Search

O aumento da inserção de geração renovável, principalmente eólica e solar, traz novos desafios para o planejamento e operação de sistemas elétrico de potência devido à sua dependência de condições climáticas. Nesta perspectiva, esta dissertação tem o objetivo de propor uma metodologia com base em Redes Neurais Artificiais (ANN) de reconhecimento de padrão e mapa auto organizável para auxiliar no planejamento e operação do sistema de potência. Neste contexto, as condições operacionais que podem levar o sistema à violação dos limites de tensão podem ser identificadas possibilitando a realização de ações de controle corretivas. Além disso, a abordagem proposta é capaz de identificar a unidade específica responsável por conduzir o sistema a uma condição operativa insatisfatória. Para isso, a metodologia é testada em uma microrrede representada pelo sistema IEEE 34-barras trifásico desequilibrado modificado, considerando o emprego de geração eólica e solar. O conjunto de dados de condições operativas satisfatórias e insatisfatórias são obtidos empregando a simulação de Monte Carlo. Para este propósito, o fluxo de potência por varredura backward-forward é empregado. Em seguida esses dados são fornecidos às ANNs para treinamento, validação e teste. Os resultados obtidos indicam uma metodologia robusta capaz de auxiliar na tomada de decisão e determinar ações de controle durante a operação do sistema com alta inserção de renováveis evitando assim sobretensões. The increased insertion of renewable generation, mainly wind and solar, brings new challenges for the planning and operation of electric power systems due to its dependence on climatic conditions. In this perspective, this dissertation aims to propose a methodology based on Artificial Neural Networks (ANN) for pattern recognition and a self-organizing map to assist in the planning and operation of the power system. In this context, the operational conditions that can lead the system to breach of voltage limits can be identified, enabling corrective control actions to be carried out. In addition, the proposed approach is able to identify the specific unit responsible for driving the system to an unsatisfactory operating condition. For this, the methodology is tested in a microgrid represented by the modified unbalanced three-phase IEEE 34-bus system, considering the use of wind and solar generation. The data set of satisfactory and unsatisfactory operating conditions are obtained using the Monte Carlo simulation. For this purpose, the backward-forward scan power flow is employed. These data are then provided to ANNs for training, validation and testing. The results obtained indicate a robust methodology capable of assisting in decision making and determining control actions during the operation of the system with high insertion of renewables, thus avoiding overvoltages.

Human cases of dengue virus based on the National Dengue Control Plan were compared with the molecular detection of the dengue virus in trapped mosquitoes, verifying the prediction and efficacy potentials of vector control between the two methodologies in a city with three endemic frontiers. Molecular detection of dengue virus in trapped mosquitoes was significantly higher than in human cases (