Um Algoritmo Multi-objetivo para Alocação de
Chaves Remotas em Rede de Distribuição utilizando
SPEA2
Railson Severiano de Sousa e Helton Nascimento Alves
Instituto Federal de Educação, Ciência e Tecnologia do Maranhão – IFMA Avenida Getúlio Vargas, 04 – Monte Castelo, São Luís, MA, Brasil
Resumo  Neste artigo foi descrita uma ferramenta para
auxiliar no planejamento da quantidade e localidade de chaves
normalmente fechadas e abertas, remotas e manuais no Sistema
de Distribuição. Trata-se de um algoritmo Multi-Objetivo
baseado no Strength Pareto Evolutionary Algotithm, que
considera como fatores de decisão a energia não suprida e o
custo. A aplicação da ferramenta em um sistema radial de
distribuição de 103 barras demonstrou a sua eficiência definindo
um conjunto de soluções com diminuição da energia não suprida
diante de restrições orçamentárias.
Palavras-chave  Alocação de chaves, chaves manuais, chaves
remotas, otimização multi-objetivo, algoritmo evolutivo, rede de
distribuição.
I. INTRODUÇÃO
Normalmente as chaves de manobra são utilizadas no
Sistema de Distribuição de Energia Elétrica (SDEE) em
vários pontos ao longo do alimentador, tanto para serem
acionadas após a ocorrência de uma falta, isolando a área
atingida e restaurando parte da carga, quanto para manobras
com a rede em operação normal para melhorar o
balanceamento das cargas entre os alimentadores, no intuito
de diminuir as perdas. Existem dois tipos de chaves:
Normalmente Fechadas (NF), que são utilizadas no
seccionamento do circuito e as Normalmente Abertas (NA),
destinadas à interligação com outros alimentadores.
As chaves de manobras também podem ser classificadas
segundo o tipo de acionamento em manual ou remota. A
crescente automatização do SDEE faz crescer a utilização de
chaves remotas ao longo da rede [1]. Essas chaves possuem
uma atuação mais rápida do que as manuais, no entanto, os
custos envolvidos na instalação e manutenção, além da
complexidade do sistema, aumentam.
A alocação de chaves de manobra em redes de distribuição
pode ser baseada em vários fatores, tais como: confiabilidade
do sistema, custos, prioridade do consumidor, taxa de falha,
entre outros. A alocação das chaves remotas exige que o
sistema possua um sistema de comunicação eficiente entre o
centro de operação e as chaves, aumentando o custo e a
complexidade do sistema. Em contra partida, as chaves
remotas aumentam consideravelmente a confiabilidade do
sistema como também diminui os custo com a energia não
Railson Sousa, railson.severiano@gmail.com, Helton Alves,
helton@ifma.edu.br, Tel. +55-47-3221-6020;
Este trabalho foi parcialmente financiado pelo Fundo de Amparo a
Pesquisa do Maranhão (FAPEMA) e pelo Instituto Federal do Maranhão
(IFMA)
suprida pelo sistema após uma falta. Dessa forma, usar
chaves manuais ou remotas traz vantagens e desvantagens
para a concessionária de energia elétrica. Uma solução
intermediária para este problema é considerar a alocação
simultânea tanto de chaves manuais quanto remotas,
buscando um adequado balanço entre a confiabilidade e o
custo de investimento.
A solução para o problema de alocação de chaves é
considerada muito difícil, pois se trata de uma análise
combinatória com restrições definida por uma função
objetivo não linear e não derivável. Vários algoritmos de
inteligência artificial vêm sendo utilizados para resolver esse
problema através de várias heurísticas tais como: Colônia de
Formigas [2], Algoritmo Microgenético [3], Otimização por
Enxame de Partículas [4,6], Busca Tabu [5], entre outros.
Diante do exposto, este trabalho se insere com a proposta
de um algoritmo Multi-Objetivo baseado no SPEA2 que
busca resolver um problema com objetivos conflitantes que
são a confiabilidade do sistema e os custos relacionados com
investimentos. O algoritmo proposto mostra grande potencial
em auxiliar na tomada de decisão e no planejamento do
sistema de distribuição.
II. FORMULAÇÃO DO PROBLEMA
Os detalhes da formulação das variáveis que definem a
função objetivo, os dados de entrada e seu tratamento são
apresentados a seguir.
A. Modelo do Alimentador
Um sistema de distribuição típico é composto de
subestações de distribuição que possuem um ou mais
alimentadores. A maioria dos alimentadores de distribuição
são radiais e compostos por três fases principais de
alimentação primária com laterais de ramificação. Numa rede
de distribuição radial tradicional, os sistemas de proteção são
concebidos partindo do princípio de fluxo de energia
unidirecional e normalmente são baseados em religadores,
seccionalizadoras e fusíveis. Religadores estão geralmente
localizados no início dos alimentadores para proteger o
sistema contra falhas permanentes e detectar falhas
transitórias. Seccionalizadoras são localizadas a jusante de
um religador para isolar a seção de falha da rede, depois de
certo número de operações do religador, deixando que uma
parte da carga do alimentador a montante continue em
serviço. Os fusíveis estão localizados no início das laterais,
sub-laterais e na entrada do transformador para proteger o
sistema contra falhas permanentes. Geralmente o alimentador
é modelado por seções ou trechos (segmentos da linha)
identificados pelo seu comprimento, tipo de cabo, barra de
origem, barra de destino e carga ativa e reativa. A fim de
avaliar o problema de alocação de chaves é necessário que o
modelo de alimentador também contenha a taxa de falhas
anual por trecho, o tempo médio para restaurar parte da carga
por chaveamento e o tempo médio para restauração de todo o
sistema após uma falta. Cada solução possível definida pelo
algoritmo proposto identifica um grupo de seções contendo
chaves NF e NA, onde as chaves NF são alocadas no início
da seção e as chaves NA são alocadas na barra destino. Além
disso, foi considerado que uma chave NA é alocada em
alguma seção à jusante da seção que contém uma chave NF.
Pode acontecer de uma chave NA está alocada à jusante de
mais de uma chave NF. Isso ocorre quando as seções que
contém chaves NF pertencem ao mesmo conjunto de seções
que começam na subestação e finalizam em uma barra
terminal. Na Figura 1 é mostrado um exemplo com 5 chaves
NF alocadas mas apenas 2 chaves NA são necessárias para
alocação à jusante de todas as chaves NF.
Fig. 1. Modelo de chaves alocadas contendo 5 NF e 2 NA.
B. Algoritmo Genético
O Algoritmo Genético (AG) foi proposto por [7] e trata-se
de uma heurística evolucionaria que busca um ótimo global a
partir de uma população inicial aleatória. Baseia-se na teoria
da evolução das espécies de Charles Darwin e através de
recombinações cromossômicas buscam o individuo mais
adaptado ao meio [1].
O AG trabalha com uma população representada por um
conjunto de indivíduos, que por sua vez são sequências
cromossômicas. Cada indivíduo representa uma solução ao
problema e sua adaptação lhe proporciona maiores chances
de que seus genes estejam nas gerações futuras. O processo
no qual os indivíduos com os melhores genes são
selecionados para a reprodução é denominado seleção
natural, isso influencia diretamente no fato de que seus filhos
terão maiores chances de serem mais adaptados às condições
estabelecidas pelo sistema, o que implica na evolução dos
indivíduos.
Para evitar a convergência do algoritmo muito rápida para
ótimos locais, o processo de mutação é inserido. Neste
processo um individuo é selecionado de aleatoriamente para
que a sua sequência cromossômica sofra diferenças em
relação às de seus pais.
O AG é uma das heurísticas mais usadas e difundidas em
problemas de engenharia, por ser simples, robusto e muito
eficiente na busca de ótimos globais [8-9].
C. Energia não Suprida
Alocação de chaves em redes de distribuição pode reduzir
o tempo de interrupção e a energia anual não suprida
esperada devido a faltas (ENS). A ENS devida a uma falta na
seção i pode ser calculada pela equação (1) quando se
considera a presença de chaves de manobras. A primeira
parcela de (1) representa a ENS após o bloqueio da proteção
instalada na subestação (desligamento de todas as cargas do
alimentador) até o chaveamento das chaves de manobras
instaladas, e a última parte representa ENS após o
chaveamento.
( ) ( ( ) ( )) (1)
A ENS devido a faltas que ocorrem em todo o alimentador
pode ser formulado por:
( ) ∑ (2)
∑ ( ( ) ( ))
Onde,
S é o conjunto de chaves NF e NA instalado no alimentador;
Ptot é a carga total do alimentador [kw];
Lsei(S) é a parcela da carga do alimentador restaurada pela
fonte primária após o chaveamento de S devido a uma falta
na seção i [kW];
Ltri(S) é a parcela da carga do alimentador restaurada pela
fonte de um outro alimentador (transferência de carga de um
alimentador para outro) após o chaveamento de S devido a
uma falta na seção i [kW];
trc é o tempo médio de restabelecimento por chaveamento
(horas);
ts é o tempo médio de reparo após chaveamento (horas);
λi é a taxa media anual de falhas na seção i e
m é o número de seções que compõe o alimentador.
O tempo médio de restabelecimento por chaveamento (trc)
é influenciado pelo tipo de acionamento da chave disponível.
O uso das chaves manuais privilegia um baixo custo com a
aquisição e manutenção das chaves, mas prejudica a
confiabilidade do sistema. Em contra partida, o uso de chaves
remotas privilegia a confiabilidade do sistema, mas aumenta
os custos com a aquisição e manutenção das chaves.
Com o intuito de melhorar a confiabilidade do sistema
com o menor custo associado, neste trabalho é estabelecido
um modelo misto com chaves remotas e manuais, e o tempo
de acionamento do conjunto para isolar uma falta e
restabelecer parte das cargas dependerá dos procedimentos
adotados pelas equipes de manutenção e operação. Para fins
de definição do equacionamento deste trabalho foi utilizado o
procedimento abaixo:
1. Inicialmente busca se isolar a falta da fonte primária,
abrindo a chave NF mais próxima, a montante da falta
(NFM);
2. Restaurar parte das cargas através da fonte primária;
3. Abrir a chave NF à jusante da falta (NFJ), tal que isole a
falta de uma chave NA;
4. Acionar a chave NA isolada da falta (NAI), restaurando
parte das cargas pela fonte alternativa;
A partir desse procedimento algumas configurações de
acionamento das chaves NFM, NFJ e NAI são possíveis,
quando são considerados acionamentos manual ou remoto.
No caso da chave NFM ser manual, o tempo de
chaveamento utilizado será o manual (trc_manual), não
importando o tipo de acionamento de NFJ e NAI, pois de
acordo com o procedimento base (descrito acima), NFJ e
NAI só serão acionadas após NFM. Neste caso ENS é
calculada por:
( ) ∑ (3)
∑ ( ( )
Caso a NFM seja remota:
( ) ∑ (4)
Onde X é definido pelo tipo de acionamento das chaves
NFJ e NAI. No caso em que ambas são remotas, temos:
∑ ( ( ) ( ))
No caso que pelo menos uma ser manual, temos:
( )∑ ( ( ))
∑ ( ( )
onde,
trc_manual é o tempo médio de restabelecimento por
chaveamento manual (horas);
ts_manual é o tempo médio de reparo após o chaveamento
manual (horas);
trc_remoto é o tempo médio de restabelecimento por
chaveamento remoto (horas) e
ts_remoto é o tempo médio de reparo após o chaveamento
remoto (horas).
As equações apresentadas nesse tópico calculam ENS e
são referências para o cálculo de índices de confiabilidade do
sistema, bem como os custos envolvidos na alocação de
chaves de manobras.
D. Custos de Investimento
Os custos considerados nesse trabalho computam a
aquisição das chaves de manobra, sua instalação e
manutenção. Além disso, é computado os custos com ENS
considerando um horizonte de planejamento. Dessa forma a
função custo é descrita pela seguinte equação:
A As soluções que se encontram nessa fronteira são ditas
C(S )  C e ENS(S ) 1  icres 
i 1
 CTREMOTA (S )  CTMANUAL (S )
i 1
onde,
C(S) é a função custo [$];
Ce é o custo da energia [$/kwh];
A é o horizonte de planejamento [anos];
icres é a taxa anual de crescimento de carga;
CTREMOTA(S) é o custo de aquisição, instalação e manutenção
das chaves remotas, sendo todos instalados no 1º ano de
planejamento [$];
CTMANUAL(S) é o custo de aquisição, instalação e manutenção
das chaves manuais, sendo todos instalados no 1º ano de
planejamento [$].
E. Confiabilidade
De acordo com a referência [10], a avaliação da
confiabilidade inclui todos os segmentos de um sistema
elétrico de potência em um estudo geral da confiabilidade do
ponto de carga do consumidor. Os principais índices de
confiabilidade são a taxa de faltas esperada, a média de
duração da falta e a duração média das faltas e não
fornecimento de energia nos pontos de consumo. Os índices
( )) mais usados pelas concessionárias são o SAIFI e SAIDI. Eles
são usados para medir o impacto das faltas de energia em
termo do número de interrupções e da duração das
interrupções, respectivamente [11]. Esses índices podem ser
calculados para o sistema geral ou para subdivisões do
sistema dependendo dos requerimentos para medidas de
desempenho. Esses índices dependem da topologia do
circuito e da posição das chaves. A fim de comparar
diferentes alocações de chaves, neste trabalho calcula-se
(5) SAIDI de acordo com:
(8)
(6) F. Algoritmos Multi-Objetivo
( ))
As técnicas de otimização buscam encontrar soluções
factíveis para diversos problemas do mundo real através da
maximização ou minimização dos seus objetivos. Quando o
problema busca a solução para um único objetivo ele é dito
Mono-Objetivo, caso o algoritmo esteja procurando a solução
para mais de um objetivo, ele é dito Multi-Objetivo [12].
Os vários objetivos de um MOA (do inglês Multi-
Objective Algorithm) podem ou não ser conflitantes, mas em
geral o são, o que torna esse tipo de formulação mais
apropriada para tratar de problemas reais, os quais em geral
apresentam algum tipo de restrição. Além disso, quando se
trabalha com um único objetivo é possível (e desejável)
chegar a uma única solução ótima, já no caso de MOA
existem várias soluções que não são dominantes entre si e
podem compor um conjunto de soluções possíveis.
No conjunto de solução de um MOA todas as soluções
apresentam um compromisso entre os objetivos, ou seja, é
impossível otimizar um objetivo sem prejudicar outro. Esse
conjunto de soluções passa a ser denominadas de Pareto-
ótimo e a curva delineada por essas soluções é chamada de
Frente de Pareto ou Fronteira de Pareto [13].
(7) não-dominadas entre si, pois não são simultaneamente
melhores ou iguais em todos os objetivos que outra solução
da fronteira. Outras soluções que não estão na fronteira são
chamadas de dominadas, pois são dominadas por uma ou
mais soluções contidas na fronteira de Pareto.
Encontrar a maior quantidade de soluções não dominadas
é a finalidade de um MOA, contudo não é o único, pois é
desejável que as soluções estejam distribuídas da forma mais
uniforme possível pela fronteira de Pareto.
Existem vários MOA clássicos como: Soma Ponderada
dos Objetivos, Método das Restrições ε, Programação por
Metas, dentre outros [12-13]. Esses métodos em geral ou não
conseguem percorrer toda a fronteira de Pareto por conta da
sua convexidade ou não conseguem garantir uma diversidade
das soluções. Além disso, alguns desses algoritmos precisam
ser executados várias vezes para identificar a fronteira de
Pareto (uma solução por vez).
Frente às metodologias clássicas emergiram com grande
sucesso os chamados EMO (Evolutionary Multiple Objetive)
que tomam por base funções evolucionárias, por serem mais
simples, mais robustas e menos pesadas computacionalmente
e capazes de encontrar várias soluções Pareto-ótimas com
diversidade em uma única execução do algoritmo [14].
Muitos dos EMO são baseados no clássico AG tais como
MOGA (Multi-Objective Genetic Algorithm), NSGA (Non-
dominated Sorting GA), NSGA-II, SPEA (Strength Pareto
Evolutionary Algorithm), SPEA2, dentre outros. Neste
trabalho será utilizado o SPEA2 para a solução do problema
de alocação de chaves em redes de distribuição.
III. SOLUÇÃO
Os detalhes do SPEA2 e a estrutura cromossômica são
apresentados a seguir.
A. SPEA2
O SPEA2 foi proposto por [15] em um processo de
melhoramento do trabalho desenvolvido em [16] e consiste
em um EMO baseado em um AG elitista, o que vem se
mostrando uma forma eficiente de minimizar os gastos
computacionais de MOA.
o Gera uma população inicial P0 e um arquivo ̅̅̅̅,
vazio;
o Calcula o fitness de cada individuo da população
baseado na quantidade de indivíduos que o
dominam e da proximidade das demais soluções;
o Copia os melhores indivíduos para o arquivo ̅̅̅̅.
Caso os indivíduos excedam o tamanho máximo
predefinido do arquivo um algoritmo de
truncamento é executado para eliminar os
indivíduos com distâncias mínimas para outros
indivíduos;
o Caso a quantidade de interações (gerações) seja
atingida o algoritmo para e exibe os indivíduos
não-dominados do arquivo;
o Caso o algoritmo não pare, em seguida haverá a
seleção para a reprodução por torneio binário;
o Aplicada à reprodução e a mutação e incrementa
a geração e retoma os passos a partir do segundo
ponto.
Os dois pontos que mais distinguem e caracterizam o
SPEA2 estão no calculo da fitness. Para esse passo existem
dois processos distintos. No primeiro cada individuo recebe
um valor de strength S(i) determinado pela quantidade de
soluções por ele dominadas. Em seguida cada indivíduo
recebe um fitness bruto R(i), que nada mais é do que a soma
do S(i) de todos os seus dominadores. Dessa forma, um
indivíduo dominado por muitos outros sempre terá um valor
de R(i) enquanto um individuo não-dominado terá sempre
seu fitness bruto igual a zero.
O segundo processo é baseado na densidade da região que
o indivíduo se encontra, ou seja, a avaliação de muitos
indivíduos se encontram próximos dele. Essa avaliação é feita
através da distância euclidiana da posição de cada indivíduo
em relação a todos os demais indivíduos, em relação a cada
função objetivo, tal como é mostrado na equação abaixo:
√∑ ( ) (9)
onde, é a distancia entre o indivíduo i e o j; FoL é cada
uma das funções objetivo do problema; e Qnt_Fo representa
a quantidade total de funções objetivo.
Em seguida as distâncias entre a solução i e todas as outras
soluções são ordenadas e é selecionada a k-ésimo vizinho de
i, representado por tal que k seja:
̅
√ (10)
onde, N e ̅, são o tamanho da população e do arquivo
externo, respectivamente;
Então a densidade da solução i é calculada por:
(11)
É possível observar pela forma da densidade que para
indivíduos isolados a Di tenderá a zero, já para localidades
repletas de soluções os indivíduos terão Di próximos a 0,5.
Para o problema da alocação de chaves foi necessário, que
anterior ao cálculo das distâncias às funções objetivo, as
distâncias fossem normalizadas por (11) a fim de que a
variação de Di entre os indivíduos próximos fosse relevante a
partir da segunda casa decimal.
(12)
( )
O fitness F(i) de cada indivíduo será dado por:
() () () (13)
B. Avaliação de Algoritmos Multi-Objetivos
Avaliar um algoritmo multi-objetivo envolve a definição
de noção de desempenho. No caso de multi-objetivo, a
definição da qualidade é substancialmente mais complexa do
que para os problemas mono-objetivo, porque a própria meta
a ser alcançada consiste em vários objetivos [17]:
1. A distância do conjunto não-dominado resultante
para a frente de Pareto-ótima deve ser minimizada;
 2. Uma boa distribuição (na maioria dos casos
uniforme) das soluções encontradas é desejável e
3. A extensão da frente não dominada obtida deve ser
maximizada, ou seja, para cada objetivo, uma ampla
gama de valores devem ser cobertos pelas soluções
não-dominadas.
Na literatura, algumas tentativas podem ser encontradas
para formalizar a definição acima (ou partes dela) por meio
de métricas quantitativas [17].
Os dois indicadores de desempenho utilizados para medir
a qualidade do conjunto não-dominado gerados pelo método
proposto são apresentados a seguir [18].
1) Número de soluções não dominadas (NSND)
Esta métrica mede a quantidade total de soluções não-
dominadas encontradas pelo algoritmo. Quanto mais soluções
tiver o conjunto de Pareto encontrado, mais opções o usuário
terá para escolher. Obviamente, o valor desejado da métrica
NSND é o maior possível.
2) Espaçamento (ESP)
Essa métrica indica quão uniformemente distribuída são as
soluções do conjunto Pareto. Ela é baseada na distância
média de cada solução para o seu vizinho mais próximo
(outra solução).
chave manual ou remota. Na reprodução, inicialmente a
codificação do filho referente a chaves NF é escolhida
aleatoriamente e a respectiva codificação do filho em relação
a chaves NA é feita com base no que foi descrito na subseção
II.A.
Por exemplo, considerando um alimentador com 20
seções, número de chaves usadas para alocação ns=2, nt=2 e
nr=2, dois possíveis cromossomos são mostrado na Fig. 2. No
Pai 1 aparece uma chave NF remota alocada na seção 10 e
uma chave NF manual alocada na seção 3. As suas
respectivas chaves NA são alocadas nas seções 12 (manual) e
7 (remota). No Pai 2 aparece uma chave NF manual alocada
na seção 14 e uma chave NF manual alocada na seção 10. As
suas respectivas chaves NA são alocadas nas seções 16
(manual) e 12 (remota). Os genes que são copiados dos pais
para sua descendência são escolhidos aleatoriamente,
respeitando as seguintes restrições: nr não pode ser superado
e as seções que pertencem a codificação NF (posições 1 e 2
do vetor no exemplo) não podem se repetir independente de
serem de ação manual ou remota. No exemplo dado a seção
10 aparece em ambos os pais na codificação NF e somente
uma delas pode ser escolhida para a composição do filho, no
caso mostrado foi escolhido uma chave remota alocada nesta
seção. Na codificação do filho também foi respeitado o valor
de nr (dois). A mutação é feita substituindo uma das seções
NF presentes no filho por outra ainda não utilizada.

1 N min
ESP  (d  d min )2
N  1 i 1
(14)

d
min
i
d min  i 1 (15)
N Figura 2 Estrutura cromossômica de dois indivíduos de uma população.
onde,
N é número de soluções do conjunto Pareto-Ótimo;
dimin é a menor distância euclidiana encontrada para a solução
i em relação às outras soluções;

d min é a distância média.

O valor zero para esta métrica indica que todas as soluções
estão uniformemente espaçadas, sendo o valor ideal.
C. Estrutura Cromossômica
Com base na quantidade de chaves NF que se deseja
alocar (ns) e no número máximo de chaves NA a serem Figura 3 Mecanismo de reprodução adotado.
alocadas (nt), estabelecida pelo gestor do sistema, é definido
a estrutura do cromossomo que é um vetor de ns + nt IV. RESULTADOS
posições. Cada posição é associada a uma das seções do
O algoritmo proposto foi aplicado ao alimentador primário
alimentador, logo a codificação é definida por um vetor
de 103 seções cujos dados são encontrados em [19]. Foi
composto de números inteiros. As seções com sinal positivo
considerado 3 minutos para o tempo médio de
indica que nela está alocada uma chave com acionamento
restabelecimento por chaveamento remoto após uma falta e
manual. As seções com sinal negativo indica que nela está
48,8 minutos para o tempo médio de restabelecimento por
alocada uma chave com acionamento remoto, e a sua
chaveamento manual após uma falta. Foi adotado 153
quantidade deve respeitar o número máximo de chaves desse
minutos como o tempo médio para restabelecimento
tipo estabelecido pelo gestor (nr). Na codificação do
completo do sistema após uma falta. No processamento do
cromossomo, cada seção só pode aparecer uma vez na
algoritmo genético foi considerada uma população de 20
codificação de NF, independente se nela está alocada uma
indivíduos e um arquivo externo com a mesma quantidade,
uma taxa de cruzamento de 200% e uma taxa de mutação de
4%. O tempo médio de processamento do algoritmo foi de 22
minutos em um microcomputador com velocidade de
processamento de 4 GHz. O custo considerado de cada chave
instalada foi de $ 3000,00 para chaves manuais e $ 9000,00
para chaves remotas. A taxa de crescimento da carga
utilizada foi de 5% para um horizonte de planejamento de 10
anos. O custo da energia considerado foi de 0,14 $/kWh. Foi
considerado um fator de carregamento de 100% e fator de
potência de 0,93.
Para a construção dos resultados foram feitas dez
simulações desse algoritmo, cada um independente da outra e
com as mesmas configurações, tal como está supracitado. Os
resultados gerados foram sintetizados na Tabela I apresentada
a seguir:
TABELA I. MÉTRICAS DE DESEMPENHO PARA A FRONTEIRA DE PARETO DO
ALGORITMO PROPOSTO.
NSND ESP
Médio 35% 0,0261
Menor 20% 0,0048
Maior 50% 0,0428
Através da observação da Tabela I foi possível concluir
que a ferramenta proposta encontrou um valor máximo
metade da população de indivíduos não-dominados, ou seja,
foram encontradas 10 soluções não dominadas das 20
possíveis no espaço do arquivo externo ao final da execução
do programa. Também é perceptível que a métrica de
espaçamento (ESP) possui valores muito baixos, o que
implica que as soluções estão bem distribuídas ao longo da
fronteira de Pareto. Essas duas características indicam que o
algoritmo conseguiu alcançar um bom desempenho,
permitindo uma gama de opções aos planejadores do sistema.
V. CONCLUSÕES
Neste trabalho foi apresentado um método para alocação
de chaves manuais e remotas, NF e NA, baseado no SPEA2.
O método avaliou se determinadas combinação de locais e
quantidades de chaves instaladas traziam benefícios à
confiabilidade e financeiros a rede. O artigo ainda explanou
sobre os estágios do SPEA2 e das vantagens de métodos
multi-objetivos aplicados a soluções de problemas de
engenharia.
Os resultados do trabalho indicaram que o sucesso da
ferramenta em cumprir seus objetivos através de ótimos
resultados, na quantidade e na disposição das soluções
apresentadas.
Ainda existe um vasto campo a ser explorado na aplicação
de algoritmos multi-objetivos como o SPEA2 aos sistemas de
distribuição. As necessidades, os objetivos e as restrições
dentro do sistema de distribuição, tanto na alocação de
chaves, quanto de vários outros temas demonstram o avanço
que aplicação desses algoritmos ainda terá.
VI. REFERÊNCIAS
[1] M. Sperandio and J. Coelho.‖ Métodos de programação inteira
aplicados ao planejamento da automação de sistemas de manobra em
redes de distribuição‖. Revista Controle & Automação, vol. 21 no. 5,
2010.
[2] W. Tippachon and D. Rerkpreedapong. ―Multiobjective optimal
placement of switches and protective devices in electric power
distribution systems using ant colony optimization.‖ Electric Power
Systems Research, vol.79 no. 7, pp. 1171--1178, 2009.
[3] H. Alves. And R. Sousa, "A Multi-Population Genetic Algorithm to
solve multi-objective remote switches allocation problem in
distribution networks," Computational Intelligence for Engineering
Solutions (CIES), 2014 IEEE Symposium on Orlando-USA.,
pp.155,162, 2014.
[4] S. Golestani and M. Tadayon, ―Optimal switch placement in
distribution power system using linear fragmented particle swarm
optimization algorithm preprocessed by GA,‖ In: Energy Market
(EEM), ser. 8th International Conference on the European. Zagreb,
Republic of Croatia, IEEE pp. 537 - 542, 2011.
[5] S. Torne, H. Fudo, Y Fukuyama and Y. Nakanishi. ―A reactive Tabu
Search for service restoration in electric power distribution systems‖
1998 IEEE International Conference on Evolutionary Computation,
Anchorage, Alaska, pp. 1-7, 1998.
[6] C. S. Chen, C. H. Lin, H. J. Chuang, C. S. Li, M. Y. Huang and C. W.
Huang, ―Optimal placement of line switches for distribution
automation systems using immune algorithm,‖ IEEE Transaction on
Power Systems, vol. 21, no. 1, pp. 1209-1217, 2006.
[7] J. Holland. ―Adaptation in natural and artificial systems‖. Cambridge,
Mass.: MIT Press. 1992.
[8] D. Goldberg. ―Genetic Algorithms in Search, Optimization and
Machine Learning‖. Boston, MA: Addison-Wesley Longman
Publishing Co. 1989.
[9] M. Haghifam. ―Optimal allocation of tie points in radial distribution
systems using a genetic algorithm‖. European transactions on
electrical power, vol. 14 no. 2, pp. 85--96, 2004.
[10] R. Billinton and S. Jonnavithula. ―A Test System for Teaching Overall
Power System Reliability Assessment‖. IEEE Transactions on Power
Systems, vol. 11 no. 4, pp. 1670—1676, 1995.
[11] R. Allan and R. Billinton. ―Power system reliability and its
assessment: Part III, distribution systems and economic
considerations‖. Power Engineer Journal, vol. 7, no. 4, pp. 185–192,
1993.
[12] K. Deb. ―Multi-objective optimization using evolutionary algorithms‖.
Chichester: John Wiley & Sons, 2001.
[13] R. M. Azuma. ―Otimização multiobjetivo em problema de estoque e
roteamento gerenciados pelo fornecedor‖. M. S dissertação,
Universidade Estadual de Campinas, Campinas,SP,Brasil, 2011.
[14] K. Deb, ―Multi-objective optimisation using evolutionary algorithms:
an introduction,‖ in Multi-Objective Evolutionary Optimisation for
Product Design and Manufacturing, L. Wang and A. H. C. Ng, Eds.,
pp. 3–35, Springer, London, UK, 2011.
[15] E. Zitzler, M. Laumanns, and L. Thiele, K. Giannakoglou, D.
Tsahalis, J. Periaux, P. Papailou, and T. Fogarty, "SPEA2: Improving
the strength Pareto evolutionary algorithm", Proc. EUROGEN 2001.
Evolutionary Methods for Design, Optimization and Control With
Applications to Industrial Problems, 2001.
[16] E. Zitzler and L. Thiele, "Multiobjective evolutionary algorithms: A
comparative case study and the strength Pareto approach", IEEE
Trans. Evol. Comput., vol. 3, pp.257 -271 1999.
[17] E. Zitzler, K. Deb y L. Thiele. ―Comparison of multiobjective
evolutionary algorithms. Empirical result‖. In IEEE Transaction on
Evolutionary Computation, volume 8, no. 2, 2000.
[18] D. Van Veldhuizen, ―Multiobjective Evolutionary Algorithms:
Classifications, Analysis, and New Innovations,‖ Dissertation Ph.D.,
Faculty of the Graduate School of Engineering, Air Force Institute of
Technology, USA, 1997.
[19] H. Alves. ―A Hybrid Application Based on Expert Knowledge for
Solving the Switches Placement Problem in Distribution Networks‖.
Journal of Control, Automation and Electrical Systems, vol. 25, no. 2,
pp. 252-261, 2014.