Application of Multi-Layer Particle Swarm Optimization Algorithm for ORPD in Renewable-Integrated Power Systems Incorporating FACTS Devices

Resumo Técnico: Aplicação de Otimização por Enxame de Partículas Multicamadas para ORPD em Sistemas de Potência Integrados com Renováveis

Definição do Problema
O artigo aborda o problema do Fluxo de Potência Reativa Ótima (ORPD - Optimal Reactive Power Dispatch) em sistemas de potência modernos caracterizados pela alta penetração de fontes de energia renováveis (RES), especificamente eólica e solar fotovoltaica (PV). A integração de recursos baseados em inversores introduz desafios significativos, incluindo a geração intermitente, capacidade limitada de suporte de potência reativa e aumento da instabilidade de tensão. O problema de ORPD é formulado como um desafio de otimização misto, inteiro e não linear, não convexo, visando minimizar dois objetivos distintos: perdas de potência ativa de transmissão ($P_{Loss}$) e o desvio total de tensão de barra (TVD - Total Bus Voltage Deviation). O espaço do problema é ainda mais complicado pela inclusão de dispositivos de Sistemas de Transmissão CA Flexíveis (FACTS) — especificamente Capacitores de Série Controlados por Tiristor (TCSC) e Deslocadores de Fase Controlados por Tiristor (TCPS) — que adicionam variáveis de controle não lineares (reatância e ângulos de deslocamento de fase) ao espaço de decisão. O estudo busca determinar as configurações ideais para tensões de geradores, taps de transformadores, compensadores shunt e parâmetros de FACTS, enquanto adere a restrições de igualdade (fluxo de potência) e desigualdade (limites operacionais).

Metodologia
Para resolver este complexo problema de otimização, os autores propõem a aplicação de um algoritmo de Otimização por Enxame de Partículas Multicamadas (MLPSO - Multi-Layer Particle Swarm Optimization). Esta abordagem é uma extensão avançada do PSO padrão, projetada para superar limitações como a convergência prematura e velocidades de busca lentas em paisagens multidimensionais e multimodais.

• Estrutura do Algoritmo: O MLPSO organiza o enxame em uma estrutura hierárquica de múltiplas camadas (tipicamente 3). As partículas nas camadas inferiores representam soluções individuais, enquanto as partículas nas camadas superiores representam subenxames da camada abaixo. Esta hierarquia em forma de "escada" facilita um equilíbrio dinâmico entre exploração global (buscando diversas configurações de FACTS) e explotação local (refinando perfis de tensão).
• Mecanismos de Busca: O algoritmo emprega alternância adaptativa entre variantes de busca global e local baseadas em taxas de sucesso. Utiliza uma estratégia de busca de vizinhança (Busca de Vizinhança Local e Busca de Vizinhança Global) com uma topologia de anel para aumentar a diversidade local e evitar ótimos locais.
• Modelagem do Sistema: O estudo utiliza um sistema de teste IEEE 30-bar modificado. A integração de renováveis é simulada substituindo o gerador síncrono na barra 8 por uma planta Solar PV e os geradores nas barras 11 e 13 por parques eólicos de Gerador de Indução Duplamente Alimentado (DFIG).
• Integração de FACTS: Modelos de estado estacionário para TCSC e TCPS são incorporados nas equações de fluxo de potência. Os TCSCs são modelados como elementos de reatância variável, enquanto os TCPSs são modelados como razões de tapping complexas com ângulos de deslocamento de fase.
• Restrições: A otimização está sujeita a restrições incluindo limites de tensão/potência reativa de geradores, limites de tensão de barras de carga, limites térmicos de linhas de transmissão, configurações de tap de transformadores e limites operacionais específicos para reatância de TCSC e deslocamentos de fase de TCPS.

Principais Contribuições

1. Aplicação de Algoritmo Inovador: O artigo introduz o algoritmo MLPSO ao domínio específico de ORPD em sistemas integrados com renováveis equipados com múltiplos dispositivos FACTS (TCSC e TCPS), uma combinação não amplamente coberta na literatura anterior.
2. Análise Abrangente de Cenários: O estudo avalia quatro cenários distintos para avaliar o impacto dos dispositivos FACTS:
   • Caso 1: ORPD sem FACTS.
   • Caso 2: ORPD com dois TCSCs.
   • Caso 3: ORPD com dois TCSCs e um TCPS.
   • Caso 4: ORPD com três TCSCs e três TCPSs.
3. Análise de Robustez e Sensibilidade: Os autores realizam extensas análises pós-otimização, incluindo sensibilidade aos níveis de penetração de renováveis (20% a 100%), robustez sob incerteza de geração estocástica (simulação de Monte Carlo), sensibilidade ao posicionamento e dimensionamento de FACTS, e análise de contingência de segurança N-1 (desligamentos de linhas).
4. Avaliação de Segurança Dinâmica: O estudo avalia o impacto das configurações otimizadas na estabilidade transitória, analisando o desvio do ângulo do rotor, tempo crítico de limpeza (CCT) e resposta de frequência após faltas severas e perda de geração.

Resultos
O algoritmo MLPSO foi testado no sistema IEEE 30-bar modificado e comparado com o Algoritmo Genético de Código Real (RCGA), Evolução Diferencial (DE) e Otimização Baseada em Biogeografia (BBO).

• Métricas de Desempenho: Em todos os quatro casos e em ambas as funções objetivo ($P_{Loss}$ e TVD), o MLPSO superou consistentemente os algoritmos de referência.
  • No Caso 4 (mais complexo), o MLPSO alcançou uma perda de potência mínima de 3,6125 MW e um TVD de 0,0513 p.u., representando melhorias de 0,6–1,6% em perdas e 3,9–9,7% em desvio de tensão sobre os melhores métodos concorrentes.
  • O algoritmo demonstrou convergência mais rápida e maior estabilidade na busca de ótimos globais em comparação com os benchmarks.
• Impacto dos FACTS: A inclusão de dispositivos FACTS reduziu significativamente as perdas de potência e os desvios de tensão. O posicionamento ideal de TCSCs e TCPSs próximo às barras de renováveis (linhas 27, 28, 36) rendeu os melhores resultados, com TCSCs operando em modo capacitivo para compensar a carga indutiva da linha.
• Robustez: Sob 1000 cenários de Monte Carlo com entradas de vento e solar incertas, as soluções MLPSO permaneceram dentro dos limites aceitáveis (intervalos de confiança de 95%: $P_{Loss}$ [3,52, 3,78] MW; TVD [0,0489, 0,0553] p.u.).
• Estabilidade Dinâmica: As configurações otimizadas de FACTS melhoraram significamente a estabilidade transitória. Em testes de contingência, o sistema otimizado pelo MLPSO exibiu a menor amplitude de primeira oscilação, o amortecimento mais rápido de oscilações e uma recuperação de frequência superior (nadir de frequência de 59,68 Hz vs. 59,52 Hz no caso base) em comparação com configurações heurísticas ou não otimizadas.

Significância e Alegações
O artigo afirma que o framework MLPSO proposto fornece uma solução robusta e eficaz para gerenciar a potência reativa em grades futuras dominadas por renováveis. Ao integrar meta-heurísticas avançadas com dispositivos FACTS, o método aborda os desafios duplos da intermitência das renováveis e da estabilidade do sistema. Os autores asseguram que sua abordagem oferece superior minimização de perdas e melhoria do perfil de tensão em comparação com algoritmos evolutivos existentes.

O estudo conclui que, embora o algoritmo MLPSO demonstre um potencial significativo para apoiar operações de rede seguras e eficientes, os achados requerem verificação adicional antes da promoção industrial generalizada. O trabalho destaca a necessidade de técnicas de otimização avançadas para lidar com a natureza não linear e multiobjetivo dos sistemas de potência modernos com alta penetração de renováveis e integração de FACTS.