Use este identificador para citar ou linkar para este item: http://www.monografias.ufop.br/handle/35400000/5431
Registro completo de metadados
Campo Dublin CoreValorIdioma
dc.contributor.advisorGalvis Manso, Juan Carlospt_BR
dc.contributor.authorValle, Leonardo Verçosa de Oliveira-
dc.date.accessioned2023-04-17T14:16:14Z-
dc.date.available2023-04-17T14:16:14Z-
dc.date.issued2023pt_BR
dc.identifier.citationVALLE, Leonardo Verçosa de Oliveira. Carregamento probabilístico de veículos elétricos em redes de distribuição de energia. 2023. 71 f. Monografia (Graduação em Engenharia Elétrica) - Instituto Ciências Exatas e Aplicadas, Universidade Federal de Ouro Preto, João Monlevade, 2023.pt_BR
dc.identifier.urihttp://www.monografias.ufop.br/handle/35400000/5431-
dc.description.abstractA queima de combustível fóssil é uma grande preocupação atualmente, e uma parte dos gases emitidos pela queima de combustível são emitidos por veículos a combustão. Atualmente, os veículos elétricos vêm ganhando mais espaço no mercado, já que são considerados uma alternativa menos poluente. Com o aumento de veículos elétricos, os sistemas de energia elétrica podem sofrer de alguns problemas, por exemplo, sobrecarga de transformadores, se o carregamento não for feito controladamente. Para realizar o carregamento controladamente e considerar a aleatoriedade do problema, o seguinte trabalho utiliza o método de Monte Carlo e um algoritmo (algoritmo genético ou algoritmo colônia de formigas) de carregamento ótimo de veículos elétricos. O modelo utilizado aplica-se no cenário de um estacionamento padrão que fornece a possibilidade de um usuário carregar ou descarregar seu veículo no local visando manter a curva de carga do estacionamento o mais constante possível. Os resultados obtidos mostram que o algoritmo genético teve uma resposta melhor no processo de otimização do carregamento de veículos elétricos do que o algoritmo colônia de formigas. Apresentou um melhor cronograma de carregamento, o qual reduziu a demanda máxima da curva de carga do estacionamento em 10%, enquanto o algoritmo colônia de formigas em somente 8,82%.pt_BR
dc.language.isopt_BRpt_BR
dc.subjectEnergia elétrica - distribuiçãopt_BR
dc.subjectMétodo de Monte Carlopt_BR
dc.subjectOtimização combinatóriapt_BR
dc.subjectSistemas de energia elétricapt_BR
dc.subjectVeículos elétricospt_BR
dc.titleCarregamento probabilístico de veículos elétricos em redes de distribuição de energia.pt_BR
dc.typeTCC-Graduaçãopt_BR
dc.contributor.refereeGalvis Manso, Juan Carlospt_BR
dc.contributor.refereeBarbosa, Carlos Henrique Nogueira de Resendept_BR
dc.contributor.refereeCota, Felipe Eduardo Moreirapt_BR
dc.description.abstractenFossil fuel burning is a major concern today, and some of the gases released by fuel burning are emitted by combustion vehicles. Currently, electric vehicles are gaining more space in the market as they are considered a renewable and clean source. Due to the increase in electric vehicles, power systems can be damaged, for example overloading transformers, if charging is not done in a controlled manner. To perform charging in a controlled manner and incorporate randomness into the problem, the following work uses the Monte Carlo method and an optimal electric vehicle charging algorithm. The model used applies in the scenario of a standard parking lot which provides the possibility for a user to load or unload their vehicle on site. Two optimization algorithms were used, genetic algorithm and ant colony optimization algorithm. The results obtained show that the genetic algorithm had a better response then the ant colony optimization algorithm in the process of optimizing the charging of electric vehicles. It presented a better loading schedule, which reduced the maximum demand of the parking lot load curve by 10%, while the ant colony Optimization algorithm by only 8.82%.pt_BR
dc.contributor.authorID15.1.8166pt_BR
Aparece nas coleções:Engenharia Elétrica - JMV

Arquivos associados a este item:
Arquivo Descrição TamanhoFormato 
MONOGRAFIA_CarregamentoProbabilisticoVeiculos.pdf2,44 MBAdobe PDFVisualizar/Abrir


Este item está licenciado sob uma Licença Creative Commons Creative Commons