Ribeiro DrielePlentzdaSilva M

UNIVERSIDADE ESTADUAL DE CAMPINAS
FACULDADE DE ENGENHARIA ELÉTRICA E DE COMPUTAÇÃO
DEPARTAMENTO DE SISTEMAS E ENERGIA
DRIELE PLENTZ DA SILVA RIBEIRO
GESTÃO INTELIGENTE DE ENERGIA EM
CONSUMIDORES RESIDENCIAIS
CAMPINAS
2016
UNIVERSIDADE ESTADUAL DE CAMPINAS
FACULDADE DE ENGENHARIA ELÉTRICA E DE COMPUTAÇÃO
DEPARTAMENTO DE SISTEMAS E ENERGIA
DRIELE PLENTZ DA SILVA RIBEIRO
GESTÃO INTELIGENTE DE ENERGIA EM CONSUMIDORES
RESIDENCIAIS
Orientador: Prof. Dr. Luiz Carlos Pereira da Silva
Dissertação de Mestrado apresentada ao Programa de Pós-Graduação
em Engenharia Elétrica da Faculdade de Engenharia Elétrica e de Computação
da Universidade Estadual de Campinas para obtenção do título de Mestra em
Engenharia Elétrica, área de concentração em Energia Elétrica.
Este exemplar corresponde à versão final da dissertação de
mestrado defendida pela aluna Driele Plentz da Silva Ribeiro,
e orientada pelo Prof. Dr. Luiz Carlos Pereira da Silva.
__________________________________
Prof. Dr. Luiz Carlos Pereira da Silva
CAMPINAS
2016
COMISSÃO JULGADORA – DISSERTAÇÃO DE MESTRADO
Candidato: Driele Plentz da Silva Ribeiro RA: 083443
Data da Defesa: 23 de setembro de 2016
Título da Tese: “Gestão Inteligente De Energia Em Consumidores Residenciais”.
Prof. Dr. Luiz Carlos Pereira da Silva (Presidente, FEEC/UNICAMP)
Prof. Dr. João Paulo Abreu Vieira (UFPA)
Prof. Dr. Leandro Tiago Manera (FEEC/UNICAMP)
A ata de defesa, com as respectivas assinaturas dos membros da Comissão Julgadora,
encontra-se no processo de vida acadêmica do aluno.
AGRADECIMENTOS
Agradeço primeiramente a Deus por me dar a capacidade intelectual para desenvolver este
trabalho.
Ao meu orientador, o Prof. Dr. Luiz Carlos Pereira da Silva que me deu todo o apoio e
incentivo para a realização deste trabalho.
À Profa. Dra. Leopoldina de Faria Ribeiro (in memorian), minha avó, por todo
ensinamento sobre matemática e sobre a vida. Ao Prof. Dr. Jaime Freitas Ribeiro, meu avô,
pelo apoio fundamental na realização deste mestrado.
Aos meus pais Jaime de Faria Ribeiro e Ana Celi Plentz da Silva Ribeiro e minha avó
Wera Edith Plentz (in memorian) pelo apoio e dedicação.
Ao meu namorado e colega Paulo Azevedo de Melo Junior pela ajuda mútua em trabalhos
realizados.
Aos colegas Marcelo Cardoso Sales Martins e Pedro Pablo Vergara Barrios pela ajuda no
projeto. Ao colega Daniel da Conceição Pinheiro pelo fornecimento de dados. A todos os
colegas dos laboratórios LE19 e LE23.
Agradeço também à CAPES pelo apoio financeiro.
RESUMO
Este trabalho apresenta ferramentas de gerenciamento de energia em consumidores
residenciais que sugerem alterações de hábitos de consumo aos usuários, visando à redução de
custos com a conta de energia elétrica. A simulação sugere os melhores horários de utilização
para equipamentos que podem ter seu uso deslocado e ajustes horários dos parâmetros para
equipamentos com parâmetros ajustáveis. O modelo desenvolvido também inclui o uso de
microgeração distribuída, que pode ser solar ou eólica. Para prever a quantidade de energia
gerada, são utilizados dados climáticos de um ano meteorológico típico. Essa quantidade é
calculada através de um software de simulação chamado GridLAB-D. O GridLAB-D também
é usado para calcular o consumo do HVAC, que depende dos dados climáticos e dos ajustes
sugeridos. Para equipamentos que não são considerados na simulação (cargas não
controláveis) utiliza-se o consumo médio da região, de acordo com a Pesquisa de
Equipamentos e Hábitos de Uso do Procel. Dois tipos de tarifas são considerados:
convencional e branca (horária). Para testar os métodos em diferentes climas, duas cidades
foram escolhidas: Santa Maria – RS e Belém – PA. A simulação usa Otimização por Enxame
de Partículas e sua variante cooperativa para encontrar as soluções.
Foram desenvolvidos três métodos complementares ao longo do projeto. O primeiro
método foca no gerenciamento do consumo de um sistema HVAC (Heating, Cooling and Air
Conditioning). O segundo método faz o gerenciamento, de forma não coordenada, do
consumo do HVAC e de outras cargas (bomba da piscina, chuveiro elétrico, secador de
cabelo, lavadora de roupas, lavadora de louças, panela elétrica e equipamentos recarregáveis)
em uma interface, onde os usuários podem configurar suas características e obter como
resposta as sugestões de consumo. O terceiro método visa integrar o gerenciamento do
consumo da bomba da piscina, do chuveiro elétrico, da lavadora de roupas e da lavadora de
louças, com o gerenciamento do consumo do HVAC e de baterias de armazenamento. Os
resultados mostraram que fazer o gerenciamento do consumo de uma residência pode reduzir
significativamente os gastos com a conta de energia elétrica.
Palavras-chave: Sistema de Gerenciamento de Energia, Uso Eficiente da Energia,
Conservação de Energia, Energias Renováveis.
ABSTRACT
This work presents energy management tools for residential consumers that suggest ways
of consumption to the users in order to reduce costs in the electricity bill. The simulation
procedures suggest the best time of use for equipments which can be shifted and hourly
adjustments of parameters for equipments with adjustable parameters. The developed model
also includes the use of distributed microgeneration, which can be photovoltaic or wind
systems. In order to preview the amount of power generation, weather data of a typical
meteorological year are used. This amount is calculated by a simulation software called
GridLAB-D. GridLAB-D is also used to calculate the HVAC consumption, which depends on
the weather data and the adjustment suggests. For equipments that are not considered in the
simulation, the Procel-Eletrobras report on Consumer Habits and Ownership of Appliances
Research is used. Two tariff types are used: Conventional and White (time of use). To test the
methods in different weathers, two cities were chosen: Santa Maria – RS and Belém – PA.
The simulation uses Particle Swarm Optimization and its cooperative variant to find the
solutions.
Three complementary methods were developed during the project. The first method
focuses on consumption management of a HVAC (Heating, Cooling and Air Conditioning)
system. The second method makes the consumption management, in an uncoordinated way,
of the HVAC and other loads (pool pump, electric shower, hair dryer, washing machine,
dishwasher, rice cooker and rechargeable equipments) using an interface, where the users
configure their characteristics and get an answer with the consumption suggestions. The third
method aims to coordinate the consumption management of the pool pump, electric shower,
washing machine and dishwasher to the consumption management of the HVAC and storage
batteries. The results showed that managing the consumption of a home can significantly
reduce the spent with the electric energy bill.
Keywords: Energy Management Systems, Energy Efficiency, Energy Conservation,
Renewable Energy.
LISTA DE FIGURAS
Figura 1. Casa inteligente com SRGE ..................................................................................................................... 19
Figura 2. Células fotovoltaicas (Adaptado de [43]) ............................................................................................... 28
Figura 3. Painéis instalados no telhado e no chão (Fontes: [44] e [45]) ................................................................ 28
Figura 4. Rolo de filme fino e sua aplicação (Fontes: [46]) .................................................................................... 29
Figura 5. Vidro fotovoltaico aplicado em um prédio (Fonte: [47]) ........................................................................ 29
Figura 6. Exemplo de curvas características I – V .................................................................................................. 30
Figura 7. Ligações e componentes de um sistema FV conectado à rede (Adaptado de [40]) ............................... 31
Figura 8. Turbinas eólicas de tamanhos micro, mini e household respectivamente (Fontes: [51, 52, 53]) ........... 32
Figura 9. Exemplos de turbina eólica de eixo vertical. (Fonte: [54]) ...................................................................... 33
Figura 10. Classificação Upwind e Downwind em turbinas de eixo vertical. (Fonte: [55]) .................................... 33
Figura 11. Rede Inteligente (Adaptado de [65]) .................................................................................................... 37
Figura 12. Participação dos eletrodomésticos no consumo residencial brasileiro. (Adaptado de [66]) ................ 38
Figura 13. Curva de Carga Diária Média Residencial no Brasil (Fonte: [66]) ......................................................... 39
Figura 14. Curvas de carga diárias médias residenciais por região (Fonte: [66]) .................................................. 40
Figura 15. Matriz Elétrica Brasileira (Adaptado de: [68], [69] e [4]) ..................................................................... 42
Figura 16. Modalidades tarifárias para consumidores residenciais. (Adaptado de [73]) ..................................... 46
Figura 17. Comparação da PSO (Fontes: [80] e [81]) ............................................................................................ 48
Figura 18. Pseudo-código da CPSO [84] ................................................................................................................ 49
Figura 19. Abrangência da ferramenta GridLAB-D [88] ........................................................................................ 51
Figura 20. ETP modelo térmico para uma casa típica (Adaptado de [95]) ............................................................ 54
Figura 21. Potência fornecida pelos geradores ..................................................................................................... 61
Figura 22. Representação da partícula do método 1 ............................................................................................ 62
Figura 23. Esquema do Método 1 .......................................................................................................................... 63
Figura 24. Comparativo de custos sem GD – Belém .............................................................................................. 64
Figura 25. Comparativo de custos com GD - Belém .............................................................................................. 64
Figura 26. Comparativo de custos - Santa Maria .................................................................................................. 65
Figura 27. Esquema do Metódo 2 .......................................................................................................................... 66
Figura 28. Protótipo da interface .......................................................................................................................... 67
Figura 29. Campo da interface referente ao chuveiro elétrico .............................................................................. 67
Figura 30. Campo da interface referente ao HVAC ............................................................................................... 68
Figura 31. Campos modalidade tarifária, bandeira tarifária, cidade e geração distribuída ................................. 69
Figura 32. Ajustes de temperatura do HVAC sugerido para o Cenário 1 ............................................................... 72
Figura 33. Ajustes de temperatura do HVAC sugerido para o Cenário 2 ............................................................... 73
Figura 34. Esquema do Metódo 3 .......................................................................................................................... 74
Figura 35. Vetores prêmio de restrição ................................................................................................................. 76
Figura 36. Cronogramas das cargas deslocáveis para Santa Maria ...................................................................... 77
Figura 37. Perfil de carga da bateria para Santa Maria ........................................................................................ 77
Figura 38. Potência consumida pelo HVAC e temperatura do ar .......................................................................... 78
Figura 39. Evolução do fitness para o programa CPSO de Santa Maria ................................................................ 78
Figura 40. Cronogramas das cargas deslocáveis para Belém................................................................................ 79
Figura 41. Perfil de carga da bateria para Belém .................................................................................................. 79
Figura 42. Potência do HVAC e temperatura do ar para Belém ............................................................................ 80
Figura 43. Evolução do fitness para Belém ............................................................................................................ 80
Figura 44. Resultados para o HVAC e a bateria ..................................................................................................... 81
LISTA DE TABELAS
Tabela 1. Definições de Edifício de Energia Zero. (Fonte: [14]) ............................................................................. 20
Tabela 2. Definições para a GD segundo o CIRED [37] .......................................................................................... 25
Tabela 3. Definições da Resolução Normativa Nº687 [2] ...................................................................................... 26
Tabela 4. Tecnologias para a GD [38] .................................................................................................................... 27
Tabela 5. Características de turbinas eólicas de pequena escala [50] .................................................................. 32
Tabela 6. Capacidade instalada por fonte (Fonte: [68]) ........................................................................................ 41
Tabela 7. Capacidade instalada de GD (Fonte: [68]) ............................................................................................. 41
Tabela 8. Consumo de energia elétrica por setor .................................................................................................. 43
Tabela 9. Definição das principais estruturas do GridLAB-D [64, 91] .................................................................... 52
Tabela 10. Dados climáticos de Belém em novembro ........................................................................................... 58
Tabela 11. Dados climáticos de Santa Maria em julho.......................................................................................... 59
Tabela 12. Tarifas Celpa [99] ................................................................................................................................. 60
Tabela 13. Tarifas AES Sul [100] ............................................................................................................................ 60
Tabela 14. Características de consumo das cargas deslocáveis ............................................................................ 68
Tabela 15. Características dos cenários simulados ............................................................................................... 70
Tabela 16. Características comuns dos cenários simulados .................................................................................. 70
Tabela 17. Características comuns dos cenários simulados - equipamentos ........................................................ 70
Tabela 18. Hábitos de consumo dos casos base .................................................................................................... 71
Tabela 19. Sugestões dos horários de uso para as cargas deslocáveis no Cenário 1 ............................................ 71
Tabela 20. Sugestões dos horários de uso para as cargas deslocáveis no Cenário 2 no Cenário .......................... 72
Tabela 21. Especificação das cargas deslocáveis .................................................................................................. 75
Tabela 22. Caso de referência ............................................................................................................................... 76
Tabela 23. Consumo mensal .................................................................................................................................. 82
LISTA DE ABREVIATURAS E SIGLAS
ADE
AG
A-life
ANEEL
AVAC
BEV
CLTD
CONFAZ
CSV
DER
DES
DG
DOE/OE
DR
DSM
EEQZ
EEZ
EMS
EUA
FV
GD
GLD
GLM
HEMS
HVAC
IEA
Inmetro
Armazenamento Distribuído de Energia
Algoritmos Genéticos
Artificial Life
Agência Nacional de Energia Elétrica
Aquecimento, ventilação e ar-condicionado
Battery Electric Vehicles
Cooling Load Temperature Difference
Conselho Nacional de Política Fazendária
Comma-separated values
Distributed Energy Resources
Distributed Energy Storage
Distributed Generation
U.S. Department of Energy Office of Electricity Delivery and Energy Reliability
Demand Response
Demand Side Management
Edifício de Energia Quase Zero
Edifício de Energia Zero
Energy Management System
Estados Unidos da América
Fotovoltaico
Geração Distribuída
Gerenciamento pelo Lado da Demanda
GridLAB-D Modeling
Home Energy Management System
Heating, Cooling and Air Conditioning
NZEB
International Energy Agency
Instituto Nacional de Metrologia, Qualidade e Tecnologia
Net Zero Energy Building
ONS
Operador Nacional do Sistema
PABX
PHEV
Private Automatic Branch Exchange
Plug-in Hybrid Electric Vehicles
Programação Linear Inteira
PLI
PLIM
PNNL
PROCEL
PSO
RD
RED
Programação Linear Inteira Mista
Pacific Northwest National Laboratory
Programa Nacional de Conservação de Energia Elétrica
Particle Swarm Optimization
Resposta da Demanda
Recursos Energéticos Distribuídos
RI
SG
SGE
SRGE
STC
SWERA
TE
TMY
TUSD
VEB
VEHP
ZEB
Rede Inteligente
Smart Grid
Sistema de Gerenciamento de Energia
Sistema Residencial de Gerenciamento de Energia
Standard Test Conditions
Solar and Wind Energy Resource Assessment
Tarifa de Energia
Typical Meteorological year)
Tarifa de Uso do Sistema de Distribuição
Veículos Elétricos à Bateria
Veículos Elétricos Híbridos Plugáveis
Zero Energy Building
SUMÁRIO
1.
2.
INTRODUÇÃO ............................................................................................. 15
1.1.
CONTEXTO E MOTIVAÇÃO .............................................................................. 15
1.2.
OBJETIVO ....................................................................................................... 16
1.3.
METODOLOGIA ............................................................................................... 16
1.4.
ESTRUTURA DA DISSERTAÇÃO ........................................................................ 17
REVISÃO BIBLIOGRÁFICA E EMBASAMENTO TEÓRICO ............................. 18
2.1.
2.1.1.
GERENCIAMENTO DE ENERGIA EM UMA CASA INTELIGENTE ..................... 18
2.1.2.
EXEMPLOS DE SISTEMAS RESIDENCIAIS DE GERENCIAMENTO DE ENERGIA
21
2.2.
3.
GERENCIAMENTO DE E NERGIA ...................................................................... 18
RECURSOS ENERGÉTICOS DISTRIBUÍDOS ....................................................... 24
2.2.1.
GERAÇÃO DISTRIBUÍDA ............................................................................. 24
2.2.2.
ARMAZENAMENTO DISTRIBUÍDO DE ENERGIA .......................................... 34
2.2.3.
RESPOSTA DA DEMANDA ............................................................................ 36
2.3.
CARACTERIZAÇÃO DE CARGAS RESIDENCIAIS ............................................... 37
2.4.
ENERGIA ELÉTRICA NO BRASIL E O SETOR RESIDENCIAL ............................. 40
2.5.
TARIFAS PARA CONSUMIDORES RESIDENCIAIS .............................................. 43
FERRAMENTAS UTILIZADAS ...................................................................... 47
3.1.
OTIMIZAÇÃO POR ENXAME DE PARTÍCULAS .................................................. 47
3.1.1.
3.2.
OTIMIZAÇÃO POR ENXAME DE PARTÍCULAS COOPERATIVA ..................... 49
GRIDLAB-D ................................................................................................... 50
3.2.1.
MÓDULO CLIMA ........................................................................................ 52
3.2.2.
MÓDULO RESIDENCIAL .............................................................................. 53
3.2.3.
4.
MÓDULO GERADORES ............................................................................... 56
MÉTODOS E RESULTADOS ......................................................................... 58
4.1.
MÉTODO 1: GERENCIAMENTO DO CONSUMO DO HVAC ................................ 61
4.2.
MÉTODO 2: GERENCIAMENTO DO CONSUMO DO HVAC E DE OUTRAS CARGAS
65
4.3.
MÉTODO 3: GERENCIAMENTO INTEGRADO DO CONSUMO DO HVAC, DE
BATERIAS E DE OUTRAS CARGAS) .............................................................................. 73
4.3.1 CUSTO MENSAL ............................................................................................. 81
5.
CONCLUSÕES ............................................................................................. 84
5.1.
PUBLICAÇÕES ................................................................................................. 87
REFERÊNCIAS ................................................................................................... 90
15
1. INTRODUÇÃO
1.1. CONTEXTO E MOTIVAÇÃO
Existe uma tendência global de mudança de paradigma em relação ao consumo da energia
elétrica. No Brasil já existem novas formas de enxergar esse consumo, inclusive para
consumidores residenciais. Anteriormente a única possibilidade em relação à rede elétrica era
o consumo da energia. Hoje, já existe a possibilidade de gerar energia, conectar essa Geração
Distribuída (GD) à rede e obter crédito positivo de consumo que pode ser abatido em futuras
contas de energia [1, 2]. Outras possibilidades para a cobrança da energia elétrica também
estão surgindo. A ANEEL já aprovou um tipo de tarifação horária para consumidores
residenciais: a tarifa branca. Esse tipo de tarifa, opcional ao consumidor, tem preços
diferentes para diferentes horas do dia [3].
Essa mudança na maneira de se gerar e consumir energia é impulsionada por países que
tem a matriz elétrica baseada em combustíveis fósseis e/ou energia nuclear, e querem reduzir
essa dependência. Esse não é o caso da matriz elétrica brasileira, que é baseada em uma
energia renovável: a hidrelétrica. Apesar de ser renovável, a geração de energia através de
hidrelétricas é sazonal e depende fortemente das condições climáticas e das chuvas. Além
disso, a construção de hidrelétricas gera grandes impactos ambientais, por necessitar da
construção de reservatórios que causam alagamentos. Tudo isso torna importante a
diversificação do parque gerador. Atualmente a alternativa à energia hidrelétrica é a energia
termoelétrica. Quando há um longo período de seca, a participação da energia termoelétrica
aumenta e a de hidrelétrica diminui, como aconteceu em 2014 [4]. A energia gerada por
termoelétricas, além de ser poluente, é mais cara. Essa diferença de preço começou a ser
repassada ao consumidor através de bandeiras tarifárias na conta de energia, que preveem
aumentos na conta se a geração de energia vigente for mais cara. Além das bandeiras
tarifárias, aumentos sucessivos na conta estão viabilizando cada vez mais a instalação de GD.
O fato do consumidor ter opções sobre a cobrança do consumo gera a Resposta da
Demanda (RD), que é a mudança dos hábitos de consumo em resposta a algum incentivo,
incluindo mudança na tarifa [5]. A RD e os Recursos Energéticos Distribuídos (RED)
incentivam o uso de um sistema de gerenciamento que maximize o potencial de consumo de
energia ao mesmo tempo que reduz gastos. Esse trabalho propõe ferramentas de
16
gerenciamento de energia que auxiliam o consumidor residencial a tomar decisões sobre seus
hábitos de consumo, levando em conta essas novas oportunidades que o setor elétrico
proporciona.
1.2. OBJETIVO
O objetivo principal deste projeto é desenvolver métodos para fazer o gerenciamento de
energia em um consumidor residencial apontando o melhor modo de utilização para seus
equipamentos elétricos. Este apontamento pode ser feito através de sugestões para os horários
de uso ou ajustes dos parâmetros desses equipamentos. O gerenciamento visa reduzir os
gastos com a conta de energia elétrica, levando em conta seu preço e os RED presentes na
residência. As respostas apresentadas podem fazer parte de um sistema automático, porém o
projeto é focado na obtenção dessas respostas e não na automatização do sistema, tendo o
usuário a opção de fazer os ajustes sugeridos manualmente.
1.3. METODOLOGIA
Ao longo deste projeto de mestrado foram desenvolvidos 3 métodos complementares que
visam atingir o objetivo. Cada método resultou uma publicação em congresso [6, 7, 8]. O
primeiro método consiste em fazer a gestão do consumo de um sistema HVAC (Heating,
Cooling and Air Conditioning), sugerindo ajustes horários para a temperatura de banda morta
do equipamento. No segundo método é desenvolvida uma interface para a interação com o
usuário e são adicionadas novas cargas à simulação: bomba da piscina, chuveiro elétrico,
secador de cabelo, lavadora de roupas, lavadora de louças, panela elétrica e equipamentos
recarregáveis. Para esses equipamentos é apontado o horário de uso, porém de forma não
coordenada à simulação do HVAC. O terceiro método integra as simulações dos dois tipos de
carga, e adiciona baterias de armazenamento, sendo assim mais completo, uma vez que a
decisão do uso de um equipamento leva em conta a operação de todos os demais. Todos os
métodos usam a Otimização por Enxame de Partículas (do inglês Particle Swarm
Optimization, PSO) para obter as soluções e o software GridLAB-D para fazer a estimativa de
geração e a modelagem térmica. O terceiro método também inclui uma vertente cooperativa
da PSO que faz a integração entre as soluções.
17
1.4. ESTRUTURA DA DISSERTAÇÃO
Essa dissertação é composta de 5 capítulos.
O Capítulo 1 (Introdução) apresenta uma breve exposição sobre o contexto e a motivação
que levaram a confecção deste trabalho, o objetivo do projeto e a metodologia utilizada.
O Capítulo 2 (Revisão Bibliográfica e Embasamento Teórico) faz uma revisão
bibliográfica de temas importantes para esse projeto e fornece um embasamento teórico
necessário para a compreensão da aplicabilidade dos métodos.
O Capítulo 3 (Ferramentas Utilizadas) mostra as ferramentas utilizadas para desenvolver o
projeto: o método de otimização PSO e o software GridLAB-D. Este capítulo explica as
ferramentas focando em suas aplicações no projeto.
O Capítulo 4 (Métodos e Resultados) apresenta os 3 métodos desenvolvidos. Este capítulo
possui 3 seções, cada seção apresenta um método e os resultados obtidos com sua
implementação.
O Capítulo 5 (Conclusões) apresenta as conclusões gerais, as principais contribuições e
possíveis trabalhos futuros que podem complementar esse projeto.
18
2. REVISÃO BIBLIOGRÁFICA E EMBASAMENTO TEÓRICO
2.1. GERENCIAMENTO DE ENERGIA
Gerenciamento de energia é a organização do consumo de energia visando algum objetivo,
como, por exemplo, eficiência energética e/ou redução de custos. A energia gerenciada pode
ser de qualquer tipo, mas a energia elétrica é o alvo principal. Esse gerenciamento pode ser
feito por um Sistema de Gerenciamento de Energia (SGE), em inglês Energy Management
System (EMS). O SGE integra microprocessadores, painéis, cabos de comunicação e
programas de aplicação de software [9]. Esses sistemas não são considerados tecnologia nova,
estando presentes no setor energético há muitas décadas para aplicações na geração,
transmissão e distribuição de energia [10].
Em edifícios, centrais de SGEs variam em nível de complexidade podendo fornecer
informação e controlar remotamente sistemas de ar condicionado, segurança e incêndio, entre
outros equipamentos. Essas centrais começaram com equipamentos que ligavam e desligavam
componentes de alguns sistemas do edifício (ar-condicionado, incêndio, segurança) conforme
um cronograma pré-definido [9] e evoluíram para sistemas capazes de otimizar o uso dos
equipamentos e os integrar através da internet.
2.1.1. GERENCIAMENTO DE ENERGIA EM UMA CASA INTELIGENTE
Uma casa inteligente, em inglês Smart House, pode ser descrita como uma casa que é
equipada com objetos inteligentes, que podem ser interligados através de uma rede doméstica,
ligados ao mundo exterior através da Internet, e/ou programados de forma automática.
Objetos inteligentes tornam possível a interação e a observação por parte do usuário.
Originalmente, a tecnologia da casa inteligente foi usada para controlar os sistemas
relacionados ao ambiente, como iluminação e aquecimento, mas recentemente o uso da
tecnologia inteligente se desenvolveu, a ponto de ser possível conectar quase qualquer
equipamento elétrico ao sistema. Além disso, essa tecnologia não se refere simplesmente a
ligar e desligar os equipamentos, mas sim a possibilidade de monitorar o ambiente interno e
as atividades realizadas enquanto a casa é ocupada. O resultado dessas modificações é que
uma casa inteligente pode agora monitorar as atividades de seus habitantes, operar
19
dispositivos de forma independente conforme um padrão pré-definido ou de acordo com o
usuário [11]. Esses sistemas inteligentes de gerenciamento de energia são chamados de
Sistemas Residenciais de Gerenciamento de Energia (SRGE), do inglês Home Energy
Management Systems (HEMS). A Resposta da Demanda (RD), o Gerenciamento pelo Lado
da Demanda (GLD), a redução do consumo no horário de pico e o deslocamento de carga são
soluções para ajudar o operador da rede, que tem incentivado o desenvolvimento de SRGEs
mais robustos e inteligentes [10]. Uma casa inteligente com um SRGE é capaz de gerenciar
eletrodomésticos, geradores de energia, baterias de armazenamento, veículos elétricos e
medidores inteligentes (Figura 1).
Figura 1. Casa inteligente com SRGE
Também existe a definição de Casa Energeticamente Inteligente, em inglês Energy-Smart
House, que prioriza a eficiência energética em sua estrutura física. Uma verdadeira eficiência
energética só pode ser atingida se contemplar todos os aspectos de uma casa como sua
20
localização, sua estrutura e seus sistemas. Uma Casa Energeticamente Inteligente possui
acabamento, iluminação e janelas de alta performance e sistemas de ar-condicionado e água
quente mais eficientes [12].
Na classificação de casas que levam em conta a eficiência energética também existe o
termo Edifício de Energia Zero (EEZ), do inglês Zero Energy Building (ZEB) ou Net Zero
Energy Building (NZEB). Esse termo é bem abrangente e vem acompanhado de várias
definições dependendo dos objetivos do projeto (Tabela 1). Outro tipo de construção que pode
ser considerada é o Edifício de Energia Quase Zero (EEQZ). Não existe uma definição formal
para esse tipo de edifício, sendo que a principal definição é a do Parlamento Europeu, que está
empenhado em melhorar significativamente a eficiência energética dos edifícios na União
Europeia. Segundo o Parlamento Europeu, um EEQZ é um edifício com um desempenho
energético muito elevado, tendo suas necessidades de energia quase nulas ou muito pequenas
que deverão ser cobertas em grande parte por energia proveniente de fontes renováveis,
incluindo energia produzida no local ou nas proximidades [13]. Ou seja, esse tipo de edifício
também possui medidas de eficiência energética e geração distribuída, mas não gera o
suficiente para suprir todo o consumo.
Tabela 1. Definições de Edifício de Energia Zero. (Fonte: [14])
Energia Zero no
Local (Net Zero
Site Energy)
Energia Zero na
Fonte (Net Zero
Source Energy)
Energia Zero no
Custo (Net Zero
Energy Costs)
Energia Zero nas
Emissões
(Net
Zero
Energy
Emissions)
Edifícios que geram toda a energia que consomem anualmente, no
próprio local.
Edifícios que geram localmente pelo menos toda a energia primária a
ser consumida. Isto significa que ele deve gerar energia suficiente para
compensar as perdas na geração (eficiência na conversão da energia
primária em energia útil) na transmissão e distribuição desta energia.
Edifícios em que os custos com a energia são zero, já que as receitas
provenientes com a venda de energia à rede cobrem os custos com a
aquisição da mesma, incluindo custos de disponibilidade da rede,
demanda, taxas e encargos.
São edifícios que compensam as emissões de gases do efeito estufa
causadas pelo consumo de energia de fontes poluentes, ao gerar
energia a partir de fontes renováveis livres de emissões para compensar
este consumo.
21
No Brasil existe o Selo Procel de Edificações, emitido pelo Programa Nacional de
Conservação de Energia Elétrica (PROCEL), que permite identificar edificações com
melhores classificações em eficiência energética. Este Selo avalia edifícios comerciais, de
serviços e públicos quanto a envoltória, a iluminação e o condicionamento de ar e Unidades
Habitacionais quanto a envoltória e o sistema de aquecimento de água. Ele é aplicado nas
etapas de projeto e de edificação construída [15].
2.1.2. EXEMPLOS DE SISTEMAS RESIDENCIAIS DE GERENCIAMENTO DE ENERGIA
Sistemas de otimização vem sendo desenvolvidos por pesquisadores do mundo todo,
visando aumentar a eficiência energética e reduzir gastos com o consumo de eletricidade em
uma residência.
Pedrasa et. al. propõem em [16] uma técnica de modelagem de serviços de energia que
funciona com uma plataforma de simulação que maximiza o potencial dos Recursos
Energéticos Distribuídos (RED) e dos serviços de energia. A plataforma propõe uma
estratégia que fornece valores diferentes para os serviços de energia de acordo com a
disponibilidade possível dos RED enquanto o custo é minimizado. A técnica utilizada é a PSO
binária e canônica. Em [17], os autores melhoram a técnica utilizando algumas variações da
PSO, como a PSO Coevolutiva e com repulsão entre as partículas. Esta dissertação de
mestrado teve grande influência do trabalho desses autores.
Goya et. al. em [18] focam em operar as cargas controláveis, bateria e unidades térmicas de
maneira coordenada, usando busca Tabu, ou do inglês Tabu Search (TS). A otimização é
dividida em duas partes: primeiro a carga é controlada pelo controlador de carga e de bateria,
depois o cronograma das unidades térmicas é decidido com base na primeira resposta.
Tanaka et. al. apresentam em [19] uma metodologia para otimizar a operação de uma Rede
Inteligente (RI) para minimizar a flutuação do fluxo de potência no ponto de interconexão,
com a possibilidade de reduzir o consumo e o custo da eletricidade. O sistema consiste de
gerador fotovoltaico (FV) bomba de calor, bateria, coletor solar e carga. O método de
otimização utilizado é o TS. Em [20] e [21], Tanaka et al. apresentam uma metodologia
semelhante.
Mohsenian-Rad et. al. apresentam em [22] um sistema de GLD autônomo e distribuído
entre os usuários, que tem a vantagem da infraestrutura de comunicação digital em dois
22
sentidos visando a futura RI. Os autores usaram a teoria dos jogos e formularam um jogo do
cronograma do consumo de energia, onde os jogadores são os usuários e suas estratégias são
os cronogramas diários dos seus eletrodomésticos e cargas. O objetivo do jogo é reduzir o
consumo de energia, o custo da energia e a diferença entre o consumo do horário de pico e
dos outros horários.
Fernandes et. al. apresentam em [23] uma abordagem com Algoritmos Genéticos (AG) que
gerencia o consumo de uma residência fazendo o uso do sistema SCADA desenvolvido pelos
autores. O gerenciamento de consumo é feito reduzindo ou cortando cargas para manter o
consumo de potência dentro de um limite. Esse consumo é determinado de acordo com a
estratégia do consumidor e levando em conta a microgeração renovável, o preço da energia,
as solicitações de suprimentos, e as preferências do consumidor. A proposta é comparada com
uma abordagem não-linear inteira mista.
Barbato et. al. propõem em [24] modelos de planejamento diário ótimo das cargas de uma
única casa e de um grupo de casas. Modelos não-cooperativos são utilizados para o
planejamento das cargas de uma casa, com o objetivo final de minimizar a conta de energia.
Uma variante preventiva é também apresentada onde algumas atividades dos eletrodomésticos
podem ser interrompidas em algumas fases do ciclo de funcionamento. Modelos cooperativos
são definidos para unir o gerenciamento de energia de um grupo de usuários para facilmente
diminuir a demanda de potência máxima agregada, reduzindo assim a absorção do pico. O
método de otimização utilizado é a Programação Linear Inteira (PLI). Em [25] os autores
apresentam uma metodologia semelhante.
Shahgoshtasbi e Jamshidi apresentam em [26] um novo EMS para uma casa inteligente. A
partir de entradas da rede e usando um algoritmo inteligente, busca-se encontrar o consumo de
energia eficiente e efetivo. O comportamento e as preferências do usuário também são
considerados e o cronograma ótimo de energia é encontrado de acordo com a noção dinâmica
de preço. Essa abordagem é útil especialmente em um sistema de preço dinâmico no qual o
usuário não conhece a mudança do consumo de energia. O EMS tem duas partes: a parte fuzzy
e a parte da tabela de pesquisa inteligente. A parte fuzzy é baseada em suas regras fuzzy e as
entradas fazem as saídas adequadas para a tabela de pesquisa inteligente. A segunda parte,
cujo núcleo é uma rede neural associativa, é capaz de mapear entradas para as saídas
23
desejadas. Em [27] os autores fazem uma versão modificada do EMS, onde cada
eletrodoméstico tem sua tabela de pesquisa.
Bozchalui et. al. apresentam em [28] modelos de otimização matemática de
eletrodomésticos que podem ser prontamente incorporados em tecnologias automáticas de
tomada de decisão em RIs, e podem resolver eficientemente em uma fração do tempo real
para otimizar o controle da maioria das cargas residenciais, armazenamento e produção de
componentes enquanto considera as preferências do usuário e o nível de conforto. O
desenvolvimento dos modelos matemáticos resultou em problemas de otimização de
Programação Linear Inteira Mista (PLIM) com funções objetivo de minimização do consumo
de energia, do custo total da eletricidade e gás, das emissões, da carga de pico, e/ou quaisquer
combinações desses objetivos, considerando as preferências do usuário.
Yoza et. al. propõem em [29] que as cargas de uma casa inteligente como bombas de calor,
baterias e veículos elétricos (VE) sejam usadas como cargas controláveis. A casa também
possui painéis FV e coletores solares. O planejamento de operação ótima desses equipamentos
é decidido com o propósito de minimizar o custo operacional durante um dia. O método de
otimização utilizado é o TS.
Miyagi et. al., propõem em [30] um método de compartilhamento ótimo de carga usando
controle droop e controle fuzzy para uma casa inteligente que é equipada com um sistema FV,
VE, bateria e HEMS. O compartilhamento ótimo de carga é alcançado mudando as
características droop de cada inversor que está conectado ao sistema FV, à bateria, e VE
usando controle fuzzy.
Wang et. al. propõem em [31] um algoritmo que usa PLIM para determinar o valor da
inércia térmica na RD para beneficiar os usuários. A energia consumida para esfriar uma casa
inteligente é otimizada para minimizar os custos de esfriar as cargas térmicas. Modelos
térmicos de um e dois parâmetros são integrados à otimização. A otimização da carga térmica
para manter a casa inteligente dentro do nível de conforto térmico é formulada como uma
PLIM em uma política de preço dinâmico.
Yoon et. al. desenvolveram uma estratégia de controle para os HVACs que responde aos
preços em tempo real para reduzir a carga no pico [32]. A proposta baseia-se em um controle
dinâmico de resposta da demanda, em inglês Dynamic Demand Response Controller (DDRC),
que muda a temperatura de set-point do controle da carga HVAC dependendo do preço de
24
varejo da eletricidade publicado a cada 15 minutos e desloca parcialmente algumas dessas
cargas para fora do pico.
2.2. RECURSOS ENERGÉTICOS DISTRIBUÍDOS
De acordo com o Instituto de Engenheiro Eletricistas e Eletrônicos, em inglês Institute of
Electrical and Electronics Engineers (IEEE), REDs, do inglês Distributed Energy Resources
(DER), são fontes de potência elétrica que não estão diretamente conectadas ao sistema de
transmissão e podem incluir tanto tecnologias de geração quanto de armazenamento [33]. Os
RED podem ser inseridos do lado da demanda ou do lado do fornecimento [34]. Eles incluem
a Geração Distribuída (GD), do inglês Distributed Generation (DG); o Armazenamento
Distribuído de Energia (ADE), do inglês Distributed Energy Storage (DES); e a Resposta da
Demanda (RD), do inglês Demand Response (DR) [35].
2.2.1. GERAÇÃO DISTRIBUÍDA
Apesar do termo GD ser relativamente novo, seu conceito não é. Durante o
desenvolvimento inicial dos sistemas elétricos as usinas se localizavam próximas aos
consumidores. A geração centralizada, em usinas localizadas à grande distância do
consumidor, só foi possível após algumas inovações tecnológicas. Esses sistemas se tornaram
economicamente viáveis porque geram ganhos de escala e redução dos custos unitários, além
de serem considerados mais seguros. Usinas afastadas dos centros de consumo, interligadas
por sistemas de transmissão geram mais segurança no fornecimento, uma vez que a falha de
uma usina pode ser compensada por outra [36].
O termo GD vem acompanhado de muitas definições, que podem variar quanto ao nível de
tensão da conexão à rede, à capacidade de geração, aos serviços fornecidos, à tecnologia de
geração, ao modo de operação, à área de fornecimento de energia e à propriedade [36]. A
Tabela 2 mostra as definições de GD apresentadas em uma pesquisa para a Conferência
Internacional em Eletricidade Distribuída, em inglês International Conference on Electricity
Distribution (CIRED) [37]. O Conselho Internacional em Grandes Sistemas de Eletricidade,
em inglês International Council on Large Electric Systems (CIGRÉ), define GD como sendo
usualmente conectada à rede de distribuição, não planejada e não despachada de forma central
25
e com capacidade máxima entre 50 MW e 100 MW [37]. O IEEE, define GD como
instalações de geração elétrica conectadas ao sistema elétrico de potência através de um ponto
de acoplamento comum e como um tipo de RED [33]. Ackermann et al. define GD como uma
fonte de potência elétrica conectada diretamente à rede de distribuição ou do lado do medidor
referente ao consumidor [38].
Tabela 2. Definições para a GD segundo o CIRED [37]
País
Austrália
Áustria
Bélgica
República Tcheca
Dinamarca
Finlândia
França
Alemanha
Grécia
Índia
Itália
Holanda
Polônia
Portugal
Espanha
Reino Unido
Definição para GD
Conectada à rede de distribuição (até 132 kV), a qual é capaz de
suprir diretamente a demanda de consumidores locais.
Geralmente até 10 MW, conectada em redes de média tensão (1 - 35
kV em CA).
É aquela que não está inclusa no sistema nacional de produção
coordenada (geração não despachada por um agente central).
Conectada à rede de distribuição (até 110 kV) e até uma
determinada potência nominal.
Não é subordinada aos centros de despacho de carga regionais.
É aquela conectada ao nível de tensão entre 400 V e 20 kV.
Conectada à rede de distribuição e capaz de suprir a demanda de
consumidores locais diretamente. É conectada nos seguintes níveis
de tensão: 400 V, 15 e 20 kV.
Não há uma definição rigorosa, porém, trata-se principalmente de
geração solar, eólica e PCHs conectadas em redes de até 20 kV
(para parques eólicos, até 110 kV).
Conectada em sistemas de distribuição, cujo planejamento e
despacho não é centralizado.
Novas fontes de energia renováveis, conectadas em até 11 kV.
Conectada nos sistemas de distribuição (de 400 V até 150 kV).
Geração de propriedade das concessionárias de distribuição,
indústrias ou ainda em sociedades entre ambas, mas não
considerada no planejamento nacional do sistema (conectadas em
até 150 kV).
Não despachável e conectada em até 110 kV.
Potência de até 10 MW (com exceção das unidades de geração
integrada de calor e energia termoelétrica), sistemas de co-geração e
fontes renováveis, conectada em qualquer nível de tensão.
Conectada aos sistemas de distribuição.
Conectada aos sistemas de distribuição (até 132 kV). Pode ser
despachada.
No Brasil, a ANEEL define GD como sendo “centrais geradoras de energia elétrica, de
qualquer potência, com instalações conectadas diretamente no sistema elétrico de distribuição
26
ou através de instalações de consumidores, podendo operar em paralelo ou de forma isolada e
despachadas – ou não – pelo Operador Nacional do Sistema (ONS) ” [39]. Para baixa tensão,
a ANEEL publicou a Resolução Normativa Nº482 [1], e sua revisão (Resolução Normativa
Nº687) [2], para regulamentar o uso de GD. A Resolução Normativa Nº687 define
microgeração distribuída, minigeração distribuída e o sistema de compensação de energia
conforme Tabela 3.
Tabela 3. Definições da Resolução Normativa Nº687 [2]
microgeração distribuída
minigeração distribuída
sistema de compensação de
energia elétrica
“Central geradora de energia elétrica, com potência
instalada menor ou igual a 75 kW e que utilize cogeração
qualificada, conforme regulamentação da ANEEL, ou
fontes renováveis de energia elétrica, conectada na rede de
distribuição por meio de instalações de unidades
consumidoras. ”
“Central geradora de energia elétrica, com potência
instalada superior a 75 kW e menor ou igual a 3 MW para
fontes hídricas ou menor ou igual a 5 MW para cogeração
qualificada, conforme regulamentação da ANEEL, ou para
as demais fontes renováveis de energia elétrica, conectada
na rede de distribuição por meio de instalações de unidades
consumidoras. ”
“Sistema no qual a energia ativa injetada por unidade
consumidora com microgeração ou minigeração distribuída
é cedida, por meio de empréstimo gratuito, à distribuidora
local e posteriormente compensada com o consumo de
energia elétrica ativa. ” O prazo para o consumo do
empréstimo é de 60 meses.
A Resolução Normativa Nº687 [2] também define geração compartilhada. A partir desta
resolução é possível compartilhar a GD, dentro da mesma área de concessão, através de um
consórcio ou cooperativa. As pessoas, físicas ou jurídicas, que fazem parte do consórcio ou da
cooperativa, podem usar a energia gerada em um local comum para compensar a energia
consumida em outros locais. Ainda é possível o autoconsumo remoto, ou seja, o consumidor
pode instalar GD em um local próprio e compensar essa energia gerada em outro local de sua
propriedade.
Existem várias tecnologias que podem ser empregadas na GD, conforme Tabela 4. Para o
setor residencial, a principal fonte de energia a ser considerada é a solar fotovoltaica, seguida
dos geradores eólicos.
27
Tabela 4. Tecnologias para a GD [38]
Tecnologia
Tamanho típico por módulo
35MW – 400 MW
Turbina de ciclo de gás combinado
5kW – 10MW
Máquinas de combustão interna
1MW – 250MW
Turbina de combustão
35kW – 1MW
Micro-turbinas
Renováveis
1MW – 100MW
Pequena hidroelétrica
Micro hidroelétrica
25kW - 1MW
Turbina eólica
200 W – 3MW
Módulos fotovoltaicos
20 W – 100kW
Solar térmico, receptor central
1MW – 10MW
Solar térmico, sistema Lutz
10MW – 80MW
Biomassa,
por
exemplo,
baseada
em
100kW – 20MW
gaseificação
Células combustíveis, ácido fosfórico
200kW – 2MW
Células combustíveis, Carbonato fundido
250kW – 2MW
Células combustíveis, troca de prótons
1kW – 250kW
Células combustíveis, óxido sólido
250kW – 5MW
Geotérmica
5MW – 100MW
Energia do oceano
100 kW – 1MW
Motor Stirling
2.2.1.1.
2kW – 10kW
GERAÇÃO SOLAR FOTOVOLTAICA EM CONSUMIDORES RESIDENCIAIS
O potencial de utilização dos sistemas FV no Brasil é alto comparado a países que já tem
muitos sistemas em funcionamento. A potência gerada pelo sistema FV é proporcional à
insolação na região. O Brasil apresenta valores de insolação diária entre 4500 Wh/m² e 6000
Wh/m². Na Alemanha, onde 7,5% da energia consumida é proveniente de fontes FV, a
insolação fica em torno de 3500 Wh/m² [40, 41].
28
A energia solar FV é coletada através células capazes de transformar energia solar em
elétrica. As tecnologias de células FV mais comuns encontradas no mercado são a do silício
monocristalino, a do silício policristalino e a do filme fino de silício [40]. A Figura 2 mostra
as células de silício monocristalino, policristalino e filme fino. As células FV são agrupadas
em módulos, painéis ou placas que podem ser colocadas em telhados, lajes, em algum espaço
não utilizado. A Figura 3 mostra painéis FV montados em um telhado e no chão. A tecnologia
de filme fino também permite a fabricação de rolos maleáveis que podem ser adaptados à
arquitetura das construções, como mostra a Figura 4. Também existe a tecnologia de vidros
fotovoltaicos, que podem ser fabricados com filme fino ou silício cristalino [42]. A Figura 5
mostra uma aplicação para os vidros fotovoltaicos.
Figura 2. Células fotovoltaicas (Adaptado de [43])
Figura 3. Painéis instalados no telhado e no chão (Fontes: [44] e [45])
29
Figura 4. Rolo de filme fino e sua aplicação (Fontes: [46])
Figura 5. Vidro fotovoltaico aplicado em um prédio (Fonte: [47])
Apesar das diversas soluções existentes para o uso da energia solar FV, a mais utilizada é o
painel. Em consumidores residenciais, esses painéis podem ser instalados no chão, em lajes
ou no telhado. No chão e em lajes a instalação é parecida, sendo necessária uma estrutura de
apoio. Como essa estrutura deve ser construída, os painéis podem ser instalados de forma a
gerar mais energia ao longo do ano, voltados para o norte geográfico e com inclinação de
acordo com a latitude. A instalação no telhado geralmente é mais prática por aproveitar sua
inclinação, mas nesse caso não é possível maximizar o potencial de geração. A fixação dos
30
módulos no telhado é fácil, utiliza poucos componentes e é feita com técnicas semelhantes às
empregadas na instalação de coletores solares térmicos.
O painel FV gera uma corrente contínua e sua tensão elétrica depende de sua corrente e
vice-versa. A relação entre a corrente e a tensão é exemplificada no gráfico da Figura 6. A
corrente de curto-circuito é a corrente correspondente à tensão igual a zero Volts, a tensão em
aberto é a tensão correspondente à corrente igual a zero Ampère e o ponto de máxima
potência é o ponto onde a multiplicação das duas é máxima. A curva característica também
muda de acordo com a temperatura e a irradiação. As especificações do painel que são
testadas em laboratório geralmente estão no padrão Standard Test Conditions (STC), que
considera irradiância de 1000W/m² e temperatura de 25ºC da célula solar [40].
Figura 6. Exemplo de curvas características I – V
A conexão do sistema FV à rede elétrica é simples mas exige alguns requisitos de proteção,
como apresentado na Figura 7. Os módulos podem ser ligados em conjunto e devem ser
conectados à rede elétrica através de um inversor CC-CA específico para este fim. Um
agrupamento de módulos é chamado de arranjo, conjunto ou array e um conjunto de módulos
em série é chamado de string. Na ligação dos módulos em série, a tensão do sistema
corresponde à soma das tensões nos módulos e a corrente é a mesma. Na ligação dos módulos
em paralelo acontece o contrário, a corrente fornecida pelo conjunto é a soma das correntes de
cada módulo e a tensão é a mesma.
31
O inversor para conexão à rede possui um sistema eletrônico de controle sofisticado que o
transforma em uma fonte de corrente. A função desse sistema é garantir a qualidade da
energia elétrica, fornecendo em sua saída uma corrente em formato senoidal sincronizada com
a tensão da rede. Em caso de falta de energia na rede elétrica, o inversor deve se desconectar,
para a segurança de equipamentos e pessoas que estejam fazendo manutenção [40].
Figura 7. Ligações e componentes de um sistema FV conectado à rede (Adaptado de [40])
2.2.1.2. GERAÇÃO DE ENERGIA EÓLICA EM CONSUMIDORES RESIDENCIAIS
O aproveitamento do vento para gerar energia e trabalho não é recente. Desde a
antiguidade o vento é utilizado para mover barcos a vela. Existem registros Persas apontando
que moinhos de vento eram utilizados para moagem de grãos e bombeamento de água desde o
século VII d.C. Para geração de eletricidade, a primeira turbina eólica foi construída por volta
dos anos 1890, mas foi a partir da década de 1970 que a tecnologia evoluiu [48]. Hoje existem
grandes turbinas gerando eletricidade em extensos parques de geração eólica, mas também é
possível gerar eletricidade em pequena escala através de microturbinas.
32
Em consumidores residenciais são utilizadas turbinas de escala pequena, que podem ter
três tamanhos: micro, mini e household. As características de cada classe de tamanho são
apresentadas na Tabela 5. As microturbinas são as menores e geralmente possuem diâmetros
menores que 1,25 m. As miniturbinas, com menos de três metros de diâmetro, tem um
tamanho intermediário. As turbinas do tamanho household são as maiores das pequenas
turbinas e abrangem um amplo espectro [49]. A Figura 8 mostra exemplos de cada classe de
pequenas turbinas.
Tabela 5. Características de turbinas eólicas de pequena escala [50]
Classe de
tamanho
Diâmetro do rotor
(m)
Área varrida
(m²)
Micro
0,5 - 1,25
Mini
Household
Potência Nominal (kW)
Mínima
Máxima
0,5 - 1,2
0,04
0,25
1,25 - 3
1,2 - 7,1
0,25
1,4
3 - 10
7 - 79
1,4
16
Figura 8. Turbinas eólicas de tamanhos micro, mini e household respectivamente (Fontes: [51, 52, 53])
As turbinas eólicas convencionais são de eixo horizontal e possuem três hélices, mas
existem outros tipos de turbinas. As turbinas de eixo vertical não apresentam problemas com
orientação do vento e seu gerador pode ser instalado no solo. A maior desvantagem desse tipo
de turbina é sua montagem próxima ao solo, onde a velocidade dos ventos é menor [49]. A
Figura 9 mostra exemplo de turbinas com eixo vertical.
As turbinas de eixo horizontal podem ser classificadas como upwind e downwind (Figura
10). As turbinas upwind ficam posicionadas de frente para a direção do vento e possuem
alguns dispositivos para apontar o rotor na direção certa. Pequenas turbinas possuem uma pá
33
de orientação para seu direcionamento, e turbinas maiores possuem um sistema de controle de
alinhamento (Yaw control). As turbinas downwind não precisam de sistema de
direcionamento, mas a turbulência devido a sua torre é maior [50].
Figura 9. Exemplos de turbina eólica de eixo vertical. (Fonte: [54])
Figura 10. Classificação Upwind e Downwind em turbinas de eixo vertical. (Fonte: [55])
As turbinas de eixo horizontal também podem apresentar diferentes números de hélices.
Turbinas eólicas precisam de apenas uma hélice para funcionar. Um maior número de hélices
traz mais estabilidade ao sistema, mas aumenta os custos. A maior parte das turbinas possui
três hélices, porém existem turbinas com uma ou duas hélices e turbinas com mais hélices.
Turbinas com menos hélices geralmente são turbinas maiores, porque isso faz diferença no
34
custo de fabricação, e turbinas com múltiplas hélices geralmente são de pequeno porte [49,
50].
No começo dos anos 1980 o mais comum era que as pequenas turbinas eólicas fossem
construídas com geradores de indução assíncronos. Esses geradores usam a energia da rede
elétrica para magnetizar seu campo então as tensões e correntes produzidas são sincronizadas
com a rede. Atualmente a maioria das pequenas turbinas para conexão pelo consumidor
possuem geradores de imãs permanentes e alimentam um inversor que fornece energia para a
rede. Assim como nos sistemas FV, o inversor deve ser específico para a conexão à rede, ou
seja, deve ser capaz de entregar energia de qualidade, colocando as tensões e correntes do
gerador no padrão da energia entregue pela concessionária [50].
2.2.2. ARMAZENAMENTO DISTRIBUÍDO DE ENERGIA
ADEs são sistemas de armazenamento de energia estacionários que ficam localizados no
usuário ou perto dele. Esses sistemas são tipicamente utilizados em aplicações críticas, como
data centers, para o caso de falta de energia na rede elétrica. Mas também é possível utilizar
esses sistemas para deslocar o consumo de energia elétrica do horário de pico para outros
horários mais convenientes. As vantagens dessa utilização incluem a redução no gasto com
energia; a possibilidade de usar o sistema em caso de falta de energia; maior uso de geradores
mais limpos e eficientes, mas que são capazes de gerar apenas em determinados horários;
alivio de sobrecargas no sistema elétrico; e ajuda às concessionárias a gerenciar o pico da
demanda, melhorar o fator de carga, e melhorar a confiabilidade e qualidade no suprimento de
eletricidade.
O armazenamento de energia elétrica geralmente consiste em transformá-la em outro tipo
de energia, como química, potencial ou cinética. As tecnologias usualmente empregadas são:

Baterias;

Volante de inércia, do inglês flywheel;

Ar-comprimido;

Bombas hidráulicas;

Capacitores;

Geração de hidrogênio;

Armazenamento de energia magnética através de supercondutores.
35
As baterias consistem no meio mais comum de armazenar energia. As tecnologias
consolidadas para fabricação de baterias são chumbo-ácido, níquel-cádmio e níquel-metalhíbrido. Tecnologias mais recentes incluem íons de lítio, sódio-cloreto de níquel, sódio
enxofre, redução de vanádio e zinco-bromo [56].
As baterias mais utilizadas no ADE são baterias estacionárias de chumbo-ácido. Essas
baterias são próprias para aplicação estacionária, podendo ser utilizadas em: PABX (do inglês
Private Automatic Branch Exchange), energia solar, centrais telefônicas, subestações
elétricas, centrais de computador (no-breaks), e estações de telecomunicação de pequeno
porte [57]. Além dessas aplicações, elas também podem ser utilizadas para armazenamento de
energia com objetivo de deslocamento de carga.
Variáveis relacionadas com o ADE em baterias, tais como valores de máximo e mínimo
estado de carga, capacidade de carga e descarga e as taxas limites das rampas de subida e
descida, são representadas pelas Equações 1, 2, 3, 4 e 5 [58].
𝑆𝑂𝐶 𝑡 = 𝑆𝑂𝐶 𝑡−1 . (1 − 𝛿) +
𝑡
𝑃𝐵𝐴𝑇
={
𝑡
𝑃𝐵𝐴𝑇
. ∆𝑡. 𝜂𝐵𝐴𝑇
𝐶𝐵𝐴𝑇 . 𝑉𝐵𝐴𝑇
𝑡
+𝑃𝐵𝐴𝑇
, 𝑐𝑎𝑟𝑟𝑒𝑔𝑎𝑛𝑑𝑜
𝑡
−𝑃𝐵𝐴𝑇 , 𝑑𝑒𝑠𝑐𝑎𝑟𝑟𝑒𝑔𝑎𝑛𝑑𝑜
(1)
(2)
𝑡
𝑡
𝑡
𝑃𝐵𝐴𝑇,𝑚𝑖𝑛
≤ 𝑃𝐵𝐴𝑇
≤ 𝑃𝐵𝐴𝑇,𝑚𝑎𝑥
(3)
𝑅𝑈𝐵𝐴𝑇 = 𝑅𝐷𝐵𝐴𝑇 = 0,2. 𝐶𝐵𝐴𝑇 . 𝑉𝐵𝐴𝑇
(4)
𝑆𝑂𝐶𝑚𝑖𝑛 ≤ 𝑆𝑂𝐶 𝑡 ≤ 𝑆𝑂𝐶𝑚𝑎𝑥
(5)
Onde: 𝑆𝑂𝐶 é o estado de carga, 𝛿 é a taxa de auto descarga, 𝑃𝐵𝐴𝑇 é a potência de fornecimento, ∆𝑡 é o tempo de
carregamento, 𝜂𝐵𝐴𝑇 é a eficiência da bateria, 𝐶𝐵𝐴𝑇 é a capacidade da bateria, 𝑉𝐵𝐴𝑇 é a tensão nominal, 𝑅𝑈𝐵𝐴𝑇 é a
taxa limite da rampa de subida e 𝑅𝐷𝐵𝐴𝑇 é a taxa limite da rampa de descida.
Outro tipo de baterias que podem ser utilizadas para fazer deslocamento de carga são as
baterias presentes nos Veículos Elétricos à Bateria (VEB), do inglês Battery Electric Vehicles
(BEV), e nos Veículos Elétricos Híbridos Plugáveis (VEHP), do inglês Plug-in Hybrid
Electric Vehicles (PHEV). Esses veículos possuem um motor elétrico que é alimentado por
baterias previamente carregadas na rede elétrica. Essas baterias também podem fornecer
energia à rede, se descarregadas com o veículo conectado [59]. Deste modo, o veículo pode
funcionar como ADE.
36
2.2.3. RESPOSTA DA DEMANDA
De acordo com [5] “RD pode ser definida como mudanças no uso da eletricidade e dos
padrões normais de consumo, pelos consumidores finais, em resposta a mudanças no preço da
eletricidade ao longo do tempo”. O Departamento de Energia dos Estados Unidos da América
(EUA) acrescenta em [60] que DR também pode ser a mudança nos hábitos de consumo para
pagamentos de incentivo designados a induzir a redução do consumo em horários com
maiores preços ou quando a confiabilidade do sistema é comprometida. A Agência
Internacional de Energia (IEA, do inglês International Energy Agency) tem uma definição
mais voltada para o mercado, dizendo que DR se refere a um conjunto de estratégias que
podem ser usadas em mercados de energia elétrica competitivos para aumentar a participação
dos consumidores na definição dos preços [61].
Essa mudança nos hábitos do consumidor, prevista na RD, pode ser de três formas [5]:
1. Reduzindo o consumo no horário de pico, quando a energia é mais cara, e não
alterando o consumo nos outros períodos. Essa opção pode diminuir o conforto do
usuário, porque uma das maneiras de fazer isso é mudando o termostato dos
aquecedores e condicionadores de ar;
2. Reduzindo o consumo no horário de pico, e deslocando o consumo para outros
períodos de energia mais barata;
3. Usando GD para compensar a energia consumida.
Pelo lado da concessionária de energia elétrica é usado o termo GLD, do inglês Demandside Management (DSM). GLD é definido como o planejamento, implementação e
monitoramento das atividades da concessionária voltadas para influenciar o consumidor a usar
a energia elétrica de modo a produzir as mudanças desejadas em sua curva de carga, ou seja,
mudanças no tamanho e no tempo de uso das cargas. Esse é um termo bem abrangente que
inclui gerenciamento de carga, conservação de energia, GD e ajustes no mercado [62]. GLD
abrange tudo o que é feito no lado da demanda de um sistema de energia, desde troca de
lâmpadas e eletrodomésticos por mais eficientes até complexos sistemas de gerenciamento de
carga [63].
Um GLD mais complexo pode estar associado a RIs, que são redes onde a energia flui de
forma multidirecional, ou seja, em todas as direções: das grandes usinas para os
consumidores, das fontes renováveis distribuídas pela rede para os consumidores e da geração
37
residencial para a rede [64]. A rede de energia elétrica do futuro vai ser capaz de integrar a
cogeração das indústrias, os edifícios de energia zero e as casas inteligentes com veículos
elétricos aos sistemas de geração centralizada e transmissão, conforme Figura 11.
COGERAÇÃO
EDIFÍCIOS DE
ENERGIA ZERO
CASAS INTELIGENTES
Figura 11. Rede Inteligente (Adaptado de [65])
2.3. CARACTERIZAÇÃO DE CARGAS RESIDENCIAIS
Segundo a Pesquisa de Posse de Equipamentos e Hábitos de Uso realizada em 2005 pelo
PROCEL [66], os eletrodomésticos com maior participação no consumo das residências são:
o chuveiro elétrico, a geladeira e o condicionamento ambiental.
O condicionamento
ambiental se refere a aparelhos convencionais, que resfriam o ambiente, e aparelhos que
podem funcionar com ciclo reverso, que resfriam e aquecem o ambiente. Essa pesquisa,
apesar de desatualizada, ainda é a principal referência para os hábitos de consumo dos
brasileiros. A Figura 12 mostra a participação dos eletrodomésticos no consumo residencial.
Em [66], o PROCEL também apresenta curvas de carga diárias, que representam um
consumidor hipotético, podendo ter dois significados: “trata-se da divisão da curva de carga
diária típica da classe residencial do país ou da região, respectivamente, pelo número de
consumidores atendidos ou, ainda, reflete o consumo diário de energia elétrica de tal
consumidor, considerando as frações dos equipamentos possuídos e expandidos para o
38
universo de consumidores, bem como os hábitos de uso, que foram distribuídos ao longo de
um dia típico, conforme declaração obtida por amostragem”.
Lâmpadas
14%
Chuveiro elétrico
24%
Freezer
5%
Geladeira
22%
Condicionamento
ambiental
20%
Ferro
3%
Som
3%
TV
9%
Figura 12. Participação dos eletrodomésticos no consumo residencial brasileiro. (Adaptado de [66])
A Figura 13 e a Figura 14 mostram as curvas de carga diárias para o Brasil e para suas
regiões. Essas curvas apresentam dois picos, um de manhã e outro no começo da noite. Na
Figura 13 referente ao Brasil, pode-se observar um alto consumo para o chuveiro elétrico e
para o condicionamento ambiental, principalmente nos horários de pico. A TV e as lâmpadas
são mais utilizadas no período noturno, a geladeira e o freezer têm um consumo médio
constante, e os outros equipamentos tem parcela menor no consumo dispersa ao longo do dia.
A Figura 14 mostra as peculiaridades de cada região. A região norte, por ser a região mais
quente, é a que menos utiliza o chuveiro elétrico, seguida da região nordeste. Essas regiões
apresentam um grande consumo para o condicionamento de ar, assim como a região sul. O
consumo dos outros eletrodomésticos não apresenta diferenças significativas.
Algumas cargas residenciais podem ser controladas de acordo com algumas restrições
técnicas, da preferência do usuário e da qualidade do serviço que deve ser entregue. Deve ser
verificado se é possível adiar, adiantar ou interromper os ciclos de trabalho, assim como se a
carga tem parâmetros termostáticos controláveis [67].
Segundo [67], as cargas residenciais podem ser divididas em quatro grupos:
39


Cargas incontroláveis ou não-controláveis: cargas que não podem ser alvo de
nenhum tipo de ação automática de RD;
Cargas reparametrizáveis: cargas controladas por termostato que podem ter seus
parâmetros de temperatura modificados;
Figura 13. Curva de Carga Diária Média Residencial no Brasil (Fonte: [66])


Cargas interrompíveis: cargas cujo ciclo pode ser interrompido durante um curto
período de tempo;
Cargas deslocáveis: cargas que podem ser utilizadas em outro período do dia e
podem ter seu uso adiantado ou adiado.
Cargas cujo uso pode ser gerenciado são chamadas de cargas gerenciáveis e cargas cujo
uso não pode ser gerenciado são chamadas de cargas não gerenciáveis. Não há uma definição
fixa para a escolha do grupo a que cada carga pertence, ficando a critério do usuário essa
classificação. Um usuário mais flexível pode aceitar gerenciar vários de seus equipamentos, já
um usuário conservador pode aceitar o gerenciamento de poucos equipamentos. Cargas
gerenciáveis podem ser cargas controláveis ou cargas que podem ter o uso sugerido. Cargas
não gerenciáveis são cargas incontroláveis para as quais o usuário não aceita sugestão de uso.
40
Figura 14. Curvas de carga diárias médias residenciais por região (Fonte: [66])
2.4. ENERGIA ELÉTRICA NO BRASIL E O SETOR RESIDENCIAL
A geração de energia no Brasil ainda é baseada em geração centralizada, e a principal fonte
de geração no Brasil é a hidrelétrica, porém esse cenário está mudando aos poucos.
A Tabela 6 mostra o crescimento da capacidade instalada por fonte, mas não inclui GD.
41
Tabela 6. Capacidade instalada por fonte (Fonte: [68])
2014 (MW)
2015 (MW)
Δ 2014/2015
Hidrelétrica
89.195
91.650
2,8%
Biomassa, gás, petróleo e
37.827
39.564
4,6%
Nuclear
1.990
1.990
0,0%
Eólica
4.903
7.633
56,2%
Solar
15
21
42,3%
133.914
140.858
5,2%
Fonte
carvão
Capacidade disponível
A capacidade instalada da maioria das fontes aumentou, apenas a energia nuclear não foi
expandida. As novas fontes de energia renovável, solar e eólica, apresentaram um aumento
expressivo em sua capacidade instalada. A energia eólica já vem ganhando espaço há algum
tempo, e agora a energia solar também apresenta grande crescimento.
A Tabela 7 mostra a capacidade instalada de GD em 2015.
Tabela 7. Capacidade instalada de GD (Fonte: [68])
Fonte
2015 (MW)
Hidráulica
0,8
Térmica
2,3
Eólica
0,1
Solar
13,3
Capacidade disponível
16,5
A capacidade instalada de GD ainda representa 0,01% da geração centralizada, mas está se
tornando cada vez mais presente.
A Figura 15 mostra a Matriz Elétrica Brasileira para 2013, 2014 e 2015.
42
Brasil (2015)
Nuclear (2,4%) Carvão e
derivados¹
(4,5%)
Derivados de Petróleo
(4,8%)
Gás Natural
12,9%)
Solar Fotovoltaica
(0,01%)
Eólica (3,5%)
Hidráulica²
(64,0%)
Biomassa³
(8,0%)
1 Inclui
gás de coqueria
2 Inclui
importação
3
Inclui lenha, bagaço de cana, lixívia e outras fontes
primárias
Brasil (2013)
Brasil (2014)
Derivados Nuclear
de
(2,5%)
Petróleo
(5,7%)
Carvão e
derivados¹
(4,3%)
Derivados de
Petróleo (5,3%)
Gás
Natural
(11,3%)
Eólica
(1,1%)
Gás
Natural
(13,0%)
Eólica
(2,0%)
Biomassa³
(7,4%)
Nuclear Carvão e
(2,5%) derivados¹
(2,6%)
Biomassa³
(6,6%)
Hidráulica²
(65,2%)
Hidráulica²
(70,6%)
Figura 15. Matriz Elétrica Brasileira (Adaptado de: [68], [69] e [4])
A participação da principal energia utilizada, a hidráulica, diminuiu entre 2013 e 2015. Isso
aconteceu principalmente devido às condições climáticas desfavoráveis a esse tipo de
geração, apesar do aumento da capacidade instalada. Em contrapartida, os outros tipos de
energia renovável aumentaram sua participação no mesmo período. Os aumentos mais
significativos são das participações das energias solar fotovoltaica e eólica. A participação da
energia eólica aumentou mais que três vezes no período, e a energia solar começa a aparecer
na matriz elétrica de 2015. A participação da biomassa também aumentou, passando de 6,6%
em 2013 para 8,0% em 2015. As fontes de energia não-renováveis tiveram um aumento
considerável de 2013 para 2014 para suprir a necessidade de abastecimento no período de
43
seca. Porém, em 2015, a participação das fontes não-renováveis não teve um aumento
significativo.
A Tabela 8 mostra consumo de energia elétrica no Brasil por setor. O consumo de energia
elétrica diminuiu de 2014 para 2015 devido, dentre outros fatores, à crise econômica que o
país tem enfrentado. O setor residencial é o segundo maior consumidor do país. Depois de um
período de sucessivos aumentos no consumo, o setor apresentou uma queda em 2015. Essa
reação aconteceu com o aumento da taxa desemprego, do custo da energia elétrica e da crise
hídrica, que ajudou na conscientização das pessoas em relação ao consumo excessivo de
energia elétrica.
Tabela 8. Consumo de energia elétrica por setor
Setor
Industrial
Residencial
Perdas
Comercial
Público
Setor
Energético
Agropecuário
Transportes
2014
Energia (TWh)
205,9
132,0
93,2
90,6
42,6
%
33
21,2
14,9
14,5
6,8
2015
Energia (TWh)
196,6
131,3
93,0
91,4
42,7
31,2
26,7
1,9
5,0
4,3
0,3
31,9
26,9
2,1
Δ
% 2014/2015
31,9 -4,52%
21,3 -0,53%
15,1 -0,21%
14,8 0,88%
6,9
0,23%
5,2
4,4
0,3
2,24%
0,75%
10,53%
2.5. TARIFAS PARA CONSUMIDORES RESIDENCIAIS
Os consumidores de energia elétrica são classificados em dois grupos: A e B. O grupo A
corresponde aos consumidores de alta tensão, com tensão de fornecimento igual ou maior a
2,3 kV, ou que são atendidos a partir de sistema subterrâneo de distribuição secundária. O
grupo B corresponde aos consumidores de baixa tensão, com tensão de fornecimento inferior
a 2,3 kV, e com tarifa aplicada apenas ao consumo, chamada de tarifa monômia.
Os grupos A e B são divididos em subgrupos, seis para o grupo A e quatro para o grupo B.
Indústrias e estabelecimentos comerciais de grande porte se enquadram nos subgrupos que
compõem o grupo A. O grupo B é subdividido em consumidores residenciais (B1);
44
consumidores rurais (B2); pequenos consumidores comerciais e industriais (B3); e iluminação
pública (B4).
A classe residencial, pertencente ao grupo B1, corresponde às unidades consumidoras com
fim residencial e está dividida em seis subclasses: I – residencial; II – residencial baixa renda;
III – residencial baixa renda indígena; IV – residencial baixa renda quilombola; V –
residencial baixa renda benefício de prestação continuada de assistência social – BPC; e VI –
residencial de baixa renda multifamiliar.
Os consumidores são cobrados pelo consumo de energia elétrica através da conta recebida
da empresa distribuidora. Para consumidores residenciais, o valor da conta é o consumo de
energia, em kWh, multiplicado pela tarifa mais impostos. A tarifa é o valor monetário
determinado pela Agência Nacional de Energia Elétrica (ANEEL), e é dividida em dois
grupos: tarifa de energia (TE) e tarifa de uso do sistema de distribuição (TUSD). A TE é o
valor monetário unitário, em R$/MWh, utilizado para cobrar o consumo de energia. Para
consumidores residenciais, a TUSD é o valor monetário unitário, em R$/MWh, utilizado para
fazer a cobrança pelo uso do sistema de distribuição [3].
Sobre as tarifas incidem os tributos aplicáveis, que consistem em tributos federais,
estaduais e municipais. Os tributos federais são o Programa de Integração Social (PIS) e a
Contribuição para o Financiamento da Seguridade Social (COFINS), e são cobrados pela
união com o objetivo de manter programas voltados ao trabalhador e atender programas
sociais do Governo Federal. A alíquota média desses tributos varia com o volume de créditos
apurados mensalmente pelas concessionárias e com o PIS e a COFINS pagos sobre custos e
despesas no mesmo período, tais como a energia adquirida para revenda ao consumidor.
O tributo estadual é o Imposto sobre a Circulação de Mercadorias e Serviços (ICMS). O
ICMS é regulamentado pelo código tributário de cada estado, ou seja, estabelecido em lei
pelas casas legislativas, por isso, pode variar [70]. Pensando nos consumidores que possuem
GD, o Conselho Nacional de Política Fazendária (CONFAZ) propõe um convênio que
autoriza a conceder isenção nas operações internas relativas à circulação de energia elétrica,
sujeitas a faturamento sob o Sistema de Compensação de Energia Elétrica de que trata a
Resolução Normativa nº 482, de 2012, da Agência Nacional de Energia Elétrica - ANEEL.
Através desse convênio os Estados passam a cobrar o ICMS apenas do excedente de energia
consumida. Os Estados que aderiram ao convênio até o presente momento são: Acre, Alagoas,
45
Bahia, Ceará, Goiás, Maranhão, Mato Grosso, Minas Gerais, Paraíba, Pernambuco, Piauí, Rio
de Janeiro, Rio Grande do Norte, Rio Grande do Sul, Rondônia, Roraima, São Paulo,
Tocantins e o Distrito Federal [71].
A cobrança desses impostos é chamada “por dentro”, ou seja, seus valores integram a
própria base de cálculo sobre a qual incidem suas respectivas alíquotas. O cálculo do valor a
ser cobrado do consumidor é explicitado na Equação 6.
𝑉𝑎𝑙𝑜𝑟 𝑎 𝑠𝑒𝑟 𝑐𝑜𝑏𝑟𝑎𝑑𝑜 𝑑𝑜 𝑐𝑜𝑛𝑠𝑢𝑚𝑖𝑑𝑜𝑟 =
𝑉𝑎𝑙𝑜𝑟 𝑑𝑎 𝑡𝑎𝑟𝑖𝑓𝑎 𝑝𝑢𝑏𝑙𝑖𝑐𝑎𝑑𝑎 𝑝𝑒𝑙𝑎 𝐴𝑁𝐸𝐸𝐿
1 − (𝑃𝐼𝑆 + 𝐶𝑂𝑁𝐹𝐼𝑁𝑆 + 𝐼𝐶𝑀𝑆)
(6)
O imposto municipal é a Contribuição para Custeio do Serviço de Iluminação Pública
(CIP). Esse imposto é uma taxa que o munícipio estabelece para o custeio da iluminação
pública e é somado ao valor a ser cobrado do consumidor [70].
As tarifas podem ter diferentes formatos, que são definidos por modalidades tarifárias. Para
consumidores residenciais existem duas modalidades: modalidade tarifária convencional
monômia (tarifa convencional) e modalidade tarifária horária branca (tarifa branca). Na
primeira, a tarifa é a mesma ao longo do dia e na segunda a tarifa varia de acordo com os
horários do dia [3].
A diferenciação dos valores da tarifa branca se dá através da definição de três postos
tarifários [3, 72]:

Posto tarifário ponta: Período de três horas consecutivas definidas pela distribuidora
no horário de pico de seu sistema (não aplicável nos sábados, domingos e feriados);

Posto tarifário intermediário: Período de duas horas, sendo uma imediatamente
anterior e outra imediatamente posterior ao posto tarifário ponta (não aplicável nos sábados,
domingos e feriados);

Posto tarifário fora de ponta: Período composto pelas horas não abrangidas pelos
postos tarifários intermediário e ponta, contando os sábados, domingos e feriados.
A Figura 16 é apresentada para comparar a modalidades tarifárias convencional e branca.
A linha preta representa o valor relativo da tarifa convencional e as barras representam os
valores correspondentes da tarifa branca. Para os dias úteis, o valor para os períodos fora de
46
ponta é sempre menor que o valor da tarifa convencional, o valor para o período intermediário
é ligeiramente mais alto e o valor para o período de ponta é bem mais alto. Nos sábados,
domingos e feriados, o valor da tarifa branca é sempre mais baixo, pois é adotado o valor para
o período fora de ponta.
Para a aplicação da Tarifa Branca, o medidor de energia deve ser um medidor eletrônico,
capaz de separar o consumo de energia nos diferentes postos tarifários. Como os medidores
atuais não possuem esta função será necessária a troca dos medidores dos consumidores que
Sábados, domingos e feriados
Tarifa relativa
Tarifa relativa
Dias úteis
0
2
4
6
8
10 12 14 16 18 20 22
0
2
4
6
8
Horas do dia
Horas do dia
Tarifa branca: Fora de ponta
Tarifa branca: Intermediário
Tarifa branca: Ponta
Tarifa convencional
10 12 14 16 18 20 22
Tarifa branca
Tarifa convencional
Figura 16. Modalidades tarifárias para consumidores residenciais. (Adaptado de [73])
optarem pela Tarifa Branca. Pela definição da ANEEL o consumidor poderá optar por dois
tipos de medidor: um modelo mais simples e gratuito, devendo a distribuidora arcar com seu
custo; ou um modelo mais completo, capaz de fornecer informações específicas e
individualizadas sobre o serviço prestado, porém sua instalação pode ser cobrada pela
distribuidora [74]. Para a tarifa branca ser uma opção real, esses medidores ainda precisam ser
homologados pelo Instituto Nacional de Metrologia, Qualidade e Tecnologia (Inmetro).
Independente do tipo da tarifa, a partir de 2015, a energia começou a ser cobrada de
maneira diferente dependendo do tipo de geração que é utilizada, e a conta de energia elétrica
passou a utilizar o Sistema de Bandeiras Tarifárias [3]. Esse sistema possui três bandeiras verde, amarela e vermelha - que indicam as seguintes situações [75]:

Bandeira Verde: condições favoráveis de geração de energia, ou seja, grande uso de
fontes com menor custo de geração, como a hidrelétrica. A tarifa não sofre nenhum
acréscimo;
47

Bandeira Amarela: condições de geração menos favoráveis. A tarifa sofre acréscimo
de R$ 0,025 para cada quilowatt-hora (kWh) consumidos;

Bandeira Vermelha: condições mais custosas de geração, ou seja, grande uso de fontes
com maior custo de geração, como a termoelétrica. A tarifa sofre acréscimo de R$ 0,055 para
cada quilowatt-hora kWh consumidos.
3. FERRAMENTAS UTILIZADAS
3.1. OTIMIZAÇÃO POR ENXAME DE PARTÍCULAS
O PSO foi o algoritmo escolhido para encontrar soluções para o gerenciamento de energia.
Algumas razões para a escolha do PSO são: compreende um conceito muito simples, pode ser
implementada em apenas algumas linhas de código, requer apenas operadores matemáticos
primitivos, e possui boas características quanto aos requisitos de memória e velocidade [76,
77].
PSO é uma técnica de otimização estocástica baseada em população [78]. Métodos
estocásticos, que apresentam um forte componente aleatório, foram desenvolvidos para
vencer as fraquezas dos métodos de otimização clássicos, que seguem um caminho fixo. Nos
métodos estocásticos encontrar a solução ótima não é garantia, mas em quase todos os casos
são encontradas soluções muito boas [79]. No caso deste projeto, que faz sugestões de
consumo ao usuário, obter respostas diferentes a cada utilização da PSO pode ser uma
vantagem, pois dá poder de escolha ao usuário. Mesmo que a PSO não encontre a melhor
solução em termos de custo, o usuário pode preferir a sugestão dessa solução.
PSO tem origem em duas principais metodologias: vida artificial e computação evolutiva.
A relação mais óbvia é com a vida artificial (A-life, do inglês artificial life). A PSO pode ser
comparada com um bando de pássaros ou um cardume de peixes procurando por comida
(Figura 17) e está diretamente relacionada com teoria de enxame. Também está associada à
computação evolutiva e tem vínculos com AGs e estratégias de evolução [76, 77]. A PSO
ocupa o espaço entre a busca evolutiva, que requer tempo, e o processamento neural, que
acontece na ordem de milissegundos [76].
48
PSO
Figura 17. Comparação da PSO (Fontes: [80] e [81])
Nesse algoritmo, as soluções em potencial são chamadas de partículas e “voam” no
hiperespaço, em busca de melhores soluções. Cada partícula possui posição, velocidade e tem
a informação individual sobre sua busca. O conjunto de partículas, chamado de enxame, tem a
informação global. O vetor posição representa a posição da partícula no espaço de busca e o
vetor velocidade é responsável por guiar as mudanças da posição das partículas durante a
execução do processo. O alvo que deve ser focado é indicado pela função fitness, que avalia o
desempenho das partículas [76, 77, 82].
Dois tipos de implementação da PSO precisam ser considerados: canônico e binário. A
diferença no cálculo dos dois tipos é a função que atualiza as posições. A Equação 8 é
utilizada para o tipo canônico, e a Equação 9 para o tipo binário. A atualização das
velocidades é dada pela Equação 7, independente do tipo de implementação utilizado.
O algoritmo funciona da seguinte forma: a) as posições e velocidades das partículas são
iniciadas aleatoriamente; b) depois, elas se movem de acordo com as Equações 7 e 8 para o
tipo canônico, ou 7 e 9 para o tipo binário, em torno do espaço de soluções guiadas pelo
fitness; c) os valores de fitness de todas as partículas são recalculados e as melhores posições
são atualizadas se necessário. Esse procedimento é repetido a cada iteração. Ao final da
simulação, o melhor global é tomado como solução do problema [76, 77, 82, 83].
𝑉(𝑘 + 1) = 𝑤. 𝑉(𝑘) + 𝑐1 . 𝑅𝑛𝑑. (𝑝𝑏𝑒𝑠𝑡 − 𝑥(𝑘)) + 𝑐2 . 𝑅𝑛𝑑. (𝑔𝑏𝑒𝑠𝑡 − 𝑥(𝑘))
(7)
𝑥(𝑘 + 1) = 𝑥(𝑘) + 𝑉(𝑘 + 1)
(8)
𝑥(𝑘 + 1) = 1 𝑠𝑒 𝑅𝑛𝑑 <
1
𝑒 −𝑉(𝑘+1)
, 𝑐𝑎𝑠𝑜 𝑐𝑜𝑛𝑡𝑟á𝑟𝑖𝑜 𝑥(𝑘 + 1) = 0
(9)
49
Onde: V(k) é a velocidade da partícula; x(k) é a posição da partícula; w, c1 e c2 são os pesos dos momentos das
partículas; Rnd é um número aleatório entre 0 e 1; pbest é o ótimo local da partícula; e gbest é o ótimo global.
3.1.1. OTIMIZAÇÃO POR ENXAME DE PARTÍCULAS COOPERATIVA
Na otimização por enxame de partículas cooperativa (CPSO, do inglês Cooperative
Particle Swarm Optimization) emprega-se o comportamento cooperativo para melhorar
significativamente a performance do algoritmo original [84]. Segundo [85] “Cooperação
envolve uma coleção de agentes que interagem comunicando informação uns aos outros
enquanto resolvem um problema”. CPSO é baseada nessa ideia. O enxame é dividido em
algumas partes, formando enxames menores. Cada enxame pequeno procura pela melhor
solução baseando-se na função de fitness e usando a informação da melhor resposta dos
outros enxames, ou seja, enxames trocam informação da melhor solução enquanto o problema
é resolvido [84].
Este método, proposto por van den Bergh e Engelbrecht em [84], aplica em PSO a
abordagem de cooperação coevolutiva empregada no método desenvolvido por Potter e De
Jong [86] para AGs. A coevolução das espécies é representada através da interação de
múltiplas subpopulações agindo de forma cooperativa para encontrar a solução [86].
definir
b(j,z) = (P1. ŷ, P2. ŷ, . . . , Pj-1. ŷ, z, Pj+1. ŷ, . . . , Pn. ŷ)
Criar e inicializar n PSOs: Pj, j ϵ [1..n]
repetir:
para cada enxame j ϵ [1..n] :
para cada partícula i ϵ [1..s] :
se f (b(j,Pj.xi)) < f (b(j,Pj.yi))
então Pj.yi = Pj.xi
se f (b(j,Pj.yi)) < f (b(j,Pj.ŷ))
então Pj.ŷ = Pj.yi
fim
Atualizar Pj usando equações (7-9)
fim
até condição de parada verdadeira
Figura 18. Pseudo-código da CPSO [84]
50
A Figura 18 mostra o pseudo-código correspondente à CPSO, onde P1-n representam os
enxames, ŷ representa o melhor global, y1-s representam os melhores locais e x1-s representam
as partículas.
Em cada iteração, os fitness das partículas são recalculados, as melhores posições são
atualizadas e o melhor global é guardado, mas em vez de fazer isso uma vez, o procedimento
é repetido n vezes, sendo n o número de enxames. Para cada resolução, apenas a parte da
partícula correspondente ao enxame atual é mudada. As outras partes são as melhores
soluções dos outros enxames. Se esse procedimento encontrar uma solução melhor que a
melhor solução atual, essa nova solução é salva e pode ser usada na resolução correspondente
ao próximo enxame. Antes de começar as iterações, as melhores soluções são definidas
resolvendo cada enxame separadamente.
Quando o problema tem um grande número de variáveis de decisão, métodos estocásticos,
como PSO, não são uma boa opção visto que suas performances diminuem quando a
dimensão do espaço de busca aumenta. No entanto, esse problema pode ser resolvido com a
cooperação coevolutiva. Dividindo a partícula, a dimensão do espaço de busca também é
dividida e a dimensionalidade do problema é reduzida [84].
3.2. GRIDLAB-D
O GridLAB-D é um software de simulação de código aberto desenvolvido pelo Pacific
Northwest National Laboratory (PNNL) em colaboração com a indústria e a academia através
de recursos do U.S. Department of Energy Office of Electricity Delivery and Energy
Reliability (DOE/OE). O GridLAB-D incorpora as técnicas mais avançadas de modelagem,
possuindo um algoritmo capaz de simular milhões de dispositivos [87, 88]. Historicamente, os
softwares de simulação eram desenvolvidos de maneira independente, dificultando a obtenção
de resultados mais completos. A evolução dos sistemas elétricos que vivenciamos hoje
necessita cada vez mais de integração. Novos paradigmas como a resposta da demanda, o
armazenamento de energia, os mercados de varejo, os veículos elétricos, e uma nova geração
de sistemas de automação requerem ferramentas de modelagem que também compreendam
controle térmico de edifícios, armazenamento em bateria, carregamento de veículos elétricos,
simuladores de mercado e controle detalhado dos sistemas de potência. O GridLAB-D foi
51
desenvolvido com o objetivo de preencher essa lacuna [89]. Seu núcleo inclui Sistemas de
Potência, Sistemas de Controle, Edifícios e Mercados (Figura 19).
O programa é desenvolvido em C++ e atualmente está na versão Jojoba 3.2. A interface
com o usuário é feita através de parametrização de comandos criada a partir de arquivos .glm
(GridLAB-D Modeling), que guiam a simulação e definem a estrutura do modelo. Nestes
arquivos os usuários definem os parâmetros de cada componente, apresentam as condições
iniciais e direcionam as saídas dos dados simulados, através de módulos, classes e objetos.
Figura 19. Abrangência da ferramenta GridLAB-D [88]
Dentre os objetos destacam-se os players e os recorders. Loadshapes e schedules também
são estruturas importantes [64]. A Tabela 9 define as principais estruturas do GridLAB-D.
Os módulos do GridLAB-D consistem em: Núcleo (Core), Clima (Climate), Cargas
residenciais (Residential), Prédios Comerciais (Commercial), Cargas Industriais e rurais
(Industrial and agricultural loads), Rede (Network), Geradores (Generator), Fluxo de
Potência (Powerflow), Mercado (Market), Cargas programadas e perfis de carga (Schedules
and Loadshapes), Confiabilidade (Reliability), Comunicações (Communications), Objetos do
MatLab, Validador (Assert), Ajuste e Gravação (Tape) [64, 90].
A seguir, são descritos os módulos mais importantes para esse projeto.
52
3.2.1. MÓDULO CLIMA
O módulo clima fornece uma interface que outros objetos podem usar para incluir dados
climáticos em seus cálculos. Os dados de clima incluem temperatura, umidade, radiação solar
e velocidade do vento. Casas e edifícios precisam dos dados de clima para calcular a
temperatura interna. Geradores solares e eólicos também precisam desses dados para calcular
a quantidade de energia gerada.
Tabela 9. Definição das principais estruturas do GridLAB-D [64, 91]
São usados pelo GridLAB-D para implementar classes e solvers
Módulos
(solucionadores). Os módulos definem as classes, por isso devem ser
carregados antes delas.
Definem quais propriedades são permitidas em objetos, e como
Classes
comportamentos são implementados. Cada classe precisa ser definida em
um módulo.
São instâncias das classes, então cada objeto pode ter seu próprio valor para
cada propriedade enquanto divide comportamentos com outros objetos da
mesma classe. Apresentam parâmetros que podem ser definidos pelo
Objetos
usuário, ou em caso de omissão, utiliza os valores padrão para cada
parâmetro previamente inserido no código do GridLAB-D. Durante as
simulações, o GridLAB-D vai manter as propriedades dos objetos
sincronizadas umas com as outras para melhorar o tempo.
Tornam possíveis alterações de um determinado objeto em tempos
Players
específicos, atuam diretamente sobre o arquivo.
São o meio de mostrar os resultados ao usuário. Operam como um coletor
de dados que podem ser acionados em determinado ponto do programa, em
Recorders
um tempo indicado de simulação ou ainda quando determinada condição
(criada pelo programador) for atingida.
Loadshapes e Atualizam informações recorrentes em um tempo específico de execução,
Schedules
atuam de modo similar aos players mas no core do aplicativo.
Existem duas maneiras de se inserir os dados climáticos: arquivos .tmy2 (typical
meteorological year), ou arquivos .csv (Comma-separated values). O arquivo .tmy2 é o tipo
de arquivo padrão para dados climáticos do GridLAB-D. Nele os dados são agregados e suas
médias são calculadas para fornecer uma linha de base típica para o clima de uma localização
geográfica particular de um dado dia a uma dada hora [92].
O arquivo .csv não é específico para dados climáticos, mas caso não existam dados
disponíveis em .tmy2, o usuário tem a possibilidade de criar um arquivo para ser utilizado
pelo módulo climate [93]. Através do arquivo .csv é possível trabalhar com outros tipos de
53
dados climáticos, como por exemplo, os dados do projeto Solar and Wind Energy Resource
Assessment (SWERA). O SWERA agrega dados de pesquisas solares e eólicas de um grande
número de organizações internacionais, que estão disponíveis gratuitamente através de seu
site [94].
3.2.2. MÓDULO RESIDENCIAL
O Módulo Residencial é capaz de simular uma residência através dos componentes:
aquecedor de água, iluminação, lava-louças, fogão elétrico, micro-ondas, refrigerador, ganhos
internos (cargas nas tomadas) e casa (cargas térmicas quentes/frias).
As cargas térmicas são modeladas através de modelos simplificados de primeira ordem,
como funções de alguns parâmetros agrupados: condutibilidade efetiva da envoltória, massa
térmica e abertura solares efetivas, taxas de ventilação/infiltração, eficiências de
equipamentos, tempo (módulo climático), ganhos internos de equipamentos e ocupantes, e
ajustes de termostatos. Esse modelo simplificado, mesmo com um pequeno nível de
detalhamento e precisão, consegue ultrapassar limitações e fornecer resultados razoáveis e
apurados.
Para os cálculos de carga os principais ganhos e perdas de calor que contribuem para a
carga de resfriamento e aquecimento da edificação consistem em:
1. condução através das paredes externas, telhado e vidros das janelas;
2. ganhos/perdas de calor devido à infiltração do ar externo através de aberturas;
3. radiação solar através dos vidros das janelas;
4. ganhos internos de iluminação, pessoas, equipamentos.
A carga térmica pode ser dividida em dois tipos: sensível e latente. A carga sensível está
relacionada com a mudança na temperatura do ar e a carga latente está relacionada com a
mudança na umidade do ar. Os itens 1 e 3 são cargas do tipo sensível que sofrem interferência
externa à residência. Os itens 2 e 4 podem ser sensíveis ou latentes. O item 2 é causado por
fontes externas enquanto o item 4 é referente ao calor gerado dentro da casa.
A abordagem que o modelo utiliza para estimar as cargas térmicas é chamada de parâmetro
térmico equivalente (ETP). Para facilitar os cálculos, é feito um modelo térmico em formato
de circuito analógico (Figura 20), onde as propriedades da transferência de calor são
54
representadas por componentes elétricos equivalentes com parâmetros associados ao HVAC,
ou AVAC (aquecimento, resfriamento e ar-condicionado) em português.
Resolvendo o
modelo é possível obter os valores para a temperatura do ar e temperatura da massa de ar
simultaneamente em função do tempo. O consumo de energia pode ser obtido pela conversão
das cargas térmicas através do uso de dados típicos de desempenho de carga de ar
condicionado fornecido por fabricantes [95].
Figura 20. ETP modelo térmico para uma casa típica (Adaptado de [95])
Onde:
Car = capacidade de calor do ar (Btu/ºF ou joules/ºC)
Cmassa = capacidade de calor da massa (da edificação e seu conteúdo) (Btu/ºF ou joules/ºC)
UAisol = o coeficiente de ganho/perda de calor (Btu/ºF·h ou W/ºC) para o ambiente
UAmassa = o coeficiente de ganho/perda de calor (Btu/ºF·h ou W/ºC) entre ar e massa
Tambiente = temperatura externa do ambiente (ºF ou ºC)
Tar = tempera do ar dentro da casa (ºF ou ºC)
Tmassa = temperatura da massa dentro da casa (ºF ou ºC)
QHVAC = de calor para o HVAC (Btu/h ou W)
55
Qgan_int = taxa de calor de outros eletrodomésticos, cargas de tomadas, lâmpadas e pessoas na
residência (Btu/h ou W)
Qsolar = ganho de calor do sol (Btu/h ou W)
Este modelo termodinâmico pode ser descrito como [95]:
𝑥̇ = 𝐴𝑥 + 𝐵𝑢
(10)
𝑦 = 𝐶𝑥 + 𝐷𝑢
(11)
𝑇̇
𝑥̇ = [ 𝑎𝑟 ]
̇
𝑇𝑚𝑎𝑠𝑠𝑎
1
− (𝑅 𝐶 +
2 𝑎𝑟
𝐴= [
1
1
𝑅1 𝐶𝑎𝑟
𝑥= [
𝑇𝑚𝑎𝑠𝑠𝑎
]
𝑢=1
1
)
𝑇0
𝑅2 𝐶𝑎𝑟
1
−𝑅
𝑅2 𝐶𝑚𝑎𝑠𝑠𝑎
𝐶= [
𝑇𝑎𝑟
]
𝐵 = [𝑅1𝐶𝑎𝑟
2 𝐶𝑚𝑎𝑠𝑠𝑎
1
0
0
]
1
+
𝑄
𝐶𝑎𝑟 ]
0
0
𝐷= [ ]
0
Onde,
R1 = UAisol
R2 = UAmassa
Q = QHVAC + Qsolar + Qgan_int
T0 = CLTDc + Tar
CLTD significa Cooling Load Temperature Difference e é usada para levar em conta os
efeitos de armazenamento quando estimado os ganhos de condução do exterior das paredes,
telhados e vidros. A CLTD não é a diferença atual de temperatura entre o ar externo e interno
e sim um valor modificado que leva em conta os efeitos de armazenamento. Existem valores
de CLTD para alguns tipos de construção, publicados na literatura, que levam em conta as
seguintes condições: temperatura interna de 78ºF (25,56ºC); temperatura média externa
projetada como sendo 85ºF (29,44ºC) para o dia escolhido; a data é 21 de julho (verão nos
países do hemisfério norte); a localização é 40ºN de latitude. Em condições diferentes, é
necessário corrigir o valor da CLTD através da Equação 12.
𝐶𝐿𝑇𝐷𝐶 = 𝐶𝐿𝑇𝐷 + 𝐿𝑀 + (78 − 𝑇𝑎𝑟 ) + (𝑇𝑎 − 85)
(12)
56
Onde,
CLTDc = diferença de temperatura da carga de resfriamento corrigida (ºF)
CLTD = diferença de temperatura tabelada
LM = correção para a latitude e mês tabelados
Tair = temperatura da sala (ºF)
Ta = temperatura média externa no dia projetado (ºF)
3.2.3. MÓDULO GERADORES
O Módulo Geradores integra alguns REDs. Com ele é possível adicionar baterias,
armazenamento de energia, inversores, microturbinas, eletrônica de potência, retificadores e
geradores diesel, solares e eólicos. Essencialmente os geradores podem ser modelados como
cargas negativas. A conexão dos geradores se faz através de um medidor, que vê o gerador
como uma carga com componentes do modelo ZIP [96, 97]. Os algoritmos de controle podem
ser escritos explicitamente ou podem ser incluídos em um outro objeto.
A maneira de incluir cada RED é através de seus respectivos objetos. Solar object é o
objeto dos painéis solares. Nele é possível inserir todas as características do sistema FV, como
por exemplo, o tipo do painel, se é conectado à rede, o tipo de instalação, e o ângulo, a
orientação e a latitude da instalação. O solar object precisa ser conectado ao medidor através
de um inversor. O inversor é representado pelo object inversor [97].
Windturbine_dg é o objeto referente aos geradores eólicos. Com ele é possível inserir seu
próprio gerador ou escolher entre os 9 tipos já existentes no GridLAB-D. A seguir são
apresentadas as turbinas eólicas conforme numeração do GridLAB-D:
0. Pequena Genérica Síncrona (Fortis Montana 5 kW);
1. Média Genérica Síncrona (Northwind 100, 100 kW)
2. Grande Genérica Síncrona (1.5 MW);
3. Pequena Genérica Indutiva (Mesmo tamanho da síncrona);
4. Média Genérica Indutiva (Mesmo tamanho da síncrona);
5. Grande Genérica Indutiva (Mesmo tamanho da síncrona);
6. Definida pelo usuário;
57
7. Vestas V82 (1,65MW);
8. GE 25MW;
9. Bergey 10kW;
58
4. MÉTODOS E RESULTADOS
Durante esta dissertação de mestrado foram desenvolvidas algumas metodologias visando
atingir o mesmo objetivo: diminuir o valor da conta de energia elétrica em um consumidor
residencial através da indicação do horário de uso ou do ajuste de parâmetros dos
equipamentos. Essas metodologias fizeram parte do desenvolvimento do projeto e, apesar de
serem complementares, apresentam peculiaridades. Os algoritmos foram implementados em
MATLAB R2015b, e foi usado GridLAB-D para algumas aplicações específicas.
Foram escolhidas duas cidades para servir de exemplo nas simulações: Santa Maria - RS,
no Sul do Brasil, e Belém - PA, no Norte. As cidades escolhidas estão localizadas em regiões
distintas do país para testar os algoritmos em climas contrastantes.
Tabela 10. Dados climáticos de Belém em novembro
Hora do
dia
0
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
Velocidade Velocidade Radiação
Temperatura do vento
do vento solar direta
(ºC)
(m/s)
(km/h)
(Wh/m2)
24,8
0,3
1,08
0
24,6
0,3
1,08
0
24,4
0,3
1,08
0
24,2
0,4
1,44
0
24,2
0,4
1,44
0
23,8
0,3
1,08
0
24,4
0,3
1,08
35
26,5
1,1
3,96
257
28,2
2,5
9,00
385
29,2
2,9
10,44
421
30,4
2,7
9,72
378
30,9
2,9
10,44
350
31,2
2,6
9,36
334
30,7
3,6
12,96
264
29,7
3,7
13,32
231
29,0
3,5
12,6
196
28,2
2,8
10,08
126
27,5
2,2
7,92
13
26,7
1,8
6,48
0
26,4
1,6
5,76
0
26,0
1,9
6,84
0
25,7
1,4
5,04
0
25,4
1,2
4,32
0
25,2
0,8
2,88
0
24,8
0,3
1,08
0
Radiação
solar
difusa
(Wh/m2)
0
0
0
0
0
0
44
144
217
295
386
415
413
404
336
244
137
31
0
0
0
0
0
0
0
Radiação
solar
global
(Wh/m2)
0
0
0
0
0
0
49
241
444
617
721
747
730
637
511
358
183
33
0
0
0
0
0
0
0
Humidade
%
91
93
93
94
94
94
93
85
77
72
67
64
63
67
73
76
79
83
86
86
87
88
89
89
91
Pressão
(atm)
0,99810
0,99810
0,99810
0,99810
0,99810
0,99810
0,99810
0,99810
0,99810
0,99810
0,99810
0,99810
0,99810
0,99810
0,99810
0,99810
0,99810
0,99810
0,99810
0,99810
0,99810
0,99810
0,99810
0,99810
0,99810
59
Os dados de clima de Santa Maria são do mês de julho e os de Belém são do mês de
novembro. Esses dados (Tabela 10 e Tabela 11) consistem em uma média de vários anos para
esses meses, fazem parte do projeto SWERA e estão disponíveis em [98]. Os dados são
inseridos no GridLAB-D, para calcular a geração de energia e o consumo do HVAC.
Tabela 11. Dados climáticos de Santa Maria em julho
Hora do
dia
0
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
Velocidade Velocidade Radiação
Temperatura do vento
do vento solar direta
(ºC)
(m/s)
(km/h)
(Wh/m2)
14,1
2,2
7,92
0
13,8
2,2
7,92
0
13,4
2,2
7,92
0
13,1
2,2
7,92
0
12,9
2,3
8,28
0
12,7
2,4
8,64
0
12,5
2,4
8,64
0
12,3
2,5
9,00
22
13,1
2,5
9,00
159
14,1
2,6
9,36
264
15,1
2,7
9,72
317
16,0
2,7
9,72
355
17,0
2,8
10,08
351
18,0
2,8
10,08
359
18,9
2,9
10,44
327
18,4
2,8
10,08
294
17,9
2,7
9,72
199
17,4
2,5
9,00
66
16,6
2,4
8,64
0
15,8
2,2
7,92
0
15,1
2,1
7,56
0
14,7
2,1
7,56
0
14,4
2,1
7,56
0
14,0
2,1
7,56
0
14,1
2,2
7,92
0
Radiação
solar
difusa
(Wh/m2)
0
0
0
0
0
0
0
8
58
113
149
181
198
190
162
125
86
23
0
0
0
0
0
0
0
Radiação
solar
global
(Wh/m2)
0
0
0
0
0
0
0
9
90
211
311
394
421
412
341
251
139
29
0
0
0
0
0
0
0
Humidade
%
81
81
82
82
83
83
83
83
80
76
73
70
67
65
62
64
67
69
73
76
80
80
80
81
91
Pressão
(atm)
0,98593
0,98593
0,98593
0,98593
0,98593
0,98593
0,98593
0,98593
0,98593
0,98593
0,98593
0,98593
0,98593
0,98593
0,98593
0,98593
0,98593
0,98593
0,98593
0,98593
0,98593
0,98593
0,98593
0,98593
0,98593
A função fitness a ser minimizada (Equação 13) é basicamente a mesma para todos os
casos, porque o objetivo sempre será a redução de custos. O que muda de um método para o
outro são as cargas que fazem parte da otimização.
60
𝑇
𝑆
∑ ∑ 𝐸𝑖 (𝑡). 𝐶(𝑡) − 𝐺𝑖 (𝑡). 𝐶(𝑡)
(13)
𝑡=1 𝑖=1
Onde: 𝐸𝑖 (𝑡) é a energia consumida por equipamento a cada período de tempo, 𝐺𝑖 (𝑡) é a energia gerada a cada
período de tempo, 𝐶(𝑡) é o custo da energia a cada período de tempo, 𝑇 é o tempo de simulação e 𝑆 representa
cada elemento, podendo ser cargas deslocáveis, GD ou outras cargas que tem consumo fixo.
O componente 𝐸𝑖 (𝑡) da Equação 13 indica o consumo de cada equipamento no período de
tempo. Nas simulações realizadas o período de tempo é sempre de uma hora, sendo o tempo
total da simulação de 24 horas. O consumo pode ser definido pelas possíveis soluções ou por
um consumo pré-definido pelo usuário para cargas não gerenciáveis. Neste projeto, o
consumo para cargas não gerenciáveis foi definido pela curva de carga diária típica de cada
região (Figura 14).
O componente 𝐶(𝑡) da Equação 13 corresponde ao custo da energia elétrica, ou seja, a
tarifa. Foram utilizadas tarifas das concessionárias das cidades exemplo: Celpa para Belém e
AES Sul para Santa Maria. As Tabela 12 e Tabela 13 mostram as tarifas utilizadas, vigentes
em 2015 durante o desenvolvimento do projeto [99, 100].
Tabela 12. Tarifas Celpa [99]
Período
Ponta
Intermediário
Fora de Ponta
Convencional
Horário
Das 18:00h às 21:00h
Das 17:00h às 18:00 e das 21:00h às 22:00h
Das 00:00h às 17:00h, das 22:00h às 24:00h,
finais de semana e feriados
Todos os dias e horários
Tarifa (R$)
0,97578
0,63664
0,41697
0,49425
Tabela 13. Tarifas AES Sul [100]
Período
Ponta
Intermediário
Fora de Ponta
Convencional
Horário
Das 18:00h às 21:00h
Das 17:00h às 18:00 e das 21:00h às 22:00h
Das 00:00h às 17:00h, das 22:00h às 24:00h,
finais de semana e feriados
Todos os dias e horários
Tarifa (R$)
0,84329
0,49696
0,42059
0,48035
O componente 𝐺𝑖 (𝑡) representa a energia gerada pela GD. Foram utilizados geradores FV
e eólicos. A quantidade de energia gerada é determinada pelo GridLAB-D. Os painéis FV
61
possuem 25m² de área, 3500 Wp, e são de silício monocristalino, instalados no telhado. A
turbina eólica é a Pequena Genérica Síncrona do GridLAB-D (Fortis Montana 5 kW). A
Figura 21 mostra a potência gerada para Belém em novembro e Santa Maria em julho. Em
Belém, os painéis FV geram 15,71 kWh por dia e o gerador eólico gera 14,23 kWh por dia.
Em Santa Maria, os painéis FV geram 7,62 kWh por dia e o gerador eólico gera 18,14 kWh
por dia.
3
Potência (kW)
2,5
2
Painel Fotovoltaico - Belém
1,5
Turbina Eólica - Belém
1
Painel Fotovoltaico - Santa Maria
Turbina Eólica - Santa Maria
0,5
0
0
2
4
6
8
10 12 14 16 18 20 22
Horas do dia
Figura 21. Potência fornecida pelos geradores
4.1. MÉTODO 1: GERENCIAMENTO DO CONSUMO DO HVAC
Esse método foi publicado no artigo “Gestão Inteligente de Energia em Consumidores de
Baixa Tensão Incluindo Microgeração” [6].
O método consiste na otimização do consumo do HVAC através do ajuste horário da
temperatura de banda morta do termostato. A temperatura de banda morta do termostato
representa o quanto a temperatura varia em torno da temperatura definida pelo usuário, por
exemplo, se a banda morta for de 1ºC e a temperatura escolhida for de 22ºC, o ajuste real
poderá variar entre 21ºC e 23ºC. Isso se traduz em conforto para o usuário, porque quanto
62
maior a temperatura de ajuste da banda morta, maior a variação da temperatura interna. Assim
é possível diminuir o conforto do usuário nos horários de energia mais cara e aumentar o
conforto nos horários de energia mais barata.
A partícula, representada pela Figura 22, é um vetor de 24 posições sendo que cada
posição representa uma hora do dia e cada hora tem um ajuste diferente para a banda morta.
Partícula
0
1
2
3
4
5
6
7
8
9
10
11
12
0ºC ≤
13
14
15
16
17
18
19
20
21
22
23
24 horas
≤ 3ºC
Figura 22. Representação da partícula do método 1
A função fitness específica é dada pela Equação 14. Nesta equação apenas a energia do
HVAC muda de acordo com a partícula. Essa energia é definida pelo GridLAB-D a partir dos
dados de clima e das partículas.
𝑇
∑ 𝐸𝐻𝑉𝐴𝐶 (𝑡). 𝐶(𝑡) + 𝐸𝑑𝑒 (𝑡). 𝐶(𝑡) + 𝐸𝑏 (𝑡). 𝐶(𝑡) − 𝐺𝑝𝑓 (𝑡). 𝐶(𝑡) − 𝐺𝑔𝑒 (𝑡). 𝐶(𝑡)
(14)
𝑡=1
Onde: 𝐸𝐻𝑉𝐴𝐶 (𝑡) é a energia consumida pelo sistema HVAC; 𝐸𝑑𝑒 (𝑡) é a energia consumida pelo demais
equipamentos; 𝐸𝑏 (𝑡) é a energia das baterias, no carregamento é positiva e no descarregamento é negativa;
𝐺𝑝𝑓 (𝑡) é a energia gerada pelo painel fotovoltaico; 𝐺𝑔𝑒 (𝑡) é a energia gerada pelo gerador eólico; 𝐶(𝑡) é o custo
da energia a cada período de tempo e 𝑇 é o tempo de simulação.
A Figura 23 mostra o esquema que descreve o problema. A ferramenta de gerenciamento
de energia que faz a simulação sugere os parâmetros para o HVAC. A GD insere energia na
rede, os equipamentos da casa consomem energia, e as baterias consomem ou fornecem
energia de acordo com uma lógica fixa.
As baterias funcionam com a seguinte lógica: começam o dia com 40% da capacidade e
são carregadas até atingir 100%. Se houver GD, a energia excedente é utilizada para carregar
as baterias, caso contrário, as baterias são carregadas nos horários fora de ponta. A partir do
posto horário intermediário, a energia armazenada começa a ser consumida, até atingir seu
limite de 40% novamente, independente do posto horário.
63
Geração Distribuída
Consumo dos equipamentos
que não fazem parte da simulação
Baterias
Rede de Energia Elétrica
Medidor Inteligente
Ferramenta de
Gerenciamento
de Energia
HVAC
Figura 23. Esquema do Método 1
Para suprir o consumo nos horários de pico, o banco de baterias tem a capacidade de
400Ah. Para calcular o carregamento e descarregamento das baterias foram utilizadas as
Equações de (1) a (5).
Para a comparação dos resultados foram considerados os cenários com ou sem o
algoritmo de otimização, com ou sem GD e para os dois tipos de tarifas. A GD inclui os dois
geradores conectados na rede.
A Figura 24 e a Figura 25 mostram os resultados das simulações para Belém.
A Figura 24 mostra o comparativo de custos sem GD. Cada barra do gráfico representa
o custo diário da energia elétrica para dois tipos de tarifa: branca e convencional. As barras de
números únicos (1, 2 ou 3) representam os casos sem otimização. As barras de dois números
separados por um traço significam que a temperatura da banda morta pode variar entre eles de
acordo com a solução do algoritmo proposto. Pode-se observar que com ou sem baterias a
tarifa branca tem um preço menor. Isso acontece porque em Belém o consumo no horário de
pico é relativamente baixo. Considerando a tarifa branca no caso sem baterias, o preço da
energia para o ajuste fixo chegou a ser o mesmo preço para o ajuste otimizado (ajustes de 1ºC
e 0ºC a 1ºC), ou até maior (ajustes de 2ºC e 1ºC a 2ºC; 3ºC, 1ºC a 3ºC e 2ºC a 3ºC), sendo que
nesses casos a otimização proporciona mais conforto ao usuário. Quando a perda de conforto
64
é assumida, ou seja, quando se compara um ajuste fixo que fica no meio da escala dos ajustes
otimizados, sempre há ganho monetário. Esses ganhos variaram de 2% a 5%
aproximadamente, para o caso sem baterias, e de 2% a 6% para o caso com baterias.
Comparativo de custos - sem GD e sem
bateria
Tarifa Branca
Comparativo de custos - sem GD e com
bateria
Tarifa Convencional
R$18,00
R$15,00
R$12,00
R$9,00
R$6,00
R$3,00
R$-
Tarifa Branca
Tarifa Convencional
R$18,00
R$15,00
R$12,00
R$9,00
R$6,00
R$3,00
R$1
2
3 0-1 0-2 0-3 1-2 1-3 2-3
1
2
3
Temperatura (ºC)
0-1 0-2 0-3 1-2 1-3 2-3
Temperatura (ºC)
Figura 24. Comparativo de custos sem GD – Belém
Comparativo de custos - com GD e
com bateria
Comparativo de custos - com GD e sem
bateria
Tarifa Branca
Tarifa Branca
Tarifa Convencional
R$2,50
R$2,50
R$2,00
R$2,00
R$1,50
R$1,50
R$1,00
R$1,00
R$0,50
R$0,50
Tarifa Convencional
R$-
R$1
2
3
0-1 0-2 0-3 1-2 1-3 2-3
Temperatura (ºC)
1
2
3 0-1 0-2 0-3 1-2 1-3 2-3
Temperatura (ºC)
Figura 25. Comparativo de custos com GD - Belém
A Figura 25 mostra o comparativo de custos diários com GD. Observa-se que com a
inclusão da GD pode-se reduzir o custo diário em até 98%. Com GD, mas sem baterias, a
tarifa convencional se torna uma melhor opção. Neste caso é possível utilizar o Sistema de
Compensação de Energia, que é mais vantajoso com a tarifa convencional, porque é possível
compensar o excedente de energia gerada em qualquer horário. Colocando baterias, o custo da
tarifa convencional continua o mesmo, porém agora o excedente de energia na tarifa branca
pode ser utilizado na mesma proporção, fazendo com que esse tipo de tarifa seja uma opção
melhor.
65
A Figura 26 traz alguns resultados da simulação para a cidade de Santa Maria. São
apresentados três casos de cada cenário, sendo o primeiro caso sem otimização e com a banda
morta fixa em 1ºC, o segundo caso com otimização e a banda morta varia de 0ºC a 3ºC ao
longo do dia e o terceiro caso sem otimização e com banda morta de 3ºC. Pode-se observar
que, para todos os cenários, o caso com otimização teve um custo intermediário. Isso mostra
que a otimização reduz os custos de acordo com a flexibilidade do usuário. Pode-se observar
também que a diferença entre as tarifas branca e convencional foi menor para Santa Maria.
Isso acontece porque o pico de consumo no horário de ponta é bem maior.
Figura 26. Comparativo de custos - Santa Maria
4.2. MÉTODO 2: GERENCIAMENTO
DO
CONSUMO
DO
HVAC
E DE
OUTRAS
CARGAS
Esse método foi publicado no artigo “Ferramenta de Gerenciamento de Energia para
Consumidores Residenciais” [7].
Esse método propõe uma interface para o usuário que sugere o horário de uso de algumas
cargas deslocáveis e os ajustes horários do HVAC. A Figura 27 apresenta o esquema que
descreve o problema e a Figura 28 apresenta um protótipo de uma interface para essa
ferramenta, desenvolvido em MATLAB R2015b.
66
Geração Distribuída
Consumo dos equipamentos
que não fazem parte da simulação
Rede de Energia Elétrica
Medidor Inteligente
HVAC
Ferramenta de
Gerenciamento
de Energia
Figura 27. Esquema do Metódo 2
As cargas deslocáveis presentes na ferramenta são: chuveiro elétrico, secador de cabelo,
bomba da piscina, lavadora de louças, lavadora de roupas, panela elétrica, e aparelhos
recarregáveis. Para essas cargas o usuário pode preencher a quantidade e as possíveis horas de
funcionamento, e a ferramenta responde a hora do dia para sua melhor utilização. O usuário
também tem a opção de colocar zero no campo quantidade. Como exemplo, a Figura 29
destaca a parte da interface referente ao chuveiro elétrico.
As especificações de cada equipamento foram incluídas na ferramenta, e são fixas. As
características de consumo de cada carga deslocável são apresentadas na Tabela 14.
A sugestão do horário de uso das cargas deslocáveis é encontrada através da geração de
10.000 soluções diferentes e da seleção da melhor entre elas, ou seja, a que fornece o menor
valor para a função fitness (Equação 13). Esse método simples é utilizado porque o problema
apresenta grande dimensão, mas não possui muitas respostas factíveis. Vale lembrar que esse
método consiste em uma etapa intermediária do desenvolvimento do projeto.
67
Figura 28. Protótipo da interface
Figura 29. Campo da interface referente ao chuveiro elétrico
O HVAC é uma carga que permite ajustes de seus parâmetros de funcionamento. Os
parâmetros ajustados pela ferramenta foram modificados em relação ao Método 1. Agora o
método sugere as temperaturas de resfriamento e aquecimento, também a cada hora do dia. O
usuário pode escolher as temperaturas mínima e máxima aceitáveis para a temperatura de
resfriamento e de aquecimento. A temperatura de aquecimento deve ser sempre menor que a
de resfriamento e as temperaturas mínimas devem ser menores que as máximas. A Figura 30
destaca o campo da interface correspondente ao sistema de ar-condicionado.
68
Tabela 14. Características de consumo das cargas deslocáveis
Equipamento
Características de consumo
Chuveiro elétrico
Posição 1: 3000W, Posição 2: 5000W, Posição 3: 7500W.
Duração do banho – 15 minutos
Secador de cabelo
1200W, duração de uso – 10 minutos
Bomba da piscina
1 cv
Lavadora de louças
0,78 kWh por ciclo de 2 horas
Lavadora de roupas
0,3 kWh por ciclo de 2 horas
Panela elétrica
700 W, duração de uso – 30 minutos
Recarregáveis
21 W, duração de uso – 1 hora
Figura 30. Campo da interface referente ao HVAC
O consumo de energia elétrica do HVAC depende do clima e da temperatura. Assim como
no Método 1, é usado o GridLAB-D para calcular o seu consumo e sua sugestão de uso é dada
pela PSO. A função fitness tem o objetivo de diminuir o custo do consumo e é representada
pela Equação 15. Na ferramenta são usadas 50 partículas e 20 iterações. Pela complexidade e
por utilizar um software diferente para os cálculos dos modelos, a simulação do HVAC é mais
demorada.
𝑇
∑ 𝐸𝐻𝑉𝐴𝐶 (𝑡). 𝐶(𝑡)
(15)
𝑡=1
Onde: 𝐸𝐻𝑉𝐴𝐶 (𝑡) é a energia consumida pelo sistema HVAC; 𝐶(𝑡) é o custo da energia a cada período de tempo
e 𝑇 é o tempo de simulação.
69
O usuário também pode definir a modalidade tarifária, a bandeira tarifária, a cidade em
que está alocado e a geração distribuída (Figura 31).
Figura 31. Campos modalidade tarifária, bandeira tarifária, cidade e geração distribuída
Existem duas opções de tarifa: Convencional e Branca. Os valores dessas tarifas, para as
cidades presentes na ferramenta, ficam armazenados em um banco de dados. O banco de
dados atual contém as tarifas apresentadas na Tabela 12 e na Tabela 13, para as cidades de
Belém e Santa Maria.
A informação da cidade define os dados de tarifa e clima que vão ser selecionados. A
seleção da tarifa é feita pelo campo cidade e pelo campo modalidade tarifária. Para o clima, o
programa contém um banco de dados, atualmente contendo os dados de Belém e Santa Maria
(Tabela 10 e Tabela 11).
No campo Geração Distribuída pode-se incluir dois tipos de geração: Painel Fotovoltaico e
Turbina Eólica. Os dados de geração são fornecidos pelo GridLAB-D (Figura 21).
O preço diário é calculado somando os valores das funções fitness das cargas deslocáveis e
do HVAC. Ele aparece depois que o usuário preenche os pré-requisitos e clica no botão
“calcular”. O consumo das outras cargas que não entram na simulação, mas compõem o preço
diário, é definido pela Curva de Carga Diária Média da região da cidade escolhida (Figura
13). Vale observar que se o preço diário apresentar um valor negativo significa que o sistema
de compensação de energia está sendo utilizado.
Foram simulados 2 cenários diferentes para diferentes climas, conforme Tabela 15. Para os
2 cenários, os campos do programa foram preenchidos conforme a Tabela 16 e a Tabela 17.
70
Tabela 15. Características dos cenários simulados
Cidade: Santa Maria – Julho
Cenário 1
GD: Painel fotovoltaico e Turbina Eólica
Posição do seletor de temperatura do chuveiro: 3
Cidade: Belém – Novembro
Cenário 2
GD: Painel fotovoltaico
Posição do seletor de temperatura do chuveiro: 1
Tabela 16. Características comuns dos cenários simulados
Campo
Preenchimento
Modalidade Tarifária
Branca
Bandeira Tarifária
Verde
Ar-condicionado: aquecimento mínimo
17ºC
Ar-condicionado: aquecimento máximo
21ºC
Ar-condicionado: resfriamento mínimo
22ºC
Ar-condicionado: resfriamento máximo
25ºC
Tabela 17. Características comuns dos cenários simulados - equipamentos
Equipamento
Possíveis horas de funcionamento
Quantidade
diária
Bomba da piscina
Das 6h às 22h
8
Lavadora de louças
Das 15h às 18h e das 21h às 24h
1
Lavadora de roupa
Das 7h às 12h e das 15h às 20h
1
Recarregáveis
Das 0h às 10h e das 22h às 24h
1
Chuveiro elétrico
Das 7h às 9h, das 12h às 14h e das 18h às
4
23h
Secador de cabelo
Vinculado ao horário de banho
2
Panela elétrica
Das 8h às 12h e das 16h às 20h
1
71
Para cada cenário foi criado um caso base para comparação. Os dois casos base apresentam
os hábitos de consumo da Tabela 18. O custo de um dia de consumo para o caso base do
cenário 1 ficou em R$9,74 e para o cenário 2 ficou em R$12,61.
Tabela 18. Hábitos de consumo dos casos base
Equipamento
Características do caso base
Bomba da piscina
Fica ligada das 7h às 15h
Lavadora de louças
Liga às 20h
Lavadora de roupa
Liga às 13h
Recarregáveis
Liga às 22h
Chuveiro elétrico
2 banhos entre 7h e 8h e 2 banhos entre 18h e 19h
Secador de cabelo
2 usos entre 18h e 19h
Panela elétrica
Liga às 19h
Ajustes de
temperatura
Aquecimento: 20,6ºC, Resfriamento: 23,3ºC
A Tabela 19 e a Figura 32 mostram os resultados para o Cenário 1, correspondente à
cidade de Santa Maria. O preço diário do resultado para o Cenário 1 é R$4,67.
Tabela 19. Sugestões dos horários de uso para as cargas deslocáveis no Cenário 1
Equipamento
Sugestão de horário de uso
Bomba da piscina
Das 6h às 8h e das 10h às 16h.
Lavadora de louças
23h
Lavadora de roupa
7h
Recarregáveis
9h
Chuveiro elétrico
Dois banhos entre 8h e 9h, um banho entre 13h e
14h, um banho entre 22h e 23h
Secador de cabelo
Um uso entre 8h e 9h e um uso entre 13h e 14h
Panela elétrica
8h
72
Ajuste de temperaturas sugerido
Aquecimento
Resfriamento
Temperatura (ºC)
30
25
20
15
10
5
0
0
1
2
3
4
5
6
7
8
9 10 11 12 13 14 15 16 17 18 19 20 21 22 23
Hora do dia
Figura 32. Ajustes de temperatura do HVAC sugerido para o Cenário 1
A Tabela 20 e a Figura 33 mostram os resultados para o Cenário 2, correspondente à
cidade de Belém. O preço diário desse resultado é de R$11,13.
Os resultados mostram que os horários de consumo propostos estão sempre fora dos
períodos intermediário e de ponta. Como a ferramenta prevê a utilização do sistema de
compensação de energia, pode haver consumo em horários de menor geração.
Tabela 20. Sugestões dos horários de uso para as cargas deslocáveis no Cenário 2 no Cenário
Equipamento
Sugestão de horário de uso
Bomba da piscina
Das 7h às 9h, das 10h às 13h e das 14h
às 17h.
Lavadora de louças
22h
Lavadora de roupa
8h
Recarregáveis
22h
Chuveiro elétrico
Um banho entre 12h e 13h, um banho
entre 13h e 14h, dois banhos entre 22h e
23h
Secador de cabelo
Um uso entre 12h e 13h e um uso entre
22h e 23h
Panela elétrica
16h
73
Ajuste de temperaturas sugerido
Temperatura (ºC)
Aquecimento
Resfriamento
30
25
20
15
10
5
0
0
1
2
3
4
5
6
7
8
9 10 11 12 13 14 15 16 17 18 19 20 21 22 23
Hora do dia
Figura 33. Ajustes de temperatura do HVAC sugerido para o Cenário 2
Em relação ao HVAC a ferramenta fornece os ajustes horários de temperatura, que é a
informação necessária para a utilização do aparelho. Mas com esses ajustes não é possível
concluir sobre seu consumo. Como o ar-condicionado é uma carga térmica, ajustes em que as
temperaturas de aquecimento e resfriamento são mais próximas não consomem
necessariamente mais energia, pois esse consumo também depende da temperatura ambiente.
Por fim, em ambos os cenários houve uma redução de custo em relação ao caso base. Para
o cenário 1 essa redução foi de 52% e para o cenário 2 foi de 11,7%. A diferença entre os dois
casos aconteceu principalmente porque o consumo do chuveiro elétrico no cenário 1 é muito
maior do que o do cenário 2. Isso mostra que a economia que a ferramenta proporciona está
muito ligada às características e aos hábitos de consumo atuais do consumidor.
4.3. MÉTODO 3: GERENCIAMENTO INTEGRADO
DO
CONSUMO
DO
HVAC,
DE BATERIAS E DE OUTRAS CARGAS)
Esse método foi publicado no artigo “Residential Energy Management System Based on
Coevolutionary Particle Swarm Optimization” [8].
Nesse método, o cronograma diz quando ligar a bomba da piscina, a lava-louças, e a lavaroupas; a porcentagem de carregamento ou descarregamento de uma bateria; e os ajustes de
aquecimento e resfriamento do HVAC; e sugere horários para os usuários tomarem banho. A
diferença em relação ao Método 2 é que foram retiradas algumas cargas deslocáveis e a
74
bateria foi acrescentada à otimização. Além disso, o foco agora é o método, e não foi
desenvolvida uma interface para o usuário. A Figura 34 mostra o esquema que define o
problema.
As especificações da bomba da piscina, da lava-louças, da lava-roupas e do chuveiro são
apresentadas na Tabela 21. A bomba da piscina fica ligada 8 horas por dia (tempo máximo de
recirculação de acordo com [101]); a lava-louças e a lava-roupas devem funcionar uma vez
por dia com um ciclo de 2 horas; e as pessoas tomam 4 banhos de 15 minutos no total.
Assim como nos Métodos 1 e 2, o consumo das cargas que não fazem parte da otimização
são dados pela Curva de Carga Diária Média (Figura 13), e o consumo do HVAC e a energia
gerada são calculados através do GridLAB-D. Como o método está sendo testado, são
considerados apenas os painéis FV para a GD. O sistema de armazenamento consiste em uma
bateria de 12V, com capacidade de 240Ah, que carrega através de um carregador de 640W.
Geração Distribuída
Consumo dos equipamentos
que não fazem parte da simulação
Rede de Energia Elétrica
Medidor Inteligente
HVAC
Ferramenta de
Gerenciamento
de Energia
Figura 34. Esquema do Metódo 3
75
Tabela 21. Especificação das cargas deslocáveis
Equipamento
Bomba da piscina
Lava-louças
Lava-roupas
Chuveiro elétrico
Especificação
1100W
780 W por ciclo
300 W por ciclo
7500 W
A função fitness específica desse método é apresentada na Equação 16.
𝑇
∑ 𝐶(𝑡) . (𝑃𝑏𝑝 (𝑡). 𝐸𝑏𝑝 (𝑡) + 𝑃𝑙𝑙 (𝑡). 𝐸𝑙𝑙 (𝑡) + 𝑃𝑙𝑟 (𝑡). 𝐸𝑙𝑟 (𝑡) + 𝑃𝑐𝑒 (𝑡). 𝐸𝑐𝑒 (𝑡)
(16)
𝑡=1
+ 𝑃𝑏𝑎𝑡 (𝑡). 𝐸𝑏𝑎𝑡 (𝑡) + 𝑃𝐻𝑉𝐴𝐶 (𝑡). 𝐸𝐻𝑉𝐴𝐶 (𝑡) + 𝐸𝑑𝑒 (𝑡) + 𝐸𝑃𝑉 (𝑡))
Onde: 𝐶(𝑡) é o custo da energia a cada período de tempo, 𝑃𝑏𝑝 (𝑡) é o vetor prêmio para a bomba da piscina,
𝑃𝑙𝑙 (𝑡) é o vetor prêmio para a lava-louças, 𝑃𝑙𝑟 (𝑡) é o vetor prêmio para a lava-roupas, 𝑃𝑐𝑒 (𝑡) é o vetor prêmio
para o chuveiro elétrico, 𝑃𝑏𝑎𝑡 (𝑡) é o vetor prêmio para a bateria, 𝑃𝐻𝑉𝐴𝐶 (𝑡) é a energia consumida para o HVAC,
𝐸𝑏𝑝 (𝑡) é a energia consumida para a bomba da piscina, 𝐸𝑙𝑙 (𝑡) é a energia consumida para a lava-louças, 𝐸𝑙𝑟 (𝑡) é
a energia consumida para a lava-roupas, 𝐸𝑐𝑒 (𝑡) é a energia consumida para o chuveiro elétrico, 𝐸𝑏𝑎𝑡 (𝑡) é a
energia consumida (+) ou gerada (-) para a bateria, 𝐸𝐻𝑉𝐴𝐶 (𝑡) é a energia consumida para o HVAC, 𝐸𝑑𝑒 (𝑡) é a
energia consumida pelos demais equipamentos, 𝐸𝑃𝑉 (𝑡) é a energia gerada (-) pelos painéis FV e 𝑇 é o tempo de
simulação.
Os vetores prêmio foram acrescentados nesse método para incentivar o consumo quando os
painéis estão gerando energia. Apesar da possibilidade do uso do Sistema de Compensação de
Energia, evitá-lo pode ser uma vantagem, porque os créditos expiram e quando se acumula
muitos créditos pode haver dificuldade de compensá-los. Os vetores consistem da
multiplicação elemento a elemento de dois vetores, como apresentado na Equação 17.
𝑃𝑖 (𝑡) = 𝑃𝑔𝑒𝑟𝑎çã𝑜 (𝑡). 𝑃𝑟𝑒𝑠𝑡𝑟𝑖çõ𝑒𝑠,𝑖 (𝑡)
(17)
Onde: 𝑃𝑖 (𝑡) é o vetor prêmio de cada elemento, 𝑃𝑔𝑒𝑟𝑎çã𝑜 (𝑡) é o vetor prêmio de geração e 𝑃𝑟𝑒𝑠𝑡𝑟𝑖çõ𝑒𝑠,𝑖 (𝑡) é o
vetor prêmio de restrição para cada elemento.
O vetor prêmio da geração beneficia o consumo quando tem geração local; seu elemento é
2 quando a geração é zero, 1 quando a geração é máxima, e tem valores proporcionais quando
a geração é diferente de zero ou máxima.
76
O vetor prêmio de restrição guarda as restrições que dizem quando o usuário aceita usar
aquele equipamento; seu elemento é 1 quando o usuário aceita usar a carga e 50 quando ele
não aceita. A Figura 35 mostra os vetores prêmio de restrições para esse exemplo.
Bomba da piscina
Chuveiro
50
50
1
1
0
2
4
6
8
10 12 14 16 18 20 22
Horas do dia
0
2
4
6
10 12 14 16 18 20 22
Horas do dia
Lava-roupas
Lava-louças
50
8
50
1
1
0
2
4
6
8
10 12 14 16 18 20 22
Horas do dia
0
2
4
6
8
10 12 14 16 18 20 22
Horas do dia
Figura 35. Vetores prêmio de restrição
Por usar o GridLAB-D, a otimização do HVAC demanda menor partículas e iterações e
por isso é feita separadamente com a PSO. A resposta do HVAC é inserida como entrada no
programa principal, que faz a otimização das cargas deslocáveis e da bateria utilizando CPSO.
O programa do HVAC tem 50 partículas e 20 iterações e o programa principal tem 1000
partículas e 100 iterações.
Tabela 22. Caso de referência
Bomba
da
piscina
Lava-louças
Lava-roupas
Chuveiro elétrico
(só para Santa
Maria)
Bateria
HVAC
Funciona entre 7h e 15h
Funciona entre 13h e 15h.
Funciona entre 8h e 10h.
2 banhos entre 7h e 8h e 2 banhos 6h e 7h.
Carrega quando tem geração de energia e
descarrega no horário de pico
Temperatura de resfriamento = 23,3ºC (74ºF)
Temperatura de aquecimento = 20,6ºC (69ºC)
Foram elaborados dois casos de referência para fazer a comparação dos resultados. O
primeiro caso usa os dados de Santa Maria e o segundo usa os de Belém. Em ambos os casos
os hábitos de consumo, mostrados na Tabela 22, são quase os mesmos. A única diferença é o
chuveiro elétrico. Em Belém, o chuveiro elétrico não é uma carga importante, para a maioria
dos habitantes, porque a temperatura é alta e, por isso, não está presente nas simulações para
77
essa cidade. Para Santa Maria o preço da energia no caso base é R$18,35 e para Belém é
R$10,63.
A Figura 36, a Figura 37 e a Figura 38 mostram os resultados para Santa Maria.
Bomba da piscina
Chuveiro elétrico
1
1
0
0
0
2
4
6
8
10 12 14 16 18 20 22
Hora do dia
Lava-louças
1
0
2
4
6
10 12 14 16 18 20 22
Hora do dia
Lava-roupas
1
0
8
0
0
2
4
6
8
10 12 14 16 18 20 22
Hora do dia
0
2
4
6
8
10 12 14 16 18 20 22
Hora do dia
Figura 36. Cronogramas das cargas deslocáveis para Santa Maria
A otimização em Santa Maria resultou em um preço de R$12,49, 32,3% menos que o caso
de referência. A Figura 36 mostra os cronogramas para as cargas deslocáveis. Pode-se
perceber que a solução tenta trazer o consumo para os períodos de maior geração local,
enquanto respeita as restrições.
Porcentagem de carga (%)
Perfil de Carga
100
90
80
70
60
50
40
30
20
10
0
0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23
Hora do dia
Figura 37. Perfil de carga da bateria para Santa Maria
78
Potência do HVAC
Caso otimizado
Temperatura do ar
Caso de referência
Caso de referência
30
Temperatura (ºC)
5
Potência (kW)
Caso otimizado
4
3
2
1
0
1
3
5
7
9 11 13 15 17 19 21 23
20
10
0
0
Hora do dia
2
4
6
8
10 12 14 16 18 20 22
Hora do dia
Figura 38. Potência consumida pelo HVAC e temperatura do ar
Na Figura 37 é possível ver que a bateria carrega em períodos com maior geração e
descarrega quando a energia é mais cara. A Figura 38 mostra que o HVAC consome energia a
noite. Isso acontece porque ele está trabalhando em um clima frio, no modo de aquecimento.
A Figura 38 também compara a potência do HVAC no caso de referência e na otimização. No
caso de referência, a potência do HVAC é maior em quase todos os períodos. O gráfico de
temperatura do ar mostra que essa diferença de potência não afeta significativamente a
temperatura, não comprometendo o conforto do usuário.
A Figura 39 mostra os valores dos melhores fitness ao longo das iterações. No começo da
simulação, o fitness muda muito rápido. No final, a simulação converge para o dobro do valor
do começo, mostrando que o método de otimização realmente procura as melhores soluções.
Evolução do Fitness para o programa CPSO
Iteração
-20
1
6
11
16
21
26
31
36
41
46
51
56
61
66
71
76
81
86
91
96
0
Fitness
-40
-60
-80
-100
-120
Figura 39. Evolução do fitness para o programa CPSO de Santa Maria
79
A Figura 40, a Figura 41 e a Figura 42 mostram os resultados para Belém. O processo de
otimização para Belém resultou em um custo de R$7,85, 26,2% menor que o caso de
referência. A Figura 40 mostra que novamente o consumo das cargas deslocáveis se
concentrou em períodos de maior disponibilidade de geração local. Similarmente a Santa
Maria, a bateria carrega em períodos de geração local e descarrega quando a tarifa local é
maior (Figura 41). No entanto, em Belém a bateria começa a carregar mais cedo, enquanto
que em Santa Maria o carregamento se concentra no meio do dia. Isso acontece porque os
painéis FV começam a gerar energia mais cedo em Belém, mas também porque o HVAC em
Belém começa a consumir depois.
Bomba da piscina
Lava-louças
1
1
0
0
2
4
6
8
0
10 12 14 16 18 20 22
Hora do dia
2
4
6
8
10 12 14 16 18 20 22
Hora do dia
Lava-roupas
1
0
0
2
4
6
8
10 12 14 16 18 20 22
Hora do dia
Figura 40. Cronogramas das cargas deslocáveis para Belém
Perfil de Carga
Porcentagem de carga (%)
0
100
80
60
40
20
0
0
1
2
3
4
5
6
7
8
9 10 11 12 13 14 15 16 17 18 19 20 21 22 23
Hora do dia
Figura 41. Perfil de carga da bateria para Belém
80
A Figura 42 mostra a potência do HVAC e a temperatura do ar para Belém. O HVAC
trabalha para reduzir a temperatura, que é maior a tarde, por isso, consome mais no meio do
dia. Comparando as duas curvas, pode-se perceber que a potência otimizada é quase a mesma
do caso de referência, mas no horário de pico, é reduzida a zero. O comportamento da
temperatura do ar para Belém é diferente do comportamento em Santa Maria. Em Belém, a
temperatura mostra uma maior variação e é fácil perceber que a temperatura muda muito no
horário de pico. Nesse período, o usuário está abrindo mão do conforto para economizar
dinheiro.
Potência do HVAC
Caso de Referência
Temperatura do ar
Caso otimizado
Caso de referência
Temperatura (ºC)
3
2
1
0
2
4
6
8
24
22
20
18
0
10 12 14 16 18 20 22
Hora do dia
Caso otimizado
26
2
4
6
8 10 12 14 16 18 20 22
Horas do dia
Figura 42. Potência do HVAC e temperatura do ar para Belém
Fitness Evolution for CPSO program
Iteration
0
1
6
11
16
21
26
31
36
41
46
51
56
61
66
71
76
81
86
91
96
0
-20
-40
Fitness
Potência (kW)
4
-60
-80
-100
-120
Figura 43. Evolução do fitness para Belém
81
A Figura 43 mostra a evolução da função de fitness para Belém. Comparando com Santa
Maria, o fitness convergiu mais rápido, mas em geral a qualidade dos resultados é bem
semelhante.
4.3.1 CUSTO MENSAL
Também é possível fazer uma estimativa do custo mensal, mas para isso não é suficiente
multiplicar o custo diário por 30 dias, pois nem todos os equipamentos são usados todos os
dias. Dentre os 5 equipamentos utilizados na otimização, 4 são de uso diário (bomba da
piscina, chuveiro elétrico, lava-louça e HVAC) e um é utilizado 4 vezes por semana (lavaroupas), sendo utilizado dois dias na semana e dois dias no fim de semana. Portanto, para dois
dias da semana foi usado o custo diário já apresentado e para os outros dias foi feita uma nova
simulação. Para o do fim de semana, foi considerado o consumo do caso de referência.
Os resultados para a nova simulação foram os mesmos para a bomba da piscina, a lavalouças e o chuveiro elétrico (Figura 36 e Figura 40). Os resultados para o HVAC e a bateria
estão na Figura 44. Percebe-se um perfil parecido em ambas as simulações, com (Figura 37,
Figura 38, Figura 41 e Figura 42) e sem lava-roupas (Figura 44). O HVAC consumiu mais
durante a noite em Santa Maria e no meio do dia em Belém. A bateria carregou durante as
horas de maior geração e descarregou no horário de pico. O custo diário para a simulação sem
a lava-roupas foi de R$12,36 para Santa Maria e R$7,72 para Belém.
Potência do HVAC
Belém
5
4,5
4
3,5
3
2,5
2
1,5
1
0,5
0
Santa Maria
Porcentagem de carga (%)
Potência (kW)
Santa Maria
Perfil de carga
1
3
5
7
9
11 13 15 17 19 21 23
Belém
100
80
60
40
20
0
0
2
4
6
Horas do dia
Figura 44. Resultados para o HVAC e a bateria
8 10 12 14 16 18 20 22
Hora do dia
82
A Tabela 23 apresenta os cálculos do custo mensal e semanal, para os casos otimizado e de
referência, em julho de 2015 para Santa Maria e novembro de 2015 para Belém. O caso de
referência possui as mesmas características apresentadas anteriormente (Tabela 22), porém
para 3 dias da semana não foi considerada a lava-roupas. Os valores da tarifa convencional
são apenas comparativos, pois a simulação foi feita com os valores da tarifa branca como
restrição.
Nesse cálculo foram considerados os impostos, vigentes nas cidades exemplo, para mostrar
o valor mensal mais próximo possível de uma conta de energia elétrica. O PIS e a COFINS
para Santa Maria são de julho de 2015 [102] e para Belém foi utilizada a informação de uma
conta de energia de julho de 2016.
Tabela 23. Consumo mensal
Consumo semanal (kWh)
Consumo mensal (kWh)
Acréscimo bandeira vermelha (R$)
Custo semanal tarifa convencional (R$)
Custo mensal tarifa convencional (R$)
Custo semanal tarifa branca (R$)
Custo mensal tarifa branca (R$)
PIS (%)
COFINS (%)
ICMS (%)
Total tarifa convencional
Total tarifa branca
Caso de referência
Santa
Maria
Belém
267
152
1067
608
R$
R$
58,68
33,47
R$
R$
112,18
63,98
R$
R$
507,38
289,39
R$
R$
123,64
70,66
R$
R$
553,23
316,11
1,126%
0,739%
5,185%
3,406%
25,00%
25,00%
R$
R$
738,66
408,43
R$
R$
805,41
446,13
Caso otimizado
Santa Maria
229
916
R$
50,38
R$
96,32
R$
435,66
R$
94,22
R$
427,26
1,126%
5,185%
25,00%
R$
634,25
R$
622,01
Belém
143
571
R$
31,40
R$
59,52
R$
269,49
R$
57,09
R$
259,77
0,739%
3,406%
25,00%
R$
380,35
R$
366,62
A Tabela 23 mostra que usar as cargas no horário e com ajustes sugeridos pelo método traz
uma economia. Em Santa Maria, os hábitos de consumo do caso de referência favorecem a
tarifa convencional, principalmente porque o chuveiro elétrico é utilizado no horário de pico.
83
Nesse caso, a mudança do consumidor para a tarifa branca representaria um aumento de 9%.
Para o caso otimizado, o valor da tarifa branca foi menor porque a simulação é feita para a
tarifa branca. Nesse caso, a tarifa branca apresenta uma redução de 1,93%. A redução de
preço da tarifa convencional do caso de referência para a tarifa convencional do caso
otimizado foi de 14,1% e da tarifa convencional do caso de referência para a tarifa branca do
caso otimizado foi de 15,8%. A redução de preço da tarifa branca do caso de referência para a
tarifa branca do caso otimizado foi de 22,8%. A simulação também diminuiu a energia
consumida da rede.
Para Belém, assim como para Santa Maria, no caso de referência a tarifa convencional é a
escolha de menor custo. O caso otimizado também apresentou redução do custo da tarifa
branca em relação à tarifa convencional, nesse caso de 3,6%. A redução de preço da tarifa
convencional do caso de referência para a tarifa convencional do caso otimizado foi de 6,9% e
da tarifa convencional do caso de referência para a tarifa branca do caso otimizado foi de
10,2%. A redução de preço da tarifa branca do caso de referência para a tarifa branca do caso
otimizado foi de 17,8%. Novamente, a energia consumida da rede diminuiu com a simulação.
Todas as comparações mostram que o caso otimizado faz uma gestão completa e apresenta
uma maneira consideravelmente mais barata de consumo se comparado com a utilização dos
equipamentos sem orientação.
84
5. CONCLUSÕES
Este mestrado atingiu seu objetivo propondo 3 métodos que fazem a gestão inteligente de
energia em um consumidor residencial. Cada método possui seu programa correspondente
que propõe ao usuário um cronograma horário contendo sugestões de 24 horas de consumo. O
que consta nessas sugestões depende do método utilizado, pois os métodos fazem o
gerenciamento de tipos diferentes de carga. Todos os métodos preveem o uso de GD e da
tarifa branca. Não é possível fazer comparações dos resultados de um método com os
resultados de outro porque os cenários de simulação são bastante distintos.
O Método 1 propõe um algoritmo que sugere os ajustes horários para um parâmetro do
HVAC que impacta diretamente em seu consumo. Esse parâmetro, a temperatura de banda
morta do termostato, também influencia no conforto do usuário, visto que é o ajuste que
regula o quanto a temperatura real pode variar em torno da temperatura especificada. O
usuário pode definir o grau de flexibilidade de seu conforto, ajustando os limites para os
ajustes de temperatura. Os resultados foram apresentados de modo a comparar as alternativas
de ajustes que o usuário pode escolher dentro do método (ajuste otimizado) e sem o uso dele
(ajuste fixo). Também foram feitas simulações sem e com os REDs e com os dois tipos de
tarifas possíveis. Os resultados, para as cidades de Belém e Santa Maria mostram a
capacidade do Método 1 em reduzir custos. Também é possível perceber que: a GD mostrou
um grande potencial de economia, porém depende do clima local, que precisa ser estudado
para esse tipo de investimento; a tarifa branca é uma boa alternativa quando o consumo no
horário de pico não é muito alto, ou na presença de armazenamento de energia; fazendo a
otimização da banda morta do termostato do sistema HVAC é possível encontrar um
compromisso entre conforto e menores gastos com energia elétrica.
O Método 2 apresenta uma interface onde o usuário pode interagir com a ferramenta
proposta. Nela, o usuário é capaz de inserir suas restrições e obter como resposta as sugestões
fornecidas pela simulação. As sugestões podem ser os horários de uso para cargas
deslocáveis, e/ou os ajustes de parâmetros do HVAC. Esse método não prevê a utilização de
baterias, mas leva em conta o Sistema de Compensação de Energia. Isso faz com que existam
algumas sugestões diferentes para as cargas deslocáveis que apresentam o mesmo custo.
85
Nesse caso, o usuário pode calcular os resultados várias vezes e escolher a opção que lhe é
mais agradável. Como este método apresenta uma interface que mostra apenas os resultados
com as sugestões ao usuário e o preço resultante, não é viável investigar outros parâmetros.
Com isso a comparação dos resultados fica mais limitada em comparação aos outros métodos.
Os ajustes de temperatura do HVAC proposto pela ferramenta é a única informação sobre a
simulação do HVAC, mas não mostra nada sobre a qualidade dessa parte da simulação. Como
o ar-condicionado é uma carga térmica, ajustes em que as temperaturas de aquecimento e
resfriamento são mais próximas não consomem necessariamente mais energia, pois esse
consumo também depende da temperatura ambiente. Para ter uma referência de comparação,
foi estipulado um caso base que considera hábitos de consumo típicos. A ferramenta
apresentou redução no custo de ambos os cenários analisados. Em Santa Maria a redução foi
maior pelo uso do chuveiro elétrico na posição inverno. Isso mostra que a capacidade de
economia da ferramenta depende dos hábitos de consumo do usuário.
O Método 3 consiste na integração dos diversos tipos de carga, na inclusão das baterias e
na priorização do consumo no horário de geração. O perfil de carga da bateria foi incluído na
simulação. Para conferir que há priorização do consumo no horário da geração foram
utilizados apenas geradores solares, porque seus horários de geração são fáceis de reconhecer.
Também foram elaborados casos de referência, com o objetivo de comparar o custo final. Os
resultados mostraram que o método proporcionou uma redução no custo em comparação ao
caso de referência. A solução tenta trazer o consumo para os períodos de maior geração,
enquanto respeita as restrições dos usuários. A bateria carrega com períodos de maior geração
e descarrega quando a energia é mais cara. O consumo do HVAC é maior a noite em climas
frios e no meio do dia em climas quentes. No clima frio, a restrição do consumo no horário de
pico não afeta o conforto do usuário e no clima quente afeta. Para esse caso também foi
calculado um custo mensal, incluindo impostos, para ter uma comparação de cobrança
parecida com a realidade. Pode-se perceber que o consumo mensal é bem alto; isso acontece
porque o HVAC fica ligado o tempo todo. As reduções de consumo percentuais ficaram
menores porque foram incluídos os finais de semana, quando há apenas um preço para a
energia ao longo do dia. Como o preço horário do consumo do final de semana é o mesmo,
não foi utilizada a ferramenta de gerenciamento para esses dias.
86
Em todos os métodos a PSO apresentou resultados bastante satisfatórios, encontrando
soluções de menor custo. No caso da otimização do HVAC, a PSO proporcionou a
possibilidade de usar o GridLAB-D para calcular o consumo. Aproveitar esse software para
considerar a modelagem térmica proporciona uma representação mais completa. A PSO
possui a limitação para resolver problemas de grande dimensão. Por exemplo, o
gerenciamento das cargas deslocáveis no Método 2, que possui muitos equipamentos
diferentes, não pode ser feito com PSO. Para resolver esse impasse, o Método 3 usa uma
abordagem de cooperação coevolutiva. Além de resolver o problema de dimensionalidade da
PSO, essa abordagem facilita a integração do gerenciamento de cargas de diferentes tipos.
Como contribuições deste trabalho pode-se citar:
1. O uso de um software apropriado para fazer determinados cálculos, especialmente a
modelagem térmica;
2. A criação de uma interface para a interação do usuário com a ferramenta;
3. Criação de uma função fitness que integra os diferentes tipos de restrições do problema
de uma maneira original.
Como trabalhos futuros que possam complementar o trabalho desenvolvido neste projeto
de mestrado, pode-se citar:
1. A implementação do mesmo problema usando métodos diferentes de otimização,
fazendo a comparação com a PSO;
2. Fazer uma modelagem térmica própria baseada na modelagem do GridLAB-D e incluíla na otimização, tirando a necessidade de usar um software diferente no meio da
simulação
3. Colocar mais restrições para o uso do HVAC, permitindo que o mesmo não precise ficar
ligado o tempo todo;
4. Mudar a linguagem de programação utilizada para uma linguagem que torne a
ferramenta de gerenciamento um produto comerciável e que seja capaz de integrá-la em
diferentes plataformas;
87
5. Utilizar dados e modelos de previsão do tempo, ao invés de dados médios, para uma
melhor estimativa.
5.1. PUBLICAÇÕES
1. Título: “Gestão Inteligente de Energia em Consumidores de Baixa Tensão Incluindo
Microgeração,”
Autores: D. P. S. Ribeiro e L. C. P. da Silva
Congresso: 10º Congresso sobre Geração Distribuída e Energia no Meio Rural – X
AGRENER GD 2015, São Paulo, 2015.
Resumo
Este trabalho apresenta uma forma de gerenciar energia, em consumidores de baixa tensão,
com o objetivo de diminuir gastos. O ajuste da temperatura de banda morta do arcondicionado é otimizado, ou seja, a cada hora esse ajuste tem um valor diferente que
minimiza os gastos com este equipamento. Para os outros equipamentos é considerado o
consumo médio de acordo com a Pesquisa de Posse de Equipamentos e Hábitos de Uso do
Procel. É feita a comparação do consumo em alguns cenários: modalidade tarifária comum,
modalidade tarifária horosazonal, com e sem baterias de armazenamento, com e sem geração
solar e eólica. São utilizados dados reais de temperatura, radiação e velocidade do vento para
o cálculo da potência gerada. Para o cálculo dos custos, são utilizadas tarifas vigentes em
junho de 2015. São realizadas simulações com os dados de uma cidade do Norte (Belém –
PA) e uma cidade do Sul (Santa Maria – RS) do Brasil, para comparar os resultados em
diferentes tipos de clima. Pretende-se mostrar a diferença entre os consumos para os cenários
apresentados, incluindo a otimização dos gastos com o ar condicionado, e o potencial de
economia que cada benefício pode proporcionar.
Palavras-chave: Conservação de Energia; Uso Eficiente de Energia; Gerenciamento de
Energia; Energia Renovável.
88
2. Title: “Residential Energy Management System Based on Coevolutionary Particle
Swarm Optimization,”
Authors: D. P. S. Ribeiro e L. C. P. da Silva
Conference: The 15th IASTED International Conference on Intelligent Systems and
Control, Campinas, 2016.
Abstract
This paper presents a methodology for energy management in residential consumers
seeking for reduced costs with electricity. The technique gives a day ahead schedule that
shows the best period of the day to switch on and off the pool pump, the dishwasher, the
washing machine and the electric shower; home battery percentage of charge or discharge for
each hour; and the hourly temperature adjustments of a Heating, Ventilation, and Air
conditioning System (HVAC). In order to calculate the HVAC power consumption, the
simulation software GridLAB-D was used. Also in GridLAB-D, real data for temperature and
radiation were employed to simulate the power generation of Photovoltaic (PV) panels. The
simulation was made with data from a northern city (Belém – PA) and a southern city (Santa
Maria - RS) of Brazil, in order to compare the results for different weather conditions. For the
remaining equipments, was considered the average consumption according to the results
provided by Procel-Eletrobras on consumer habits and ownership of appliances. To calculate
the energy cost June 2015 current tariffs from each local company were used. To find the best
solution, an optimization method based on Particle Swarm Optimization (PSO), and a
variation with a coevolutionary approach were chosen.
Keywords: Electrical Systems, Energy and bioenergy, Metaheuristics, Home Energy
Management System, GridLAB-D, Energy Conservation.
3. Título:
“Ferramenta
de
Gerenciamento
de
Energia
Residenciais,” Autores: D. P. S. Ribeiro e L. C. P. d. Silva
Congresso: XXI Congresso Brasileiro de Automática, Vitória, 2016.
Resumo
para
Consumidores
89
Este trabalho apresenta uma ferramenta de gerenciamento de energia que faz uma sugestão
do consumo em uma residência, minimizando o custo da energia elétrica. Essa ferramenta
possui uma interface que permite ao usuário preencher suas características e restrições. O
usuário pode selecionar sua modalidade tarifária, bandeira tarifária, cidade/mês do ano e
geração de energia. Também é possível escolher a quantidade de alguns equipamentos, os
possíveis horários de uso e os limites de ajuste para o sistema de ar-condicionado. O
programa fornece os melhores horários de utilização da bomba da piscina, lavadora de louças,
lavadora de roupas, aparelhos recarregáveis, chuveiro elétrico, secador de cabelo e panela
elétrica. Também sugere as temperaturas de ajuste do sistema de ar-condicionado a cada hora,
e mostra o preço diário que será gasto com energia elétrica caso as sugestões sejam seguidas.
Palavras-chave: Eficiência energética, Gerenciamento de energia, Uso eficiente da
energia, Energia renovável.
90
REFERÊNCIAS
[1]
[2]
[3]
[4]
[5]
[6]
[7]
[8]
[9]
[10]
[11]
[12]
[13]
[14]
[15]
[16]
ANEEL, “RESOLUÇÃO NORMATIVA Nº 482,” Agência Nacional de Energia
Elétrica, Brasília, 2012.
ANEEL, “RESOLUÇÃO NORMATIVA Nº687,” Agência Nacional de Energia Elétrica,
Brasília, 2015.
ANEEL, “Condições Gerais de Fornecimento de Energia Elétrica - Resolução Normativa
Nº414 atualizada até REN 499,” Agência Nacional de Energia Elétrica, Brasília, 2012.
EPE, “Balanço Energético Nacional 2015 - Relatório final - ano base 2014,” Empresa de
Pesquisa Energética, Rio de Janeiro, 2015.
M. Albadi e E. El-Saadany, “A summary of demand response in electricity markets,”
Electric Power Systems Research, vol. 78, nº 11, pp. 1989-1996, novembro de 2008.
D. P. S. Ribeiro e L. C. P. d. Silva, “Gestão Inteligente de Energia em Consumidores de
Baixa Tensão Incluindo Microgeração,” em 10º Congresso sobre Geração Distribuída e
Energia no Meio Rural – X AGRENER GD 2015, São Paulo, 2015.
D. P. S. Ribeiro e L. C. P. d. Silva, “Ferramenta de Gerenciamento de Energia para
Consumidores Residenciais,” em XXI Congresso Brasileiro de Automática, Vitória,
2016.
D. P. S. Ribeiro e L. C. P. d. Silva, “Residential Energy Management System Based on
Coevolutionary Particle Swarm Optimization,” em The 15th IASTED International
Conference on Intelligent Systems and Control, Campinas, 2016.
R. A. Pank, Energy Management Systems and Direct Digital Control, Lilburn: The
Fairmont Press, inc., 2002.
M. Amer, A.Naaman, N. K. M’Sirdi e A. M. El-Zonkoly, “Smart Home Energy
Management Systems Survey,” em 2nd Renewable Energy for Developing Countries,
Beirut, 2014.
V. Ricquebourg, D. Menga, D. Durand, B. Marhic, L. Delahoche e C. Lope, “The Smart
Home Concept : our immediate future,” em 1ST IEEE International Conference on ELearning in Industrial Electronics, Hammamet, E-Learning in Industrial Electronics.
The Energy-Smart House, from the editors of Fine Homebuilding, Newtown: Taunton
Press, 2011.
Parlamento Europeu Conselho da União Europeia, “DIRECTIVA 2010/31/UE DO
PARLAMENTO EUROPEU E DO CONSELHO de 19 de Maio de 2010 relativa ao
desempenho energético dos edifícios,” Jornal Oficial da União Europeia, 2010.
P. Torcellini, S. Pless, M. Deru e D. Crawley, “Zero Energy Buildings: A Critical Look
at the Definition,” em ACEEE Summer Study, National Renewable Energy Laboratory U.S. Department of Energy, Pacific Grove, agosto de 2006.
PROCEL, “Selo Procel Edificações,” PROCEL, 2006. [Online]. Available:
http://www.procelinfo.com.br/selo_procel_edificacoes/. [Acesso em 13 06 2016].
M. Pedrasa, E. Spooner e I. MacGill, “Improved energy services provision through the
intelligent control of distributed energy,” em IEEE Bucharest PowerTech, Bucharest,
91
[17]
[18]
[19]
[20]
[21]
[22]
[23]
[24]
[25]
[26]
[27]
[28]
[29]
Romania, junho de 2009.
M. Pedrasa, E. Spooner e I. MacGill, “Coordinated Scheduling of Residential Distributed
Energy Resources to Optimize Smart Home Energy Services,” IEEE Transactions on
Smart Grid, vol. 1, nº 2, pp. 134-143, setembro de 2010.
T. Goya, T. Senjyu, A. Yona, N. Urasaki, T. Funabashi e C.-H. Kim, “Optimal operation
of controllable load and battery considering transmission constraint in smart grid,” em
IPEC, 2010 Conference Proceedings, Singapore, outubro de 2010.
K. Tanaka, K. Uchida, M. Oshiro, T. Goya, T. Senjyu e A. Yona, “Optimal operation for
DC smart-houses considering forecasted error,” em IPEC, 2010 Conference
Proceedings, Singapore, outubro de 2010.
K. Tanaka, K. Uchida, K. Ogimi, T. Goya, A. Yona, T. Senjyu, T. Funabashi e C.-H.
Kim, “Optimal Operation by Controllable Loads Based on Smart Grid Topology
Considering Insolation Forecasted Error,” IEEE Transactions on Smart Grid, vol. 2, nº 3,
pp. 438 - 444, agosto de 2011.
K. Tanaka, A. Yoza, K. Ogimi, A. Yona, T. Senjyu, T. Funabashi e C.-H. Kim, “Optimal
operation of DC smart house system by controllable loads based on smart grid topology,”
Renewable Energy, vol. 39, nº 1, p. 132–139, março de 2012.
A.-H. Mohsenian-Rad, V. W. S. Wong, J. Jatskevich, R. Schober e A. Leon-Garcia,
“Autonomous Demand-Side Management Based on Game-Theoretic Energy
Consumption Scheduling for the Future Smart Grid,” IEEE Transactions on Smart Grid,
vol. 1, nº 3, pp. 320 - 331, dezembro de 2010.
F. Fernandes, T. Sousa, M. Silva e H. Morais, “Genetic algorithm methodology applied
to intelligent house control,” em IEEE Symposium on Computational Intelligence
Applications In Smart Grid (CIASG), Paris, Abril de 2011.
A. Barbato, A. Capone, G. Carello, M. Delfanti, M. Merlo e A. Zaminga, “Cooperative
and Non-Cooperative house energy optimization in a Smart Grid perspective,” em IEEE
International Symposium on a World of Wireless, Mobile and Multimedia Networks
(WoWMoM), Lucca, junho de 2011.
A. Barbato, A. Capone, G. Carello, M. Delfanti, M. Merlo e A. Zaminga, “House energy
demand optimization in single and multi-user scenarios,” em IEEE International
Conference on Smart Grid Communications (SmartGridComm), Brussels, outubro de
2011.
D. Shahgoshtasbi e M. Jamshidi, “Energy efficiency in a smart house with an intelligent
Neuro-Fuzzy lookup table,” em 6th International Conference on System of Systems
Enginnering, Albuquerque, junho de 2011.
D. Shahgoshtasbi e M. Jamshidi, “Modified Intelligent Energy Management system in a
smart house,” em World Automation Congress (WAC), Puerto Vallarta, junho de 2012.
M. C. Bozchalui, S. A. Hashmi, H. Hassen, C. A. Canizares e K. Bhattacharya, “Optimal
Operation of Residential Energy Hubs in Smart Grids,” IEEE Transactions on Smart
Grid , vol. 3, nº 4, pp. 1755 - 1766, outubro de 2012.
A. Yoza, K. Uchida, A. Yona e T. Senjyu, “Optimal operation of controllable loads in
DC smart house with EV,” em International Conference on Renewable Energy Research
and Applications (ICRERA), Nagasaki, novembro de 2012.
92
[30] M. Miyagi, S. Morinaga, Y. Shiroma e T. Funabashi, “Optimal load sharing using droop
control and fuzzy control in uninterruptible smart house,” em 1st International Future
Energy Electronics Conference (IFEEC), Tainan, novembro de 2013.
[31] H. Wang, K. Meng, F. Luo, Z. Y. Dong, G. Verbič, Z. Xu e K. P. Wong, “Demand
response through smart home energy management using thermal inertia,” em Power
Engineering Conference (AUPEC), 2013 Australasian Universities, Hobart, 2013.
[32] J. H. Yoon, R. Baldick e A. Novoselac, “Dynamic Demand Response Controller Based
on Real-Time Retail Price for Residential Buildings,” IEEE Transactions on Smart Grid,
vol. 5, nº 1, pp. 121 - 129, Janeiro de 2014.
[33] IEEE, “IEEE Standard for Interconnecting Distributed Resources with Eletric Power
Systems,” IEEE Std 1547-2003, pp. 1-28, DOI: 10.1109/IEEESTD.2003.94285, 2003.
[34] D. Moskovitz, “Profits and Progress Through Distributed Resources,” The regulatory
Assistance Project, Gardiner, Maine, fevereiro de 2000.
[35] SWECO, “Study on the effective integration of Distributed Energy Resources for
providing flexibility to the electricity system. Final report to The European
Commission,” 20 de abril de 2015.
[36] G. Pepermansa, J. Driesenb, D. Haeseldonckxc, R. Belmansc e W. D’haeseleer,
“Distributed generation: definition, benefits and issues,” Energy Policy, vol. 33, nº 6, pp.
787-798, abril de 2005.
[37] CIRED, “Preliminary Report Discussion at CIRED 1999,” Working Group N° 4 on
Dispersed Generation, Nice, France, 1999.
[38] T. Ackermann, G. Anderssonb e L. Södera, “Distributed generation: a definition,”
Electric Power Systems Research, vol. 57, nº 3, pp. 195-204, 20 de abril de 2001.
[39] ANEEL, “Procedimentos de Distribuição de Energia Elétrica no Sistema Elétrico
Nacional – PRODIST,” Agência Nacional de Energia Elétrica, Brasília, Revisão 9 (após
realização da AP 026/2015), 2015.
[40] M. G. Villalva, Energia Solar Fotovoltaica, São Paulo: Érica, 2015.
[41] H. Wirth, “Recent Facts about Photovoltaics in Germany,” Fraunhofer Institute for Solar
Energy Systems ISE, Freiburg, 22 de abril de 2016.
[42] A. Pressman, Architectural Graphic Standards, John Wiley & Sons, 2007.
[43] Solar Closet, “Difference between monocrystalline polycrystalline and Amorphous thin
film solar cell?,” 2016. [Online]. Available: http://www.solarcloset.com/understandingsolar-equipment/difference-between-monocrystalline-polycrystalline-and-amorphousthin-film-solar-cell/. [Acesso em 14 06 2016].
[44] Which?,
“How
to
buy
solar
panels,”
2016.
[Online].
Available:
http://www.which.co.uk/energy/creating-an-energy-saving-home/guides/how-to-buysolar-panels/solar-pv-prices-and-savings/. [Acesso em 14 06 2016].
[45] PV magazine, “Dates for new Italian FIT pushed back,” 2016. [Online]. Available:
http://www.pv-magazine.com/news/details/beitrag/dates-for-new-italian-fit-pushedback_100002796/#axzz4Ba3Wss5v. [Acesso em 14 06 2016].
[46] Metal
Roofing
NJ,
“Solar
Panels,”
2016.
[Online].
Available:
http://www.metalroofingnj.com/solar-panels/. [Acesso em 14 06 2016].
[47] Polysolar,
“Integrated
Solar
Solutions,”
2014.
[Online].
Available:
93
[48]
[49]
[50]
[51]
[52]
[53]
[54]
[55]
[56]
[57]
[58]
[59]
[60]
[61]
[62]
[63]
[64]
http://www.polysolar.co.uk/. [Acesso em 14 06 2016].
R. L. Hills, Power from Wind: A History of Windmill Technology, New York:
Cambridge University Press, 1996.
P. Gipe, Wind Power: Renewable Energy for Home, Farm, and Business, White River
Junction: Chelsea Green Publishing Company, 2004.
P. Gipe, Wind Energy Basics: A Guide to Home and Community-Scale Wind-Energy
Systems, Winter River Junction: Chelsea Green Publishing Company, 2009.
ABS Alaskan, “SWWP 24V AIR Breeze Marine Wind Turbine,” 2016. [Online].
Available: http://www.absak.com/catalog/product_info.php/products_id/1513. [Acesso
em 23 16 2016].
bioserve, 2016. [Online]. Available: http://www.bioserve.com.br/. [Acesso em 23 06
2016].
Energia Pura, “Aerogerador Skystream Marine,” 2016. [Online]. Available:
https://www.energiapura.com/content/aerogerador-skystream-marine. [Acesso em 23 06
2016].
Clean Technica, “Vertical Axis Wind Turbines: Great In 1890, Also-rans In 2014,”
Sustainable
Enterprises
Media,
Inc.,
2016.
[Online].
Available:
http://cleantechnica.com/2014/04/07/vertical-axis-wind-turbines-great-1890-also-rans2014/. [Acesso em 21 06 2016].
Acta Energetica, “Wind power generation – a review,” Ideacto, 2011. [Online].
Available:
http://actaenergetica.org/en/science/innovations/wind-power-generation%E2%80%93-a-review. [Acesso em 21 06 2016].
R. Zogg, L. Tyson, D. Ofer e J. Brodrick, “Distributed Energy Storage,” ASHRAE
Journal, vol. 49, nº 5, pp. 90,92,94, maio de 2007.
FREEDOM, Manual Técnico - Bateria estacionária, Sorocaba, 22 de julho de 2008.
P. P. Vergara, R. Torquato e L. C. P. d. Silva, “Towards a real-time Energy Management
System for a Microgrid using a Multi-Objective Genetic Algorithm,” em IEEE PES
General Meeting, Denver, 2015.
C. Pang, P. Dutta e M. Kezunovic, “BEVs/PHEVs as Dispersed Energy Storage for V2B
Uses in the Smart Grid,” IEEE Transactions on Smart Grid, vol. 3, nº 1, pp. 473 - 482,
20 de fevereiro de 2012.
US Department of Energy, “Benefits of Demand Response in Electricity Markets and
Recommendations for Achieving them - A report to the United States Congress Pursuant
to Section 1252 Of The Energy Policy Act Of 2005,” Fevereiro de 2006.
IEA, “The Power to Choose - Demand Response in Liberalized,” International Energy
Agency, OECD, Paris, 2003.
D. Y. Goswami e F. Kreith, Energy Efficiency and Renewable Energy Handbook, CRC
Press, 2015.
P. Palensky e D. Dietrich, “Demand Side Management: Demand Response, Intelligent
Energy Systems, and Smart Loads,” IEEE Transactions on Industrial Informatics, vol. 7,
nº 3, pp. 381-388, Junho de 2011.
M. V. P. Alcântara, “Conservação de energia em rede inteligente,” Tese de Doutorado
(Programa de Pós-Graduação em Engenharia Elétrica) – Faculdade de Engenharia
94
[65]
[66]
[67]
[68]
[69]
[70]
[71]
[72]
[73]
[74]
[75]
[76]
[77]
[78]
[79]
[80]
[81]
[82]
[83]
Elétrica e de Computação, Universidade Estadual de Campinas, Campinas, 2014.
ENERGYPR,
“Geração
Distribuída
de
Energia,”
[Online].
Available:
http://www.energypro-site.com/#!geracao-distribuida/c19i. [Acesso em 2016 08 08].
PROCEL, “Pesquisa de Posse de Equipamentos e Hábitos de Uso - Ano Base 2005,”
PROCEL/ELETROBRÁS, Rio de Janeiro, julho de 2007.
A. Soares, A. Gomes e C. H. Antunes, “Domestic Load Characterization for DemandResponsive Energy Management Systems,” em IEEE International Symposium on
Sustainable Systems and Technology (ISSST), Boston, 2012.
EPE, “Balanço Energético Nacional 2016 - Relatóri Síntese - ano base 2015,” Empresa
de Pesquisa Energética, Rio de Janeiro, 2016.
EPE, “Balanço Energético Nacional 2015 - Relatório Síntese - ano base 2014,” Empresa
de Pesquisa Energética, Rio de Janeiro, 2015.
ANEEL, “Por Dentro da Conta de Luz - Informação de utilidade pública,” Agência
Nacional de Energia Elétrica, Brasília, 2008.
CONFAZ, “CONVÊNIO ICMS 16, DE 22 DE ABRIL DE 2015,” Publicado no DOU de
27.04.15, pelo Despacho 79/15; Ratificação nacional no DOU de 14.05.15, pelo Ato
Declaratório 10/15..
ANEEL, “RESOLUÇÃO NORMATIVA Nº479,” Agência Nacional de Energia Elétrica,
Brasília, 2012.
ANEEL, “Tarifa Branca,” [Online]. Available: http://www.aneel.gov.br/tarifa-branca.
[Acesso em 23 05 2016].
ANEEL, “RESOLUÇÃO NORMATIVA Nº502,” Agência Nacional de Energia Elétrica,
Brasília, 2012.
ANEEL, “Resolução Homologatória Nº 1.879, de 14 de abril de 2015,” Agência
Nacional de Energia Elétrica, Brasília, 2015.
J. Kennedy e R. Eberhart, “Particle Swarm Optimization,” em IEEE International
Conference on Neural Networks, Perth, 1995.
R. Eberhart e J. Kennedy, “A new optimizer using particle swarm theory,” em
Proceedings of the Sixth International Symposium on Micro Machine and Human
Science, Nagoya, 1995.
J. A. Momoh, Adaptive Stochastic Optimization Techniques with Applications, Boca
Raton: CRC Press, 2016.
R. Wehrens e L. M. Buydens, “Classical and Nonclassical Optimization Methods,” em
Encyclopedia of Analytical Chemistry, John Wiley and Sons, 2006.
ambientum.
[Online].
Available:
http://www.ambientum.com/revista/2007/especiales/migracion_aves/imag/sol_aves.jpg.
[Acesso em 2016 08 08].
P.
Terry,
“Modelling
shoal
movement,”
[Online].
Available:
https://paterry.com/2012/10/21/modelling-shoal-movement/. [Acesso em 2016 08 08].
R. C. Eberhart, P. Simpson e R. Dobbins, Computational Intelligence PC Tools:, San
Diego: Academic Press Professional, 1996.
J. Kennedy e R. C. Eberhart, “A discrete binary version of the particle swarm algorithm,”
95
[84]
[85]
[86]
[87]
[88]
[89]
[90]
[91]
[92]
[93]
[94]
[95]
[96]
[97]
[98]
em IEEE International Conference on Systems, Man, and Cybernetics, Orlando, 1997.
F. v. d. Bergh e A. P. Engelbrecht, “A Cooperative Approach to Particle Swarm
Optimization,” IEEE TRANSACTIONS ON EVOLUTIONARY COMPUTATION, vol. 8,
nº 3, pp. 225-239, junho de 2004.
S. H. Clearwater, T. Hogg e B. A. Huberman, “Cooperative problem solving,” em
Computation: The Micro and the Macro View, Singapore, World Scientific, 1992, pp.
33-70.
M. A. Potter e K. A. D. Jong, “A Cooperative Coevolutionary Approach to Function
Optimization,” em PPSN III Proceedings of the International Conference on
Evolutionary Computation, Londres, 1994.
D. P. Chassin, K. Schneider e C. Gerkensmeyer, “GridLAB-D: An open-source power
systems modeling and simulation environment,” em IEEE/PES Transmission and
Distribution Conference and Exposition, Chicago, 2008.
PNNL, “GridLAB-D: A Unique Tool to Design the Smart Grid,” Pacific Northwest
National Laboratory, Richland, 2012.
D. P. Chassin, J. C. Fuller e N. Djilali, “GridLAB-D: An Agent-Based Simulation
Framework for Smart Grids,” Journal of Applied Mathematics, vol. 2014, nº Article ID
492320, p. 12 páginas, 2014.
GridLAB-D, “Modules,” PNNL, 29 11 2012. [Online]. Available: http://gridlabd.sourceforge.net/wiki/index.php/Modules. [Acesso em 28 06 2016].
GridLAB-D, “Getting Started Using GridLAB-D,” PNNL, 27 05 2015. [Online].
Available: http://gridlab-d.sourceforge.net/wiki/index.php/User_Guide. [Acesso em 28
06 2016].
N. D. Tenney, “GridLAB-D Technical Support Document: Climate Module Version
1.0,” Pacific Northwest National Laboratory, National Technical Information Service,
Springfield, maio de 2008.
GridLAB-D, “CSV reader (climate class),” PNNL, 19 03 2013. [Online]. Available:
http://gridlab-d.sourceforge.net/wiki/index.php/CSV_reader_(climate_class). [Acesso em
30 06 2016].
SWERA, “Solar and Wind Energy Resource Assessment,” OpenEI, [Online]. Available:
http://en.openei.org/apps/SWERA/. [Acesso em 30 06 2016].
T. Taylor, K. Gowri e S. Katipamula, “GridLAB-D Technical Support Document:
Residential End-Use Module Version 1.0,” Pacific Northwest National Laboratory,
National Technical Information Service, Springfield, julho de 2008.
GridLAB-D, “Generator Module Guide,” PNNL, 04 11 2015. [Online]. Available:
http://gridlabd.sourceforge.net/wiki/index.php/Generator_Module_Guide#Energy_Storage_Model.
[Acesso em 30 06 2016].
GridLAB-D, “Class schedule - Introduction to generators, energy storage, and plug-in
electric
vehicles,”
05
03
2013.
[Online].
Available:
http://gridlabd.sourceforge.net/wiki/index.php?title=Class_schedule. [Acesso em 01 07 2016].
EnergyPlus, “Weather Data,” DOE, [Online]. Available: https://energyplus.net/weather.
[Acesso em 08 07 2016].
96
[99] ANEEL, “Resolução Homologatória Nº 1.858, de 27 de fevereiro de 2015,” Agência
Nacional de Energia Elétrica, Brasília, 2015.
[100] ANEEL, “Resolução Homologatória Nº 1.879, de 14 de abril de 2015,” Agência
Nacional de Energia Elétrica, Brasília, 2015.
[101] ABNT, “Projeto e execução de piscina - Sistema de recirculação e tratamento,”
Associação Brasileira de Normas Técnicas , Rio de Janeiro, 1988.
[102] AES
Sul,
“Taxas
e
Tarifas,”
2014.
[Online].
Available:
https://www.aessul.com.br/grandesclientes/site/content/informacoes/tarifas_e_taxas.aspx.
[Acesso em 2016 07 21].
[103] P. Dondia, D. Bayoumib, C. Haederlic, D. Julianb e M. Suterc, “Network integration of
distributed power generation,” Journal of Power Sources, vol. 106, nº 1-2, pp. 1-9, Abril
de 2002.