aberto |
Idioma: |
por |
Instituição de defesa: |
Universidade Federal de Juiz de Fora (UFJF)
|
Programa de Pós-Graduação: |
Programa de Pós-graduação em Engenharia Elétrica
|
Departamento: |
Faculdade de Engenharia
|
País: |
Brasil
|
Palavras-chave em Português: |
|
Área do conhecimento CNPq: |
|
Link de acesso: |
https://repositorio.ufjf.br/jspui/handle/ufjf/16794
|
Resumo: |
Uma nova transição energética vem acontecendo no mundo com foco na descarbonização, descentralização e digitalização; e as fontes de energia renováveis são protagonistas nesse cenário de mudança. Porém, apesar de suas muitas vantagens, estas fontes de energia também têm suas fraquezas, as quais têm sido objeto de pesquisa na atualidade, para que sejam mitigadas. Por isso, este estudo também se debruça nessa pesquisa para dar sua contribuição para resolução dos desafios enfrentados nesta transição. Segundo a revisão bibliográfica elaborada, em boa parte das pesquisas realizadas com a finalidade de superar esse desafio, os sistemas de armazenamento de energia são a solução com maior potencial de redução das desvantagens que acompanham a geração renovável. Portanto, a presente dissertação propõe uma metodologia de otimização para a determinação de valor locacional de sistemas de armazenamento de energia, do inglês Energy Storage Systems (ESS), em redes elétricas de distribuição, considerando índice de perdas e de redução de violação de tensão. A metodologia foi aplicada alocando-se sistemas de armazenamento de energia a bateria, do inglês Battery Energy Storage Systems (BESS), em dois circuitos de distribuição, IEEE 13 Barras e CKT5 da EPRI, em cinco cenários de capacidade do BESS distintos. Em seguida, é apresentada a validação desta metodologia comparando os seus resultados com uma otimização meta-heurística já consolidada, o Algoritmo Genético (AG), contando ainda com uma comparação de esforço computacional. |