Modelagem estocástica inteira mista para alocação de recursos energéticos distribuídos modernos no planejamento e expansão de sistemas de distribuição

Página do item simplificado
dc.contributor.advisorPareja, Luis Alfonso Gallego
dc.contributor.authorPinto, Lucca Rodrigues
dc.contributor.bancaPaiva, Juliani Chico Piai
dc.contributor.bancaNegrete, Lina Paola Garces
dc.coverage.extent161 p.
dc.coverage.spatialLondrina
dc.date.accessioned2026-11-12T18:05:37Z
dc.date.available2026-11-12T18:05:37Z
dc.date.issued2026-09-23
dc.description.abstractEm um cenário de transição energética marcado pela crescente complexidade operacional dos Sistemas de Distribuição de Energia Elétrica, impulsionada pela eletrificação do transporte e pela massificação da Geração Distribuída, este trabalho propõe uma metodologia híbrida e robusta para o planejamento da expansão de redes ativas. A abordagem inova ao integrar técnicas de aprendizado profundo, especificamente Rede Adversária Generativa Condicionada, para a síntese de cenários estocásticos que preservam as correlações temporais e a volatilidade de variáveis críticas como Irradiância Global Horizontal, velocidade do vento, demanda e preços de energia, combinadas com o algoritmo K-Means para a consolidação de cenários representativos. Esses dados alimentam um modelo de otimização estocástica formulado em Programação Linear Inteira Mista no software AMPL IDE com o solver CPLEX, cujo objetivo é minimizar o Valor Presente Líquido dos custos de investimento e operação, cootimizando simultaneamente reforços físicos tradicionais como a Reconfiguração de Redes Primárias, Seleção Ótima de Condutores, Reforço da Capacidade de Subestações, Alocação Ótima de Subestações e a alocação estratégica de novas tecnologias, incluindo Sistemas de Geração Fotovoltaicos, Sistemas de Geração Eólicos, Sistemas de Armazenamento de Energia e Estações de Carregamento de Veículos Elétricos. A metodologia foi validada em sistemas testes de 14, 24, 33 e 54 barras, demonstrando superioridade frente a abordagens determinísticas ao mitigar violações de tensão e reduzir perdas técnicas; especificamente, os resultados no sistema de 54 barras evidenciaram que a capilaridade da geração solar distribuída é fundamental para sustentar a qualidade de energia em redes de alta demanda, enquanto em topologias como as de 24 e 33 barras, o armazenamento provou-se essencial para gerenciar o desacoplamento temporal entre geração e carga, permitindo postergar obras onerosas de infraestrutura pesada e assegurando a resiliência e viabilidade econômico-financeira do sistema diante das incertezas operacionais
dc.description.abstractother1In an energy transition scenario marked by the increasing operational complexity of Electric Power Distribution Systems, driven by transport electrification and the widespread adoption of Distributed Generation, this work proposes a hybrid and robust methodology for active network expansion planning. The approach innovates by integrating deep learning techniques, specifically Conditional Generative Adversarial Networks, for the synthesis of stochastic scenarios that preserve the temporal correlations and volatility of critical variables such as Global Horizontal Irradiance, wind speed, demand, and energy prices, combined with the K-Means algorithm for the consolidation of repre sentative scenarios. These data feed a stochastic optimization model formulated in Mixed-Integer Linear Programming within the AMPL IDE software using the CPLEX solver, whose objective is to minimize the Net Present Value of investment and operation costs, simultaneously co-optimizing traditional physical reinforcements such as Primary Network Reconfiguration, Optimal Conductor Selection, Substation Capacity Reinforcement, Optimal Substation Allocation, and the strategic allocation of new technologies, including Photovoltaic Generation Systems, Wind Generation Systems, Energy Storage Systems, and Electric Vehicle Charging Stations. The methodology was validated on 14, 24, 33, and 54 bus test systems, demonstrating superiority over deterministic approaches by mitigating voltage violations and reducing technical losses; specifically, results on the 54 bus system evidenced that the capillarity of distributed solar generation is fundamental to sustain power quality in high-demand networks, while in topologies such as the 24 and 33 bus systems, storage proved essential to manage the temporal decoupling between generation and load, allowing the deferral of costly heavy infrastructure works and ensuring the resilience and economic-financial viability of the system in the face of operational uncertainties
dc.identifier.urihttps://repositorio.uel.br/handle/123456789/20059
dc.language.isopor
dc.relation.departamentCTU - Departamento de Engenharia Elétrica
dc.relation.institutionnameUniversidade Estadual de Londrina - UEL
dc.relation.ppgnamePrograma de Pós-Graduação em Engenharia Elétrica
dc.subjectGeração de energia fotovoltaica
dc.subjectEnergia eólica
dc.subjectBaterias
dc.subjectVeículos elétricos
dc.subjectAprendizado profundo
dc.subjectRedes adversárias generativas (Redes de computadores)
dc.subjectOtimização Estocástica
dc.subject.capesEngenharias - Engenharia Elétrica
dc.subject.cnpqEngenharias - Engenharia Elétrica
dc.subject.keywordsPhotovoltaic power generation
dc.subject.keywordsWind power
dc.subject.keywordsBatteries
dc.subject.keywordsElectric vehicles
dc.subject.keywordsDeep learning
dc.subject.keywordsGenerative adversarial networks (Computer networks)
dc.subject.keywordsStochastic Optimization
dc.titleModelagem estocástica inteira mista para alocação de recursos energéticos distribuídos modernos no planejamento e expansão de sistemas de distribuição
dc.title.alternativeMixed-integer stochastic modeling for the allocation of modern distributed energy resources in distribution system planning and expansion
dc.typeDissertação
dcterms.educationLevelMestrado Acadêmico
dcterms.provenanceCentro de Tecnologia e Urbanismo

Arquivos

Pacote Original
Agora exibindo 1 - 2 de 2
Imagem de Miniatura
Nome:
EN_EEL_Me_2026_Pinto_Lucca_R.pdf
Tamanho:
7.7 MB
Formato:
Adobe Portable Document Format
Descrição:
Texto completo ID. 196306
Baixar
Nenhuma Miniatura disponível
Nome:
EN_EEL_Me_2026_Pinto_Lucca_R_Termo.pdf
Tamanho:
232.44 KB
Formato:
Adobe Portable Document Format
Descrição:
Termo de autorização
Baixar
Licença do Pacote
Agora exibindo 1 - 1 de 1
Nenhuma Miniatura disponível
Nome:
license.txt
Tamanho:
555 B
Formato:
Item-specific license agreed to upon submission
Descrição:
Baixar

Coleções

02 - Mestrado - Engenharia Elétrica