Abstract

Mestrado em Engenharia Electrotécnica – Sistemas Eléctricos de Energia This thesis proposes a modified Particle Swarm Optimization (PSO) approach for the day-ahead scheduling of Distributed Energy Resources (DER) in smart grids, considering Electric Vehicles (EVs) with gridable capability (vehicle-to-grid). The proposed methodology introduces several changes in traditional PSO meta-heuristic to solve effectively the scheduling problem of DER with EVs. This thesis proposes an intelligent mechanism for adjusting the velocity limits of the swarm to alleviate violations of problem constraints and to improve the quality of the solution, namely the value of the objective function. In addition, a hybridization of PSO method is used, which combines this meta-heuristic with an exact method, a full ac power flow in order to validate network constraints of the solutions explored by the swarm. This thesis proposes a trip reduce demand response program for EVs users. A datamining based methodology is used to support the network operator in the definition of this program and to estimate how much demand response is adequate for a certain operation condition. The case studies included in the thesis aim to demonstrate the effectiveness of the modified PSO approach to the problem of DER scheduling considering EVs. An application named EV Scenario Simulator (EVeSSi) has been developed. EVeSSi allows creating scenarios considering EVs in distribution networks. A case study comparison of the modified PSO with an accurate mixed integer non-linear programming is presented. Furthermore, it is also compared with other variants of PSO, and the traditional PSO. Addionatly, different methods of EV battery management, namely uncontrolled charging, smart charging and vehicle-to-grid, are compared. Finally, a test case is presented to illustrate the use of the proposed demand response program for EVs and the data-mining methodology applied to a large database of operation scenarios. Esta tese apresenta uma aplicação modificada e adaptada da meta-heurística Particle Swarm Optimization (PSO) para o escalonamento de recursos energéticos em redes de distribuição inteligentes vulgo smart grids, considerando a utilização de veículos eléctricos. Este conceito em que os veiculos podem carregar e descarregar energia para a rede eléctrica é denominado na giria anglo-saxónica por vehicle-to-grid. Esta tese apresenta várias modificações na meta-heuristica PSO original para resolver mais eficazmente o problema do escalonamento de recursos energéticos com veículos eléctricos. Realça-se nesta tese a prosposta de um mecanismo inteligente para o ajustamento do limite das velocidades do swarm com vista a aliviar violações de restrições do problema e a melhorar a qualidade da solução, isto é, o valor da função objectivo. Adicionalmente, refere-se a hibridização desta meta-heurística com um método exacto, nomeadamente um trânsito de potências com o objectivo de verificar o cumprimento das restrições da rede eléctrica das soluções exploradas pelo swarm. Um programa de demand response para veículos eléctricos é apresentado na tese. Além disso, uma metodologia baseada em técnicas de data-mining é proposta para suportar as decisões do operator de sistema na definição e na estimativa do uso desse programa. Os casos de estudo incluídos nesta tese pretendem demonstrar a eficácia do PSO modificado no problema do escalonamento de recursos energéticos considerando os veículos eléctricos. Uma aplicação com a designação de EVeSSi foi desenvolvida e apresentada nesta tese para criar cenários de penetração de veículos eléctricos e simular os movimentos dos veículos ao longo dos nós das redes de distribuição. Um caso de estudo de comparação com um método exacto de programação não linear inteira mista é apresentado. Além disso, a aplicação proposta é comparada com outras variantes do PSO, incluindo a versão original. São ainda incluídos casos de estudo que abordam diferentes metodologias de interação do veículo com a rede, nomeadamente uncontrolled charging, smart charging e vehicle-to-grid. Por fim, é apresentado um caso de estudo com o programa de demand response e a metodologia de data-mining.