Aplicação de modelos hidrotérmicos na seleção de estados para a avaliação de confiabilidade composta dos sistemas de energia elétrica

Abstract

O Método de Monte Carlo Sequencial é comumente utilizado para a modelagem e simulação de sistemas complexos, especialmente na avaliação de incertezas e na estimativa de índices de confiabilidade. O algoritmo clássico do Método de Monte Carlo Sequencial é caracterizado por três etapas essenciais, a saber, amostrar os estados, avaliar estados e estimar índices, que formam a base do processo. No entanto, a evolução dos modelos utilizados dentro dessas etapas é crucial para aprimorar a precisão e a aplicabilidade dos resultados obtidos. Este trabalho tem como foco a fase de amostragem do Método de Monte Carlo Sequencial ao incorporar um modelo mais detalhado e representativo na composição dos estados para a avaliação e estimativa de índices, visando a ampliação de detalhes na gestão dos recursos hídricos. Modelos de otimização são fundamentais para encontrar solução ótima de um problema de minimização ou maximização, podendo ou não ter restrições. Estes detalhes conduzem à definição de um novo problema que permita uma representação mais fidedigna das variáveis e dos processos envolvidos, em particular, na gestão de reservatórios, considerando a disponibilidade de água, para prever a geração. Embora a geração hídrica dependa diretamente da disponibilidade de água, os modelos mais comuns utilizados para amostrar cenários costumam empregar métodos proporcionais. Esses métodos definem a geração com base em um percentil fixo numa janela temporal mensal, refletindo a disponibilidade de energia. Contudo, existem outros métodos que permitem uma modelagem mais precisa da limitação dos recursos em termos de energia disponível, como aqueles que utilizam heurísticas. Embora essa abordagem represente de maneira mais adequada as características energéticas do sistema, frequentemente não leva em conta a disponibilidade real de recursos hídricos. Como resultado, as soluções propostas podem não refletir o comportamento real desses sistemas. Partindo disto, neste trabalho propõe-se uma melhoria do modelo utilizado na fase de amostragem. Via métodos de otimização, foi possível não só aumentar a precisão das estimativas, mas também proporcionar uma gestão mais inteligente e adaptativa dos recursos hídricos, considerando as condições operativas atuais dos equipamentos (estado up e down). Modelos anteriores não incorporavam essa dinâmica de gestão adaptativa, o que poderia levar à utilização ineficiente dos recursos hídricos. A abordagem proposta, por outro lado, pode ajustar a operação do reservatório conforme as condições operativas, otimizando o planejamento das unidades geradoras.

Abstract: The Sequential Monte Carlo Method is commonly used for modeling and simulating complex systems, particularly in uncertainty assessment and reliability index estimation. The classic algorithm of the Sequential Monte Carlo Method consists of three essential steps: state sampling, state evaluation, and index estimation, which form the core of the process. However, the evolution of models used within these steps is crucial for enhancing the accuracy and applicability of the results. This work focuses on the sampling phase of the Sequential Monte Carlo Method by incorporating a more detailed and representative model in the composition of states for evaluation and index estimation, aiming to enhance the management of water resources. Optimization models are fundamental for finding the optimal solution to a minimization or maximization problem, which may or may not have constraints. These enhancements lead to the definition of a new problem that allows for a more faithful representation of the variables and processes involved, particularly in reservoir management, considering water availability to predict generation. Although hydropower generation directly depends on water availability, the most commonly used models for scenario sampling often employ proportional methods. These methods define generation based on a fixed percentile within a monthly time window, reflecting energy availability. However, there are other methods that enable more precise modeling of resource limitations in terms of available energy, such as those using heuristics. While this approach more adequately represents the energy characteristics of the system, it often does not account for the actual availability of water resources. Consequently, the proposed solutions may not reflect the real behavior of these systems. Therefore, this work proposes an improvement to the model used in the sampling phase. Through optimization methods, it was possible not only to increase the accuracy of estimates but also to enable more intelligent and adaptive management of water resources, considering the current operational conditions of the equipment (up and down states). Previous models did not incorporate this adaptive management dynamic, which could lead to inefficient use of water resources. The proposed approach, on the other hand, can adjust reservoir operation according to operational conditions, optimizing the planning of generating units.