Aplicação de métodos de otimização para despacho de baterias de prosumidores atendidos em baixa tensão : uma abordagem através do conceito de usinas virtuais de energia

Abstract

Este estudo investiga a aplicação de métodos de otimização para o despacho de geração de energia para consumidores atendidos em baixa tensão, utilizando o conceito de Usinas Virtuais de Energia (VPPs). Ao alavancar técnicas avançadas de otimização, como Otimização por Enxame de Partículas (PSO), Algoritmos Genéticos (AG) e Simulated Annealing (SA), a pesquisa visa desenvolver um sistema que minimize os custos de energia, ao mesmo tempo em que aumenta a eficiência energética dos consumidores. Utilizando dados em tempo real do Instituto Nacional de Meteorologia (INMET) e de distribuidoras de energia, o modelo simula com precisão as variáveis do sistema, incorporando dados reais climáticos e operacionais. A aplicação desenvolvida, implementada em Python, possui uma interface gráfica amigável que facilita a visualização e análise de dados, apoiando assim a tomada de decisões informadas. Os resultados mostram que o modelo proposto reduz os custos de energia e pode ser aplicado em cenários reais, contribuindo para a sustentabilidade e eficiência do sistema elétrico. A comparação entre os métodos em situações limite mostra que o SA mostra-se aproximadamente dez vezes mais rápido que os outros métodos, porém fica preso em mínimos globais. O PSO atingiu os melhores resultados em 90% das simulações, porém com tempo de execução cerca de duas vezes superior ao AG, que atinge valores intermediários ao SA e PSO. Trabalhos futuros podem se concentrar na integração de diversas fontes de energia renovável, no aprimoramento das capacidades preditivas utilizando aprendizado de máquina e na avaliação de impactos ambientais e sociais, avançando assim no desenvolvimento de soluções energéticas sustentáveis

This study investigates the application of optimization methods for the dispatch of energy con sumption and generation for low-voltage consumers, utilizing the concept of Virtual Power Plants (VPPs). By leveraging advanced optimization techniques such as Particle Swarm Optimi zation (PSO), Genetic Algorithms (GA), and Simulated Annealing (SA), the research aims to develop a system that minimizes energy costs while enhancing the energy efficiency of consu mers. Utilizing real-time data from the National Institute of Meteorology (INMET) and utility providers, the model accurately simulates system variables, incorporating real-world climatic and operational data. The developed application, implemented in Python, features a user-friendly graphical interface that facilitates data visualization and analysis, thereby supporting informed decision-making. The results demonstrate that the proposed model effectively reduces energy costs and can be applied in real-world scenarios, contributing to the sustainability and efficiency of the electric system, and the comparison between the methods in edge cases shows that SA (Simulated Annealing) can be about 10 times faster than the other methods, but it tends to get stuck in local minima. PSO (Particle Swarm Optimization) achieved the best results in about 90% of the simulations but has an execution time approximately twice that of GA (Genetic Algorithm), which reaches intermediate values between SA and PSO. Future work should focus on integrating diverse renewable energy sources, improving predictive capabilities using machine learning, and evaluating environmental and social impacts, thus advancing the development of sustainable energy solutions