Inteligência computacional para sistemas self-healing: um estudo de caso em redes elétricas inteligentes ; Computational intelligence for self-healing systems: a case study on smart grids

This work employs computational intelligence techniques in optimization problems found in smart grid systems. A feature of the smart grid is the auto-recovery capability of a system, for example, restore normalcy of a power distribution network after occurrence of a fault. When a system has the capability of auto-recovery after failure, this is called self-healing. An emerg-ing alternative to a self-healing system is the application of population-based techniques. Optimization algorithms by particle swarms are alternatives to find topologies able to restore a system. To this the power distribution network was modeled using graph theory, as well used the sum of the currents method for calculating the power flow. The recovery of network after fault is performed using bio-inspired algorithms adapted to the optimization problem in smart grids. The results evaluate the different factors that influence the algorithm execution and its resolution capability of the problem addressed. ; Este trabalho emprega técnicas de inteligência computacional em problemas de otimização encontrados nos sistemas smart grid. Uma característica da smart grid é a capacidade da auto recuperação de um sistema, como por exemplo, restaurar a normalidade de uma rede de distribuição de energia após a ocorrência de uma falta. Quando um sistema tem a capacidade da auto recuperação pós falta, esse é denominado de self-healing. Uma alternativa para emergir um sistema self-healing é a aplicação de técnicas baseadas em população. Algoritmos de oti-mização por enxames de partículas são alternativas para encontrar topologias capazes de res-taurar um sistema. Para isso foi modelada a rede de distribuição de energia utilizando a teoria dos grafos, bem como utilizado o método da soma das correntes para o cálculo do fluxo de potência. A recuperação da rede pós falta é realizada utilizando algoritmos bio-inspirados adaptados ao problema de otimização em smart grids. Os resultados avaliam os diferentes fatores que influenciam na execução do algoritmo e a sua capacidade de resolução do problema abordado.