Publication
Otimização da gestão de potência reativa em parques eólicos com BRKGA: Minimização de perdas ativas e cumprimento regulamentar no ponto de injeção
| datacite.subject.fos | Engenharia e Tecnologia | |
| datacite.subject.sdg | 09:Indústria, Inovação e Infraestruturas | |
| dc.contributor.advisor | Roque, Luis Augusto Correia | |
| dc.contributor.advisor | Dias, Custódio João Pais | |
| dc.contributor.author | SOUSA, CARLOS MANUEL DA ROCHA DE | |
| dc.date.accessioned | 2025-11-11T11:49:52Z | |
| dc.date.available | 2025-11-11T11:49:52Z | |
| dc.date.issued | 2025-10-13 | |
| dc.description.abstract | O presente trabalho avalia a aplicação de um algoritmo de otimização com recurso a uma heurística baseada no Biased Random Key Genetic Algorithms (BRKGA), desenvolvido no software Matlab, com os objetivos de atingir a minimização de perdas ativas nas linhas de conexão entre subestações num Cluster eólico e, em simultâneo, cumprir, em intervalos de 15 minutos, com uma imposição no quociente entre Potência Reativa e Potência Ativa – tangente(phi) – a injetar na Rede Elétrica Nacional de Transporte. Foram utilizados dados reais de 2024 e 2025, do Parque Eólico da Raia, no concelho da Guarda, em Portugal Continental; trata-se de um Cluster – que nesta dissertação remete para a exploração de vários centros electroprodutores com um único ponto de injeção na Rede – com uma capacidade total instalada de 138,28 MW e com uma potência de injeção de 128,8 MW, à data de escrita. Possui três zonas produtoras e uma zona de injeção, totalizando quatro subestações elétricas. A subestação afeta ao ponto de injeção será abordada como subestação principal. O algoritmo desenvolvido recebe como input os valores de Potência Ativa, lidos nos contadores de cada subestação, a cada 15 minutos. Considerando a distância e características das linhas elétricas que conectam cada subestação à principal, e a imposição atual de tangente(phi) no ponto de injeção, o algoritmo faz a distribuição ótima de Potência Reativa pelos diferentes locais de produção. Com base nos parâmetros do BRKGA - dimensão da população, dimensão da Elite, percentagem de indivíduos definidos como mutantes, probabilidade de cruzamento (crossover), número de variáveis de decisão e o número de gerações por execução – para os selecionados, a execução do algoritmo ao longo de um período de 12 meses resultou em desempenho bastante favorável. Do ponto de vista operacional, resultou numa diminuição de perdas ativas em 45,10% e, numa diminuição para 0, do número de intervalos de 15 minutos em incumprimento com a imposição atual, estabelecida. Por sua vez, do ponto de vista económico, resulta num aumento de receita de 167 mil euros, com um período de retorno a variar entre dois e cinco meses, mediante o processo de implementação do algoritmo, no local. | por |
| dc.description.abstract | This paper evaluates the application of an optimization algorithm using a heuristic based on Biased Random Key Genetic Algorithms (BRKGA), developed in Matlab software, with the objectives of minimizing active losses in the connection lines between substations in a wind cluster and, at the same time, complying, at 15-minute intervals, with a requirement on the ratio between reactive power and active power – tangent(phi) – to be injected into the National Electricity Transmission Grid. Real data from 2024 and 2025 were used from the Raia Wind Farm, in the municipality of Guarda, in mainland Portugal; This is a cluster – which in this dissertation refers to the operation of several eletroproduction centers with a single injection point into the grid – with a total installed capacity of 138.28 MW and an injection power of 128.8 MW at the time of writing. It has three production areas and one injection area, totaling four electrical substations. The substation assigned to the injection point will be addressed as the main substation. The developed algorithm receives as input the Active Power values, read from the meters at each substation every 15 minutes. Considering the distance and characteristics of the power lines connecting each substation to the main one, and the current tangent (phi) imposed at the injection point, the algorithm performs the optimal distribution of Reactive Power across the different production sites. Based on the BRKGA parameters—population size, Elite size, percentage of individuals defined as mutants, crossover probability, number of decision variables, and number of generations per run—for those selected, running the algorithm over a 12-month period resulted in very favorable performance. From an operational point of view, it resulted in a 45.10% reduction in active losses and a reduction to zero in the number of 15-minute intervals in breach of the current requirement. From an economic point of view, it results in an increase in revenue of €167,000, with a return period varying between two and five months, depending on how the algorithm is installed on site. | eng |
| dc.identifier.tid | 204032920 | |
| dc.identifier.uri | http://hdl.handle.net/10400.22/30814 | |
| dc.language.iso | por | |
| dc.rights.uri | N/A | |
| dc.subject | optimization algorithm | |
| dc.subject | BRKGA | |
| dc.subject | minimizing active losses | |
| dc.subject | wind Cluster | |
| dc.subject | tangent(phi) | |
| dc.subject | Algoritmo de otimização | |
| dc.subject | Minimização de perdas ativas | |
| dc.subject | Cluster eólico | |
| dc.subject | Tangente (phi) | |
| dc.title | Otimização da gestão de potência reativa em parques eólicos com BRKGA: Minimização de perdas ativas e cumprimento regulamentar no ponto de injeção | por |
| dc.title.alternative | Optimization of reactive power management in wind farms with BRKGA: Minimization of active losses and regulatory compliance at the injection point | eng |
| dc.type | master thesis | |
| dspace.entity.type | Publication | |
| thesis.degree.name | Mestrado em Engenharia Electrotécnica - Sistemas Eléctricos de Energia |