ALOCAO DE CAPACITORES EM SISTEMAS ELTRICOS DE POTNCIA ATRAVS DE

ALGORITMOS GENTICOS
CARLOS APARECIDO FERREIRA*, **, MARCO AURELIO C. PACHECO**
* ICA, PUC-RJ, Departamento de Engenharia Eltrica, Rio de Janeiro, RJ, Brasil
**ELETROBRS, Rio de Janeiro, RJ, Brasil

carlosaparecido@eletrobras.com, marco@ele.puc-rio.com.br
Resumo Este artigo apresenta uma metodologia para alocao de capacitores em sistemas eltricos de potncia atravs de
algoritmos genticos. A funo objetivo composta pelos custos de investimento e de perdas sujeitos a restries tcnicas
relativas s equaes estticas do fluxo de carga e limites de equipamentos e fluxos nas linhas de transmisso. Caso alguma
restrio seja violada, a soluo penalizada, sendo a penalizao crescente com o processo evolutivo de modo a permitir que,
no inicio do processo, todos os indivduos possam transmitir suas caractersticas genticas. De modo a se evitar mnimos locais,
foram utilizadas taxas de crossover e mutao variveis. O elitismo foi considerado para cada um dos objetivos. Simulaes
foram realizadas no sistema IEEE-30 Barras em duas situaes diferentes de carregamento. Resultados satisfatrios foram
obtidos, tanto sob o ponto de vista econmico, de reduo de custos, como em relao ao aumento da margem de estabilidade e
melhoria no perfil das tenses.
Palavras chave: Sistema Eltrico de Potncia, Alocao de Capacitores, Algoritmos Genticos
Abstract This paper presents a methodology for placing capacitors in electrical power systems through genetic algorithms.
The fitness function is composde by the investment and losses costs liable to technical constrains related to the static power flow
equations, equipment and flow limits. When a constrain is violated, the solution is penalized. The panallty is increased together
with the evolutionary process so that, in the beginning, all the individuals can trasmit their genetic characteristics. In order to
avoid local minimuns, variable crossover and mutation rates were utilized. The elitism was used for each objective. The IEEE-30
buses system was employed for testing two different load conditions. Not only were satisfactory results obtained in terms of cost
reduction but also in terms of stability margin enlargement and voltage profile improvement.
Keywords
Electrical Power System, Capacitor Placement, Genetic Algorithm

Nomenclatura
AG: Algoritmo Gentico

h : Contador de iteraes

n : Nmero de barras

: Conjunto de linhas de transmisso do sistema

C p : Custo referente perda de 1 kW;
8.760: Total de horas referentes a 1 ano
i: Taxa de juros (decimal)
n: Perodo de Amortizao (anos)

Vk k : mdulo e ngulo da tenso da barra k em

coordenadas polares

Pk + j Qk : resduo de potncia na barra k

Pg + j Q g : potncias ativa e reativa geradas
Pl + j Ql : potncias ativa e reativa demandadas

g ij : condutncia do ramo ij da linha de transmisso

pij : fluxo de potncia no ramo ij da linha de
transmisso
ANEEL: Agncia Nacional de Energia Eltrica

1 Introduo
Os sistemas eltricos de potncia vm operando
em condies cada vez mais sobrecarregadas. O
crescimento da demanda de energia eltrica e da
complexidade dos sistemas no est sendo
acompanhado por investimentos nos ltimos anos,
principalmente por motivos de ordem econmica.
Nesse sentido, a utilizao de mecanismos para
aumento da margem de estabilidade dos sistemas
eltricos, melhoria do perfil das tenses e diminuio
de perdas com o mnimo de investimento so de
extrema relevncia. Capacitores especificados
corretamente e localizados em barras estratgicas
atendem a todos esses objetivos. O problema que
surge como determinar os valores desses
capacitores e em quais barras aloc-los. Dependendo
do nmero de barras candidatas instalao de
capacitores e da diversidade em relao
especificao dos mesmos, esse problema e intratvel
por mtodos convencionais devido ao grande espao
de busca, sendo Algoritmos Genticos uma tcnica
indicada para resolver este problema.
Diversos trabalhos vm sendo realizados no
sentido de alocar capacitores em sistemas de
distribuio de energia utilizando Algoritmos
Genticos (Alcantara e Da Silva, 2005; Baran e Wu,
1989; Garcia et alii, 1999; Martins e Borges, 2007).
Nesses trabalhos, o problema modelado atravs de
uma funo multiobjetivo onde so consideradas

diversas restries tcnicas, inclusive a radialidade,

crucial para sistemas de distribuio.
Poucos artigos, entretanto, abordam o problema
enfocando o sistema eltrico de potncia de forma
abrangente. Nesse sentido, o objetivo deste artigo
resolver o problema de alocao de capacitores,
considerando objetivos econmicos e avaliando o
impacto da soluo fornecida pelo Algoritmo
Gentico na margem de estabilidade e no perfil das
tenses das barras de uma rede eltrica genrica.
2 Capacitores em Sistemas Eltricos de Potncia
Em sistemas eltricos de potncia, os mdulos das
tenses sofrem grande influncia das variaes das
cargas (Ferreira e Da Costa, 2004). Caso no haja
suporte de potncia reativa na medida em que se
aumenta o carregamento do sistema, os valores das
tenses podem alcanar nveis inaceitveis, causando
vrios prejuzos para equipamentos, cargas e
consumidores. As tenses em uma rede eltrica que
opera sob condies confiveis, no podem variar
significativamente em relao a seus valores
nominais. A Resoluo 505/2001 da ANEEL
apresenta nveis de tenso em regime para redes de
distribuio de Mdia Tenso. Essa caracterizao
acarreta, evidentemente, em reflexos para o sistema
de transmisso.
Tabela 1: Nveis de Tenso / ANEEL

Uma medida adotada para melhorar o perfil das

tenses nas barras alocar capacitores em barras
estratgicas da rede eltrica. A Figura 1 apresenta a
melhoria do perfil de tenses da barra 30 do sistema
IEEE-30 barras com a incluso de capacitores neste
sistema. Conforme pode ser observado, no s houve
melhora no perfil da tenso da barra, mas tambm
houve aumento da margem de estabilidade dos
sistemas. Ou seja, o sistema original admitia um
carregamento adicional de 195% e com o suporte de
potencia reativa, essa margem aumentou para 240%.

Figura 1: Efeito da Alocao de Capacitores em um Sistemas

Eltricos de Potncia

Outro beneficio advindo da alocao de

capacitores nas redes eltricas a reduo das perdas
nas linhas de transmisso. Na medida em que h
suporte localizado de potncia reativa, esta no
precisa de ser fornecida pelos geradores do sistema,
logo h uma reduo de corrente e conseqente
reduo de perdas nas linhas de transmisso.
Em resumo, a alocao de capacitores nos
sistemas eltricos de potncia trazem os seguintes
benefcios, que sero abordados neste trabalho:
Aumento da margem de estabilidade;
Melhoria no perfil de tenses
Reduo de perdas
Uma importante questo que surge, entretanto,
em quais barras do sistema alocar esses capacitores,
com quais valores e quando realizar essa tarefa de
modo a serem atingidos os objetivos, com
investimento mnimo. Este trabalho ser focado na
analise esttica, dessa forma, no ser abordado o
tempo em que os investimentos sero realizados.
3 Algoritmos Genticos: Fundamentos
Algoritmo Gentico uma tcnica de Inteligncia
Computacional entre outras existentes como a Lgica
Fuzzy, Redes Neurais e Sistemas Especialistas.
importante destacar que o que se convencionou
denominar Inteligncia Artificial esta ligado somente
a sistemas especialistas, sendo o conceito de
inteligncia computacional muito mais amplo.
As metforas biolgicas que inspiram os
Algoritmos Genticos so o principio Darwiniano da
evoluo das espcies e a hereditariedade (Goldberg,
1989). No caso de se utilizar representao binria,
as variveis do problema devem ser codificadas,
sendo os cromossomos artificiais estruturados como
vetores binrios, de tal forma que o AG possa
manipul-los. Cada cromossomo representa um
ponto de busca no espao de solues, sendo
denominado indivduo. O AG trabalha com uma
populao de indivduos e a cada gerao estes
indivduos passam pelo processo de seleo e sofrem
a ao de operadores genticos (cruzamento e
mutao), todos estes de carter aleatrio,
produzindo desta forma uma nova gerao de
indivduos. O processo de seleo realizado de
forma a privilegiar a sobrevivncia das melhores
solues disponveis (Michalewicz, 1996). Os
operadores de cruzamento e mutao so
responsveis pelo intercmbio de informaes entre
os indivduos e pela explorao do espao de busca.
A ao dos mecanismos de seleo, cruzamento e
mutao sobre a populao, permite a descoberta e a
replicao de conjuntos de bits importantes ou blocos
construtores, que se reunidos em um ou mais
indivduos, em posies apropriadas, produzem
solues bem mais adaptadas. A Figura 2 apresenta,
resumidamente, as etapas bsicas de um Algoritmo
Gentico (Martins e Borges, 2007).

Onde a perda de potncia ativa em uma linha

genrica conectada entre as barras i e j dada por:
(9)
Perdasij = gij [Vi2 + Vj2 2 Vi Vj cos ij ]

Figura 2: Algoritmo Gentico Bsico

4 Alocao de Capacitores em Sistemas Eltricos

de Potncia via Algoritmos Genticos
4.1 Problema
Alocar capacitores em uma rede eltrica com
potncias adequadas e nas barras mais apropriadas,
de forma a realizar investimento mnimo e
minimizando as perdas um problema de otimizao
multiobjetivo com restries tcnicas, conforme as
equaes de (1) a (6). Cabe destacar que (1) e (2)
so as equaes estticas do fluxo de carga oriundas
das leis de Kirchoff (Monticelli, 1983).
(1)
Min Fob
Pgi Pli pij = 0
(2)

O custo referente ao investimento refere-se ao

custo anualizado relativo aquisio do banco de
capacitores e dado por:
C CAPACITOR = FA C AQUISICAO
(10)
Onde o fator de anualizao dado por:
n
(1 + i ) i
FA =
n
(11)
(1 + i ) - 1
Para cada indivduo ou cromossoma resolvido
um fluxo de potncia de forma a se verificar o
atendimento das restries de (2) ate (6). Caso
alguma restrio no seja atendida, incluindo quando
o fluxo de potncia diverge, aplicada uma
penalizao conforme equao (12).
(12)
Aptidao(x) =Aval(x) + Pen(x)
De forma a permitir que nas primeiras geraes
mesmo os indivduos que violam as restries
transmitam suas caractersticas genticas, a
penalizao varivel, sendo mnima na gerao
inicial e mxima no final do processo evolutivo,
conforme Figura 3:

ji

Qg i Qli qij = 0

Qg imin Qg i Qg imax

(3)
(4)
(5)

pijmax pij pijmax

(6)

ji

Pg

min
i

Pg i Pg imax

4.2 Representao
A codificao binria utilizada neste trabalho.
Considerando-se n barras do tipo PQ candidatas a
receberem suporte de potncia reativa e utilizando-se
k bits referentes a 2k valores possveis de MVAr,
incluindo zero, o cromossoma ter n x k bits e o
espao de busca da melhor soluo ser 2(n x k).
importante destacar que cada cromossoma ou
indivduo representa uma alternativa para alocao
de capacitores na rede eltrica em anlise.

Figura 3: Evoluo da Penalizao

4.4 Operadores
utilizado o crossover de 2 pontos de corte
neste trabalho, conforme ilustrado na Figura 4.

4.3 Avaliao
A funo objetiva apresentada de forma abreviada na
equao (1) pode ser detalhada como:
Cperdas
(7)
Cinv
fob =

p1

p2

A equao (7) est apresentada de uma forma,

genrica com parmetros de normalizao p1 e p2.
Entretanto, no problema em questo, como os
membros da funo objetivo so termos de mesma
natureza, ou seja, custos, tais fatores so unitrios.
O custo de perda apresentado na equao 7
dado por:
(8)
C perdas = C p 8760 Perdas n
n

Figura 4: Crossover de 2 Pontos de Corte

Em relao mutao efetuada a troca de um

bit, conforme Figura 5.

Figura 5: Mutao / troca de Bit

De forma a evitar estagnao do algoritmo

gentico, evitando mnimos locais, so utilizadas
taxas de mutao e de crossover variveis, conforme
idia apresentada na Figura 6 (Pacheco M.A.C,

2007). Conforme pode ser observado, na metade do

processo evolucionrio ocorre estagnao do
algoritmo e conseqente convergncia para mximo
local, entretanto com a diminuio da taxa de
crossover e aumento da taxa de mutao foi possvel
explorar outras regies do espao de busca,
alcanando-se, dessa forma, o mximo global.

indivduos e um nmero mximo de geraes de 200

e 300, conforme caso analisado.
4.6 - Resumo
A Figura 9 apresenta resumo da metodologia
utilizada neste trabalho para alocao de capacitores
atravs de Algoritmos Genticos, que consiste numa
adaptao em relao ao apresentado na Figura 2.

Figura 6: Importncia da Utilizao de Taxas de Crossover e

Mutao Variveis (Pacheco, M.A.C., 2007)

Dessa forma, as taxas de crossover e mutao,

neste trabalho, variam conforme apresentado nas
Figuras (7) e (8).

Figura 9: Taxa de Crossover Varivel

5 Resultados
5.1 Consideraes Iniciais

Figura 7: Taxa de Mutao Varivel

Figura 8: Taxa de Crossover Varivel

As simulaes foram realizadas no sistema IEEE-30

Barras. Todas as 24 barras do tipo PQ desse sistema
foram consideradas candidatas a receber capacitor.
Alm disso, so considerados 8 valores possveis
para o banco de capacitores, representados atravs de
3 bits. Dessa forma, o espao de busca deste
problema 272, conforme apresentado na subseo
4.2..
O sistema IEEE-30 barras em sua configurao
inicial
no
apresenta
sobrecarregamento,
diferentemente de sistemas reais encontrados
atualmente. Nesse sentido, foi efetuado aumento da
carga desse sistema de forma a se obter uma situao
mais real e mais apropriada para se efetuar a
alocao de capacitores. Os dois casos analisados
esto apresentados na Figura 10 e correspondem a
carregamentos adicionais de 50% e de 190%.

4.5 Tcnicas
A seleo, neste trabalho, realizada atravs de
torneio. Segundo essa tcnica, x indivduos so
escolhidos aleatoriamente e, entre eles,

selecionado aquele que apresenta maior avaliao.

Tambm utiliza-se Elitismo, porm, como se
trata de um problema de otimizao multiobjetivo
so mantidos para a prxima gerao os melhores
indivduos segundo cada um dos objetivos.
4.5 Parmetros
As taxas de mutao e crossover so variveis,
conforme j mencionado.
Alm disso, neste
trabalho, foi utilizada uma populao com 200

Figura 10: Casos Analisados / IEEE

5.2 Primeiro Caso

Para essa situao, foram considerados os
seguintes valores em MVAr para os capacitores: 0, 8,
16, 24, 32, 40, 48, 56. A Tabela 2 apresenta os
valores fornecidos pelo Algoritmo Gentico
referentes ao melhor indivduo.
Tabela 2: Alocao de Capacitores / 1 Caso

Figura 12: Perfil de Tenso da Barra 30 / 1 Caso

A Tabela 3 apresenta comparao entre a

configurao inicial e a proposta, em termos
econmicos, para cada objetivo e o valor total.
Conforme pode ser observado, com um investimento
de R$ 514.000,00; obtm-se uma reduo
R$1.062.000,00 em relao aos custos com perdas.
Tabela 3: Comparao entre as Situaes Inicial e Proposta /
1 Caso

A Figura 11 apresenta uma comparao entre a

performance obtida atravs do Algoritmo Gentico e
atravs do mtodo de tentativa e erro. Enquanto o
Algoritmo Gentico convergiu com 40 geraes,
atravs do mtodo de tentativa e erro, simplesmente
no foi possvel obter, aleatoriamente, melhor
soluo em relao obtida no incio. O mtodo de
tentativa e erro implementado consiste em testar
indivduos gerados aleatoriamente em vrias
geraes, sem efetuar seleo, crossover ou mutao.
A melhor soluo sempre mantida.

5.2 Segundo Caso

Para essa situao, foram considerados valores
em MVAr para os capacitores de 0, 10, 20, 30, 40,
50, 60, 70. A Tabela 4 apresenta os valos fornecidos
pelo Algoritmo Gentico para cada uma das barras
de carga.
Tabela 4: Alocao de Capacitores / 2 Caso

A Tabela 5 apresenta comparao entre a

configurao inicial e a proposta, em termos
econmicos, para cada objetivo e o valor total.
Conforme pode ser observado, com um investimento
de R$ 2.945.000,00; obteve-se uma reduo de
19,17% nos custos totais.
Tabela 5: Comparao entre as Situaes Inicial e Proposta /
2 Caso

A Figura 13 apresenta uma comparao entre a

performance obtida atravs do Algoritmo Gentico e
atravs do mtodo de tentativa e erro. Conforme
pode ser observado, a soluo obtida atravs de
Algoritmos genticos bem mais satisfatria.

Figura 11: Comparao AG e tentativa e Erro / 1 Caso

A Figura 12 apresenta uma comparao

entre a curva do perfil de tenso da barra 30 em sua
configurao original proposta e na configurao
proposta, com o suporte de potncia reativa
recomendado na Tabela 2. No s obteve-se
deslocamento do ponto de colapso do sistema de
195% para 240%, mas tambm obteve-se tenses
mais prximas a 1 p.u.

Figura 13: Comparao AG e tentativa e Erro / 2 Caso

A Figura 14 apresenta uma comparao entre a

curva do perfil de tenso da barra 30 em sua
configurao original proposta e na configurao
proposta, com o suporte de potncia reativa
recomendado na Tabela 4. No s obteve-se
deslocamento do ponto de colapso do sistema de
195% para 330%, mas tambm obteve-se tenses
mais prximas a 1 p.u.. u.

Em trabalhos futuros sero includos na funo

objetivo o desvio das tenses em relao a 1 p.u. e a
margem de estabilidade de tenso. Neste caso ser
utilizado um mtodo para obteno direta do ponto
de colapso do sistema.

Referncias Bibliogrficas
Alcantara, M.V.P. e Da Silva, L.C.P. (2005). Efeitos
de Cargas Dependentes da Tensao na Alocacao
Otimizada de Bancos de Capacitores em
Sistemas de Distribuicao de Energia Eletrica. VII
Simpsio Brasileiro de Automao Inteligente,
Sao Luis-MA.
Baran, M.E. & Wu, F.F. (1989). Optimal Capacitor
Placement on Radial Distribution Systems. IEEE
Transactions on Power Delivery, Vol. 4, No. 1,
pp. 725-734.

Figura 14: Perfil de Tenso da Barra 30 / 1 Caso

Conforme pode ser observado, a curva do perfil

de tenso referente configurao proposta no pde
ser traada completamente. Para os objetivos deste
trabalho, este fato irrelevante uma vez que somente
interessa as solues estveis do fluxo de potncia,
ou seja, a parte superior da curva.

Concluses

Os resultados obtidos atravs da tcnica de

algoritmos genticos so satisfatrios, conforme
pde ser observado. Alm de terem sido encontrados
indivduos que propiciaram resultados satisfatrios
sob o ponto de vista econmico, para cada um dos
dois casos analisados, tambm obteve-se melhora no
perfil de tenses, alm de aumento da margem de
estabilidade.
Quanto pior a situao do sistema em termos de
carregamento, mais vantajosa a soluo indicada
pelo Algoritmo Gentico, comparando-se com a
configurao inicial. No se pode garantir que a
soluo fornecida pelo Algoritmo Gentico o ponto
timo, porm considerando o enorme espao de
busca do problema e a conseqente inviabilidade de
se verificar todas as possibilidades, os resultados so
bastante pertinentes. Quando comparado com o
mtodo de tentativa e erro, por exemplo, obteve-se
resultados bem melhores.

Ferreira C.A., Da Costa V.M. (2004). Controle de

Tenso no Fluxo de Potncia Continuado
Modelagens e Efeitos na Estabilidade de
Tenso. Controle & Automao, v.15, n4, p.459466.
Garcia, P. A.N., Pereira, J.L.R. e Carneiro J.S.
(1999). Alocacao Otima de Capacitores em
Sistemas de Distribuicao Desequilibrados
Usando Algoritmos Geneticos. IV Encontro
Luso-Afro-Brasileiro de Planejamento e
Exploracao de Redes de Energia.
Goldberg, D. (1989) Genetic Algorithms in Search,
Optimization and Machine Learning, AddisonWesley.
Martins, V.F., Borges, C.L.T (2007). Distribution
Systems Expansion Planning Considering the
Exploitation of Distributed Generation by a
Multi-Objective Genetic Algorithm. XIX
International
Conference
on
Electricity
Distribution.
Michalewicz, Z. (1996). Genetic Algorithms + Data
Structures = Evolution Programs, Third Revisde
and Extended Edition, Berlin, Heidelber, New
York: Springer-Verlag.
Monticelli A.J. (1983). Fluxo de Carga em Redes de
Energia Eltrica 1 ed. Edgard Blucher Ltda, So
Paulo, S.P.
Pacheco, M.A.C. (2007). Notas de Aula do Curso de
Redes Neurais da PUC-Rio. www.ica.ele.pucrio.br. Acessado em 09 de junho de 2007.