Augusto Cesar dos Santos

Algoritmo Evolutivo
Computacionalmente Eficiente
para Reconfigurao de
Sistemas de Distribuio

Tese de Doutorado apresentada Escola de

Engenharia de So Carlos da Universidade de
So Paulo como parte dos requisitos para
obteno do ttulo de Doutor em Engenharia
Eltrica.

Orientador: Newton G. Bretas

Co-orientador: Alexandre C. B. Delbem
So Carlos
2009

iv

Porque dele, e por meio dele, e para ele so

todas as coisas. A ele, pois, a glria eternamente.
Amm!
Romanos 11:36

Agradecimentos
Deus, motivo da minha existncia, de tudo o que fao e por quem tudo
fao. Porque Todas as coisas foram feitas por ele, e sem ele nada do que foi feito
se fez. (Joo 1:3).
minha esposa, Kelly Martins Salvatierra dos Santos, pelo apoio,
companheirismo, incentivo e por toda ajuda que me concedeu nesses longos anos.
Aos meus pais, Geraldo Clemente dos Santos e Teresa Ortega dos Santos,
que mesmo distncia, sempre apoiaram o trabalho e no mediram esforos para
conceder-me uma educao de qualidade.
Ao professor Alexandre Cludio Botazzo Delbem, pela competncia com que
me orientou no desenvolvimento desta tese e pelo tempo generosamente dedicado,
transmitindo-me os melhores e mais teis ensinamentos com pacincia, lucidez e
confiana, alm das crticas construtivas. Agradeo tambm pelo incentivo e
motivao pesquisa e pela reviso de inmeros textos cientficos.
Ao meu orientador, professor Newton Geraldo Bretas, pela viso acadmica
em geral e orientaes. Pelas crticas construtivas e reviso de artigos cientficos,
sempre sugerindo uma nova maneira de apresent-los. E por acreditar em mim no
desenvolvimento desta tese.
Ao CNPq (Conselho Nacional de Desenvolvimento Cientfico e Tecnolgico),
pelo auxlio financeiro concedido em forma de bolsa de estudos e taxa de bancada,
a qual foi muito til na aquisio de equipamentos utilizados no desenvolvimento do
trabalho e no financiamento de publicaes de artigos, alm de possibilitar
participaes em eventos cientficos.

vi

Aos colegas da rea Indstria, do Instituto Federal de Educao, Cincia e

Tecnologia do Tocantins (IF-TO), que supriram minha ausncia em sala de aula
durante o perodo necessrio para o desenvolvimento desta tese.
Aos amigos do LACO (Laboratrio de Anlise Computacional em Sistemas
Eltricos de Potncia) pelas constantes discusses construtivas e parceria em
publicaes originadas desta pesquisa.
Aos amigos conquistados durante esse pequeno tempo de trabalho em So
Carlos-SP.
Escola de Engenharia de So Carlos (EESC/USP) pela possibilidade de
utilizao de todo o espao fsico e apoio geral.

SUMRIO

Resumo .....................................................................................................................ix
Abstract.....................................................................................................................xi
Lista de Siglas e Abreviaturas ..............................................................................xiii
Lista de Figuras.......................................................................................................xv
Lista de Tabelas .....................................................................................................xix
1

Introduo..........................................................................................................1
1.1 Apresentao do Problema.........................................................................4
1.2 Objetivos .....................................................................................................9
1.3 Organizao do Documento......................................................................10

Reviso da Literatura......................................................................................13
2.1 Restabelecimento em Contingncia..........................................................14
2.2 Reduo de Perdas...................................................................................32
2.3 Outras Aplicaes de Reconfigurao de Redes ......................................39

O Problema de Reconfigurao .....................................................................45

Representao N-Profundidade...................................................................55
4.1 Fundamentos da RNP...............................................................................55
4.2 Operadores da RNP..................................................................................57
4.2.1 Operador 1 .....................................................................................58
4.2.2 Operador 2 .....................................................................................61
4.3 Localizando um n na RNP de uma floresta .............................................63
4.4 Determinao dos ns p, r e a ..................................................................64

Avaliao Eficiente das Solues..................................................................67

5.1 Fluxo de Carga..........................................................................................67
5.1.1 Mtodos de soma de potncia........................................................69
5.1.2 Extenso da RNP para fluxo de carga ...........................................71
5.1.3 Varredura direta/inversa com RNP.................................................75
5.1.4 Exemplo de aplicao do fluxo de carga proposto .........................78
5.2 Clculo do nmero de manobras ..............................................................80

Algoritmos Evolutivos ....................................................................................89

6.1 Conceitos Bsicos.....................................................................................92
6.2 Elitist Non-Dominated Sorting Genetic Algorithm......................................94
6.2.1 Mtodo de ordenao rpida por no dominncia .........................95
6.2.2 Preservao da diversidade ...........................................................96
6.2.3 Operador comparao....................................................................97
6.2.4 Algoritmo principal e complexidade computacional ........................97
6.3 Strength Pareto Evolutionary Algorithm ....................................................99
6.3.1 Mtodo de atribuio de fitness....................................................100

viii

6.3.2 Seleo e truncamento ................................................................ 101

6.3.3 Algoritmo principal e complexidade computacional ..................... 102
6.4 Algoritmo Evolutivo Multi-objetivo Proposto............................................ 104
6.4.1 Algoritmo Evolutivo Multi-objetivo em Tabela .............................. 105
6.4.2 Algoritmo principal do AEMT........................................................ 107
7

Resultados Experimentais ........................................................................... 109

7.1
7.2
7.3
7.4
7.5
7.6
7.7
7.8

Diversas formas de utilizao dos Operadores da RNP......................... 111

Modelagem mono-objetivo para falta nica ............................................ 112
Modelagem mono-objetivo para mltiplas faltas..................................... 116
Modelagem multi-objetivo para falta nica ............................................. 118
Modelagem multi-objetivo para mltiplas faltas ...................................... 122
Resultados com sistemas construdos a partir do SDR-SC.................... 126
Testes com o SDR da Taiwan Power Company..................................... 129
AEMT com modelos de corrente constante e potncia constante para o
fluxo de carga ......................................................................................... 132
7.8.1 Desempenho do AEMT com FMCC e FMPC............................... 133
7.9 Comparao do AEMT com outros AEs Multiobjetivos .......................... 135
8

Concluses ................................................................................................... 141

Publicaes Originadas desta Pesquisa .................................................... 145

10

Referncias Bibliogrficas........................................................................... 147

Apndice A ............................................................................................................ 165

ix

Resumo
SANTOS, A. C., Algoritmo Evolutivo Computacionalmente Eficiente para
Reconfigurao de Sistemas de Distribuio. So Carlos, 2009, 186p. Tese de
doutorado Escola de Engenharia de So Carlos, Universidade de So Paulo.

O restabelecimento de energia em sistemas de distribuio de energia

eltrica radiais geralmente envolve a reconfigurao de redes para restaurar
eletricidade (s) rea(s) fora de servio. As principais tcnicas para restabelecimento
de energia em sistemas de distribuio de grande porte tm sido os Algoritmos
Evolutivos (AEs). Aps a falta ter sido identificada e a zona em falta ter sido isolada
do sistema, o algoritmo deve encontrar solues em que: 1) supra com energia o
maior nmero de consumidores possvel, 2) minimize o nmero de operaes de
chaveamentos, 3) no viole restries operacionais do sistema, 4) reduza o total de
perdas resistivas, 5) a configurao da rede seja radial e, 6) obtenha tal soluo em
tempo real. Este projeto emprega uma nova estrutura de dados para manipular
grafos produzindo exclusivamente configuraes radiais e conexas, chamada
Representao N-Profundidade (RNP), garantindo que todas as solues
potenciais geradas pelo algoritmo satisfaam os itens (1) e (5). Alm disso, propese um AE utilizando a RNP capaz de encontrar planos de restabelecimento
adequados para sistemas de distribuio de larga-escala, com milhares de chaves e
barras, em tempo real.
Palavras Chave: Algoritmos Evolutivos, Representao N-profundidade,
Restabelecimento de Energia, Sistema de Distribuio de grande porte.

xi

Abstract
SANTOS, A. C., Evolutionary Algorithm Computationally Efficient for Distribution
System Reconfiguration. Sao Carlos, 2009, 186p. Thesis of doctorate Engineering
School of Sao Carlos, University of Sao Paulo.

Energy Restoration in radial distribution systems usually involves the network

reconfiguration to restore the electricity to the out-of-service areas.

The main

approaches for energy restoration in large-scale distribution systems have been the
Evolutionary Algorithms (EAs). After a fault has been identified and isolated, the
algorithm must find solutions that: 1) supply energy to the larger number of
consumers, 2) reduce the number of switching operations, 3) respect operational
constraints of the system, 4) reduce the amount of power losses, 5) generate
exclusively radial configurations and 6) find solutions in real time. This work uses a
new data structure, called Node-Depth Encoding (NDE), to manipulate graphs
producing exclusively radial and connected configurations, and guaranteeing that all
potential solutions generated by the algorithm satisfy items (1) and (5). Moreover, we
propose an EA using the NDE that is capable of finding adequate restoration plans in
real time for large-scale distribution systems, with thousands of switches and buses.

Keywords: Energy Restoration, Evolutionary Algorithms, Large-scale distribution

systems, Node-depth Encoding.

xiii

Lista de Siglas e Abreviaturas

ACF

Algoritmo de busca baseado em Colnias de Formigas

AE

Algoritmo Evolutivo

AEMT

Algoritmo Evolutivo Multi-objetivo em Tabela

AG

Algoritmo Gentico

BT

Busca Tabu

BTR

Busca Tabu Reativa

EDA

Estimations of Distributions Algorithms

EDHI

Evoluo Diferencial Hbrida Inteiro-mista

FMCC

Fluxo de carga Modelo Corrente Constante para soma de corrente

FMPC

Fluxo de carga Modelo Potncia Constante para soma de potncia

GRASP Greedy Randomized Adaptive Search Procedure

IA

Inteligncia Artificial

MPF

Modelo Pai-Filho

NA

Normalmente Aberta

NF

Normalmente Fechada

NSGA

Nondominated Sorting Genetic Algorithm

PGSA

Plant Growth Simulation Algorithm

PM

Programao matemtica

PSO

Otimizao por enxames de partculas

RNP

Representao N-Profundidade

SA

Simulated Annealing

SDR

Sistema de Distribuio Radial

SDR-SC Sistema de Distribuio da cidade de So Carlos

xiv

SE

Subestao

SEP

Sistema Eltrico de Potncia

SPEA

Strength Pareto Evolutionary Algorithm

TPC

Taiwan Power Company

xv

Lista de Figuras

Figura 1.1 Sistema eltrico de potncia, onde G um gerador, SD um

dispositivo de manobra e TR transformador. ...................................................3
Figura 1.2 Representao de um sistema de distribuio, onde SB um
barramento na subestao, TR um transformador e S uma chave
seccionadora.......................................................................................................4
Figura 3.1 Exemplo de um grafo. ...........................................................................45
Figura 3.2 Sistema de Distribuio com 4 alimentadores. .....................................47
Figura 3.3 Sistema de Distribuio em falta. ..........................................................48
Figura 3.4 Setores a jusante do setor em falta desconectados do SDR. ...............48
Figura 3.5 Nova configurao. ...............................................................................49
Figura 4.1 SDR com trs alimentadores. Grafo com trs arvores. .........................56
Figura 4.2 RNP para as 3 rvores da Figura 4.1....................................................56
Figura 4.3 Tde, Tpara e suas respectivas RNPs........................................................60
Figura 4.4 Ttmp e sua RNP......................................................................................60
Figura 4.5 Tde e sua RNP. .....................................................................................60
Figura 4.6 Tpara e sua RNP. ...................................................................................61
Figura 4.7 Tde e sua RNP. ......................................................................................62
Figura 4.8 Subrvores enraizadas nos ns do caminho de r a p. ..........................62
Figura 4.9 RNP da subrvore podada....................................................................62
Figura 4.10 rvore Tpara e sua RNP.......................................................................63
Figura 5.1 SDR com dois alimentadores. ...............................................................71
Figura 5.2 Agrupamento das linhas e barras em setores.......................................72
Figura 5.3 Grafo representando setores do SDR da Figura 5.2. ............................72
Figura 5.4 Operaes necessrias para isolar o setor em falta. ............................81
Figura 5.5 Clculo das manobras: configurao inicial. .........................................84

xvi

Figura 5.6 Clculo das manobras: configurao 1................................................. 85

Figura 5.7 Clculo das manobras: configurao 2................................................. 85
Figura 5.8 Clculo das manobras: configurao 3................................................. 86
Figura 6.1 Opes de compra de um automvel envolvendo custo e conforto. .... 93
Figura 6.2 Clculo da crowding distance. .............................................................. 96
Figura 6.3 Esquema do modelo NSGA-II apresentado em [48]............................. 99
Figura 7.1 Perdas de potencia obtidas usando os Operadores 1 e 2
separadamente, seleo aleatria e ajuste dinmico de probabilidade de
seleo de cada Operador. ............................................................................ 112
Figura 7.2 Destaque do alimentador 23 do SDR-SC. .......................................... 115
Figura 7.3 Alimentador 6 do SDR-SC. ................................................................. 117
Figura 7.4 Alimentador 22 do SDR-SC. ............................................................... 117
Figura 7.5 Falta nica, perdas totais.................................................................... 120
Figura 7.6 Falta nica, menor tenso. ................................................................. 120
Figura 7.7 Falta nica, carregamento da rede. .................................................... 120
Figura 7.8 Falta nica, carregamento das subestaes. ..................................... 120
Figura 7.9 Falta nica, nmero de chaveamentos............................................... 120
Figura 7.10 Falta nica, funo agregao.......................................................... 120
Figura 7.11 Mltiplas faltas, perdas totais............................................................ 123
Figura 7.12 Mltiplas faltas, menor tenso. ......................................................... 123
Figura 7.13 Mltiplas faltas, carregamento da rede............................................. 123
Figura 7.14 Mltiplas faltas, carregamento das subestaes. ............................. 123
Figura 7.15 Mltiplas faltas, nmero de chaveamentos....................................... 123
Figura 7.16 Mltiplas faltas, funo agregao. .................................................. 123
Figura 7.17 Subpopulao, perdas totais. ........................................................... 124
Figura 7.18 Subpopulao, menor tenso. .......................................................... 124
Figura 7.19. Subpopulao, carregamento da rede............................................. 124
Figura 7.20 Subpopulao, carregamento das subestaes. .............................. 124

xvii

Figura 7.21 Resultados indicando tempo de processamento sublinear para o

AEMT..............................................................................................................127
Figura 7.22 Topologia Inicial do SDR da Taiwan Power Company. .....................130
Figura 7.23 Fronteiras de Pareto encontradas pelo NSGA-II nas iteraes 1 e
150..................................................................................................................137
Figura 7.24 Fronteiras de Pareto encontradas pelo SPEA2 nas iteraes 1 e
150..................................................................................................................137
Figura 7.25 Solues encontradas pelo AEMT. ...................................................138
Figura 7.26 Comparao das melhores fronteiras obtidas pelo AEMT, NSGAII e SPEA2. .....................................................................................................138

xix

Lista de Tabelas

Tabela 4.1 Lista de adjacncia para os ns do grafo da Figura 4.1. ......................58

Tabela 5.1 rvores dos setores com o n adicional...............................................74
Tabela 5.2 RNPs dos setores mostrados na Tabela 5.1. .......................................75
Tabela 5.3 Manobras de chaves: Caso 1. ..............................................................82
Tabela 5.4 Manobras de chaves: Caso 2. ..............................................................82
Tabela 5.5 Manobras de chaves: Caso 3. ..............................................................83
Tabela 7.1 Mdia de perdas de potncia nas solues obtidas de 15
execues do AEMT para falta nica. ............................................................111
Tabela 7.2 Mdia de 15 execues do AE com RNP com modelagem monoobjetivo para falta nica. .................................................................................115
Tabela 7.3 Mdia de 15 execues do AE com RNP com modelagem monoobjetivo para mltiplas faltas...........................................................................118
Tabela 7.4 Mdia de 15 execues do AEMT para falta nica. ...........................122
Tabela 7.5 Mdia de 15 execues do AEMT para mltiplas faltas. ....................125
Tabela 7.6 Dados dos Sistemas construdos a partir do SDR-SC (Sistema 1). ...126
Tabela 7.7 Mdia de Resultados de 30 execues do AEMT. .............................128
Tabela 7.8 Tempo de processamento dos mtodos que utilizam o SDR da
TPC.................................................................................................................132
Tabela 7.9 Resultados mdios de 30 execues utilizando o FMCC e o
FMPC..............................................................................................................134
Tabela 7.10 Menor tenso no alimentador de acordo com o modelo de carga....134

1 Introduo
Nas ltimas dcadas, Sistemas Eltricos de Potncia (SEP) tornaram-se
mais complexos. Em um SEP, existem centenas de componentes: geradores,
transformadores, linhas de transmisso, equipamentos de proteo e controle, etc.
Alm do aumento em escala dos SEP, a utilizao crescente de cargas envolvendo
eletrnica de potncia e controladores baseados nessa tecnologia, bem como a
ampliao dos sistemas de co-gerao so caractersticas que tornam a operao
dos SEP mais complexa. Nesse contexto, o desenvolvimento de ferramentas
computacionais de auxlio operao tem crescido, tornando-se cada vez mais
importante.
Esta pesquisa foca na elaborao de uma ferramenta de reconfigurao
para auxiliar a operao de sistemas de distribuio de energia. O desenvolvimento
de ferramentas computacionais para SEP de larga-escala relativamente complexo,
uma vez que esses sistemas possuem um nmero relativamente alto de
componentes interligados de forma esparsa, gerando o que tem sido chamado na
literatura de redes complexas [1-3].
A Figura 1.1 apresenta um SEP destacando-se suas trs partes principais:
gerao, transmisso e distribuio. A seguir, destacam-se caractersticas
qualitativas e quantitativas que diferenciam as partes de um SEP:

Gerao, composta pelas usinas, tem a funo de converter energia de

alguma fonte em eletricidade. A tenso , em geral, em torno de 13,8kV.
A segunda maior hidreltrica do mundo em potncia instalada a Usina
de Itaipu com 14.000MW divididas em 20 unidades geradoras de
aproximadamente 700MW cada. As 10 unidades de 60Hz que atendem o
Brasil, tem tenso nominal de 18kV;

Transmisso, composta basicamente por linhas de transmisso,

responsvel por transportar a energia dos pontos de gerao aos pontos
de consumo. A tenso nesses sistemas variam, geralmente, de 69kV a
750kV. O sistema de transmisso de Itaipu dividido em 2 grupos: o de
corrente alternada que recebe a energia em 60Hz e eleva para 750kV
com 3 linhas de transmisso; e o de corrente contnua, que recebe a
energia em 50Hz, sua tenso convertida atravs de retificadores para
aproximadamente 600kV em corrente contnua e transmitida por duas
linhas at Ibina-SP, onde convertida para 60Hz, interligando-se ao
sistema do Sudeste;

Distribuio, composta basicamente por subestaes abaixadoras e

linhas de distribuio, responsvel por distribuir a energia eltrica
recebida do sistema de transmisso aos centros consumidores, que
geralmente utilizam 13,8kV. Como exemplo de um sistema de
distribuio tpico, pode-se citar o da cidade de Natal-RN, composto por 7
subestaes, 48 alimentadores em 13,8kV que atende 220.197
consumidores.

Gerao

SD

SD

Distribuio
SD

Transmisso
G

TR

TR
SD

SD

SD

TR

Figura 1.1 Sistema eltrico de potncia, onde G um gerador, SD um dispositivo de

manobra e TR transformador.

Um Sistema de Distribuio, por sua vez, pode ser subdividido em duas

partes principais:
Sistema de Distribuio Primria: tambm conhecido como distribuio
de mdia tenso, operam geralmente em redes radiais areas na tenso
de 13,8kV. Tem a possibilidade de transferncia de blocos de cargas
entre circuitos para o atendimento da operao em condies de
contingncia ou para manuteno preventiva e/ou corretiva. Essas redes
atendem aos consumidores primrios (indstrias de mdio porte,
conjuntos comerciais, grandes hospitais, shopping centers, instalaes
de iluminao pblica, etc.) e aos transformadores de distribuio, que
por sua vez, suprem as redes secundrias ou de baixa tenso;
Sistema de Distribuio Secundria: tambm conhecido como
distribuio de baixa tenso, geralmente operam com tenses 220/127V
ou 380/220V. Suprem consumidores de baixa tenso, pequenos
comrcios e indstrias e, principalmente, os consumidores residenciais.
Essa parte do sistema de distribuio usualmente no conta com recurso
para o atendimento de contingncias.

A Figura 1.2 ilustra um Sistema de Distribuio subdividido em rede primria

e secundria. Neste trabalho o foco principal est voltado para as redes primrias de
distribuio.

13,8kV
S

Rede Primria
SB

S
TR

S
S

220/127V

Rede Secundria
Figura 1.2 Representao de um sistema de distribuio, onde SB um barramento na
subestao, TR um transformador e S uma chave seccionadora.

1.1 Apresentao do Problema

A busca pelo fornecimento de energia eltrica com qualidade aos
consumidores tem sido um alvo constante das concessionrias de energia eltrica e
um dos focos da Agncia Nacional de Energia Eltrica. De acordo com Cipoli em [4],
essa qualidade pode ser avaliada pelos seguintes itens:
Continuidade do fornecimento;
Nvel de tenso;
Oscilaes rpidas de tenso;
Desequilbrio da tenso;
Distores harmnicas da tenso;
Nvel de interferncia em sistemas de comunicaes.

Por questes de custos de investimentos e operao, as redes de

distribuio primrias operam em geral com configuraes radiais [5], ou seja, sem a
formao de malhas (ver Figura 1.2). Assim, em redes radiais, os ns de carga
recebem energia de um nico n a jusante do mesmo, simplificando a operao e
proteo das redes eltricas. Por outro lado, a utilizao de redes radiais diminui a
confiabilidade do sistema em relao continuidade do fornecimento de energia.
As interrupes so inevitveis, seja em conseqncia de defeitos que
fatalmente ocorrem na rede (manuteno corretiva), seja para a execuo de
servios de manuteno preventiva. Assim, o agrupamento de vrios pontos de
cargas em blocos separados por chaves que operam no estado Normalmente Aberto
(NA) e Normalmente Fechado (NF) foi uma soluo encontrada para melhorar a
confiabilidade do sistema sem incorrer em gastos excessivos. Desta forma, a
operao de chaves permite a troca de carga entre circuitos em caso de interrupo
em algum ponto da rede. Nessas situaes, deve-se dispor de um plano para
restabelecimento de energia (verificar conceito de restabelecimento no Captulo 3),
que consiste em determinar um conjunto de manobras de chaves, para que essas
interrupes restrinjam-se menor parte possvel da rede. Um algoritmo de
reconfigurao de redes de distribuio pode ser utilizado em diversos problemas da
operao do sistema, sendo uma ferramenta importante na automao da
distribuio. Em condies normais de operao, pode-se utilizar a reconfigurao
de redes, atravs da manobra de chaves NA e NF, para reduzir as perdas totais por
efeito Joule [6, 7] e/ou para o balanceamento de carga entre os alimentadores [8, 9],
aliviando os alimentadores que esto com carregamento crtico. Assim, opera-se a
rede tambm para a reduo de queda de tenso [10] e para aliviar trechos da rede
com sobrecarga [11] (corrente eltrica com nveis acima do suportado pelos cabos).

A reconfigurao de redes tambm pode ser aplicada na ocorrncia de

contingncias [12-14], sendo o foco principal desta pesquisa. Nesse caso,
necessrio determinar quais chaves NF devero ser abertas, a fim de isolar trechos
da rede com defeito. Para minimizar a quantidade de cargas fora de servio, existe a
possibilidade de conectar a outros alimentadores trechos da rede que se encontram
a jusante da falta atravs do fechamento de chaves NA. Cargas fora de servio
correspondem aos consumidores que ficaram sem energia aps o setor1 em falta ter
sido isolado, sendo que nem sempre possvel a conexo dessas cargas a outros
alimentadores. Esse procedimento mais complexo e ser discutido adiante. Com o
mesmo objetivo de isolar reas em contingncia, esse tipo de reconfigurao pode
ser utilizado tambm para manuteno preventiva da rede.
Outra aplicao da reconfigurao de redes ocorre no planejamento de
Sistemas de Distribuio. Com o crescimento populacional nas zonas urbanas nas
ltimas dcadas, o consumo de energia eltrica tem aumentado significativamente,
sendo necessrio expandir as redes de distribuio. Essa expanso pode ser
realizada de maneira planejada, definindo a topologia em que a rede ir operar no
futuro, geralmente dentro de um horizonte de 5 a 10 anos [15].
Um plano genrico adequado de reconfigurao de redes pode envolver as
seguintes necessidades prticas:

1.

Encontrar um plano em um curto intervalo de tempo (em tempo real);

2.

Minimizar o nmero de manobras;

3.

Reduzir o nmero de consumidores interrompidos;

4.

Nenhum componente sobrecarregado;

Um setor corresponde a um conjunto de barras e linhas sem a presena de chaves seccionadoras.

Neste trabalho, ser utilizada a palavra setor no lugar de diversos sinnimos utilizados por outros
autores (zona, seo, etc.) sempre que tiver o mesmo significado.

5.

Manter a estrutura radial do sistema;

6.

Reduzir o total de perdas de potncia;

7.

Reduzir quedas de tenso.

Dependendo da necessidade da companhia de energia eltrica, outros

objetivos podem ser considerados. Com base nesses objetivos e restries, pode-se
verificar que a reconfigurao da rede de energia um problema com mltiplas
restries e mltiplos objetivos, sendo alguns deles conflitantes.
Diversos mtodos tm sido utilizados para resolver problemas de
reconfigurao de redes de distribuio de energia eltrica. Os mesmos podem ser
divididos em dois grandes grupos: os de Programao Matemtica (PM) e os
baseados em heursticas.
Dentre os mtodos de PM, destacam-se a programao inteira mista [16-19],
a programao no-linear [20], a programao dinmica [21, 22] e a programao
linear [23]. Os mtodos matemticos utilizados em PM representam explicitamente
as principais restries: leis de Kirchhoff, capacidade dos cabos e equipamentos,
queda de tenso, etc. Porm, a aplicao de PM est limitada a problemas de
pequeno porte. Devido a grande quantidade de variveis envolvidas na modelagem
matemtica por PM de problemas de reconfigurao de redes de distribuio de
mdio e grande portes, o problema torna-se computacionalmente intratvel, mesmo
para redes que no sejam grandes. Deve-se lembrar que esse problema
combinatorial no nmero de chaves 2 do sistema, isso significa que o nmero de
solues possveis aumenta exponencialmente com o nmero de chaves.
Por essas razes, algoritmos baseados em heursticas tm sido sugeridos
como alternativas para resolver o problema de reconfigurao. Os mesmos no
2

Mais especificamente, o nmero de solues potenciais para o problema dado pelo nmero de
chaves NA (nNA) vezes o nmero de chaves NF (nNF) para 1 par de manobras. Para k pares, ter-sek
iam (nNA x nNF) potenciais solues para serem investigadas por um algoritmo de busca exaustiva.

garantem que a soluo encontrada seja tima, mas permitem a determinao de

solues adequadas ou quase timas.
Um mtodo pode ser chamado de heurstico quando no h conhecimentos
matemticos completos sobre seu comportamento ou utiliza conhecimento e
experincia de especialistas na construo do algoritmo. Seu objetivo resolver
problemas complexos utilizando uma quantidade no muito grande de recursos,
especialmente no que diz respeito ao consumo de tempo para encontrar solues
com qualidade. Algoritmos heursticos geralmente so utilizados para resolver
problemas onde no so conhecidos mtodos exatos eficientes que ofeream
garantias de encontrar a soluo tima.
Ao longo dos anos, diversas pesquisas tm sido realizadas para aumento do
desempenho de mtodos heursticos em problemas combinatoriais. Vrios desses
mtodos so metaheursticas, algoritmos baseados em um conjunto de conceitos
heursticos que definem um mtodo aplicvel a um extenso conjunto de diferentes
problemas [24]. Alguns exemplos de metaheurstica so: branch exchange [25, 26],
Simulated Annealing (SA) [27], Busca Tabu (BT) [28, 29], Sistemas Especialistas
[30], Algoritmos Evolutivos (AE) [31-36], Algoritmos baseados em Colnias de
Formigas (ACF) [37], otimizao por enxame de partculas (PSO) [38, 39], busca em
vizinhana varivel (VNS) [40-42], Greedy Randomized Adaptive Search Procedure
(GRASP) [43], busca dispersa [44, 45],

Estimations of Distributions Algorithms

(EDAs) [46, 47], etc. Dentre esses, os AEs tm sido a metaheurstica mais explorada
para o problema de reconfigurao de sistemas de distribuio. Alm disso,
possuem um suporte relevante da literatura em problemas multiobjetivos [34, 48-50].

1.2 Objetivos
O objetivo principal deste trabalho desenvolver um AE eficiente para
resolver problemas de reconfigurao de redes de distribuio de energia eltrica de
grande porte. Os seguintes problemas so considerados: (i) restabelecimento de
energia, aps a ocorrncia de uma falta, ao maior nmero de consumidores possvel
(ou seja, isolar a rea em falta e interligar setores a jusante do local em falta a outros
alimentadores); (ii) encontrar configuraes que minimizem a quantidade de chaves
manobradas, a queda de tenso, o carregamento da rede, o carregamento das
subestaes e o total de perdas de potncia. Mesmo no restabelecimento de energia
s reas desenergizadas, buscar-se- configuraes que tambm reduzam o total
de perdas de potncia e o nmero de chaves alteradas, uma vez que o nmero de
chaves a ser alteradas influencia no tempo de restabelecimento de energia, pois a
maioria das chaves alterada manualmente pelos operadores.
Ao se utilizar sistemas de distribuio de grande porte, as possibilidades de
novas configuraes aumentam consideravelmente comparadas com sistemas de
pequeno e mdio porte. A maior quantidade de planos alternativos investigados
possibilita encontrar melhores solues. Ao se considerar mais pontos de cargas,
obtm-se solues que correspondem a um fluxo de carga mais prximo do real
para uma dada configurao. Assim, uma metodologia capaz de lidar com redes
completas tende a melhorar a qualidade dos planos de restabelecimento
encontrados para redes de grande porte. Para isso, preciso o desenvolvimento de
um AE capaz de lidar eficientemente com problemas de reconfigurao de grandes
redes envolvendo mltiplos objetivos.
A estratgia para obter um AE eficiente a utilizao de uma estrutura de
dados especial para manipulao e armazenamento de um conjunto de rvores

10

geradoras de grafos. Esta estrutura chamada de Representao N-Profundidade

(RNP) [51]. Com base nessa estrutura de dados, um AE multiobjetivo baseado no
mtodo em Tabela (ver Seo 6.4.1) proposto, que utilizando a RNP produz
exclusivamente configuraes radiais em que todos os consumidores possveis so
atendidos aps a rea em falta ter sido isolada do sistema, isto , sem a presena
de malhas em um mesmo alimentador ou entre alimentadores diferentes. Por essas
razes, o AE desenvolvido chamado de AE Multi-objetivo em Tabela (AEMT).
O AEMT requer tempo de processamento e quantidade de memria RAM
consideravelmente menores. Com isso, a metodologia proposta tem mostrado ser
uma alternativa eficiente para problemas de projeto de grandes redes [51-54] e
tambm adequada para problemas que requerem solues em tempo real.

1.3 Organizao do Documento

O presente Captulo apresentou uma introduo SEP, especificando o
problema reconfigurao de redes de distribuio para restabelecimento de
energia e reduo de perdas de potncia e especificou os objetivos da pesquisa.
O Captulo 2 descreve os principais trabalhos publicados nas ltimas
dcadas abordando problemas de reconfigurao de redes para restabelecimento
de energia aps contingncias, reduo de perdas de potncia e outras aplicaes.
O Captulo 3 apresenta inicialmente conceitos de grafos, pois um sistema de
distribuio radial pode ser visto como uma floresta geradora em que cada
alimentador corresponde a uma rvore dessa floresta. Posteriormente, o Captulo
apresenta especificamente o problema de restabelecimento, por fim, a formulao
matemtica do problema.

11

O Captulo 4 apresenta a RNP e dois Operadores para manipulao dessa

representao utilizada pelo AEMT para construo de novas configuraes para
uma rede eltrica.
O Captulo 5 mostra como cada configurao gerada pelos Operadores da
RNP avaliada. Detalhes do fluxo de carga utilizado para esse fim tambm so
apresentados, bem como um mtodo para determinar de forma eficiente o nmero
de manobras realizadas para se obter uma dada configurao.
O Captulo 6 introduz os conceitos principais envolvendo AEs multiobjetivos,
destacando-se o NSGA-II e o SPEA2. Em seguida, a proposta do AE multiobjetivo
empregado descrita.
O Captulo 7 apresenta os resultados experimentais para um SDR real de
grande porte. Testes so realizados considerando modelos com um nico objetivo e
situaes com falta nica, at modelos com mltiplos objetivos e ocorrncia de
mltiplas faltas. Comparaes com outros mtodos tambm so realizadas nesse
Captulo. Testes com sistemas maiores (dezenas de milhares de chaves e barras)
tambm so realizados para verificar o comportamento do mtodo com o aumento
da escala dos sistemas.
O Captulo 8 apresenta as concluses do trabalho e perspectivas futuras.

13

2 Reviso da Literatura
Existem diversas aplicaes para problemas envolvendo reconfigurao de
redes

para

sistemas

de

distribuio,

dentre

as

quais

se

destacam:

i) restabelecimento de energia aps a ocorrncia de uma contingncia; ii) reduo

de perdas potncia nas linhas; iii) planejamento de sistemas; iv) fluxo de carga; v)
balanceamento de carga; vi) balanceamento de fases. Esse Captulo revisa os
principais trabalhos publicados sobre o problema de reconfigurao de redes de
distribuio de energia eltrica com principal ateno para os de restabelecimento
que envolvem o objetivo adicional relativo ao nmero de chaveamentos e a restrio
de tempo de computao, que tornam o problema de reconfigurao mais complexo.
Os

trabalhos

englobam

os

seguintes

problemas

de

reconfigurao:

Restabelecimento em Contingncia (Seo 2.1); Reduo de Perdas (Seo 2.2) e

Outras Aplicaes de Reconfigurao de Redes (Seo 2.3). Em cada Seo, os
artigos so apresentados em ordem cronolgica de publicao. Informaes como
tempo de processamento, linguagem computacional e ambiente utilizado na
programao so apresentados sempre que a fonte possuir esses dados, uma vez
que

esses

so

relevantes

para

desenvolvimento

de

uma

tcnica

computacionalmente eficiente para reconfigurao de redes de larga-escala, foco

desta pesquisa.

14

2.1 Restabelecimento em Contingncia

Desde a dcada de 80 que vrios trabalhos tm sido publicados sobre o
problema de restabelecimento de energia para sistemas de distribuio aps a
ocorrncia de uma falta. A maioria das publicaes nesse tema envolve sistemas
especialistas ou processos de busca heurstica [55]. A anlise dos trabalhos relativos
a restabelecimento em contingncia apresentada aqui busca observar os seguintes
critrios para construo de uma viso crtica dos mesmos:
1. Caractersticas da rede utilizada nos testes: dimenso, real,
simplificada, de pequeno ou grande porte, etc.;
2. Tempo de processamento requerido pela tcnica de reconfigurao;
3. Estratgias para lidar com problemas multi-objetivos;
4. Procedimento para gerao e avaliao das solues, bem como as
rotinas para detectar e corrigir infactibilidades3;
5. Capacidade de lidar com mltiplas faltas;
6. Restries eltricas e operacionais consideradas na modelagem do
problema de reconfigurao.
Em 1996, Curcic et al. [56] publicaram um trabalho onde artigos de
restabelecimento de energia em sistemas de distribuio publicados entre 1987 e
1994 foram analisados. Nesse artigo, problemas de restabelecimento de energia em
Sistemas de Distribuio Radiais (SDRs) foram revisados, no qual os objetivos e
restries comuns a vrios trabalhos so apresentados pelos autores. A importncia
de processamento rpido evidenciada nesse artigo, que investiga tambm as
vantagens e desvantagens em utilizar uma topologia de rede radial. Foram
analisados 19 artigos sendo classificados segundo a tcnica utilizada: 7 deles
3

Aspectos que tornam uma configurao (soluo) infactvel.

15

utilizaram sistemas inteligentes [57-63], outros 7 utilizaram busca heurstica [64-70],

2 utilizaram o mtodo do gradiente efetivo dual [71, 72], 2 BT e caminho mnimo [73,
74], finalmente, 1 utilizou programao inteira binria juntamente com a tcnica
branch & bound [75]. Foram explorados tambm os tipos de faltas possveis para
sistemas de distribuio: nas linhas, nas barras e nos transformadores. Faltas
ocorridas nos sistemas de proteo dos transformadores foram consideradas, pelos
autores, como faltas nos prprios transformadores. Outra diviso para os 19 artigos
est no nvel de tenso utilizado nos testes, classificado pelos autores em: baixa
tenso (de 110V/220V), mdia tenso (de 5kV a 30kV), alta tenso (de 33kV a
220kV). Dentre os 19 artigos analisados, somente 3 consideram em seus planos de
restabelecimento prioridades para consumidores especiais (hospitais, centros de
transfuso de sangue, grandes supermercados, etc.). Este artigo no apresenta os
dados necessrios para anlise segundo os critrios estabelecidos no incio desta
Seo.
No mesmo ano, Fukuyama et al. [76] desenvolveram um Algoritmo Gentico
(AG) paralelo para resolver problemas de restabelecimento de energia em SDRs.
Esse AG foi considerado pelos autores uma ferramenta apropriada para aplicaes
prticas envolvendo um balanceamento entre o tempo de processamento e o custo
de hardware. O problema formulado de forma a minimizar a rea fora de servio e
balancear o suprimento de cargas entre as subestaes aps uma falta ter sido
identificada e isolada. Nesse trabalho o comprimento de uma string (representao
de uma soluo em um AG, ver Captulo 6) igual ao nmero de cargas da rede e,
cada posio na string representa uma carga a jusante ou uma fonte de potncia da
carga de cada posio. O trabalho utiliza os operadores convencionais de um AG,
cruzamento e mutao (ver Captulo 6), alm de uma rotina para verificar

16

infactibilidades a cada vez que o operador cruzamento aplicado. O modelo de

injeo de corrente constante utilizado no clculo do fluxo de carga, assim,
necessrio encontrar as tenses em todos os ns, supondo que a tenso na fonte
seja conhecida. Utiliza-se para isso, o mtodo de varredura direta/inversa [77, 78],
onde as tenses nas barras so calculadas iniciando na barra em uma subestao
em direo s barras terminais e os fluxos de corrente ou potncia so obtidos a
partir das barras terminais em direo barra na subestao. Nesse AG, a
populao total distribuda em vrias sub-populaes. Cada sub-populao
alocada para um nico processador e um AG convencional [79] executado para
cada sub-populao em cada processador. A cada poca (um perodo de geraes
do AG), strings com a melhor adequao migram entre os processadores vizinhos.
A seguir o mtodo analisado segundo os critrios apresentados no incio
desta Seo:
1) Testes foram realizados em um sistema modelo simples de 6,6kV com 3
fontes de potncia e 25 cargas. Devido a simplicidade da rede utilizada, no se pode
tirar concluses de seu desempenho para diversos tipos de rede;
2) No foram apresentados dados do computador utilizado. O tempo de
execuo variou de 1,34s a 10s para uma rede de pequena dimenso;
3) A reduo do nmero de consumidores sem energia e o balanceamento
entre os transformadores so conjuntamente utilizados na funo objetivo. Alm
disso, algumas restries devem ser atendidas, sendo verificadas atravs de um
fluxo de carga;
4) Indivduos so gerados aleatoriamente e cada configurao da rede
representada por uma string de bits contendo as barras de carga. Diferente de
outros trabalhos em que uma string contm o estado das chaves, este contm as
barras de carga conectadas a uma fonte de potncia. Aps a gerao de uma

17

configurao, a mesma avaliada e, se alguma restrio deixar de ser atendida,

operadores de mutao e cruzamento so aplicados para produzir modificaes no
indivduo gerado com o objetivo de melhorar sua adequao;
5) Apenas a ocorrncia de uma nica falta foi abordada no problema;
6) Restries de carregamento nas subestaes, carregamento nas linhas,
radialidade da rede foram consideradas no problema.
Em 2000, Augugliaro et al. [80] utilizaram estratgias evolutivas [81] com
uma definio fuzzy de objetivos conflitantes para resolver o problema de
restabelecimento de energia em sistemas de distribuio. Considerou-se que o
estado de operao normal permite o controle remoto das chaves, de bancos de
capacitores e conexes de cargas. Assim, quando uma falta permanente ocorre,
podem-se executar remotamente aes para restabelecer energia nas reas
afetadas. Para lidar com mltiplos objetivos geralmente conflitantes, foram
desenvolvidas estratgias baseadas em lgica fuzzy. Os critrios de avaliao para
esse trabalho resultam em:
1) Uma rede de distribuio inicialmente malhada contendo 98 sees de
carga (definido em nosso trabalho como setores), 81 barras de carga e 24 bancos de
capacitores foi utilizada nos testes. Uma simplificao foi realizada localizando as
barras e linhas no separadas por chaves em um s ponto. Esta rede difere das
outras geralmente utilizadas em problemas de restabelecimento de energia em
sistemas de distribuio devido sua natureza malhada e a utilizao de bancos de
capacitores para melhorar o perfil de tenso nas barras;
2) Um computador pessoal com processador Pentium de 166MHz foi
utilizado nos testes. O programa foi desenvolvido em Delphi 2.0 e utilizou o tempo de
processamento de 50s para executar 80 iteraes da estratgia evolutiva;

18

3) Mltiplos objetivos foram considerados em sua formulao matemtica

envolvendo a minimizao de perdas de potncia como objetivo principal e a
maximizao da quantidade de cargas a ser restabelecida. As configuraes
geradas so avaliadas atravs de conjuntos fuzzy;
4) Nada foi apresentado sobre a gerao dos indivduos, os quais so
modificados com base nos operadores convencionais de mutao e recombinao.
As taxas de mutao e recombinao alteram-se durante o processo e a
recombinao pode at desaparecer, restando apenas mutao, quando os
indivduos gerados aproximam-se de uma soluo tima;
5) Apenas a ocorrncia de uma nica falta foi abordada no problema;
6) As restries consideradas na formulao do problema foram:
permanncia da rede em uma topologia radial, carregamento nas subestaes,
carregamento nas linhas e queda de tenso nas barras.
No mesmo ano, Hsiao e Chien [82] apresentaram um algoritmo hbrido
combinando fuzzy com AG para resolver problemas de restabelecimento de energia.
A formulao do problema contempla simultaneamente 5 objetivos a serem
minimizados: total de carga deixada fora de servio, nmero de chaveamentos,
queda de tenso nas barras, carregamento nas linhas e carregamento nos
transformadores. Restries envolvendo estrutura radial e seqncia de operaes
de chaveamento (ordem em que as chaves sero abertas para isolar a rea em falta
e fechadas para conectar reas fora de servio) tambm so includas na
formulao do problema. Devido a natureza imprecisa das funes objetivo, regras
fuzzy baseadas no conhecimento prvio de um especialista so criadas e aplicadas
a cada indivduo gerado pelo AG. O indivduo avaliado segundo essas regras e
classificado de acordo com sua adequao ao problema. Segundo o autor, a

19

utilizao de conjuntos fuzzy possibilitou encontrar solues mais satisfatrias

quando mltiplos objetivos so utilizados. Testes foram realizados em um SDR da
Taiwan-Power Company com 2 transformadores, 10 alimentadores, 102 ramos, 102
barras, 13 chaves NA e 217 chaves NF. Os testes realizados contemplaram 3 casos
diferentes: uma nica falta, mltiplas faltas (em um total de 5) e, mltiplas faltas
deixando uma grande rea fora de servio.
1) Simplificaes foram realizadas agrupando em um nico ponto (setor) as
barras e linhas no separadas por chaves. Apesar de o sistema ser baseado em um
SDR real com um nmero razovel de chaves (230), as simplificaes podem
comprometer os resultados, pois podem afetar diretamente as restries
operacionais do sistema;
2) O mtodo foi desenvolvido em linguagem computacional C++ e o tempo
de processamento mdio para uma rede de mdio porte foi 49s utilizando um
Processador Pentium-CELERON 300A PC;
3) O mtodo avalia cada objetivo separadamente atravs de conjuntos fuzzy.
Essa forma de avaliao interessante, pois para cada gerao do algoritmo, o grau
de adequao do indivduo a cada objetivo do problema avaliado. Assim,
possvel tratar cada objetivo separadamente agregando-os atravs de conjuntos
fuzzy, no dependendo de uma nica funo ponderada. Por outro lado,
necessrio determinar os parmetros para cada conjunto, pois podem variar quando
diferentes SDRs so utilizados e tambm em testes com objetivos diferentes;
4) Os primeiros indivduos so gerados aleatoriamente atravs da seleo
de chaves para serem abertas ou fechadas dentro de uma string contendo os
estados de todas as chaves da rede. O grande problema a gerao de
configuraes infactveis como trechos desconexos e/ou com ciclos ou conexo de

20

um alimentador com outro. Uma rotina para detectar e corrigir essas infactibilidades
aplicada a cada novo indivduo gerado. Os descendentes so gerados por um AG,
em seguida, os operadores convencionais de reproduo, mutao e cruzamento
so aplicados. A rotina para verificar e corrigir infactibilidades aplicada novamente
aps a aplicao dos operadores;
5) Mltiplas faltas so abordadas nos testes, sendo esse tema bem
explorado no artigo, tratando diferentes aspectos envolvidos no retorno da conexo
dos setores fora de servio ao restante do sistema. Foram realizadas de 1 at 5
faltas simultneas mostrando com clareza as dificuldades enfrentadas por algoritmos
ao lidar com problemas de restabelecimento;
6) Praticamente todas as restries operacionais so consideradas na
formulao do problema, incluindo queda de tenso nas barras, carregamento nas
linhas e carregamento nos transformadores aumentando significativamente o grau
de confiabilidade da tcnica.
Em 2002, Toune et al. [55] apresentaram um estudo comparativo entre 4
algoritmos heursticos utilizados em restabelecimento de energia em SDRs: BT,
busca tabu reativa (BTR), SA e AGs. Na formulao do problema foram
considerados: fonte de potncia formulada como fonte de injeo de corrente, a
tenso na fonte conhecida, utiliza o conceito de setor, cada setor concentra um
ponto de carga e utiliza-se o modelo de corrente constante. O objetivo encontrar
planos de reconfigurao que restabelea energia ao maior nmero de
consumidores possvel aps a ocorrncia de uma falta. A representao de varivel
de estado (pontos de busca) verificada na formulao geral de um problema
envolvendo esses algoritmos. Um algoritmo especfico utilizado para verificar se
alguma restrio foi violada. Caso seja positivo, alteraes so realizadas na

21

configurao a fim de torn-la factvel. Segundo os autores, para restabelecimento

de energia no se pode afirmar qual estratgia seria mais efetiva, pois AGs podem
realizar tanto busca local quanto global, enquanto SA, BT e BTR executam somente
busca local. Por outro lado, AGs podem gerar muitas configuraes infactveis
elevando o tempo de processamento. AGs e SA podem revisitar solues j
encontradas anteriormente, enquanto BT e BTR probem essas visitas, aumentando
a eficincia da busca. Quando BT gera ciclos de busca, BTR pode gerar solues
muito melhores. Portanto pode tomar caminhos bem diferentes dependendo da
trajetria da modificao realizada. Uma anlise para o AG utilizado neste artigo
segundo os critrios estabelecidos no incio dessa Seo realizada a seguir:
1) Um SDR de 6,6kV foi utilizado nos testes. Sua dimenso foi variada de 18
at 60 setores;
2) No foram disponibilizados dados referentes ao computador utilizado. O
tempo de processamento para o maior caso (60 setores) foi de 180s;
3) Trabalho com o objetivo de restabelecer energia ao maior nmero
possvel de consumidores, atendendo algumas restries operacionais do sistema.
No foram disponibilizados maiores detalhes da tcnica;
4) Operadores de cruzamento e mutao foram utilizados para gerar uma
nova soluo. As configuraes a serem alteradas so selecionadas atravs do
mtodo da roleta. Para evitar a gerao de muitas configuraes infactveis, as
chaves prximas umas das outras so escolhidas para serem alteradas;
5) Mltiplas faltas foram consideradas na formulao do problema, inclusive
acontecendo em um transformador, isolando vrios alimentadores do mesmo;
6) As restries consideradas na formulao do problema foram: rede radial,
queda de tenso, carregamento nos transformadores e carregamento nas linhas.

22

A modelagem matemtica dos outros algoritmos explorados, os operadores

utilizados e resultados de simulao, alm de uma anlise qualitativa e quantitativa
podem ser verificados no prprio artigo.
Em 2004, Shin et al. [83] apresentaram um mtodo hbrido para
restabelecimento de energia e reconfigurao tima de redes combinando AGs e
BT. No referido trabalho, uma configurao considerada tima quando o plano de
restabelecimento encontra as perdas mnimas e atende restries operacionais do
sistema mantendo a rede radial. Algumas regras foram aplicadas ao calcular o custo
total de investimento: nenhum alimentador com sobrecarga, fluxo de potncia do
SDR alterado pelo servio de restabelecimento, a estrutura radial deve ser
mantida, o nmero de chaveamentos deve ser minimizado e a nova configurao
deve ser prxima da configurao original, ou seja, somente as chaves para
conectar a rea fora de servio devem ser operadas se com isso as restries so
respeitadas. O mtodo procura trabalhar com as propriedades que AGs e BT tm de
melhor, compondo o mtodo denominado AG-Tabu. Enquanto o AG encontra
resultados satisfatrios em buscas globais; a BT mais adequada para buscas
locais. Testes para minimizao de uma funo objetivo contemplam dois casos: um
com o custo total envolvendo a soma das perdas de potncia e o custo de
interrupo e outro somente o custo de perdas. Em todos os testes, tanto o AG
quanto o AG-Tabu encontraram a mesma soluo, porm este encontrou solues
timas em menos iteraes. O custo das mnimas perdas encontradas
apresentado em dlar ($) ao longo das iteraes; enquanto o custo de interrupo
dado em dlar por quilowatt ($/kW) ao longo do tempo em que o servio ficou
interrompido.

23

1) Um SDR com 7 alimentadores, 38 barras foi utilizado nos testes. Essa

rede simula uma rede de distribuio real com vrios alimentadores, porm de
pequena dimenso. Um destaque desse trabalho est no fato das cargas serem
mapeadas segundo o tipo de consumidor: residencial, pequenos usurios e
comercial. O tipo de consumidor influencia diretamente no custo tanto de perdas de
potncia, quanto no custo total;
2) O computador utilizado nas simulaes e o tempo de processamento no
foram discriminados;
3) A funo objetivo avalia o custo de perdas de potncia e o custo total
aps a interrupo e reconexo do sistema devido a ocorrncia de uma falta. Apesar
da busca por um indivduo com menor nmero de chaves alteradas estar implcita, o
que consta na funo objetivo o custo para reduzir as perdas ou o custo total para
proceder a alterao na topologia. As restries operacionais e fsicas do sistema
so consideradas na avaliao da configurao;
4) Nada foi apresentado sobre a gerao dos indivduos. Porm, o AG-Tabu
utiliza as solues presentes na lista tabu para ajustar a probabilidade de mutao
do AG. Dessa forma, espera-se que a convergncia do AG-Tabu seja mais rpida,
em um espao de busca global, do que um AG convencional. Os operadores de
reproduo e cruzamento do AG so aplicados para gerar uma nova configurao.
Em seguida, verifica-se a existncia de genes na lista tabu, caso positivo, realiza-se
a mutao com taxa baseada em indivduos presentes na lista tabu; caso contrrio,
atualiza-se a configurao;
5) Este artigo contempla a ocorrncia de uma nica falta;
6) As restries de carregamento nos transformadores, carregamento nas
linhas, radialidade da rede so atendidas na formulao do problema.

24

Em 2005, Delbem et al. [32] propuseram uma codificao para SDRs

baseada em cadeias de grafos buscando melhorias no desempenho dos AEs.
Operadores de reproduo no convencionais utilizando a codificao proposta
foram desenvolvidos com o objetivo de gerar novas configuraes (solues) a partir
de uma existente. A tcnica foi aplicada a problemas de reconfigurao de redes
sendo testada em restabelecimento de energia, reduo de perdas de potncia e
planejamento de SDRs. Utilizando conceitos de grafos e, partindo do princpio que
uma rvore de grafo pode ser representada por cadeias conectando a raiz as
folhas (ver Captulo 3), o conjunto de todas essas cadeias (denominadas cadeias
principais) armazenadas adequadamente representa um alimentador de um SDR.
Portanto, o conjunto de todos os alimentadores representa um sistema completo.
1) Um SDR de grande porte com 1.471 barras, 249 chaves, 3 subestaes e
23 alimentadores foi utilizado no teste envolvendo restabelecimento de energia.
Esse SDR um dos maiores encontrados na literatura sendo capaz de representar
um sistema real;
2) Um computador Pentium III com processador de 450MHz foi utilizado nos
testes. O tempo de processamento para avaliar 4.000 configuraes foi de
aproximadamente 4s, possibilitando utilizar a metodologia proposta em problemas
que requerem soluo em tempo real;
3) A tcnica proposta lida com problemas multi-objetivos atravs de subpopulaes (conhecido como mtodo em Tabelas [84]), em que a populao
consiste em um conjunto de sub-populaes ou tabelas. Cada tabela corresponde a
uma caracterstica do sistema a ser minimizada (carregamento da rede e
transformadores, perdas de potncia, queda de tenso e funo ponderada). Para a
tabela de minimizao de nmero de manobras, cada linha da tabela armazena o

25

melhor indivduo com um determinado nmero de pares de manobras. Por exemplo,

na primeira linha esto os melhores indivduos com 1 par de manobras, na segunda
linha com 2 pares e assim sucessivamente. Se um indivduo gerado com
adequao melhor que qualquer indivduo presente em cada tabela, o pior
substitudo por esse indivduo;
4) A partir de um indivduo (configurao radial inicial) outros so criados
aplicando-se um dos operadores. Para as tabelas com perfil de tenso,
carregamento na rede e carregamento nos transformadores os 3 melhores
indivduos so armazenados. A tabela com a funo ponderada armazena os 12
melhores indivduos. Novos indivduos so gerados a cada nova configurao
atravs de um dos operadores escolhidos aleatoriamente. Uma grande vantagem do
mtodo consiste na no necessidade de rotinas para verificar nem corrigir
infactibilidades relacionadas radialidade da rede, pois somente configuraes
radiais so geradas pelos operadores propostos. Outras restries so verificadas
atravs de um fluxo de carga especfico para SDRs;
5) O artigo trata de uma falta por vez. Foram testados com faltas em setores
crticos da rede, por exemplo, que isolem todo um alimentador;
6) Restries operacionais do sistema consideradas na formulao do
problema foram: queda de tenso, carregamento nas linhas, carregamento nos
transformadores. Alm das tabelas com cada objetivo e restries separadamente,
uma tabela a mais foi criada contendo uma funo ponderada [48] com as perdas de
potncia, pares de manobras, alm das restries inseridas como penalidades. A
restrio de radialidade da rede sempre garantida atravs dos operadores
propostos.

26

Em 2006, Inagaki [12] resolveram o problema de restabelecimento de

energia utilizando AGs. Os AGs so utilizados para encontrar solues pertencentes
ao conjunto de Pareto, que consiste de solues que no so dominadas 4 por
nenhuma outra soluo [48], disponibilizando um maior nmero de configuraes
possveis para que o operador decida qual se adapta melhor. Uma combinao de
AG com SA realizada a fim de melhorar a preciso das solues. A populao total
dividida em duas sub-populaes e o total de cargas sem energia aps uma falta e
o total de chaves utilizadas no restabelecimento so minimizados em cada subpopulao respectivamente.
1) Uma rede de dimenso pequena utilizada nos testes com 4
transformadores, 6 alimentadores, 78 barras de carga;
2) O computador utilizado nas simulaes e o tempo de processamento no
foram discriminados;
3) Utiliza dois objetivos bem definidos: reduzir a rea fora de servio aps
uma falta e o nmero de operaes de chaveamentos. Busca configuraes que
minimizem esses dois objetivos atravs da fronteira de Pareto. Portanto, as funes
objetivo no se alteram ao serem aplicadas a outras redes. Os objetivos priorizam
consumidores como hospitais, shopping centers, etc;
4) Indivduos so gerados e modificados atravs de AGs convencionais em
que cada configurao representada por uma string contendo o estado de todas as
chaves do SDR. Operadores convencionais dos AGs so utilizados para produzirem
descendentes. O operador de mutao aplicado seguindo algumas heursticas
para evitar que o mtodo fique preso em timos locais. O nmero total de indivduos
gerados 1.000 e, a cada 50 indivduos gerados pelos AGs, aplica-se SA para
4

A soluo x dita dominar y se x melhor ou igual a y em todos os atributos e, estritamente melhor

em pelo menos um atributo.

27

melhorar os resultados atravs de um operador semelhante a mutao. Como

configuraes infactveis podem ser geradas, uma rotina para verificar e corrigir tais
infactibilidades (ciclos), caso existam, aplicada.
5) Testes foram realizados contemplando uma nica falta;
6) As seguintes restries convencionais de SDRs so consideradas na
formulao deste mtodo: rede radial, a energia deve ser restabelecida as reas a
jusante

do

setor

em

falta,

carregamento

nas

linhas,

carregamento

nos

transformadores e queda de tenso.

Em 2008, Kumar et al. [13] apresentaram um algoritmo para resolver
problemas de otimizao multi-objetivo aplicado ao restabelecimento de energia em
SDRs. A metodologia foi baseada em um algoritmo desenvolvido em 2000 por Deb
et al. [85] denominado Nondominated Sorting Genetic Algorithm II NSGA-II. As
regras de tomada de deciso contemplam a presena de consumidores prioritrios e
a presena de chaves controladas remota e manualmente. Algumas restries e
consideraes so realizadas partindo do princpio que houve uma falta: (1) a
energia deve ser restabelecida ao maior nmero possvel de consumidores sem
energia; (2) do ponto de vista econmico, deve-se considerar um plano de
restabelecimento em que as perdas de potncia sejam mnimas; (3) a topologia
radial da rede deve permanecer aps o restabelecimento de energia a rea fora de
servio; (4) restries de operao das linhas e dos transformadores devem ser
atendidas; (5) buscar configuraes que utilize o menor nmero de chaveamentos
possvel; (6) buscar configuraes que atenda as cargas prioritrias como hospitais
e grandes indstrias; (7) procurar apresentar os planos de restabelecimento no
menor tempo possvel. Para cada indivduo gerado uma busca em largura [86]
realizada para determinar se a configurao radial. Quando um mesmo n

28

visitado pela segunda vez significa que existe um ciclo na configurao, portanto
uma chave NF deste ciclo alterada para NA mantendo a rede radial. Operadores
convencionais de AGs so utilizados para produzir novas solues atravs de
cruzamento e mutao. Resultados de testes do mtodo proposto, denominado
NSGA-II avanado foram comparados com resultados do NSGA-II bsico e AG
tradicional. As seguintes caractersticas foram comparadas: capacidade de reduzir
perdas, capacidade de restabelecer energia ao maior nmero de consumidores,
tempo de processamento e a capacidade de restabelecer energia primeiramente s
cargas prioritrias. A tcnica desenvolvida conseguiu reproduzir os resultados
encontrados pelas outras com tempo de processamento reduzido. As taxas de
cruzamento e mutao so diferentes para cada sistema, dependendo da
experincia do programador. A diferena no tempo de processamento deve-se a
implementao do NSGA-II conforme o trabalho de Jensen em 2003 [87], que
conseguiu melhor tempo de processamento devido a estrutura de dados adotada.
Assim, somente o tempo de processamento alterado quando comparado com o
NSGA-II bsico.
1) A rede mapeada segundo um grafo com ramos e ns representando,
respectivamente, chaves fechadas e barras do mesmo. Quatro redes de distribuio
so utilizadas nos testes, todas radiais de pequeno porte. As dimenses variam de
13 barras e 10 chaves at 173 barras e 75 chaves;
2) O computador utilizado nos testes e o nmero de indivduos gerados no
foram especificados. O processo encerrado quando todos os indivduos
permanecerem inalterados de uma gerao para outra. O tempo de processamento
variou de 4,38s para a rede com 13 barras at 700,4s para a rede com 173 barras;

29

3) A maneira como a metodologia lida com problemas multi-objetivo

relevante. Utiliza o NSGA-II para agrupar as melhores solues em fronteiras em
que no se pode afirmar qual a melhor soluo, pois uma soluo no dominada
por outras. A vantagem do NSGA-II em relao ao mtodo da soma ponderada a
possibilidade de ser generalizada para praticamente qualquer SDR atravs da
fronteira de Pareto [48, 79] no havendo necessidade de pesos diferentes para cada
rede testada. A soluo final selecionada dentre aquelas pertencentes primeira
fronteira de Pareto atravs de critrios de prioridades estabelecidos pelo engenheiro,
tornando-se uma desvantagem do mtodo, uma vez que cada rede tem suas
particularidades. As prioridades utilizadas nos testes deste trabalho foram: (i) rea
fora de servio; (ii) chaves controladas remotamente; (iii) chaves controladas
manualmente; (iv) reduo de perdas de potncia;
4) Uma configurao representada por um string de bits, representando
todas as chaves do sistema em que chave aberta 0 e chave fechada 1 assim
como em AGs tradicionais. A populao inicial gerada aleatoriamente colocandose 0 ou 1 para cada posio da string. Duas regras devem ser observadas ao gerar
um indivduo: (i) a barra raiz (barra que se encontra em uma subestao) deve estar
conectada ao restante do sistema, portanto a chave que conecta a barra raiz deve
estar fechada; (ii) as chaves ao redor de um setor em falta so sempre geradas com
o estado 0, ou seja, abertas. Assim, indivduos podem ser gerados com ciclos e
reas desconexas. A gerao de novos indivduos realizada por operadores
convencionais de cruzamento de um ponto e mutao. A desvantagem desta tcnica
est na gerao e alterao dos indivduos, pois necessita de rotinas que
demandam um grande esforo computacional para identificar ciclos e elimin-los.
muito provvel que no consiga lidar com problemas de grande porte, pois poderia

30

incorrer no problema de exploso combinatorial ao gerar muitos ciclos e reas

desconexas, elevando consideravelmente o tempo de processamento. A avaliao
realizada atravs de um fluxo de carga de varredura direta/inversa [88];
5) A metodologia aplicada a problemas com uma nica falta e tambm
com mltiplas faltas, 2, 3 e 4 faltas simultneas. Mltiplas faltas so comuns em
sistemas reais de distribuio e aumenta significativamente a complexidade do
problema, destacando-se como uma vantagem do mtodo;
6) Apesar do carregamento da rede e queda de tenso nas linhas serem
consideradas na formulao do problema, o carregamento nos transformadores no
, sendo ilimitado o suprimento de potncia s cargas. Como havia apenas uma
subestao nos SDRs abordados nos testes, a relevncia do carregamento no
transformador menor. Porm, em sistemas com mais de um alimentador, de
extrema importncia que o carregamento nos transformadores seja verificado, pois
os chaveamentos podem produzir transferncias de cargas de vrios alimentadores
para um mesmo alimentador sobrecarregando o transformador desse alimentador.
Tambm em 2008, Men-Shen Tsai [14] utilizou sistemas inteligentes para
resolver problemas de restabelecimento de energia em SDRs. Foram criadas regras
utilizando programao orientada a objeto [89]. Variaes de cargas durante
perodos do dia so consideradas tornando os planos de restabelecimentos mais
confiveis. Deve-se haver um conhecimento prvio do sistema, bem como o perfil de
cargas para cada hora do dia. Mltiplas faltas tambm so consideradas e vrios
planos de restabelecimentos so apresentados, ficando a critrio do operador a
escolha do mais adequado em cada situao.
1) Um SDR da Taiwan Power Company foi utilizado nos testes e consta de 6
alimentadores, 50 setores, 44 chaves NF e 9 chaves NA. No foram disponibilizados

31

maiores detalhes dos setores, o que provavelmente consta de uma simplificao

para o sistema, onde todas as barras de cargas e linhas no separadas por chaves
so agrupadas em um nico ponto. Apesar de utilizar um sistema mais prximo de
um SDR real, a simplificao diminui a confiabilidade dos resultados, pois o fluxo de
carga real poder no ser adequadamente aproximado;
2) Detalhes do tempo de processamento no foram especificados;
3) Como em todos os problemas de restabelecimento de energia, este
tambm possui mltiplos objetivos. Porm, o algoritmo busca configuraes que
restabeleam energia ao maior nmero possvel de consumidores com poucas
operaes de chaveamento. As perdas no so consideradas na avaliao da
gerao e configuraes que violem restries operacionais so descartadas;
4) Aps a ocorrncia de uma falta a mesma deve ser isolada e a rea fora
de servio restabelecida se possvel. Vrias regras foram desenvolvidas atravs de
programao orientada a objeto oferecendo planos de restabelecimento dessas
reas. O artigo concentra-se na investigao de formas como trechos fora de servio
podem ser re-energizados. Os setores fora de servio so agrupados em zonas,
onde cada zona contm os setores conectados por chaves fechadas. A rotina de
restabelecimento realizada para cada zona separadamente. Se a configurao
violar restries operacionais, aplica-se uma rotina para transferncia de cargas
entre alimentadores;
5) Mltiplas faltas so tratadas isoladamente aplicando-se as mesmas
rotinas utilizadas para uma nica falta;
6) Capacidade dos transformadores e redes no foram declarados.

32

2.2 Reduo de Perdas

Uma anlise dos trabalhos de reduo de perdas de potncia em SDRs
apresentada baseada nos seguintes itens:
1. Rede utilizada nos testes (dimenso, real, simplificada, de pequeno
ou grande porte, etc.);
2. Computador utilizado e tempo de processamento;
3. Gerao e avaliao dos indivduos, rotinas para detectar e corrigir
infactibilidades;
4. Restries eltricas e operacionais do sistema.
Em 1975 Merlin e Back [90] publicaram o primeiro modelo de reconfigurao
de redes de distribuio para a minimizao de perdas de potncia. Alteraes no
estado das chaves de seccionamento foram realizadas utilizando tcnicas de
otimizao em conjunto com heursticas. A metodologia proposta parte da rede com
todas as chaves inicialmente fechadas e, em cada passo, seleciona-se
convenientemente chaves da rede para serem abertas. O processo continua at que
a rede se torne radial. Segundo os autores, o fato de inicialmente todas as chaves
estarem fechadas garante que a soluo final independe do estado inicial do
sistema. Em cada passo do problema um fluxo de potncia executado na rede em
malha e a chave com o menor fluxo passante, que no torne a rede desconexa,
selecionada para ser aberta. Em geral, esse mtodo determina a configurao de
rede com as perdas mnimas, ou quase-mnimas, baseado em uma variao
especial de uma tcnica conhecida por branch-and-bound. Deve-se notar que este
mtodo de construo de uma soluo no leva em considerao outras restries
impostas pela rede eltrica como, por exemplo, carregamento da rede e queda de
tenso.

33

Em 2002, Zhu [91] apresentou um AG para minimizao de perdas de

potncia em SDRs. O mesmo denominado AG refinado devido algumas alteraes
na codificao do cromossomo, na funo adequao e no padro de mutao do
AG proposto por Nara et al. em 1992 [92]. Melhorias relativas codificao do
cromossomo foram realizadas no AG proposto por Nara et al. Uma configurao
factvel era representada por uma string contendo o estado de todas as chaves da
rede. Agora, a mesma configurao representada por uma string contendo
somente o nmero das chaves NA representadas por nmeros binrios. Esse
procedimento possibilitou reduzir significativamente a memria RAM utilizada para
armazenar as configuraes no computador possibilitando trabalhar com sistemas
maiores.
A fim de reduzir o esforo computacional, aproximaes na representao
das perdas de potncia foram consideradas na funo objetivo do AG proposto em
[92], aumentando o risco de fornecer solues duvidosas. Por outro lado, no AG
proposto em [91], as perdas de potncia e penalidades para configuraes que
violarem o carregamento mximo das linhas e o nvel de tenso nas barras foram
consideradas na formulao do problema. Uma melhoria significativa refere-se
mutao adaptativa onde sua taxa varia com o nmero de geraes obtidas, ou seja,
quanto mais o processo evolutivo se aproxima do final, menor a taxa de mutao.
Segundo os autores, esse procedimento pode evitar a convergncia prematura do
AG para solues ruins. O mtodo da roleta utilizado para selecionar uma
configurao para reproduo. Uma anlise segundo os critrios estipulados no
incio desta Seo apresentada a seguir:
1) Dois pequenos SDRs foram utilizados nos testes, um de 16 barras e 3
alimentadores e outro de 33 barras e 1 alimentador. A tenso base de 12,66kV;

34

2) Dados referentes ao tempo de processamento e computador utilizado na

simulao computacional no foram apresentados;
3) No foram disponibilizados dados referentes a tamanho da populao,
gerao da populao inicial e correo das configuraes infactveis. Cada nova
configurao avaliada segundo uma funo objetivo contendo as perdas de
potncia. As restries operacionais do sistema so inseridas na funo objetivo
atravs de fatores penalidades quando as mesmas so violadas. Operadores
convencionais foram utilizados diferindo apenas na taxa de mutao adaptativa;
4) Restries de carregamento nas linhas, nveis de tenso (mximo e
mnimo), leis de Kirchhoff da tenso e da corrente e radialidade do sistema foram
considerados na formulao do problema.
Em 2007, Siti et al. [9] introduziram um mtodo heurstico para
balanceamento de cargas e balanceamento de fases em SDRs. Ao mesmo tempo
em que o balanceamento de cargas e fases do sistema realizado, uma rede neural
artificial do tipo backpropagation utilizada para reduzir perdas de potncia atravs
de reconfigurao de redes. O seguinte princpio foi utilizado: se o alimentador e as
cargas/fases esto balanceados, existe uma tendncia de se obter as mnimas
perdas de potncia.
1) Testes foram realizados com 15 e 45 cargas sendo selecionadas em 3
diferentes perodos do dia dos mesmos consumidores utilizados no treinamento da
rede neural;
2) Um computador com processador Intel Celeron de 1,9 GHz, 256 MB de
memria RAM foi utilizado nos testes. Simulao computacional foi realizada
utilizando o toolbox de redes neurais do Matlab 6 [93]. O tempo de processamento
para 15 cargas foi de 0,17s e para 45 cargas de 0,49s;

35

3) A rede neural foi treinada utilizando um conjunto de 500 dados histricos

reais selecionados aleatoriamente de um trecho de um SDR de uma cidade da frica
do Sul. Esse conjunto de dados reais consistiu de cargas desbalanceadas
selecionadas em diferentes perodos do dia durante um ms. A entrada para as
redes testadas consiste de 15 e 45 neurnios e as sadas so seqncias de
fechamento de chaves/fases (1, 2, 3) para cada carga;
4) Restries de carregamento nas linhas e tenso dentro de limites
permissveis (mximo e mnimo) so considerados na formulao do problema.
Em 2008, Wang et al. [94] apresentaram um mtodo de otimizao para
configurao de redes baseado em plant growth simulation algorithm - PGSA para
minimizar o total de perdas de potncia na rede. O PGSA caracteriza o mecanismo
de crescimento de plantas e determina a possibilidade de novos ramos crescerem
em diferentes ns de uma planta de acordo com mudanas na funo objetivo.
Assim, o modelo simula o processo de crescimento de uma planta em direo a
fonte de luz (timo global). Segundo os autores, a no necessidade de nenhum
parmetro externo como fatores de barreiras, taxas de cruzamento e mutao etc.,
a principal vantagem do mtodo em relao a algoritmos baseados em modificaes
aleatrias utilizados at ento. Muitos trabalhos consideram o estado das chaves
como variveis de deciso. Neste, os ciclos independentes so as variveis de
deciso, evitando o problema de exploso combinatorial causado pelo aumento de
chaves em grandes SDRs. Mesmo com a reduo do espao de busca ao
considerar os ciclos independentes ao invs de todas as chaves da rede,
configuraes infactveis ainda podem ser produzidas. As seguintes regras foram
criadas para diminuir a produo de configuraes infactveis: i) chaves essenciais
devero permanecer sempre fechadas, ii) do conjunto de chaves comuns a dois

36

ciclos diferentes, apenas uma dever ser aberta. Porm, esse mtodo requer
conhecimento prvio do circuito, o que restringe sua utilizao. Resultados
encontrados pelo PGSA para o maior SDR testado foram idnticos aos resultados
encontrados por outros mtodos: evoluo diferencial hbrida inteiro-mista
melhorada [95], SA, AG, e algoritmo de busca baseado em colnia de formigas [96].
O tempo de processamento do PGSA foi razoavelmente menor que os 3 ltimos
mtodos e maior que evoluo diferencial hbrida.
1) Testes foram realizados em dois SDRs, um de 12,66kV, 33 barras, 1
alimentador, 32 chaves NF e 5 chaves NA e o sistema de Taiwan Power Company
de 11,4kV, com 84 barras, 11 alimentadores, 83 chaves NF e 13 chaves NA;
2) Um programa computacional foi desenvolvido em Visual C++ e executado
em um computador com processador de 2,2 GHz e 256 MB de memria RAM. O
tempo de processamento para encontrar uma boa soluo foi de 0,5s para o SDR de
33 barras e de 113,25s para o SDR de 84 barras;
3) O processo inicia-se com o sistema radial, ou seja, uma chave aberta em
cada ciclo independente, que identificado ao se fechar uma chave. O conjunto de
solues para o ciclo 1 composto de todas as chaves do mesmo, onde cada
configurao para esse ciclo consta de uma chave aberta e todas as outras
fechadas. O conjunto de solues possveis para todos os ciclos so as
possibilidades de reconfigurao da rede;
4) Restries de carregamento nas linhas, queda de tenso, radialidade da
rede e todos os consumidores atendidos foram considerados na formulao do
problema.
Tambm em 2008, Enacheanu et al. [97] apresentaram um AG para
minimizar perdas de potncia atravs de reconfigurao de redes. O trabalho

37

concentra esforos na utilizao de operadores genticos a fim de melhorar a

habilidade de explorao do espao de busca. O mtodo utiliza grafos e teorias de
matroid para melhorar o desempenho dos operadores convencionais de AGs. O
grupo (A, B) = (conjunto de arestas de um grafo, o conjunto de todas as rvores
geradoras desse grafo) considerado uma matroid [98]. O mtodo gera somente
configuraes factveis para SDRs. Resultados de simulao computacional foram
comparados com outros trabalhos da literatura.
1) Trs SDRs foram utilizados nos testes. O primeiro encontra-se em
Civanlar [99] e consta de 17 barras, 1 alimentador, o segundo o SDR de Baran
[100] com 33 barras e 1 alimentador; o terceiro o SDR de Das [101] com 70 barras
divididas em 2 alimentadores;
2) O AG foi desenvolvido em Matlab e as simulaes computacionais foram
executadas em um computador pessoal com processador Pentium IV, 1,6 GHz,
512MB de memria RAM. O tempo de processamento para as redes de Civanlar,
Baran e Das foram 2,1s, 7,2s e 160s respectivamente.
3) Uma configurao radial representada por um cromossomo contendo o
nmero das chaves abertas. A populao inicial gerada a partir de uma
configurao factvel aplicando-se operador de mutao que altera uma posio na
string. Operador de mutao gera sempre configuraes radiais, pois se ao alterar
uma chave na string um ciclo for gerado (uma busca em profundidade [86]
executada), outra chave desse ciclo dever ser aberta. O operador de cruzamento
utiliza teoria de matroid [98] para produzir sempre configuraes factveis, reduzindo
o tempo de processamento, pois no necessita de rotina extra para localizar ciclos.
O mtodo utiliza elitismo e a seleo dos indivduos para gerar novos indivduos
realizada atravs de torneio ou roleta [48];

38

4) As restries utilizadas neste trabalho segue o padro de outros mtodos:

carregamento nas linhas, nveis de tenso (mximo e mnimo) determinados atravs
de um fluxo de potncia. A radialidade da rede garantida pelos operadores
utilizados atravs de teoria de matroid.
Ainda em 2008, Zhang et al. [102] desenvolveram um algoritmo de
reconfigurao de SDRs para reduo de perdas de potncia combinado com
controle de capacitor. Um AG adaptativo melhorado foi desenvolvido de modo a
satisfazer diversas restries, modificando o AG adaptativo apresentado em [103].
Melhorias foram atingidas ao mudar o tamanho do passo de busca adaptativamente
e ao empregar uma estratgia de mutao aritmtica para codificao binria. Para
encontrar uma estrutura de rede tima para cada instncia gentica, o controle de
chaveamentos de capacitor e uma troca de ramos simplificada so realizados em
cada iterao do algoritmo. O tamanho do passo de busca muda de acordo com a
adequao encontrada em cada instncia. Assim, se a adequao alta (indica boa
instncia), somente uma busca local ser realizada. Se a adequao baixa (indica
instncia ruim), uma busca global necessria, buscando evitar uma convergncia
prematura. O mtodo foi testado em diferentes casos: i) somente otimizao de
capacitor, ii) somente reconfigurao de rede, iii) primeiro otimizao de capacitor e
depois reconfigurao de rede, iv) primeiro reconfigurao de rede e depois
otimizao de capacitor por chaveamentos, v) alternadamente em cada iterao,
reconfigurao de redes e controle de capacitor (algoritmo de otimizao conjunto),
vi) utilizando o algoritmo de otimizao conjunto, porm com AG adaptativo para
otimizao de capacitores e, vii) utilizando o algoritmo de otimizao conjunto com o
AG adaptativo melhorado para otimizao de capacitor. Uma considervel reduo

39

de perdas foi alcanada com o algoritmo conjunto quando comparada aos mtodos
de reconfigurao de redes e chaveamentos de capacitor separadamente.
1) O SDR utilizado nos testes consta de 119 barras, 118 ramos com chaves
NF e 15 ramos com chaves NA divididas em 4 alimentadores;
2) O algoritmo foi desenvolvido utilizando um pacote de programas e
executado em um sistema de computao PIII 866MHz/128MB. O tempo de
processamento para o caso (vii) (utilizando o algoritmo de otimizao proposto em
conjunto com o AG adaptativo melhorado) foi de 28,39s;
3) Codificao binria utilizada na representao do SDR e o nmero
mximo de geraes utilizado como critrio de parada;
4) Restries utilizadas na formulao matemtica foram: queda de tenso,
carregamento nas linhas e atendimento das leis de Kirchoff da corrente e da tenso
(determinadas atravs de um fluxo de carga). A restrio de rede radial tambm
observada. As restries de queda de tenso e carregamento nas linhas so
inseridas na funo objetivo atravs de penalidades.

2.3 Outras Aplicaes de Reconfigurao de Redes

Muitos algoritmos tm investigado resoluo de problemas envolvendo
reconfigurao de redes. A seguir alguns trabalhos relevantes so apresentados,
principalmente os que utilizam tcnicas de inteligncia artificial.
Em 2004, Gohokar et al. [104] propuseram uma formulao para problemas
de reconfigurao de SDRs atravs da topologia de rede. A proposta visa facilitar a
obteno de uma soluo representando SDRs atravs de matrizes incidncia que
representam diretamente a topologia da rede. A aplicao do algoritmo proposto
genrica e pode ser utilizada em qualquer SDR, independente do nmero de

40

bifurcaes. Um mtodo para calcular fluxo de carga atravs dessa representao

tambm discutido. A formulao aumenta o desempenho do algoritmo no clculo
do fluxo de carga ao aplicar as leis de Kirchoff da tenso e da corrente. De uma
maneira simples, um ciclo pode ser identificado aps o fechamento de uma chave
atravs de uma matriz incidncia de ciclos C. A matriz C obtida atravs das
matrizes incidncia de barras e incidncia de caminhos para os ramos. Outra
vantagem citada pelos autores diz respeito a numerao dos ramos e ns que pode
ser realizada em qualquer seqncia, no influenciando no desempenho do fluxo de
carga. Aplicaes da metodologia foram realizadas em um SDR hipottico com 5
transformadores de 11kV, 118 ramos e 15 possibilidades de chaveamentos para
reduo de perdas de potncia. A principal vantagem citada pelos autores est na
identificao de ciclos. Assim, a escolha de qual chave dever ser aberta baseada
na tenso em cada n. Detalhes do computador utilizado bem como o tempo de
processamento no foram apresentados.
Ainda em 2004, Parada et al. [27] propuseram um algoritmo que utiliza SA
para planejamento de SDRs atravs de configurao e reconfigurao dos mesmos.
Trata-se de um problema de otimizao combinatorial com objetivo de minimizar o
custo total de investimentos e o custo total de perdas de potncia ao encontrar
planos de expanso. Algumas restries foram consideradas: a rede deve
permanecer radial, cada consumidor deve ser atendido por uma nica subestao e
a capacidade dos transformadores no deve ser excedida. Resultados numricos
demonstraram que a qualidade das solues aumenta com o nmero de iteraes
para cada anlise de temperatura realizada pelo SA. Testes com a metodologia
demonstraram que a mdia do nmero de iteraes independe do tamanho do
problema, enquanto a mdia do tempo de computao aumenta com o tamanho do

41

problema. O autor expe que devido ao alto tempo de processamento requerido

pelos mtodos exatos, uma tima alternativa para esse problema seria utilizar
mtodos heursticos com a garantia de obter solues quase timas.
Em 2006, Mendoza et al. [34] apresentaram aplicaes de duas tcnicas de
otimizao multiobjetivo denominadas NSGA (nondominated sorting genetic
algorithm) e SPEA (strength Pareto evolutionary algorithm) em planejamento de
sistemas de distribuio de energia eltrica. A reduo do custo total envolvido e
minimizao da rea sem energia so consideradas na funo objetivo. As
restries consideradas so: lei da corrente de Kirchoff para todos os ns,
carregamento nos alimentadores e subestaes, bem como queda de tenso. De
acordo com o autor, sistemas de distribuio geralmente operam de forma radial,
porm no processo de planejamento no necessrio utilizar a radialidade como
restrio. Ambos os algoritmos incorporam vrias caractersticas de AEs conhecidos
na literatura. O NSGA trabalha da seguinte maneira: identifica solues nodominadas (indivduos) na populao em cada gerao (iterao) para formar
fronteiras no-dominadas baseado no conceito de no-dominncia de Pareto [48,
79]. Em seguida, utiliza operadores convencionais de AG como seleo, cruzamento
e mutao. Dessa forma, cria-se um conjunto com todas as solues no-dominadas
por nenhuma outra. Para criar uma nova fronteira de solues no-dominadas,
omitem-se os indivduos da primeira fronteira e aplica-se o algoritmo aos restantes.
Procede-se dessa maneira at identificar vrias fronteiras de solues. O SPEA
utiliza elitismo atravs da manuteno de um conjunto externo de melhores solues
encontradas durante cada ciclo completo de iterao. O elitismo garante que
solues com alta adequao no sero eliminadas durante a aplicao de um
algoritmo de otimizao. As solues no-dominadas no conjunto externo so

42

utilizadas para determinar a adequao da populao atual (conjunto de solues) e

tambm participam do processo de seleo para a reproduo. A populao externa
limitada a certa quantidade de indivduos e, um procedimento de reduo da
populao necessrio quando esse limite excedido. Para isso, aplica-se um
algoritmo

baseado

em

conjuntos

fuzzy

para

agrupar

os

indivduos

que

permanecero nessa populao. Esse procedimento foi utilizado pela primeira vez
nesse trabalho. Um SDR com 41 barras e 2 subestaes de 20MVA foi utilizado nos
testes. Ambas as tcnicas NSGA e SPEA apresentaram resultados
computacionais similares tanto em relao ao tempo de processamento quanto s
fronteiras de Pareto encontradas.
Em 2008, Prasad et al. [11] apresentaram uma tcnica para resolver
problemas de reconfigurao de sistemas de distribuio para balanceamento de
cargas utilizando AG. Reconfigurao de redes foi utilizada para transferir cargas de
alimentadores mais carregados para alimentadores menos carregados. Duas
equaes so requeridas para realizar o balanceamento de cargas. De modo geral,
o objetivo minimizar um ndice que mede o balanceamento de cargas entre os
alimentadores, no violando restries de queda de tenso, carregamento nas
linhas,

carregamento

nos

transformadores

radialidade

da

rede.

Como

conseqncia, as perdas de potncia tendem a reduzir. Um fator relevante neste

artigo a diferenciao dos tipos de carga (residencial, comercial ou industrial) e
tambm o perodo de pico em dias da semana normais e em finais de semana.
Juntamente com o balanceamento do ndice de carregamento nos alimentadores
como um todo, um balanceamento da carga nos ramos realizado. Operadores de
reproduo, cruzamento e mutao so utilizados no AG para gerar um novo
indivduo (configurao factvel do sistema). Quando uma configurao infactvel

43

gerada, aplica-se uma rotina para alter-la at que atenda todas as restries. A
seleo de indivduos para reproduo realizada atravs do mtodo da roleta. O
nmero mximo de geraes utilizado como regra de parada. Testes foram
realizados em um SDR de 69 barras.
Neste Captulo as principais tcnicas e modelos computacionais para o
tratamento de problemas de reconfigurao de redes foram apresentadas,
principalmente envolvendo restabelecimento de energia em SDRs e reduo de
perdas de potncia.
O prximo Captulo trata o problema de restabelecimento de energia.
Conceitos de Grafos so introduzidos e a formulao matemtica para o problema
tratado apresentada.

45

3 O Problema de Reconfigurao
Neste Captulo apresenta-se o problema de reconfigurao de redes de
energia e uma formulao matemtica genrica que modela em conjunto o problema
de restabelecimento, reduo de perdas e planejamento da expanso do sistema,
entre outros.
Para apresentar essa formulao, adequado rever alguns conceitos de
teoria de grafos. Muitas situaes podem ser convenientemente descritas por meio
de diagramas que consistem de um conjunto de pontos, juntamente com linhas que
ligam alguns pares desses pontos. Por exemplo, os pontos podem representar
centros de comunicaes e as linhas ligaes entre os centros. A abstrao
matemtica de situaes desse tipo d lugar ao conceito de grafo.
Um grafo G um par (N(G),E(G)), onde N(G) um conjunto finito de
elementos denominados ns e E(G) um conjunto no ordenado de elementos
denominados arestas [105]. SDRs podem ser representados por grafos. Considere o
grafo abaixo.

Figura 3.1 Exemplo de um grafo.

46

Se k e y so dois ns do grafo, e o par (k,y) uma aresta, denotada por e,

diz-se que e conecta k e y. O grau de um n x em um grafo G dado pelo nmero
de arestas que incidem em x. Por exemplo, na Figura 3.1, o grau do n y 3. Uma
seqncia de arestas (s0, s1), (s1, s2), ..., (sm-2, sm-1), (sm-1, sm) de um Grafo G, se
todas as arestas forem distintas, chamada de caminho. Se os ns s0 e sm so
iguais, esse caminho denominado de ciclo. Na Figura 3.1, tm-se exemplos de:
Caminho: (k,y),(y,w),(w,u),(u,z),(z,y); ou (k,y),(y,w),(w,u),(u,v) e outros;
Ciclo: (y,w),(w,u),(u,z),(z,y).
Um par de ns em um grafo um par conexo se existe um caminho entre
esses ns. Um grafo G um grafo conexo se todo par de ns em G um par
conexo. Um grafo acclico um grafo sem ciclos. Uma rvore um grafo acclico
conexo. Uma floresta um grafo formado por um conjunto de rvores. Quando uma
floresta tem apenas uma rvore, ela uma floresta conexa, assim, uma rvore
uma floresta conexa.
Chama-se de n raiz ou raiz, um n tomado como referncia, que pode ter
grau maior ou igual a um. O significado da raiz depende do problema modelado pelo
grafo, em geral, o incio da rvore, o ponto de origem de recursos, etc. Ns que
possuem grau um so chamados de ns terminais, exceto se for o n raiz.
A topologia de um sistema de distribuio de energia eltrica pode ser
representada por um grafo. A Figura 3.2 mostra um SDR com 4 alimentadores. Cada
barra (n) do sistema representa um setor e as arestas interligando as barras so
chaves seccionadoras. As arestas em linha cheia representam as chaves NF,
enquanto as arestas em linha tracejada representam as chaves NA. As barras 1, 2, 3
e 4 encontram-se em uma subestao.

47

Na ocorrncia de um apago (blackout) devido a uma falta em alguma parte

do sistema (barra, alimentador, linha ou seo de carga), o setor em falta deve ser
isolado abrindo-se todas as chaves que o conectam ao restante do sistema. Em
conseqncia, alm do setor em falta, os setores a jusante do mesmo ficaro sem
energia. reas desenergizadas devem ser reconectadas ao sistema atravs do
fechamento de chaves que as conectem a setores supridos de eletricidade.
9
7
1

20

10

19
11

Alimentador 1

18

23
22

21

14

2
Alimentador 2

Alimentador 3

16
24
12

13

26

15

25
17

29

28

27

Alimentador 4

30

Figura 3.2 Sistema de Distribuio com 4 alimentadores.

A Figura 3.3 mostra um exemplo de reconfigurao de rede para

restabelecimento de energia. Considere o setor 14 em falta. Ento, esse setor deve
ser isolado do restante do sistema. Esse procedimento pode ser realizado abrindose as chaves A e B. Aps a abertura dessas chaves, os setores 15, 16 e 17 estaro
em uma rea fora de servio, representada pela rea sombreada na Figura 3.4. O
propsito da reconfigurao, nesse caso, encontrar outro caminho que fornea
energia a esses setores sem violar restries operacionais do sistema. Nesse
exemplo, existem trs caminhos para restaurar energia aos setores fora de servio:
1) Fecha-se a chave C, conectando a rea fora de servio ao alimentador 1;
2) Fecha-se a chave D, conectando a rea fora de servio ao alimentador 3;
3) Fecha-se a chave E, conectando a rea fora de servio ao alimentador 4.

48

9
8

19

11
6

Alimentador 1

16
D

Alimentador 2

12

23

15

21

24

Alimentador 3
26
25

E
29

17

13

18
22

A 14

20

10

28

27

Alimentador 4

30

Figura 3.3 Sistema de Distribuio em falta.

9
7
1

19

11
6

Alimentador 1

Alimentador 2

A 14
12

23

13

15

18
22

C
16

20

10

21

24

Alimentador 3
26
25

E
17

29

28

27

Alimentador 4

30

Figura 3.4 Setores a jusante do setor em falta desconectados do SDR.

A Figura 3.5 mostra a nova configurao optando pelo fechamento da chave

E. Aps a zona faltosa ter sido isolada e a rea fora de servio ter sido reconectada
ao sistema, as seguintes restries devem ser satisfeitas [12]:
1. A estrutura radial deve permanecer aps o servio de restabelecimento;
2. reas a jusante do setor em falta (que ficaram fora de servio) devem ser
atendidas quando possvel;
3. O montante de carga de cada alimentador do sistema no deve exceder a
capacidade limite da subestao;

49

4. A corrente eltrica em cada ramo no deve ultrapassar a capacidade das

linhas e chaves;
5. A queda de tenso em qualquer barra do SDR no deve exceder o limite
permissvel.
9
8

7
1

19
11

5
6

Alimentador 1

C
16
B

2
Alimentador 2

A 14
12

20

10

13

15

23

18
22

21

24

Alimentador 3
26
25

E
17

29

28

27

Alimentador 4

30

Figura 3.5 Nova configurao.

Geralmente, alm da busca por configuraes que minimize a rea fora de

servio, outros dois objetivos so acrescentados ao problema:
a) Minimizar o total de perdas de potncia;
b) Minimizar o nmero de chaveamentos.
Uma formulao geral para problemas de reconfigurao de redes de
distribuio pode ser obtida considerando juntos todos os objetivos e restries
envolvidas. Um problema genrico de reconfigurao de redes de energia pode
envolver os seguintes objetivos: minimizao da(s) rea(s) fora de servio, nmero
de chaveamentos e total de perdas de potncia sem violar restries de carga e
tenso. Alm disso, o problema deve respeitar as 5 restries apresentadas
anteriormente.
Assim, um problema geral de SDR pode ser formulado como segue [32]:

50

Min . E(F )

H(F )= 0

s .a . (F ) 0
F ser uma floresta ,

(1)

onde,
F grafo correspondente a uma configurao do sistema, representado por
uma floresta de grafo, onde cada rvore dessa floresta corresponde a um
alimentador conectado a uma subestao;
E(F) funo objetivo;
H(F) restries de igualdade representando as equaes de fluxo de carga;
I(F) restries de desigualdade representando as restries operacionais da
rede.
A funo E(F) contm, em geral, um ou mais dos seguintes componentes:
(F) nmero de barras com cargas fora de servio para uma topologia de
rede radial (uma floresta F);
(F) perdas de potncia no sistema para F;
(F,F0) nmero de operaes de chaveamentos requerido para obter uma
dada configurao F a partir da configurao original F0.
As restries de igualdade correspondem s equaes de fluxo de carga,
que podem ser representadas como um sistema linear do tipo Ax = b, onde:
A matriz incidncia de F;
x vetor de corrente de linha;
b vetor contendo as correntes de carga nas barras (bi 0) ou as correntes
injetadas nas subestaes (bi > 0).
As restries operacionais I(F) em problemas de reconfigurao de sistemas
de distribuio geralmente incluem:
um limitante superior de corrente x para cada corrente de linha x . A maior
j

taxa x

x denominada de carregamento da rede;

j

51

a mxima injeo de corrente b em cada subestao, onde i significa a

i

subestao i. A maior taxa b / b denominada carregamento da subestao;

i

o limitante inferior para a tenso no n v . Seja v a tenso na barra i e, v b a

i

tenso base do sistema; a maior taxa v /v denominada maior taxa de

i

tenso.
O vetor de tenso v dado por Yv=b, onde Y a matriz de admitncia
nodal, que pode ser calculada por meio da expresso Y=AYxAT, onde Yx a matriz
admitncia diagonal.
Em SDRs possvel utilizar o modelo de corrente constante e as barras
serem armazenadas segundo o Modelo Pai-Filho (MPF) do ingls, terminalsubstation order [32]. Assim, atravs de um fluxo de carga, pode-se calcular o fluxo
de corrente partindo dos ns terminais (ns folhas) em direo subestao (n
raiz); enquanto as tenses podem ser obtidas de forma encadeada partindo da
subestao at as barras terminais. Detalhes do fluxo de carga podem ser vistos no
Captulo 5.
A funo objetivo para problemas envolvendo SDRs geralmente no linear,
descontnua e com vrios timos locais, dificultando a utilizao de PM. Por outro
lado, quando AEs so empregados para resoluo desse tipo de problema, algumas
modificaes so realizadas na formulao apresentada em (1). A fim de penalizar
as configuraes da rede que violarem as restries operacionais I(F), so inseridos
fatores de penalidades [79]. Dessa forma, o problema em SDR pode ser reformulado
como segue:

Min . E(F )
+ | I(F )
|

H(F )= 0
s .a .
F ser uma floresta ,

onde uma matriz diagonal com os seguintes elementos:

(2)

52

w se pelo menos para um j x j > x j

w 11 = x
caso contrrio

,...

0,.....

w 22 = w s se pelo menos para um i bi > bi

caso contrrio

,...

0,.....

w se pelo menos para um i v i < v

w 33 = v
caso contrrio

,..

0,....

os pesos wx, ws e wv so valores positivos e, i a norma usual [106], isto

, a norma L1 de um vetor z de tamanho n dada por

n
r 1 Z r
=

A formulao do problema anterior pode ser simplificada adaptando a

estrutura de dados utilizada para representar grafos. Denominada Representao
N-profundidade (RNP), essa estrutura descrita no Captulo 4. Essa representao
possui operadores de modificao de uma floresta para produo de novas
florestas, ou seja, gera configuraes de SDRs sempre radiais em que todos os
consumidores so atendidos (configuraes em rvores). Dessa forma, utilizando a
RNP, o problema descrito em (2) pode ser reescrito como segue:

Min . E(F )
+ | I(F )
|

H(F )= 0
s .a .
F ser dado pelos operadores da RNP .

(3)

A RNP de um SDR possui, naturalmente, as barras de cada rvore

(alimentador) ordenadas segundo o MPF. Com isso, evita-se o uso de um algoritmo
de busca [86] para obter tal modelo. Assim, o fluxo de carga pelo MPF com RNP
mais eficiente que fluxos de carga convencionais para SDRs [32, 78]. Alm disso, o
uso do MPF garante que as restries de igualdade (H(F)) em (3) sejam satisfeitas.
Assim, o problema genrico de reconfigurao de SDRs pode ser reescrito
utilizando-se a propriedade da RNP possuir os ns na ordem segundo o MPF, da
seguinte forma:

53

Min . E(F )
+ | I(F )
|

Utilizar MPF com RNP .

s .a .
F ser dado pelos operadores da RNP

(4)

Neste Captulo, conceitos bsicos de grafos, detalhes do problema de

reconfigurao de redes de energia e uma formulao matemtica genrica para
esse problema foram apresentados. A formulao do problema utilizando as
informaes da RNP com MPF e conectividade da rede para produo de
configuraes em rvores, reduz o tempo de processamento pela produo
exclusiva de configuraes apropriadas para SDRs e pela avaliao relativamente
rpida de cada configurao por um fluxo de carga mais eficiente. Outra vantagem
da tcnica desenvolvida que, como so produzidas somente configuraes em
rvores, no h a necessidade de utilizar uma rotina especfica para verificar e muito
menos para corrigir configuraes com ciclos ou desconexas. A utilizao da RNP e
seus Operadores juntamente com o fluxo de carga pelo MPF com RNP tornam
tambm a modelagem matemtica do problema mais simples, compare a Equao
(4) com a Equao (1). Alm disso, devido ao mtodo desenvolvido produzir
somente configuraes em rvores, somente as restries de queda de tenso,
carregamento na rede e carregamento nas subestaes sero consideradas na
formulao matemtica do problema.

55

4 Representao N-Profundidade
Neste Captulo uma estrutura de dados eficiente para armazenar e
manipular grafos apresentada Representao N-profundidade (RNP). Dois
Operadores que modificam dados na RNP so utilizados para obter, de forma
eficiente, novas topologias de rede. As Sees 4.1, 4.2, 4.3 e 4.4 apresentam a
RNP, seus operadores e caractersticas intrnsecas da RNP que capacitam a mesma
a ter alta eficincia computacional.

4.1 Fundamentos da RNP

Um sistema de distribuio pode ser visto como um conjunto de
alimentadores, sendo cada alimentador composto por um ou mais setores (ver
Seo 5.1). A Figura 4.1 apresenta uma floresta com trs rvores. Os ns 1, 2 e 3
so razes das rvores 1, 2 e 3 respectivamente. Esse grafo pode ser visto como um
sistema de distribuio com 3 alimentadores onde os ns so setores e as arestas
so chaves seccionadoras. As arestas em linhas cheias representam chaves NF e
as arestas em linha tracejada representam chaves NA. Os ns 1, 2 e 3 podem estar
conectados ao barramento de uma mesma subestao ou ao barramento de
subestaes distintas. Em geral, um adicional conectaria os ns 1, 2 e 3 para
representar que todos os alimentadores esto ligados a um mesmo barramento de
subestao. Assim, sua interpretao usual de 3 alimentadores ligados a 3
barramentos diferentes de subestao.

56

A codificao proposta baseada no conceito de n e profundidade de n

em uma rvore de grafo, onde a profundidade de um n a distncia do mesmo at
a raiz. Sua representao consiste basicamente de uma lista linear contendo os ns
na rvore e suas profundidades, criando um vetor de pares (nx,px), onde nx o n e
px sua profundidade. A ordem em que os pares so dispostos na lista linear
importante. Uma busca em profundidade [86] em uma rvore de grafo pode produzir
uma ordenao adequada inserindo um par (nx,px) na lista quando o n nx visitado
pela busca em um processo off-line.
1

2
Alimentador-2

Alimentador-1
10
16

11

12

17

18

13
19

14

15

20

21
Alimentador-3

22

23

24

25

26

27

Figura 4.1 SDR com trs alimentadores. Grafo com trs arvores.

A codificao proposta para uma floresta composta pela unio de todas as

codificaes das rvores dessa floresta. Assim, uma estrutura de dados da floresta
pode ser facilmente implementada usando arrays de ponteiros. Cada ponteiro indica
a RNP de uma rvore. A Figura 4.2 mostra a RNP para as 3 rvores da Figura 4.1.
T1 =

0 1 2 3 2 3 4 3 4 4
prof.
n = 1 4 5 6 10 11 12 16 22 23

T2 =

0 1 2 3 2 3 3
prof.
n = 2 9 15 14 8 7 13

T3 =

0 1 2 3 2 3 4 5 3 4
prof.
n = 3 27 21 20 26 19 18 17 25 24

Figura 4.2 RNP para as 3 rvores da Figura 4.1.

57

4.2 Operadores da RNP

Esta Seo apresenta 2 operadores para gerar novas florestas utilizando a
RNP. Ambos Operadores geram uma floresta F de um grafo G quando esses so
aplicados a outra floresta F de G.
Os resultados produzidos pela aplicao de ambos Operadores so
similares. Dada uma floresta com duas rvores ou mais, a aplicao do Operador 1
(ou 2) a essa floresta equivalente a transferir uma subrvore de uma rvore Tde
para uma outra rvore Tpara da floresta. Ao aplicar o Operador 1, a raiz da subrvore
cortada de Tde ser tambm a raiz dessa subrvore na nova rvore Tpara. Ao aplicar
o Operador 2, a subrvore cortada ter um novo n raiz que poder ser qualquer n
da subrvore cortada diferente da raiz original. Essa a diferena bsica entre os
Operadores 1 e 2.
Como resultados, o Operador 1 pode produzir mudanas simples e
pequenas nas rvores da floresta; enquanto o Operador 2 pode gerar alteraes
mais complexas.
O Operador 1 requer um conjunto de dois ns determinados previamente: o
n de poda p que indica a raiz da subrvore a ser transferida e o n adjacente a, que
um n em uma rvore diferente da rvore cortada (Tde) tambm adjacente a p em
G. Os ns adjacentes a p podem ser armazenados em uma lista de adjacncia5
[107]. A lista de adjacncia para o grafo da Figura 4.1 mostrada na Tabela 4.1.

A lista de adjacncia considera todas as conexes possveis de cada n, isto , conexes referentes
tanto a chaves abertas quanto fechadas, desta forma, no se altera de uma configurao para outra.

58

Tabela 4.1 Lista de adjacncia para os ns do grafo da Figura 4.1.

N
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27

Adjacentes
4
9
27
1
4
5
6
7
2
4
5
6
7
8
9
10
11
12
13
14
15
16
16
18
19
19
3

5
6
7
8
9
8
11
10
11
8
13
14
17
16
17
18
19
20
23
17
23
24
20
21

10
11
12
13
13
15
16
12
13
12
15
21
22
18
19
20
21
27

14
17
18
14 19
20
23
23
24
25 26
26

22 24
25
26
25 27
26

Operador 2 requer um conjunto de 3 ns: o n de poda p, o n adjacente a e

o novo n raiz r da subrvore a ser transferida. O funcionamento dos Operadores,
considerando que o conjunto de ns requerido foi determinado previamente,
apresentado a seguir. A Seo 4.4 mostra como obter eficientemente esse conjunto.

4.2.1 Operador 1
A gerao de uma floresta F de um grafo G a partir de outra floresta F de G
pode ocorrer pela aplicao do Operador 1. Esse processo equivalente a
transferncia de uma subrvore de uma rvore Tde para outra Tpara da mesma

59

floresta. Para o Operador 1, a raiz da subrvore cortada tambm ser a raiz da

subrvore na nova rvore Tpara.
Considerando que a RNP foi desenvolvida utilizando vetores e que os ns p
e a foram previamente determinados, podemos assumir que os ndices de p (ip) e de
a (ia) nos vetores Tde e Tpara, respectivamente, tambm so conhecidos.
Para ilustrar o funcionamento do Operador 1, do grafo da Figura 4.1, as
rvores T1 e T3 foram selecionadas como as rvores Tde e Tpara, respectivamente,
para aplicao do Operador 1. Os ns p e a so, respectivamente, 11 e 17. O
Operador 1 pode ser descrito pelos seguintes Passos (ver Figura 4.3 a Figura 4.6):
1. Determine as posies (ip iu) dos ndices em Tde correspondente a
subrvore que contm o n p como raiz. Como ip conhecido,
necessrio encontrar apenas iu, que corresponde ao ndice do ltimo
n na subrvore que tem o n p como raiz. O conjunto (ip iu)
corresponde ao n p em ip e aos consecutivos ns x no vetor Tde de
forma que ix > ip e px > pp (retngulo tracejado na Figura 4.3), onde px
a profundidade do n x e pp a profundidade do n p;
2. Copie os dados do conjunto (ip iu) de Tde em um vetor temporrio
Ttmp (subrvore que est sendo transferida), ver Figura 4.4. A
profundidade de cada n x do conjunto ipiu atualizado como segue:
px = px pp + pa + 1;
3. Crie um vetor Tpara contendo os dados de Tpara e Ttmp, inserindo Ttmp a
partir da posio ia, ver Figura 4.6;
4. Construa um vetor Tde compreendendo os ns de Tde sem os ns de
Ttmp, ver Figura 4.5;

60

5. Copie a estrutura de ponteiros da floresta F para F trocando os

ponteiros para os arrays Tde e Tpara por ponteiros para os arrays Tde e
Tpara, respectivamente.

T de
1

5
4

6
p
11

12

10

22
16

0 1 2 3 2 3 4 3 4 4
1 4 5 6 10 11 12 16 22 23

23
a
17

20
T para
3

21
27

18
19

26

24
25

0 1 2 3 2 3 4 5 3 4
3 27 21 20 26 19 18 17 25 24

Figura 4.3 Tde, Tpara e suas respectivas RNPs.

12
T tmp 11
p

6 7
11 12

Figura 4.4 Ttmp e sua RNP.

6
T' de
1

5
4
10

22
16

0 1 2 3 2 3 4 4
1 4 5 6 10 16 22 23

23
Figura 4.5 Tde e sua RNP.

61

12
11
20
T' para
3

18

21
27

17

19
24

26
25

0 1 2 3 2 3 4 5 6 7 3 4
3 27 21 20 26 19 18 17 11 12 25 24

Figura 4.6 Tpara e sua RNP.

4.2.2 Operador 2
Assim como o Operador 1, o Operador 2 tambm produz uma floresta F de
um grafo G quando aplicado a outra floresta F de G. No entanto, transferindo uma
subrvore de uma rvore Tde com uma nova raiz para outra rvore Tpara da mesma
floresta. A nova raiz pode ser qualquer n da subrvore diferente da raiz original.
A descrio do Operador 2 assume que um conjunto de ns seja
previamente determinado: o n de poda p, o novo n raiz r e o n adjacente a. Os
ns p e r pertencem rvore Tde e o n a pertence Tpara. As diferenas entre o
Operador 1 e o Operador 2 esto nos Passos 2 e 3 do procedimento do Operador 1
(ver a Seo 4.2.1), isto , a formao da subrvore cortada e o armazenamento da
mesma no array temporrio Ttmp so diferentes.
Os Passos 2 e 3 para o Operador 2 so descritos a seguir (ver Figura 4.7 a
Figura 4.10). Para o Operador 2, o procedimento de copiar a rvore cortada pode ser
separado em dois Passos: o primeiro Passo similar ao Passo 2 do Operador 1,
diferindo apenas na troca de ip por ir. O segundo Passo considera os ns no caminho
de r a p (isto , r0, r1, r2, ..., rn, onde r0 = r e rn = p) como razes das subrvores
(retngulo tracejado na Figura 4.7). O algoritmo para o segundo Passo dever copiar
a subrvore com a raiz ri (i = 1, ..., n) sem a subrvore com raiz ri-1 (Figura 4.8) e

62

armazenar a subrvore resultante em um array temporrio Ttmp, ver Figura 4.9. O

Operador 2 utilizar os arrays temporrios, Ttmp para construir Tpara.
A seguir apresenta-se um exemplo de aplicao do Operador 2. As rvores
Tde e Tpara utilizadas na aplicao do Operador 2 so as mesmas utilizadas pelo
Operador 1 na Seo 4.2.1. Os ns p e r so 10 e 16 respectivamente. As
profundidades na Figura 4.8 e na Figura 4.9 so relativas ao sorteio do n 17 como
adjacente.

6
T de
1

12

11
10
p

0 1 2 3 2 3 4 3 4 4
1 4 5 6 10 11 12 16 22 23

22
16
r

23

Figura 4.7 Tde e sua RNP.

12
11

22
r

16
23

6 7 7
16 22 23

10
7 8 9
10 11 12

Figura 4.8 Subrvores enraizadas nos ns do caminho de r a p.

22
r

16
12

23
11
p

10

6 7 7 7 8 9
16 22 23 10 11 12

Figura 4.9 RNP da subrvore podada.

63

22
16
20
T' para
3

21
27

23

17
18

11
10

19
26

12

24

25
0 1 2 3 2 3 4 5 6 7 7 7 8 9 3 4
3 27 21 20 26 19 18 17 16 22 23 10 11 12 25 24

Figura 4.10 rvore Tpara e sua RNP.

4.3 Localizando um n na RNP de uma floresta

A posio de um n em F pode ser eficientemente determinada usando
matrizes x e um array . Cada n x de G possui uma matriz x correspondente.
Para a floresta original F0 de G, x a matriz de uma coluna:
0
i
x = 0 ,
j0

k0

onde i0 o ndice da rvore que contm x (Ti0), j0 o ndice correspondente a x no

array Ti0 e k0 a profundidade de x na rvore.
Suponha que uma floresta Fh est sendo gerada de outra floresta Fg (g < h)
e que x est na subrvore que ser transferida para uma nova rvore gerada Fh.
Dessa maneira, x ter uma nova posio em Fh diferente da posio em Fg. Deve-se
inserir uma nova coluna em x com os ndices correspondentes a essa nova
posio, resultando em:
0
i
x = 0
j0

k0

h
ih
.
jh

kh

64

A atualizao da posio executada para todos os ns da subrvore

transferida (Ttmp), para os ns com ndices maiores que iu na rvore Tde e, para os
ns de Tpara a partir da posio ia.
O array armazena a floresta g, da qual a floresta Fh foi gerada, na posio
h de , isto , (h)=g. O pai de g (g), o pai de (g) ((g)) e assim por diante.
Assim, uma lista encadeada com todos os predecessores de Fh. Como a ltima
mudana de posio de x ocorreu em um dos predecessores de h, pode-se procurar
pelo predecessor de h nas colunas de x. A busca inicia-se com (h). Se (h) no
encontrada em x procura-se por ((h)), e assim por diante. O processo de
procurar por tais colunas em x pode ser eficientemente implementado atravs de
uma busca binria [108] na lista dada por x (0, ) na primeira linha de x.
Uma vez identificada a coluna com o predecessor de h, necessrio apenas
ler os ndices de x armazenados nessa coluna.

4.4 Determinao dos ns p, r e a

Os Operadores propostos requerem um conjunto especial de ns para gerar
uma floresta F de G baseada em outra floresta F de G. Para o Operador 1, esse
conjunto pode ser eficientemente obtido pela seguinte estratgia:
1. Selecione aleatoriamente um ndice de uma rvore em F e, para esta
rvore, selecione aleatoriamente o ndice de um n que no seja raiz,
chamado de n de poda (p);
2. Selecione aleatoriamente um n adjacente a p (utilize para isso a lista
de adjacncias de G), chamado de n adjacente (a). Se a Tde,
determine a posio em F utilizando o array e a matriz a; caso
contrrio, selecione aleatoriamente outro a ou retorne ao Passo 1.

65

A estratgia para a determinao de p, r e a para o Operador 2 segue aos

seguintes passos:
1. Selecione aleatoriamente um ndice de uma rvore em F e, para essa
rvore, selecione aleatoriamente um ndice de um n que no seja
raiz. Denomine-o de n de poda (p);
2. Determine o conjunto de ns na subrvore que tenha o n p como
raiz (faixa da RNP de ip a iu, ver Passo 1 do Operador 1, Seo 4.2.1).
Escolha aleatoriamente um ndice desse conjunto para ser o novo n
raiz (r);
3. Selecione aleatoriamente um n adjacente a r (utilize os ns da lista
de adjacncias de G). Chame-o de n adjacente a. Se a Tde,
determine a posio em F utilizando o array e a matriz a; caso
contrrio, selecione outro a ou retorne ao Passo 1.
Este Captulo apresentou uma estrutura de dados eficiente para armazenar
e manipular grafos, a RNP. Em nosso contexto, essa representao armazena a
configurao dos alimentadores de um SDR. Juntamente com a RNP, descreveramse dois Operadores utilizados para modificar de maneira eficiente a topologia da
rede. Tais operadores so capazes de gerar novas configuraes sempre radiais,
conexas e em pequeno tempo de processamento. Foi tambm apresentado como
determinar o conjunto de ns requeridos pelos operadores, bem como uma maneira
de encontr-los quando armazenados em computador.
O Captulo 5 apresenta detalhes do fluxo de carga utilizado para determinar
os parmetros da rede, o qual baseado na RNP e tambm como determinar, de
forma eficiente, o nmero de manobras necessrio para implantar uma configurao
de um SDR.

67

5 Avaliao Eficiente das Solues

Os objetivos e restries podem ser obtidos a partir do clculo de um fluxo

de carga, com exceo do nmero de manobras necessrio para implantar uma
nova configurao. Neste Captulo, procedimentos computacionalmente eficientes
para o clculo de fluxo de carga (Seo 5.1) e de nmero de manobras (Seo 5.2)
so apresentados.

5.1 Fluxo de Carga

As condies operacionais de uma rede eltrica so obtidas atravs de um
fluxo de carga que provm a tenso complexa em cada barra e os fluxos de potncia
ativa e reativa em todas as linhas e transformadores dessa rede. Para o clculo do
fluxo de carga, assume-se que a topologia da rede, a potncia instalada e a potncia
nas cargas (ou correntes de carga) so conhecidas.
Mtodos convencionais de fluxo de potncia para sistemas de transmisso
como Newton-Raphson [109], Newton-Raphson desacoplado rpido [110] e seus
derivados [111-113] em geral no so adequados para resolver fluxo de carga para
sistemas de distribuio [114]. Isto ocorre devido a necessidade de fatorao de
matrizes exigido por esses mtodos sendo que tais matrizes associadas a sistemas
de distribuio so mal condicionadas e a quantidade de barras grande, sendo
necessrio a utilizao de matrizes com milhares de linhas e colunas. Algumas

68

caractersticas particulares dos sistemas de distribuio so responsveis pelo mau

condicionamento das matrizes: alta relao R/X (resistncia/reatncia), alto nmero
de cargas distribudas e partes da rede com alta impedncia associadas a trechos
de baixa impedncia6.
Nas ltimas dcadas, com a automatizao dos sistemas de distribuio,
muitas aplicaes tm requerido mtodos de fluxo de potncia eficientes e robustos.
Surgiram ento, mtodos especficos para distribuio que exploram sua natureza
radial. Esses mtodos tm apresentado desempenho melhor que os mtodos
convencionais (em termos de tempo de processamento, esforo computacional,
convergncia, etc.). Devido a robustez e simplicidade na implementao, mtodos
de varredura direta/inversa [77, 78, 88, 114] tm obtido a preferncia de muitos
pesquisadores. Esses mtodos exploram uma caracterstica especial dos sistemas
de distribuio radiais, a existncia de um nico caminho entre qualquer barra da
rede e a barra raiz, na subestao [114]. Assim, a soluo de um fluxo de potncia
para sistemas radiais pode ser obtida sem a necessidade de resoluo de um
sistema de equaes Ax = b (ver Captulo 3) como nos mtodos tradicionais.
Existem muitas variaes dos mtodos de varredura direta/inversa: mtodo da soma
de potncia [115], mtodo da soma de corrente [88], mtodo da soma de impedncia
e outros.
Na Seo 5.1.1, o mtodo da soma de potncia apresentado. O mtodo
proposto apresentado nas Sees 5.1.2, 5.1.3 e 5.1.4. O mesmo baseado no
modelo de corrente constante e utilizado para soma de correntes com a RNP. Na
Seo 7.8 resultados encontrados por esses dois mtodos de fluxo de carga sero
comparados.

Chaves seccionadoras, reguladores de tenso e, pequenos trechos de rede.

69

5.1.1 Mtodos de soma de potncia

Nos mtodos de varredura direta/inversa existem dois estgios para obter as
grandezas do sistema:
Estgio 1: Varredura Inversa
Este estgio inicia pela ltima barra da rvore e termina na barra raiz. No
mtodo de Soma de Potncia, a potncia ativa na iterao k, P(k) e a potncia reativa
na iterao k, Q(k) so calculadas para todas as barras da rede.
Estgio 2: Varredura Direta
Este estgio comea pela barra raiz e termina na barra terminal. Nesse
passo, a tenso V(k) deve ser atualizada para todas as barras da rede. Assim, o
problema de fluxo de carga de uma rede radial pode ser resolvido iterativamente a
partir do conjunto de duas equaes recursivas. Inicialmente, a amplitude e ngulo
da tenso da barra raiz so atribudos a todas as barras da rede. Em seguida, na
varredura inversa, as seguintes equaes so utilizadas:
P =P +r
i

P +Q
V
'2

'2

+P ,
Li

(5)

=Q + x
i

P +Q
V
'2

'2

onde
Pi o fluxo de potncia ativa no ramo i;
Qi o fluxo de potncia reativa no ramo i;
PLi a potncia ativa de carga na barra i;
QLi a potncia reativa de carga na barra i;
Pi = Pi + PLi;
Qi = Qi + QLi.

+Q ,
Li

(6)

70

Na varredura direta, as seguintes equaes so utilizadas:

P 2 +Q 2
+ r2 +x2) 2
,
V 2+1 =V 2 2(r P + x Q )(
V
i

(7)

+1

1
= tan(
k1 / k 2 )
,

(8)

(P x Q r )
k1 =
,
V
i

(P r Q x )
k 2 =V
.
V
i

Se o ngulo da tenso na barra i (ao invs de zero), torna-se

i

+1

1
= tan(
k1 / k 2 )
,
i

(9)

onde
Vi a amplitude da tenso na barra i;

o ngulo da tenso na barra i;

i

ri a resistncia srie do ramo i;

xi a reatncia srie do ramo i.
Computacionalmente, o problema de fluxo de carga pelo mtodo da soma de
potncia pode ser dividido em 4 passos:
1. Leia os dados do sistema. Construa as rvores armazenando as
barras da rede na estrutura de dados. Assuma a tenso inicial para
todas as barras sendo a mesma da barra raiz;
2. Pelo estgio inverso, calcule o fluxo de potncia ativo e reativo em
cada ramo da rvore pelas equaes (5) e (6), respectivamente;
3. Pelo estgio direto, calcule a tenso complexa na barra final de cada
ramo usando as equaes (7) e (8) ou (9);
4. Encontre as diferenas de tenso entre a iterao atual e a ltima
iterao para todas as barras (amplitude e ngulo separadamente).

71

Se todas as diferenas so menores que uma tolerncia especificada,

pare o processo; caso contrrio, v para o passo 2.

5.1.2 Extenso da RNP para fluxo de carga

Em sistemas reais de distribuio de energia eltrica, nem todos os trechos
entre barras so separados por chaves. Conjuntos de barras e linhas no separadas
por chaves so denominados setores. Em muitos trabalhos, as barras de cargas de
um setor so modeladas como se estivessem concentradas em um nico ponto. Tal
procedimento reduz o grau de confiabilidade do sistema.
Neste trabalho, procura-se reproduzir um sistema real com a maior
fidelidade possvel. Utiliza-se para isso a RNP em dois nveis diferentes: a RNP do
alimentador e a RNP do setor. Considere os 2 alimentadores mostrados na Figura
5.1. As barras em vermelho pertencem ao alimentador 1, enquanto as barras em
preto so do alimentador 2. Na Figura 5.1 e na Figura 5.2, retngulos representam
barras em uma subestao, crculos so barras do SDR (barras de carga,
extremidades de chaves, ponto de conexo de duas ou mais linhas), linhas cheias
representam as linhas do SDR, linhas tracejadas so chaves seccionadoras NF e a
linha interrompida representa uma chave seccionadora NA.

9
6

Alimentador 1

15

10

14
8

11
13

12

Alimentador 2

Figura 5.1 SDR com dois alimentadores.

72

Ao agrupar as barras e linhas no separadas por chaves da Figura 5.1 (ver

Figura 5.2), tem-se um grafo em que todas as arestas so chaves seccionadoras.
Veja a Figura 5.3.
D

B
6

Alimentador 1

H
14

15

10

8
4

13

F
11

12

Alimentador 2

Figura 5.2 Agrupamento das linhas e barras em setores.

D
A

Alimentador 1

Alimentador 2

Figura 5.3 Grafo representando setores do SDR da Figura 5.2.

Para a Figura 5.3 h 2 RNPs, uma para o alimentador 1 (em vermelho) e

outra para o alimentador 2 (em preto), denominadas RNP do alimentador. As arestas
em vermelho e preto so chaves seccionadoras NF e a aresta em verde uma
chave aberta. Assim, temos uma estrutura T1 que armazena o endereo de memria
da RNP do alimentador 1 e a estrutura T2 armazena o endereo de memria da RNP
do alimentador 2:
T1 =

T2 =

Profundidade
N
Profundidade
N

73

A partir da Figura 5.2, possvel tambm associar RNPs aos setores. Em

outras palavras, cada trecho de linhas e barras no separadas por chaves podem
ser analisados como uma rvore de grafo. Cada setor pode ter mais de um n raiz,
dependendo do sentido em que est sendo alimentado. Assim, pode haver mais de
uma rvore representando cada setor. Para a finalidade de fluxo de carga,
acrescenta-se a cada uma dessas rvores, o n adjacente ao seu n raiz. Para o
acrscimo do n adequado, pode-se utilizar a seguinte regra: todo n i adjacente a
um n x, tal que i pertena a um setor diferente do setor de x, sendo x raiz,
acrescentado rvore correspondente ao setor de x. Excees ocorrem para os ns
em uma subestao, que possuem somente um setor vizinho. A Tabela 5.1 mostra
as rvores geradas a partir da Figura 5.2, acrescentando os ns adjacentes.
A RNP do setor pode ser representada computacionalmente de forma
semelhante a RNP do alimentador, onde as rvores foram armazenadas em
estruturas denotadas por Ti. Para RNP do setor, denotar-se- por Bsr, onde s
representa o setor em anlise e r refere-se ao setor pelo qual a energia chega ao
setor s, setor pai. Para um mesmo setor s podem existir mais de uma RNP conforme
mostra a Tabela 5.2.
Como exemplo, considere o setor D da Figura 5.3. Fluxo de corrente pode
chegar ao setor D por dois caminhos diferentes, atravs do setor B ou do setor H.
Logo, pelo setor B, tem-se Bsr = BDB e para o setor H, tem-se Bsr = BDH. As estruturas
que armazenam as RNPs possveis para o setor D so mostradas a seguir:
BDB =

BDH =

0 1 2 2

6 7 8 9 10
0

2 3 4

15 10 9 7 8

74

A anlise da RNP do alimentador nos informa qual das configuraes acima

utilizar. Atravs da RNP do alimentador 1, notamos que o setor D est conectado ao
setor B. Portanto, no exemplo acima o r correto o setor B, conforme RNP abaixo.
0

T1 =

A B C D

Tabela 5.1 rvores dos setores com o n adicional.

Setor

rvores

5
9

10

15

10

7
8

2
14

11

11

11

13
10

12

15

15
14
Aresta

14
11
Aresta e n adicional

75

Tabela 5.2 RNPs dos setores mostrados na Tabela 5.1.

Setor
A
B
C
D
E
F
G
H

RNPs do Setor
0
1
0 1 2

0 1 2

1 3 6

7 6 3

0 1 2
3 4 5
0 1 2 2 3

1 2 3 4

6 7 8 9 10 15 10 9 7 8
0
2
0

0 1

14 11
0

2 11
2

11 12 13
0

10 15 14

11 14 15

Deve-se observar que a determinao de todas as RNPs de cada setor pode

ser executada por um procedimento off-line, deixando todos os clculos prontos para
serem utilizados pelo fluxo de carga on-line.

5.1.3 Varredura direta/inversa com RNP

Devido caractersticas especificas de SDRs e a necessidade de encontrar
configuraes em um curto tempo de processamento, optou-ser por utilizar o modelo
de corrente constante no fluxo de carga do mtodo proposto neste projeto. Dentre as
caractersticas dessas redes, destacam-se: a natureza da rede ser puramente radial
e as barras estarem naturalmente armazenadas segundo o MPF na RNP. O modelo

76

da linha da rede correspondente a uma impedncia constante Zmn para cada linha
entre as barras m e n.
O algoritmo de fluxo de carga finaliza seu ciclo aps a execuo de 2 subrotinas: uma obtm as correntes a jusante por meio da varredura inversa
(CORRENTES, ver Algoritmo 1) para todas as barras de um alimentador e a outra
utiliza as correntes a jusante para obter as tenses nas barras do mesmo
alimentador utilizando a varredura direta (TENSES, ver Algoritmo 2). Com o
modelo de corrente constante, a convergncia atingida em um nico ciclo,
diferindo de vrios modelos usuais de varredura direta/inversa [77, 88, 114].
A sub-rotina CORRENTES percorre os ns (barras) do sistema partindo dos
ns terminais at o n raiz, ver Algoritmo 1. importante observar que a ordem dos
ns visitados no sentido dos ns terminais para a raiz, ordem que est prdeterminada nas RNPs do alimentador e do setor. A carga de uma barra m
denominada I(m) e a corrente a jusante dessa barra m denominada J(m).
Algoritmo 1. Pseudocdigo para calcular a corrente a jusante de uma barra.
CORRENTES
PARA k:=ltima posio em T, AT K:=1, FAA:
u := prxima posio (menor que k) em que a profundidade do n seja T.prof(k) 1;
s:=T.no(k);
r:=T.no(u);
J(T):= 0 //A corrente a jusante em todas as barras em T recebem zero
PARA q:=ltima posio em Bsr, AT q:=1, FAA:
p := prxima posio (menor que q) em que a profundidade do n seja Bsr.prof(q) 1;
m:=Bsr.no(p);
n:=Bsr.no(q);
corrente_acumulada:=J(n) + I(n);
J(m):= J(m) + corrente_acumulada;
FIM
FIM

A sub-rotina TENSOES mostrada no Algoritmo 2. Novamente, a ordem em

que os ns sero visitados est determinada nas RNPs do alimentador e do setor.

77

As tenses so obtidas partindo da barra raiz em direo s barras terminais. O

algoritmo TENSOES necessita que as correntes a jusante de cada barra tenham
sido obtidas previamente pela rotina CORRENTES. Assim, para se obter as tenses
em cada barra necessria a corrente na barra I(n), a tenso a montante da barra n
V(m), e a impedncia Zmn entre as barras m e n.
Algoritmo 2. Pseudocdigo para calcular as tenses nas barras.
TENSOES
PARA k:=1, AT K:=ltima posio em T, FAA:
u := prxima posio (menor que k) em que a profundidade do n seja T.prof(k) 1;
s:=T.no(k);
r:=T.no(u);
Bsr.no(0):= Vsub; // A tenso nas barras da subestao geralmente 13.800V
PARA q:=1, AT q:=ltima posio em Bsr, FAA:
p := prxima posio (menor que q) em que a profundidade do n seja Bsr.prof(q) 1;
m:=Bsr.no(p);
n:=Bsr.no(q);
V:= Zmn.(J(n) + I(n)); //Queda de tenso na rede entre as barras m e n.
V(n):= V(m) V; //tenso na barra n
FIM
FIM

Por fim, o Algoritmo 3 apresenta a rotina principal do fluxo de carga

utilizando a RNP. Como os Operadores 1 e 2 modificam pares de rvores de uma
floresta, para cada nova floresta, apenas 2 alimentadores so alterados. Assim, as
sub-rotinas

CORRENTES

TENSOES

so

aplicadas

somente

esses

alimentadores, pois o fluxo de carga para os outros alimentadores no se alteram.

Algoritmo 3. Pseudocdigo para determinar o fluxo de carga em SDRs.

ALGORITMO PRINCIPAL
// para cada estrutura Ti (indicada por um ponteiro) de F
// chama-se as sub-rotinas CORRENTES e TENSOES
PARA i := 0 AT i := nmero de ponteiros em F FAA
CORRENTES (FTi);
TENSOES (FTi);
FIM

78

5.1.4 Exemplo de aplicao do fluxo de carga proposto

O funcionamento dos Algoritmos 1, 2 e 3 (ver Seo 5.1.3) so ilustrados a
seguir para calcular o fluxo de carga do alimentador 2 da Figura 5.1. A RNP do
alimentador 2 a seguinte:
T2 =

Profundidade

0 1

E F G H

Algoritmo 1 Clculo das correntes a jusante

O primeiro passo zerar as correntes a jusante de todas as barras do
alimentador 2, ou seja,
J[i] = 0, para i = todas as barras de T2.
Ao aplicar a rotina para calcular as correntes a jusante, tem-se: s = H, r = F.
Portanto, utiliza-se a rvore BHF da Tabela 5.2, isto ,
BHF =

11 14 15

A ordem dos ns na BHF resulta na seguinte seqncia de clculos de

correntes a jusante:
J[14] = J[14] + I[15] + J[15] = I[15],
J[11] = J[11] + I[14] + J[14] = I[14] + I[15].
Seguindo a

ordem da

RNP

do

alimentador 2,

determinam-se

representao adequada do setor G: s = G, r = F, ou seja, BGF,

BGF =

11 12 13

Dessa RNP, obtm-se a seguinte seqncia de clculo de corrente a

jusante:

79

J[12] = J[12] + I[13] + J[13] = I[13],

J[11] = J[11] + I[12] + J[12] = I[14] + I[15] + I[12] + I[13].
Note que as cargas dos ns 14 e 15 j estavam armazenadas em J[11]
quando utilizou BHF. Agora, as cargas dos ns 12 e 13 tambm so armazenadas.
O setor F o prximo da seqncia, assim s = F, r = E, corresponde a BEF:
BFE =

2 11

a qual implica na seguinte seqncia de clculo:

J[2] = J[2] + I[11] + J[11] = I[11] + I[14] + I[15] + I[12] + I[13].
Com isso tem-se as correntes a jusante de todas as barras do alimentador 2
calculadas. Em seguida, aplica-se o procedimento para o clculo das tenses
(Algoritmo 2).
Algoritmo 2 Clculo das tenses
Considere Vsub sendo a tenso complexa nas barras em uma subestao.
Seguindo o Algoritmo 2 e a RNP do setor 2, tem-se s = F, r = E. Assim,
utilizando a estrutura BFE, procede-se como segue:
V[2] = Vsub,
V[11] = V[2] Z2-11*(J[11] + I[11]).
Em seguida, s = G, r = F, utilizando a estrutura BGF:
V[12] = V[11] Z11-12*( J[12] + I[12]),
V[13] = V[12] Z12-13*(J[13] + I[13]).
Por fim, s = H, r = F, utilizando a estrutura BHF:
V[14] = V[11] Z11-14*( J[14] + I[14]),
V[15] = V[14] Z14-15*(J[15] + I[15]).
Desta forma, tem-se todas as tenses e correntes a jusante das barras do
alimentador 2 calculadas.

80

5.2 Clculo do nmero de manobras

A adequao de cada configurao gerada pela aplicao dos Operadores 1
ou 2 avaliada atravs de parmetros determinados por um fluxo de carga (ver
Seo 5.1) e pelo nmero de manobras necessrias para implementar essa nova
configurao. Em geral, o nmero de manobras determinado a partir da
comparao entre vetores que guardam o estado das chaves (de forma binria) de
cada configurao. Dessa forma, para obter o nmero de manobras necessrias
para implantar uma dada configurao, comparam-se o vetor com o estado de todas
as chaves de uma dada configurao com o vetor que armazena o estado das
chaves da configurao inicial. Porm, o processo envolve custo computacional
relativamente alto, pois para cada nova configurao gerada, necessrio criar um
vetor com o estado atual das chaves e realizar a comparao com o vetor da
configurao inicial. Como esses vetores tm o comprimento igual ao nmero de
chaves (m) no sistema, o tempo para percorr-lo uma vez bem maior que o tempo
de realizar uma modificao no sistema pelos operadores 1 ou 2, que requerem
tempo de computao da ordem do tamanho dos alimentadores envolvidos, em
geral, bem menor que m.
Para melhorar o desempenho computacional do mtodo, um algoritmo que
determina o nmero de manobras de forma eficiente proposto. Para esta
formulao necessrio apenas um vetor com o estado das chaves na configurao
inicial e outro vetor de tamanho gmax que guarda a quantidade de chaves alteradas
em relao configurao inicial, onde gmax o nmero mximo de geraes.
O procedimento de isolar o setor em falta e conectar os setores a jusante do
mesmo ao SDR exige manobras de chaves que nem sempre ocorrem aos pares.
Para ilustrar esse procedimento, a Figura 3.3 foi reproduzida na Figura 5.4, onde o

81

setor 14 sofreu uma falta. O primeiro procedimento isolar o setor em falta, que
pode ser realizado abrindo-se as chaves A e B (2 manobras de chaves). Porm, os
setores 15, 16 e 17 ficaram desconectados do sistema. Para conect-los ao SDR
necessrio fechar uma chave que os conectam a algum alimentador, que pode ser
realizado fechando a chave C, D ou E (1 manobra de chave). Portanto, na primeira
alterao de topologia, 3 manobras de chaves foram necessrias.
9
7
1

19
11

Alimentador 1

C
16
B

2
Alimentador 2

A 14
12

20

10

13

15

23

18
22

21

24

Alimentador 3
26
25

E
17

29

28

27

Alimentador 4

30
Figura 5.4 Operaes necessrias para isolar o setor em falta.

Aps o procedimento descrito anteriormente, as chaves alteradas sempre

ocorrero aos pares, ou seja, quando uma chave aberta, outra deve ser fechada.
Para determinar o nmero de manobras para originar uma dada configurao,
considere o estado das chaves em 3 configuraes especficas: configurao inicial
(o), configurao alterada (x) e configurao final (y). Dessa forma, considerando
que uma configurao y originou-se de alteraes em uma configurao x, temos 3
possibilidades para computar o nmero de chaves alteradas da configurao y:
1) Os estados das duas chaves alteradas em y, em relao a x, so
diferentes dos estados dessas chaves em o. Portanto, o nmero de chaves alteradas
de y ser o nmero de chaves alteradas de x mais 2. Considere que as chaves 1 e 4
da Tabela 5.3 foram alteradas em x para originar y. Como y1 o1 e y4 o4, duas

82

manobras de chaves a mais que as manobras para implantar x so necessrias.

Como de o para x, 2 alteraes foram realizadas, de o para y so necessrias 4;
Tabela 5.3 Manobras de chaves: Caso 1.

Chaves / estados

Configuraes
o ... x ... y
1 1

2 1

3 0

4 0

5 1

2) Os estados das duas chaves alteradas em y, em relao a x, so iguais

aos estados dessas chaves em o. Portanto, o nmero de chaves alteradas de y ser
o nmero de chaves alteradas de x menos 2. Considere alteraes realizadas nas
chaves 2 e 3 da Tabela 5.4. Como y2 = o2 e y3 = o3, os estados dessas duas chaves
em y retornaram aos seus estados em o. Portanto, para implantar y sero
necessrias 2 manobras a menos que o nmero de manobras para implantar x;
Tabela 5.4 Manobras de chaves: Caso 2.

Chaves / estados

Configuraes
o ... x ... y
1 1

2 1

3 0

4 0

5 1

3) O estado de uma das chaves alteradas em y, em relao a x, igual ao

estado dessa chave em o e, o estado da outra chave alterada diferente. Portanto,
o nmero de chaves alteradas de y ser igual ao nmero de chaves alteradas de x.

83

Na Tabela 5.5, nota-se que y2 = o2 e y5 o5. Portanto, para originar a configurao y

assim como para originar x, so necessrias 2 manobras de chaves.
Tabela 5.5 Manobras de chaves: Caso 3.

Chaves / estados

Configuraes
o ... x ... y
1 1

2 1

3 0

4 0

5 1

Em todos os casos acima, 2 mudanas de chaves em x para originar y so

necessrias, porm no garante que essas duas mudanas sejam efetivas, ou seja,
em relao configurao inicial o. Por esse motivo, no se pode simplesmente
dizer que o nmero de manobras necessrias para implantar y o nmero de
manobras para implantar x mais 2.
Exemplo ilustrativo de clculo do nmero de manobras
O Algoritmo 4 mostra os passos necessrios para determinar o nmero de
manobras realizadas para obter uma configurao y a partir de uma configurao x.
Algoritmo 4. Pseudocdigo para determinar o nmero de manobras.
MANOBRAS
// para cada configurao y gerada a partir de uma configurao x, comparam-se os estados
// das 2 chaves alteradas com os estados delas na configurao inicial o
PARA y := 1 ATE y := gmax, FACA
COMPARAM-SE os estados das chaves i e j alteradas em y em relao a o;
SE yi oi e yj oj //Caso 1
//atribui configurao y o nmero de manobras da configurao x mais 2
manobrasy = manobrasx + 2;
SE yi = oi e yj = oj //Caso 2
//atribui configurao y o nmero de manobras da configurao x menos 2
manobrasy = manobrasx 2;
SE yi = oi (yi oi) e yj oj (yj = oj)//Caso 3
//atribui configurao y o nmero de manobras da configurao x
manobrasy = manobrasx;
FIM

84

Para ilustrar o Algoritmo 4, considere o SDR representado na Figura 5.3 com

uma chave NA (linha verde tracejada) acrescentada entre as barras C e G (ver
Figura 5.5) como sendo a configurao inicial (o). O vetor com o estado das chaves
para a configurao o representado a seguir:

1 2 3 4 5 6 7 8

Chaves

Estado Inicial 1 1 1 0 0 1 1 1

D
A

Alimentador 1

3
2
C

5
4

H
8
7
G

Alimentador 2

Figura 5.5 Clculo das manobras: configurao inicial.

O algoritmo de reconfigurao inicialmente criou um vetor para armazenar

as manobras necessrias para gerar cada configurao:

configurao 0 1 2 3 4 ... gmax

manobras

...

Para gerar a configurao 1 a partir da configurao o, considere que a

chave 3 foi aberta e a chave 5 fechada. Comparam-se, ento, os estados dessas
duas chaves com os estados das mesmas na configurao o. Portanto, o estado da
chave 3 (0) (foi aberta) e o estado da chave 5 (1) (foi fechada). Como ambos so
diferentes de seus estados na configurao inicial, so necessrias duas manobras
para implantar a configurao 1 (y). A Figura 5.6 mostra a topologia do SDR da
configurao 1.

85

D
A

3
2

Alimentador 1

5
4

H
8
7
G

Alimentador 2

Figura 5.6 Clculo das manobras: configurao 1.

Aplicando o Algoritmo 4 e verificado que yi oi e yj oj (ver Figura 5.6),

caracterizou-se o caso 1. O vetor que armazena as manobras necessrias para
implantar uma nova configurao ento atualizado para:
configurao 0 1 2 3 4 ... gmax
manobras

0 2

...

Para originar a configurao 2 (y) a partir da configurao 1 (x), suponha que

a chave 8 aberta e a chave 3 fechada. Ao comparar o estado da chave 3 (agora
fechada) com seu estado na configurao o, verifica-se os estados iguais. Porm, o
estado da chave 8 (aberta) diferente de seu estado na configurao o. Portanto, o
nmero de manobras realizadas para obter a configurao 2 (y) em relao a
configurao inicial (o) continua sendo 2, ou seja, yi = oi e yj oj (Caso 3). A Figura
5.7 mostra a nova topologia do SDR.

D
A

Alimentador 1

3
2
C

5
4

H
8
7
G

Alimentador 2

Figura 5.7 Clculo das manobras: configurao 2.

configurao 0 1 2 3 4 ... gmax

manobras

0 2 2

...

Suponha agora, que a configurao 1 foi escolhida para ser alterada (x) e
originar a configurao 3 (y). A chave 7 aberta e a chave 4 fechada, alterando

86

seus estados para 0 e 1 respectivamente. Como ambos estados so diferentes de

seus estados na configurao inicial, somam-se 2 manobras ao nmero de
manobras da configurao 1 (x). Portanto, so necessrias 4 manobras para obter a
configurao 3 (y) (ver Figura 5.8).

D
A

Alimentador 1

3
2
C

5
4

H
8
7
G

Alimentador 2

Figura 5.8 Clculo das manobras: configurao 3.

configurao 0 1 2 3 4 ... gmax

manobras

0 2 2 4

...

Uma terceira possibilidade ocorre quando os estados das duas chaves

alteradas se tornam iguais seus estados na configurao inicial. Considere as
seguintes alteraes realizadas na configurao 2 (x) para gerar a configurao 4
(y): A chave 5 aberta e a chave 8 fechada. Nesse caso subtraem 2 manobras do
vetor de manobras da configurao 2 (x), obtendo 0 manobras, ou seja, a
configurao y se tornou igual a configurao o mostrada na Figura 5.5. O vetor
atualizado com o nmero de manobras :
configurao 0 1 2 3 4 ... gmax
manobras

0 2 2 4 0 ...

Detalhes de algoritmos especficos para Sistemas de Distribuio, bem

como o Algoritmo para o clculo do fluxo de carga em SDRs utilizando o modelo de
corrente constante foram apresentados na Seo 5.1, o qual explora principalmente
a natureza radial das redes de distribuio e a forma como os ns so armazenados
pela RNP para se obter um algoritmo de fluxo de carga mais eficiente. Uma forma

87

eficiente de obter o nmero de manobras descrito na Seo 5.2. Ao programar

esses algoritmos, houve uma reduo considervel no tempo de processamento
conforme demonstrado no Captulo 7.

89

6 Algoritmos Evolutivos
Mtodos de otimizao e busca estocstica tm recebido crescente
interesse nas ltimas dcadas, principalmente os baseados em princpios da teoria
da evoluo. O desenvolvimento de modelos computacionais inspirados nos
mecanismos evolutivos caracteriza-se pela configurao de algoritmos de otimizao
robustos e sistemas adaptativos [116]. AEs so algoritmos computacionais
pertencentes a uma classe de mtodos regidos por princpios evolutivos. Tais
princpios so oriundos do mundo biolgico e baseados na teoria da evoluo
Darwiniana [117, 118]. Os AEs tentam abstrair e imitar mecanismos evolutivos para
resoluo de problemas que requerem adaptao, busca e otimizao.
Em

um

AE,

um

conjunto

de

solues

(populao)

modelado

computacionalmente manipulado em cada iterao de modo a melhorar a

adequao 7 mdia dos indivduos que formam essa populao em relao ao
ambiente em que est. Os indivduos da populao so avaliados e as solues com
maior aptido so selecionadas para a reproduo formando uma nova gerao.
Com o decorrer das geraes, as solues mais adequadas acabam dominando a
populao, resultando em um aumento na qualidade das solues.
Os AEs apresentam algumas vantagens em relao a outras tcnicas de
busca e otimizao: (i) trabalham em paralelo com um conjunto de solues
(populao de indivduos em potencial), em contraste com vrios outros mtodos de
busca e otimizao que analisam apenas uma soluo para o problema a cada
7

Fitness, aptido, adequabilidade so sinnimos comuns para adequao.

90

iterao; (ii) no requerem o conhecimento prvio das caractersticas do problema e

no dependem de certas propriedades da funo objetivo tais como convexidade ou
diferenciabilidade; (iii) so guiados pela aptido dos indivduos, avaliados por uma
funo adequao; (iv) a estrutura do AE possui certa independncia do tipo de
problema que est sendo resolvido; (v) possuem maior capacidade de escapar de
timos locais (por isso so muito utilizados em problemas que envolvem otimizao
global); (vi) resolvem problemas com modelos matemticos complexos de modo
simples; (vii) apresentam fcil acoplamento com outras tcnicas (hibridizao) ou
aplicaes. Por esses motivos, os AEs so aptos a resolver dentre outros, um amplo
campo de problemas no lineares, descontnuos, discretos, multivariveis e de
otimizao combinatorial de grande escala.
Devido s restries das tcnicas de PM, os AEs tm tido destaque especial
em problemas de otimizao com mltiplos objetivos, principalmente os que
envolvem objetivos conflitantes. Existem na literatura, alguns trabalhos de reviso de
AEs multi-objetivos, dentre os quais se destacam: Deb [48], Coello et al. [119],
Fonseca e Fleming [120]; Tamaki et al. [121]; Veldhuizen e Lamont [122].
Existem vrias subreas na Computao Evolutiva. Dentre elas, destacamse: Programao Evolucionria

[123], Estratgias Evolucionrias

[123, 124] e

Algoritmos Genticos [79, 92, 123, 125, 126]. Apesar dos AEs terem sido
desenvolvidos muito tempo atrs, foram popularizados a partir dos trabalhos de
Holland em 1975 [127] e Goldberg em 1989 [79]. Esses algoritmos tornaram-se to
difundidos e aplicados em engenharia que mais de 95% dos artigos envolvendo
mtodos heursticos publicados em sistemas de potncia so baseados em AGs
[128]. O Algoritmo 5 apresenta os principais passos de um AE genrico.

91

Algoritmo 5. Pseudocdigo de um AE genrico.

ALGORITMO AE
// inicializa o contador de geraes
g := 0;
// gera aleatoriamente uma populao inicial Pi(g0)
P(g) := POP_INIC(Pi(g0));
// avalia os indivduos da populao inicial segundo uma funo de adequao
AVALIE (Pi(g));
// teste do critrio de parada (gmax, por exemplo)
ENQUANTO critrio de parada no atingido FAA
// aleatoriamente selecione uma sub-populao de (Pi) para gerar descendentes.
Pi := ALEATORIAMENTE-SELECIONE(sub-pop.);
// alterao desses indivduos atravs dos Operadores para gerar nova populao.
P:= APLICA_OPERADORES(Pi(g));
// avaliao dos novos indivduos de P segundo a funo adequao.
AVALIE(P);
// selecione sobreviventes entre P(g) e P
P(g + 1) := SOBREVIVENTES(P(g), P);
//incrementa o contador de geraes
g : = g + 1;
FIM

Os AGs so modelos computacionais inspirados no somente na teoria

evolutiva das espcies, mas tambm nos processos de reproduo celular. Os AGs
baseiam-se nos mecanismos de seleo natural e da gentica. Essas tcnicas tm
sido utilizadas com resultados relevantes para a soluo de uma grande variedade
de problemas de otimizao. Esses algoritmos realizam uma estratgia de busca
paralela e estruturada, capaz de reforar a busca de pontos de alta aptido. Apesar
de no garantirem a convergncia para a soluo tima, possvel em muitos
casos, atingir-se solues quase timas para problemas que requerem uma resposta
rpida ou em que, por exemplo, o tamanho do problema inviabiliza a convergncia
de mtodos exatos para a soluo tima. Os cromossomos so, geralmente,
compostos por cadeias de bits, representando os indivduos. Os operadores mais
comuns dos AGs so a recombinao (ou crossover) e a mutao. Para ilustrar o
processo de recombinao, considere o par de indivduos abaixo. Cada cromossomo

92

possui k posies (sendo k um nmero inteiro) e ser selecionado um local l (lcus)

do cromossomo para ser o ponto de crossover dos cromossomos. Sejam os
cromossomos:
A1 = 011/01

A2 = 110/10,

supondo que l = 3, como indicado pelo smbolo /, o operador de crossover produz 2

novos cromossomos:
A1 = 01110

A2= 11001.

Mutao a alterao aleatria do valor de uma posio na string. Na

codificao binria do exemplo em questo, a mutao implica em simplesmente
mudar um bit 1 (0) para 0 (1), conforme alteraes realizadas no 3 bit de A1 e A2
mostradas em A1 e A2:
A1= 01010

A2= 11101.

Dentre os inmeros AEs conhecidos at o momento, dois tem se destacado

na ltima dcada pelas suas inmeras aplicaes e resultados relevantes obtidos
em diversas reas para problemas envolvendo mltiplos critrios de avaliao: o
NSGA-II e o SPEA2. Na Seo 6.1 conceitos bsicos sobre otimizao multiobjetivo
so apresentados. Na Seo 6.2, o NSGA-II apresentado. Na Seo 6.3 o SPEA2
apresentado. Finalmente, o Algoritmo Evolutivo proposto com RNP apresentado
na Seo 6.4.

6.1 Conceitos Bsicos

O processo de tomar decises envolve vrios fatores. Em certos casos,
podem existir vrias solues que atendam a esses fatores, porm no se pode
afirmar que, quantitativamente, uma seja melhor que outra. Um exemplo clssico,
explorado em [48], aborda tomada de deciso de compra de um automvel.

93

Suponha a procura por um automvel com preo baixo e alto conforto. A Figura 6.1
ilustra algumas alternativas de escolha.

90%
Conforto

fronteira de
Pareto
4

2
40%

1
20

Custo

70

x1000

Figura 6.1 Opes de compra de um automvel envolvendo custo e conforto.

Assim, busca-se minimizar o custo total e maximizar o conforto. Pela Figura

6.1 tem-se 6 opes de compra. Intuitivamente, descarta-se a opo 5, pois possui o
mesmo conforto que a opo 3, com maior custo. Analisando somente as solues 1
e 6, no se pode afirmar qual das duas melhor, pois a soluo 6 tem maior
conforto que a 1, porm maior custo. Ao analisar as solues 2 e 6, observa-se que
a soluo 6 tambm deve ser descartada, pois possui menor conforto e maior custo
em relao a soluo 2. Tem-se ento 4 opes (1, 2, 3 e 4) como boas alternativas
para a compra. Dentre essas solues, no se pode afirmar qual a melhor, pois
quando uma tem maior conforto, tambm tem maior custo e vice versa.
Diz-se que uma soluo domina outra soluo, quando melhor que a outra
em pelo menos 1 objetivo e no pior em todos os outros objetivos. Da Figura 6.1,
tem-se que a soluo 3 domina a soluo 5 e, a soluo 2 domina a soluo 6.
Portanto, as solues 5 e 6 so dominadas e, as solues 1, 2, 3 e 4 so no
dominadas por nenhuma outra. Temos ento o conjunto das solues no
dominadas (1, 2, 3, 4) e o conjunto das solues dominadas (5, 6).
Assim, o conceito de dominncia pode ser definido por:

94

Definio: a soluo x(1) dita dominar outra soluo x(2), se satisfaz duas
condies:
1. A soluo x(1) no pior que x(2) em todos objetivos;
2. A soluo x(1) estritamente melhor que x(2) em pelo menos um
objetivo.
Conjunto Pareto-timo seja o conjunto de solues P envolvendo o espao
de busca total, o conjunto com as solues no dominadas P chamado de
conjunto de Pareto-timo.
Fronteira de Pareto interligando-se os pontos do conjunto de Pareto timo
obtm-se uma curva que usualmente chamada de fronteira de Pareto (ver Figura
6.1). Deve-se observar que o conceito de fronteira de Pareto precisamente definido
no espao contnuo.

6.2 Elitist Non-Dominated Sorting Genetic Algorithm

Um dos primeiros mtodos a lidar com AEs multi-objetivos sem a
necessidade de uma funo ponderada foi proposto por Srinivas e Deb em 1995
[129]. O mtodo foi denominado NSGA (do ingls Non-dominated Sorting Genetic
Algorithms). Porm, no decorrer dos anos, esse mtodo recebeu vrias crticas:
(i) alta complexidade computacional O(MN 3 ) ao ordenar as solues no
dominadas, (onde M o nmero de objetivos e N o tamanho da populao); (ii)
ausncia de um mtodo de elitismo; (iii) necessidade da especificao pelo usurio
de um parmetro externo (share) de compartilhamento. Devido algumas crticas, em
2000 Deb et al. [85], apresentaram uma verso melhorada do NSGA, onde as
dificuldades do primeiro mtodo foram amenizadas. Esse mtodo foi denominado
NSGA-II, do ingls, Non-dominated Sorting GA-II.

95

A seguir, apresenta-se o NSGA-II em 4 mdulos: mtodo de ordenao

rpida por no dominncia, preservao da diversidade, operador comparao e
algoritmo principal. Parte do texto a seguir est baseado no trabalho original
apresentado em [85].

6.2.1 Mtodo de ordenao rpida por no dominncia

Para ordenar uma populao P de tamanho N de acordo com o nvel de nodominncia, cada soluo de P comparada com parte dessa populao por
dominncia. Cria-se um conjunto P, inicialmente vazio, e coloca-se a primeira
soluo da populao P em P. Em seguida, cada soluo p (da segunda soluo
em diante) comparada uma a uma com todos os membros de P. Se a soluo p
domina algum membro q de P, ento a soluo q removida de P. Assim, todas as
solues no pertencentes ao conjunto de dominncia sero excludas de P. Caso
contrrio, se a soluo p dominada por algum membro de P, a soluo p
ignorada. Se a soluo p no dominada por nenhum membro de P, a mesma
acrescentada em P. Dessa forma, o conjunto P cresce com solues nodominadas. Ao final do processo, quando todas as solues tiverem sido checadas,
as remanescentes em P constituem o conjunto de solues no-dominadas
(primeiro nvel de no dominncia). As solues pertencentes ao segundo nvel de
no-dominncia podem ser encontradas atravs do procedimento anterior, omitindo
as solues pertencentes ao primeiro nvel. Da mesma forma, as solues
pertencentes ao nvel k, so encontradas atravs desse procedimento, omitindo as
solues pertencentes aos nveis de no-dominncia menores que k.

96

Para encontrar a primeira fronteira no dominada, a complexidade mxima

requerida O(MN 2 )[85], portanto, menor que a complexidade requerida pelo
mtodo antigo.

6.2.2 Preservao da diversidade

Durante o processo de convergncia ao conjunto de Pareto timo,
esperado que o AE mantenha um bom espalhamento no conjunto de solues
obtido. O NSGA-II prope a manuteno da diversidade sem a necessidade de
nenhum parmetro externo imposto pelo usurio e, sugere um mtodo com melhor
complexidade computacional comparado ao NSGA.
Para a estimao da densidade de solues ao redor de uma soluo
particular na populao, calcula-se a crowding distance (d) 8 dessa soluo, que
representa uma estimativa do permetro formado pelo cubide cujos vrtices so
seus vizinhos mais prximos. Dessa forma, quanto maior o cubide de i, mais
afastada se encontra i de seus vizinhos. Para as solues extremas em cada
objetivo so atribudos cubides infinitos. A Figura 6.2 apresenta a crowding

f2

d 0=

distance para a soluo i e para as solues extremas.

0

i-1

C ubide

d u=

i
i+ 1

di

u
f1

Figura 6.2 Clculo da crowding distance.

O termo crowding distance foi utilizado em ingls devido a dificuldade em encontrar uma traduo
adequada para o mesmo.

97

Aps a atribuio da crowding distance a todos os indivduos de uma mesma

fronteira da populao, as mesmas so ordenadas, onde as solues com menor
crowding distance so as ltimas da lista.

6.2.3 Operador comparao

O operador comparao ( c ) guia o processo de seleo do algoritmo em
direo fronteira de Pareto uniformemente espalhada. Assim, em um torneio entre
duas solues, uma soluo i considerada vencedora sobre uma soluo j, se:
1. A soluo i possui melhor nvel de no dominncia (ri < rj);
2. Se ambas as solues esto no mesmo nvel de dominncia, porm i
possui uma crowding distance maior, di > dj.
Dessa forma, entre duas solues com diferentes nveis de dominncia,
preferem-se as solues no menor nvel. Caso contrrio, se ambas as solues
esto no mesmo nvel, ento se preferem solues localizadas na regio de menor
densidade (maior crowding distance).

6.2.4 Algoritmo principal e complexidade computacional

Inicialmente, uma populao pai P0 criada. A populao ordenada
baseada no conceito de no dominncia. Para cada soluo atribudo um fitness
(ou ranking) igual ao seu nvel de no dominncia (1 o melhor nvel, 2 o prximo
melhor nvel, e assim por diante). Assim, buscam-se solues com menor fitness.
Em seguida utilizam-se os operadores convencionais de seleo por torneio,
recombinao e mutao para criar uma populao filha Q0 tambm de tamanho N.
Como o elitismo introduzido pela comparao da populao corrente com as

98

melhores solues no-dominadas encontradas anteriormente, o procedimento

diferente aps a gerao inicial. O Algoritmo 6 descreve uma gerao do NSGA-II.
O procedimento do NSGA-II demonstrado na Figura 6.3. A nova populao
Pt+1 de tamanho N agora utilizada para seleo, cruzamento e mutao para criar
uma nova populao Qt+1 tambm de tamanho N.

Algoritmo 6. NSGA-II.
ALGORITMO NSGA-II
ENQUANTO critrio de parada no satisfeito, FAA
// Combine a populao pai com a populao de descendentes
Rt := Pt Qt;
// F := (F1,F2,...), todas as fronteiras no-dominadas de Rt
F := ordenao por no dominncia de (Rt)
// Cria a populao para prxima gerao (Pt+1)
Pt+1 := e i = 1
// At que a populao pai esteja completa
ENQUANTO | Pt+1| + |Fi| N, FAA
// Calcule a crowding distance em Fi
Fi := di
// Inclua a i-sima fronteira no dominada na populao pai
Pt+1 := Pt+1 Fi
// Cheque a prxima fronteira para incluso
i := i + 1
FIM
// Ordene em ordem decrescente utilizando c

Ordene (Fi, c )
// Escolha os (N | Pt+1|) elementos de Fi
Pt+1 := Pt+1 Fi [1 : N | Pt+1|)]
// Use seleo, cruzamento e mutao para criar uma nova populao Qt+1
Qt+1 :=gere_nova_populao (Pt+1)
// Incremente o contador de gerao
t := t + 1
FIM

Finalmente, a complexidade computacional do pior caso para as operaes

bsicas, descritas anteriormente, apresentada a seguir:
2
1. Ordenao por no dominncia O(M(2N ))
;

2. Atribuio da crowding distance O(M(2N )

log(2N ))
;
3. Ordenao por c O(2N log(2N ))
.

99

Nota-se que a maior complexidade computacional do NSGA-II, dentre os

algoritmos listados acima, O(MN 2 )
, requerido pelo algoritmo de ordenao por
no-dominncia.

Pt

Ordenao
por
Dominncia F1
F2

Crowding
Distance

Pt+1

F3

Qt

Rejeitadas
Rt

Figura 6.3 Esquema do modelo NSGA-II apresentado em [48].

6.3 Strength Pareto Evolutionary Algorithm

Assim como o NSGA-II surgiu de melhorias realizadas em sua primeira
verso (NSGA), o SPEA2 [130], do ingls, Strength Pareto Evolutionary Algorithm2,
surgiu para introduzir melhorias em sua primeira verso, SPEA, publicada em 1998
[131]. As principais melhorias propostas em [130] so relativas : (i) atribuio de um
fitness para as solues; (ii) estimativa de densidade; (iii) mtodo de truncamento
para a populao externa. Detalhes da primeira verso, denominada SPEA, podem
ser encontrados em [131] e tambm em [48] pginas 249 a 258.
O SPEA2 um AE elitista que utiliza duas populaes em paralelo, uma
populao convencional P e uma populao externa P, ambas de tamanho fixo N e
N respectivamente. O elitismo garante que solues com alta adequao no sero
eliminadas durante a aplicao de um algoritmo de otimizao. As Sees seguintes
apresentam o SPEA2 dividido em suas principais partes: em 6.3.1 a atribuio de

100

fitness discutida, em 6.3.2 a seleo de indivduos e o mtodo de truncamento

para a populao externa so apresentados e em 6.3.3 o algoritmo principal e a
complexidade computacional so apresentados.

6.3.1 Mtodo de atribuio de fitness

A atribuio de fitness no SPEA2 realizada em dois passos:
Primeiro, em uma gerao t, para cada indivduo i na populao externa P

'

e na populao Pt atribudo um valor S(i), representando o nmero de solues

dominadas pela soluo i:
S(i )|
={j | j P + P i  j }
|,
'

onde, | | a cardinalidade do conjunto, + representa a unio dos conjuntos, t a

gerao atual e, o smbolo  corresponde a relao de dominncia de Pareto, onde
i  j indica que uma soluo i domina uma soluo j;

Segundo, o fitness R(i) de um indivduo i determinado pela fora com que

as solues em Pt, e Pt dominam a soluo i

R(i )=

S(j )
.

Pt +Pt

'

,j

i

Note que o fitness nesse caso para ser minimizado, isto , R(i) = 0
corresponde a um indivduo no-dominado, enquanto um alto valor de R(i) significa
que i dominada por muitos indivduos.
Embora a atribuio de um fitness R(i) ordene as solues baseadas no
conceito de dominncia de Pareto, ela pode falhar quando muitos indivduos no so
dominados uns pelos outros. Nesse caso, foi incorporada a informao de
densidade D(i) entre os indivduos com idntico R(i). A tcnica de informao de
densidade proposta em [130] uma adaptao do mtodo do k-simo vizinho mais

101

prximo [132] e pode ser estimada como o inverso da distncia do indivduo i ao ksimo vizinho mais prximo. Assim, o fitness total de um indivduo i definido por:
F(i )= R(i )
+ D(i )
.
Algumas aplicaes necessitam de informaes de densidade D(i) com
maior preciso. Nesses casos, em [130] foi sugerido que se calcule, para cada
indivduo i, a distncia (no espao dos objetivos) para todos os indivduos j tanto na
populao normal quanto na populao externa em seguida armazene-as em uma
lista, ordenando-as em ordem crescente. O k-simo elemento apresenta a distncia
procurada, denotada por ik , onde k pode ser obtido pela raiz quadrado da soma do
tamanho das populaes ( k = N + N ). Assim, a densidade D(i) correspondente ao
'

indivduo i calculada por

D(i )=

1
.
+2
k
i

No denominador, adicionado 2 para garantir que seu valor seja maior que
zero e que D(i) < 1.

6.3.2 Seleo e truncamento

No mtodo de seleo, o primeiro passo copiar todos os indivduos nodominados de Pt e de P para a populao externa da prxima gerao P + . Nesse
'

'

caso, podem ocorrer 3 possibilidades:

1. O nmero de indivduos no conjunto no-dominado exatamente o
;
mesmo da populao externa(| P + |= N )
'

'

2. O nmero de indivduos no conjunto no-dominado menor que o

tamanho da populao externa(| P + |< N )
;
'

'

102

3. O conjunto de indivduos no-dominados excede o tamanho da

populao externa(| P + |> N )
.
'

'

No primeiro caso, o processo de seleo est completo. No segundo caso,

os melhores N | P +1 | indivduos dominados, incluindo a populao regular e
'

'

populao externa na gerao anterior, so copiados para a nova populao

externa. Finalmente, no terceiro caso, um procedimento de truncamento da
populao externa executado para remover indivduos de P + at (| P '+1 |= N ' ) . O
'

mtodo de truncamento explicado a seguir.

Em cada iterao, um indivduo i selecionado para ser removido se:
ik = kj para todo valor de k no intervalo 0 < k < | P + |e j P + ou
'

'

il = lj e ik < kj para todo valor de l no intervalo 0 < l < k e para algum

valor de k no intervalo 0 < k < | P + | .

'

Onde,

k
i

denota a distncia (no espao de objetivos) do indivduo i ao

k-simo vizinho mais prximo. Em outras palavras, o indivduo que apresentar a

menor distncia em relao a outro indivduo selecionado para ser removido em
cada estgio.

6.3.3 Algoritmo principal e complexidade computacional

A complexidade computacional para a atribuio de fitness dominada pela
complexidade do procedimento de estimao de densidade (O(M 2 log M )),
enquanto o clculo de S e R tem complexidade O(M 2 )
, onde M = N + N.
Embora, para o pior caso, a complexidade computacional do operador de
truncamento O(M 3 ), em mdia, a complexidade ser menor que O(M 2 log M ).

103

Isso porque geralmente os indivduos diferem consideravelmente do segundo ou

terceiro vizinho mais prximo. Assim, o mtodo de ordenao governa a
complexidade total do SPEA2.
Os passos do SPEA2 so apresentados no Algoritmo 7. Considere como
entrada o tamanho da populao (N), tamanho da populao externa (N), mximo
nmero de geraes (T) e como dados de sada o conjunto com as solues nodominadas (A).

Algoritmo 7. SPEA2.
ALGORITMO SPEA2
// 1. Inicializao: Gere uma populao inicial P0 e crie uma populao externa P0 vazia
P0 := e t := 0
// 2. Atribuio de fitness: Calcule o fitness dos indivduos em Pt e Pt
Fi := S(i)+D(i)
// 3. Seleo e Truncamento: Copie os indivduos no-dominados de Pt e Pt para Pt+1
Pt+1 := solues_no-dominadas_(Pt + Pt)
// Se o nmero de elementos em Pt+1 exceder N
SE |Pt+1| > N FAA
// Aplique operador de truncamento
Truncamento_Pt+1
// Se nmero de elementos em Pt+1 for menor que N
SE |Pt+1| < N FAA
// Complete Pt+1 com elementos dominados de Pt e Pt
Pt+1 := Pt+1 + solues_dominadas_(Pt + Pt)
// 4. Critrio de Parada: Se algum critrio de parada satisfeito, fornea sada
SE t T ou outro critrio de parada satisfeito
// Apresente soluo e pare o processo
A := indivduos_no_dominados_de_Pt+1
PARE
// 5. Variao: Aplique operador para reproduo
SENO
// Aplique operadores de recombinao e mutao em Pt+1
Pt+1 := Operadores_Pt+1
// Incremente contador de geraes e v para a o passo 2
t := t + 1
v para passo 2
FIM

104

6.4 Algoritmo Evolutivo Multi-objetivo Proposto

Esta Seo apresenta o AE proposto, chamado de AE Multi-objetivo em
Tabela (AEMT, ver Seo 6.4.1). Este algoritmo busca o restabelecimento de
energia em SDRs de grande porte aps a ocorrncia de uma ou mltiplas faltas.
Devido a radialidade do Sistema, aps a ocorrncia de uma ou mais faltas, as reas
fora de servio representam subrvores de grafo. Assim, os Operadores da RNP
(ver Captulo 4) podem ser aplicados para conect-la(s) a outra rvore (alimentador),
quando possvel. Cada aplicao de um dos Operadores gera um indivduo novo na
populao, isto , uma floresta de grafo modelado em RNP que represente um SDR
sem o(s) setor(es) em falta (isolados) e com a rea fora de servio re-conectada a
algum ponto energizado do sistema. Esse indivduo pode violar uma ou mais
restries operacionais do sistema, potencialmente inviabilizando o uso dessa
configurao na prtica. Assim, necessrio encontrar uma nova configurao que
melhore a qualidade do sistema. O AEMT inicia a busca por melhores solues
partindo de configuraes geradas a partir da configurao original com o setor em
falta isolado e, a partir dessas, capaz de produzir solues mais adequadas para
utilizao.
Dependendo do mecanismo de seleo adotado, os AEs podem ser atrados
para timos locais. Quando busca resolver problemas com mltiplos objetivos por
meio de uma funo agregao (funo ponderada), o desempenho do AE
diretamente afetado pela escolha dos pesos (s) para a funo. Inadequados s
podem direcion-lo a convergir para solues ruins. Alm disso, determinados s
podem ser bons para uma rede especfica e muito ruins para outras.

105

6.4.1 Algoritmo Evolutivo Multi-objetivo em Tabela

O AE Multi-objetivo proposto trabalha com vrias subpopulaes em paralelo
armazenadas em tabela [32, 84], onde os melhores indivduos para cada
caracterstica do problema so armazenados em sua respectiva subpopulao. Por
essa razo, o AE desenvolvido chamado de AE Multi-objetivo em Tabela. O AEMT
programado utilizando a RNP.
Uma subpopulao criada para armazenar indivduos avaliados por uma
funo agregao, tambm conhecido como mtodo da soma ponderada [48,
133]. Cada subpopulao armazena indivduos de modo a minimizar caractersticas
como: (i) perdas de potncia; (ii) menor tenso na rede, reduzindo assim a queda de
tenso; (iii) carregamento da rede; (iv) carregamento das subestaes; (v) funo
agregao. Neste trabalho utilizou-se apenas uma tabela de funo agregao.
O indivduo selecionado para a reproduo pode ser proveniente de
qualquer subpopulao da tabela. Essa estratgia de seleo aumenta a diversidade
entre os indivduos que reproduzem de forma que as caractersticas de um indivduo
de uma subpopulao possam migrar para as demais subpopulaes da tabela. Em
conseqncia, aumenta-se a possibilidade do algoritmo escapar de timos locais,
aproximando-se de solues com avaliaes prximas de um timo global na
fronteira de Pareto-tima (ver Seo 6.1). O mtodo de seleo de indivduos para a
reproduo discutida mais adiante.
Alguns parmetros so importantes para o desempenho deste AEMT:
1. O tamanho de uma subpopulao SPi, que indica o nmero mximo
de indivduos que podem permanecer na subpopulao Pi de uma
gerao para outra;
2. O nmero mximo de geraes (gmax).

106

Solues geradas pelo AEMT podem ser armazenadas ou descartadas,

dependendo do grau de adaptao do indivduo a cada objetivo do problema
(caracterstica do problema em uma subpopulao Pi). Indivduos so gerados pelo
Operador 2 a partir da configurao inicial F0 (com o setor em falta isolado) at que
todas as subpopulaes estejam completas.

No processo de seleo de

sobreviventes, um novo indivduo acrescentado a uma subpopulao Pi se sua

adequao ao objetivo de Pi for melhor que pelo menos um indivduo da mesma. O
mesmo indivduo pode ser includo em mais de uma tabela de acordo com esse
critrio de seleo. Como a populao estacionria, os novos indivduos
substituem os piores. Nesse caso, a adequao do indivduo um vetor de seus
valores relativos a cada objetivo (perdas, nmero de chaveamentos, etc.) ou
restries (carregamento nas linhas, queda de tenso, etc.).
Os Operadores so selecionados para a reproduo segundo um ajuste
dinmico dos dois. O algoritmo inicia sua busca utilizando a mesma taxa de
probabilidade para ambos Operadores (por exemplo, P1 = P2 = 0,50). Suponha que o
Operador 1 tenha sido escolhido para gerar um novo indivduo. Se o indivduo
gerado tiver sucesso, ou seja, for acrescentado a uma ou mais subpopulaes,
aumenta-se P1 para 0,51 e, como conseqncia, P2 reduzido para 0,49 e, assim
por diante. Esse ajuste dinmico do processo de escolha dos Operadores melhora o
desempenho do algoritmo consideravelmente, conforme mostrado em testes na
Seo 7.1.
A avaliao dos indivduos realizada atravs do fluxo de carga especfico
para SDRs apresentado no Captulo 5. A cada novo indivduo gerado, a rotina de
fluxo de carga executada para o par de alimentadores modificados do sistema.

107

6.4.2 Algoritmo principal do AEMT

O pseudocdigo do AEMT apresentado no Algoritmo 8. Vale ressaltar que,
diferentemente do NSGA-II e SPEA2 que geram vrios indivduos por iterao, no
AEMT apenas 1 indivduo gerado por iterao.

Algoritmo 8. Pseudocdigo para o AEMT.

ALGORITMO AEMT
// inicia o contador de geraes
g := 0;
// gera subpopulaes iniciais Pi(g0) a partir da floresta original F0
P(g) := POP_INIC(Pi(g0,F0));
// avalia os indivduos das subpopulaes iniciais
AVALIE (Pi(g));
// teste do critrio de parada (gmax)
ENQUANTO critrio de parada no atingido FAA
// aleatoriamente selecione uma subpopulao (Pi).
Pi := ALEATORIAMENTE-SELECIONE(pop.);
// aleatoriamente selecione um indivduo (Fs) de Pi.
Fs := ALEATORIAMENTE-SELECIONE(Pi(g));
// decide se aplica Operador 1 ou Operador 2
OP :=DECIDE_OPERADOR(op1, op2);
// aplicar OP para produzir um novo indivduo Fg de Fs
Fg := OP(Fs);
// avaliao do novo indivduo Fg
AVALIE(Fg);
// selecione sobreviventes entre P(g) e Fg
P(g + 1) := ALTER_POP(P(g),Fg);
//incrementa o contador de geraes
g : = g + 1;
FIM

AEs de uma forma geral foram apresentados neste Captulo, com destaque
para o NSGA-II, SPEA2 e o AEMT. No prximo Captulo, resultados de testes do
AEMT utilizando o SDR real da cidade da cidade de So Carlos-SP so
apresentados, alm de comparaes de resultados entre esses algoritmos.

109

7 Resultados Experimentais
Resultados de simulao computacional so apresentados neste Captulo.
Testes foram realizados em um SDR real de grande porte sem simplificaes, ou
seja, todas as linhas, chaves e barras foram consideradas. A rede constituda de
3.860 barras, 533 setores, 632 chaves sendo 509 chaves NF e 123 chaves NA, 3
subestaes e 23 alimentadores. A subestao Bela Vista possui 2 transformadores
de 25MVA; a subestao So Carlos tem 2 transformadores de 25MVA e a
subestao Paraso tem 1 transformador de 25MVA. Os tipos de cabos existentes na
rede so A47, A33, A10, A04 e A02. Esse SDR corresponde rede da cidade de
So Carlos-SP (SDR-SC) no ano de 1994. Para verificar que o AEMT pode ser
aplicado em SDRs maiores que o SDR-SC no incorrendo no problema de exploso
combinatorial, testes foram realizados para reconfigurao de redes utilizando o
SDR-SC aumentado, ou seja, com tamanho duplicado, quadruplicado e octuplicado
(ver Seo 7.6). Foram tambm realizados testes com o SDR da Taiwan Power
Company (TPC), consistindo em um sistema trifsico equilibrado de 11,4kV com 11
alimentadores, 83 chaves NF, 13 chaves NA, com 28,35MW de carga ativa total e
20,70MVAr de carga reativa total.
A metodologia proposta pode ser utilizada em problemas de reconfigurao
de redes com diversos propsitos, dentre os quais se destacam: restabelecimento
de energia aps uma contingncia, reduo de perdas de potncia, de queda de
tenso, de carregamento na rede e nas subestaes, balanceamento de cargas nos

110

transformadores, expanso da rede e alocao tima de componentes na rede tais

como capacitores, chaves automticas, etc. Os testes apresentados concentram-se
no restabelecimento de energia aps a ocorrncia de uma nica falta e de mltiplas
faltas simultneas. Optou-se pela maior explorao deste tipo de problema devido
sua maior complexidade computacional e pela necessidade de resposta em tempo
real. De certa forma, pode-se dizer que os demais problemas de reconfigurao so
casos particulares do problema de restabelecimento.
O AEMT foi implementado utilizando um computador com processador
Pentium IV, 2,1GHz, 4Gbytes de memria RAM, Sistema Operacional Linux, verso
Ubuntu 8.04 e compilador de linguagem C gcc.
Na Seo 7.1, um estudo de seleo dos Operadores da RNP
apresentado. Testes com uma nica falta empregando o modelo mono-objetivo do
AE com a RNP so apresentados na Seo 7.2. Testes com mltiplas faltas tambm
empregando o modelo mono-objetivo do AE usando a RNP so apresentados na
Seo 7.3. Testes com uma nica falta usando o modelo multi-objetivo, isto o
AEMT so apresentados na Seo 7.4.

Testes realizados com mltiplas faltas

empregando o AEMT so apresentados na Seo 7.5. Na Seo 7.6 so

apresentados testes com SDRs sintetizados a partir do SDR-SC, com tamanhos que
correspondem a duplicao do SDR-SC vrias vezes, possibilitando a verificao do
comportamento do AEMT com o aumento da escala do problema. Resultados de
testes utilizando o SDR da TPC so apresentados na Seo 7.7. Na Seo 7.8
apresentada a comparao de resultados obtidos por dois mtodos de fluxos de
carga, um deles utilizando o modelo de potncia constante e outro com modelo de
corrente constante. Finalmente, na Seo 7.9, so apresentados os resultados
obtidos pelo NSGA-II e SPEA2 (AEs multiobjetivos apresentados no Captulo 6)

111

adaptados com a RNP, bem como a comparao desses resultados com os do

AEMT.

7.1 Diversas formas de utilizao dos Operadores da RNP

Conforme descrito na Seo 6.4.1, a seleo dos Operadores realizada
segundo um ajuste dinmico entre o Operador 1 e o Operador 2. Existem diversas
formas de seleo dos Operadores. Na Tabela 7.1, a mdia de perdas de potncia
em solues obtidas de 15 execues do AEMT para falta nica apresentada para
cada um dos seguintes casos: (i) uso exclusivo do Operador 1, (ii) uso exclusivo do
Operador 2, (iii) seleo aleatria entre os Operadores 1 e 2 e (iv) ajuste dinmico
da probabilidade de seleo de cada Operador, (ver Seo 6.4.1).
Tabela 7.1 Mdia de perdas de potncia nas solues obtidas de 15 execues do AEMT
para falta nica.

Seleo
Somente Operador 1
Somente Operador 2
Aleatria
Ajuste Dinmico

Perdas de
Potncia [kW]
293,08
291,36
283,47
281,66

Tempo de
Processamento [s]
1,94
1,95
2,10
2,10

Iterao do Melhor
Indivduo
25.309,07
27.325,13
27.628,80
26.479,73

Na Figura 7.1, o fitness do melhor indivduo da subpopulao de perdas de

potncia apresentado ao longo das iteraes para os 4 casos de testes descritos
na Tabela 7.1. Esse grfico ilustra o perfil de convergncia mais freqente ocorrido
nas 15 execues do AEMT para cada caso. Pela Figura 7.1 possvel observar
que o caso utilizando o ajuste dinmico o que possibilitou tirar o melhor proveito
dos Operadores 1 e 2 da RNP. A mdia do tempo de processamento do AEMT
utilizando o ajuste dinmico foi igual para utilizao do ajuste aleatrio e levemente
superior para os outros 2 casos, porm as perdas de potncia, em mdia, so
menores.

112

Figura 7.1 Perdas de potencia obtidas usando os Operadores 1 e 2 separadamente,

seleo aleatria e ajuste dinmico de probabilidade de seleo de cada Operador.

Nesse trabalho, utilizou-se 100% como o limite de capacidade da rede

(x / x 100%)e das subestaes(b / b 100%)
, ver Captulo 3. Considerou-se
j

7% como a mxima taxa de queda de tenso(v /v 93%)permissvel, conforme

i

especificao da ANEEL [134] para tenses entre 1kV e 69kV. Para todos os casos
apresentados nas Sees 7.1 a 7.5, foram utilizadas 30.000 iteraes como o
nmero mximo de indivduos gerados (gmax). No restante do Captulo 7, valores
diferentes de 30.000 para gmax so informados quando ocorrem. Nas Sees 7.1 a
7.7 e 7.9 foi utilizado o fluxo de carga com o modelo de corrente constante.

7.2 Modelagem mono-objetivo para falta nica

Testes foram realizados para restabelecimento de energia aps a ocorrncia
de uma nica falta. Nesses testes o nmero total de indivduos gerados gmax

113

30.000

uma

populao

de

tamanho

20

empregada.

Verificou-se

experimentalmente que testes com gmax maior que 30.000 no produzem melhorias
significativas para os casos investigados. Nesse trabalho, os indivduos da
populao inicial so gerados a partir da configurao com o setor em falta
eliminado do SDR.
O problema foi modelado utilizando um nico objetivo. Os testes foram
agrupados em 5 casos de acordo com o objetivo empregado:
1 Caso: reduo de perdas;
2 Caso: reduo da maior queda de tenso;
3 Caso: reduo do maior carregamento da rede;
4 Caso: reduo do maior carregamento das Subestaes;
5 Caso: minimizao da funo agregao.

No

ltimo

caso,

seguinte

f(x )= 1x 1 + 2 x 2 + 3 x 3 + 4 x 4 + 5 x 5 ,

onde

funo

agregao

x 1, x 2 , x 3 , x 4 e x 5

foi

utilizada

correspondem,

respectivamente, somatria das perdas de potncia em kW, ao nmero de

chaveamentos, ao mximo carregamento da rede em p.u., ao mximo carregamento
das subestaes em p.u., mxima queda de tenso em p.u., e o peso relativo
i

ao objetivo x . Os seguintes parmetros foram utilizados:

i

= 1;
1

= 1;
2

100, se pelo menos um elemento da rede tiver a restrio relativa a xi violada

0, caso contrrio;

=
i

para i = 3, 4,5.

114

A funo agregao pode ser ajustada de acordo com a necessidade de

cada rede de distribuio. Os parmetros acima foram utilizados em todos os testes
que envolveram a funo agregao.

Apesar dessa funo envolver vrios

objetivos, o modelo matemtico resultante do problema possui apenas uma funo

mono-objetivo e, portanto, tcnicas de otimizao mono-objetivo podem ser
empregadas nesse caso. Deve-se observar tambm que o modelo de fluxo de carga
de corrente constante (ver Seo 7.8) foi utilizado nos testes apresentados nas
Sees 7.1 a 7.7 e na Seo 7.9.
Considere que uma falta tenha ocorrido no setor 504, interrompendo o
servio ao maior alimentador do sistema com 17 setores, 231 barras e 33 chaves NF
(ver Figura 7.2). Os valores mdios dos 20 primeiros indivduos gerados (compondo
a populao inicial) a partir da configurao em falta so mostrados a seguir:
Somatria de perdas de potncia igual a 404,58kW;
Maior queda de tenso igual a 4,96 %;
Maior carregamento na rede igual a 139,60%;
Maior carregamento nas subestaes igual a 52,74%.

Nota-se que, pela mdia dessas configuraes o carregamento da rede

ultrapassa os 100%, no respeitando uma restrio operacional do sistema.
A Tabela 7.2 sintetiza os resultados de simulao computacional para 15
execues do algoritmo, onde as caractersticas do melhor indivduo para cada caso
citado acima esto armazenados em cada linha da Tabela. Os resultados
destacados em negrito indicam o melhor valor encontrado para aquela caracterstica
nos 5 casos avaliados. Um valor sublinhado indica que o mesmo no atende
restrio correspondente.

115

503

3659
3660
3661

Alimentador 1

...

Subestao 1
25MVA

Detalhes de
conexes do Setor 504

Alimentador 5
Alimentador 6

3664

3663

3665

...

Subestao 2
50MVA

3666

Alimentador 14
3667

Alimentador 15
502 507
500

501 506

513 518

504 505 510 514

517

520

LEGENDA

515 516
i

532

525

530

529 526
531

Setor
505

519

509

23
Alimentador 23

3668

508

512

503

3669

Setor
23

...

Subestao 3
50MVA

Setor
504

3662

511

527

522

521

Setor i

524
j

523
528

Barra j
Alimentador k

Figura 7.2 Destaque do alimentador 23 do SDR-SC.

Tabela 7.2 Mdia de 15 execues do AE com RNP com modelagem mono-objetivo para
falta nica.

Populao
1 caso
2 caso
3 caso
4 caso
5 caso

Perdas de
Potncia
[kW]
284,14
610,39
469,49
6678,40
295,28

Queda
Tenso
[%]
3,18
3,17
3,89
16,58
3,25

Carregamento
da Rede
[%]
72,23
169,86
72,76
717,77
76,93

Carregamento
das Subestaes
[%]
58,79
57,02
54,03
44,75
54,12

Nmero de
Chaveamentos
93,80
76,20
69,80
106,60
23,00

116

A mdia de tempo de computao para gerar os 30.000 indivduos nos 5

casos (ver Tabela 7.2) foi de 2,46s e para encontrar a melhor soluo (iterao
11.597) foi de 0,95s. Note que no 3 caso, devido a utilizao de uma funo com
um nico objetivo, em vrias execues, o algoritmo convergiu para um timo local,
uma vez que a mdia do carregamento da rede encontrada no 1 caso menor que
a do 3 caso. O 4 caso produz a configurao com o menor carregamento da
subestao, porm com os piores valores para os demais aspectos avaliados.
Observa-se tambm que o 1 caso (objetivo de reduo de perdas) apresenta
resultados prximos aos melhores resultados encontrados para quase todas as
caractersticas, com exceo do nmero de chaveamentos. Isso indica que o
objetivo de reduo de perdas pode direcionar a busca para solues que possuem
um consenso entre a maioria dos objetivos e restries. Esse um dos fatores que
motivam o uso do objetivo de reduo de perdas, mesmo no problema de
restabelecimento de energia, apesar desse objetivo no ser, em geral considerado
para esse problema na literatura.

7.3 Modelagem mono-objetivo para mltiplas faltas

Resultados de testes computacionais com um objetivo e mltiplas faltas para
o SDR-SC so apresentados nesta Seo. Alm do setor 504 (ver Figura 7.2) que
isola o alimentador 23 (o maior do sistema), os setores 182 e 486 dos alimentadores
6 e 22 (ver Figura 7.3 e Figura 7.4) respectivamente, foram isolados do sistema aps
a ocorrncia de faltas. Os valores mdios das caractersticas das 20 topologias de
rede (populao inicial) geradas aps isolar os setores defeituosos e conectar as
reas a jusante a um alimentador vizinho so apresentadas a seguir:
Somatria de perdas de potncia igual a 425,83kW;

117

Maior queda de tenso igual a 4,72 %;

Maior carregamento na rede igual a 111,38%;
Maior carregamento de subestaes igual a 56,99%.

181

170

...

172

Alimentador 14

187

185

205

180

184 196

204

178 179

182 183 189

190

Alimentador 6
Subestao 2
50MVA

186

171 175

176

173 174

177

188

192

191

44
199

201

203 198 200

202 197

45
35

37

46

39
40

36

193 194 195

43

42

38

Figura 7.3 Alimentador 6 do SDR-SC.

Alimentador 15

497

498 499

...

496 495

Subestao 3
50MVA

22
Alimentador 22

Alimentador 23

491 492
490

487

493
494

488

489

66
471 473

450 452 460

461 486 479 478

449 451

454 462 463 464 470 472 475

453 455 459

481

456

457 458

482
483

466 465
480 467

468

477

476

474

469

484 485

Figura 7.4 Alimentador 22 do SDR-SC.

A Tabela 7.3 sintetiza os resultados obtidos em 15 execues do algoritmo.

As caractersticas do melhor indivduo para cada caracterstica avaliada esto
destacadas em negrito e os resultados que violem restries operacionais esto
sublinhados. A mdia de tempo de computao para gerar 30.000 indivduos para os

118

5 casos apresentados foi de 2,40s, enquanto o tempo de computao para atingir a

convergncia mdia (iterao 10.584) foi de 0,85s.

Tabela 7.3 Mdia de 15 execues do AE com RNP com modelagem mono-objetivo para
mltiplas faltas.

Populao
1 caso
2 caso
3 caso
4 caso
5 caso

Perdas de
Potncia
[kW]
287,59
612,78
433,92
6372,56
300,87

Queda
Tenso
[%]
3,19
3,18
3,50
15,80
3,25

Carregamento
da Rede
[%]
72,69
157,13
64,85
693,88
76,45

Carregamento
de Subestaes
[%]
60,33
57,45
58,87
45,01
59,18

Nmero de
Chaveamentos
96,87
71,00
56,60
108,60
29,27

Analisando os valores mdios em negrito, podemos destacar que os

melhores valores encontrados pelo AE utilizando modelagem mono-objetivo para
mltiplas faltas correspondem exatamente s caractersticas minimizadas naquele
caso, diferentemente do que ocorreu para o estudo com o modelo mono-objetivo
para uma nica falta (ver Seo 7.2). No 2 e 4 casos, o carregamento da rede
violado. Os valores apresentados no 4 caso so os piores encontrados em todas as
caractersticas, com exceo do carregamento da subestao, que corresponde ao
objetivo a ser minimizado nesse caso.

7.4 Modelagem multi-objetivo para falta nica

Conforme apresentado na Seo 6.1, o AEMT trabalha com tabela de
subpopulaes em paralelo e no com uma populao nica, como fazem os AEs
convencionais. Cada subpopulao armazena os 5 melhores indivduos para cada
uma das seguintes caractersticas: (i) perdas de potncia; (ii) queda de tenso; (iii)
carregamento da rede; (iv) carregamento das subestaes; (v) funo agregao.

119

Figuras 7.5 a 7.10 apresentam as caractersticas do AEMT para a melhor

soluo na subpopulao da funo agregao a cada iterao. A Figura 7.5 mostra
a reduo total de perdas de potncia para o melhor indivduo da funo agregao
a cada iterao. A Figura 7.6 mostra os valores correspondentes de queda de
tenso. Os valores correspondentes de carregamento na rede e carregamento das
subestaes so apresentados na Figura 7.7 e Figura 7.8 respectivamente. A Figura
7.9 mostra os valores correspondentes de reduo do nmero de chaveamentos.
Por ltimo, a Figura 7.10 mostra o perfil de minimizao da funo agregao ao
longo das iteraes.

120

Figura 7.5 Falta nica, perdas totais.

Figura 7.6 Falta nica, menor tenso.

Figura 7.7 Falta nica, carregamento da

rede.

Figura 7.8 Falta nica, carregamento das

subestaes.

Figura 7.9 Falta nica, nmero de

chaveamentos.

Figura 7.10 Falta nica, funo agregao.

121

A partir da Figura 7.5 a Figura 7.10, possvel observar o problema dos

objetivos conflitantes. Note que por volta da iterao de nmero 5.000 houve
alteraes bruscas nas caractersticas do melhor indivduo da funo agregao.
Melhorias considerveis aconteceram na somatria das perdas, menor tenso e
carregamento da rede; por outro lado, houve um aumento no carregamento das
subestaes e nas operaes de chaveamentos. O nmero de manobras passou de
aproximadamente 25 para quase 65 nessa etapa da evoluo das solues, porm
houve reduo considervel na funo agregao. Por fim, nas iteraes seguintes,
o

carregamento

das

subestaes

nmero

de

chaveamentos

so

significativamente reduzidos.
A Tabela 7.4 mostra o valor mdio (obtido aps 15 execues do AEMT) do
melhor indivduo para cada subpopulao ao final do processo. A primeira linha da
Tabela 7.4 apresenta o resultado obtido, em mdia, para o melhor indivduo na
subpopulao de reduo de perdas. As perdas encontradas para esse indivduo
foram menores que as perdas de qualquer outro indivduo de outras subpopulaes.
O mesmo ocorre para o melhor indivduo das outras subpopulaes, que possuem o
menor valor para a caracterstica que sua subpopulao representa, o que
destacado pelos nmeros em negrito. O tempo de processamento para gerar os
30.000 indivduos avaliados foi em mdia de 2,19s e o tempo mdio para encontrar
a melhor soluo (indivduo da iterao 26.531) em termos de funo agregao foi
de 1,90s.
A modelagem multi-objetivo para falta nica possibilitou encontrar resultados
melhores que os encontrados quando a modelagem mono-objetivo foi utilizada. Essa
afirmao pode ser verificada comparando a Tabela 7.2 com a Tabela 7.4.

122

Carregamento
Da Rede [%]

Carregamento
da subestao
[%]

Nmero de
Chaveamentos

Somatria das Perdas de Potncia

Queda de Tenso
Carregamento da Rede
Carregamento das Subestaes
Funo Agregao

Queda de
Tenso
[%]

Subpopulao

Perdas de
Potncia [kW]

Tabela 7.4 Mdia de 15 execues do AEMT para falta nica.

282,82
330,86
315,65
8097,65
294,08

3,18
3,13
3,22
18,94
3,24

72,12
82,28
60,25
701,99
76,69

57,34
55,15
55,66
44,52
54,31

95,67
73,27
73,27
107,93
24,87

Comparando-se os resultados mdios apresentados na Tabela 7.4 com os

da Tabela 7.2, nota-se que os resultados em negrito da modelagem multi-objetivo,
com exceo dos resultados da Funo Agregao, so melhores que os resultados
em negrito da modelagem mono-objetivo. Os melhores resultados encontrados com
o AEMT demonstram a importncia da diviso da populao em subpopulaes,
aumentando a diversidade entre os indivduos que reproduzem, vencendo timos
locais e possibilitando a obteno de melhores solues. Embora do ponto de vista
prtico no faa tanta diferena, em termos computacionais h a desvantagem de
um maior tempo mdio de convergncia do algoritmo: o modelo mono-objetivo
requer 0,95s; enquanto o modelo multi-objetivo precisa de 1,90s.

7.5 Modelagem multi-objetivo para mltiplas faltas

Outros testes realizados com o AEMT envolveram mltiplas faltas. Trs
faltas simultneas foram simuladas nos setores 182, 486 e 504 (ver Figura 7.2,
Figura 7.3 e Figura 7.4).
A metodologia mostrou-se adequada para resolver problemas com mltiplas
faltas. Resultados para esse caso so ilustrados pelas Figura 7.11 a Figura 7.16 que
mostram a evoluo de cada caracterstica de avaliao pelo AEMT.

123

Figura 7.11 Mltiplas faltas, perdas totais.

Figura 7.12 Mltiplas faltas, menor tenso.

Figura 7.13 Mltiplas faltas, carregamento

da rede.

Figura 7.14 Mltiplas faltas, carregamento

das subestaes.

Figura 7.15 Mltiplas faltas, nmero de

chaveamentos.

Figura 7.16 Mltiplas faltas, funo

agregao.

124

O perfil de convergncia do melhor indivduo ao longo das iteraes em

cada subpopulao apresentado nas Figuras 7.17 a 7.20. Para a subpopulao de
minimizao da funo agregao, o perfil do melhor indivduo corresponde ao
apresentado na Figura 7.16.

Figura 7.17 Subpopulao, perdas totais.

Figura 7.18 Subpopulao, menor tenso.

Figura 7.19. Subpopulao, carregamento da

rede.

Figura 7.20 Subpopulao, carregamento

das subestaes.

A Tabela 7.5 destaca os valores das caractersticas do melhor indivduo

encontrado em cada subpopulao. O tempo de processamento para gerar os
30.000 indivduos, nesse caso, foi de 2,24s e o tempo mdio para atingir a melhor
soluo encontrada (iterao 27.457) em termo de funo agregao foi de 2,02s.

125

Carregamento
Da Rede [%]

Carregamento
de Subestao
[%]

Nmero de
Chaveamentos

Somatria das Perdas de Potncia

Queda de Tenso
Carregamento da Rede
Carregamento das Subestaes
Funo Agregao

Queda de
Tenso
[%]

Subpopulao

Perdas de
Potncia [kW]

Tabela 7.5 Mdia de 15 execues do AEMT para mltiplas faltas.

286,90
351,50
347,56
6971,99
302,46

3,17
3,14
3,30
17,18
3,25

71,47
92,34
62,78
686,55
77,71

60,07
58,29
57,83
44,89
59,33

96,33
56,87
61,53
108,60
28,20

Entre os resultados em negrito encontrados pelas modelagens monoobjetivo e multi-objetivo para mltiplas faltas, apresentados na Tabela 7.3 e Tabela
7.5, respectivamente, os melhores foram encontrados na modelagem multi-objetivo,
onde o AEMT foi utilizado. Porm, o tempo mdio de processamento para gerar os
30.000 indivduos pelo algoritmo mono-objetivo foi de 0,85s, enquanto para o multiobjetivo foi de 2,02s.
Em sntese, pode-se dizer que resultados apresentados nas Sees 7.2 a
7.5 mostram que AEs utilizando a RNP so capazes de resolver problemas de
restabelecimento para um SDR relativamente grande (SDR-SC, com 3860 barras e
632 chaves) em casos de uma ou mltiplas faltas. Em geral, as melhores solues
encontradas so obtidas em menos iteraes quando a modelagem mono-objetivo
utilizada, em comparao com a modelagem multi-objetivo. Por outro lado, a
possibilidade do algoritmo convergir para timos locais maior naquela modelagem.
Dessa forma, o AEMT, atravs de suas tabelas, proporciona ferramentas para
escapar desses timos locais, e possibilita encontrar solues levemente melhores,
por meio de uma melhor explorao do espao de busca.

126

Dessa forma, mostrou-se que o AEMT uma ferramenta capaz de lidar com
redes de tamanho real em tempo de processamento reduzido, possibilitando sua
aplicao em problemas que requerem solues em tempo real para casos de uma
ou de mltiplas faltas envolvendo grandes reas desenergizadas.

7.6 Resultados com sistemas construdos a partir do SDR-SC

Nos testes a seguir, o tamanho do SDR-SC foi duplicado, quadruplicado e
octuplicado a fim de verificar o desempenho do AEMT com o aumento do tamanho
da rede. Os testes so relativos a reconfigurao do SDR para melhorar a qualidade
do servio de fornecimento de energia (reduo de perdas, queda de tenso,
carregamento da rede e das subestaes), sem a ocorrncia de faltas.
O Sistema 2 originou-se do SDR-SC (chamado nesta Seo de Sistema 1),
que consiste do Sistema 1 duplicado e a adio de 13 chaves NA conectando o
sistema original com sua parte duplicada. Da mesma forma, o Sistema 2 foi
duplicado e 23 chaves NA foram adicionadas, originando o Sistema 3. O Sistema 4
foi gerado a partir do Sistema 3 atravs do mesmo procedimento e 12 chaves NA
foram adicionadas. Os dados de cada SDR descrito anteriormente so apresentados
na Tabela 7.6.

Tabela 7.6 Dados dos Sistemas construdos a partir do SDR-SC (Sistema 1).
SDR

Barras Setores Chaves NF Chaves NA Subestaes Alimentadores

Sistema 1

3.860

533

509

123

23

Sistema 2

7.720

1.066

1.018

259

46

Sistema 3

15.440

2.132

2.036

541

12

92

Sistema 4

30.880

4.264

4.072

1.094

24

184

127

A Figura 7.21 mostra o tempo necessrio para o AEMT gerar 10.000

indivduos para os Sistemas 1, 2, 3 e 4. A curva em vermelho destaca o tempo de
processamento do AEMT para a construo de novas configuraes. Em verde,
mostra-se a curva limitante superior: f (n) = 0, 019 n . Note que o tempo de
processamento requerido pelo AEMT sublinear com o nmero de chaves do
sistema, limitada pela funo f (n) = k n , onde n o nmero de chaves e k uma
constante positiva. Com base nesses resultados, esperado que o algoritmo no
incorra em problemas de exploso combinatorial com o aumento da rede. O Sistema
4, com 30.880 barras e 5.166 chaves aproxima-se de um sistema real de uma
cidade com cerca de 1,5 milhes de habitantes, indicando que o AEMT pode ser
adequado para lidar com uma rede real de larga escala sem simplificaes na
modelagem da mesma.

Figura 7.21 Resultados indicando tempo de processamento sublinear para o AEMT.

128

A Tabela 7.7 mostra a mdia de resultados obtidos a partir dos Sistemas 1,

2, 3 e 4 para 10.000, 100.000, 400.000, 800.000 e 1.000.000 indivduos gerados em
30 execues do algoritmo. Como apenas 1 indivduo gerado em cada iterao,
quanto maior o tamanho do sistema, maior o nmero de iteraes necessrias para
encontrar solues adequadas.

Sistema

Tabela 7.7 Mdia de Resultados de 30 execues do AEMT.

1
2
3
4

Nmero de Iteraes

Reduo de Perdas[%]
Tempo de Processamento [s]
Reduo de Perdas[%]
Tempo de Processamento [s]
Reduo de Perdas[%]
Tempo de Processamento [s]
Reduo de Perdas[%]
Tempo de Processamento [s]

10.000
14,41
0,34
11,73
0,51
10,59
0,96
6,76
1,22

100.000
15,88
3,56
15,58
5,95
23,33
11,87
24,03
14,58

400.000
15,89
14,57
15,66
24,90
24,08
52,46
26,90
67,51

800.000
15,89
29,18
15,66
50,58
24,16
108,11
27,43
149,87

1.000.000
15,89
36,92
15,66
63,98
24,17
137,10
27,52
192,37

Para 10.000 iteraes, a porcentagem de reduo de perdas diminui com o

tamanho do Sistema. Como o nmero de possveis configuraes aumenta
exponencialmente com o nmero de chaves, para os sistemas maiores existem
muitas configuraes para serem investigadas, dificultando a busca por solues
adequadas em apenas 10.000 iteraes. Para 100.000 iteraes, a porcentagem de
reduo de perdas em geral aumenta com o tamanho da rede. Esse comportamento
mantm-se para 400.000, 800.000 e 1.000.000 de iteraes. Pode-se observar
tambm uma tendncia de convergncia da porcentagem de reduo de perdas com
o aumento do nmero de iteraes, praticamente atingindo o mximo de reduo
com 1.000.000 de iteraes. De uma forma geral, para Sistemas com maior nmero
de chaves, h maior possibilidade de existirem configuraes de melhor qualidade.

129

Porm, encontrar as configuraes mais adequadas para redes de grande escala

difcil, pois o espao de busca das configuraes grande. Em outras palavras, um
modelo de rede considerando todas as chaves de um SDR real, proporciona um
espao de busca que pode ter melhores configuraes que o proporcionado por
modelos simplificados, embora seja difcil encontrar configuraes mais adequadas
em grandes espaos de busca. Mesmo assim, o AEMT demonstrou ser capaz de
encontrar essas configuraes, para grandes SDRs.

7.7 Testes com o SDR da Taiwan Power Company

Poucos trabalhos na literatura utilizam SDRs reais e/ou de grande porte nas
anlises de desempenho. Em geral, somente os trabalhos com SDRs pequenos
disponibilizam todos os dados necessrios para sua reutilizao. Um sistema que
tem sido utilizado na literatura em trabalhos de reconfigurao de redes para
reduo de perdas, o SDR da TPC, cujos dados esto disponveis em [94-96, 135].
Esse sistema consiste de uma rede trifsica equilibrada de 11,4kV com 11
alimentadores, 83 chaves NF, 13 chaves NA, com 28,35MW de carga ativa total e
20,70MVAr de carga reativa total. A Figura 7.22 mostra a topologia inicial do
sistema, onde os crculos representam uma barra ou centro de carga, linhas cheias
so chaves NF, linhas tracejadas so chaves NA e as letras de A a K representam
barras em uma subestao. Os dados da rede so mostrados no Apndice A.
Diversas tcnicas foram aplicadas em reconfigurao de redes para reduo
de perdas de potncia no sistema da TPC, das quais se destacam: um algoritmo
baseado em plant growth simulation (PGSA) [94]; Evoluo Diferencial Hbrida
Inteiro-mista (EDHI) [95]; Algoritmo de busca baseado em Colnias de Formigas
(ACF) e Algoritmos Genticos [96]; alm de Simulated Annealing [135].

130

47

49

48

50

51

52

55

54

8
9
10

61

62

5
56

58

57

77

79

78

73

80

68

67

66

69

63

82

81

64
83

76

75

74

65

60

59

70

71

72

11
13

12
43

46

45

44

14
41

53

30

25

31

32

33

26

27

34

28

35

36

37

42

38

29
39

40
18

15

16

17

19

20
21

Figura 7.22 Topologia Inicial do SDR da Taiwan Power Company.

Especificaes do computador utilizado nos testes e da linguagem

computacional de implementao dos algoritmos, quando disponveis no trabalho
original, so descritos a seguir:
PGSA processador de 2,2GHz e 256MB de memria RAM

desenvolvido em Visual C++;

EDHI Pentium II, processador de 266MHz, desenvolvido em MATLAB;

131

SA, AG e ACF Pentium IV, processador de 1,3GHz, desenvolvido em

MATLAB;
AEMT Pentium IV, processador de 2,01GHz, 4GB de memria RAM,

desenvolvido em C.
Os trabalhos citados acima utilizaram a mesma configurao inicial (ver
Figura 7.22) e encontraram a mesma soluo com reduo de 11,68% nas perdas
de potncia, diferenciando no tempo de processamento. A perda total na
configurao inicial de 531,99kW e na configurao final de 469,88kW. As
chaves abertas na topologia das configuraes inicial e final correspondem a:

Inicial 5-55, 7-60, 11-43, 12-72, 13-76, 14-18, 16-26, 20-83, 28-32, 29-

39, 34-46, 40-42 e 53-64;

Final 54-55, 6-7, 11-43, 71-72, 12-13, 14-18, 16-26, 82-83, 28-32, 38-

39, 33-34, 41-42 e 61-62.

Tabela 7.8 apresenta o tempo de processamento requerido por cada mtodo

aplicado para reduo de perdas do SDR da TPC. No possvel a comparao
precisa dos mtodos somente pelo tempo de processamento, pois computadores
com diferentes processadores foram utilizados. No entanto, devido os processadores
serem da mesma famlia (Pentium), possvel fazer uma estimativa do nmero de
operaes necessrias na obteno das solues em cada mtodo. Assim, a Tabela
7.8 apresenta tambm, o modelo do processador, quando disponibilizado nas
respectivas fontes, a capacidade de operaes por segundo (OPS) do processador
e o nmero de operaes (NO) necessrias no desenvolvimento da simulao.

132

Tabela 7.8 Tempo de processamento dos mtodos que utilizam o SDR da TPC.
Mtodos
AEMT
PGSA
EDHI
SA
AG
ACF
Tempo de Proc. [s]
0,01
113,25
36,15
257,43
303,66
241,51
Processador
P. IV
N.E(*)
P. II
P. IV
P. IV
P. IV
(**)
9
OPS
2,01.10
2,20.109 0,27.109
1,30.109
1,30.109
1,30.109
NO(***)
0,02.109 249,15.109 9,62.109 334,66.109 394,76.109 313,96.109
(*) N.E. Famlia de processador no especificada. Nesse caso supe-se um Pentium.
(**) OPS Nmero de Operaes por Segundo;
(***) NO Nmero de Operaes.

O tempo mdio de processamento relativo ao AEMT foi de 0,0165s para

gerar 1.500 indivduos e de 0,0132s para atingir a soluo encontrada na literatura
(indivduo da iterao 1.202) em um Pentium IV de 2,01 GHz, isto , com a
capacidade de realizar 2,01x109OPS. Assim, o nmero esperado de operaes
requeridas pelo AEMT para atingir a soluo do indivduo 1.202 de 2,01x109OPS x
0,01s, isto , 0,02x109. Mesmo que o mtodo de soma de potncia para o fluxo de
carga tivesse sido utilizado no AEMT, sendo 3,46 vezes mais lento que o de soma
de corrente (ver Seo 7.8.1), o nmero de operaes (0,07x109) teria sido muito
menor que o nmero de operaes necessrias pelos outros mtodos.

7.8 AEMT com modelos de corrente constante e potncia

constante para o fluxo de carga
Neste trabalho o Fluxo de carga de varredura direta inversa com o Modelo
de Corrente Constante (FMCC) para a soma de corrente foi utilizado. No FMCC,
para cada configurao gerada, executam-se apenas duas varreduras: uma
varredura para determinar o fluxo de corrente em cada ramo (inversa), e outra para
determinar a tenso nas barras do SDR (direta) (ver Seo 5.1). Por outro lado, o
Fluxo de carga com o Modelo de Potncia Constante (FMPC) para soma de
potncia, exige um nmero maior de iteraes, dependendo da preciso desejada.

133

Conseqentemente, maior esforo computacional requerido, aumentando-se o

tempo de processamento.
Em problemas de reconfigurao de SDRs, a necessidade de execuo de
um fluxo de carga, para avaliar cada configurao em potencial, requerida muitas
vezes durante o processo de otimizao. Assim, na maioria dos algoritmos para
essas aplicaes, grande parte do tempo de processamento para execuo de
fluxo de carga. Particularmente, em problemas de restabelecimento de energia, o
objetivo encontrar topologias do SDR que atendam restries operacionais do
sistema e que restabeleam a energia ao maior nmero de consumidores possveis
em um curto intervalo de tempo. Assim, dada a necessidade de trabalhar em tempo
real, o FMCC a princpio mais vantajoso.
Vrios trabalhos de reconfigurao de redes no utilizam o FMCC, e sim o
FMPC. Por essa razo, resultados da aplicao do AEMT utilizando ambos os
modelos para reduo de perdas no SDR-SC so comparados a seguir. Os mtodos
de soma de potncia e soma de correntes foram apresentados na Seo 5.1.

7.8.1 Desempenho do AEMT com FMCC e FMPC

Em cada teste, 20.000 indivduos foram avaliados. A Tabela 7.9 apresenta
resultados mdios e o desvio padro para 30 execues do AEMT utilizando o
FMCC e o FMPC para o SDR-SC para reduo de perdas sem a ocorrncia de
faltas. Note que o tempo de processamento com o FMCC 3,46 vezes menor que o
tempo de processamento utilizando o FMPC; enquanto que as perdas totais e o
nmero de chaveamentos de cada modelo so prximos.
A Tabela 7.10 apresenta a menor tenso encontrada em cada um dos 23
alimentadores na configurao inicial, de acordo com o modelo de carga utilizado.

134

Nota-se que os ngulos encontrados pelos dois modelos de fluxo de carga so

iguais para todas as barras analisadas e as amplitudes da tenso, em p.u., muito
prximas. Isso significa que, para efeitos de avaliao das restries de operao do
sistema, a vantagem do uso do FMPC so pequenas, com a desvantagem do
aumento significativo do tempo de computao.
Tabela 7.9 Resultados mdios de 30 execues utilizando o FMCC e o FMPC.
Modelo do
Fluxo de
Carga
Mdia
Desvio Padro
Mdia
Desvio Padro

FMCC
FMPC

Perdas
Finais
(kW)
237,43
2,88
236,09
2,74

Tempo de
Processamento
(s)
0,79
0,01
2,73
0,07

Nmero de
Chaveamentos
87
6
89
5

Iterao
do Melhor
Indivduo
11409
4234
10068
3469

Tabela 7.10 Menor tenso no alimentador de acordo com o modelo de carga.

Alimentador
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23

Barra com
menor
tenso
937
621
814
884
903
1245
1313
1396
1618
1811
1867
1951
2087
2408
2516
2613
2670
2711
2770
1623
3259
3436
3777

FMCC

FMPC

V (pu)

Graus

V (pu)

Graus

0,995116
0,994029
0,985929
0,998518
0,999370
0,992436
0,995389
0,994298
0,993790
0,991044
0,998192
0,996401
0,996232
0,967477
0,997469
0,998132
0,994663
0,997539
0,997427
0,991276
0,993568
0,987014
0,988665

-0,73
-0,74
-1,65
-0,20
-0,09
-0,97
-0,25
-1,03
-0,95
-1,04
-0,32
-0,65
-0,54
-2,11
-0,25
-0,27
-0,57
-0,45
-0,37
-0,74
-0,78
-1,00
-0,41

0,995128
0,994036
0,985952
0,998520
0,999371
0,992459
0,995394
0,994409
0,993801
0,991053
0,998194
0,996418
0,996234
0,967571
0,997471
0,998134
0,994669
0,997543
0,997430
0,991285
0,993579
0,987034
0,988674

-0,73
-0,74
-1,65
-0,20
-0,09
-0,97
-0,25
-1,03
-0,95
-1,04
-0,32
-0,65
-0,54
-2,11
-0,25
-0,27
-0,57
-0,45
-0,37
-0,74
-0,78
-1,00
-0,41

135

7.9 Comparao do AEMT com outros AEs Multiobjetivos

No Captulo 6, alm do mtodo proposto (AEMT), os mtodos NSGA-II [85] e
SPEA2 [130] tambm foram apresentados por serem dois AEs que tm obtido
resultados relevantes em diversas aplicaes. Esta Seo compara os resultados
encontrados pelo AEMT, NSGA-II e SPEA2 para o problema de reconfigurao de
redes para reduo de perdas utilizando o SDR-SC. O NSGA-II e o SPEA2 originais
foram adaptados para utilizar a RNP. Como conseqncia, esses mtodos foram
implementados computacionalmente com pequenas modificaes em relao aos
mtodos originais para utilizao dos Operadores especficos da RNP. Como
consequncia, os Operadores de mutao e cruzamento do NSGA-II e SPEA2 foram
substitudos pelos Operadores 1 e 2 da RNP (ver Captulo 4). Para comparar o
desempenho dos 3 mtodos, as perdas totais no sistema e o nmero de
chaveamentos foram os 2 objetivos considerados para serem minimizados.
Os parmetros utilizados nos testes em cada mtodo so mostrados a
seguir:
NSGA-II

tamanho da populao pai | P | igual a 100;

tamanho da populao de descendentes | Q | igual a 100;
nmero de iteraes igual a 150;

SPEA2

tamanho da populao | P | igual a 100;

tamanho da populao externa | P | igual a 100;
nmero de iteraes igual a 150;

AEMT

tamanho das subpopulaes (tabelas) SPi igual a 5, para i = 1, ..., 5;

nmero de iteraes igual a 15.000.

Deve-se ressaltar que, para o AEMT, apenas 1 indivduo foi gerado em cada
iterao, enquanto que para os mtodos NSGA-II e SPEA2 100 indivduos foram

136

gerados por iterao. Ao final do processo, todos os mtodos geraram 15.000

indivduos.
Para fins de comparao, a seleo do Operador 1 ou Operador 2 para
gerar um novo indivduo, para os 3 mtodos, foi realizada aleatoriamente, isto , sem
a utilizao de ajuste dinmico. A seleo do indivduo para reproduo, no NSGA-II
e SPEA2, realizada pelo mtodo de torneio; enquanto que para o AEMT,
seleciona-se aleatoriamente uma subpopulao e, em seguida, seleciona-se
aleatoriamente um indivduo dessa subpopulao.
Todos os algoritmos partem da rede inicial com as seguintes caractersticas:
Somatria de perdas de potncia igual a 281,34kW;
Maior queda de tenso igual a 3,25 %;
Maior carregamento na rede igual a 67,12%;
Maior carregamento nas Subestaes igual a 53,34%.

O tempo de processamento foi obtido da mdia de 30 execues dos

mtodos AEMT, NSGA-II e SPEA2 sendo 557ms, 642ms e 649ms respectivamente.
As fronteiras de Pareto obtidas pelo mtodo NSGA-II nas iteraes 1 e 150 so
apresentadas na Figura 7.23. As fronteiras de Pareto geradas a partir do mtodo
SPEA2 nas iteraes 1 e 150 so apresentadas na Figura 7.24. As solues
encontradas pelo AEMT so apresentadas na Figura 7.25. Porm, para a
subpopulao de carregamento das subestaes h indivduos com perdas de
potncia muito elevadas (acima de 3.660kW), assim, esses indivduos no aparecem
nessa Figura. A fronteira de Pareto apresentada na Figura 7.26 para cada mtodo
em anlise.

137

Figura 7.23 Fronteiras de Pareto encontradas pelo NSGA-II nas iteraes 1 e 150.

Figura 7.24 Fronteiras de Pareto encontradas pelo SPEA2 nas iteraes 1 e 150.

138

Figura 7.25 Solues encontradas pelo AEMT.

Figura 7.26 Comparao das melhores fronteiras obtidas pelo AEMT, NSGA-II e SPEA2.

139

As solues, em azul, apresentadas na parte superior da Figura 7.26 so

relativas s melhores solues na subpopulao de perdas de potncia do AEMT,
enquanto as outras solues (em azul) so as melhores solues finais encontradas
nas demais subpopulaes. Pela Figura 7.26 nota-se que o AEMT capaz de
encontrar melhores solues, principalmente nos extremos da fronteira. No entanto,
a diversidade de solues baixa.
A vantagem do NSGA-II e SPEA2 est na maior diversidade das solues
encontradas, pois conseguem mapear uma grande parte da fronteira de Pareto com
solues factveis, variando desde a primeira configurao (com 0 manobras) at
configuraes com 40 manobras de chaves (NSGA-II) e 54 manobras de chaves
(SPEA2). As solues da fronteira encontrada pelo SPEA2 dominam, em grande
parte, as solues obtidas pelo NSGA-II.
Deve-se observar que todas as solues apresentadas na Figura 7.26
atendem as restries operacionais do sistema, bem como as restries de
radialidade e conectividade que so atendidas naturalmente quando os Operadores
da RNP so utilizados.

141

8 Concluses
Este Captulo sintetiza os principais resultados obtidos e apresenta algumas
consideraes sobre perspectivas de pesquisas futuras relativas a este trabalho. O
restabelecimento de energia em SDRs geralmente envolve reconfigurao de redes.
Um AE associado a uma estrutura de dados eficiente foi proposto, o AEMT. Existem
vrias aplicaes para o AEMT, sendo algumas citadas como sugestes de
trabalhos futuros. Este trabalho explorou com maior nfase essa tcnica para o
problema de restabelecimento de energia em um SDR real, no qual se busca o
restabelecimento de energia ao maior nmero possvel de consumidores aps as
faltas terem sido identificadas e isoladas, sem violar os limites operacionais do
sistema como sobrecarga nas linhas e subestaes e queda de tenso
estabelecidos em normas tcnicas.
Sistemas de Distribuio do mundo real possuem grande quantidade de
barras e chaves. Assim, tcnicas que consigam lidar com modelagens complexas
envolvendo a maior quantidade possvel de componentes de um SDR podem ser
interessantes para obteno de planos de restabelecimento de melhor qualidade. O
uso da estrutura de dados RNP base de desenvolvimento do AEMT, uma vez que
essa codificao garante a rpida gerao de novas configuraes de rede sempre
radiais e conexas. Com isso, evitam-se rotinas para identificar e corrigir essas
infactibilidades, que aumentam consideravelmente o tempo de processamento e
esto presentes em vrias abordagens encontradas na literatura.

142

O AEMT foi avaliado utilizando uma rede de um SDR real com 3.860 barras
e 632 chaves (509 chaves NF e 123 chaves NA) sem simplificaes em relao
rede real, ou seja, foram consideradas todas as linhas, barras e chaves da mesma.
Alm disso, foram realizados testes utilizando outras trs redes sintetizadas a partir
desse SDR real. As redes sintetizadas possuem tamanhos (nmero de barras e
chaves) que so aproximadamente duas, quatro e oito vezes o tamanho do SDR
real. Com isso, o AEMT foi avaliado inclusive para uma rede com 30.880 barras,
4.264 setores, 5.166 chaves (4.072 chaves NF e 1.094 chaves NA), 24 subestaes
e 184 alimentadores. Considerando que o SDR real alimentava uma cidade de
quase 200.000 habitantes, a maior rede sintetizada corresponderia a uma SDR para
uma cidade de cerca de 1,5 milhes de habitantes.
Quanto maior o tamanho da rede, maior o nmero de configuraes
possveis. Em conseqncia, aumenta-se a possibilidade de existirem um nmero
maior de solues que atendam as restries do problema. Por outro lado, obter
resultados adequados para esse tipo de problema difcil, pois o nmero de
configuraes infactveis tambm aumenta com o tamanho da rede. Outros aspectos
como funes no-lineares, descontnuas, com vrios timos locais e envolvendo
mltiplos objetivos conflitantes tornam o problema ainda mais complexo.
Os resultados obtidos nos testes com o AEMT para o SDR-SC e para as
redes sintetizadas mostram que o AEMT capaz de vencer tais dificuldades e
explorar

adequadamente

espao

das

solues

factveis,

encontrando

configuraes de alta qualidade em curto intervalo de tempo. Em mdia, o AEMT

requer tempo de processamento de 2,20s para gerar 30.000 configuraes.
Para lidar adequadamente com mltiplos objetivos conflitantes, o AEMT
utiliza de subpopulaes organizadas em uma tabela, a qual corresponde a uma

143

estratgia simples e de baixo custo computacional para evitar timos locais e

encontrar solues na fronteira de Pareto.
Resultados do AEMT para reduo de perdas de potncia foram
comparados com resultados encontrados pelo NSGA-II e SPEA2 adaptados com a
RNP para o mesmo problema (ver Seo 7.9). Estes dois algoritmos encontram
fronteiras de Pareto com um nmero maior de solues. Por outro lado, o AEMT
conseguiu estender significativamente os extremos da fronteira. Vale ressaltar
tambm que o tempo de computao requerido pelo AEMT menor que das outras
duas tcnicas multiobjetivo, mas no de forma expressiva.
As principais contribuies deste trabalho podem ser sintetizadas como
segue:
1. Desenvolvimento de um AE Multi-objetivo em Tabela o AEMT,
capaz de lidar com problemas com objetivos conflitantes de uma
forma simples (ver Seo 6.4);
2. Utilizao de uma estrutura de dados, a RNP, que possibilita
investigar em reduzido tempo de processamento uma grande
quantidade de configuraes factveis (ver Captulo 4);
3. Proposio de um fluxo de carga no convencional, baseado na RNP,
com modelo de corrente constante utilizando o mtodo de varredura
direta/inversa para soma de corrente, possibilitando uma rpida
avaliaes de redes com milhares de barras (ver Seo 5.1);
4. Desenvolvimento de uma metodologia eficiente para calcular o
nmero de chaveamentos de uma configurao para outra (ver Seo
5.2);

144

5. Apresentao de resultados que garantem que o AEMT encontra

solues adequadas e que pode encontrar solues em regies do
espao de busca que o NSGA-II e o SPEA2, nos testes realizados,
no conseguiram atingir (ver Seo 7.9);
6. Aplicao do AEMT ao SDR da Taiwan Power Company, SDR
disponvel na literatura encontrando os mesmos resultados que outros
mtodos

para

reduo

de

perdas,

porm

com

tempo

de

processamento muito menor (ver Seo 7.7).

Como sugestes de trabalhos futuros destacam-se:
1. Verificar o comportamento do AEMT para outros SDRs reais de largaescala;
2. Trabalhar com um conjunto de funes agregao na Tabela de
subpopulaes do AEMT, aumentando assim, o nmero de
subpopulaes e a diversidade de solues na fronteira de Pareto
obtida pelo AEMT;
3. Explorar o AEMT para outros problemas de reconfigurao de redes:
reduo de perdas de potncia, alocao tima de capacitores,
planejamento da expanso do sistema e balanceamento de cargas;
4. Adaptar o AEMT para trabalhar com a RNPG (Representao NProfundidade Grau), uma nova codificao em desenvolvimento no
grupo de pesquisa de Sistemas Embarcados, Evolutivos e Robticos
do ICMC-USP [136] que estende a RNP e possui garantia terica de
complexidade de tempo sublinear.

145

9 Publicaes Originadas desta Pesquisa

1.

A. C. Santos, A. C. B. Delbem, N. G. Bretas, "Reduo de Perdas

em Sistemas de Distribuio de Tamanho Real", XVI CBA - Congresso Brasileiro de

Automtica, Salvador-BA, pp. 1692-1697, Out., 2006.
2.

A. C. Santos, A. C. B. Delbem, N. G. Bretas, "Representao N-

profundidade para AEs aplicados a minimizao de perdas resistivas em Sistemas

de Distribuio", VIII SBAI - Simpsio Brasileiro de Automao Inteligente,
Florianpolis-SC, Out., 2007.
3.

A. C. Santos, A. C. B. Delbem, N. G. Bretas, "Reconfigurao de

Sistemas de Distribuio de Energia Eltrica utilizando Algoritmo Evolutivo com

Representao N-Profundidade", Cong. Latino Americano de Ger. e Transm. de
Energia Eltrica - CLAGTEE, Chile, Out., 2007.
4.

A. C. Santos, A. C. B. Delbem, N. G. Bretas, "Energy Restoration for

Large-Scale Distribution System using EA and a New Data Structure", 2008 IEEE
Power & Energy Society General Meeting, Pittsburgh-PA, USA, july, 2008.
5.

A. C. Santos, M. Nanni, M. R. Mansour, A. C. B. Delbem, J. B. A. L.

Jr., N. G. Bretas, "A Power Flow Method Computationally Efficient for Large-Scale
Distribution Systems", 2008 IEEE PES Latin America Transmission and Distribution
Conference and Exposition, Bogota-Colombia, Aug., 2008.

146

6.

A. C. Santos, A. C. B. Delbem, N. G. Bretas, "A Multiobjective

Evolutionary Algorithm with Node-depth Encoding for Energy Restoration", The 4th
International Conference on Natural Computation - ICNC'08, Jinan-China, Oct., 2008.
7.

A. C. Santos, A. C. B. Delbem, N. G. Bretas, "Restabelecimento de

Energia em grandes Redes de Distribuio com uma Estrutura de Dados eficiente

para manipulao de grafos", XVII CBA - Congresso Brasileiro de Automtica, set.,
2008.
8.

M. R. Mansour, A. C. Santos, J. B. A. London Jr., A. C. B. Delbem,

N. G. Bretas, "Aplicao de Conjuntos Fuzzy para definio do critrio de parada de

um Algoritmo Evolutivo desenvolvido para reconfigurao de Redes de Distribuio",
Congresso da Academia Trinacional das Cinicas C3N, Out., 2008.
9.

M. R. Mansour, A. C. Santos, A. C. B. Delbem, J. B. A. L. Jr., N. G.

Bretas, Aplicao de conjuntos fuzzy para avaliao das funes multi-objetivo de

um Algoritmo Evolutivo para a reconfigurao de sistemas de distribuio de energia
eltrica,

In:

XL

SBPO:

Simpsio

Brasileiro

de

Pesquisa

Operacional,

Joo Pessoa, PB, 2008.

10.
Bretas,

M. R. Mansour, A. C. Santos, A. C. B. Delbem, J. B. A. L. Jr., N. G.

Energy

Restoration

in

Distribution

Systems

using

Multi-Objective

Evolutivonary Algorithm and an Efficient Data Structure. In: Proceedings of the IEEE
Power Tech, Bucharest Romania, 2009. (Aceito para publicao).
11.

A. C. Santos, A. C. B. Delbem, J. B. A. London Jr., N. G. Bretas,

"Node-depth Encoding and Evolutionary Algorithm for Restoration of Large-scale

Distribution Systems", IEEE Transactions on Power Systems. (Submetido).

147

10

Referncias Bibliogrficas

[1] S. H. Strogatz, "Exploring complex networks", Nature, vol. 410, pp. 268-276,
Maro, 2001.
[2] W. X. Fan, C. Guanrong, "Complex networks: small-world, scale-free and
beyond", IEEE Circuits and Systems Magazine, vol. 3, pp. 6-20, 2003.
[3] S. N. Dorogovtsev, A. V. Goltsev, J. F. F. Mendes, "Critical phenomena in
complex networks", Reviews of Modern Physics, vol. 80, pp. 1275, Outubro, 2008.
[4] J. A. Cipoli, Engenharia de Distribuio, 1 ed. Rio de Janeiro: Qualitymark
Editora Ltda, 1993.
[5] N. Kagan, C. C. B. Oliveira, E. J. Robba, Introduo aos sistemas de distribuio
de energia eltrica, vol. 1, 1 ed. So Paulo: Edgard Blucher, 2005.
[6] R. J. Sarfi, M. M. A. Salama, A. Y. Chikhani, "Distribution system reconfiguration
for loss reduction: an algorithm based on network partitioning theory", IEEE Power
Industry Computer Application Conference, pp. 503-509, Maio, 1995.
[7] F. V. Gomes, S. Carneiro, Jr., J. L. R. Pereira, M. P. A. Vinagre, P. A. N. A.
Garcia, L. R. A. De Araujo, "A new distribution system reconfiguration approach
using optimum power flow and sensitivity analysis for loss reduction", IEEE
Transactions on Power Systems, vol. 21, pp. 1616-1623, Novembro, 2006.
[8] C. S. Chen, M. S. Kang, J. C. Hwang, C. W. A. Huang, "Application of binary
integer programming for load transfer of distribution systems", Proceedings:

148

International Conference on Power System Technology, PowerCon 2000, pp.

305-310 vol.1, Dezembro, 2000.
[9] M. W. Siti, D. V. Nicolae, A. A. Jimoh, A. A. Ukil, "Reconfiguration and load
balancing in the LV and MV distribution networks for optimal performance", IEEE
Transactions on Power Delivery, vol. 22, pp. 2534-2540, Outubro, 2007.
[10]

J. R. S. Mantovani, F. Casari, R. A. Romero, "Reconfigurao de sistemas

de distribuio radiais utilizando o critrio de queda de tenso", SBA Controle &

Automao, vol. 11, pp. 150-159, 2000.
[11]

P. V. Prasad, S. Sivanagaraju, N. Sreenivasulu, "Network reconfiguration for

load balancing in radial distribution systems using genetic algorithm", Electric

Power Components and Systems, vol. 36, pp. 63-72, Janeiro, 2008.
[12]

J. Inagaki, J. Nakajima, M. Haseyama, "A multiobjective service restoration

method for power distribution systems", Proceedings IEEE International

Symposium on Circuits and Systems, ISCAS, pp. 1784-1787, Maio, 2006.
[13]

Y. Kumar, B. Das, J. Sharma, "Multiobjective, multiconstraint service

restoration of electric power distribution system with priority customers", IEEE

Transactions on Power Delivery, vol. 23, pp. 261-270, Janeiro, 2008.
[14]

M.-S. Tsai, "Development of an object-oriented service restoration expert

system with load variations", IEEE Transactions on Power Systems, vol. 23, pp.
219-225, Fevereiro, 2008.
[15]

N. Kagan, "Configurao de redes de distribuio atravs de algoritmos

genticos e tomada de deciso fuzzy", Tese de Livre Docncia, USP, So Paulo,

1999.
[16]

D. I. Sun, D. R. Farris, P. J. Cote, R. R. Shoults, M. S. Chen, "Optimal

distribution substation and primary feeder planning via the fixed charge network

149

formulation", IEEE Transactions on Power Apparatus and Systems, vol. PAS-101,

pp. 602-609, Maro, 1982.
[17]

M. Vaziri, K. Tomsovic, A. Bose, "Numerical analysis of a directed graph

formulation of the multistage distribution expansion problem", IEEE Transactions

on Power Delivery, vol. 19, pp. 1348-1354, Julho, 2004a.
[18]

M. Vaziri, K. Tomsovic, A. Bose, "A directed graph formulation of the

multistage distribution expansion problem", IEEE Transactions on Power Delivery,

vol. 19, pp. 1335-1341, Julho, 2004b.
[19]

P. C. Paiva, H. M. Khodr, J. A. Dominguez-Navarro, J. M. A. Yusta, A. J. A.

Urdaneta, "Integral planning of primary-secondary distribution systems using

mixed integer linear programming", IEEE Transactions on Power Systems, vol.
20, pp. 1134-1143, Maio, 2005.
[20]

W. El-Khattam, Y. G. Hegazy, M. M. A. Salama, "An integrated distributed

generation

optimization

model

for

distribution

system

planning",

IEEE

Transactions on Power Systems, vol. 20, pp. 1158-1165, Maio, 2005.

[21]

N. G. Boulaxis, M. P. Papadopoulos, "Optimal feeder routing in distribution

system planning using dynamic programming technique and GIS facilities", IEEE
Transactions on Power Delivery, vol. 17, pp. 242-247, Janeiro, 2002.
[22]

E. Diaz-Dorado, J. C. Pidre, "Optimal planning of unbalanced networks using

dynamic programming optimization", IEEE Transactions on Power Systems, vol.

19, pp. 2077-2085, Novembro, 2004.
[23]

M. A. Farrag, M. M. El-Metwally, M. S. El-Bages, "A new model for

distribution system planning", International Journal of Electrical Power & Energy

Systems, vol. 21, pp. 523-531, Julho, 1999.

150

[24]

B. Mauro, S. Thomas, P. Luis, V. Klaus, "A racing algorithm for configuring

metaheuristics", Proceedings of the Genetic and Evolutionary Computation

Conference, pp. 11-18, Julho, 2002.
[25]

K. Aoki, K. Nara, T. Satoh, M. Kitagawa, K. Yamanaka, "New approximate

optimization method for distribution system planning", IEEE Transactions on

Power Systems, vol. 5, pp. 126-132, Fevereiro, 1990.
[26]

E. Miguez, J. Cidras, E. Diaz-Dorado, J. L. Garcia-Dornelas, "An improved

branch-exchange algorithm for large-scale distribution network planning", IEEE

Transactions on Power Systems, vol. 17, pp. 931-936, Novembro, 2002.
[27]

V. Parada, J. A. Ferland, M. Arias, K. Daniels, "Optimization of electrical

distribution feeders using simulated annealing", IEEE Transactions on Power

Delivery, vol. 19, pp. 1135-1141, Fevereiro, 2004.
[28]

K. Nara, Y. Hayashi, Y. Yamafuji, H. Tanaka, J. Hagihara, S. Muto, S.

Takaoka, M. Sakuraoka, "A Tabu Search algorithm for determining distribution tie
lines", Proceedings, ISAP '96, International Conference on Intelligent Systems
Applications to Power Systems, pp. 266-270, Janeiro, 1996.
[29]

A. Augugliaro, L. Dusonchet, E. R. Sanseverino, "An evolutionary parallel

tabu search approach for distribution systems reinforcement planning", Advanced

Engineering Informatics, vol. 16, pp. 205-215, Novembro, 2002.
[30]

R. Ranjan, B. Venkatesh, D. Das, "A new algorithm for power distribution

system planning", Electric Power Systems Research, vol. 62, pp. 55-65, Janeiro,
2002.
[31]

I. J. Ramirez-Rosado, J. L. Bernal-Agustin, "Reliability and costs optimization

for distribution networks expansion using an evolutionary algorithm", IEEE Power

Engineering Review, vol. 21, pp. 70-70, Abril, 2001.

151

[32]

A. C. B. Delbem, A. C. P. L. F. Carvalho, N. G. Bretas, "Main chain

representation for evolutionary algorithms applied to distribution system

reconfiguration", IEEE Transactions on Power Systems, vol. 20, pp. 425-436,
Fevereiro, 2005.
[33]

F. Mendoza, A. Garcia, J. L. Bemal-Agustin, "Application of the NPGA to the

design of power distribution systems", IEEE/PES Transmission & Distribution

Conference and Exposition: Latin America, pp. 1-5, Agosto, 2006.
[34]

F. Mendoza, J. L. Bernal-Agustin, J. A. Dominguez-Navarro, "NSGA and

SPEA applied to multiobjective design of power distribution systems", IEEE

Transactions on Power Systems, vol. 21, pp. 1938-1945, Novembro, 2006.
[35]

E. M. Carreno, N. Moreira, R. Romero, "Distribution network reconfiguration

using an efficient evolutionary algorithm", IEEE Power Engineering Society

General Meeting, pp. 1-6, Junho, 2007.
[36]

J.-S. Wu, T. E. Lee, Y.-J. Lin, "A rule-based genetic algorithm for the inter-

feeder load transfer in the multiple outages of electrical distribution systems",

Second International Conference on Innovative Computing, Information and
Control, pp. 444-444, Setembro, 2007.
[37]

J. F. Gomez, H. M. Khodr, P. M. De Oliveira, L. Ocque, J. M. Yusta, R.

Villasana, A. J. Urdaneta, "Ant colony system algorithm for the planning of primary
distribution circuits", IEEE Transactions on Power Systems, vol. 19, pp. 996-1004,
Maio, 2004.
[38]

J. Chia-Feng, "A hybrid of genetic algorithm and particle swarm optimization

for recurrent network design", IEEE Transactions on Systems, Man, and

Cybernetics, Part B, vol. 34, pp. 997-1006, Abril, 2004.

152

[39]

J. Xiaoling, Z. Jianguo, S. Ying, L. Kejun, Z. Boqin, "Distribution network

reconfiguration for load balancing using binary particle swarm optimization",

PowerCon 2004. International Conference on Power System Technology, pp.
507-510, Novembro, 2004.
[40]

P. Hansen, N. Mladenovic, "Variable neighborhood search: principles and

applications", European Journal of Operational Research, vol. 130, pp. 449-467,

Maio, 2001.
[41]

N. Mladenovic, P. Hansen, "Variable neighborhood search", Computers &

Operations Research, vol. 24, pp. 1097-1100, Novembro, 1997.

[42]

W. G. Zvietcovich, R. A. Romero, "Reconfigurao de sistemas de

distribuio de energia eltrica utilizando a metaheurstica busca em vizinhana

varivel", XVI CBA - Congresso Brasileiro de Automtica, Salvador-BA, pp. 14111416, Outubro, 2006.
[43]

P. Festa, M. G. C. Resende, "GRASP: An annotated bibliography", In Essays

and Surveys on Metaheuristics, C. Ribeiro and P. Hansen, Ed. Essays and

Surveys on Metaheuristics, Kluwer Academic Publishers, pp. 325-367, 2002.
[44]

F. Glover, J. P. Kelly, M. Laguna, "New advances for wedding optimization

and simulation", Simulation Conference Proceedings, pp. 255-260, 1999.

[45]

R. Mart, M. Laguna, F. Glover, "Principles of scatter search", European

Journal of Operational Research, vol. 169, pp. 359-372, Maro, 2006.

[46]

A. N. B. Peter, T. Dirk, "Adaptive variance scaling in continuous multi-

objective estimation-of-distribution algorithms," in Proceedings of the 9th annual

conference on Genetic and evolutionary computation. London, England: ACM,
2007.

153

[47]

T. S. P. Duque, K. Sastry, A. C. B. Delbem, D. E. Goldberg, "Evolutionary

algorithm for large scale problems", ISDA 2007 -

Seventh International

Conference on Intelligent Systems Design and Applications, pp. 819-822,

Outubro, 2007.
[48]

K.

Deb,

Multi-objective

optimization

using

evolutionary

algorithms.

Chichester, UK: Wiley, 2001.

[49]

H. A. Abbass, R. Sarker, C. Newton, "PDE: a Pareto-frontier differential

evolution approach for multi-objective optimization problems", Proceedings of the

2001 Congress on Evolutionary Computation pp. 971-978, Maio, 2001.
[50]

K. Deb, A. Pratap, S. Agarwal, T. Meyarivan, "A fast and elitist multiobjective

genetic algorithm: NSGA-II", IEEE Transactions on Evolutionary Computation, vol.

6, pp. 182-197, Abril, 2002.
[51]

A. C. B. Delbem, A. C. P. L. F. Carvalho, C. A. Policastro, A. K. O. Pinto, K.

Honda, A. C. Garcia, "Node-depth encoding for evolutionary algorithms applied to

network design", 6th Genetic and Evolutionary Computation Conference
GECCO, pp. 678-687, 2004.
[52]

A. C. Santos, A. C. B. Delbem, "Restabelecimento de energia em grandes

redes de distribuio com uma estrutura de dados eficiente para manipulao de

grafos", XVII CBA - Congresso Brasileiro de Automtica, Setembro, 2008.
[53]

A. C. Santos, A. C. B. Delbem, N. G. Bretas, "Representao n-

profundidade para algoritmos evolutivos aplicados a minimizao de perdas

resistivas em sistemas de distribuio", VIII SBAI - Simpsio Brasileiro de
Automao Inteligente, Florianpolis-SC, Outubro, 2007.

154

[54]

A. C. Santos, A. C. B. Delbem, N. G. Bretas, "Energy restoration for large-

scale distribution system using EA and a new data structure", 2008 IEEE Power &
Energy Society General Meeting, Pittsburgh-PA, USA, Julho, 2008.
[55]

S. Toune, H. Fudo, T. Genji, Y. Fukuyama, Y. Nakanishi, "Comparative study

of modern heuristic algorithms to service restoration in distribution systems", IEEE

Transactions on Power Delivery, vol. 17, pp. 173-181, Janeiro, 2002.
[56]

S. Curcic, C. S. zveren, L. Crowe, P. K. L. Lo, "Electric power distribution

network restoration: a survey of papers and a review of the restoration problem",

Electric Power Systems Research, vol. 35, pp. 73-86, Novembro, 1996.
[57]

C. Y. Teo, "A computer aided system to automate the restoration of electrical

power supply", Electric Power Systems Research, vol. 24, pp. 119-125, Agosto,
1992.
[58]

K. Hoyong, K. Yunseok, J. Kyung-Hee, "Algorithm of transferring the load of

the faulted substation transformer using the best-first search method", IEEE
Transactions on Power Delivery, vol. 7, pp. 1434-1442, Julho, 1992.
[59]

C. C. Liu, S. J. Lee, S. S. Venkata, "An expert system operational aid for

restoration and loss reduction of distribution systems", IEEE Transactions on

Power Systems, vol. 3, pp. 619-626, Maio, 1988.
[60]

Y. Fujii, A. Miura, J. Tsukamoto, M. G. Youssef, Y. Noguchi, "On-line expert

system for power distribution system control", International Journal of Electrical

Power & Energy Systems, vol. 14, pp. 45-53, Fevereiro, 1992.
[61]

T. J. Kendrew, J. F. Graham, "Applying expert system technology to

automated distribution feeder deployment and sectionalizing", Proc. American

Power Conj., United States, pp. 563-568, Janeiro, 1989.

155

[62]

K. Okuda, H. Watanabe, F. Wang, K. Yamazaki, T. Baba, "An application of

knowledge engineering for fault restoration operation in secondary power

systems", Electr. Eng. Jpn, vol. 108, pp. 51-59, 1988.
[63]
of

D. Srinivasan, A. C. Liew, C. S. Chang, J. S. P. Chen, "Intelligent operation

distribution

network",

IEE

Proceedings-Generation,

Transmission

and

Distribution, vol. 141, pp. 106-116, Maro, 1994.

[64]

D. Shirmohammadi, "Service restoration in distribution networks via network

reconfiguration", IEEE Transactions on Power Delivery, vol. 7, pp. 952-958, Abril,

1992.
[65]

J. S. Wu, K. L. Tomsovic, C. S. Chen, "A heuristic search approach to feeder

switching operations for overload, faults, unbalanced flow and maintenance",

IEEE Transactions on Power Delivery, vol. 6, pp. 1579-1586, Outubro, 1991.
[66]

Y.-Y. Hsu, H. M. Huang, H. C. Kuo, S. K. Peng, C. W. Chang, K. J. Chang,

H. S. Yu, C. E. Chow, R. T. Kuo, "Distribution system service restoration using a

heuristic search approach", IEEE Transactions on Power Delivery, vol. 7, pp. 734740, Abril, 1992.
[67]

S. Devi, D. P. Sen Gupta, S. Sargunaraj, "A search technique for restoring

power supply in complex distribution systems," in power system for the year 2000
and beyond. Proc. 6th Nat. Power Syst. Conf.: New Delhi: Tata McGraw-Hill,
1990, pp. 122-125.
[68]

S. Devi, D. P. Sen Gupta, S. Sargunaraj, "Optimal restoration of supply

following a fault on large distribution systems", APSCOM-91.

International

Conference on Advances in Power System Control, Operation and Management,

pp. 508-513 vol.2, Novembro, 1991.

156

[69]

A. L. Morelato, A. J. Monticelli, "Heuristic search approach to distribution

system restoration", IEEE Transactions on Power Delivery, vol. 4, pp. 2235-2241,

Outubro, 1989.
[70]

J. Nahman, G. Strbac, "A new algorithm for service restoration in large-scale

urban distribution systems", Electric Power Systems Research, vol. 29, pp. 181192, Maio, 1994.
[71]

K. Aoki, K. Nara, M. Itoh, T. Satoh, H. Kuwabara, "A new algorithm for

service restoration in distribution systems", IEEE Transactions on Power Delivery,

vol. 4, pp. 1832-1839, Julho, 1989.
[72]

K. Aoki, K. Nara, T. Satoh, "New configuration algorithm for distribution

system - priority constrained emergency service restoration", Procedings of IFAC

Conference on Power Systems and Power Plant Control, pp. 443-448, 1989.
[73]

E. N. Dialynas, D. G. Michos, "Interactive modeling of supply restoration

procedures in distribution system operation", IEEE Transactions on Power

Delivery, vol. 4, pp. 1847-1854, Julho, 1989.
[74]

N. D. R. Sarma, V. C. Prasad, K. S. Prakasa Rao, "Network reconfiguration

in distribution networks for service restoration," in Power Systems for the Year
2000 and Beyond, Proc. 6th Nat. Power Systems Conj., Bombay, India, N. D.
Tata McGraw-Hill, Ed., 1990, pp. 131-135.
[75]

C. S. Chen, J. S. Wu, C. S. Moo, "Fault restoration by optimizing switch

configuration in distribution systems", J. Chin. Inst. Eng., vol. 12, pp. 781-789,
1989.
[76]

Y. Fukuyama, H. D. Chiang, K. N. Miu, "Parallel genetic algorithm for service

restoration in electric power distribution systems", International Journal of

Electrical Power & Energy Systems, vol. 18, pp. 111-119, Fevereiro, 1996.

157

[77]

M. S. Srinivas, "Distribution load flows: a brief review", IEEE Power

Engineering Society Winter Meeting, pp. 942-945, Janeiro, 2000.

[78]

A. C. Santos, M. Nanni, M. R. Mansour, A. C. B. Delbem, J. B. A. L. Jr., N. G.

Bretas, "A power flow method computationally efficient for large-scale distribution
systems", 2008 IEEE PES Latin America Transmission and Distribution
Conference and Exposition, Bogota-Colombia, Agosto, 2008.
[79]

D. E. Goldberg, Genetic algorithms in search, optimization, and machine

learning. Boston, MA: Addison-Wesley Longman Publishing Co., Inc., 1989.

[80]

A. Augugliaro, L. Dusonchet, E. Riva Sanseverino, "Multiobjective service

restoration in distribution networks using an evolutionary approach and fuzzy

sets", International Journal of Electrical Power & Energy Systems, vol. 22, pp.
103-110, Fevereiro, 2000.
[81]

T. Bck, D. B. Fogel, Z. Michalewicz, Handbook of evolutionary computation:

New York: Oxford Univ. Press and Institute of Physics, 1997.

[82]

Y. T. Hsiao, C. Y. Chien, "Enhancement of restoration service in distribution

systems using a combination fuzzy-GA method", IEEE Transactions on Power

Systems, vol. 15, pp. 1394-1400, Novembro, 2000.
[83]

D.-J. Shin, J.-O. Kim, T.-K. Kim, J.-B. Choo, C. Singh, "Optimal service

restoration and reconfiguration of network using genetic-tabu algorithm", Electric

Power Systems Research, vol. 71, pp. 145-152, Outubro, 2004.
[84]

R. Benayoun, J. de Montgolfier, J. Tergny, O. Laritchev, "Linear

programming with multiple objective functions: step method (stem)", Mathematical

Programming, vol. 1, pp. 366-375, Dezembro, 1971.

158

[85]

K. Deb, S. Agrawal, A. Pratap, T. Meyarivan, "A fast elitist non-dominated

sorting genetic algorithm for multi-objective optimization: NSGA-II", KanGAL

report 200001, Indian Institute of Technology, Kanpur, India, 2000.
[86]

T. H. Cormem, C. E. Leiserson, R. L. Rivest, C. Stein, Introduction to

algorithms. Cambridge, MA: MIT Press/McGraw Hill, 1990.

[87]

M. T. Jensen, "Reducing the run-time complexity of multiobjective EAs: The

NSGA-II and other algorithms", IEEE Transactions on Evolutionary Computation,

vol. 7, pp. 503-515, Outubro, 2003.
[88]

D. Shirmohammadi, H. W. Hong, A. Semlyen, G. X. A. Luo, "A

compensation-based power flow method for weakly meshed distribution and

transmission networks", IEEE Transactions on Power Systems, vol. 3, pp. 753762, Maio, 1988.
[89]

B. Grady, Object-oriented analysis and design with applications (2nd ed.):

Benjamin-Cummings Publishing Co., Inc., 1994.

[90]

A. Merlin, H. Back, "Search for a minimal-loss operating spanning tree

configuration in an urban power distribution system", Proc. 5th Power System

Computation Conference, vol. 1, pp. 1-18, 1975.
[91]

J. Z. Zhu, "Optimal reconfiguration of electrical distribution network using the

refined genetic algorithm", Electric Power Systems Research, vol. 62, pp. 37-42,
Maio, 2002.
[92]

K. Nara, A. Shiose, M. Kitagawa, T. Ishihara, "Implementation of genetic

algorithm for distribution systems loss minimum re-configuration", IEEE

Transactions on Power Systems, vol. 7, pp. 1044-1051, Agosto, 1992.
[93]

H. Demuth, M. Beale, "Neural network toolbox users guide version 3.0",

MathWorks, Inc,, 1997.

159

[94]

C. Wang, H. Z. Cheng, "Optimization of network configuration in large

distribution systems using plant growth simulation algorithm", IEEE Transactions

on Power Systems, vol. 23, pp. 119-126, Fevereiro, 2008.
[95]

C. T. Su, C. S. Lee, "Network reconfiguration of distribution systems using

improved mixed-integer hybrid differential evolution", IEEE Transactions on Power

Delivery, vol. 18, pp. 1022-1027, Julho, 2003.
[96]

C.-T. Su, C.-F. Chang, J.-P. Chiou, "Distribution network reconfiguration for

loss reduction by ant colony search algorithm", Electric Power Systems Research,
vol. 75, pp. 190-199, Agosto, 2005.
[97]

B. Enacheanu, B. Raison, R. Caire, O. Devaux, W. Bienia, N. HadjSaid,

"Radial network reconfiguration using genetic algorithm based on the matroid

theory", IEEE Transactions on Power Systems, vol. 23, pp. 186-195, Fevereiro,
2008.
[98]

A. Schrijver, Combinatorial optimization - polyhedra and efficiency. Berlin,

Germany: Springer-Verlag, 2003.

[99]

S. Civanlar, J. J. Grainger, H. Yin, S. S. H. Lee, "Distribution feeder

reconfiguration for loss reduction", IEEE Transactions on Power Delivery, vol. 3,

pp. 1217-1223, Julho, 1988.
[100]

M. E. Baran, F. F. Wu, "Network reconfiguration in distribution systems for

loss reduction and load balancing", IEEE Transactions on Power Delivery, vol. 4,
pp. 1401-1407, Abril, 1989.
[101]

D. Das, "A fuzzy multiobjective approach for network reconfiguration of

distribution systems", IEEE Transactions on Power Delivery, vol. 21, pp. 202-209,
Janeiro, 2006.

160

[102]

D. Zhang, Z. Fu, L. Zhang, "Joint optimization for power loss reduction in

distribution systems", IEEE Transactions on Power Systems, vol. 23, pp. 161-169,
Fevereiro, 2008.
[103]

M. Srinivas, L. M. Patnaik, "Adaptive probabilities of crossover and mutation

in genetic algorithms", IEEE Transactions on Systems, Man and Cybernetics, vol.

24, pp. 656-667, Abril, 1994.
[104]

V. N. Gohokar, M. K. Khedkar, G. M. Dhole, "Formulation of distribution

reconfiguration problem using network topology: a generalized approach", Electric

Power Systems Research, vol. 69, pp. 304-310, Maio, 2004.
[105]

C. L. Lucchesi, Introduo teoria dos grafos, vol. Instituto de Matemtica

Pura e Aplicada. 12 Colquio Brasileiro de Matemtica. Poos de Caldas, 1979.

[106]

I. S. Gradshteyn, I. M. Ryzhik, Tables of integrals, series, and products. San

Diego, CA: Academic Press, 6th ed, 2000.

[107]

R. K. Ahuja, T. L. Magnanti, J. B. Orlin, Network flows: theory, algorithms,

and applications. Englewood Cliffs: Printce Hall, 1993.

[108]

E. G. Goodaire, M. M. Parmenter, Discrete mathematics with graph theory.

Englewood Cliffs, NJ: Prentice-Hall, 1998.

[109]

W. F. Tinney, C. E. Hart, "Power flow solution by newton's method", IEEE

Transactions on Power Apparatus and Systems, vol. PAS-86, pp. 1449-1460,

Novembro, 1967.
[110]

B. Stott, O. Alsac, "Fast decoupled load flow", IEEE Transactions on Power

Apparatus and Systems, vol. PAS-93, pp. 859-869, Maio, 1974.

[111]

S. C. Tripathy, G. D. Prasad, O. P. Malik, G. S. A. Hope, "Load-flow solutions

for ill-conditioned power systems by a newton-like method", IEEE Transactions on

Power Apparatus and Systems, vol. PAS-101, pp. 3648-3657, Outubro, 1982.

161

[112]

S. Iwamoto, Y. Tamura, "A load flow calculation method for ill-conditioned

power systems", IEEE Transactions on Power Apparatus and Systems, vol. PAS100, pp. 1736-1743, Abril, 1981.
[113]

D. Rajicic, A. Bose, "A modification to the fast decoupled power flow for

networks with high R/X ratios", IEEE Transactions on Power Systems, vol. 3, pp.
743-746, Maio, 1988.
[114]

D. Das, H. S. Nagi, D. P. Kothari, "Novel method for solving radial distribution

networks", IEE Proceedings-Generation, Transmission and Distribution, vol. 141,

pp. 291-298, Julho, 1994.
[115]
or

M. H. Haque, "Efficient load flow method for distribution systems with radial
mesh

configuration",

IEE

Proceedings-Generation,

Transmission

and

Distribution, vol. 143, pp. 33-38, Janeiro, 1996.

[116]

A. Chipperfield, P. Fleming, "Evolutionary algorithms for control engineering",

13th IFAC World Congress, San Francisco, CA, USA, pp. 181-186, 1996.
[117]

D. B. Fogel, Evolutionary computation: toward a new philosophy of machine

intelligence: IEEE Press Piscataway, NJ, USA, 1995.

[118]

C. R. Darwin, On the origin of species by means of natural selection of the

preservation of favoured races in the struggle for life [1859]. New York: reprinted
by Random House, 1993.
[119]

C. A. C. Coello, G. B. Lamont, D. A. V. Veldhuizen, Evolutionary algorithms

for solving multi-objective problems (genetic and evolutionary computation):

Springer-Verlag New York, Inc., 2006.
[120]

C. M. Fonseca, P. J. Fleming, "An overview of evolutionary algorithms in

multiobjective optimization", Evolutionary Computation, vol. 3, pp. 1, 1995.

162

[121]

H. Tamaki, H. Kita, S. Kobayashi, "Multi-objective optimization by genetic

algorithms: a review", Proceedings of IEEE International Conference on

Evolutionary Computation, pp. 517-522, Maio, 1996.
[122]

D. A. V. Veldhuizen, G. B. Lamont, Multiobjective evolutionary algorithm

research: a history and analysis: Technical Report TR-98-03, Department of

Electrical and Computer Engineering, Wright-Patterson AFB, Ohio, 1998.
[123]

W. M. Lin, F. S. Cheng, M. T. Tsay, "Distribution feeder reconfiguration with

refined genetic algorithm", Generation, Transmission and Distribution, IEE

Proceedings-, vol. 147, pp. 349-354, Novembro, 2000.
[124]

K. A. D. Jong, "Evolutionary computation. A unified approach," in Artificial

Life, vol. 13: MIT Press, 2006, pp. 423-426.

[125]

N. G. Bretas, A. C. B. Delbem, A. Carvalho, "Restabelecimento de energia

timo para sistemas de distribuio radiais por algoritmos genticos", Congresso

Latino Americano de Distribuio de Energia Eltrica, pp. 577-581, Setembro,
1998.
[126]

N. G. Bretas, A. C. B. Delbem, A. Carvalho, "Representao por cadeias de

grafo para AG aplicados ao restabelecimento de energia timo em sistemas de

distribuio radiais", Revista SBA Controle & Automao, vol. 12, pp. 42-51,
2001.
[127]

J. H. Holland, Adaptation in natural and artificial systems: University of

Michigan, MIT Press, 1975.

[128]

K. Warwick, A. Ekwue, R. Aggarwal, Artificial intelligence techniques in

power systems. London, UK: IEE Press, 1997.

163

[129]

N. Srinivas, K. Deb, "Multi-Objective function optimization using non-

dominated sorting genetic algorithms", Evolutionary Computation, vol. 2, pp. 221248, 1995.
[130]

E. Zitzler, L. Thiele, "SPEA2: Improving the strength pareto evolutionary

algorithm", Technical Report 103, Computer Engineering and Networks

Laboratory (TIK), Maio, 2001.
[131]

E. Zitzler, L. Thiele, "An evolutionary algorithm for multiobjective optimization:

the strength pareto approach", Technical Report 43, Computer Engineering and
Networks Laboratory (TIK), Swiss Federal Institute of Technology (ETH) Maio,
1998.
[132]

B. W. Silverman, Density estimation for statistics and data analysis. London:

Chapman and Hall, 1986.

[133]

C. A. C. Coello, "A comprehensive survey of evolutionary-based multi-

objective optimization technique", Knowledge and Information Systems, vol. 1(3),

pp. 269308, 1999.
[134]

ANEEL, "Procedimentos de distribuio de energia eltrica no sistema

eltrico nacional PRODIST," vol. 8 - Qualidade de Energia Eltrica: Agncia

Nacional de Energia Eltrica - ANEEL, atualizada em Dezembro, 2008.
[135]

H. C. Cheng, C. C. Kou, "Network reconfiguration in distribution systems

using simulated annealing", Electric Power Systems Research, vol. 29, pp. 227238, Maio, 1994.
[136]

T. W. Lima, A. C. B. Delbem, Estruturas de dados eficientes para algoritmos

evolutivos aplicados a projeto de redes. So Carlos, ICMC - USP: (Relatrio

Tcnico), 2007.

165

Apndice A
Dados de barra e de linha do SDR da Taiwan Power Company. Considere
Bi-Bf sendo a barra inicial e final respectivamente, R sendo a resistncia na linha, X a
reatncia na linha, P a carga ativa na barra final e Q a carga reativa na barra final. A
Figura 7.22, com a topologia inicial do SDR da TPC, reproduzida a seguir:
G

47

49

48

50

51

52

55

54

61

62

77

79

78

73

68

69

64
83

76

75

67

66

63

82

81

80

74

65

60

59

58

57

70

71

72

11
13

12
43

46

45

44

14
41

8
9
10

6
5

56

53

30

25

31

32

33

26

27

34

28

35

36

37

42

38

29
39

40
18 19 20

15

16

17

21

166

Bi-Bf
A-1
1-2
2-3
3-4
4-5
5-6
6-7
7-8
7-9
7-10
B-11
11-12
12-13
12-14
C-15
15-16
16-17
17-18
18-19
19-20
20-21
21-22
21-23
23-24
D-25
25-26
26-27
27-28
28-29
E-30
30-31
31-32
32-33
33-34
34-35
35-36
36-37
37-38
38-39
39-40
38-41
41-42
F-43
43-44
44-45
45-46
G-47
47-48

R
()
0,1944
0,2096
0,2358
0,0917
0,2096
0,0393
0,0405
0,1048
0,2358
0,1048
0,0786
0,3406
0,0262
0,0786
0,1134
0,0524
0,0524
0,1572
0,0393
0,1703
0,2358
0,1572
0,1965
0,1310
0,0567
0,1048
0,2489
0,0486
0,1310
0,1965
0,1310
0,1310
0,0262
0,1703
0,0524
0,4978
0,0393
0,0393
0,0786
0,2096
0,1965
0,2096
0,0486
0,0393
0,1310
0,2358
0,2430
0,0655

X
()
0,6624
0,4304
0,4842
0,1883
0,4304
0,0807
0,1380
0,2152
0,4842
0,2152
0,1614
0,6944
0,0538
0,1614
0,3864
0,1076
0,1076
0,3228
0,0807
0,3497
0,4842
0,3228
0,4035
0,2690
0,1932
0,2152
0,5111
0,1656
0,2690
0,3960
0,2690
0,2690
0,0538
0,3497
0,1076
10,222
0,0807
0,0807
0,1614
0,4304
0,4035
0,4304
0,1656
0,0807
0,2690
0,4842
0,8280
0,1345

P
(kW)
0
100
300
350
220
1100
400
300
300
300
0
1200
800
700
0
300
500
700
1200
300
400
50
50
50
50
100
100
1800
200
0
1800
200
200
800
100
100
20
20
20
20
200
50
0
30
800
200
0
0

Q
(kVAr)
0
50
200
250
100
800
320
200
230
260
0
800
600
500
0
150
350
400
1000
300
350
20
20
10
30
60
70
1300
120
0
1600
150
100
600
60
60
10
10
10
10
160
30
0
20
700
150
0
0

Bi-Bf
48-49
49-50
50-51
51-52
52-53
53-54
54-55
H-56
56-57
57-58
58-59
59-60
60-61
61-62
62-63
63-64
I-65
65-66
66-67
67-68
68-69
69-70
70-71
71-72
J-73
73-74
74-75
75-76
K-77
77-78
78-79
79-80
80-81
81-82
82-83
5-55
7-60
11-43
12-72
13-76
14-18
16-26
20-83
28-32
29-39
34-46
40-42
53-64

R
()
0,0655
0,0393
0,0786
0,0393
0,0786
0,0524
0,1310
0,2268
0,5371
0,0524
0,0405
0,0393
0,0262
0,1048
0,2358
0,0243
0,0486
0,1703
0,1215
0,2187
0,0486
0,0729
0,0567
0,0262
0,3240
0,0324
0,0567
0,0486
0,2511
0,1296
0,0486
0,1310
0,1310
0,0917
0,3144
0,1310
0,1310
0,1310
0,3406
0,4585
0,5371
0,0917
0,0786
0,0524
0,0786
0,0262
0,1965
0,0393

X
P
Q
()
(kW) (kVAr)
0,1345
0
0
0,0807
200
160
0,1614
800
600
0,0807
500
300
0,1614
500
350
0,1076
500
300
0,2690
200
80
0,7728
0
0
11,029
30
20
0,1076
600
420
0,1380
0
0
0,0807
20
10
0,0538
20
10
0,2152
200
130
0,4842
300
240
0,0828
300
200
0,1656
0
0
0,3497
50
30
0,4140
0
0
0,7452
400
360
0,1656
0
0
0,2484
0
0
0,1932 2000
1500
0,0528
200
150
11,040
0
0
0,1104
0
0
0,1932 1200
950
0,1656
300
180
0,8556
0
0
0,4416
400
360
0,1656 2000
1300
0,2640
200
140
0,2640
500
360
0,1883
100
30
0,6456
400
360
0,2690
0,2690
0,2690
0,6994
0,9415
1,0824
0,1883
0,1614
0,1076
0,1614
0,0538
0,4035
0,0807