Detalhes bibliográficos
Ano de defesa: |
2024 |
Autor(a) principal: |
Miranda, Felipe Laure
 |
Orientador(a): |
Oliveira, Leonardo Willer de
 |
Banca de defesa: |
Almeida, Katia Campos de
,
Coelho, FranciscoCarlos Rodrigues,
Silva Junior, IvoChaves da
,
Passos Filho, João Alberto |
Tipo de documento: |
Tese
|
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/17847
|
Resumo: |
Este trabalho apresenta as ferramentas desenvolvidas para suporte ao planejamento multiobjetivo da expansão da transmissão (PET) na presença de múltiplas incertezas, entre estas: (i) indisponibilidade de equipamentos de geração e transmissão; (ii) comportamento da carga; (iii) intermitência de fontes renováveis eólicas. Os algoritmos Non-Dominated - Monte Carlo Simulation (ND-MCS) e Improved Non-Dominated - Monte Carlo Simulation (IND-MCS) desenvolvidos permitem, através da estimação de confiabilidade, uma abordagem eficiente e estocástica do PET baseado em Simulação Monte Carlo (SMC) e critérios probabilísticos de Pareto, resultando em considerável redução de esforço computacional quando comparados ao método de SMC convencional. Além disso, uma rede de Máquinas de Vetores de Suporte (SVM) é incorporada aos algoritmos desenvolvidos para aumentar a robustez do método. A metodologia é aplicada ao Multi-objective Grey Wolf Optimization (MOGWO), associado a um critério Fuzzy de tomada de decisão para definição das estratégias de expansão baseadas nas soluções Pareto-ótimas. Os estudos de caso demonstram que a representação das incertezas ao longo do processo de busca (a priori) permite uma melhor busca no espaço de soluções devido à sua capacidade de identificar soluções candidatas não dominadas e, portanto, atrativas ao longo das etapas de otimização. Os resultados são encontrados com considerável eficiência computacional quando comparados ao método probabilístico convencional, encontrando múltiplas soluções sob diferentes critérios de planejamento e incertezas, o que pode fornecer soluções abrangentes e realistas ao planejador do sistema. |