You are on page 1of 6

1

Alocação Ótima de Monitores de Qualidade da Energia Elétrica em Sistemas de Distribuição
H. M. G. C. Branco, J. F. D. Breda, M. Oleskovicz, A. C. B. Delbem e D. V. Coury

Resumo—Este artigo apresenta uma metodologia para a alocação otimizada de monitores de qualidade da energia elétrica em sistemas de distribuição. O problema foi modelado como um problema multi-objetivos, no qual se pretende minimizar os custos e maximizar a cobertura do sistema. A modelagem do problema foi fortemente baseada na topologia do sistema de distribuição e em regras que buscam um posicionamento adequado para os monitores de qualidade da energia. Na busca para a solução do problema, optou-se pela aplicação de um algoritmo genético como ferramenta de otimização. A metodologia apresentada foi testada utilizando-se de sistemas de distribuição recomendados pelo IEEE, os quais são amplamente difundidos como fontes de dados para as mais variadas aplicações. Cabe adiantar que os resultados observados se apresentam promissores ao problema delineado, abrindo espaço para aplicações voltadas aos sistemas de distribuição. Palavras-chave—Qualidade da energia elétrica, sistemas de distribuição, alocação de monitores, otimização multi-objetivos, algoritmos genéticos.

I. I NTRODUÇÃO S problemas associados aos distúrbios de Qualidade da Energia Elétrica (QEE) podem ocasionar paradas em processos produtivos, danos em equipamentos, além de outros inconvenientes que geram prejuízos aos consumidores e às concessionárias de energia. Por isso, atualmente, muitos esforços têm sido direcionados para amenizar os transtornos e prejuízos decorrentes da falta de QEE. Neste contexto, o estudo e desenvolvimento de metodologias para o monitoramento da QEE e alocação de monitores em um Sistema Elétrico de Potência (SEP) tem grande relevância. Dispondo das informações coletadas pelos monitores de QEE alocados ao longo de um SEP é possível realizar inúmeras aplicações, tais como: diagnósticos; localização de eventos de QEE; localização de fontes poluidoras do sistema; estudo da propagação de eventos de qualidade no sistema; compartilhamento de informação entre locais remotos; avaliação do custo da QEE; e melhoria de programas de manutenção preventiva, entre outros [1]. Portanto, o ideal seria que todos os pontos do SEP fossem monitorados fornecendo informações completas a respeito da QEE no sistema como um todo. Entretanto, o investimento necessário para realizar o monitoramento completo de sistemas de transmissão ou de Sistemas de Distribuição (SD) é relativamente alto, e seus

O

custos estão associados ao valor elevado dos monitores e de sua implantação e manutenção, bem como dos canais de comunicação para o resgate e processamento de todas as informações registradas [2]. Diante do exposto, percebe-se que existe um antagonismo entre a eficiência do monitoramento e a capacidade de investimento econômico das concessionárias. Logo, o número de monitores e suas respectivas localizações no sistema devem ser otimamente determinados. Tendo em vista a importância de realizar o monitoramento dos distúrbios relativos à QEE, o alto custo de implantação de medidores, e a crescente demanda por níveis cada vez melhores da qualidade da energia fornecida, vários estudos apontam metodologias para otimizar a alocação de analisadores sobre o SEP [2]–[6]. Cabe colocar que a grande maioria dos trabalhos encontrados na literatura abordam o problema de alocação de monitores de QEE como um problema de otimização monoobjetivo, no qual pretende-se minimizar o custo do sistema de monitoramento respeitando-se restrições que garantem um certo nível de eficiência. Entretanto, a adoção de um modelo de otimização multi-objetivos é indicada para este problema, uma vez que existem dois objetivos que claramente competem entre si: a eficiência do monitoramento e o custo do investimento. Neste sentido, propõe-se uma abordagem multi-objetivos para o problema de alocação de monitores de QEE em SD, adotando um modelo baseado na topologia do sistema. Nesta proposta, utiliza-se algoritmos genéticos (AG) para a resolução do problema de otimização modelado. II. R EPRESENTAÇÃO
DO SISTEMA DE DISTRIBUIÇÃO E REGRAS PARA POSICIONAMENTO DE MONITORES

A. Representação computacional do sistema de distribuição Os SDs radiais podem ser vistos como árvores de grafos, e representados computacionalmente por estruturas de dados baseadas em ponteiros [7]. Esta representação será adotada neste trabalho por ser uma maneira bastante eficiente de se representar um SEP [4]. Para ilustrar a representação em árvore de um SD, toma-se como exemplo o circuito alimentador de 13 barras do IEEE apresentado na Fig. 1 [8]. Neste caso, os componentes (linhas e cargas) do circuito alimentador são os nós da árvore, sendo interconectados por meio de arcos (arestas orientadas) que denotam a hierarquia entre os elementos. Na Fig. 2 tem-se a representação em árvore do circuito da Fig. 1. Pela Fig. 2 é possível observar o relacionamento hierárquico entre os nós, conforme anteriormente mencionado. Por exemplo, o nó L1 é a raiz da árvore e está conectado aos nós L2, L3

Este trabalho foi financiado com recursos obtidos junto ao Conselho Nacional de Desenvolvimento Científico e Tecnológico (CNPq). H. M. G. C. Branco, J. F. D. Breda, M. Oleskovicz e D. V. Coury: Escola de Engenharia de São Carlos, Universidade de São Paulo, São Carlos, SP, Brasil ({hermescb, jader.breda}@usp.br; ({olesk, coury}@sc.usp.br; A. C. B. Delbem: Instituto de Ciências Matemáticas e de Computação, Universidade de São Paulo, São Carlos, SP, Brasil (acbd@icmc.usp.br)

considerando o circuito exemplo anteriormente apresentado. . 2 e 3 estão associadas com os fatores γij . Para possibilitar a aplicação das regras descritas de forma automatizada. 4) Regra 4: os monitores devem ser instalados logo no início dos ramos. logo não possui um fator de ponderação associado. As possíveis propriedades são: alimentador principal. os monitores tendem a ser instalados em pontos próximos a fonte de energia. Representação em árvore do circuito-exemplo. então existem N pontos possíveis de instalação para os monitores. Outra dedução advinda dessa regra é que. 5) Regra 5: pelo menos 1 monitor deve ser instalado no alimentador principal. Aplicação das regras de posicionamento dos monitores. As regras para um posicionamento adequado dos monitores que serão utilizadas neste trabalho são as mesmas definidas por [9]. Com base nesta regra. portanto. βij e αi . 3) Regra 3: deve-se instalar monitores em ramos laterais com muitos descendentes. sempre deve ser atendida. posicionado na saída da subestação. L13.2 Figura 1. Figura 3. porém somente é necessário monitorar (N-1) destas linhas. ou seja. Se existem N linhas saindo de uma barra. as derivações de uma barra que não são cargas. Seguindo a mesma lógica. são consideradas linhas laterais. uma vez que a maioria dos prejuízos causados pelos problemas de QEE aparecem nas cargas dos consumidores. As definições e os equacionamentos para determinação destes fatores serão apresentados na Seção III. linha lateral ou carga. 2) Regra 2: é preponderante instalar monitores nos ramos de carga. Em relação ao nó L5. após a saída da barra. Entre os ramais que derivam de um nó. Por essa regra deduz-se que os ramos de carga devem ter preferência quando da aplicação da Regra 1. M ODELAGEM DO PROBLEMA DE ALOCAÇÃO DE QEE EM SISTEMAS DE DISTRIBUIÇÃO MONITORES DE Para complementar a representação em árvore do SD. os nós L7. o que possibilita monitorar uma área maior. 3. 1) Regra 1: considerar a Lei das Correntes de Kirchhoff (LCK). tornando-os importantes pontos de monitoramento. As cinco regras adotadas são descritas a seguir. respectivamente. apesar de não ter um fator de ponderação associado. sendo exemplificadas e ilustradas na Fig. já que uma das linhas pode ser computada conhecendo-se todas as outras. A Regra 4 é apenas informativa. esses três nós são filhos de L1. As Regras 1. Determinação das regras para o posicionamento de monitores de QEE A escolha dos melhores pontos para o monitoramento da QEE em um SD é realizada com base no conhecimento especialista adquirido pelos engenheiros ao longo de anos de prática. III. Já a Regra 5 estabelece uma restrição ao problema de alocação. Para possibilitar que uma rotina de otimização utilize esses conhecimentos para determinar a alocação ótima dos monitores de QEE é preciso definir regras que traduzam o conhecimento especialista adquirido. a partir da raiz. fatores de ponderação são associados a elas. ou seja. ou que não pertençam ao alimentador principal. B. Figura 2. apesar de ramos de carga terem preferência quando da aplicação da Regra 1. Após a definição do caminho do alimentador principal. determinou-se como um nó pertencente ao alimentador principal aquele com o maior número de descendentes. L18 e L19 são descendentes de L3. IEEE. atribui-se a cada componente (cada nó da árvore) uma propriedade e uma numeração. Representação unifilar do circuito alimentador de 13 barras do e L4. L14. este é considerado pai do nó L12. em determinadas situações é mais conveniente instalar os monitores em ramos laterais com muitos descendentes.

cuja solução ótima é também uma solução C. O valor de βij é obtido por meio da Eq. é o j-ésimo componente conectado a barra i. Vetor de custos O custo da instalação dos monitores em cada um dos possíveis pontos de monitoramento é determinado por pij . Para o circuito-exemplo. dentre as quais cita-se o processo de escalarização. se o componente cij é monitorado . 0. uma vez que se tem por objetivo estabelecer o melhor plano de monitoramento com o menor custo possível. O fator de ponderação αi é um valor normalizado que representa a extensão da área que pode ser monitorada a partir de uma barra i. Função objetivo Muitas tomadas de decisão envolvem análises de vários fatores ou objetivos que na maioria das vezes são conflitantes entre si. (2): pij = custo de instalação no componente cij . conforme indicado pela Eq. . A. Já o peso de uma carga (Wlo ) tem valor igual a duas vezes o valor de Wla (2 · Wmf = Wla = Wlo /2). (7)   Wmf . Já o fator de ponderação γij faz com que o componente cij de menor relevância para o monitoramento entre os conectados à barra i tenha seu peso reduzido de forma que este se torne tão pequeno quanto ao de um componente que está no fim do sistema. conforme a Eq. (9). Representação em árvore com numeração e propriedades. 4 ilustra a árvore já com as propriedades e numerações atribuídas. As técnicas de otimização multi-objetivos possibilitam encontrar soluções não-dominadas para problemas que apresentam mais de um objetivo [10]. B. γij = B  1. Este fator possibilita a aplicação da Regra 1. O fator βij é um valor normalizado que representa o peso do componente cij em relação aos demais componentes conectados a barra i. Assim. Os três fatores de ponderação utilizados são calculados com base nas regras para instalação dos monitores previamente definidas. o componente cij . caso contrário (1) i sendo que Nmf é número de alimentadores principais coneci tados na barra i. Dij . Esta situação é observada. O processo de escalarização consiste na resolução do problema multi-objetivo com a utilização de uma função escalar substituta (chamada de função escalarizante ou função de escalarização). A n (3) Ni . Ni é o total de filhos da barra i e Ωi o conjunto de descendentes da barra i. adotou-se que o peso do alimentador principal (Wmf ) é metade do valor pré-determinado de peso para uma linha lateral (Wla ). i caso contrário (9) D. Nla é número de linhas laterais conectadas i na barra i e Nlo o número de cargas na barra i. (6) Ci i i i = Wmf · Nmf + Wla · Nla + Wlo · Nlo . Seguindo a determinação da Regra 2. αi = Bi . (3). sendo obtido a partir da Eq. a Fig. sendo obtido pela Eq.3 A numeração de cada nó da árvore é feita de acordo o número da barra e a posição que o ramo ocupa na conexão com a barra. se cij é alimentador principal = Wla . ou seja. Vetor de existência A indicação se um determinado componente cij é monitorado ou não é realizada através do vetor de existência xij . O valor de αi é constante para todos os componentes cij conectados à barra i. Existem várias técnicas de resolução aplicadas na otimização multi-objetivo. a melhoria de um objetivo causa a deterioração de outros. Fatores de ponderação para escolha dos componentes monitorados Os fatores de ponderação são os responsáveis por fornecer a relevância de cada componente cij no momento da escolha do local de instalação de um monitor de QEE. se cij não é carga e tem o menor βij da barra i . (4) (5) A = i=1 Bi = k∈Ωi Nk . apresentam desempenho maior ou equivalente por um custo menor ou igual. isto é. A adoção de um modelo multiobjetivo para um determinado problema apresenta vantagens em relação a um modelo mono-objetivo. pois considera vários aspectos do problema simultaneamente. sendo que n é quantidade total de barras. (8)  Wlo . (1). (6). xij = 1. se cij é carga = βij Ci Dij Figura 4. por exemplo. Diante desta situação percebe-se que algumas soluções (conhecidas como não-dominadas) são superiores às outras. (2)   1 . no problema de alocação de monitores de QEE. se cij é linha lateral .

a população de indivíduos é iniciada de forma aleatória. como o problema abordado é de minimização. utiliza-se um parâmetro denominado taxa de cruzamento. Após todos os indivíduos serem avaliados pela função de aptidão. A probabilidade de ocorrer mutação. cruzamento e mutação. IV. sendo que um gene com o valor 1 (um) indica a instalação do monitor na componente do SD referente àquela posição do vetor. em que cada posição deste simboliza um gene. κ é um valor real no intervalo [0. (10) e a função que mede a qualidade do sistema de monitoramento obtida pela Eq. cada par de indivíduos tem 75% de chances de realizar cruzamento. cada indivíduo será avaliado por uma função de aptidão ou função de fitness. O método de seleção adotado nesta aplicação foi o torneio. que neste caso foi de 75%. a fim de proporcionar uma variabilidade genética que permitirá uma melhor cobertura do espaço de busca e dificultará uma possível estagnação em ótimos locais. foi de 1% para cada gene de cada indivíduo da população. Um indivíduo é representado por um vetor binário. V. ou seja. Por ser o método de mais fácil compreensão. • Na soma ponderada das funções objetivo ou método das ponderações. Nos testes realizados Solução Ótima Figura 5. quanto menor o fitness de um indivíduo. além de ser o mais utilizado. definida por uma taxa de mutação. g(x) (11) minz(x) = κ · f (x) + (1 − κ) · (12) Nesta última equação. que para este problema é definida pela Eq. Em caso contrário ocorrerá um cruzamento uniforme entre os indivíduos selecionados. o que permitirá um melhoramento nas soluções de uma geração para outra. optou-se por utilizar a soma ponderada das funções objetivo. (11). Um parâmetro importante para o bom desempenho dos AGs é a escolha do tamanho da população inicial. que deve ser grande o suficiente para garantir uma boa variabilidade genética na população.1]. sendo que o valor do gene é modificado no caso de ele ser escolhido para sofrer mutação. já o valor 0 (zero) indica a ausência de monitor. a solução ótima do problema é dada pelo indivíduo de melhor aptidão. mais apto ele será.4 não dominada do problema original [11]. Desta forma os indivíduos mais aptos terão suas características transmitidas às próximas gerações. Caso um par de indivíduos não realize o cruzamento. Os AGs são métodos de otimização e busca baseados no princípio da seleção natural e sobrevivência do indivíduo mais apto que foi definida por Charles Darwin em 1859 [12]. determina-se a função de escalarização como sendo a soma ponderada de f (x) e 1/g(x) (Eq. no qual os indivíduos mais aptos são selecionados para dar origem à próxima geração. (12)): n Ni f (x) = i=1 j=1 n Ni pij · xij . Em um AG cada indivíduo de uma população irá caracterizar uma possível solução para o problema. Em um primeiro passo. com valor unitário. Para decidir se dois indivíduos selecionados farão cruzamento ou não. Após a etapa de cruzamento sobre a nova população gerada. sendo geralmente caracterizada por uma distribuição uniforme. No fluxograma da Fig. aplica-se o operador de mutação. cada posição do vetor . Importa ressaltar que um novo AG é executado para cada valor de κ adotado. (12). Desta maneira. Deste modo. 1 . A PLICAÇÃO DE ALGORITMOS GENÉTICOS PARA RESOLUÇÃO DO PROBLEMA Um algoritmo genético (AG) foi utilizado para encontrar a melhor solução do problema modelado. 5 é apresentado o esquema simplificado de um AG constituído por seus operadores genéticos mais básicos como: seleção. repetindo-se o processo até que o número de indivíduos selecionados seja igual ao tamanho da população. (10) g(x) = i=1 αi · j=1 βij · γij · xij . • Em uma métrica ou distância a um ponto de referência ou ponto ideal. no qual a função escalarizante é a soma ponderada das funções objetivo. Para esta aplicação estabeleceu-se como critério de parada apenas o número de gerações máximas. os dois indivíduos terão uma cópia direta dos seus códigos genéticos na população da nova geração. Do término da execução do AG. Nesta estratégia escolhe-se y indivíduos aleatoriamente na população e em seguida seleciona-se aquele com maior aptidão dentre os y indivíduos. Inicializa População P(t) Avalia P(g) Realiza mutação em P(g) Atingiu Critério de parada? g = g + 1. Em seguida. Após cada nova geração é verificado se os critérios de parada do algoritmo foram atingidos. g= 1. Fluxograma básico de um AG. Portanto. realiza-se o procedimento de seleção. Ou seja. Gera População P(g) de P(g-1) representa um possível local de instalação do monitor. T ESTES E RESULTADOS A metodologia proposta foi testada em dois alimentadores distintos: o circuito de 13 barras previamente apresentado e o sistema de 37 barras do IEEE [8]. Em ambos os testes foi considerado que os custos de instalação dos monitores em todas as barras são iguais. aquele com o menor fitness. Os três principais tipos de funções de escalarização utilizadas consistem: • Na otimização de uma das funções objetivo restringindo as outras. considerando a função de custo dada pela Eq.

considerando 4 pontos de monitoramento. Para 8 monitores a relação custos-benefício é aproximadamente 10. se a opção mais viável para uma concessionária for a instalação de seis monitores sobre este sistema de 13 barras.5 com o sistema de 13 barras. não agrega ganhos consideráveis na eficiência do sistema de monitoramento. Entretanto o custo também aumenta a cada novo equipamento inserido no sistema.6. verifica-se que a taxa de melhora é bastante alta. a partir do oitavo. Já as soluções posteriores ao cotovelo da curva (em vermelho no gráfico) não são as mais atrativas do ponto de vista econômico. Esta tarefa é bastante facilitada pela determinação da fronteira de Pareto. Portanto. Para quatro monitores esta razão aumenta para aproximadamente 4. Para os experimentos com o sistema de 37 barras. Com a variação do parâmetro κ para valores no intervalo entre 0 e 1. Essas faixas de valores são usuais para a plicação de AGs [13]. até que quatro monitores sejam inseridos no sistema. Figura 7. considerando custo unitário para instalação de um monitor em cada barra. o mais indicado é que a escolha sobre a quantidade de pontos a serem monitorados recaia sobre uma das duas regiões em que o ganho na eficiência é melhor. Já a inserção de novos monitores. Portanto é importante observar a relação de custo-benefício (custo/qualidade do monitoramento) para decidir até que ponto é viável a instalação de novos equipamentos de monitoramento. pois o custo agregado à qualidade fornecida por estas soluções é bem elevado. em relação ao investimento realizado. fixou-se que a população do AG é de 100 indivíduos.1. sendo a taxa de cruzamento de 75% e a de mutação 1%. considerando o custo associado à esta expansão. Cabe comentar que a numeração dos monitores de M1 à M8 indica a sequência de instalação (prioridade de instalação) dos monitores do SD. Figura 8. Solução para o problema de alocação de monitores de QEE no sistema de 13 barras. respectivamente. Portanto. As Figs. enquanto para 17 monitores a relação sobe para 17 e para instalar 20 monitores aumenta para 80. considerando 8 pontos de monitoramento. 7 e 8 indicam os pontos a serem monitorados quando a escolha recai sobre 4 e 8 componentes. os monitores indicados por M7 e M8 devem ser desconsiderados na figura 8. Esta solução encontra-se no final do cotovelo da curva (em laranja no gráfico). e quase que constante. Apenas a população inicial foi modificada para 500 indivíduos. A utilização de 24 pontos de monitoramento é uma alternativa factível. A escolha da quantidade de componentes em que serão instalados monitores deve ser conduzida sempre considerandose o orçamento disponível para atingir um certo grau de eficiência. Analisando esta figura. verifica-se que a eficiência do sistema de monitoramento cresce na medida em que novos medidores são inseridos. Figura 6. em virtude deste ser um problema combinatorial o que requer uma maior amostragem do espaço de busca com o aumento do tamanho do problema. utilizou-se as mesmas configurações do AG aplicado ao sistema anterior. a cada novo monitor instalado. 6. Assim. 10 ilustra uma solução ótima quando opta- . De 5 a 7 monitores a razão entre o custo e a qualidade do monitoramento sobe apresenta valores próximos a 8. observa-se que a partir de 8 monitores a razão custobenefício cresce de forma significativamente maior a cada inserção de um novo monitor. No intervalo entre 4 e 8 monitores ainda ocorre um ganho razoável para a qualidade do monitoramento. Solução para o problema de alocação de monitores de QEE no sistema de 13 barras. A fronteira de Pareto para este sistema é apresentada na Fig. A Fig. conforme pode ser visualizado na fronteira de soluções não dominadas. A seleção foi por torneio de tamanho 8. Logo. 9. obteve-se o conjunto de soluções não dominadas (fronteira de Pareto) apresentado na Fig. a partir do qual as soluções não são mais tão atrativas do ponto de vista econômico. De 0 a 3 monitores a razão entre o custo e a qualidade do monitoramento para inserção de novos monitores apresenta valores próximos a 2. Conjunto de soluções não dominadas para o problema de alocação de monitores de QEE no sistema de 13 barras.

pp. El-Saadany. London and New York. 1. 4. Wiley-IEEE Press. and A. 2001. pp. H. E. [2] M. 23.” Operational research quarterly. no. Contudo. Kornbluth.” Electric Power Systems Research. No entanto. IEEE. 1989. Choe. Moon. 2006. 768–777. 2008. se por 24 pontos de monitoramento. do Departamento de Engenharia Elétrica. além de empregar AGs multi-objetivo. 2002. 1062–1068. pp. IEEE Transactions on. Universidade de São Paulo (USP).” Multiple criteria optimization: state of the art annotated bibliographic surveys. Bertziss. no. C ONCLUSÃO Mediante os resultados obtidos. como em algumas situações existe mais de um arranjo que fornece o mesmo valor de função objetivo. 1975. Won and S. [5] Y. Figura 9. 908–912. pp. J. Eldery. Chung. 288–295. p. Olguin. Seo. “An Approach Based on Analytical Expressions for Optimal Location of Voltage Sags Monitors. considerando 24 pontos de monitoramento. [12] D. no. “Optimal number and locations of power quality monitors considering system topology. 2034–2042. Vuinovich. no. no. novas pesquisas devam ser realizadas. [7] A. considerando custo unitário para instalação de um monitor em cada barra. Academic Press. tornando-o mais robusto. vol. Pretende-se também aplicar algoritmos populacionais mais robustos que os AGs. 2006. Liao. “Fault location observability analysis and optimal meter placement based on voltage measurements. vol. Analisando as figuras que ilustram os pontos de instalação dos monitores é possível verificar que as regras de posicionamento dos monitores estão sendo seguidas corretamente. 2009. pp. and M. procedendo uma análise crítica da comparação dos resultados obtidos pelas diversas técnicas empregadas. 1974. “Duality. Figura 10. J. Vannelli. “An optimal monitoring program for obtaining voltage sag system indexes. Desta forma mais investigações devem ser realizadas . Optimization. “A new algorithm to locate power-quality event source with improved realization of distributed monitoring scheme. A.” in Power Engineering Society Winter Meeting. Kersting. Gu. vol. 2. 21. Espinosa-Juarez. A modelagem multi-objetivo proposta agregou benefícios ao processo de decisão dos pontos que devem ser monitorados. Solução para o problema de alocação de monitores de QEE no sistema de 37 barras. Bollen and I. vol.6 possibilitando uma melhoria do modelo de otimização.” IEEE Transactions on Power Systems. vol. “NONLINEAR MULTIOBJECTIVE PROGRAMMING. indifference and sensitivity analysis in multiple objective linear programming. pp. De Jong. Data structures: theory and practice. 1. [4] D. [9] D. 2006. Olguin. Signal Processing of Power Quality Disturbances.” IEEE Transactions on Power Delivery. and G. Escola de Engenharia de São Carlos (EESC). Entretanto. F. Hernandez. Bollen. Goldberg. S. Salama. [10] J. [3] G. no. [13] K. Conjunto de soluções não dominadas para o problema de alocação de monitores de QEE no sistema de 37 barras. “Evolutionary computation: a unified approach. “Radial distribution test feeders. “A Novel Power Quality Monitoring Allocation Algorithm. conclui-se que a metodologia baseada em algoritmos genéticos para a solução da alocação de monitores de QEE em sistemas de distribuição mostrou-se bastante eficiente.” Power Delivery. 21. 21. pp. 1641–1647. pretende-se investigar o desempenho da técnica para sistemas de maior porte. I. 71. Genetic Algorithms in Search. 7. M. and Machine Learning. pela estrutura disponibilizada e por todo o apoio prestado para a realização deste trabalho. 79. IEEE. 2. 2001. Won. Kuk.” Power Delivery. [6] E. 3. 2006.” 2006. é possível que um destes arranjos forneça maiores benefícios que o outro. [11] H. 24. R EFERÊNCIAS [1] M. IEEE Transactions on. cabe ressaltar que existe mais de uma solução com 24 pontos que fornecem o mesmo valor de ótimo para a função objetivo. AGRADECIMENTOS Os autores gostariam de agradecer ao Laboratório de Sistemas de Energia Elétrica (LSEE). 599– 614. Apr. E. Moon.” IEEE Transactions on Power Delivery. vol. 2009. Addison-Wesley Professional. and J. Como prosseguimento desta pesquisa. As funções de ponderação empregadas para aproximar as regras de instalação dos monitores responderam adequadamente. permitindo uma análise mais clara da relação custo-benefício da instalação de novos monitores no sistema. Kim. vol. VI. possibilitando que novos parâmetros sejam incorporados ao modelo de otimização adotado. [8] W.