Escolar Documentos
Profissional Documentos
Cultura Documentos
Universidade Federal de Campina Grande; Av. Aprígio Veloso s/n, Campina Grande-PB. CEP: 58100-900; FONE: 0xx83 3310 1365, ramal 23.
1) Mestrando (a) em Engenharia Civil e Ambiental; e-mail {erica,cledson}@lsd.ufcg.edu.br
2) Mestre em Ciência da Computação – Departamento de Sistemas e Computação; e-mail esther@dsc.ufcg.edu.br
3) Professor Adjunto – Unidade Acadêmica de Engenharia Civil; e-mail galvao@dec.ufcg.edu.br
4) Professor Adjunto – Departamento de Sistemas e Computação; e-mail fubica@dsc.ufcg.edu.br
1. INTRODUÇÃO
2. METODOLOGIA
O custo com energia elétrica dos consumidores da tarifação convencional é composto pela
soma das parcelas referentes ao consumo e à demanda máxima de energia, baseado em contrato
com a concessionária onde se pactua um único valor de demanda de energia pretendida pelo
consumidor. A tarifação horo-sazonal verde é caracterizada pela adoção de tarifas diferenciadas
para o consumo em relação ao período do ano (seco e úmido) e ao horário do dia (ponta e fora de
ponta), e pelo contrato de um único valor de demanda. A tarifação horo-sazonal azul exige um
contrato com a concessionária onde se pactua tanto o valor da demanda contratada no horário de
ponta, quanto o valor pretendido no horário fora de ponta, com tarifas diferenciadas em função do
horário do dia ou do período do ano. Em todos os tipos de tarifação citados, valores adicionais são
cobrados quando a demanda máxima de energia atingida pelo consumidor durante o período de
faturamento ultrapassa a demanda contratada.
A metodologia proposta visa a otimizar a operação de uma adutora encontrando um
escalonamento ótimo das bombas de modo a reduzir os custos de bombeamento sem reduzir o
consumo demandado e sem violar as restrições operacionais do sistema. A otimização via
algoritmos genéticos terá sua eficácia testada através da comparação dos seus resultados com a
operação baseada em regras simples de operação.
O sistema adutor utilizado como exemplo é composto por três unidades de captação de água
subterrânea e quatro bombas centrífugas submersíveis que transportam a água captada nos poços
através de uma tubulação de aço galvanizado para um único reservatório de distribuição, como pode
ser observado no esquema da Figura 1.
O sistema foi dimensionado de modo a atender as exigências de demanda de água da
população abastecida ao longo de 20 anos, e foi otimizado considerando três cenários de demanda
de água: 1 – baixa; 2 – média; 3 – alta. O cenário de baixa demanda corresponde ao ano inicial de
operação da adutora, e é caracterizado por uma baixa população abastecida, um baixo consumo de
água, altos níveis dos mananciais subterrâneos e baixa rugosidade da tubulação; nos dois cenários
subseqüentes o aumento da população abastecida associado ao envelhecimento da tubulação e ao
gradual esgotamento dos mananciais subterrâneos, torna a operação da adutora mais complexa,
exigindo um sincronismo das unidades de captação de modo a atender as exigências de demanda de
Reservatório de
distribuição
Adutora T5 R Cidade
T4 abastecida
Poço
T1
B1
P1 T2 T3
B2
Casa de bombas
B4
B3
P Æ Poço P3
P2
B Æ Bomba
T Æ Tubo
R Æ Reservatório
http://tabnet.datasus.gov.br/cgi/idb2000/demog.htm
A vazão média de cada cenário foi estimada de acordo com o consumo médio per capita
adotado, e sua variação ao longo do dia considerou a curva de padrão de consumo diária
apresentada na Figura 2. Observa-se um consumo mais intenso no período entre 11:00h e 15:00h,
onde se espera que o consumo de água ultrapasse o consumo médio estimado em 20%. No período
entre 18:00h e 09:00, a Figura 2 indica um consumo abaixo do médio estimado, conforme
porcentagens visualizadas. A curva de padrão de consumo foi mantida para os três cenários de
demanda, assim como as propriedades da água captada, quais são: 1 – temperatura de 25°C; 2 –
massa específica de 997,29 kg/m³; 3 – viscosidade cinemática de 0,000000917 m/s².
Em todos os experimentos foi atribuído um único sistema tarifário horo-sazonal azul, cujas
tarifas estão descritas na Tabela 4, no entanto com contratos de demanda de energia diferenciados
entre os cenários (Tabela 5). As demais condições estabelecidas para os experimentos são: 1 – dia
útil em período seco; 2 – horizonte de operação (duração da simulação) de 24 horas; 3 – intervalos
de atuação de 20 minutos; 4 – início da simulação às 00:00h; 5 – nível inicial do reservatório de
distribuição de 4,00 m; 6 – bombas B1 e B2 iniciando ligadas; 7 – horário de ponta entre 17:30h e
20:30h; 8 – tolerância na ultrapassagem da demanda contratada de 10%.
05:00 - 09:00 50
100
09:00 - 11:00 100
80
11:00 - 15:00 120
60 15:00 - 18:00 100
40 18:00 - 20:00. 70
20 20:00 - 24:00 50
0 ∗ Consumo do período em relação
00:00 - 05:00 - 09:00 - 11:00 - 15:00 - 18:00 - 20:00 - ao consumo médio estimado
05:00 09:00 11:00 15:00 18:00 20:00. 24:00
Período do dia
1
0
Δt1 Δt2 ... ... Δtn 1
B1 1 0 1 0
... 0 1 0 1
Bm 1 1 1 1
...
...
1
0
1
A função objetivo a ser minimizada pelo algoritmo genético proposto é o custo de energia
elétrica pelo volume bombeado durante o período da simulação, conforme equação 1.
Custo
fo = (1)
Volume
Onde:
custo é o custo total de energia do horizonte de operação, composto pelo custo de consumo e
demanda de energia [R$];
Volume é o volume total entregue no reservatório de distribuição durante o horizonte de
operação [m³].
Devido ao elevado número de soluções inviáveis do espaço de busca do problema em estudo,
surge a necessidade de inserir na aptidão dos indivíduos também o conceito de viabilidade. Desse
modo, optou-se por ordenar os indivíduos de uma população não apenas pela sua função objetivo,
mas também pelo ponto de falha, que é o intervalo em que ocorre a violação da restrição, e pela
severidade da restrição violada, conforme graus de severidade indicados na Tabela 7.
Os indivíduos são ordenados da seguinte forma: primeiro os indivíduos viáveis são ordenados
de acordo com a sua função objetivo; para os indivíduos inviáveis é analisado inicialmente o ponto
de falha do cromossomo, ou seja, indivíduos com ponto de falha mais próximo do final do
cromossomo são considerados mais aptos. Se em uma comparação entre dois cromossomos o ponto
de falha recair na mesma posição o indivíduo que violou a restrição de menor severidade será o
mais apto, persistindo o empate será considerada a função objetivo no ordenamento.
Após ordenar os indivíduos, uma aptidão relativa à sua posição é atribuída utilizando o
método de classificação linear com uma pressão de seleção igual a 2, dada por:
P 1
P-1
2
...
3
4
Pai 1 Filho 1
0 1 1 1 1 0 1 1 0 1
1 1 1 1 1 1 1 1 1 1
0 1 0 0 1 0 1 1 0 1
Ponto de falha
Pai 2 Filho 2
1 1 1 0 1 1 1 1 1 1
0 0 1 1 1 0 0 1 1 1
1 0 1 0 1 1 0 0 0 1
Ponto de falha
Quando o ponto de falha mais prematuro dos cromossomos selecionados para reprodução
ocorre nos dois primeiros intervalos de tempo, o cruzamento direcionado é substituído pela mutação
direcionada seguida de um cruzamento tradicional. Nesse caso, a mutação direcionada inverte o
estado de 10% das bombas do primeiro intervalo de tempo. A mutação direcionada seguida de um
cruzamento tradicional também ocorre quando os pontos de falha dos dois cromossomos
selecionados para reprodução estiverem situados no mesmo intervalo de tempo, sendo aplicada duas
Após a aplicação dos operadores genéticos, uma nova população é gerada e o ciclo se repete
iterativamente até que um critério de parada seja satisfeito. Os critérios comumente utilizados para
indicar a convergência do algoritmo genético são critérios temporais, número de gerações, variações
desprezíveis entre os membros de uma mesma população e melhorias insignificantes entre o melhor
cromossomo de gerações subseqüentes. No presente trabalho foi adotado como critério de parada o
número máximo de 200 gerações.
Para cada cenário de demanda de água foram realizadas duas otimizações utilizando o
algoritmo genético desenvolvido e uma simulação da operação do sistema utilizando o conjunto de
regras. Em todos os cenários a otimização via AG proporcionou consideráveis reduções na função
objetivo (redução média de 10,12%), sendo obtidos resultados ligeiramente melhores no cenário 2,
como pode ser observado na Tabela 8.
A simulação baseada nas regras de operação não encontrou uma solução viável para o cenário
de alta demanda, pois a solução encontrada apresentou um ponto de falha de alta severidade (nível
do reservatório abaixo do limite mínimo) no intervalo de atuação 45 (às 14:40h). As soluções
obtidas pelo AG nas duas otimizações para esse cenário se mostraram viáveis e com uma redução
média no custo por volume bombeado de 9,52%.
Os detalhes de cada simulação são apresentados na Tabela 9, observa-se que no cenário de
XVI Simpósio Brasileiro de Recursos Hídricos 15
baixa demanda, tanto na operação via regras quanto nos resultados do AG, todas as bombas do
sistema permaneceram desligadas no período de ponta, e a demanda máxima no período fora de
ponta permaneceu sempre abaixo da demanda máxima contratada. Desse modo o custo relativo à
demanda de energia permaneceu constante em todos os resultados.
Demanda máxima
Custos de energia [R$] Produção
Cenários Operação [kW]
[m³]
Consumo Demanda Total Fora de ponta Ponta
Regras de operação 6,62 4,50 11,12 640,79 10,880 0,000
1 Algoritmo Otimização 1 7,42 4,50 11,92 763,75 10,942 0,000
genético Otimização 2 7,60 4,50 12,10 777,54 9,402 0,000
Regras de operação 13,30 7,92 21,22 1117,23 11,189 3,453
2 Algoritmo Otimização 1 14,17 6,85 21,02 1241,46 11,197 3,285
genético Otimização 2 14,37 6,79 21,16 1243,48 11,035 3,279
Regras de operação 28,38 20,62 49,00 1911,38 13,380 13,380
3 Algoritmo Otimização 1 28,04 16,47 44,51 1922,53 13,382 11,199
genético Otimização 2 28,19 16,47 44,66 1922,27 13,383 11,148
Resultado otimizações
0,027
0,026
0,025
0,024
0,023
Custo (R$/m³)
Resultado 1-1
0,022 Resultado 1-2
Resultado 2-1
0,021
Resultado 2-2
0,02 Resultado 3-1
Resultado 3-2
0,019
Resultado x-y
x: cenário
0,018
y: otimização
0,017
0,016
0,015
0 20 40 60 80 100 120 140 160 180 200
Gerações
4. CONCLUSÕES
BIBLIOGRAFIA
BARÁN, B.; LUCKEN, C.; SOTELO, A. (2005). “Multi-objective pump scheduling optimisation
using evolutionary strategies”. Advances in Engineering Software, v.36, pp. 39 –47.
BARBOSA, J. (2001). Simulação da operação de bombas em sistemas de abastecimento de água.
Dissertação de mestrado – Unidade Acadêmica de Engenharia Civil/Universidade Federal de
Campina Grande, Campina Grande, 110p.
BRASILEIRO, E. (2005). Um Algoritmo Genético para Otimização do Controle em Tempo Real de
Redes de Escoamento de Petróleo. Dissertação de mestrado, Departamento de Ciência da
Computação/Universidade Federal de Campina Grande, Campina Grande, 74p.
BOULOS, P.; WU, Z.; ORR, C.; MOORE, M.; HSIUNG, P.; THOMAS, D. (2001). “Optimal pump
operation of water distribution systems using genetic algorithms”. Proc of AWWA DSS
Conference – September. Disponível em: http://www.rbfconsulting.com/papers/genetic_algo.pdf
CARRIJO, I. (2004). Extração de regras operacionais ótimas de sistemas de distribuição de água
através de algoritmos genéticos multiobjetivo e aprendizado de máquina. Tese de Doutorado –
Escola de Engenharia de São Carlos da Universidade de São Paulo, São Paulo, 215p.
CAGEPA – Companhia de Água e Esgotos da Paraíba (2000). Relatório técnico, João Pessoa.
DACACH, M.T. (1979). Sistemas urbanos de água. 2ª edição, Livros técnicos e científicos editora,
Rio de Janeiro-RJ, 490 p.
GALVÃO, C.; BRASILEIRO, F.; SANTANA, C.; MACHADO, E.; BRASILEIRO, E.; CATÃO,
B.; GOMES, A.; LUCENA, K.; ALOISE, D. (2004) . “Sistema computacional para o
monitoramento e controle em tempo real de redes de escoamento” in Anais do III SEREA –
Seminário hispano-brasileño sobre planificación, proyecto y operación de redes de abastecimiento
de água, Valencia, pp. ST4-9 – ST4-16.
GOLDBERG, D.E. (1989). Genetic algorithm in search, optimization, in machine learning.
Addison - Wesley Publishing Company, Reading, Massachusetts, 403p.
GOMES, H.B. (2004). Sistemas de Abastecimento de Água. 2ª edição, Editora universitária - UFPB,
João Pessoa - PB, 242 p.
JOWITT, P.W.; GERMANOPOULOS, G. (1992). “Optimal Pump Scheduling in Water-Supply
Networks”. Journal of Water Resources Planning and Management, v.118, n.4, pp. 406 – 422.
LACERDA, E.; CARVALHO, A. (1999). “Introdução aos algoritmos genéticos”, in Sistemas
Iinteligentes: aplicações a recursos hídricos e ciências ambientais. Org. por Galvão, C. e Valença,
S., ABRH, ed. UFRGS, Porto Alegre – RS, pp. 99 – 150.
LEÓN, C.; MARTÍN, S.; ELENA, J.; LUQUE, J. (2000). “Explore – Hibrid expert system for
water networks management”. Journal of Water Resources Planning and Management, v.126, n.2,
pp. 65 – 74.
MACKLE G.; SAVIC, D.; WALTERS, G. (1995). “Application of genetic algorithms to pump
scheduling for water supply”, Genetic Algorithm in Engineering Systems: Innovations and
Applications, Conference publications n. 414, pp. 400 – 405.
MAYS, L.W.; YEOU-KOUNG, T. (1992). Hydrosystems Enginnering and Management . MC
Graw Hill. USA, 544p.
ORMSBEE, L.E.; LANSEY, K.E. (1994). “Optimal control of water supply pumping systems”.
XVI Simpósio Brasileiro de Recursos Hídricos 18
Journal of Water Resources Planning and Management, v. 120, n. 2, pp. 237 – 252.
PROCEL – Programa nacional de conservação da energia elétrica (2001). Manual de tarifação da
energia elétrica. 1ª edição, 44 p.
REIS, L.; AKUTSU, J. (2002). “Estratégias Operacionais para Sistemas de Reservatórios via
Algoritmo Genético(AGs)”. Revista Brasileira de Recursos Hídricos, v.7, n.3 , pp. 5 – 17.
SAVIC, D.; WALTERS, G. (1997). “Evolving sustainable water networks”. Hydrological Sciences
Journal des Sciences Hydrologiques, v.42, n.4, pp. 549 – 563.
SCHWAB M.; SAVIC, D.; WALTERS, G (1996). “Multi-Objective genetic algorithm for pump
scheduling in water supply systems”. Technical Report 96/02, Centre For Systems And Control
Engineering, School of Engineering, University of Exeter, Exeter, United Kingdom.
TSUTIYA, M.T. (2001). Redução do custo de energia elétrica em sistemas de abastecimento de
água. 1ª edição, ABES – Associação Brasileira de Engenharia Sanitária e Ambiental, São Paulo-SP,
185 p.
ZESSLER, U.; SHAMIR, U. (1989). “Optimal operation of water distribution systems”. Journal of
Water Resources Planning and Management, v.115, n.6, pp. 735 – 752