Estudo do controle ativo para aumentar a capacidade de hospedagem de sistemas fotovoltaicos em redes de distribuição do futuro

Orientador: Fernanda Caseño Trindade ArioliDissertação (mestrado) - Universidade Estadual de Campinas, Faculdade de Engenharia Elétrica e de ComputaçãoResumo: As redes de distribuição de energia elétrica provavelmente irão sofrer, na próxima década, mudanças significativas em sua infraestrutura devido à integração massiva de tecnologias de baixa emissão de carbono, fazendo com que o seu gerenciamento pelas concessionárias de energia seja mais desafiador. A instalação desses dispositivos, por exemplo, sistemas fotovoltaicos (SFs), deve ser incentivada pelos governos dos 195 países, incluindo o Brasil, que participam do Acordo de Paris. Para um certo nível de penetração de SFs, transgressões de tensão, considerando os limites estatutários estabelecidos pela Agência Nacional de Energia Elétrica, e sobrecarga de equipamentos ocorrerão. Além disso, a partir de um determinado nível de tensão, os SFs se desconectarão do sistema, levando à perda de geração de energia elétrica, prejudicando os clientes. Esses problemas podem ser mitigados empregando equipamentos controláveis típicos de sistemas elétricos, por exemplo, transformadores com comutação de tape sob carga e reguladores de tensão de linha, juntamente com outros equipamentos, como os inversores inteligentes dos SFs. No entanto, a coordenação adequada de todos esses dispositivos é difícil, exigindo técnicas de controle sofisticadas. O principal objetivo deste trabalho é a investigação dos benefícios e desafios da implementação de um controle ativo baseado em fluxo de potência ótimo ou aprendizado por reforço, que aproveita todos os equipamentos controláveis típicos e novos instalados em futuras redes de distribuição para mitigar o impacto da massiva penetração de SFs e, assim, aumentar a capacidade de sua hospedagem na rede. A formulação do problema considera a natureza desequilibrada das redes de distribuição, uma vez que os SFs são instalados principalmente em redes de baixa tensão. As técnicas desenvolvidas neste trabalho serão testadas usando redes reais de distribuição juntamente de dados de uma concessionária brasileiraAbstract: Electrical power distribution networks are likely to experience in the next decade significant infrastructural changes due to the massive integration of low carbon technologies. The deployment of these devices, for instance, photovoltaic (PV) systems, are expected to be encouraged by governments in accordance with the Paris Agreement, signed by 195 countries, including Brazil, to reduce greenhouse emissions. For a certain penetration level, voltage transgressions, considering the statutory limits established by the Brazilian Electricity Regulatory Agency, and asset congestion will occur. Moreover, given a certain voltage level, PV systems will disconnect from the network, leading to loss of generation for customers. As a result, Distribution Network Operators (DNOs) management of future networks will be more challenging. In this context, such violations can be mitigated using typical controllable devices, for instance, on load tap changer transformers and line voltage regulators, along with other assets, such as PV system inverters. However, the adequate coordination of all these devices is difficult, requiring sophisticated control techniques. The main objective of this work is the investigation of the benefits and implementation challenges of a centralized active control based on AC Optimal power flow (OPF) Deep Reinforcement Learning that takes full advantage of typical and new controllable devices in future distribution networks to mitigate the impact of the massive penetration of PV systems and, thus, increase PV hosting capacity. The Active Control considers the unbalanced nature of distribution networks, since PV systems are mostly installed in low voltage networks. The techniques developed in this work will be tested using real distribution networks with installed PV systems and using machine learning applied to data of a Brazilian DNOMestradoEnergia ElétricaMestre em Engenharia Elétrica2018/23391-9FAPES