Professional Documents
Culture Documents
Optimization of The Maintenance Programs of Distribution Systems With Focus On The Reliability Through An Artificial Immune System
Optimization of The Maintenance Programs of Distribution Systems With Focus On The Reliability Through An Artificial Immune System
na confiabilidade e mínimo custo. Utilizaremos da referência inclusive esta possibilidade. O modelo formulado é
[9] como base deste trabalho. A função objetivo é dada por: simplificado por não considerar o tempo médio para a
manutenção preventiva, que gera menor impacto na
𝑀𝑖𝑛 𝑓𝑜𝑏 = 𝑓1 (𝑋) + 𝑓2 (𝑋) (1) confiabilidade do que o tempo médio para reparo na ação
𝑝ℎ corretiva, representado neste modelo pelo parâmetro 𝑟𝑒 . Ainda,
𝑓1 = ∑𝑡=1 ∑𝑒∈𝐸 ∑𝑚∈𝑀𝑒 [𝑐𝑜𝑠𝑡𝑝𝑒,𝑚 × (1 + 𝑗)𝑡
(2) as ações de manutenção preventiva 𝑥𝑒,𝑚,𝑡 impactam nas taxas
× 𝑥𝑒,𝑚,𝑡 + 𝑐𝑜𝑠𝑡𝑐𝑒,𝑚 ]
𝑝ℎ de falha 𝜆𝑡𝑟,𝑡 e 𝜆𝑚𝑠𝑖,𝑡 através de fatores multiplicativos,
𝑓2 = ∑ ∑ 𝑐𝑜𝑠𝑡𝑓𝑠 × (1 + 𝑗)𝑡 × 𝑃𝐷𝑠 × 𝜆𝑠,𝑡 (3) conforme equação (14).
𝑡=1 𝑠∈𝑆
𝜆𝑒,𝑡 = 𝑓𝜆𝑒,𝑡 . 𝜆𝑒 ∀ 𝑒 = 𝑡𝑟, 𝑚𝑠𝑖 (14)
A parcela 𝑓1 representa o custo de cada decisão envolvendo
os planos de manutenção para todo o horizonte de Se determinado plano é mais intensivo que o de referência,
planejamento, enquanto que 𝑓2 consiste no custo total de falha o fator 𝑓𝜆𝑒,𝑡 é menor que ‘1’, implicando em redução da taxa
do SDE, incluindo os custos de interrupção de todas as seções de falha. Caso contrário, a taxa de falha é elevada para planos
da rede elétrica em todos os períodos deste horizonte. A taxa menos intensivos em relação ao de referência. A
de falha da seção 𝑠 no período 𝑡, 𝜆𝑠,𝑡 , é calculada como: confiabilidade 𝐶𝑠,𝑡 é atualizada de acordo com 𝜆𝑒,𝑡 e, portanto,
também depende do plano de manutenção.
𝜆𝑠,𝑡 = 𝜆𝑡𝑟,𝑡 + ∑𝑚𝑠 ∈ 𝑀𝑡𝑟𝑠 𝜆𝑚𝑠𝑖,𝑡 (4)
IV. METODOLOGIA PROPOSTA
A função objetivo em (1) é sujeita às seguintes restrições: Como o problema de planejamento da manutenção de
sistemas de distribuição envolve as variáveis discretas 𝑥𝑒,𝑚,𝑡
∑𝑚∈𝑀𝑡𝑟 [𝑟𝑒 . (1 − ∑𝑠∈𝑆𝑒 𝐶𝑠,𝑡 )] ≤ para representar as decisões sobre planos, em um conjunto 𝑀𝑒 ,
𝑚𝑖𝑛
(5) para cada equipamento ‘𝑒’ e período de tempo 𝑡 do horizonte
𝑑𝑖𝑐𝑚𝑒𝑠 ∀𝑡 𝜖 𝑝ℎ, 𝑒 𝜖 𝐸𝑇𝑅
∑3𝑞 ∑ ∑ de planejamento, a meta-heurística bioinspirada SIA [10] é
𝑡=1+3(𝑞−1) 𝑚∈𝑀𝑡𝑟[𝑟𝑒 . (1 − 𝑠∈𝑆𝑒 𝐶𝑠,𝑡 )] ≤
𝑚𝑖𝑛
(6) proposta no presente trabalho. Esta técnica é capaz de lidar
1,5 × 𝑑𝑖𝑐𝑡𝑟𝑖 ∀𝑞 𝜖 𝑝ℎ𝑞, 𝑒 𝜖 𝐸𝑇𝑅 com variáveis de otimização discretas de forma eficiente,
12𝑦
∑𝑡=1+12(𝑦−1) ∑𝑚∈𝑀𝑡𝑟 [𝑟𝑒 . (1 − ∑𝑠∈𝑆𝑒 𝐶𝑠,𝑡 )] ≤ sendo inspirada no sistema imunológico natural adaptativo de
𝑚𝑖𝑛
(7)
3,0 × 𝑑𝑖𝑐𝑎𝑛𝑜 ∀𝑦 𝜖 𝑝ℎ𝑦, 𝑒 𝜖 𝐸𝑇𝑅 animais vertebrados.
∑𝑚∈𝑀𝑡𝑟 [𝑥𝑒,𝑚,𝑡 + (1 − ∑𝑠∈𝑆𝑒 𝐶𝑠,𝑡 )] ≤ O algoritmo SIA faz uma analogia entre a produção de
𝑚𝑖𝑛
(8) anticorpos do sistema natural para reconhecimento de agentes
𝑓𝑖𝑐𝑚𝑒𝑠 ∀𝑡 𝜖 𝑝ℎ, 𝑒 𝜖 𝐸𝑇𝑅
patogênicos, ou antígenos, com a geração de soluções
∑3𝑞 ∑ ∑
𝑡=1+3(𝑞−1) 𝑚∈𝑀𝑡𝑟[𝑥𝑒,𝑚,𝑡 + (1 − 𝑠∈𝑆𝑒 𝐶𝑠,𝑡 )] ≤
(9) candidatas para um problema de otimização. No lugar do
𝑚𝑖𝑛
1,5 × 𝑓𝑖𝑐𝑡𝑟𝑖 ∀𝑞 𝜖 𝑝ℎ𝑞, 𝑒 𝜖 𝐸𝑇𝑅 antígeno a ser reconhecido, existe uma função objetivo a ser
12𝑦
∑𝑡=1+12(𝑦−1) ∑𝑚∈𝑀𝑡𝑟 [𝑥𝑒,𝑚,𝑡 + (1 − ∑𝑠∈𝑆𝑒 𝐶𝑠,𝑡 )] ≤ minimizada conforme equação (1), cujo valor é inversamente
(10)
𝑚𝑖𝑛
3,0 × 𝑓𝑖𝑐𝑎𝑛𝑜 ∀𝑦 𝜖 𝑝ℎ𝑦, 𝑒 𝜖 𝐸𝑇𝑅 proporcional à afinidade. Utilizando o princípio de seleção
𝑝ℎ
∑𝑚∈𝑀𝑒 ∑𝑡=1 𝑎𝑚 . 𝑥𝑒,𝑚,𝑡 ≤ 𝑏𝑒 ∀𝑒 ∈ 𝐸 (11) clonal, esta técnica estabelece a proliferação de anticorpos
com maior afinidade, indicador de qualidade das soluções,
∑𝑒∈𝐸𝑓(𝑟𝑒 ) ≤ 𝑡𝑚𝑎𝑥
𝑓 ∀𝑡 𝜖 𝑝ℎ, ∀𝑓 𝜖 𝐹 (12) através de processo de maturação de afinidade de dois
∑ 𝑥𝑒,𝑚,𝑡 = 1 ∀𝑡 ∈ 𝑝ℎ, ∀𝑒 ∈ 𝐸 (13) estágios, hipermutação somática e edição de receptores, que
𝑚∈𝑀𝑒 consistem em mutação e geração aleatória de soluções,
respectivamente. A Fig. 1 apresenta o fluxograma deste
As restrições de (5) à (10) limitam os índices de algoritmo [9].
continuidade de fornecimento de energia elétrica DIC e FIC
do sistema de distribuição, em função das decisões de gen = 1 Gera
Início (1)
P*
planejamento 𝑥𝑒,𝑚,𝑡 . A restrição (11) estabelece o limite 𝑏𝑒
para o número de planos de manutenção em cada equipamento Sim gen = gen+1 Substitui
Fim Convergência? (10)
𝑒 durante o horizonte de planejamento, sendo que as P
Não
constantes 𝑎𝑚 são definidas com base na política de
Avalia Gera
investimento da distribuidora para o programa de manutenção. (2) (9)
f D
A restrição (12) considera o tempo de disponibilidade de
Seleciona Substitui
equipes de manutenção para cada alimentador 𝑓 e período de (3)
Ps P
(8)
Os passos do algoritmo da Fig. 1 são descritos a seguir. definidos os planos ‘3’, ‘2’ e ‘0’ para P1, P2 e P3,
Passo (1): geração de uma população de soluções respectivamente.
candidatas ao problema de otimização P*, que inicializa a
população corrente do algoritmo P. No problema tratado no V. ESTUDO DE CASO
presente trabalho, cada solução compreende um plano de Esta seção apresenta o estudo de caso para validar a
manutenções para a rede distribuição durante todo o horizonte metodologia baseada em SIA proposta, cujos dados de planos
de planejamento. de manutenção foram obtidos de [9]. A Tabela I apresenta os
Passo (2): avaliação da população P de planos candidatos planos possíveis para este estudo, que considera dois tipos de
ao problema de otimização. Esta avaliação consiste na equipamentos, transformador e condutor, cujos custos de
resolução do problema formulado em (1)-(13) seguida do manutenção em cada plano são dados na Tabela II. O plano 𝑚3
cálculo da função objetivo da equação (1). não pode ser definido para condutores.
Passo (3): seleção das 𝑛𝑠 melhores soluções para compor TABELA I
população 𝑃𝑠 . A solução com o menor valor de 𝑓𝑜𝑏, equação PLANOS DE MANUTENÇÃO CANDIDATOS
(1), é a de maior afinidade.
Plano Tipo de manutenção
Passo (4): clonagem das soluções de 𝑃𝑠 , processo em que as 𝑚0 Sem manutenção preventiva
melhores soluções, associadas aos menores índices 𝑖, geram 𝑚1 Manutenção mínima
maior número de clones, conforme equação (15). A população 𝑚2 Manutenção média
de clones é 𝐶. 𝑚3 Manutenção intensiva
Passo (5): mutação probabilística das soluções de 𝐶,
processo em que as melhores soluções recebem menor TABELA II
probabilidade de mutação, conforme (16). A população de CUSTOS DE MANUTENÇÃO ($)
clones após submetidos ao processo de mutação é 𝑀.
Plano
Passo (6): avaliação da população 𝑀. Equipamento
𝑚0 𝑚1 𝑚2 𝑚3
Passo (7): seleção das 𝑛𝑠 melhores soluções de 𝑀 para Transformador 0 120 300 1974,50
compor 𝑀𝑠. Condutor 0 8 100 --
Passo (8): substituição das 𝑛𝑠 piores soluções de P por 𝑀𝑠.
Passo (9): geração de ‘𝑑’ soluções aleatórias no processo A rede de distribuição utilizada foi obtida de [13], cujos
denominado edição de receptores para compor o conjunto D. dados de carga e topologia, ilustrada na Fig. 3, referem-se ao
Passo (10): substituição das ‘𝑑’ piores soluções de P por 𝐷. primeiro ano de planejamento apresentado em [13]. A rede
conta com quatro transformadores que alimentam os
𝑁𝑐,𝑖 = 𝑟𝑜𝑢𝑛𝑑(𝛽. 𝑓𝑖∗ )⁄𝑖 (15) alimentadores que saem da subestação (barra 1), além de seis
∗ trechos de condutores, conforme Fig. 3.
𝑝𝑖 = 𝑒 −ℎ.𝑓𝑖 (16)
Fig. 2. Codificação utilizada no SIA para planejamento da manutenção. Como a confiabilidade dos componentes no período 𝑡 é
função da manutenção aplicada em ‘𝑡 − 1’, o plano de
De acordo com o exemplo da Figura 2, o algoritmo define manutenção impacta na ocorrência de falhas e, portanto, na
os planos de manutenção de índices ‘0’, ‘1’ e ‘2’ para o
sua taxa. Daí, os fatores multiplicativos de taxa de falha 𝑓𝜆𝑒,𝑡
Equipamento ‘1’ nos períodos. Já para o Equipamento 2, são
são utilizados em [3], que aumentam ou diminuem a taxa
conforme o plano de manutenção aplicado. Estes
THE 12th LATIN-AMERICAN CONGRESS ON ELECTRICITY GENERATION AND TRANSMISSION - CLAGTEE 2017 5
multiplicadores são apresentados na Tabela IV [3], em que o resultante do somatório de 𝑓1 e 𝑓2 , conforme (1). Todos os
plano 𝑚2 é o plano de referência, cujo fator é unitário. custos são dados em [$]. As Tabelas X e XI apresentam os
Conforme a modelagem proposta, o planejamento da mesmos custos considerando ausência de manutenção e
manutenção considera diferentes tipos de consumidores no manutenção intensiva, respectivamente, em todo o período de
SDE para o cálculo do custo de confiabilidade, dado pela planejamento. Verifica-se que a opção por ausência de
função 𝑓2 da equação (3) que compõe a função objetivo. Para manutenção resulta em mínimo custo de ações, porém em
estes tipos de unidades de consumo, a Tabela V apresenta os máximo custo de confiabilidade (custo de interrupção), ao
custos de interrupção de fornecimento de energia elétrica, em passo que a manutenção intensiva em todo o período implica
função do tempo, dados em [$/kW] [13], os quais definem o em máximo custo de ações e mínimo de confiabilidade (custo
parâmetro 𝑐𝑜𝑠𝑡𝑓𝑠 da equação (3) de interrupção). Nos dois casos, o custo total, 𝑓𝑜𝑏, é maior
que o referido custo obtido pelo SIA, o que demonstra a
TABELA IV
MULTIPLICADORES DE TAXA DE FALHA
importância de se definir de forma estratégica a manutenção
da distribuição.
Plano Multiplicador - 𝑓𝜆𝑒,𝑡 TABELA IX
𝑚0 1,51 CUSTOS RESULTANTES DOS PLANOS DE MANUTENÇÃO DEFINIDOS PELO SIA
𝑚1 1,05 𝑓1 ($) 𝑓2 ($) 𝑓𝑜𝑏 ($)
𝑚2 1,00 5.866,81 466.537,23 472.404,03
𝑚3 0,95
TABELA X
TABELA V CUSTOS RESULTANTES PARA AUSÊNCIA DE MANUTENÇÃO EM TODO O PERÍODO
FUNÇÕES DE DANO PARA DIFERENTES TIPOS DE CONSUMIDORES 𝑓1 ($) 𝑓2 ($) 𝑓𝑜𝑏 ($)
0 702.800,88 702.800,88
Tipo de Duração de Interrupção
Consumidor 1 min 20 min 60 min 240 min 480 min TABELA XI
Industrial 1,625 3,868 9,085 25,16 55,81 CUSTOS RESULTANTES PARA MANUTENÇÃO INTENSIVA EM TODO O PERÍODO
Residencial 0,381 2,969 8,552 31,32 83,01 𝑓1 ($) 𝑓2 ($) 𝑓𝑜𝑏 ($)
Comercial 0,001 0,093 0,482 4,914 15,69 55.321,33 464.324,87 519.646,19
[6] Y. Wang e E. Handschin, “A new genetic algorithm for preventive unit pela PUC-Rio (2006 e 2010). Atuou como professor da UFF, e atualmente é
maintenance scheduling of power systems,” Electrical Power & Energy professor do departamento de energia elétrica da UFJF. Tem interesse em
Systems, pp. 343-348, Junho 2000. pesquisa nos temas: otimização aplicada, inteligência computacional aplicada,
[7] L. Fangxing e R. E. Brown, “A cost-effective approach of prioritizing sistemas de potência e economia de sistemas de energia.
distribution maintenance based on system reliability,” IEEE
Transactions on Power Delivery, vol. 19, nº 1, pp. 439-441, Janeiro, Vitor Hugo Ferreira (M’09) é Engenheiro
2004. Eletricista pela Universidade Federal de Itajubá
[8] H. M. Shourkaei, A. A. Jahromi e M. F. Firuzabad, “Incorporating (UNIFEI), 2002. Recebeu os títulos de Mestre e
Service Quality Regulation in Distribution System Maintenance Doutor pela COPPE/UFRJ (2005 e 2008).
Strategy,” IEEE Transactions on Power Delivery, vol. 26, nº 4, pp. Atualmente é o chefe do departamento de
2495-2504, Outubro, 2011. Engenharia Elétrica da Universidade Federal
[9] D. Piasson, A. A. P. Bíscaro, F. B. Leão e J. R. S. Mantovani, “A new Fluminense (UFF) e chair do Capítulo da
approach for reliability-centered maintenance programs in electric power Computational Intelligence Society (CIS) na Seção
distribution systems based on a multiobjective genetic algorithm.,” Rio do IEEE. Tem interesse nos seguintes temas:
Electric Power Systems Research, pp. 41-50, 23 Março 2016. aprendizado de máquina, otimização, previsão de
[10] L. N. Castro e F. J. Von Zuben, “Learning and optimization using the séries temporais, diagnóstico de falhas e planejamento da operação de
clonal selection principle,” IEEE Transactions on Evolutionary sistemas de potência.
Computation, vol. 6, nº 3, pp. 239-251, Junho, 2002.
[11] L. W. Oliveira, E. J. Oliveira, F. V. Gomes, I. C. Silva Jr, A. L. M.
Marcato e P. V. C. Resende, “Artificial Immune Systems applied to the
reconfiguration of electrical power distribution networks for energy loss
minimization,” Electrical power e energy systems, vol. 56, pp. 64-74,
Março 2014.
[12] P. V. C. Resende, L. W. Oliveira, E. J. Oliveira, F. V. Gomes, A. R.
Oliveira, A. M. Variz e I. C. Silva Jr, “Reconfiguração de sistemas de
distribuição de energia elétrica via sistemas imunológicos artificiais,”
Proc 9th Latin-American congress on electricity generation and
transmission Mar del Plata Argentina, p. 5, 2011.
[13] H. Falaghi, C. Singh, M. R. Haghifam e M. Ramezani, “DG intedrated
multistage distribution system expansion planning”, Electrical Power
and Energy Systems, pp. 1489-1497, 2 Julho 2011.
VIII. BIOGRAFIAS