Captulo 2 Fundamentao Terica

1.

Considerar nulas as perdas de potncia ativa e reativa em todos os trechos;

2.

Calcular os fluxos de potncia (P+jQ) partindo-se do ltimo trecho at atingir o

primeiro trecho (trecho da subestao), utilizando as equaes (2.5) e (2.6) em
conjunto;

3.

Em seguida, para o trecho da subestao, calcular os valor das variveis auxiliares A

e C (equaes 2.15.a e 2.15.b);

4.

Calcular o valor da varivel auxiliar B (equao 2.15.c);

5.

Calcular a tenso U (equao 2.16);

6.

Calcular as perdas de potncia P e Q no respectivo trecho (equaes 2.17.a e

2.17.b);

7.

Repetir os passos de 3 a 6, passando por todos os trechos;

8.

Repetir os passos de 2 a 7, at que no haja variao significativa nas perdas totais

do alimentador de uma iterao em relao outra.

2.4. SIMULATED ANNEALING

2.4.1 Otimizao Combinatria

Problemas de otimizao so caracterizados por situaes em que se deseja

minimizar (ou maximizar) uma funo de vrias variveis, sujeita a restries. De acordo
com os tipos de variveis do problema, resultam duas classes: problemas contnuos e
problemas discretos ou combinatrios. Nos problemas contnuos, procura-se, em geral,
como soluo, um conjunto de nmeros reais ou uma funo; nos problemas combinatrios,
est-se interessado em encontrar um objeto que corresponda ao resultado desejado. Este
objeto pode ser um arranjo, agrupamento ou seleo de nmeros discretos, usualmente em

nmero finito.
A soluo de um problema de otimizao combinatria corresponde identificao
de uma soluo tima x* (mnimo ou mximo), pertencente ao espao de solues X, tal
que:

( )

f x * f ( x i ) x i X

(2.18)

em que f : X a funo-objetivo ou funo-custo.

As estratgias de resoluo de problemas de otimizao consistem em dois tipos de
abordagem: as tcnicas clssicas e as heursticas.

13

Captulo 2 Fundamentao Terica

As tcnicas clssicas so confiveis e possuem aplicaes nos mais variados campos

da engenharia e das cincias, porm podem apresentar problemas se a funo objetivo ou
suas derivadas forem descontnuas. Alm disso, as tcnicas clssicas podem convergir para
mnimos ou mximos locais, s vezes muito diferentes do timo global.
Os mtodos heursticos, com busca randmica controlada por critrios
probabilsticos, reaparecem como uma forte tendncia nos ltimos anos, principalmente
devido ao avano nos recursos computacionais, pois um fator limitante desses mtodos o
nmero excessivo de avaliaes da funo-objetivo (Saramago, 2003).
2.4.2. Heurstica e Metaheurstica

Heurstica, termo associado arte de inventar, um processo criativo usado na

resoluo de problemas para os quais no existe algoritmo. Estas estratgias geralmente
conduzem a solues de boa qualidade, embora no haja garantia de serem timas (Anjo,
1999).
As Metaheursticas associam dois ingredientes fundamentais: a boa resposta das
heursticas a problemas de difcil resoluo e a inspirao em outros mtodos com objetivos
semelhantes, embora em contextos diferentes. So exemplos de metaheursticas:

Algoritmos Genticos: utilizando a teoria da seleo natural e conceitos da

gentica;

Colnia de Formigas: baseados na organizao dos formigueiros;

Redes Neurais: baseados no funcionamento do crebro;
Simulated Annealing: baseados na tmpera de metais e na formao de cristais.
2.4.3. Mecnica Estatstica

A Mecnica Estatstica uma parte da Fsica da Matria Condensada que estuda o

comportamento de sistemas macroscpicos de partculas com o objetivo de entender as
propriedades da matria. Para tanto, necessrio compreender como as interaes entre as
partculas microscpicas do sistema determinam seu comportamento macroscpico (Gerl et

al, 1970).
Uma questo fundamental em Mecnica Estatstica diz respeito ao comportamento
de um sistema passando por altas temperaturas at atingir o equilbrio trmico (no limite do
resfriamento): se os tomos estaro em estado lquido ou slido e, caso atinjam o estado

14

Captulo 2 Fundamentao Terica

slido, se formaro uma estrutura cristalina estvel ou assumiro um estado amorfo, onde
os tomos se encontram com nvel de energia muito superior ao do cristal perfeito
(Kirkpatrick et al, 1983). Esse processo, em que a temperatura ocupa um lugar de destaque,
conhecido como tmpera (annealing).
Sucintamente, a tmpera de um metal consiste na diminuio da energia interna das
partculas que o constituem, ou seja, as partculas do metal vo ocupando diferentes
posies at encontrarem uma disposio em que a energia seja mnima. Num primeiro
momento, o metal submetido a uma temperatura suficientemente elevada para que ele
atinja o seu ponto de fuso. Numa segunda fase, o metal deixado nesse nvel de
temperatura durante um longo perodo de tempo de modo que os tomos ocupem diversas
posies e o equilbrio trmico seja alcanado nessa temperatura. Alcanado o equilbrio, a
temperatura reduzida e o metal novamente deixado durante um longo tempo nessa nova
temperatura at o equilbrio trmico ser alcanado. De acordo com o controle da
diminuio da temperatura, o resultado final pode ser um cristal, com tomos dispostos
segundo uma rede cristalina, se o arrefecimento foi cuidadoso, ou uma estrutura amorfa
provocada pelo resfriamento rpido ou pela no obteno do equilbrio trmico (Anjo,
1999).
2.4.4. Da Fsica Otimizao Combinatria

Em 1953, Nicholas Metropolis (Metropolis et al, 1953 apud Kirkpatrick et al,

1983), do Los Alamos Scientific Laboratory, simulou a obteno do equilbrio trmico,
utilizando um algoritmo que ficou conhecido como Algoritmo de Metropolis. Com ele,
possvel observar os diferentes estados pelos quais passa o conjunto de tomos at atingir o
estado de equilbrio.
No incio dos anos 80, Scott Kirkpatrick e seus colaboradores, C. D. Gelatt e M. P.
Vecchi, dos laboratrios da IBM, notaram que o processo da tmpera era muito semelhante,
nos seus objetivos, resoluo de um problema de otimizao.
O processo da tmpera, modelado por Metropolis, tem a seguinte forma:
Dado um estado i com energia Ei, gera-se, por meio de um mecanismo de
perturbao, um estado j com energia Ej. Se a diferena de energia E = E j E i for menor
ou igual a zero, (E 0 ) , ento o estado j aceito como corrente. Caso contrrio,

15

Captulo 2 Fundamentao Terica

(E > 0) , associada uma probabilidade de aceitao, P(E), ao estado j, que ser aceito
mediante o seguinte critrio de aceitao:
P(E ) = e

kT

(2.19)

em que k a constante de Boltzmann.

2.4.5. Algoritmo

O algoritmo de Metropolis apresentado no fluxograma da figura 2.2, abaixo:

Gerar, aleatoriamente, uma

soluo x=x0 no espao de busca

Escolher uma
temperatura inicial T>0

Gerar uma nova soluo x1 nas

proximidades de x0

Calcular E = f(x1)-f(x0)

0 ?

no

P(x=x1) =

kT

sim

Reduzir
temperatura

x = x1

Gerar um nmero aleatrio r

Nova temperatura ?

r < P(x=x1) ?

no
FIM

sim

x = x1

no
x = x0

Figura 2.2 Algoritmo de Metropolis.

16

Captulo 2 Fundamentao Terica

2.4.6. Da Otimizao Combinatria Fsica

A analogia do processo modelado por Metropolis com o simulated annealing (SA),

utilizado na resoluo de problemas de otimizao combinatria, estabelecida da seguinte
forma:

Os estados do sistema (diversas posies ocupadas pelos tomos) so

equivalentes s solues do problema de otimizao;

A cada estado equivale um valor de energia;

A energia de um estado equivalente ao custo de uma soluo (valor da funoobjetivo naquele ponto-soluo);

A estrutura cristalina resultante do equilbrio trmico obtido pelo resfriamento

cauteloso equivalente soluo tima.
O processo de busca por uma soluo tima em um problema de minimizao pode
ser descrito da seguinte forma:
No incio do processo da tmpera (quando o metal se encontra na temperatura de
fuso), os tomos se encontram em estado desordenado, ocupando vrias posies; em um
problema de otimizao, isso significa que o algoritmo est passeando pelas vrias
solues dentro do espao de busca. Como a temperatura muito elevada, a probabilidade
de aceitao de uma soluo que aumente o valor da funo-objetivo, P(E ) = e

kT

muito grande e praticamente todas as solues desse tipo so aceitas a altas temperaturas.
Esse processo de aceitao de solues ruins tem o propsito de fugir dos timos locais.
medida que a temperatura decresce, os tomos ficam menos desordenados, at que, no
limite do resfriamento, tendo alcanado equilbrio trmico, formem uma estrutura cristalina.
No problema de otimizao, isso significa que, com a diminuio da temperatura, a
probabilidade de aceitao P(E) vai diminuindo at que seu valor seja tal que nenhuma
soluo ruim ser aceita. No final do processo (T=0), espera-se que tenha sido encontrada a
soluo tima ou muito prxima a ela.
2.4.7. Aspectos de Construo de Algoritmos SA

Na construo de algoritmos SA importante a especificao de alguns parmetros,

como: valores inicial e final de temperatura, nmero de iteraes e regra de decrscimo de
temperatura, os quais definem a estratgia de resfriamento.

17

Captulo 2 Fundamentao Terica

Esses algoritmos decompem-se em duas grandes buscas sobrepostas: a busca

externa controla o trmino do processo e baseia-se na noo de estado resfriado; a busca
interna contm o processo de otimizao. Para uma temperatura fixada, explora-se a
vizinhana aceitando ou no os movimentos que so apresentados. Ao fim de n iteraes,
diminui-se a temperatura. A escolha de n se d pelo contexto do problema a ser otimizado e
, geralmente, emprica.
Para calcular os valores inicial e final de temperatura a serem utilizados necessrio
algum conhecimento do valor da funo na vizinhana da soluo. A determinao das
temperaturas inicial e final feita com base na probabilidade de aceitao. Em geral, se um
determinado acrscimo no valor inicial da funo-custo Ei aceito com probabilidade Pi,
a temperatura inicial :
Ti =

E i
ln (Pi )

(2.20)

Para efetuar o clculo acima, deve ser determinada pelo usurio a probabilidade de
aceitao de um certo acrscimo na funo-objetivo. Por exemplo: se na temperatura inicial
solues que aumentam o custo da funo em 50 so aceitas com probabilidade de 0,5
(50%), a temperatura inicial ser:

Ti =

50
= 72,135
ln (0,5)

Se na temperatura final uma soluo que aumenta o custo em 10 aceita com

probabilidade de 0,05 (5%), a temperatura final ser:
Ti =

10
= 3,338
ln (0,05)

Se estiver sendo usada alguma funo de penalidade, o valor da penalidade no

dever ser adicionado ao clculo das temperaturas.
No havendo conhecimento a respeito do valor da funo-custo, pode-se determinar
a temperatura inicial de forma emprica. Para isso escolhe-se um valor que parea ser alto,
executa-se o algoritmo por um tempo curto e observa-se a taxa de aceitao. Se esta taxa
for adequadamente alta, o valor testado para temperatura pode ser usado. Podem ser
considerados como taxas de aceitao alta valores de 50% a 70%. Quanto temperatura

final, na teoria, o processo deveria continuar at que a temperatura fosse igual a zero. Na
prtica, suficiente que a parada ocorra quando a chance de haver aumentos na funocusto (para minimizao) seja negligencivel (Izquierdo, l998).

18

Captulo 2 Fundamentao Terica

Outro aspecto importante a definio do nmero de iteraes que devero ocorrer

em cada temperatura, ou seja, quantas perturbaes na soluo corrente devero ocorrer em
cada valor de temperatura. Isso tambm pode ser obtido empiricamente.
2.4.8. Administrao da Temperatura

Para que o SA convirja e resulte em uma soluo tima ou muito prxima do timo
necessrio que haja uma administrao da diminuio da temperatura. Vrios critrios de
diminuio da temperatura podem ser encontrados na literatura (Kirkpatrick et al, 1983)
(Anjo, 1999) (Noronha et al, 2001). Foram testados neste trabalho os trs mtodos a seguir:
1. Descida Exponencial: sejam Ti, Tf, as temperaturas inicial e final, respectivamente, iT
a quantidade de iteraes para esfriamento e seja k a iterao corrente, a diminuio
da temperatura feita segundo o seguinte critrio:

Tk +1 = e Tk

(2.21)

em que:
Tf

ln

e = e

Ti

(2.22)

iT

2. Descida Linear:

Tk +1 = Tk l
em que:

l =

Ti T f

(2.23)

iT

3. Descida Aritmtica:

Tk +1 = Ti +

T f Ti
iT

(2.24)

2.4.9. Problemas de Otimizao com Restries

Para trabalhar com problemas restritos utilizando o algoritmo SA, podem ser
utilizadas as duas tcnicas mais comuns a seguir:

19

Captulo 2 Fundamentao Terica

1. Mtodo da rejeio das configuraes no-viveis: a cada nova perturbao da

soluo corrente verificado se as variveis geradas satisfazem s restries
impostas, caso contrrio, geram-se novo vetor de posio com novas variveis
dentro do espao de busca, as quais iro substituir as solues no-viveis. Este
mtodo muito eficiente, embora lento (Faria et al, 2003). Uma variante do mtodo
consiste em substituir as solues no-viveis pelo valor de fronteira (valor da
restrio imposta).
2. Mtodo da transformao de variveis: uma soluo z0 sem restries gerada e
dada uma perturbao nessa soluo, gerando uma soluo z1 tambm sem
restries. Esses dois pontos so, ento, transformados em solues viveis por
meio da seguinte transformao de variveis:

x i = x l + ( x h x l ) sen 2 ( z i )

(2.25)

em que:

xi a transformada da soluo zi dentro do espao de busca;

xl o limite inferior do espao de busca;
xh o limite superior do espao de busca.

20