| Ementa/Descrição: |
Os sistemas elétricos de potência (SEPs) estão sujeitos a diversas fontes de incerteza, como variações na demanda de energia, falhas em equipamentos, comportamento imprevisível de fontes de energia renovável e condições meteorológicas extremas. Como ferramenta para lidar com os desafios impostos pelas incertezas na simulação e análise de desempenho dos SEPs, o fluxo de potência probabilístico (FPP) permite obter informações essenciais para a tomada de
decisões. Os resultados produzidos pelo FPP contemplam uma faixa de valores que podem ser assumidos pelas grandezas de interesse, relacionados com suas respectivas probabilidades de ocorrência, viabilizando analisar o estado de operação do sistema frente a múltiplos cenários.
Na execução de estudos com emprego do FPP, o método mais utilizado para solução do problema é o de Simulação de Monte Carlo (SMC), que, embora permita uma boa exatidão dos resultados, a depender das características do sistema sob análise, requer a geração e análise de uma grande quantidade de estados (amostras) para alcançar a convergência, o que pode exigir um alto esforço computacional, decorrendo em tempo de execução consideravelmente elevado.
Diante disso, vem sendo investigada pelo mestrando Rafael Santana de Mesquita a aplicação do método estatístico Unscented Transform (UT) como alternativa ao método de SMC na solução do FPP. Em linhas gerais, o método UT realiza uma discretização das distribuições de probabilidade das variáveis aleatórias contínuas de entrada no sistema, substituindo uma distribuição contínua por uma distribuição discreta, mantendo características estatísticas importantes da distribuição
original. Este método permite diminuir consideravelmente a quantidade de estados simulados,reduzindo o tempo de processamento computacional exigido.
No entanto, a depender do número de variáveis aleatórias que representam as fontes de incerteza do problema, mesmo com a aplicação do método UT, um número elevado de estados (mas ainda me |
| Referências: |
[1] R. Johnson and D. Wichern, Applied Multivariate Statistical Analysis. Londres: Prentice-
Hall, 1982.
[2] T. W. Anderson, An introduction to multivariate statistical analysis. Nova Iorque: Wiley,
1984.
[3] J. M. Lattin, J. D. Carroll, and P. E. Green, Análise de dados multivariados. São Paulo:
Cengage Learning, 2011.
[4] V. L. D. de Mattos, A. M. V. de Azambuja, and A. C. Konrath, Introdução à estatística
aplicações em ciências exatas. Rio de Janeiro: LTC, 2017.
[5] H. Xu and S. Rahman, “A generalized dimension-reduction method for multidimensional
integration in stochastic mechanics,” Inter. Journal for Numerical Methods in Engineering,
pp. 1992–2019, 2004.
[6] L. van der Maaten, E. O. Postma, and J. van den Herik, “Dimensionality reduction: A
comparative review,” 2008.
[7] S. Rahman, “Extended polynomial dimensional decomposition for arbitrary probability
distributions,” Journal of Engineering Mechanics, vol. 135, no. 12, p. 1439–1451, 2009.
[8] O. A. Oke, “Enhanced unscented transform method for probabilistic load flow studies,”
Tese de Doutorado - University of Notthingham, 2013.
[9] S. Velliangiri, S. Alagumuthukrishnan, and S. I. Thankumar joseph, “A review of dimen-
sionality reduction techniques for efficient computation,” Procedia Computer Science,
vol. 165, pp. 104–111, 2019. 2nd International Conference on Recent Trends in Advanced
Computing ICRTAC -DISRUP - TIV INNOVATION , 2019 November 11-12, 2019.
[10] P. Ray, S. Reddy, and T. Banerjee, “Various dimension reduction techniques for high
dimensional data analysis: a review,” Artif Intell Rev, vol. 54, p. 3473–3515, 2021.
[11] Dissertações, teses e artigos técnicos diversos. |
