Está en la página 1de 6

MEMORIA XV CONGRESO LATINOAMERICANO DE CONTROL AUTOMTICO 23 - 26 OCTUBRE, LIMA-PER

Modelo de Algoritmo de Gerenciamiento de Smart Grid para Consumo de Energa Elctrica


Sicchar J.R.*, de Freitas R.C.*, Salmon A.**, Silva J.R.**, Tavares C.T.*** *Ncleo de Controle e Automao, UEA, Av. Darcy Vargas 1200, Parque Dez, CEP, 69050-020 Manaus, AM, Brasil (e-mail: jvilchez@uea.edu.br) **Lab-Design, Eng. Mecatrnica, Politcnica, USP, So Paulo, SP, Brasil (e-mail: arianna@usp.br, reinaldo@usp.br) ***ITEC, UFPA, Belm, PA, Brasil (e-mail: cartav@ufpa.br)

Resumen: Presentamos los resultados de implementacin del modelo, de un algoritmo de redes inteligentes de baja tensin para el tratamiento de uso actual y futuro de energa elctrica y para el diagnstico de equilibrio de fases residenciales. La propuesta abarca el modelado, previsin de consumo de energa elctrica, a partir del concepto de probabilidades de salto de asercin de estados discretos de consumo, usando cadenas de salto de Markov. El diagnstico de equilibrio de las fases de conexin, es implementada va una inferencia Fuzzy Mandami. Con los resultados obtenidos es posible evaluar, la viabilidad de desarrollar arquitecturas de algoritmos de soporte de smart grid para el gerenciamiento de uso de energa elctrica teniendo como beneficio, el consumo sobre medida y la programacin inteligente de empleo de energa. Palabras claves: Algoritmos de consumo de energa elctrica, Smart Grid (SG), Cadenas de Markov, Sistemas difusos.

1.

INTRODUCCIN

La evolucin constante de modelos y arquitecturas de smart grids (SG) a lo largo del mundo, han abierto un campo interesante en la discusin cientfica, en lo que se refiere a la concepcin y desarrollo de modelos de redes inteligentes para suministro de energa elctrica, en los diversos sectores: generacin, trasmisin, distribucin y comercializacin. Habiendo desarrollado temticas de debate en microgrids, redes de transmisin, SG de alta tensin (AT), SG de baja tensin (BT) smart houses, consumo sobre demanda, entre otros servicios. La revisin bibliogrfica indica, una iniciativa interesante sobre, la implementacin de requisitos y directrices sugeridas por el National Institute from Standards and Technologies- NIST y por el Energy Projects Research Institute- EPRI (Silva, et al., 2011). Constituyendo las bases para el desarrollo de nuevos modelos y arquitecturas de SG especficos.

Observndose que el caso especial de SG de BT abarca el soporte especial cientfico / tecnolgico para la gerencia de procesos relacionados, con el uso, previsin de energa elctrica y el diagnstico de equilibrio de fases de consumo (Gomes, et al., 2010). Abriendo paso al desarrollo de modelos de integracin de algoritmos de soporte de procesos especficos de una SG visando, la mejora y eficiencia de las rutinas que envuelven los siguientes servicios: tratamiento de consumo, y el balance electrnico de las fases del consumidor final (CF) para mantener el equilibrio de las mismas. Esa tendencia es abordada de forma interesante por Rahimi (2010) destacando la necesidad de desarrollar algoritmos que administren esos servicios de SG y dems servicios especiales, como el uso programado de energa y el consumo sobre medida. Destacndose en ese sentido, algunos modelos de SG implementados en el mundo, bajo ese paradigma (Lee, et al., 2010) , (Wang, et al., 2010), mostrando todos ellos aportes interesantes, sin embargo

mostrando ausencia de algoritmos eficientes para, el gerenciamiento de consumo de energa que permitir entre otros beneficios, la automatizacin de procesos de medicin, modelado y previsin de energa. En Brasil, la Agencia Reguladora de Energa Elctrica- ANEEL establece las bases y perspectivas estratgicas para el desarrollo del nuevo mercado de energa elctrica, as como los modelos y arquitecturas de SG con suministro de servicios y negocios especficos: consumo sobre medida de energa, planificacin programada de consumo, entre otros (Freire, et al., 2011). O sea, el concepto de SG es visto como un sistema amplio de servicios inteligentes y diferenciados orientados al consumidor final. Marcando tambin la necesidad de desarrollar algoritmos eficientes de soporte, para el gerenciamiento de consumo de energa elctrica en SG de BT. Bajo esa oportunidad los autores se inclinan por el desarrollo de un modelo de gerenciamiento automtico de consumo de energa elctrica, fundamentada en el uso puntual de energa de cada CF alimentado por un transformador de BT (circuito de distribucin de la red secundaria). Siendo posible analizar, el desempeo de consumo de cada residencia, y su demanda futura de energa. El modelo indicado es el resultado de una arquitectura a eventos discretos Unified Modeling Language Petri Nets (UML-PN) que representa formalmente una inteligencia empotrada de SG de BT desarrollada por los autores (Sicchar et al., 2011). Mostrndose bajo la forma de agentes inteligentes, las etapas de modelado y previsin de consumo, as como, la inferencia de anlisis para el balance electrnico de las fases del consumidor final. As en este trabajo proponemos la continuacin, de esa arquitectura: el desarrollo del modelo del algoritmo o Inteligencia para gerenciamiento de Consumo Residencial (IGCR) con el objetivo de ofrecer un modelo eficiente de consumo y previsin automtica de uso de energa residencial y para el diagnstico de balance de fases fundamentado, en el perfil de cada CF. El modelo tiene dos procesos o agentes empotrados (AE) interconectados: Agente Empotrado Markoviano (AEM) y el Agente Empotrado Difuso (AED). El principal beneficio esperado, es establecer un modelo eficiente para el consumo y previsin de energa, y de verificacin del estado de equilibrio de carga en cada fase de conexin residencial. El artculo es organizado como sigue: la segunda seccin describe el modelo de la IGCR; en la tercera seccin se abarca el modelado de los agentes especiales (AE) del algoritmo IGCR; en

la cuarta seccin se muestran los resultados obtenidos y su discusin; finalizando con las conclusiones. 2. MODELO IGCR DE SG DE BT

Fig. 1. Modelo del algoritmo IGCR para smart grid. La Figura 1 presenta el modelo del algoritmo o Inteligencia de Gerenciamiento de Consumo de Energa Residencial (IGCR). En el mismo se muestra su relacin con la SG donde se desarrolla la propuesta, el Sistema de Gerenciamiento de Energa de Red Secundaria de distribucin (Gomes et al., 2010) iniciada por la adquisicin de datos transmitidos a la unidad de teleproceso de la SG, que es donde de hecho de ubica la instalacin empotrada de la IGCR. La inteligencia implementa el flujo de actividades que objetiva por un lado, el anlisis y previsin del consumo de energa, y por otro lado, la obtencin de la matriz de balance de fases. La IGCR tiene dos agentes empotrados para el procesamiento especfico para la obtencin de los objetivos delineados. Esos agentes son desarrollados sobre el concepto de Agentes Empotrados (AE) de procesamiento especfico (Sicchar et al., 2011) por constituir ambientes especiales de proceso computacional, de cada uno de los objetivos del algoritmo de gerenciamiento. Por un lado est el Agente Empotrado Markoviano (AEM) que realiza, el modelado del desempeo estocstico y previsin de consumo residencial mediante, las probabilidades de transicin de ocurrencia de asercin (PTO) en cada estado discreto

de consumo que forman la matriz PTO punto de partida para, la bsqueda de la estacionariedad del proceso; usando la metodologa de cadenas de salto de Markov. Hay dos etapas: modelado del consumo actual, y la previsin de consumo futuro, ambas etapas implementadas, en funcin de la matriz PTO. Por otro lado, se tiene al Agente Empotrado Difuso (AED), en el cual se implementa en razn de la previsin de consumo futuro (realizada por las cadenas de Markov del AEM) las entradas y salidas de una inferencia difusa, con la finalidad de obtener una matriz de balance de fases del consumidor final.

PTO

(n) F

p (n) F 00 p (n ) F 10 . . (n ) p FM 0

p(n) F 01 p(n) F 11 . . p(n) FM 1

p(n) F 02 p(n) F 12 . . p(n) FM 2

... ...

p(n) F 0M

p(n) F 1M ... . ... . ... p(n) FMM

(1)

Usando la matriz PTO se obtiene la estacionariedad del proceso, o sea, donde el flujo estocstico de combinacin probabilstica se torna equilibrado o estacionario. En ese punto del proceso son identificadas, las probabilidades de transicin de estacionariedad (PTE) con las cuales es posible obtener, los saltos grficos de consumo mensual presente y futuro.

3.

MODELADO DE LOS ANGENTES EMPOTRADOS

El desarrollo de los modelos de cada agente empotrado de la IGCR es abordado a seguir. 3.1. Agente Empotrado Markoviano- AEM.

Fig. 3. Algoritmo del AEM. Fig. 2. Flujo de la distribucin de energa elctrica para consumo residencial. La Figura 2 muestra el diagrama de transicin de estados de niveles de consumo en un CF, que sirve de base para la formulacin del agente empotrado Markoviano (AEM). Buscando la obtencin de un modelo eficiente que describa el perfil del consumo en cada CF que pertenezca a un determinado circuito dela red secundaria de distribucin. En el diagrama de transicin, son considerados tres estados discretos de consumo: BC- bajo consumo, AC- alto consumo y CM- consumo medio y las transiciones de estados ij . As, las probabilidades de transicin de ocurrencia (PTO) de todos los estados de consumo presentes y futuros (i, j) para una determinada fase de conexin de CF, en n saltos o pasos estn indicadas en la matriz de probabilidades de transicin de ocurrencia (PTO) indicada en la expresin (1) que es de hecho el modelo Markoviano para el consumo residencial de energa elctrica de F fases. A partir de la matriz PTE se implementa, el algoritmo del AEM mostrado en la Figura 3, para obtener el consumo actual y previsin residencial de energa elctrica. El resultado de simulacin es comparado con el grfico de las mediciones de consumo real, para verificar la eficiencia de desempeo. El flujo del algoritmo del AEM es: i) Obtencin de la matriz estacionaria del proceso, antes de generar los saltos de transicin de estados. ii) Caso no sea posible alcanzar un buen grado de estacionariedad, son procesadas ms iteraciones, hasta hallar un buen grado de estacionariedad; iii) Generacin de los saltos de transicin (para obtener el consumo mensual y las previsiones de consumo), a partir de la matriz estacionaria; iv) Simulacin de las curvas de consumo: de las mediciones reales, y de la variable del modelo.

3.2. Agente Empotrado Difuso- AED. La implementacin del modelo del AED, mostrado en la Figura 4 sigue, un modelo de mquina o inferencia Fuzzy teniendo la finalidad procesar un soporte para, el diagnstico de nivel de sobre corriente en cada fase de CF. El modelado de la mquina Fuzzy es alimentada a partir de los resultados de consumo futuro de energa elctrica de cada fase residencial (resultado del AEM) objetivando establecer la matriz de balance para el proceso de equilibrio de fases, generando como resultado, un estado equilibrado de fases para medio y largo plazo.

Considerndose as al todo 59pasos a partir de un paso 0 que representa el consumo del mes de enero de 2005. A partir del resultado grfico del consumo mensual obtenido por las cadenas de Markov fue desarrollada la implementacin de la mquina de inferencia, formndose as, las reglas de inferencia Fuzzy, en funcin de los valores futuros de energa elctrica y de la variacin de consumo de la misma. Para los testes de validacin fueron usadas los modelos de cada AE de la IGCR (seccin 3). El sistema de modelado y previsin va cadenas de Markov fue realizado bajo en el software Mathcad 14.0, y la inferencia de identificacin de niveles de carga de las fases, con una mquina Fuzzy Mandami en el toolbox especfico do Matlab 7.9. Los resultados son mostrados en las secciones siguientes.

4.1. Resultados del Agente Empotrado Markoviano. Despus de un proceso de discretizacin de los niveles de consumo del banco de datos del perodo experimental (2005-2008) considerndose los tres estados discretos del AEM y la ocurrencia probabilstica de cada posible combinacin generada por los tres estados discretos (BC,CM,AC) fueron obtenidas las probabilidades de transicin de ocurrencia (PTO) como muestra la expresin (2).
( n) p00 (n) = p10 ( n) p20 ( n) p01 ( n) p11 ( n) p21 ( n) 0,67 0,33 0 p02 ( n) p12 = 0,14 0,71 0,14 ( n) 0 p22 1 0

( n)

Fig. 4. Algoritmo del AED. Las variables de entrada de la inferencia son para cada fase, el nivel de Consumo futuro de energa y la Variacin futura de energa (indicada en porcentaje). La salida es el Nivel de Corriente por fase (indicada en porcentaje permitido). As es posible detectar por las reglas de la inferencia Fuzzy, los valores lmites de corriente elctrica por fase apuntando como resultado, la fase que est sobre cargada o no, base para la formacin de la matriz de balance de fase. 4. RESULTADOS

(2)

Los resultados del trabajo fueron alcanzados usando, el registro de consumo por fase de un CF de la red secundaria de distribucin de Manaus (AM) durante el periodo de 2005-2008. Habiendo sido realizadas para cada fase, simulaciones de validaciones del modelo de consumo para los 48 meses de mediciones y la previsin de los prximos 12 meses (2009).

Especficamente, la expresin (2) muestra la matriz PTO del consumo de energa de la fase A del ao base 2005. A partir de esa matriz, es generada la PTE donde el proceso estocstico se torna estacionario. Para las dems fases se realiza, el mismo procedimiento de los aos restantes (20062008). Cada trmino PTO representa la probabilidad de acierto para cada combinacin futura posible de nivel de consumo (BC-BC, BCCM,BC-AC, CM-BC,CM-CM,CM-AC, AC-BC,ACCM,AC-AC) a partir de un mes anterior. En las simulaciones de las cadenas de Markov fueron representadas para cada fase, el desempeo de los datos reales por las incidencias azules, y el desempeo del modelo por las incidencias vacas rojas. Adoptndose tres valores posibles: 0 para bajo consumo, 1 para consumo medio, e 2 para alto consumo. En la Figura 5 se muestra, la simulacin del consumo mensual de energa elctrica, de la Fase A

del CF experimental. El modelo Markoviano obtenido presenta en este caso, un patrn de eventos bastante similar a los datos de medicin. Establecindose para este caso una validacin eficiente del modelo.

Fig. 7. Trayectoria de consumo en la Fase C.

4.2. Fig. 5. Trayectoria de consumo en la Fase A. De forma anloga la Figura 6 muestra la simulacin de consumo mensual de energa elctrica de la Fase B. El modelo Markoviano ilustra en este caso, perfil similar al de la medicin. Establecindose as, para este caso tambin una validacin eficiente del modelo.

Resultados del Agente Empotrado Difuso

El AED con Inferencia Fuzzy tuvo su implementacin de acuerdo con el modelo indicado en la Figura 4. Formando la arquitectura mostrada en la Figura 8. Donde las entradas del sistema difuso dependen de los valores futuros del consumo y de la variacin del consumo realizadas por las cadenas de Markov del AEM. El sistema fue desarrollado en el toolbox Fuzzy del ambiente Matlab 7.9.

Fig. 8. Arquitectura implementada del AED. Fig. 6. Trayectoria de consumo en la Fase B. La Figura 7 ilustra la simulacin del consumo mensual de energa elctrica, de la Fase C del CF. Establecindose de forma semejante, para este caso una validacin eficiente del modelo. En destaque se observa el resultado final del AED: la matriz de balance de fases, con la finalidad de garantizar un perodo confiable de equilibrio en las fases de CF. La matriz es obtenida, a travs de las condicionales de anlisis de inferencia sobre los niveles de consumo de energa y de la variacin de carga, y por la condicin lmite de la corriente de 10% en cima del valor permitido por fase (Sicchar et al., 2011) obtenida mediante, el resultado del

sistema difuso implementado. La relacin de anlisis condicional se basa, en las siguientes situaciones: Si Carga (BCP) y Var-Carga (0,2) entonces Varcorriente < 0,1. Diagnstico: No hacer balance. Si Carga (MCP) y Var-Carga (0,2) entonces Varcorriente 0,1. Diagnstico: Hacer balance. Si Carga (ACP) y Var-Carga (0,22) entonces Varcorriente > 0,1. Diagnstico: Hacer balance. Observando que: BCP (bajo consumo de energa), MCP (consumo medio de energa), ACP (alto consumo de energa). La Tabla I muestra el diagnstico de balance en una de las fases (fase A) para un perodo de 12 meses (ao 2005). Habiendo un indicativo de no hacer balance de fase en apenas tres meses de ese ao: setiembre, octubre y noviembre. Habiendo sin embargo, balance de fases en los dems meses de ese ao. Tabla I. Diagnstico de equilibrio de la Fase A
Mes Nivel Energa VarEnerga % Var Corriente % Situacin Hacer balance Hacer balance Hacer balance Hacer balance Hacer balance Hacer balance Hacer balance Hacer balance No hacer balance No hacer balance No hacer balance Hacer balance

diagnstico de balance de fases a travs de un sistema Fuzzy, conocindose el valor futuro de consumo de energa y su respectiva variacin en cada fase de CF. Representando en conjunto una inteligencia atractiva para el gerenciamiento de consumo de SG de BT. Para trabajos futuros apuntamos: el desarrollo del modelo de consumo va redes neurales, en razn de la eficiencia de la adaptacin de desempeo, que puedan ser encontrados, en perfiles diversos de consumo. RECONOCIMIENTOS Los autores agradecen a FAPEAM, UEA, UFPA, y USP por permitir la realizacin de este trabajo. REFERENCIAS Freire, L.M.; Neves E.M.A; Tsunechiro L.I; Cappeta D. October 2011, "Perspectives of Smart Grid in the Brazilian Electricity Market" - Proc. In 2011 IEEE-PES Conference on Innovate Smart Grid Technologies- ISGT Latin America, pp. 1-4. Gomes R.C, Printes A.L, Ramos C.M. Maio 2010, "Proposta de Sistema com Arquitetura para Implementao de uma Smart Grid na Rede de Distribuio em Baixa Tenso" SBSE 2010. Lee J., Jung D-K, Kim, Y., Lee Y-W, Kim Y-M. 2010, Smart Grid Solutions, Services, and Business Models Based on Telco. Proc. in Network Operations and Management Symposium Workshop, Seoul, ISBN: 978-14244-6037-3, pp. 323-326. Rahimi F., Ipackchi A. (2010). Demand Response as Market Resource Under the Smart Grid Paradigm . IEEE Transactions on Smart Grid. Vol. 1, N 1, pp, 82-88, June 2010. Sicchar, J. R; Tavares C; Oliveira A; Silva J.R; Pina I.F; Gomes R.C. Setembro 2011, Sistema Inteligente para Anlise de Consumo de Energia Eltrica em Smart Grid de Baixa Tenso. Proc. in 2011 Simpsio Brasileiro de Automao Inteligente- SBAI 201, pp. 1-6. Silva J.R., Oliveira V, Sicchar J.R., 2012, Relatrio Tcnico-Requisitos para Smart Grid Nacional. D-Lab- Depto. Eng.Mecatrnica-USP, SP. Wang P; Huang J.Y; Ding Y; Loh P; Goel L. 2010, Demand Side Load Management of Smart Grids using intelligent Trading/ Metering/ Billing System. Proc. in 2010 IEEE Power and Energy Society General Meeting Conf., pp. 1-6.

Ene Feb Mar Abr May Jun Jul Ago Set Oct Nov Dic

CMP CMP ACP CMP CMP CMP CMP CMP BCP BCP BCP CMP 5.

0,20 0,20 0,22 0,20 0,20 0,20 0,20 0,20 0,20 0,20 0,20 0,20

0,1 0,1 > 0,1 0,1 0,1 0,1 0,1 0,1 < 0,1 < 0,1 < 0,1 0,1

CONCLUSIN

Los resultados de este trabajo permitieron alcanzar la finalidad propuesta: sugerir un algoritmo alternativo de gerenciamiento de SG de BT para modelado, previsin de consumo de energa elctrica, y el diagnstico equilibrio de fases de CF. As fue implementada la arquitectura IGCR con la integracin de dos metodologas interesantes: las cadenas de Markov para modelado y previsin de energa, y los sistemas Fuzzy para el diagnstico de balance de fases. Las curvas de perfil de consumo actual y futuro del modelo ilustran coherencia en relacin al desempeo real de mediciones de cada fase, lo que permite creer que se torna viable, modelar el consumo residencial de energa elctrica, a partir de las probabilidades de salto de ocurrencia de estados de uso, i.e., mediante el uso de cadenas de Markov, que por su vez permiten realizar el