[pt] AVALIAÇÃO DA CONFIABILIDADE DE SISTEMAS DE GERAÇÃO E TRANSMISSÃO VIA SIMULAÇÃO MONTE CARLO OTIMIZADA POR TÉCNICAS DE REDUÇÃO DE VARIÂNCIA E APRENDIZADO DE MÁQUINA

[en] RELIABILITY ASSESSMENT OF GENERATION AND TRANSMISSION SYSTEMS VIA MONTE CARLO SIMULATION OPTIMIZED BY VARIANCE REDUCTION TECHNIQUES AND MACHINE LEARNING

[pt] BRUNO ALVES DE SA MANSO

[pt] SIMULACAO MONTE CARLO

[pt] APRENDIZADO DE MAQUINA

[pt] SISTEMA DE GERACAO E TRANSMISSAO

[pt] ENTROPIA CRUZADA

[pt] CONFIABILIDADE COMPOSTA

[pt] AMOSTRAGEM POR IMPORTANCIA

[en] MONTE CARLO SIMULATION

[en] MACHINE LEARNING

[en] GENERATION AND TRANSMISSION SYSTEM

[en] CROSS ENTROPY

[en] COMPOSITE RELIABILITY

[en] IMPORTANCE SAMPLING

[pt] A simulação Monte Carlo (SMC) é uma ferramenta eficiente na análise da confiabilidade de grandes sistemas compostos de geração e transmissão. Na prática, porém, os planejadores têm maior interesse em avaliar apenas suas regiões de atuação, que geralmente englobam um conjunto reduzido de barras consumidoras. Nesse caso, a falha de suprimento (i.e., corte de carga) é muitas vezes um evento raro, o que eleva substancialmente o custo computacional da SMC. Para lidar com essa situação, o emprego de técnicas de redução de variância foi proposto em inúmeros trabalhos, os quais apresentam bons resultados, mas ainda encontram alguma dificuldade em modelar as restrições físicas da rede de transmissão. Técnicas de inteligência computacional também foram empregadas no intuito de aumentar a eficiência de algoritmos de confiabilidade composta. A abordagem por aprendizado de máquina engloba a maioria dessas técnicas. Em geral, sua tarefa é reduzir diretamente execuções de análise de adequação de estados por meio de classificadores. Tais classificadores precisam ser treinados a partir de amostras com boa representação da falha, o que restringe sua aplicação, tendo em vista que a falha de interesse dos agentes de um sistema é, em geral, um evento raro. Neste trabalho, propõe-se uma nova aplicação da técnica amostragem por importância, via método da entropia cruzada, que modela adequadamente as restrições da rede de transmissão. Adicionalmente, buscando melhorar ainda mais o desempenho da ferramenta, propõe-se acoplar um classificador de estados para diferenciá-los em estados de falha ou de sucesso estressado (i.e., estados de sucesso em que o sistema/área/barra está próximo de falhar). A técnica de simulação empregada é a SMC quasi-sequencial com o intuito de devidamente modelar fontes renováveis. O método proposto é avaliado por meio de uma versão modificada do IEEE Reliability Test System - 1996, que apresenta características de falha composta semelhantes às de sistemas reais.

[en] Monte Carlo simulation (MCS) is an efficient tool in the reliability analysis of large composite generation and transmission systems. In practice, however, planners take greater interest in evaluating only their operating regions, which generally encompasses a reduced set of consumer buses. In this case, supply failure (i.e., load shedding) is often a rare event, which substantially increases the computational cost of the MCS. To deal with this situation, the use of variance reduction techniques was proposed in numerous works, which present good results, but still find some difficulty in modeling the physical restrictions of the transmission network. Computational intelligence techniques have also been employed in order to increase the efficiency of composite reliability algorithms. Machine learning approach encompasses most of these techniques. Generally, its task is to directly reduce the execution of state adequacy analysis through classifiers. Such classifiers need to be trained from samples with good representation of the failure, which restricts its application, given that the failure of interest of system agents is, in general, a rare event. In this work, a new application of the importance sampling technique, via crossentropy method, that adequately models transmission network restrictions, is proposed. Additionally, seeking to further improve the tool’s performance, it is proposed to couple a state classifier in order to differentiate states between failure or strained success (i.e., success states in which system/area/bus is close to failure). The simulation technique employed is the quasi-sequential MCS with the purpose of properly modeling renewable sources. The method is evaluated by the means of a modified version of the IEEE Reliability Test System - 1996, which presents composite failure characteristics as those of real systems.

ARMANDO MARTINS LEITE DA SILVA

FERNANDO APARECIDO DE ASSIS

ANDRE MILHORANCE DE CASTRO

ARMANDO MARTINS LEITE DA SILVA

JOSÉ FILHO DA COSTA CASTRO

JOAO GUILHERME DE CARVALHO COSTA

ANDRE MILHORANCE DE CASTRO

LEONIDAS CHAVES DE RESENDE

FERNANDO APARECIDO DE ASSIS

MAURO AUGUSTO DA ROSA

2025-07-25

2025-04-24

[pt] TEXTO

application/pdf

PORTUGUÊS

https://www.maxwell.vrac.puc-rio.br/colecao.php?strSecao=resultado&nrSeq=71881@1

https://www.maxwell.vrac.puc-rio.br/colecao.php?strSecao=resultado&nrSeq=71881@2

https://doi.org/10.17771/PUCRio.acad.71881