Escolar Documentos
Profissional Documentos
Cultura Documentos
Otimização Multiobjetivo PDF
Otimização Multiobjetivo PDF
Otimização Multiobjetivo
Aplicada à Eficiência Energética
de Torres de Resfriamento
Rio de Janeiro
2016
Marcelo Silveira Dantas Lizarazu
Otimização multiobjetivo
aplicada à eficiência energética
de torres de resfriamento
Rio de Janeiro
2016
CATALOGAÇÃO NA FONTE
UERJ / REDE SIRIUS / BIBLIOTECA CTC/B
CDU 004.272.2
Autorizo, apenas para fins acadêmicos e cientı́ficos, a reprodução total ou parcial desta
dissertação, desde que citada a fonte.
Assinatura Data
Marcelo Silveira Dantas Lizarazu
Otimização multiobjetivo
aplicada à eficiência energética
de torres de resfriamento
Banca Examinadora:
Rio de Janeiro
2016
DEDICATÓRIA
Dedico este trabalho aos meus pais, principalmente, à minha querida mãe, por ter me
incentivado aos estudos desde cedo, sempre me guiando em busca de novos horizontes. Aos
professores, pela minha formação. Aos demais familiares, pela paciência e compreensão
nos diversos momentos de ausência diante dos desafios impostos por esta longa jornada.
AGRADECIMENTOS
Agradeço aos colegas de mestrado Alan Oliveira, Carlos Renato, Alexandre Xavier e Tiago
Quirino pelo apoio e companheirismo.
José de Alencar
RESUMO
Cooling towers are a widely used equipment in oil refineries, power plants and
large commercial buildings. The role of cooling tower is to recover the heat rejected by
the equipments responsible for the refrigeration of the environment and/or processes. In
this dissertation, cooling towers are used in conjunction with compression chillers. The
growing environmental concerns and the current scenario of scarce water and energy re-
sources have lead to the adoption of actions to obtain the maximum energy efficiency
in industrial processes and equipments, which justifies the application of computatio-
nal intelligence techniques to determine the best operating conditions of such processes
and equipments. In this context, this work proposes the utilization of multi-objective
optimization algorithms to determine the optimum operational setpoints of the cooling
system, which is based on cooling tower and compression chillers. The multi-objective
optimization proposed here provides the best trade-offs between two conflicting objecti-
ves: maximizing the effectiveness of heat exchange performed in the cooling tower and
minimizing the overall energy consumption of the cooling system considered. The obtai-
ned solutions take into account the operational constraints of the equipments in order to
ensure the safe operation of the cooling system. In this are applied the NSGA-II, SPEA2,
Micro-GA, MOPSO and MO-TRIBES algorithms. The first three algorithms use evolu-
tionary techniques, while the other two use techniques based on swarm intelligence. The
results obtained by the algorithms are compared under different scenarios and models of
the cooling system equipments, allowing for the selection of the best algorithm for the
proposed application.
Keywords: Cooling towers; Compression chillers; Multi-objective optimization; Evolutio-
nary algorithms; Swarm intelligence.
LISTA DE FIGURAS
27 Escolha da solução ótima com base na menor média quadrática dos obje-
tivos: maximização de a e minimização de Ptotal normalizados. . . . . . . . . . 147
28 Critério a ser adotado para escolha da solução ótima com base na menor
média quadrática dos objetivos: (1) minimização de 1/a e (2) minimização
de Ptotal normalizados, a partir da fronteira de Pareto obtida utilizando o
algoritmo MOPSO. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 149
29 Critérios não aplicáveis à escolha da solução ótima com base nos objetivos:
minimização de 1/a e minimização de Ptotal normalizados. . . . . . . . . . . . . 149
30 Fronteiras de Pareto e soluções ótimas obtidas para 4 dos 35 pontos ope-
racionais utilizados na implementação da otimização com o NSGA-II, uti-
lizando a modelagem ZCAP1 com critério de parada após 50 iterações. . . . . 151
31 Fronteiras de Pareto e solução ótima obtidos para 4 dos 35 pontos operacio-
nais utilizados na implementação da otimização com o NSGA-II, utilizando
a modelagem ZCAP1 com critério de parada após 90 segundos. . . . . . . . . . . 152
32 Fronteiras de Pareto e soluções ótimas obtidas para 4 dos 35 pontos operaci-
onais utilizados na implementação da otimização com o SPEA2, utilizando
a modelagem ZCAP1 com critério de parada após 50 iterações. . . . . . . . . . . 154
33 Fronteiras de Pareto e solução ótima obtidos para 4 dos 35 pontos operaci-
onais utilizados na implementação da otimização com o SPEA2, utilizando
a modelagem ZCAP1 com critério de parada após 90 segundos. . . . . . . . . . . 155
34 Fronteiras de Pareto e soluções ótimas obtidas para 4 dos 35 pontos opera-
cionais utilizados na implementação da otimização com o Micro-GA, utili-
zando a modelagem ZCAP1 com critério de parada após 50 iterações. . . . . . 157
35 Fronteiras de Pareto e solução ótima obtidos para 4 dos 35 pontos opera-
cionais utilizados na implementação da otimização com o Micro-GA, utili-
zando a modelagem ZCAP1 com critério de parada após 90 segundos. . . . . . 158
36 Fronteiras de Pareto e soluções ótimas obtidas para 4 dos 35 pontos operaci-
onais utilizados na implementação da otimização com o MOPSO, utilizando
a modelagem ZCAP1 com critério de parada após 50 iterações. . . . . . . . . . . 160
37 Fronteiras de Pareto e solução ótima obtidos para 4 dos 35 pontos operacio-
nais utilizados na implementação da otimização com o MOPSO, utilizando
a modelagem ZCAP1 com critério de parada após 90 segundos. . . . . . . . . . . 161
38 Fronteiras de Pareto e soluções ótimas obtidas para 4 dos 35 pontos ope-
racionais utilizados na implementação da otimização com o MO-TRIBES,
utilizando a modelagem ZCAP1 com critério de parada após 50 iterações. . . 163
39 Fronteiras de Pareto e solução ótima obtidos para 4 dos 35 pontos ope-
racionais utilizados na implementação da otimização com o MO-TRIBES,
utilizando a modelagem ZCAP1 com critério de parada após 90 segundos. . . 164
40 Fronteiras de Pareto e soluções ótimas obtidas para 4 dos 35 pontos ope-
racionais utilizados na implementação da otimização com o NSGA-II, uti-
lizando a modelagem ZCAP2 com critério de parada após 50 iterações. . . . . 167
41 Fronteiras de Pareto e solução ótima obtidos para 4 dos 35 pontos operacio-
nais utilizados na implementação da otimização com o NSGA-II, utilizando
a modelagem ZCAP2 com critério de parada após 90 segundos. . . . . . . . . . . 168
42 Fronteiras de Pareto e soluções ótimas obtidas para 4 dos 35 pontos operaci-
onais utilizados na implementação da otimização com o SPEA2, utilizando
a modelagem ZCAP2 com critério de parada após 50 iterações. . . . . . . . . . . 169
43 Fronteiras de Pareto e solução ótima obtidos para 4 dos 35 pontos operaci-
onais utilizados na implementação da otimização com o SPEA2, utilizando
a modelagem ZCAP2 com critério de parada após 90 segundos. . . . . . . . . . . 170
44 Fronteiras de Pareto e soluções ótimas obtidas para 4 dos 35 pontos opera-
cionais utilizados na implementação da otimização com o Micro-GA, utili-
zando a modelagem ZCAP2 com critério de parada após 50 iterações. . . . . . 172
45 Fronteiras de Pareto e solução ótima obtidos para 4 dos 35 pontos opera-
cionais utilizados na implementação da otimização com o Micro-GA, utili-
zando a modelagem ZCAP2 com critério de parada após 90 segundos. . . . . . 173
46 Fronteiras de Pareto e soluções ótimas obtidas para 4 dos 35 pontos operaci-
onais utilizados na implementação da otimização com o MOPSO, utilizando
a modelagem ZCAP2 com critério de parada após 50 iterações. . . . . . . . . . . 175
47 Fronteiras de Pareto e solução ótima obtidos para 4 dos 35 pontos operacio-
nais utilizados na implementação da otimização com o MOPSO, utilizando
a modelagem ZCAP2 com critério de parada após 90 segundos. . . . . . . . . . . 176
48 Fronteiras de Pareto e soluções ótimas obtidas para 4 dos 35 pontos ope-
racionais utilizados na implementação da otimização com o MO-TRIBES,
utilizando a modelagem ZCAP2 com critério de parada após 50 iterações. . . 178
49 Fronteiras de Pareto e solução ótima obtidos para 4 dos 35 pontos ope-
racionais utilizados na implementação da otimização com o MO-TRIBES,
utilizando a modelagem ZCAP2 com critério de parada após 90 segundos. . . 179
R2 Coeficiente de Determinação
AG Algoritmo Genético
BA Bat Algorithm
EE Estratégias Evolucionárias
FA Firefly Algorithm
MTribes Modified-Tribes
PE Programação Evolutiva
PG Programação Genética
PI Proporcional-integral
RS Random Selection
INTRODUÇÃO . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19
1 TORRES DE RESFRIAMENTO . . . . . . . . . . . . . . . . . . . . . . . . 24
1.1 Torres de Resfriamento . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 24
1.1.1 Método de Transferência de Calor . . . . . . . . . . . . . . . . . . . . . . . . . . . 24
1.1.2 Tipo de Fluxo Relativo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25
1.1.3 Tipo de Tiragem . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 26
1.1.4 Enchimento de Contato . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 28
1.1.5 Venezianas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 29
1.1.6 Eliminadores de Gotas. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 30
1.1.7 Ventiladores . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 31
1.1.7.1 Difusor do Ventilador . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 32
1.1.8 Temperatura de Bulbo Úmido. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 33
1.1.9 Perdas de água . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 35
1.2 Chillers de Compressão . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 36
1.3 Considerações Finais . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 39
2 DESCRIÇÃO DO PROBLEMA . . . . . . . . . . . . . . . . . . . . . . . . . 40
2.1 Configuração do Sistema de Resfriamento . . . . . . . . . . . . . . . . . . 40
2.2 Descrição do Problema de Otimização. . . . . . . . . . . . . . . . . . . . . 43
2.3 Definição das Funções Objetivo . . . . . . . . . . . . . . . . . . . . . . . . . . 47
2.4 Definição das Restrições . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 48
2.5 Considerações Finais . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 50
REFERÊNCIAS . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 198
E
M muitos processos industriais, gera-se calor, e este calor, muitas vezes deve ser ex-
traı́do e dissipado. Geralmente é empregada a água como elemento de resfriamento,
como pode ser observado na indústria petroquı́mica e em usinas geradoras de eletricidade.
A água utilizada nos sistemas de resfriamento sempre retorna do processo com
temperaturas mais elevadas, podendo esta ser descartada ou resfriada para reutilização.
O segundo caso é utilizado onde não há abundância de água para a aplicação, ou em casos
onde o consumo de água seria absurdamente dispendioso em termos econômicos.
O descarte da água utilizada em um processo de resfriamento é uma prática am-
bientalmente insustentável, uma vez que a água, nestes casos, geralmente se encontra em
uma temperatura elevada, e seu descarte nestas condições provocaria impactos na flora
e fauna subaquáticas local. Além disso, levando em consideração os desafios atuais para
a obtenção de água potável, a reutilização da água em torres de resfriamento se torna o
meio mais viável em termos econômicos e de sustentabilidade ambiental.
As torres de resfriamento são equipamentos voltados à aplicação em grandes de-
mandas de resfriamento, pois apresentam um modo limpo e muito econômico de se resfriar
a água a ser reutilizada no processo de resfriamento. Por este motivo, também se verifica
sua aplicação em instalações prediais como grandes centros comerciais, hotéis e edifı́cios
de grande porte.
A crescente preocupação ambiental com o uso ineficiente de energia elétrica e sua
crescente demanda, associado à má utilização dos recursos hı́dricos existentes, que estão
cada vez mais escassos, levam a comunidade técnica e cientı́fica à adoção de premissas e
medidas que visam à obtenção da máxima eficiência energética das instalações industriais,
necessitando, portanto, da aplicação de mecanismos sofisticados que permitam alcançar
a melhor eficiência possı́vel de um processo.
Na atualidade, verifica-se uma escassez de recursos energéticos nunca vista antes.
A disponibilidade de energia elétrica na matriz energética brasileira depende em grande
INTRODUÇÃO 20
parte da ocorrência regular de chuvas nas áreas onde as usinas hidrelétricas se encontram
instaladas. Quando isso não ocorre, as usinas termelétricas assumem parte da demanda
energética, mas isso ocasiona uma elevação significativa no custo da energia elétrica, oca-
sionando maiores prejuı́zos econômicos para a indústria em geral.
Além da escassez de recursos hı́dricos para a geração de eletricidade, tem-se con-
juntamente a escassez básica de água, a qual é utilizada em grande volume e sob diversas
formas em indústrias de processo, principalmente nas indústrias de alimentos e bebidas,
petroquı́micas e em usinas geradoras de eletricidade, tanto para fins de obtenção direta do
produto final, como para fins de resfriamento, finalidade esta que se aplica ao propósito
desta dissertação.
Dessa forma, a escassez de água e, consequentemente, de energia elétrica, provoca
um considerável aumento no custo final dos produtos, e em maiores prejuı́zos para os
setores industrial e comercial, causando um impacto ainda maior para as indústrias ou
empresas que não aplicam estratégias para aprimorar ou tornar mais eficientes os consumos
de água e energia elétrica.
É nesse contexto que a utilização de técnicas de inteligência computacional passa
a ser viável para a aplicação de otimização energética, com base em seu baixo custo de
implementação e no elevado poder no auxı́lio à tomada de decisão. Para tal, necessita-se de
informação quantitativa e qualitativamente suficiente para a implementação e obtenção
de resultados satisfatórios. Estes dados geralmente são obtidos a partir da coleta de
dados em campo e de informações disponibilizadas pelos fabricantes dos equipamentos
que compõem o sistema a ser otimizado.
Uma torre de resfriamento opera em conjunto com outros equipamentos, tais como
chillers e bombas de circulação e elevação de água. Além disso, as torres de resfriamento
do tipo tiragem mecânica possuem internamente ventiladores que operam no sentido de
forçar a circulação de ar internamente. Dentre estes equipamentos, os chillers são os
responsáveis pela maior parcela do maior consumo energético do sistema (YU et al., 2011).
Percebe-se que um sistema de resfriamento baseado em torres de resfriamento não
envolve apenas as torres de resfriamento em si, mas sim um conjunto de equipamentos
que operam de forma interdependente, onde a modificação indevida de um determinado
parâmetro ou ajuste operacional em um destes equipamentos pode provocar um efeito
positivo ou negativo em cascata no funcionamento dos demais, podendo desencadear,
INTRODUÇÃO 21
TORRES DE RESFRIAMENTO
E
S te capı́tulo tem por objetivo apresentar os conceitos funcionais básicos sobre os
principais equipamentos que compõem o sistema de resfriamento considerado neste
trabalho, de modo que seja possı́vel a apresentação do problema de otimização envolvendo
a torre de resfriamento e os chillers de compressão.
Os conceitos apresentados neste Capı́tulo servem como base para a modelagem
matemática dos equipamentos, tendo em vista seus princı́pios termodinâmicos de funcio-
namento, conforme indicado no Capı́tulo 5.
bulação metálica, por exemplo. Nas trocas térmicas úmidas, há o contato direto entre os
fluidos. Este tipo de torre também é chamado de sistema aberto, e utiliza o princı́pio do
resfriamento evaporativo. Já as torres do tipo mista ou hı́brida utilizam os dois meca-
nismos apresentados acima, porém há a aplicação de água gelada (proveniente de outra
fonte) nos trocadores de calor, favorecendo a troca térmica evaporativa.
As torres de resfriamento consideradas neste trabalho são do tipo úmida. Neste
caso, a água quente é levada do processo até o ponto de aspersão, localizado na parte
superior da torre, através de bombas de elevação. Após atingir este ponto, a água quente
é liberada para que ocorra a troca térmica com o fluxo de ar que flui em sentido contrário.
Após a realização da troca térmica, a água resfriada desce através do enchimento para a
parte inferior da torre, retornando para o processo.
Durante a queda, após ser liberada no ponto de aspersão, a água entra em contato com
a corrente de ar, trocando calor sensı́vel e latente. Sabe-se que parte da água quente
que entra na torre evapora. No entanto, essa perda de água não é significativa durante a
operação em torno do ponto operacional de projeto da torre (ALPINA, 1978).
Outra forma de classificar as torres de resfriamento é quanto ao tipo de fluxo
relativo entre as correntes de água e de ar. Neste caso, podem ser classificadas em torres de
fluxo em contracorrente, conforme ilustrado na Figura 1(a), ou de fluxo cruzado, conforme
ilustrado na Figura 1(b).
Nas torres com fluxo cruzado, o ar entra pelas paredes laterais e atravessa o enchi-
mento praticamente na horizontal. A água cai por gravidade em ambos os lados da torre,
cruzando a corrente de ar induzida pelo ventilador axial localizado na parte superior da
torre. As principais vantagens deste tipo de torre são a facilidade de manutenção e a
insensibilidade a águas ricas em sólidos suspensos.
Já nas torres com fluxo em contracorrente, o ar entra pela base da torre e atravessa
o enchimento em sentido vertical, portanto, contrário ao da água. Embora exista uma
perda de carga maior no enchimento, em comparação às torres com fluxo cruzado, o que
ocasiona um maior consumo dos ventiladores, as torres de fluxo em contracorrente são
mais eficientes, uma vez que existe uma menor possibilidade de recirculação interna de
ar. Além disso, neste tipo de torre, o ar passa mais tempo em contato com a água, uma
vez que a entrada de ar é realizada na parte inferior da torre, permitindo que ocorra uma
troca térmica mais eficiente.
Quanto ao tipo de tiragem, as torres de resfriamento podem ser classificadas em: torres
de tiragem natural (também conhecidas como hiperbólicas) ou torres de tiragem mecânica.
As torres do tipo tiragem natural são de maior porte, podendo alcançar até 200
m de altura por 100 m de diâmetro. Sua construção é aconselhável em áreas onde há
correntes naturais de ventos fortes. Neste tipo de torre não há ventiladores na parte
superior, e o fluxo de ar ocorre naturalmente pela torre devido ao aumento gradativo da
temperatura do ar à medida que troca calor com a água quente (mecanismo da convecção),
e também devido ao seu formato hiperbólico. Este formato faz com que o ar quente seja
acelerado ao longo da subida, devido à restrição de área ao longo do percurso da base da
torre até a sua parte superior. Este tipo de torre está ilustrado na Figura 2(a).
As torres do tipo tiragem mecânica são aquelas que utilizam ventiladores para
provocar a circulação de ar. Estas podem ser do tipo tiragem induzida ou tiragem forçada.
A diferença básica é que no tipo tiragem induzida, os ventiladores são posicionados na saı́da
de ar, geralmente na parte superior da torre; já no tipo tiragem forçada, os ventiladores
são posicionados no nı́vel do solo. A escolha do tipo depende de diversos fatores, como
o espaço disponı́vel, local de instalação e velocidade média do vento ao longo do ano na
região. A Figura 2(b) ilustra uma torre de tiragem induzida.
1.1. TORRES DE RESFRIAMENTO 27
Observa-se na Figura 3 que, além dos equipamentos já citados, tem-se a necessidade
de tratamento quı́mico nos circuitos de água da torre, de modo a evitar corrosões e acúmulo
de sujeira, os quais, se não evitados, provocam aumento da perda de carga, ocasionando
um maior consumo energético para as bombas de elevação de água. As corrosões, quando
não evitadas, provocam pequenos vazamentos, os quais aumentam o consumo de água da
torre, levando à necessidade de intervenções e paradas não programadas para adequação.
1.1. TORRES DE RESFRIAMENTO 28
O enchimento da torre tem a função de acelerar a troca térmica entre a água e a corrente
de ar que flui em sentido contrário, pois promove o aumento da superfı́cie entre eles dentro
da torre. Existem enchimentos de diferentes tipos, formatos e tamanhos, cada um com
uma caracterı́stica especı́fica e seguindo critérios de projeto especı́ficos de cada fabricante
de torres de resfriamento. Os tipos de enchimentos mais utilizados são: gotejamento (ou
respingo) e pelı́cula (ou laminar). A Figura 4 ilustra os dois tipos de enchimento citados.
1.1.5 Venezianas
Além disso, o ar de entrada na torre deve ser uniformemente distribuı́do com uma
queda mı́nima de pressão, pois elevadas quedas de pressão significam a necessidade de um
ventilador com potência mais elevada.
Para reduzir a perda de água por respingos, as venezianas devem ser projetadas
com inclinação, largura e espaçamento apropriados. Portanto, o dimensionamento das
venezianas varia com o tipo de torre e segue padrões definidos por cada fabricante. Em
todos os casos, estas devem ser suficientemente resistentes a atmosferas corrosivas.
Geralmente, quanto maior o espaçamento entre as venezianas, maior é o fluxo de ar
de entrada. No entanto, neste caso, aumenta-se a perda de água por respingos. De forma
contrária, ao reduzir o espaçamento entre as venezianas (ou aumentando sua largura) e
aumentar a inclinação destas, tem-se uma redução da perda de água, associada a uma
redução do fluxo de ar de entrada. Portanto, ao dimensionar as venezianas para uma
determinada torre de resfriamento, o fabricante tem por objetivo estabelecer um melhor
compromisso entre a redução na perda de água por respingos e o estabelecimento de um
fluxo de ar adequado para permitir a troca térmica (OMNI, 1989).
Apesar da estrutura das venezianas permitir modificações em seu dimensiona-
mento no intuito de aumentar a eficiência da troca térmica realizada na torre e reduzir a
1.1. TORRES DE RESFRIAMENTO 30
perda de água por respingos, no caso da otimização energética apresentada neste trabalho,
desconsiderou-se qualquer modificação na disposição, dimensionamento ou inclinação das
venezianas existentes nas torres de resfriamento utilizadas.
Tanto as torres do tipo fluxo cruzada como as do tipo fluxo em contracorrente devem
possuir eliminadores de gotas, os quais se constituem de perfis retentores formados por
um sistema de barras perfiladas, instalados dentro da torre de resfriamento. Os materiais
utilizados para a fabricação deste sistema dependem da qualidade da água que circula na
torre, os quais incluem PVC (Cloreto de Polivinila), aço galvanizado, alumı́nio, plásticos
ou fibrocimento. A Figura 5 ilustra um sistema de eliminadores de gotas.
1.1.7 Ventiladores
cilindro. O difusor tem a função de garantir o atendimento a estes dois fatores. Quanto
mais suave for a entrada do fluxo de ar no ventilador, maior será seu rendimento, e um
fluxo de ar suave pode ser obtido por meio de um dimensionamento adequado do difusor
do ventilador. Os fabricantes recomendam evitar obstruções estruturais na entrada do
difusor (OMNI, 1989).
Na Figura 6, observa-se o pequeno espaço entre as pás do ventilador e seu difusor.
Quanto menor este espaço, maior será seu rendimento, uma vez que se evita a recirculação
de ar, e mais baixo será o nı́vel de ruı́do do ventilador.
A otimização energética realizada neste trabalho não considerou qualquer modifi-
cação no dimensionamento dos ventiladores e de seus difusores, mantendo-se as especifi-
cações indicadas em (ALPINA, 2013).
Santos Dummont, devido à sua maior proximidade. Para a escolha do fator a ser utilizado
no dimensionamento da torre (0,4%, 1,0% ou 2,0%), deve-se optar entre o critério mais
conservador ou o mais otimista.
O critério mais conservador baseia-se na possibilidade de que valores mais baixos
para a temperatura de bulbo úmido poderão ser atingidos. A escolha baseada neste
critério acarreta a especificação de uma maior capacidade para a torre de resfriamento, de
modo a atingir valores próximos à temperatura de bulbo úmido. Caso este seja o critério
a ser adotado, deve-se escolher a temperatura mais baixa indicada na Tabela 1. Já o
critério mais otimista baseia-se na escolha do valor de temperatura de bulbo úmido mais
elevado indicado na Tabela 1, ocasionando a especificação de uma capacidade menor para
a torre de resfriamento, reduzindo-se levemente a potência dos ventiladores, obtendo-se
então uma certa economia de energia.
Muitos fabricantes de torres de resfriamento estabelecem uma relação entre as
dimensões da torre de resfriamento e a temperatura de bulbo úmido média local por meio
do conceito de approach, o qual representa a diferença entre a temperatura da água fria
que deixa a torre e a de bulbo úmido (OMNI, 1989).
Neste sentido, quanto menor o approach, maior deve ser o tamanho da torre de
resfriamento, uma vez que um menor approach significa fornecer uma água de saı́da com
temperatura mais próxima possı́vel da temperatura de bulbo úmido, ou seja, mais fria.
Isto demanda uma torre de resfriamento com maior capacidade. Este conceito está rela-
cionado à eficiência ou efetividade da torre de resfriamento. Quanto menor a diferença
entre a temperatura da água fria que deixa a torre de resfriamento e a temperatura de
bulbo úmido, maior é a efetividade da torre de resfriamento.
Dessa forma, além de definir um valor médio para a temperatura de bulbo úmido
para fins de dimensionamento da torre de resfriamento, deve-se indicar o approach espe-
rado. No caso da torre de resfriamento considerada neste trabalho, conforme indicado
em (ALPINA, 2013), tem-se uma temperatura de bulbo úmido definida em projeto de
26, 6◦ C, um approach de 2, 4◦ C, e uma eficiência da troca térmica (também denominada
1.1. TORRES DE RESFRIAMENTO 35
efetividade) de 0, 7551. Neste caso, observa-se que foi considerado o critério mais oti-
mista na escolha da temperatura de bulbo úmido para o projeto da torre de resfriamento,
esperando-se uma economia de energia por meio do dimensionamento de uma capacidade
de rejeição de calor um pouco mais reduzida para a torre, o que ocasiona o dimensio-
namento de ventiladores de porte um pouco mais reduzido, implicando, por último, na
aplicação de motores com potência um pouco menor do que na solução mais conservadora.
As perdas de água em uma torre de resfriamento são pequenas, e em geral, não superam
2% da vazão da água em circulação (ALPINA, 1978), considerando condições normais de
operação. As perdas de água se devem à:
• Evaporação;
• Purga de desconcentração;
Rejeita calor
Qcd
Condensador
Compressor
Válvula de
W
expansão
Evaporador
Qev
Absorve calor
verifica-se uma pequena redução de pressão no fluido refrigerante após sua passagem pelo
evaporador. O compressor, que pode ser elétrico ou a combustão, compensa esta redução
de pressão do fluido refrigerante, enviando-o ao condensador.
O condensador se trata de um trocador de calor que tem a função de condensar
o fluido refrigerante que se encontra em estado de vapor, estado este atingido após sua
passagem pelo evaporador. O condensador pode ser de dois tipos: condensador resfriado
a ar ou condensador resfriado a lı́quido. No caso do resfriamento a ar, utilizam-se ven-
tiladores para a realização da troca térmica entre o ar forçado e o fluido refrigerante em
estado de vapor, por meio da circulação do fluido refrigerante por tubos aletados. Já no
caso de resfriamento a lı́quido, utilizam-se torres de resfriamento, de modo que a água que
circula pela torre troque calor com o fluido refrigerante em estado de vapor, troca esta
realizada por meio de serpentinas localizadas no interior do condensador, fazendo com
que o fluido refrigerante venha a condensar. A água aquecida resultante deste processo é
elevada por meio de bombas de elevação até a torre de resfriamento, a qual reduz a tem-
peratura da água de condensação, retornando-a, em seguida, ao condensador do chiller,
de modo a permitir uma contı́nua troca térmica com o fluido refrigerante em estado de
vapor proveniente do evaporador.
Próximo ao evaporador encontra-se o dispositivo de expansão, também denominado
válvula termostática ou válvula de expansão. Este se trata de um dispositivo frigorı́fico de
expansão direta, ou seja, a expansão do fluido ocorre no ambiente a ser refrigerado.
1.2. CHILLERS DE COMPRESSÃO 38
Observa-se que a água aquecida que deixa o condensador do chiller é aquela que
será bombeada até a torre de resfriamento, e que a água resfriada pela torre retorna ao
condensador do chiller. Este se trata do circuito de água de condensação, o qual também é
denominado circuito primário. Pode-se observar que a água gelada que deixa o evaporador
do chiller alimenta os fan-coils, os quais utilizam a água gelada para obter ar refrigerado
e distribui-lo aos vários ambientes da instalação. Após passar pelos fan-coils, a água
inicialmente gelada retorna para o evaporador com uma temperatura mais elevada. Este
se trata do circuito de água gelada, também denominado circuito secundário. Os fan-coils
e demais equipamentos que compõem o circuito secundário, como bombas de circulação de
água, não fazem parte do escopo deste trabalho. Nos fan-coils, a água gelada proveniente
do evaporador do chiller vai para uma serpentina, onde é realizada a troca térmica com
um fluxo de ar induzido através de uma ventilação forçada ocasionada pelos ventiladores
dos fan-coils. O ar refrigerado resultante desta troca térmica é então distribuı́do.
DESCRIÇÃO DO PROBLEMA
E
STE capı́tulo tem por objetivo descrever o problema de otimização multiobjetivo
proposto neste trabalho, assim como definir as funções objetivo do problema. A
Seção 2.1 apresenta a configuração do sistema de resfriamento considerado, assim como
as quantidades e tipos de equipamentos. Por fim, serão apresentadas as restrições opera-
cionais a serem consideradas na obtenção da solução do problema.
ção e das bombas de circulação de água gelada é de 120 CV. Destes equipamentos, apenas
os ventiladores das torres de resfriamento permitem variação de velocidade, por meio da
utilização de conversores de frequência, permanecendo os demais sempre operando a uma
velocidade fixa e igual à nominal.
Geralmente, a carga térmica diária é atendida com a utilização de dois chillers.
O terceiro chiller se encontra disponı́vel para uma condição esporádica de carga térmica
adicional, como em dias em que a quantidade de pessoas e de equipamentos ultrapassa
os valores normais de operação ou em dias extremamente quentes no verão. Já o quarto
chiller, só deve operar em situação de rodı́zio operacional, situação em que há alternância
periódica entre os chillers em funcionamento, de modo a evitar o desgaste excessivo de um
determinado equipamento em detrimento a outro, ou em caso de falha de um dos demais.
Portanto, a situação de operação com dois chillers é a mais comum para o sistema de
resfriamento a ser otimizado, conforme considerado nesta dissertação.
Os chillers de compressão utilizados são do fabricante York®, modelo YKLKLLH9-
CZFS, com tensão nominal de 4,16 kV, capacidade térmica de 3517 kW (1000 TR), po-
tência elétrica nominal do motor do compressor de 586 kW, e utilizam o gás refrigerante
R-134A. A especificação completa dos chillers pode ser consultada em (YORK, 2006).
2.1. CONFIGURAÇÃO DO SISTEMA DE RESFRIAMENTO 42
mais baixas para a água de condensação, deve-se aumentar a velocidade dos ventiladores
da torre de resfriamento, uma vez que, no caso em estudo, as bombas de elevação da água
de condensação operam com velocidade fixa. No entanto, o incremento de velocidade dos
ventiladores da torre também provoca um aumento no consumo de energia elétrica.
Atualmente, a maioria das torres de resfriamento é operada no intuito de sempre
fornecer a menor temperatura possı́vel para a água de condensação. No entanto, sabe-
se que esta temperatura mı́nima possı́vel de ser atingida está limitada à temperatura de
bulbo úmido no local. Portanto, operacionalmente, pode-se chegar a uma situação em que
não há vantagens em manter os ventiladores operando na sua velocidade nominal, uma
vez que existe um ajuste (setpoint) de velocidade abaixo da nominal que é suficiente para
atingir a temperatura de bulbo úmido. O desafio é obter-se este setpoint de velocidade
para os ventiladores da torre.
Além disso, conforme (LIU; CHUAH, 2011), sabe-se que a estratégia de controlar a
temperatura de saı́da da torre de modo a tentar sempre atingir a temperatura de bulbo
úmido instantânea local nem sempre é a melhor opção, pois há situações em que, a partir
de um determinado valor de temperatura da água de condensação, sua redução passa a
não influenciar mais no consumo do chiller, ocasionando um consumo desnecessário de
energia elétrica nos ventiladores da torre.
Dessa forma, somente com uma modelagem dos equipamentos é possı́vel estimar a
influência das variáveis do processo no consumo de cada equipamento (chillers e ventila-
dores da torre de resfriamento). A partir da modelagem e implementação via um sistema
de otimização e apoio à decisão, podem ser determinados os melhores ajustes operacionais
(setpoints) para o sistema de resfriamento, de modo a obter-se eficiência energética.
Além da eficiência relacionada ao consumo de energia elétrica do sistema de res-
friamento, outro aspecto a ser levado em conta é a eficiência relacionada à troca térmica
realizada na torre de resfriamento, denominada efetividade. A eficiência energética é tão
importante quanto a efetividade da torre, uma vez que a última está associada ao consumo
de água do sistema de resfriamento. Como visto na Seção 1.8, a operação de uma torre
de resfriamento está condicionada a uma perda normal de água, a qual é estimada com
base na efetividade prevista inicialmente na fase de projeto e dimensionamento da torre
de resfriamento. Caso esta opere com uma efetividade aquém da estimada em projeto,
consumirá mais água, seguido do consequente aumento no seu consumo elétrico.
2.2. DESCRIÇÃO DO PROBLEMA DE OTIMIZAÇÃO 45
Nesta dissertação, conforme indicado na Seção 5.2, são implementadas duas mo-
delagens distintas para o chiller de compressão, definidas, respectivamente, pelos fatores
ZCAP1 e ZCAP2 , utilizados na modelagem de seu consumo energético. A implementação
das duas modelagens foi idealizada no intuito de permitir dois cenários distintos para o
sistema de otimização, onde são consideradas diferentes variáveis de busca na implemen-
tação dos algoritmos de otimização, para, em seguida, compará-los, de modo a identificar
o melhor cenário para a aplicação da otimização multiobjetivo proposta. Os dois cenários
são definidos nesta dissertação como:
De acordo com as informações contidas neste Capı́tulo, percebe-se que uma torre
de resfriamento opera em conjunto com outros equipamentos. Dentre estes equipamentos,
os chillers representam o maior consumo energético. Uma vez que as bombas de circulação
de água de condensação e de água gelada operam sempre a uma velocidade fixa, a inclusão
destas no cálculo da energia elétrica global demandada pelo sistema de resfriamento não
proporciona qualquer vantagem, uma vez que objetiva-se avaliar a eficiência energética
obtida após aplicação dos algoritmos de otimização. Dessa forma, apenas os consumos
dos chillers e dos ventiladores da torre são considerados na implementação do sistema de
otimização energética proposto.
Como premissa para a implementação, considerou-se que os valores ótimos de
saı́da do sistema de otimização devem ser obtidos com base no melhor compromisso entre
os objetivos estabelecidos acima, respeitando-se os limites operacionais e as restrições
definidos para os equipamentos que compõem o sistema de refrigeração.
O objetivo é obter, a cada intervalo pré-definido de uma hora, o melhor setpoint de
velocidade para os ventiladores da torre e/ou o melhor setpoint de temperatura da água
gelada de saı́da do chiller, a depender do cenário considerado, i.e, da modelagem utilizada.
As simulações de otimização serão realizadas utilizando os algoritmos SPEA2, NSGA-II,
Micro-GA, MOPSO e MO-TRIBES, de modo a comparar os resultados obtidos por estes
para as duas modelagens, ZCAP1 e ZCAP2 , utilizando diferentes critérios de parada.
f1 = a (maximizar), (1)
n1 = n2 + 1. (3)
ϴ͕Ϭ
ϳ͕Ϭ
Ϳ ϲ͕Ϭ
Σ; ZĞŐŝĆŽ ĂƐĞƌĞǀŝƚĂĚĂͲ ĐŽŵ ^ƵƌŐĞ
ƌŽ ϱ͕Ϭ
ĚĂ
ƐŶ
ĞĚ ϰ͕Ϭ
ŶŽ
Ͳ ϯ͕Ϭ
d
Ăƚů Ϯ͕Ϭ
Ğ
ZĞŐŝĆŽ ĚĞďŽĂ ƉĞƌĨŽƌŵĂŶĐĞ Ͳ ƐĞŵ^ƵƌŐĞ
ϭ͕Ϭ
Ϭ͕Ϭ
Ϭ ϮϬ ϰϬ ϲϬ ϴϬ ϭϬϬ
ĐĂƌŐĂĚŽĐŚŝůůĞƌ;йͿ
ALGORITMOS DE OTIMIZAÇÃO
MULTIOBJETIVO
C
OMO o trabalho proposto se trata de uma otimização energética que deve atender
a mais de um objetivo, este capı́tulo tem o objetivo de introduzir as técnicas de
solução de problemas de otimização multiobjetivo (POMs - Problemas de Otimização
Multiobjetivo), assim como os algoritmos de otimização que serão aplicados.
Os algoritmos a serem abordados implementam técnicas bio-inspiradas. Conforme
(YANG, 2010) e (CASTRO, 2006), os algoritmos bio-inspirados se dividem em: algoritmos
evolucionária e algoritmos de enxame. Para a solução do problema multiobjetivo proposto
nesta dissertação serão aplicados algoritmos evolucionários e algoritmos de enxame, de
modo a comparar seus resultados e desempenhos para a aplicação.
Neste capı́tulo também serão apresentadas as técnicas mais utilizados para a esco-
lha da solução ótima em problemas de otimização multiobjetivo.
x = x1 , x2 , · · · , xn ∈ X, e (11)
y = y1 , y2 , · · · , yn ∈ Y, (12)
se fi (a) ≥ fi (b), e ∃ j ∈ [1, n] ; fj (a) = fj (b), logo, a b (a domina fracamente b), (14)
se fi (a) ≤ fi (b), e ∃ j ∈ [1, n] ; fj (a) < fj (b), logo, a ∼ b (a é indiferente a b), (15)
onde a e b são soluções factı́veis do problema multiobjetivo. Note que as definições acima
são análogas para os problemas de minimização. A dominância entre as soluções é es-
tabelecida após comparação dos resultados obtidos com a aplicação destas em todas as
funções objetivo f definidas no problema.
3.1. OTIMIZAÇÃO MULTIOBJETIVO 54
De acordo com (DEB, 2001), há duas técnicas básicas de tomada de decisão em problemas
de otimização multiobjetivo. A primeira técnica, conhecida como otimização multiobje-
tivo ideal, utiliza informações qualitativas de alto nı́vel, e a decisão sobre a melhor solução
é realizada com base em informações ou critérios previamente estabelecidos pelo usuário.
Já a segunda técnica, baseada em preferência, considera que a melhor solução é obtida
atribuindo-se pesos a cada objetivo, os quais devem ser proporcionais aos fatores de pre-
ferência atribuı́dos a cada objetivo. É importante observar que na técnica ideal escolhe-se
um valor dentre as soluções obtidas pelo algoritmo, enquanto que na técnica baseada em
preferência obtém-se um novo valor para a solução do problema.
A utilização de algoritmos evolucionários como possı́vel técnica para a solução de POMs foi
proposta originalmente por (ROSEMBERG, 1967). A partir de então, a primeira tentativa
real de implementação de algoritmos evolucionários na resolução de POMs foi realizada por
(SCHAFFER, 1984). O algoritmo desenvolvido por Schaffer foi o VEGA (Vector Evaluated
Genetic Algorithm).
3.2. ALGORITMOS EVOLUCIONÁRIOS 58
No entanto, a utilização da noção de ótimo baseada nos conceitos de Pareto só foi
introduzida nos algoritmos evolucionários a partir da década de 90, conforme pode ser
visto em (FONSECA; FLEMING, 1995), (VELDHUIZEN, 1999) e (ZITZLER; THIELE, 1999a).
De acordo com (FONSECA; FLEMING, 1995), os algoritmos evolucionários multiob-
jetivo podem ser classificados em: Técnicas de Funções Agregadas, Técnicas não Baseadas
no Conceito de Pareto e Técnicas Baseadas no Conceito de Pareto.
Como este trabalho tem como objetivo a utilização de técnicas baseadas no Con-
ceito de Pareto, as demais técnicas serão introduzidas de forma bem sucinta.
São técnicas que não incorporam de forma direta os conceitos de dominância e otimali-
dade de Pareto. De acordo com (CHEUNG et al., 2003), estes algoritmos consideram cada
objetivo individualmente e fornecem soluções múltiplas em uma única simulação, a partir
de várias combinações lineares das funções objetivo. Devido a este fato, sugere-se que sua
utilização seja restrita a aplicações limitadas a até três funções objetivo. As principais
técnicas representantes deste grupo são: VEGA (Vector Evaluated Genetic Algorithm),
Ordenamento Lexicográfico e a Teoria dos Jogos.
3.2. ALGORITMOS EVOLUCIONÁRIOS 59
• Adaptação: o enxame deve ser capaz de alterar o seu comportamento caso o custo
computacional seja proibitivo.
O algoritmo PSO se trata de uma técnica de otimização estocástica proposta por Kennedy
e Eberhart em 1995, desenvolvida com base no comportamento social de cardumes de
peixes e bandos de aves na procura de alimento. As primeira simulações computacionais
do comportamento social com base no voo sincronizado de aves foram reportados em
(REYNOLDS, 1987) e (HEPPNER; GRENANDER, 1990).
No PSO, a população é chamada de enxame, e cada indivı́duo i é chamado de
partı́cula. A posição xi de uma partı́cula no espaço de busca representa uma possı́vel
solução para o problema de otimização. O termo partı́cula é utilizado no sentido de
que os indivı́duos de um enxame são representados por pontos sem massa e sem volume,
portanto, representados apenas por suas coordenadas no espaço de busca.
Cada partı́cula i possui uma velocidade vi definida aleatoriamente no inı́cio do
processo, a qual permite que as partı́culas se movimentem pelo espaço de busca definido.
A movimentação de cada partı́cula do enxame permite a exploração do espaço de busca de
modo a obter a posição ou coordenada que representa a melhor solução para o problema.
3.3. INTELIGÊNCIA DE ENXAMES 64
Cada partı́cula tem sua aptidão fitness avaliada com base na função objetivo defi-
nida, por meio da qual armazena a posição do melhor valor de aptidão obtido, por meio
de sua percepção individual (memória individual) e pela percepção do enxame (memória
coletiva). A memória individual permite que cada partı́cula i lembre a posição yi (tam-
bém denominada pbesti - personal best) em que esta encontrou o melhor valor de aptidão
individual, assim como a memória coletiva permite que as partı́culas lembrem a posição
yS (também denominada gbest - global best) em que o enxame encontrou o melhor valor
global de aptidão.
A cada iteração, a velocidade vi de cada partı́cula i é atualizada na busca por pon-
tos que possuam melhores aptidões. A modificação da velocidade das partı́culas também
está associada a uma componente randômica, de modo a garantir diversidade e evitar a
convergência precoce para ótimos locais.
Considerando um espaço de busca N-dimensional e um enxame com S partı́culas,
a posição da i-ésima partı́cula na j-ésima dimensão é dada por:
xt+1 t t+1
ij = xij + vij ; 1≤i≤S e 1 ≤ j ≤ N, (16)
onde
vijt+1 = wvijt + c1 r1j
t
(yijt − xtij ) + c2 r2j
t t
(ySj − xtij ), (17)
em que r1j e r2j são valores aleatórios utilizados para representar a natureza estocástica
do algoritmo, mantendo a diversidade da população. As sequências r1j e r2j são definidas
com valores reais entre 0 e 1. O termo yij representa a melhor posição individual da
i-ésima partı́cula na j-ésima dimensão, e o termo ySj representa a melhor posição global
do enxame na j-ésima dimensão. A Equação 17 implementa a topologia estrela para o
algoritmo PSO. Os termos c1 e c2 representam os coeficientes de aceleração e exercem
influência no tamanho do passo máximo que uma partı́cula pode dar em uma iteração. O
coeficiente c1 , em particular, é chamado de coeficiente cognitivo; o coeficiente c2 é chamado
de coeficiente social. O comportamento do PSO muda radicalmente com a modificação
destes coeficientes. Valores elevados para c1 indicam partı́culas com elevada autoconfiança,
enquanto valores elevados para c2 proporcionam maior confiança no enxame (BERGH,
2001). Em (KENNEDY, 1998), sugere-se considerar inicialmente c1 = c2 = 2. Já em
(CARLISLE; DOZIER, 2001), sugere-se a escolha de c1 ≥ c2 , respeitando-se a premissa de
que c1 + c2 ≤ 4. Ainda na Equação 17, o coeficiente w representa o fator de inércia, o
3.3. INTELIGÊNCIA DE ENXAMES 65
Nesta categoria encontram-se as abordagens onde são estabelecidos pesos para cada ob-
jetivo, transformando o problema em uma otimização de uma função objetivo global
composto pela soma ponderada dos objetivos.
Em (PARSOPOULOS; VRAHATIS, 2002) propõe-se um algoritmo que adota três tipos
de funções de agregação: a primeira se trata de uma função de agregação linear onde os
pesos são fixos durante o processo; a segunda, considera uma função de agregação dinâ-
mica, portanto os pesos são modificados durante o processo; já a terceira, se trata de uma
abordagem denominada bang bang weighted aggregation, onde os pesos são gradualmente
modificados durante o processo. Adota-se uma topologia do tipo estrela.
Em (BAUMGARTNER; MAGELE; RENHART, 2004) propõe-se uma abordagem que
utiliza função de agregação linear em uma topologia do tipo estrela. O enxame é dividido
em vários sub-enxames, onde cada sub-enxame possui um conjunto de pesos distintos
3.3. INTELIGÊNCIA DE ENXAMES 67
para cada objetivo. Dessa forma, tem-se uma diversidade de parâmetros aplicados no
enxame, permitindo dinâmicas diferentes para cada sub-enxame durante o processo de
busca da solução. Esta abordagem adota uma técnica baseada no cálculo de gradiente
para identificar as soluções-ótimas Pareto.
No Algoritmo FA Firefly Algorithm, desenvolvido por Xin-She Yang em 2007, a
solução de problemas multiobjetivo é realizada através da agregação das funções objetivo
em uma única função global (YANG, 2013). Este algoritmo baseia-se na movimentação de
um enxame de vaga-lumes no espaço de busca, utilizando como mecanismo de movimen-
tação a atratividade entre os vaga-lumes. Cada vaga-lume emite um determinado brilho,
o qual está diretamente relacionado à avaliação da função objetivo. Um vaga-lume com
menor brilho tende a se movimentar em direção ao vaga-lume com maior brilho. Caso
um determinado vaga-lume não encontre outro com brilho superior ao seu, este deve se
mover randomicamente no espaço de busca.
Em (YAGMAHAN; YENISEY, 2010) propõe-se o algoritmo MOACSA (Multiobjective
Ant Colony System Based on ACS) para a solução de um problema de cronograma de
fluxo de compras envolvendo dois objetivos conflitantes.
Neste método, estabelece-se uma regra de preferência entre os objetivos com base nos
graus de importância e prioridade estabelecidos entre estes. Assim, com base na ordenação
de prioridades definida, obtêm-se as soluções ótimas para cada objetivo separadamente,
iniciando pelo objetivo mais prioritário. Este tipo de implementação só se mostra eficaz
com até duas ou três funções objetivo, e é bastante sensı́vel a diferentes ordenações das
funções objetivo.
Uma das primeiras versões do MOPSO (Multiobjective Particle Swarm Optimiza-
tion) foi proposta em (HU; EBERHART, 2002), onde considera-se a utilização da ordena-
ção lexicográfica como técnica para a solução de problemas multiobjetivo. Já em (HU;
EBERHART, 2003), introduz-se a utilização de um arquivo externo intitulado extensão da
memória, que tem por objetivo armazenar as soluções não-dominadas obtidas, reduzindo o
tempo de convergência do algoritmo, assim como outras melhorias para a primeira versão.
3.3. INTELIGÊNCIA DE ENXAMES 68
Existem duas abordagens para a aplicação desta técnica no intuito de solucionar problemas
multiobjetivo, descritas como:
Nesta abordagem, as partı́culas guias são escolhidas com base na dominância de Pareto,
escolhendo-se as partı́culas não-dominadas.
3.3. INTELIGÊNCIA DE ENXAMES 69
diversidade das soluções. Nesta abordagem, cada partı́cula tem um guia distinto, o qual é
escolhido para cada uma das variáveis de busca. De modo a escolher a solução ótima glo-
bal, as partı́culas guias são armazenadas em um arquivo externo, onde são aleatoriamente
escolhidas com base na aptidão obtida pela estratégia Maximimo.
Em (COELLO; PULIDO; LECHUGA, 2004), propõe-se um MOPSO que utiliza a do-
minância de Pareto para determinar a direção de busca de uma partı́cula. O algoritmo
utiliza um arquivo para armazenar as soluções não-dominadas encontradas e adota um
operador de mutação para gerar novas possı́veis soluções dentro do espaço de busca ainda
não explorado. Em (PULIDO; COELLO, 2004), propõe-se um MOPSO que divide o enxame
em vários sub-enxames, adotando técnicas de clusters.
Em (ALVAREZ-BENITEZ; EVERSON; FIELDSEND, 2005) propõem-se um MOPSO
baseado exclusivamente em dominância de Pareto para realizar a escolha dos guias das
partı́culas, por meio do armazenamento de um conjunto de soluções não-dominadas em
um arquivo externo. São apresentadas três técnicas distintas de seleção: a primeira, deno-
minada Rounds, promove exclusivamente a diversidade; a segunda, denominada Random,
promove exclusivamente a convergência; já a terceira, estabelece um compromisso entre
Rounds e Random por meio de uma metodologia probabilı́stica de ponderação. Além
disso, são propostos quatro mecanismos para limitar as partı́culas na região viável. Como
a escolha das partı́culas armazenadas no arquivo é probabilı́stica, obtém-se boa conver-
gência e diversidade na fronteira de Pareto. Esta abordagem também utiliza um operador
de turbulência no intuito de acelerar a convergência do algoritmo.
Em (JANSON; MERKLE, 2005) propõe-se o ClustMPSO, o qual se trata de um
algoritmo hı́brido que combina o PSO com técnicas de clusters para dividir o enxame
em vários sub-enxames. Esta estratégia utiliza o algoritmo K-means. Cada sub-enxame
obtém sua própria fronteira de soluções não-dominadas, e a fronteira de Pareto final é
obtida após a união das fronteiras obtidas por todos os sub-enxames.
Em (CABRERA; COELLO, 2010), propõe-se o micro-MOPSO, o qual se trata de
uma versão multiobjetivo baseada no conceito de Pareto para o algoritmo micro-PSO,
proposto em (CABRERA; COELLO, 2007). O micro-MOPSO utiliza dois arquivos exter-
nos: o primeiro, denominado arquivo auxiliar, é utilizado para armazenar as soluções
não-dominadas que o algoritmo encontra ao longo do processo de busca; o segundo, deno-
minado arquivo final é utilizado para armazenar as soluções não-dominadas finais obtidas.
3.4. ESCOLHA DOS ALGORITMOS APLICADOS 72
no SPEA nos métodos VEGA, WBGA, NPGA, MOGA e NSGA. Foi observada a melhora
significativa do desempenho dos métodos. Além disso, observou-se que o método NSGA
com elitismo possui desempenho equivalente ao do SPEA. Esse estudo representou um
divisor de águas entre a primeira geração (não elitista) e a segunda geração (elitista) de
algoritmos evolucionários multiobjetivo.
O desempenho do SPEA2 foi comparado com o seu antecessor SPEA, com o PESA
e o NSGA-II em (ZITZLER; LAUMANNS; THIELE, 2001) utilizando cinco funções de teste.
Foi observado que o SPEA2 foi superior ao SPEA em todas as funções de teste. O PESA
apresentou uma rápida convergência, no entanto, falhou em algumas funções de teste por
não manter as soluções da fronteira. Nesse estudo, observou-se que o SPEA2 e o NSGA-II
apresentaram os melhores desempenhos, e que o SPEA2 apresentou vantagens sobre o
PESA e o NSGA-II em aplicações com uma maior quantidade de funções objetivo.
Em (DEB et al., 2002) realizou-se a comparação do desempenho do NSGA-II com o
SPEA e o PAES, aplicando-os a nove funções clássicas de teste. Os resultados mostraram
que o NSGA-II converge melhor em sete das nove funções testadas, sendo que nas outras
duas, o PAES obteve os melhores resultados. Em termos de diversidade das soluções
apresentadas, o NSGA-II apresentou o melhor desempenho nas nove funções testadas,
sendo o pior desempenho neste quesito atribuı́do ao PAES.
De acordo com os resultados apresentados pela maioria dos estudos comparati-
vos analisados, observa-se que os algoritmos elitistas geralmente possuem desempenho
superior aos não elitistas. No entanto, há casos em que métodos não elitistas apresen-
tam desempenho superior a métodos elitistas, como em (CHEUNG, 2004). Portanto, tal
generalização não pode ser feita.
Em (ZITZLER; KÜNZLI, 2004) o algoritmo IBEA é comparado aos algoritmos NSGA-
II e SPEA2, apresentando resultados superiores em seis dos oito problemas benchmark con-
siderados. Aplicações do IBEA comparando-o aos algoritmos MOGA, NSGA-II e SPEA2
podem ser verificadas em (CHEVRIER et al., 2010), (SULIEMAN; JOURDAN; TALBI, 2010),
(FEIJOO et al., 2012), (SAYYAD; MENZIES; AMMAR, 2013), (SAYYAD et al., 2013), (SAYYAD;
GOSEVA-POPSTOJANOVA; MENZIES T. AMMAR, 2013) e (FILHO; VERGILIO, 2015), onde
o algoritmo IBEA é bem avaliado comparado aos demais algoritmos. No entanto, na
literatura, foram encontradas poucas aplicações do algoritmo IBEA em problemas de en-
genharia, comparado aos algoritmos NSGA-II e SPEA2.
3.4. ESCOLHA DOS ALGORITMOS APLICADOS 74
3.4.1 NSGA-II
Após a seleção dos novos indivı́duos de Pt+1 com base nos nı́veis de dominação, no
operador crowded-comparison e no algoritmo de crowding distance, essa população é então
ordenada com base nos nı́veis de dominação de seus indivı́duos, ou seja, as N melhores
soluções selecionadas. Por fim, os operadores genéticos de recombinação e mutação são
aplicados em Pt+1 de modo a gerar a nova população de descendentes Qt+1 . Este processo
3.4. ESCOLHA DOS ALGORITMOS APLICADOS 80
é repetido até que se atinja o número máximo de iterações (ou gerações) T , ou até que
outro critério de parada seja atingido. A sequência de passos seguido pelo NSGA-II é
descrita no Algoritmo 4.
3.4.2 SPEA2
Percebe-se que o valor da força de um dado indivı́duo será tanto maior quanto mais
indivı́duos forem dominados por este, e a aptidão crua será tanto menor quanto menos
indivı́duos o dominarem.
Embora o Raw Fitness forneça atribuições aos indivı́duos com base na dominância
de Pareto, caso haja muitos indivı́duos com valores de Raw Fitness idênticos, este meca-
nismo pode falhar. Portanto, o SPEA2 utiliza a informação de densidade da vizinhança
para guiar a busca de forma eficaz. A técnica utilizada é uma adaptação do método do
k-ésimo vizinho mais próximo, onde a densidade em qualquer ponto é função da distância
ao k-ésimo ponto mais próximo. Neste caso, o SPEA2 simplesmente considera o inverso
da distância ao k-ésimo vizinho mais próximo como uma estimativa da densidade.
3.4. ESCOLHA DOS ALGORITMOS APLICADOS 82
Logo, quanto menor o valor do Fitness de um indivı́duo, mais apto ele é, e mais
chances ele terá de se propagar ao longo das gerações e disseminar suas caracterı́sticas
para os demais indivı́duos.
Passo 3 – Seleção Ambiental: Nesta etapa, todos os indivı́duos não dominados
da população Pt e do arquivo Pt são copiados para o arquivo da próxima geração, ou seja,
para Pt+1 . Se o tamanho de Pt+1 exceder N , deve-se reduzir o tamanho de Pt+1 com base
no algoritmo de corte. Caso o tamanho de Pt+1 seja inferior a N , deve-se preencher Pt+1
com os melhores indivı́duos dominados em Pt e Pt .
O algoritmo de corte é um processo iterativo que elimina, a cada iteração, o indi-
vı́duo que apresenta a menor distância Euclidiana ao vizinho mais próximo. Em caso de
empate, verifica-se a segunda menor distância Euclidiana, e assim por diante. O processo
iterativo se encerra quando a dimensão da população de Pt+1 = N .
Passo 4 – Término: Se t ≥ T , ou qualquer outro critério de parada tenha sido
satisfeito, define-se A como o conjunto de indivı́duos não-dominados que representam a
melhor solução em Pt+1 e para o processo. Caso as condições citadas acima não tenham
sido atingidas, deve-se prosseguir para o passo 5.
Passo 5 – Seleção para cruzamento: Nesta etapa, os indivı́duos são selecionados
através do operador de seleção por torneio, cujos vencedores são os indivı́duos com menor
valor de Fitness.
3.4. ESCOLHA DOS ALGORITMOS APLICADOS 83
3.4.3 Micro-GA
O Micro-GA (Micro Genetic Algorithm) é um algoritmo genético que utiliza uma po-
pulação de tamanho bem pequeno durante um processo de reinicialização. Na verdade,
este processo de reinicialização é, de fato, o Micro-GA, o qual é realizado em conjunto
com a utilização de um arquivo externo para armazenar os vetores não-dominados obtidos
ao longo das iterações. Segundo Coello, seu idealizador, quando bem parametrizado, o
3.4. ESCOLHA DOS ALGORITMOS APLICADOS 84
• Quantidade de posições em que o espaço de soluções será dividido para cada objetivo.
3.4.4 MOPSO
em (DEB; GOLDBERG, 1989). Em seguida, aplica-se o critério de seleção por roleta usando
os valores de fitness obtidos para os hipercubos, de modo a escolher o hipercubo h de
onde será retirada a partı́cula guia gi para i. Uma vez escolhido o hipercubo, seleciona-se
randomicamente uma das partı́culas ih pertencentes a este hipercubo, partı́cula esta que
será então utilizada como partı́cula guia de i.
As partı́culas da população P são avaliadas por meio das funções objetivo, onde
pbestij funciona como uma memória individual de cada partı́cula i, para as várias di-
mensões j do espaço de busca. O critério de escolha da melhor posição individual pbesti
que será armazenada pela partı́cula i consiste em aplicar a dominância de Pareto a cada
atualização na posição da partı́cula (ou seja, a cada iteração), permanecendo sempre a
solução não-dominada. Se estas são indiferentes, a escolha deve ser realizada randomica-
mente. De acordo com (HU; EBERHART, 2002) e (MOLLAZEI et al., 2007) há várias formas
de selecionar o guia local (pbest) do arquivo, impactando na convergência e diversidade
das soluções. A atualização das velocidades e das posições de cada partı́cula i é obtida
pelas Equações 16 e 17, ambas já definidas na Seção 3.3.1. No caso, a única diferença
entre as equações do PSO residem no fato de que, no MOPSO, cada partı́cula i tem o seu
guia gi , representado por yij na Equação 22, a qual representa a atualização da velocidade
de cada partı́cula i no MOPSO.
xt+1 t t+1
ij = xij + RT xij , (23)
às partı́culas do enxame, mas também aos limites de cada variável de busca do problema
a ser resolvido. Dessa forma, no inı́cio do processo, o espaço de busca é completamente
coberto pelo algoritmo, e à medida que a quantidade de iterações aumenta, reduz-se
o espaço de busca utilizando uma função não-linear. Esta estratégia tem por objetivo
acelerar a convergência do algoritmo. O pseudocódigo do operador de mutação descrito
é apresentado no Algoritmo 7, onde pode-se verificar a função utilizada para redução do
espaço de busca ao longo das iterações, onde i representa a partı́cula a sofrer mutação,
dimmut representa a dimensão a sofrer mutação, dimn representa o número de dimensões
(ou seja, a quantidade de variáveis de busca), dimmut .limsup representa o limite superior
da dimensão a sofre mutação, dimmut .liminf representa o limite inferior da dimensão a
sofrer mutação, muttx representa a taxa de mutação, iter representa a iteração atual e
itermax representa o número máximo de iterações.
deverão ser descartadas. Por fim, se o arquivo atinge o seu limite máximo, deve-se aplicar
um procedimento denominado adaptive grid.
O adaptive grid, quando aplicado, tem por objetivo dividir o espaço de busca
explorado pelas partı́culas armazenadas no arquivo em hipercubos h, estabelecendo um
conjunto de coordenadas para cada solução. Os hipercubos são redimensionados à me-
dida que novas soluções extrapolam os limites das soluções já encontradas no espaço de
busca explorado. Cada hipercubo pode ser interpretado como um lugar geométrico que
contém um determinado número de soluções. A quantidade de dimensões dos hipercubos
corresponde à quantidade de variáveis de busca do problema. Dessa forma, uma vez que
uma solução não-dominada de P deve ser armazenada em R e este se encontra no seu
limite máximo, deve-se decidir qual partı́cula de R deve ser descartada para que a nova
partı́cula seja armazenada em R. Esta decisão é tomada com base na densidade popula-
cional dos hipercubos, de modo que se deve dar preferência à escolha de novas partı́culas
não-dominadas que preencham hipercubos menos populosos, descartando-se as partı́culas
pertencentes aos hipercubos mais populosos.
A aplicação do adaptive grid permite obter fronteiras de Pareto bem distribuı́das.
A abordagem utilizada no MOPSO se trata de uma variação do adaptive grid proposto
em (KNOWLES; CORNE, 2000) e também aplicada no Micro-GA (COELLO; PULIDO, 2001).
No caso, é necessário que o usuário forneça o número de subdivisões do grid. A principal
vantagem da utilização do adaptive grid é seu baixo custo computacional quando com-
parado, por exemplo, à técnica de nichos (KNOWLES; CORNE, 2000), exceto se o grid for
atualizado a cada iteração, onde estes custos passam a se tornar equivalentes.
As demais variáveis já foram previamente citadas. indo valores entre [0 1], os
termos c1 e c2 representam os coeficientes de aceleração, w representa o coeficiente de
inércia, o termo pbestgj representa a melhor posı́ção individual da i-ésima partı́cula na
j-ésima dimensãoo, e o termo gbestgj representa o guia local g escolhido no arquivo R para
a j-ésima dimensão. Maiores detalhes sobre os coeficientes e como escolhê-los podem ser
encontrados na Subseção 3.1 do Capı́tulo 3.
Conforme indicado em (COELLO; PULIDO; LECHUGA, 2004), as restrições no MOPSO
são implementadas da seguinte forma: sempre que dois indivı́duos são comparados, verificam-
se suas restrições. Se ambos são factı́veis, aplica-se o critério de dominação para decidir
quem é o vencedor. Se um deles é factı́vel, e o outro, não-factı́vel, o factı́vel domina.
3.4. ESCOLHA DOS ALGORITMOS APLICADOS 91
Se ambos são não-factı́veis, domina o que possuir menor teor associado à violação das
restrições. Esta é a mesma abordagem usada no Micro-GA (COELLO; PULIDO, 2001).
O algoritmo MOPSO realizará diversas iterações até que um critério pré-determinado
seja atendido. Ao término da execução, obtém-se um conjunto de soluções Pareto-ótimas
armazenadas no arquivo final. O Algoritmo 8 indica as etapas do algoritmo MOPSO, onde
imax representa quantidade de partı́culas do enxame e itermax , a quantidade máxima de
iterações. As demais variáveis já foram previamente citadas.
3.4.5 MO-TRIBES
Durante o processo, cada partı́cula se move em direção a uma região mais promis-
sora, com base em seu conhecimento, dado por: sua posição atual xi , a melhor posição pi
já encontrada pela partı́cula, e a melhor posição pg já encontrada em seu i-group.
Uma partı́cula pode ser classificada como boa, excelente ou neutra. Uma partı́-
cula é dita boa quando o seu último movimento proporcionou uma melhoria para a tribo
(f (xi ) < f (pi )). Se os dois últimos movimentos proporcionaram melhorias para a tribo
(ou seja, f (xi )t < f (pi )1 ∧ f (xi )t+1 < f (pi )2 ), esta é classificada como excelente. Se o
último movimento não proporcionou melhoria para a tribo (ou seja, f (xi ) ≥ f (pi )), esta
é classificada como neutra.
Dada uma tribo T , a pior partı́cula i será aquela em que ∀xj 6= xi , f (xj ) ≤ f (xi ).
A melhor partı́cula i da tribo T será aquela em que ∀xj 6= xi , f (xj ) ≥ f (xi ).
A classificação de uma tribo como boa ou ruim depende da quantidade de partı́culas
boas e ruins pertencentes a esta. Quanto maior a quantidade de partı́culas boas em uma
tribo, melhor ela será. O critério de classificação é estabelecido por meio de uma algoritmo
que gera um número aleatório entre 1 e nT , onde nT representa a quantidade total de
partı́culas da tribo. Em seguida, verifica-se se este número aleatório obtido é maior ou
igual a GT , onde GT representa a quantidade de partı́culas boas da tribo. Caso positivo,
a tribo é classificada como boa, caso contrário, a tribo é classificada como ruim (COOREN;
CLERC; SIARRY, 2006).
Após uma determinada quantidade de iterações, as tribos passam por um processo
chamado de reestruturação adaptativa, onde há regras que determinam se uma partı́cula
deve ser adicionada ou removida. Neste processo, boas tribos deverão descartar a pior
partı́cula. Tribos ruins, ao contrário, recebem uma nova partı́cula, de modo a aumentar
a possibilidade de melhoria no desempenho da tribo. O objetivo ao remover a partı́cula
de uma tribo boa é que esta condição se trata de uma oportunidade de reduzir a quan-
tidade de avaliações de fitness das funções objetivo sem impor riscos ao desempenho do
processo (COOREN; CLERC; SIARRY, 2006). No caso de uma tribo representada por uma
3.4. ESCOLHA DOS ALGORITMOS APLICADOS 94
única partı́cula, esta só será eliminada se algum dos informantes possuir um desempenho
superior, de modo a não perder a informação da partı́cula a ser eliminada.
A eliminação de uma partı́cula implica na redistribuição dos links. De modo geral,
a melhor partı́cula da tribo passa a assumir os links da partı́cula eliminada. No caso
de uma tribo representada por uma única partı́cula, os links são assumidos pela melhor
partı́cula informante da partı́cula a ser eliminada.
As tribos ruins, pelo contrário, necessitam de informação e, portanto, de partı́culas
para varrer o espaço de busca. Dessa forma, o respectivo shaman de cada tribo ruim gera
duas novas partı́culas e se torna informante destas, estabelecendo então um link destas
com as demais tribos por seu intermédio. Uma das partı́culas é posicionada em um
lugar qualquer do espaço de busca, e a outra é posicionada em uma região bem restrita.
Essas partı́culas são denominadas, respectivamente, partı́cula livre e partı́cula confinada,
e deverão formar uma nova tribo, a qual estabelecerá um link com o shaman da tribo que
as gerou. Esta é a estratégia que permite o avanço das partı́culas para novas posições do
espaço de busca.
A partı́cula livre é gerada de forma randômica a partir de uma distribuição uni-
forme, a qual também é obtida de forma randômica com base em três possı́veis localiza-
ções. Considerando o espaço de busca sendo um hiper-paralelogramo, estas três possı́veis
localizações são:
tem por objetivo intensificar a busca em uma região que já é aparentemente interessante
(COOREN; CLERC; SIARRY, 2006).
A reestruturação adaptativa do enxame não deve ser realizada a cada iteração, uma
vez que são necessárias várias iterações para que as modificações realizadas na estrutura
sejam propagadas através do enxame e seja possı́vel avaliar os resultados. Em teoria,
após cada adaptação, deveria-se calcular o diâmetro do grafo de interconexão entre as
diversas partı́culas do enxame, considerando apenas os pares de partı́culas que pertencem
a diferentes tribos. Portanto, seria necessário calcular o menor caminho de informação
conectando cada par de partı́culas pertencentes a tribos distintas. O maior dos caminhos
mais curtos calculados seria uma estimativa da quantidade de iterações necessárias para
ter certeza de que a informação sob posse de uma partı́cula pode ser transmitida através
de um caminho com deformação aceitável. De modo a simplificar este cálculo, (CLERC,
2003) propõe reavaliar e modificar a estrutura do enxame a cada L/2 iterações, onde L
representa a quantidade de links ou conexões estabelecidos entre as partı́culas do enxame.
Com as regras descritas acima, tem-se que, no inı́cio, existe uma única partı́cula,
representando uma única tribo. Após a primeira iteração, se a situação desta partı́cula não
melhorar, o que é extremamente provável, outra partı́cula deverá ser gerada, formando
uma segunda tribo. Na próxima iteração, se nenhuma das duas partı́culas melhorar sua
situação, as duas tribos simultaneamente gerarão duas partı́culas cada, o que significa que
uma nova tribo de quatro partı́culas será gerada, e assim por diante. Logo, à medida que
as partı́culas não convergem, tribos enormes vão sendo geradas, aumentando a capacidade
de exploração do enxame, mas de forma cada vez mais esporádica. À medida que ocorrem
as adaptações, o enxame passa a ter cada vez mais chance de encontrar a solução. No
entanto, à medida que o esboço de uma solução é encontrado, cada tribo deverá eliminar
gradualmente suas piores partı́culas, possivelmente até ela desaparecer completamente.
Na situação ideal, quando a convergência do algoritmo é confirmada, todas as tribos,
exceto possivelmente a última gerada, são reduzidas a uma única partı́cula.
A estratégia de deslocamento das partı́culas é baseada em seu passado recente. Há
três possibilidades de variação do desempenho de uma partı́cula: deterioração, manuten-
ção do status quo, ou melhoramento, simbolizados, respectivamente por −, = e +. Uma
vez que o passado de uma partı́cula é representado por suas duas últimas avaliações de de-
sempenho, o algoritmo deve distinguir nove possı́veis situações que representam o passado
3.4. ESCOLHA DOS ALGORITMOS APLICADOS 96
de uma partı́cula. Por exemplo, pode-se ter uma melhoria seguida de uma manutenção
do status quo, situação esta que é denotada por + =.
As possı́veis situações para o passado de uma partı́cula serão distribuı́das em três
grupos, onde, para cada um é definida uma estratégia de deslocamento para a partı́cula
em análise. A Tabela 3 indica a estratégia a ser utilizada de acordo com o passado de
uma dada partı́cula.
Tabela 3: Estratégia de deslocamento em função do passado da partı́cula.
Considere pi a melhor posição já alcançada pela partı́cula i, gi a melhor posição já
atingida por seu melhor informante, e f a função objetivo. Logo o deslocamento utilizando
a estratégia pivot será dado por:
sendo que
f (pi )
C1 = , (25)
f (pi ) + f (gi )
f (gi )
C2 = , (26)
f (pi ) + f (gi )
onde aleaesf (Hp ) representa um valor aleatório pertencente à hiperesfera de centro pi e
raio ||pi − gi ||, e aleaesf (Hg ) representa um valor aleatório pertencente à hiperesfera de
centro gi e raio ||pi − gi ||.
A estratégia disturbed pivot é similar à estratégia pivot, com a adição de um ruı́do.
De modo a implementar o ruı́do, para cada componente da última posição obtida, gera-
se um número randômico b utilizando uma distribuição Gaussiana centrada com desvio
f (pi )−f (gi )
padrão igual a f (pi )+f (gi )
. Em seguida, cada componente da nova posição obtida é multi-
plicada por (1 + b).
A estratégia local através de Gaussianas independentes é implementada através do
seguinte procedimento: se g = (g1 , · · · , gD ) representa a melhor posição armazenada pelo
melhor informante da partı́cula i, onde D representa o número de dimensões do problema,
logo, o deslocamento da partı́cula é dado por:
onde aleanormal (gj −xj , ||gj −xj ||) representa um ponto aleatoriamente escolhido utilizando
uma distribuição Gaussiana com média igual a (gj −xj ) e desvio padrão igual a (||gj −xj ||).
Se alguma componente da posição de uma determinada partı́cula tende a ir além
de valores aceitáveis, esta é simplesmente trazida de volta à posição mais próxima dos
limites do espaço de busca. O Algoritmo 9 indica as etapas do Tribes, onde N L representa
o número de links de informação computados na última reestruturação adaptativa, n
representa o número de iterações desde a última reestruturação adaptativa ocorrida, iter
representa a iteração atual e itermax representa a quantidade máxima de iterações.
Até o momento, apenas a abordagem mono-objetivo foi considerada. A seguir, será
apresentado o algoritmo Tribes-D, o qual foi utilizado para a implementação da otimização
multiobjetivo proposta, uma vez que contém a implementação do algoritmo MO-TRIBES,
permitindo tanto aplicações de otimização mono quanto multiobjetivo.
hiperesferas. Entretanto, para vários problemas reais, essa abordagem não tem signifi-
cado. Por exemplo, se uma variável x1 representa um custo, e outra x2 representa um peso
qualquer adimensional, a definição da distância ||x1 −x2 || é algo completamente arbitrário
e que pode representar um resultado sem significado prático.
Como melhoramento, o algoritmo Tribes-D (faz alusão a Tribes sem distância
multidimensional), desenvolvido por Maurice Clerc em 2008, não realiza o cálculo de
distância multidimensional. No caso, calcula-se a distância entre dois pontos apenas ao
longo da mesma dimensão, ou seja, a distância entre pontos que representam a mesma
variável de busca. Um dos inconvenientes desta abordagem é que o algoritmo pode não
apresentar um bom desempenho em alguns problemas onde o espaço de busca é um
hipercubo, ou quando o número máximo de avaliações de fitness é pequeno.
O MO-TRIBES é denominado por Maurice Clerc como um otimizador por en-
xame de partı́culas livre de parâmetros e completamente adaptativo para aplicação em
problemas heterogêneos reais. Entende-se por heterogêneos os problemas multidimensi-
onais onde algumas dimensões são discretas e outras são contı́nuas. Quando o espaço
de busca não é um hipercubo, mas sim um hiper-paralelogramo, e quando o problema é
heterogêneo, o MO-TRIBES pode apresentar um excelente desempenho.
No que diz respeito às estratégias de deslocamento das partı́culas, o MO-TRIBES
adiciona um tipo de seleção natural entre estratégias, No caso, uma boa partı́cula mantém
a mesma estratégia com uma probabilidade de 0, 5, não importa qual.
Diferentemente do Tribes clássico, o MO-TRIBES implementa duas maneiras de
aumentar a diversidade em uma tribo ruim:
O tamanho do arquivo é importante, devendo este ser limitado, uma vez que o pro-
cesso de atualização vai se tornando mais complexo à medida que seu tamanho aumenta.
Limitar o tamanho do arquivo significa incluir duas novas regras ao Tribes clássico: uma
regra para escolher quais soluções não-dominadas deverão permanecer no arquivo e outra
regra para ajustar o tamanho do arquivo de forma adaptativa. O Algoritmo 10 indica
como determinar o tamanho do arquivo, onde k representa o número de funções objetivo,
nDomP rev representa o número de soluções não dominadas encontradas na última atu-
alização do tamanho do arquivo e run representa o número de reinicializações do enxame
desde o inı́cio do processo.
O processo de reinicialização do enxame ocorre se após duas readaptações estru-
turais do enxame não houver a inclusão de pelo menos uma solução não dominada ao
enxame, de modo a permitir que possı́veis novas regiões do espaço de busca possam ser
exploradas, o que favorece a diversidade.
O Algoritmo 10 mostra que o tamanho do arquivo é definido como uma função do
número de funções objetivo definidas. Além disso, adiciona-se um mecanismo que verifica
se o algoritmo já foi reinicializado, e caso positivo, o tamanho do arquivo é ajustado de
forma adaptativa de acordo com o número de soluções não-dominadas obtidas na última
atualização de seu tamanho.
maximizar a crowding distance das partı́culas, de modo a obter uma fronteira de Pareto
com distribuição o mais uniforme possı́vel. O método crowding distance implementado
no MO-TRIBES só permite aplicações envolvendo até três objetivos (KUKKONEN; DEB,
2006)(COOREN; CLERC; SIARRY, 2011).
O Algoritmo 11 indica o processo de atualização do arquivo no MO-TRIBES,
onde T ribeN b representa o número de tribos do enxame, tribe[i].explorerN b representa
a quantidade de partı́culas na i-ésima tribo, tribe[i].part[j] representa a j-ésima partı́-
cula da i-ésima tribo, nomDomCtr representa a quantidade de soluções não-dominadas
armazenadas no arquivo e arquivotam representa o tamanho do arquivo.
TRABALHOS RELACIONADOS
N
ESTE capı́tulo, são apresentados os trabalhos mais relevantes que utilizam a inte-
ligência computacional na busca pela eficiência energética de sistemas de resfria-
mento compostos por chillers e torres de resfriamento. A descrição divide os trabalhos
por tipo de algoritmo de otimização utilizado.
praticamente não influencia no consumo do chiller, o qual é responsável pela maior par-
cela do consumo de energia elétrica do sistema. O algoritmo OAT se trata, portanto, de
uma estratégia de otimização aplicada somente a torres de resfriamento.
A otimização da torre é avaliado em termos do fator de desempenho do sistema
(System Perform Factor, ou SPF), obtido através da análise do consumo energético após
variação do setpoint da temperatura da água de condensação, com incrementos de 0,1°C
a partir da temperatura de bulbo úmido. Após o levantamento e pré-processamento
dos dados coletados, realiza-se uma regressão linear para a obtenção dos coeficientes da
função que determina a temperatura de approach ótima em termos da temperatura de
bulbo úmido, da carga do chiller e das eficiências da torre e do chiller. Os resultados
utilizando esta estratégia apresentam uma economia de energia entre 4,1% e 4,8% em
uma base de dados que considera o perı́odo equivalente a um ano de operação.
A estratégia utilizando o algoritmo OAT, diferentemente da proposta apresentada
nesta dissertação, não é baseada em uma modelagem termodinâmica do processo, nem dos
equipamentos que o compõem, baseando-se apenas na análise de dados obtidos em campo.
Portanto, a assertividade quanto à definição do melhor setpoint para a temperatura da
água de condensação depende, exclusivamente, da quantidade e qualidade da base de
dados obtida. Nem sempre é possı́vel obter-se uma quantidade de dados significativa para
a modelagem de um sistema composto por diversos equipamentos. No trabalho proposto
nesta dissertação, preferiu-se a abordagem baseada na modelagem termodinâmica dos
equipamentos que compõem o sistema de resfriamento.
principais diferenças com relação ao algoritmo genético clássico são o fato do espaço de
busca se restringir a uma região pré-definida em torno do resultado da otimização ante-
rior, e à utilização da técnica de elitismo, permitindo que os melhores resultados obtidos
sejam mantidos para a próxima geração. O sistema proposto foi testado em uma planta
piloto de HVAC (Heating, Ventilating and Air Conditioning), apresentando resultados
promissores, onde foram comparados três cenários: 1) vazões da água de condensação e
de ar nos ventiladores da torre constantes; 2) vazão da água de condensação constante e
vazão de ar nos ventiladores da torre variável; e 3) vazões de água e ar variáveis na torre.
O terceiro cenário apresentou os melhores resultados. Os resultados mostram que para
valores de PLR (Part Load Ratio - que pode ser definido como o fator de carga térmica
do chiller) em torno de 0,3, pode-se obter uma economia de até 30%, e que para valores
próximos à carga térmica nominal, ou seja, PLR próximos a 1, obtém-se uma economia
em torno de 10%.
Comparando as estratégias de otimização definidas em (MA; WANG, 2011), (KIE;
THENG, 2009) e (LU et al., 2004) om a proposta desta dissertação, tem-se uma diferença
crucial no fato de que nesta, propõe-se uma abordagem multiobjetivo, a qual confere
ao sistema não apenas a otimização em termos de eficiência energética, mas também
em termos da efetividade da troca térmica realizada na torre de resfriamento. Dessa
forma, a abordagem multiobjetivo, em contrapartida aos demais métodos propostos e
apresentados neste capı́tulo, permite que seja estabelecido como critério para escolha da
melhor solução o atendimento ao melhor compromisso entre a economia energética e a
redução na efetividade da torre de resfriamento. A operação de uma torre de resfriamento
fora dos limites da efetividade ótima ocasiona uma redução no seu desempenho e um
aumento no consumo de água do sistema, pois um fluxo de ar imposto pelos ventiladores
de forma deficiente provoca o aumento da perda de água por gotejamento no enchimento
da torre. De outra forma, um fluxo demasiado de ar com relação ao fluxo de água provoca
um aumento no volume de água que é perdido por arraste. Portanto, nesta dissertação, a
abordagem multiobjetivo proposta proporciona uma contribuição significativa comparada
aos trabalhos relacionados indicados neste capı́tulo, pois além da economia de energia
elétrica global do sistema, também considera a efetividade da torre de resfriamento.
Em (CHOW et al., 2002) utilizam-se redes neurais artificiais e algoritmos genéticos
no controle ótimo de um sistema de resfriamento baseado em chiller de absorção LiBr
4.3. OTIMIZAÇÃO COM ALGORITMOS GENÉTICOS 108
(ASHRAE, 1998). No caso, a rede neural foi utilizada para a modelagem do sistema, e o
processo de aprendizagem da rede foi realizado a partir de uma base de dados coletados
do sistema. O algoritmo genético foi utilizado como ferramenta de otimização global, cuja
função de avaliação considera o custo total da energia para operação do sistema, o qual
é composto somente por chiller, torre de resfriamento e bombas da água de condensação.
Limites mı́nimos e máximos para a temperatura de água gelada e de condensação foram
impostos. As restrições garantem que a operação do sistema de otimização obedece aos
limites operacionais do chiller de absorção e da torre de resfriamento. A rede neural
utilizada para a modelagem do sistema é do tipo MLP (Multilayer Perceptron) (HAYKIN,
2001) com duas camadas, sendo a camada principal composta por cinco neurônios, e
a camada escondida composta por nove neurônios. A rede neural implementada possui
cinco entradas e quatro saı́das. Como entradas, foram definidas a carga térmica do chiller,
a vazão mássica do circuito de água gelada, a vazão mássica do circuito de água de
condensação, a temperatura da água gelada e a temperatura da água de condensação.
Como saı́das, foram obtidas a taxa de consumo de combustı́vel do chiller, o Coeficiente
de Performance (COP) do chiller, o consumo elétrico da bomba do circuito de água
gelada e o consumo elétrico da bomba do circuito da água de condensação. No caso,
o COP representa a relação entre a capacidade de resfriamento e a potência elétrica
demandada pelo chiller. A rede neural implementada apresentou erro médio quadrático
igual a 0,00285, com fator de correlação R inferior a 8% para as quatro variáveis de
saı́da. Os resultados comparam três cenários: 1) vazões dos circuitos de água gelada e
de condensação constantes; 2) vazão do circuito de água gelada constante e vazão do
circuito da água de condensação variável; e 3) vazões dos circuitos de água gelada e
de água de condensação variáveis. Os resultados para o segundo e terceiro cenários são,
respectivamente, 14,2% e 19,4% de economia global no consumo de energia elétrica, sendo,
portanto, o terceiro caso considerado como o melhor resultado.
O processo de treinamento de uma rede neural com a configuração adotada em
(CHOW et al., 2002) demanda uma grande quantidade de dados do processo, principalmente
devido ao número considerável de entradas e saı́das. Como o foco do trabalho proposto
nesta dissertação é a otimização do sistema de resfriamento, e não a sua modelagem,
estabeleceu-se que o comportamento do sistema seria representado por sua modelagem
termodinâmica, diferentemente do trabalho reportado em (CHOW et al., 2002). Nesta
4.4. OTIMIZAÇÃO COM ENXAME DE PARTÍCULAS 109
do sistema foi obtida por meio do levantamento de dados de seu funcionamento, os quais
foram utilizados para o treinamento de três redes neurais artificiais, de modo a obter um
modelo preditivo do sistema. Neste trabalho, o sistema de resfriamento é composto por
um chiller, uma bomba, um ventilador e um dispositivo de reaquecimento. O sistema
de otimização proposto utiliza o algoritmo S-MOPSO (Strength Multiobjective Particle
Swarm Optimization), que se trata de um algoritmo de Otimização por Enxame de Partı́-
culas Multiobjetivo modificado, para determinar o melhor compromisso entre o consumo
energético e o conforto térmico, sendo este último representado pela temperatura ambiente
e pela umidade relativa do ar. Dessa forma, foram definidos os limites mı́nimos e máxi-
mos permitidos para a temperatura ambiente e umidade relativa do ar que garantem uma
condição de conforto térmico. Os controles de temperatura e umidade do ar são realizados
por uma unidade de tratamento de ar (Air Handling Unit, ou AHU). As redes neurais
implementadas para a modelagem do sistema são do tipo MLP recorrentes. As três redes
neurais são utilizadas para a predição do consumo energético da AHU, da temperatura
local no ambiente que se deseja refrigerar, e, por fim, da umidade relativa do ar no am-
biente refrigerado. Cada rede neural possui duas entradas, representadas pelos setpoints
de temperatura ambiente e de pressão estática. As camadas escondidas são alimentadas
e realimentadas recursivamente pelas seguintes variáveis do processo: posicionamento da
válvula da serpentina do chiller, temperatura do ar misturado, velocidade do ventilador
do ar de retorno, velocidade do ventilador do ar fornecido, temperatura da água que entra
na serpentina do chiller, temperatura do ar externo, umidade do ar fornecido, radiação
infravermelha incidente, concentração de CO2 no ar externo e fluxo solar normal incidente.
Os resultados apresentam uma comparação entre os desempenhos dos algoritmos MOPSO
e S-MOPSO, onde o último apresenta melhores resultados, com uma economia de 13,4%
de energia elétrica. Já o algoritmo MOPSO apresenta uma economia de 3,32%.
Em (KUSIAK; LI; TANG, 2010), é reportada uma proposta similar à reportada em
(KUSIAK; XU; TANG, 2011), com um sistema composto pelos mesmos equipamentos. Neste
trabalho também foram utilizadas redes neurais artificiais do tipo MLP para o levanta-
mento do modelo preditivo do sistema. No entanto, são utilizadas quatro redes neurais,
sendo cada uma utilizada para a predição do consumo energético do chiller, da bomba,
do ventilador e do dispositivo de reaquecimento. As quatro redes neurais possuem nove
entradas e apenas uma saı́da. O algoritmo de otimização utilizado é o Particle Swarm Op-
4.5. CONSIDERAÇÕES FINAIS 111
há poucas aplicações para este problema utilizando tanto as técnicas evolucionárias como
as técnicas de enxame de partı́culas.
Foram encontrados trabalhos que abordam o critério multiobjetivo no sentido de
otimizar o projeto de sistemas baseados em torres de resfriamento e chillers, considerando
como objetivos a maximização da efetividade da torre e a minimização dos custos rela-
tivos a aquisição, construção, manutenção e operação, de modo a otimizar a quantidade
e dimensionamento dos equipamentos, conforme reportado em (SAYYAADI; NEJATOLAHI,
2011) e (OZCAN; OZDEMIR; CILOGLU, 2013). No entanto, o escopo destes trabalhos não
diz respeito à otimização operacional, não levando em consideração as cargas instantâ-
neas, mas apenas as condições nominais dos equipamentos e seus custos de aquisição e
manutenção, sendo uma ferramenta limitada ao apoio à decisão durante a fase de projeto
e especificação dos equipamentos, não sendo condizente, portanto, com a proposta desta
dissertação.
No próximo capı́tulo são apresentadas as modelagens matemáticas utilizadas para
os equipamentos que compõem o sistema de refrigeração considerado neste trabalho.
Capı́tulo 5
MODELAGEM MATEMÁTICA
E
STE capı́tulo tem por objetivo apresentar a modelagem matemática adotada para
o sistema de refrigeração considerado nesta dissertação. A modelagem do sistema
é necessária para que sejam realizadas as simulações de otimização. Uma vez consolidada
a viabilidade de utilização da modelagem adotada, após análise dos resultados obtidos
com sua utilização, pode-se adotá-la de modo a validar os resultados das otimizações, por
meio da realização de simulações computacionais.
As Seções 5.1 e 5.2 apresentam, respectivamente, as modelagens adotadas para as
torres de resfriamento e para os chillers de compressão. Por fim, a Seção 5.3 apresenta os
resultados obtidos após a aplicação das modelagens adotadas.
onde dQtotal é o calor total trocado, dQconv é o calor trocado por convecção e dQevap
é o valor trocado por evaporação. Na transferência de calor por convecção, o calor é
transferido da água para o ar através do gradiente de temperatura estabelecido com ao
escoamento do ar em contato com a água. Portanto, tem-se:
onde ṁar é a vazão mássica do ar, em kg/s, e dhar é a variação de entalpia do ar, em
kcal/kg. A variação de entalpia do ar ocorre devido às parcelas de calor sensı́vel e calor
latente recebidas através da troca térmica com a água. Logo, o valor de har pode ser
aproximado como sendo:
har = cp Tar + Lc U Ear , (32)
onde cágua é o calor especı́fico da água, ṁágua é a vazão mássica da água e dTágua é a
variação de temperatura da água. Considerando-se que não há perda de massa de água
por evaporação, ou seja, que ṁágua é constante na torre de resfriamento, e utilizando as
equações definidas acima, tem-se que:
hconv
Lef = . (35)
hm cp
hm cp = hconv . (36)
obtendo-se:
hm dA cágua dTágua
= . (40)
ṁágua harsat − harseco
ṁáguaent Táguaent cágua − Qrej + ṁáguarep Táguarep cágua = ṁáguasai Táguasai cágua , (45)
onde ṁarseco representa a vazão mássica do ar seco que entra na torre, ṁarsat é a vazão
mássica do ar saturado que deixa a torre, ṁevap é a vazão mássica do ar que deixa a torre
devido à evaporação, ṁáguarep é a vazão mássica da água de reposição necessária devido
ao volume de água que deixa a torre devido à evaporação, Táguarep é a temperatura da
água de reposição, ṁáguaent é a vazão mássica da água quente que entra na torre, Táguaent
é a temperatura da água quente que entra na torre, ṁáguasai é a vazão mássica da água
fria que sai da torre, Táguasai é a temperatura da água fria que deixa a torre, TBS é a
temperatura de bulbo seco do ar e Qrej representa a quantidade de calor que é transferida
da água ao ar seco, tornando-o ar saturado. Qevap representa a quantidade de calor que é
retirada da água pelo processo de evaporação. A Figura 14 ilustra os processos descritos
pelas Equações 42–45.
ṁar CS
m∗ = · , (48)
ṁgua cágua
5.1. MODELAGEM DA TORRE DE RESFRIAMENTO 119
A modelagem adotada para a torre de resfriamento é disponı́vel em (LU; CAI, 2002). Esta
define que a efetividade de uma torre de resfriamento pode ser aproximada por uma
função de segunda ordem, a partir dos modelos de Merkel e Braun, baseando-se nas leis
fundamentais de transferência de calor e massa.
No modelo de Braun, de acordo com a Equação 49, realiza-se uma aproximação
linear para a variação da entalpia do ar saturado com relação à temperatura. No caso,
obtém-se a variação da entalpia de saturação com base na diferença de temperatura ve-
rificada entre a água quente que chega à torre e a água fria que a deixa (BRAUN; KLEIN;
MITCHEL, 1989). Esta foi a premissa adotada por Braun para o cálculo de CS , conforme
indicado na Equação 49.
5.1. MODELAGEM DA TORRE DE RESFRIAMENTO 120
Ainda com base nas leis de conservação de massa e energia, ∆h pode ser definido como
ṁar
função de ∆T , que por sua vez, também é função de ṁágua
e (Táguaent − TBU ), ou seja,
ṁar
f2 (∆h) = f2 , (Táguaent − TBU ) . (53)
ṁágua
ṁar
x= , e y = (Táguaent − TBU ). (56)
ṁágua
da resposta da torre de resfriamento, a série de Taylor será utilizada até a segunda ordem,
de modo a representá-la corretamente.
∂f (x0 , y0 ) ∂f (x0 , y0 )
f (x, y) = f (x0 , y0 ) + (x − x0 ) + (y − y0 )
∂x ∂y
2 2
1 ∂ f (x0 , y0 ) 2 ∂ f (x0 , y0 )
+ · (x − x0 ) + · (y − y0 )2 + (57)
2! ∂x2 ∂y 2
2 2
∂ f (x0 , y0 ) 2 ∂ f (x0 , y0 )
· (y − y0 ) + 2 · (x − x0 )(y − y0 ) .
∂y 2 ∂x∂y
Na Equação 57, (x0 ,y0 ) representa qualquer ponto de operação da torre de resfri-
amento próximo a uma condição hipotética (x,y). O ponto (x0 ,y0 ) pode ser determinado
∂f (x0 ,y0 ) ∂f (x0 ,y0 ) ∂ 2 f (x0 ,y0 )
experimentalmente, permitindo tratar os termos f (x0 , y0 ), ∂x
, ∂y
, ∂x2
,
∂ 2 f (x0 ,y0 ) ∂ 2 f (x0 ,y0 )
∂y 2
e ∂x∂y
como constantes, as quais serão representadas pelos coeficientes c0 ,
ṁar
c1 , c2 , c3 , c4 e c5 . Logo, substituindo ṁágua
e (Táguaent − TBU ), respectivamente, pelas
variáveis x e y na Equação 57, obtém-se:
a = c0 + c1 x + c2 y + c3 x2 + c4 y 2 + c5 xy, (58)
onde Fdadosi representa um ponto na curva real obtida através dos levantamentos de
campo, e N é o número de pontos utilizados para a obtenção de Fdados .
De modo a obterem-se bons resultados, a quantidade de pontos adquiridos deve
ser maior do que a quantidade de coeficientes, ou seja, N ≥ 6. Além disso, os pontos
levantados devem apresentar a maior distribuição possı́vel dentro da faixa de operação
da torre de resfriamento. Em (LU; CAI, 2002) utilizou-se os métodos de Gauss-Newton e
Levemberg-Marquardt para a obtenção dos coeficientes c0 a c5 .
5.1. MODELAGEM DA TORRE DE RESFRIAMENTO 123
A partir da Equação 61, pode-se estimar como varia a temperatura da água que
deixa a torre de resfriamento em função da vazão mássica de ar induzida na torre, i.e, em
função da velocidade do ventilador. A Equação 61 leva em consideração a temperatura
de saı́da do condensador do chiller, Táguaent , a qual é função da carga térmica do sistema.
Ainda referente à Equação 61, a temperatura de bulbo úmido, TBU , é de extrema
importância para a obtenção da velocidade ótima do ventilador, pois ela representa o
valor mı́nimo teórico de temperatura que pode ser atingido pela água que deixa a torre,
Táguasai . A temperatura desta água nunca poderá ser inferior à temperatura de bulbo
úmido, devido à saturação das moléculas de ar durante o processo de transferência de
massa que ocorre entre a água quente e o ar seco induzido na torre. A temperatura de
bulbo úmido pode ser calculada em função da temperatura ambiente e da umidade relativa
do ar, ambas medidas no local de instalação da torre de resfriamento.
A água que deixa a torre de resfriamento corresponde à água que entra no con-
densador do chiller. Desconsiderando-se as perdas térmicas no trecho entre a saı́da da
torre de resfriamento e a entrada do condensador, conclui-se que a temperatura da água
que deixa a torre é igual à temperatura da água que entra no condensador do chiller.
Esta última influencia diretamente no rendimento do chiller, e consequentemente, em seu
consumo energético. Dessa forma, a temperatura de saı́da da torre definida pela Equação
61 deve ser avaliada com relação à sua influência no consumo energético do chiller, de
forma a obter a melhor condição operacional do chiller e da torre de resfriamento, visando
a uma eficiência energética com o menor detrimento à efetividade da torre.
5.1. MODELAGEM DA TORRE DE RESFRIAMENTO 124
Dessa forma, ao reduzir a rotação do motor de n1 para n2 , aplicando a Equação 63, tem-se:
obtendo-se: 3
n2
P2 = P1 · , (66)
n1
onde é possı́vel verificar que a potência demandada cai com a potência cúbica da redução
da rotação do motor. Portanto, a redução da velocidade dos ventiladores das células das
torres de resfriamento deve reduzir significativamente o seu consumo energético.
5.2. MODELAGEM DO CHILLER DE COMPRESSÃO 125
Dessa forma, a potência elétrica demandada por cada ventilador da torre de res-
friamento, Pv , em kW, para uma determinada velocidade, pode ser definida como:
3
√
ṁar
Pv = 3Vn In · F P (n) · , (67)
ṁarn
onde Vn e In representam, respectivamente, a tensão e corrente nominais dos motores
dos ventiladores, F P (n) representa o fator de potência do motor, o qual é função de sua
rotação n, ṁar representa a vazão mássica de ar induzida pelo ventilador, e ṁarn , a vazão
mássica de ar nominal do ventilador.
A velocidade ajustada para o ventilador é proporcional à vazão de ar obtida. Por-
tanto, a Equação 67 também pode ser definida em função da velocidade dos ventiladores.
O valor ótimo da velocidade a ser adotada para os ventiladores das torres de resfriamento
será definido pelo sistema de otimização, tendo como objetivo obter o melhor compro-
misso entre a minimização do consumo energético global do sistema de resfriamento e a
maximização da efetividade da torre de resfriamento.
O fator de potência de um motor elétrico, assim como seu rendimento, são não-
lineares em função da sua rotação n, principalmente devido ao aumento do aquecimento
interno para velocidades inferiores à nominal. Portanto, de modo a estimar o consumo
energético dos motores dos ventiladores para uma dada velocidade, levando em conside-
ração estas não-linearidades, é adotado o modelo da Equação 68:
√
Pv = 3Vn In (d0 n3 + d1 n2 + d2 n + d3 ), (68)
onde os coeficientes d0 -d5 poderão ser obtidos a partir de técnicas de regressão não-linear.
O consumo dos ventiladores é pequeno quando comparado ao valor do consumo
dos chillers. No entanto, a operação dos ventiladores em baixa velocidade proporciona
uma economia de energia considerável, uma vez que se trata de um equipamento que
apresenta funcionamento contı́nuo. Por exemplo, uma operação com 50% da velocidade
nominal proporciona uma economia de energia em torno de 87,5%, uma vez que o motor
consume em torno de 1/8 da potência nominal.
Pchiller = Qchillernom EIRnom ZCAP (Taecond , Tasevap )ZEIR (Taecond , Tasevap )ZEIR (P LR), (70)
onde Qchiller,nom representa a capacidade nominal do chiller, EIRnom (Energy Input Ratio
nominal) é a razão entre a potência elétrica e a capacidade térmica nominais informada
pelo fabricante do chiller, ZCAP (Taecond , Tasevap ) é o fator de correção da capacidade do
chiller, o qual depende das temperaturas de entrada no condensador e de saı́da no eva-
porador, ZEIR (Taecond , Taschiller ) é o fator de correção do EIR, o qual também depende
das temperaturas de entrada no condensador e de saı́da no evaporador, e ZEIR (P LR) é
o fator de correção do EIR, o qual depende do fator de carga térmico do chiller (P LR -
Part Load Ratio), que, no caso, representa a condição de carga parcial do chiller.
Nesta dissertação, são comparados dois cenários para a otimização, o que demanda
a obtenção de duas modelagens distintas para os chillers:
Considerando o primeiro cenário citado, com base na Equação 70, tem-se que a
obtenção de Pchiller depende de Tasevap , a qual é fixa e previamente ajustada nos chil-
5.2. MODELAGEM DO CHILLER DE COMPRESSÃO 127
lers. Portanto, esta variável deve ser desconsiderada no cálculo dos fatores ZCAP e ZEIR
indicados na Equação 70 para a aplicação proposta nesta dissertação. No entanto, ao
manter Tasevap fixa na Equação 70, assume-se que os fatores ZCAP e ZEIR são obtidos
somente em função de Taecond , o que não é verdade, necessitando-se de outra informação
a respeito do evaporador do chiller a ser aplicada na modelagem de seu consumo, uma
vez que as temperaturas de entrada e saı́da do evaporador influenciam na determinação
de seu consumo energético. No caso, quanto maior a temperatura da água de entrada do
evaporador, maior é o seu consumo, e quanto mais baixa a temperatura da água de saı́da
do evaporador, também maior é o seu consumo. Dessa forma, para o primeiro cenário
citado, considerou-se a utilização de Taeevap ao invés de Tasevap no modelo do consumo
do chiller por meio dos fatores ZCAP e ZEIR . A substituição é válida e a motivação é
fundamentada no fato de que Taeevap representa a condição de carga térmica do sistema,
pois se trata da temperatura da água que retorna do processo. Uma vez que Tasevap é fixa,
Taeevap passa a ser a referência para estimar-se a carga térmica do chiller.
Dessa forma, para a modelagem da potência elétrica demanda pelos chillers con-
siderando o primeiro cenário, utilizou-se uma aproximação da abordagem apresentada
por (ZMEUREANU; ZELAYA; GIGUERE, 2002) e (BRANDEMUEL; GABEL; ANDERSEN, 1993),
onde os fatores: ZCAP e ZEIR são obtidos em função de Taecond e Taeevap . Após a imple-
mentação das modificações citadas, verificou-se que a utilização do fator ZEIR (P LR)
prejudicou os resultados da modelagem de Pchiller , sendo este, portanto, desconsiderado
na nova modelagem definida. Portanto, a modelagem de Pchiller para o primeiro cenário
considerado nesta dissertação é definido pela Equação 71:
Pchiller = Qchillernom EIRnom ZCAP1 (Taeevap , Taecond )ZEIR (Taecond , Taeevap ). (71)
Ainda na Equação 73, o fator ZEIR , diferentemente do indicado na Equação 70, é ob-
tido em função de Taecond e Taeevap , de modo a manter a similaridade ao modelo adotado
para o primeiro cenário. Após a implementação das modificações citadas, de forma si-
milar ao verificado na modelagem do primeiro cenário, constatou-se que a utilização do
fator ZEIR (P LR) prejudicou os resultados da modelagem de Pchiller , desconsiderando-se,
portanto, a utilização deste fator na modelagem adotada para o segundo cenário. Dessa
forma, a modelagem de Pchiller para o segundo cenário é definida na Equação 73:
Pchiller = Qchillernom EIRnom ZCAP2 (∆Tag , Taecond )ZEIR (Taecond , Taeevap ). (73)
2 2
ZCAP1 = b0 + b1 Taeevap + b2 Taeevap
+ b3 Taecond + b4 Tae cond
+ b5 Taeevap Taecond , (74)
2 2 2 2
ZCAP2 = b0 + b1 ∆Tag + b2 ∆Tag + b3 Taecond + b4 Tae cond
+ b5 ∆Tag Taecond + b6 ∆Tag Taecond
, (75)
5.3. APLICAÇÃO DAS MODELAGENS ADOTADAS 129
2 2
ZEIR = a0 + a1 Taeevap + a2 Tae evap
+ a3 Taecond + a4 Taecond
+ a5 Taeevap Taecond . (76)
O valor obtido para Tascond será utilizado nas funções de restrição, de modo a
atender aos limites operacionais da torre de resfriamento, e também na determinação da
nova efetividade da torre de resfriamento.
Coeficiente Valor
c0 0,0262
c1 0,4935
c2 0,1435
c3 -0,0289
c4 -0,0129
c5 -0,0533
No caso, tem-se que a vazão de ar varia com a velocidade dos ventiladores da torre. Esta
curva depende dos valores de temperatura da água de entrada na torre e da temperatura
de bulbo úmido. Nesta, é considerada uma temperatura de entrada na torre de 25, 9◦ C e
uma temperatura de bulbo úmido de 22, 2◦ C.
A Figura 16(b) indica a variação da temperatura da água de saı́da da torre de
resfriamento em função da variação da razão entre as vazões de ar e água, G, obtida a
partir da Equação 61, considerando a aplicação dos coeficientes c0 –c5 da Tabela 4. Na
modelagem da temperatura da água de saı́da da torre, obteve-se um MSE de 1, 95 × 10−2
e R2 de 0,9546, resultado este que valida o modelo adotado.
1 25
24.5
0.9
24
Efetividade da transferência de calor
23.5
0.8
23
0.7 22.5
22
0.6
21.5
21
0.5
20.5
0.4 20
0.5 1 1.5 2 2.5 3 0.5 1 1.5 2 2.5 3
Razão entre vazões mássicas de ar e água (G) Razão entre vazões mássicas de ar e água (G)
Figura 16: Resultados obtidos para a modelagem da torre de resfriamento, obtidos com
Táguaent = 25, 9◦ C e TBU = 22, 2◦ C.
28
27
26
Temperatura (°C)
25
24
23
22 valores reais
modelagem
21
0 5 10 15 20 25 30
tempo (h)
30
25
20
Potência (kW)
15
10
0
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1
fração da rotação nominal
Os coeficientes obtidos foram aplicados a uma base de dados composta por 21835
pontos, obtendo-se o resultado apresentado na Figura 19, o qual, diferentemente do indi-
cado na Figura 18 ilustra a aplicação da modelagem ao conjunto de ventiladores que se
encontravam em funcionamento durante a coleta dos dados de campo. Na Figura 19 é
possı́vel comparar os valores reais com os obtidos por meio da modelagem. Neste caso,
obteve-se um MSE de 1,1609 e um R2 de 0,9947, resultado este que valida a modelagem.
5.3. APLICAÇÃO DAS MODELAGENS ADOTADAS 134
90
80
70
60
Potência (kW)
50
40
30
valores reais
modelagem
20
10
0 5 10 15 20 25 30
tempo (h)
Figura 19: Consumo real dos ventiladores da torre de resfriamento vs. valores obtidos
utilizando a modelagem adotada.
Após a coleta de dados do sistema de resfriamento foi possı́vel obter a modelagem do chiller
de compressão a partir da determinação dos coeficientes b0 –b5 , referentes à modelagem
dos fatores ZCAP1 e ZCAP2 , conforme indicado nas Equações 74 e 75, respectivamente. Da
mesma forma, foram obtidos os coeficientes a0 -a5 , referentes à modelagem do fator ZEIR ,
conforme indicado na Equação 76.
Utilizou-se o método de Levemberg-Marquardt como técnica de regressão não-
linear para a obtenção dos coeficientes dos fatores ZCAP1 , ZCAP2 e ZEIR . A Tabela 6
indica os coeficientes obtidos para o fator ZCAP1 , com base na utilização da Equação 74.
A tabela 7 indica os coeficientes obtidos para o fator ZCAP2 , com base na utilização da
5.3. APLICAÇÃO DAS MODELAGENS ADOTADAS 135
Equação 75. Já a Tabela 8 indica os coeficientes obtidos para o fator ZEIR com base na
utilização da modelagem indicada na Equação 76.
Na Figura 20(a), observa-se que à medida que Taecond é reduzida, reduz-se também
o fator de carga do chiller, conforme previsto. O resultado da modelagem de ZEIR pode
ser observado através da Figura 21, onde observa-se que, à medida que Taecond e Taeevap
reduzem, reduz-se também o fator EIR/EIRnom , o que representa uma condição de
menor consumo elétrico do chiller. Analisando a curva apresentada na Figura 20(a)
conjuntamente com a apresentada na Figura 21, observa-se que a temperatura de retorna
da água gelada, Taeevap , exerce uma maior influência sobre o fator de carga do chiller.
5.3. APLICAÇÃO DAS MODELAGENS ADOTADAS 137
1100
1000
900
800
Potência (kW) - modelagem
700
600
500
400
300
valores reais
modelagem
200
100
0 5 10 15 20 25 30
tempo (h)
Figura 22: Consumo real dos chillers vs. modelagem utilizando o fator ZCAP1 .
1200
valores reais
modelagem
1000
800
Potência (kW) - modelagem
600
400
200
0
0 5 10 15 20 25 30
tempo (h)
Figura 23: Consumo real dos chillers vs. modelagem utilizando o fator ZCAP2 .
36
34
32
Temperatura (°C)
30
28
26
24 valores reais
modelagem
22
0 5 10 15 20 25 30
tempo (h)
1200
valores reais
modelagem
1100
1000
900
800
Potência (kW)
700
600
500
400
300
200
0 5 10 15 20 25 30
tempo (h)
Figura 25: Demanda energética global real vs. modelagem utilizando o fator ZCAP1 .
1200
valores reais
modelagem
1100
1000
900
800
Potência (kW)
700
600
500
400
300
200
0 5 10 15 20 25 30
tempo (h)
Figura 26: Demanda energética global real vs. modelagem utilizando o fator ZCAP2 .
Já com a utilização do fator ZCAP2 na modelagem dos chillers, obteve-se um MSE
de 1, 6 × 10−3 e um R2 de 0, 9756 na modelagem da demanda de potência elétrica global
do sistema de refrigeração, utilizando a mesma base de dados de 21385 pontos, resultado
este que valida a modelagem do consumo energético global utilizando o fator ZCAP2 .
A modelagem do consumo global do sistema de refrigeração utilizando o fator
ZCAP1 apresentou um resultado mais preciso do que o apresentado com a utilização do
fator ZCAP2 , portanto, aproximando-se mais dos valores reais, conforme pode ser verificado
ao comparar os resultados apresentados nas Figuras 25 e 26.
N
ESTE capı́tulo são apresentados os resultados obtidos após aplicação dos algo-
ritmos de otimização multiobjetivo NSGA-II, SPEA2, Micro-GA, MOPSO e MO-
TRIBES para a solução do problema multiobjetivo proposto. Os resultados são apresenta-
dos considerando os diferentes critérios de parada estabelecidos, assim como as distintas
modelagens adotadas para o chiller de compressão: ZCAP1 e ZCAP2 . Cada algoritmo é
aplicado considerando os seguintes critérios de parada:
• Após 50 iterações; e
• Após 90 segundos.
tem-se que somente após 30 minutos seria definido um novo setpoint para a velocidade
dos ventiladores, e devido a uma possı́vel variação de carga térmica após este intervalo de
tempo, o setpoint de velocidade obtido possivelmente não corresponderia mais à solução
ótima naquele instante. Dessa forma, considerou-se que o sistema de apoio a decisão a
ser implementado deveria obter a solução ótima para o sistema em um intervalo de tempo
máximo equivalente a 10% do atraso de transporte, ou seja, após 90 segundos.
Os algoritmos foram aplicados a uma base de dados reais do sistema, coletada
em campo utilizando o banco de dados do sistema SCADA (Supervisory Control and
Data Aquisition) existente. Foi coletado um total de 21385 pontos operacionais, um a
cada intervalo de 5 segundos, correspondendo a 29 horas e 42 minutos de operação. Os
dados foram coletados em dias e horários distintos, de modo a contemplar diferentes
condições de carga térmica, assim como diferentes condições climáticas. Os valores da
temperatura de bulbo úmido no local foram coletados a partir da base de dados do INPE,
disponibilizada em (INPE, 2014). No caso, foram utilizados os valores registrados pela
estação meteorológica do aeroporto Santos Dummont (RJ), o qual se situa a 1,48 km do
local onde as torres de resfriamento se encontram instaladas.
Os dados disponibilizados pelo INPE apresentam as temperaturas de bulbo úmido
no local, TBU , a cada intervalo de uma hora. Dessa forma, como a modelagem adotada
para a torre de resfriamento depende de TBU , tem-se que, inevitavelmente, os algoritmos
de otimização tiveram de ser aplicados a cada intervalo de uma hora utilizando a base
de dados coletada. Essa mesma estratégia foi adotada em (LEE; CHENG, 2012), (LIU;
CHUAH, 2011), (KUSIAK; XU; TANG, 2011), (KUSIAK; LI; TANG, 2010) e (KIE; THENG,
2009). A utilização de um intervalo de uma hora entre as implementações das otimizações
é justificada com base no fato de que a variação de carga térmica, em edifı́cios (o que inclui
a aplicação proposta nesta dissertação), na maioria dos casos verificados na comunidade
cientı́fica, somente é expressiva após um intervalo de uma hora.
Devido ao fato dos dados de campo terem sido coletados em dias e horários dis-
tintos, foi possı́vel utilizar 35 pontos operacionais para implementação das otimizações
(embora o intervalo de tempo total da base de dados coletada corresponda a 29 horas
e 42 minutos), pois este valor corresponde ao total de horários em que os registros de
campo correspondem aos horários dos registros disponibilizados pelo INPE para as condi-
ções climáticas locais, uma vez que a implementação das otimizações depende dos valores
6.1. FUNÇÕES OBJETIVO IMPLEMENTADAS 144
TBU . Dessa forma, utilizando a base de dados coletada, tem-se que, de modo a realizar a
otimização a cada intervalo de uma hora, foram realizadas 35 otimizações com os pontos
operacionais indicados na Tabela 1 do Apêndice A, onde as temperaturas estão indicadas
em ◦ C, e as vazões, em kg/s. Observa-se nesta tabela que no perı́odo em que foram
coletados os dados de campo, foram utilizados, no máximo, dois chillers, uma vez que os
demais chillers operam somente nos verões mais quentes, permanecendo à disposição nos
demais perı́odos como reserva ou redundância, condição esta já prevista antes da coleta
dos dados de campo, e que não prejudica a avaliação dos resultados, uma vez que a base
de dados utilizada nas otimizações para os 21385 pontos coletados corresponde à mesma
base de dados utilizada para obtenção das modelagens dos equipamentos.
3 2
√
ṁar ṁar ṁar
Minimizar: f 2 = n1 3Vn In d0 . ṁar + d1 . ṁar + d2 . ṁar + d3 +
n n n
(81)
onde os fatores ZCAP e ZEIR indicados na Equação 81 são dados pelas Equações 82–85,
obtidos na Seção 5.2:
2 2
ZCAP1 = b0 + b1 Taeevap + b2 Taeevap
+ b3 Taecond + b4 Taecond
+ b5 Taeevap Taecond , (82)
2 2 2 2
ZCAP2 = b0 + b1 ∆Tag + b2 ∆Tag + b3 Taecond + b4 Tae cond
+ b5 ∆Tag Taecond + b6 ∆Tag Taecond
, (83)
6.2. METODOLOGIA DE ESCOLHA DA SOLUÇÃO ÓTIMA 145
A adoção destes critérios foi realizada com base em (SAYYAADI; NEJATOLAHI, 2011), o
qual considera a utilização da menor média quadrática dos objetivos normalizados como
técnica de escolha da melhor solução para um problema de otimização multiobjetivo onde o
sistema de apoio à decisão implementado deve fornecer os melhores parâmetros de projeto
de uma torre de resfriamento de modo a maximizar seu rendimento térmico previsto e
minimizar os custos relacionados à aquisição, construção, operação e manutenção. Dessa
6.2. METODOLOGIA DE ESCOLHA DA SOLUÇÃO ÓTIMA 146
forma, os outros dois critérios definidos (menores média aritmética e geométrica) foram
estabelecidos nesta dissertação como alternativas à estratégia de adoção da menor média
quadrática, de modo a avaliar o uso destas como critério de escolha, comparando-os.
Inicialmente, a normalização dos dados é necessária uma vez que os objetivos
definidos para o problema possuem valores com magnitudes bem distintas. No caso, o
consumo elétrico global do sistema de resfriamento é da ordem de centenas de milhares de
Watts. Já a efetividade da torre de resfriamento é unidimensional e varia de 0 a 1. Dessa
forma, tem-se que a escolha da melhor solução utilizando uma regra pré-definida deve ser
baseada nos valores dos objetivos normalizados de 0 a 1, de modo a evitar a preferência
ao objetivo cujos valores possuem maior magnitude. Para normalizar os objetivos de 0 a
1, utilizou-se as Equações 90 e 91 para cada solução do conjunto Pareto-ótimo obtido:
a − amin
an = , (90)
amax − amin
Ptotal − Ptotalmin
Ptotaln = , (91)
Ptotalmax − Ptotalmin
onde an representa a efetividade normalizada, amin e amax representam, respectivamente,
as efetividades mı́nima e máxima obtidas no conjunto de soluções Pareto-ótimo. Da
mesma forma, Ptotaln representa a potência total normalizada, Ptotalmin e Ptotalmax repre-
sentam, respectivamente, as potências totais mı́nima e máxima obtidas a partir do con-
junto de soluções Pareto-ótimo. Os valores da efetividade e da potência total são obtidos
a partir das Equações 80 e 81, respectivamente.
Os critérios definidos para a escolha da solução ótima são descritos por meio das
Equações 92–94:
q
2 2
soluçãocritério1 = min w1 an + w2 Ptotaln , (92)
w1 an + w2 Ptotaln
soluçãocritério2 = min , (93)
2
p
soluçãocritério3 = min w1 an w2 Ptotaln , (94)
1010 1.5
objetivos normalizados
1000 média quadrática dos objetivos
WŽƚġŶĐŝĂŐůŽďĂůŶŽƌŵĂůŝnjĂĚĂ
990 ƉƌŝŽƌŝnjĂɸĂ
1
Potência global (kW)
980
Potência
970
0.5
960 ƉƌŝŽƌŝnjĂWƚŽƚĂů
950
940 0
0.655 0.66 0.665 0.67 0.675 0.68 0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1
Efetividade da Torre ɸEfetividade da Torre
Ă ŶŽƌŵĂůŝnjĂĚŽ
Figura 27: Escolha da solução ótima com base na menor média quadrática dos objetivos:
maximização de a e minimização de Ptotal normalizados.
No nosso caso, verificou-se que para aplicar os critérios de escolha definidos, deve-
se considerar a minimização das duas funções objetivo, pois o cálculo da média quadrática
das funções objetivo a partir da maximização de f1 e minimização de f2 resulta sempre
na convergência para o ponto do conjunto de soluções Pareto-ótimas que representa o
menor consumo de energia elétrica, conforme indicado na Figura 27(b). A Figura 27(b)
foi obtida a partir da fronteira de Pareto indicada na Figura 27(a), onde pode-se verificar
o conjunto de soluções Pareto-ótimas obtidas para o ponto operacional número 15 da base
6.2. METODOLOGIA DE ESCOLHA DA SOLUÇÃO ÓTIMA 148
de dados utilizada nas simulações de otimização, o qual pode ser consultado no Apêndice
A.
A melhor solução deve ser aquela que representa o melhor compromisso entre os
objetivos conflitantes propostos. Dessa forma, devem ser adotados os critérios de escolha
definidos pelas Equações 95–97, onde observa-se que, diferentemente do indicado nas
Equações 92–94, objetiva-se a minimização do inverso da efetividade, ou seja, 1/a :
r
w1 2
soluçãocritério1 = min + w2 Ptotaln , (95)
2an
w1 /an + w2 Ptotaln
soluçãocritério2 = min , (96)
2
r
w1
soluçãocritério3 = min · w2 Ptotaln , (97)
an
onde, nesta dissertação, considerou-se w1 = w2 .
A Figura 28 ilustra a necessidade de adotar a minimização dos objetivos para a
obtenção da melhor solução. No caso, utilizou-se a menor média quadrática como crité-
rio de decisão para escolha da solução ótima, com base na Equação 95. Observa-se que o
ponto mı́nimo da curva da média quadrática dos objetivos normalizados pode ser utilizado
como um separador entre as regiões que favorecem um objetivo em detrimento ao outro.
Conforme indicado, à medida que se desloca à esquerda do ponto mı́nimo desta curva,
tem-se a crescente preferência ao objetivo minimizar 1/a , o que é obtido por meio de um
crescente aumento de Ptotal . Em contrapartida, à medida que se desloca à direita deste
ponto, tem-se a crescente preferência ao objetivo minimizar Ptotal , provocando uma cres-
cente incremento em 1/a , uma vez que a redução da potência dos chillers e ventiladores
da torre tende a provocar um aumento na temperatura da água de condensação.
As Figuras 29(a) e 29(b) apresentam os resultados da aplicação dos critério de
decisão baseados, respectivamente, nas menores médias aritmética e geométrica dos ob-
jetivos normalizados. No caso, observou-se que a aplicação de ambos os métodos não
permite identificar um ponto da fronteira de Pareto que estabeleça uma separação entre
as regiões que favorecem um objetivo em detrimento a outro, diferentemente do que ocorre
no método que utiliza a média quadrática, conforme indicado na Figura 28. Dessa forma,
nesta dissertação, o critério a ser utilizado para escolha da solução ótima do problema
multiobjetivo proposto será apenas a menor média quadrática dos objetivos normalizados,
descartando-se a utilização dos demais critérios de decisão inicialmente considerados.
6.3. RESULTADOS DA MODELAGEM ZCAP1 149
1
objetivos normalizados
0.9
média quadrática dos objetivos
0.8
Potência global normalizada ƉƌŝŽƌŝnjĂɸĂ ƉƌŝŽƌŝnjĂWƚŽƚĂů
0.7
0.6
0.5 ƐŽůƵĕĆŽſƚŝŵĂ
ĞƐĐŽůŚŝĚĂ
0.4
0.3
0.2
0.1
0
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1
1/Efetividade da Torre
Figura 28: Critério a ser adotado para escolha da solução ótima com base na menor
média quadrática dos objetivos: (1) minimização de 1/a e (2) minimização de Ptotal
normalizados, a partir da fronteira de Pareto obtida utilizando o algoritmo MOPSO.
1 1
objetivos normalizados objetivos normalizados
0.9 0.9
média aritmética dos objetivos média geométrica dos objetivos
0.8 0.8
ŐůŽďĂůŶŽƌŵĂůŝnjĂĚĂ
ŐůŽďĂůŶŽƌŵĂůŝnjĂĚĂ
normalizada
normalizada
0.7 0.7
0.6 0.6
WŽƚġŶĐŝĂglobal
WŽƚġŶĐŝĂglobal
0.5 0.5
0.4 0.4
Potência
Potência
0.3 0.3
0.2 0.2
0.1 0.1
0 0
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1 0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1
1/Efetividade da Torre 1/Efetividade da Torre
ϭͬɸ ŶŽƌŵĂůŝnjĂĚŽ
ϭͬɸ Ă ŶŽƌŵĂůŝnjĂĚŽ Ă
Figura 29: Critérios não aplicáveis à escolha da solução ótima com base nos objetivos:
minimização de 1/a e minimização de Ptotal normalizados.
880 1000
870 990
Potência elétrica global (kW)
850 970
840 960
830 950
820 940
810 930
0.64 0.645 0.65 0.655 0.66 0.665 0.67 0.675 0.81 0.82 0.83 0.84 0.85 0.86 0.87 0.88 0.89
Efetividade da torre de resfriamento Efetividade da torre de resfriamento
390 960
385 950
380
Potência elétrica global (kW)
Potência elétrica global (kW)
940
375
930
370
920
365
910
360
900
355
350 890
0.77 0.78 0.79 0.8 0.81 0.82 0.83 0.84 0.85 0.8 0.81 0.82 0.83 0.84 0.85 0.86 0.87
Efetividade da torre de resfriamento Efetividade da torre de resfriamento
Figura 30: Fronteiras de Pareto e soluções ótimas obtidas para 4 dos 35 pontos operacio-
nais utilizados na implementação da otimização com o NSGA-II, utilizando a modelagem
ZCAP1 com critério de parada após 50 iterações.
880 1000
870 990
850 970
840 960
830 950
820 940
810 930
0.64 0.645 0.65 0.655 0.66 0.665 0.67 0.675 0.81 0.82 0.83 0.84 0.85 0.86 0.87 0.88 0.89
Efetividade da torre de resfriamento Efetividade da torre de resfriamento
390 960
385 950
380
Potência elétrica global (kW)
375
930
370
920
365
910
360
355 900
350 890
0.77 0.78 0.79 0.8 0.81 0.82 0.83 0.84 0.85 0.8 0.81 0.82 0.83 0.84 0.85 0.86 0.87
Efetividade da Torre Efetividade da torre de resfriamento
Figura 31: Fronteiras de Pareto e solução ótima obtidos para 4 dos 35 pontos operacio-
nais utilizados na implementação da otimização com o NSGA-II, utilizando a modelagem
ZCAP1 com critério de parada após 90 segundos.
zação do critério de escolha adotado, ou seja, a solução que após 50 iterações apresenta a
menor média quadrática dos objetivos normalizados, verificou-se que a velocidade ótima
obtida corresponde a uma redução de 16, 30% na velocidade ótima obtida pelo NSGA-II,
ocasionando uma redução de 1, 65% na efetividade da torre em favor de uma redução de
apenas 0, 89% no consumo de energia elétrica global, ambos comparados aos resultados
obtidos com a aplicação da solução ótima fornecida pelo NSGA-II. Dessa forma, a redu-
ção verificada na efetividade supera em 79, 35% a economia de energia elétrica obtida,
constatando-se uma redução significativa no desempenho energético do sistema. Isto se
deve ao fato do RS não convergir, mesmo aplicando-se o critério de escolha da solução
ótima (ao contrário do que os algoritmos de otimização fazem), para a melhor solução para
o problema de otimização multiobjetivo proposto, ou seja, que reduz o consumo energético
em detrimento à menor redução possı́vel na efetividade da torre de resfriamento, uma vez
que o RS não se trata de um algoritmo de otimização.
880 1000
870 990
Potência elétrica global (kW)
850 970
840 960
830 950
820 940
810 930
0.655 0.66 0.665 0.67 0.675 0.68 0.685 0.69 0.79 0.8 0.81 0.82 0.83 0.84 0.85 0.86 0.87
Efetividade da torre de resfriamento Efetividade da torre de resfriamento
390 960
385 950
380
940
375
930
370
920
365
910
360
900
355
350 890
0.79 0.8 0.81 0.82 0.83 0.84 0.85 0.86 0.87 0.77 0.78 0.79 0.8 0.81 0.82 0.83 0.84 0.85
Efetividade da torre de resfriamento Efetividade da torre de resfriamento
Figura 32: Fronteiras de Pareto e soluções ótimas obtidas para 4 dos 35 pontos operaci-
onais utilizados na implementação da otimização com o SPEA2, utilizando a modelagem
ZCAP1 com critério de parada após 50 iterações.
880 1000
850 970
840 960
830 950
820 940
810 930
0.655 0.66 0.665 0.67 0.675 0.68 0.685 0.69 0.79 0.8 0.81 0.82 0.83 0.84 0.85 0.86 0.87
Efetividade da torre de resfriamento Efetividade da torre de resfriamento
390 960
385 950
380
Potência elétrica global (kW)
375
930
370
920
365
910
360
355 900
350 890
0.79 0.8 0.81 0.82 0.83 0.84 0.85 0.86 0.87 0.77 0.78 0.79 0.8 0.81 0.82 0.83 0.84 0.85
Efetividade da torre de resfriamento Efetividade da torre de resfriamento
Figura 33: Fronteiras de Pareto e solução ótima obtidos para 4 dos 35 pontos operacionais
utilizados na implementação da otimização com o SPEA2, utilizando a modelagem ZCAP1
com critério de parada após 90 segundos.
Já nas Figuras 32 e 33, observa-se que as fronteiras de Pareto obtidas para as
condições de parada após 50 iterações e 90 segundos são praticamente idênticas, e que as
soluções ótimas se encontram na mesma região das fronteiras de Pareto, constatando-se
a devida convergência do algoritmo.
De modo a justificar a utilização de algoritmos de otimização multiobjetivo no
problema proposto nesta dissertação, aplicou-se o algoritmo RS ao ponto operacional 31,
no intuito de verificar a solução ótima obtida por este após 50 iterações, conforme pode
ser observado na Figura 32, onde a solução ótima obtida pelo RS está indicada com um
triângulo. Comparando a solução ótima obtida pelo RS após utilização do critério de esco-
lha adotado, ou seja, a solução que após 50 iterações apresenta a menor média quadrática
dos objetivos normalizados, verificou-se que a velocidade ótima obtida corresponde a uma
redução de 22, 31% na velocidade ótima obtida pelo SPEA2, ocasionando uma redução
de 2, 66% na efetividade da torre em favor de uma redução de apenas 1, 45% no consumo
6.3. RESULTADOS DA MODELAGEM ZCAP1 156
de energia elétrica global, ambos comparados aos resultados obtidos com a aplicação da
solução ótima fornecida pelo SPEA2. Dessa forma, a redução verificada na efetividade
supera em 83, 45% a economia de energia elétrica obtida, constatando-se uma redução
significativa no desempenho energético do sistema. Isto se deve ao fato do RS não con-
vergir, mesmo aplicando-se o critério de escolha da solução ótima (ao contrário do que os
algoritmos de otimização fazem), para a melhor solução para o problema de otimização
multiobjetivo proposto, ou seja, que reduz o consumo energético em detrimento à menor
redução possı́vel na efetividade da torre de resfriamento, uma vez que o RS não se trata
de um algoritmo de otimização.
880 1000
870 990
Potência elétrica global (kW)
850 970
840 960
830 950
820 940
810 930
0.655 0.66 0.665 0.67 0.675 0.68 0.685 0.69 0.79 0.8 0.81 0.82 0.83 0.84 0.85 0.86 0.87
Efetividade da torre re resfriamento Efetividade da torre de resfriamento
390 960
385
950
380
Potência elétrica global (kW)
Potência elétrica global (kW)
940
375
370 930
365
920
360
910
355
350 900
0.79 0.8 0.81 0.82 0.83 0.84 0.85 0.86 0.87 0.77 0.78 0.79 0.8 0.81 0.82 0.83 0.84 0.85
Efetividade da torre de resfriamento Efetividade da torre de resfriamento
Figura 34: Fronteiras de Pareto e soluções ótimas obtidas para 4 dos 35 pontos operacio-
nais utilizados na implementação da otimização com o Micro-GA, utilizando a modelagem
ZCAP1 com critério de parada após 50 iterações.
880 1000
870 990
Potência elétrica global (kW)
850 970
840 960
830 950
820 940
810 930
0.655 0.66 0.665 0.67 0.675 0.68 0.685 0.69 0.79 0.8 0.81 0.82 0.83 0.84 0.85 0.86 0.87
Efetividade da torre de resfriamento Efetividade da torre de resfriamento
390 960
385
950
380
Potência elétrica global (kW)
370 930
365
920
360
910
355
350 900
0.79 0.8 0.81 0.82 0.83 0.84 0.85 0.86 0.87 0.77 0.78 0.79 0.8 0.81 0.82 0.83 0.84
Efetividade da torre de resfriamento Efetividade da torre de resfriamento
Figura 35: Fronteiras de Pareto e solução ótima obtidos para 4 dos 35 pontos operacionais
utilizados na implementação da otimização com o Micro-GA, utilizando a modelagem
ZCAP1 com critério de parada após 90 segundos.
Nas Figuras 34 e 35, observa-se que as fronteiras de Pareto obtidas para a condição
de parada após 90 segundos apresentam uma melhor distribuição do que as obtidas após
50 iterações, principalmente para o ponto 31. Todas as soluções ótimas se mantiveram em
torno da mesma região da fronteira de Pareto, constatando a convergência do algoritmo.
De modo a justificar a utilização de algoritmos de otimização multiobjetivo no
problema proposto nesta dissertação, aplicou-se o algoritmo RS ao ponto operacional 31,
no intuito de verificar a solução ótima obtida por este após 50 iterações, conforme pode
ser observado na Figura 34, onde a solução ótima obtida pelo RS está indicada com um
triângulo. Comparando a solução ótima obtida pelo RS após utilização do critério de esco-
lha adotado, ou seja, a solução que após 50 iterações apresenta a menor média quadrática
dos objetivos normalizados, verificou-se que a velocidade ótima obtida corresponde a uma
redução de 18, 08% na velocidade ótima obtida pelo Micro-GA, ocasionando uma redução
de 2, 14% na efetividade da torre em favor de uma redução de apenas 1, 28% no consumo
6.3. RESULTADOS DA MODELAGEM ZCAP1 159
de energia elétrica global, ambos comparados aos resultados obtidos com a aplicação da
solução ótima fornecida pelo Micro-GA. Dessa forma, a redução verificada na efetividade
supera em 67, 19% a economia de energia elétrica obtida, constatando-se uma redução
no desempenho energético do sistema. Isto se deve ao fato do RS não convergir, mesmo
aplicando-se o critério de escolha da solução ótima (ao contrário do que os algoritmos
de otimização fazem), para a melhor solução para o problema de otimização multiobje-
tivo proposto, ou seja, que reduz o consumo energético em detrimento à menor redução
possı́vel na efetividade da torre de resfriamento, uma vez que o RS não se trata de um
algoritmo de otimização.
880 1000
870
990
Potência elétrica global (kW)
850
970
840
960
830
950
820
810 940
0.645 0.65 0.655 0.66 0.665 0.67 0.675 0.82 0.83 0.84 0.85 0.86 0.87 0.88 0.89
Efetividade da torre de resfriamento Efetividade da torre de resfriamento
390 960
385 950
380
940
375
930
370
920
365
910
360
900
355
350 890
0.77 0.78 0.79 0.8 0.81 0.82 0.83 0.84 0.85 0.8 0.81 0.82 0.83 0.84 0.85 0.86 0.87
Efetividade da torre de resfriamento Efetividade da torre de resfriamento
Figura 36: Fronteiras de Pareto e soluções ótimas obtidas para 4 dos 35 pontos operacio-
nais utilizados na implementação da otimização com o MOPSO, utilizando a modelagem
ZCAP1 com critério de parada após 50 iterações.
870 1000
860 990
Potência elétrica global (kW)
840 970
830 960
820 950
810 940
0.645 0.65 0.655 0.66 0.665 0.67 0.675 0.82 0.83 0.84 0.85 0.86 0.87 0.88 0.89
Efetividade da torre de resfriamento Efetividade da torre de resfriamento
390 960
385
950
380
Potência elétrica global (kW)
370 930
365
920
360
910
355
350 900
0.78 0.79 0.8 0.81 0.82 0.83 0.84 0.85 0.86 0.81 0.82 0.83 0.84 0.85 0.86
Efetividade da torre de resfriamento Efetividade da torre de resfriamento
Figura 37: Fronteiras de Pareto e solução ótima obtidos para 4 dos 35 pontos operacionais
utilizados na implementação da otimização com o MOPSO, utilizando a modelagem ZCAP1
com critério de parada após 90 segundos.
ótima obtida após 50 iterações para um ponto distinto na solução ótima obtida após 90
segundos, ora favorecendo a economia energética, como no caso dos pontos 8 e 16, ora
favorecendo a efetividade da torre, como no caso dos pontos 26 e 31. Conforme visto,
após 90 segundos, apenas o ponto 16 convergiu para uma solução em que se verificou um
incremento na economia energética inferior à redução da efetividade da torre, o que é
justificado pelo fato dos diferentes critérios de parada se tratarem de aplicações distintas
do algoritmo, ou seja, a aplicação com parada após 90 segundos não é uma continuação da
aplicação com critério de parada após 50 iterações. Dessa forma, observa-se que, de fato,
a convergência do algoritmo apenas ocorre com o critério de parada após 90 segundos,
constatando-se que as 50 iterações não são suficientes para a convergência do algoritmo.
De modo a justificar a utilização de algoritmos de otimização multiobjetivo no
problema proposto nesta dissertação, aplicou-se o algoritmo RS ao ponto operacional 31,
no intuito de verificar a solução ótima obtida por este após 50 iterações, conforme pode
6.3. RESULTADOS DA MODELAGEM ZCAP1 162
ser observado na Figura 36, onde a solução ótima obtida pelo RS está indicada com um
triângulo. Comparando a solução ótima obtida pelo RS após utilização do critério de esco-
lha adotado, ou seja, a solução que após 50 iterações apresenta a menor média quadrática
dos objetivos normalizados, verificou-se que a velocidade ótima obtida corresponde a uma
redução de 17, 18% na velocidade ótima obtida pelo MOPSO, ocasionando uma redução
de 1, 82% na efetividade da torre em favor de uma redução de apenas 1, 13% no consumo
de energia elétrica global, ambos comparados aos resultados obtidos com a aplicação da
solução ótima fornecida pelo MOPSO. Dessa forma, a redução verificada na efetividade
supera em 61, 06% a economia de energia elétrica obtida, constatando-se uma redução
no desempenho energético do sistema. Isto se deve ao fato do RS não convergir, mesmo
aplicando-se o critério de escolha da solução ótima (ao contrário do que os algoritmos
de otimização fazem), para a melhor solução para o problema de otimização multiobje-
tivo proposto, ou seja, que reduz o consumo energético em detrimento à menor redução
possı́vel na efetividade da torre de resfriamento, uma vez que o RS não se trata de um
algoritmo de otimização.
880 1000
870 990
Potência elétrica global (kW)
850 970
840 960
830 950
820 940
810 930
0.655 0.66 0.665 0.67 0.675 0.68 0.685 0.69 0.79 0.8 0.81 0.82 0.83 0.84 0.85 0.86 0.87
Efetividade da torre de resfriamento Efetividade da torre de resfriamento
390 960
385 950
380
940
375
930
370
920
365
910
360
900
355
350 890
0.79 0.8 0.81 0.82 0.83 0.84 0.85 0.86 0.87 0.77 0.78 0.79 0.8 0.81 0.82 0.83 0.84
Efetividade da torre de resfriamento Efetividade da torre de resfriamento
Figura 38: Fronteiras de Pareto e soluções ótimas obtidas para 4 dos 35 pontos ope-
racionais utilizados na implementação da otimização com o MO-TRIBES, utilizando a
modelagem ZCAP1 com critério de parada após 50 iterações.
880 1000
870 990
Potência elétrica global (kW)
850 970
840 960
830 950
820 940
810 930
0.655 0.66 0.665 0.67 0.675 0.68 0.685 0.69 0.79 0.8 0.81 0.82 0.83 0.84 0.85 0.86 0.87
Efetividade da torre de resfriamento Efetividade da torre de resfriamento
390 960
385 950
380
Potência elétrica global (kW)
375
930
370
920
365
910
360
355 900
350 890
0.79 0.8 0.81 0.82 0.83 0.84 0.85 0.86 0.87 0.77 0.78 0.79 0.8 0.81 0.82 0.83 0.84 0.85
Efetividade da torre de resfriamento Efetividade da torre de resfriamento
Figura 39: Fronteiras de Pareto e solução ótima obtidos para 4 dos 35 pontos operacionais
utilizados na implementação da otimização com o MO-TRIBES, utilizando a modelagem
ZCAP1 com critério de parada após 90 segundos.
Já nas Figuras 38 e 39, observa-se que as fronteiras de Pareto obtidas para as con-
dições de parada após 50 iterações e 90 segundos são praticamente idênticas, verificando-se
uma excelente distribuição e continuidade das fronteiras de Pareto obtidas comparado aos
demais algoritmos. Além disso, uma vez que as soluções ótimas convergem para a mesma
região em cada ponto operacional considerado, e dadas as variações mı́nimas apresentadas
pelos resultados obtidos, constata-se a devida convergência do algoritmo utilizando os dois
critérios de parada estabelecidos.
De modo a justificar a utilização de algoritmos de otimização multiobjetivo no
problema proposto nesta dissertação, aplicou-se o algoritmo RS ao ponto operacional 31,
no intuito de verificar a solução ótima obtida por este após 50 iterações, conforme pode
ser observado na Figura 38, onde a solução ótima obtida pelo RS está indicada com um
triângulo. Comparando a solução ótima obtida pelo RS após utilização do critério de esco-
lha adotado, ou seja, a solução que após 50 iterações apresenta a menor média quadrática
6.4. RESULTADOS DA MODELAGEM ZCAP2 165
dos objetivos normalizados, verificou-se que a velocidade ótima obtida corresponde a uma
redução de 20, 36% na velocidade ótima obtida pelo MO-TRIBES, ocasionando uma re-
dução de 2, 45% na efetividade da torre em favor de uma redução de apenas 1, 43% no
consumo de energia elétrica global, ambos comparados aos resultados obtidos com a apli-
cação da solução ótima fornecida pelo MO-TRIBES. Dessa forma, a redução verificada na
efetividade supera em 71, 33% a economia de energia elétrica obtida, constatando-se uma
redução significativa no desempenho energético do sistema. Isto se deve ao fato do RS não
convergir, mesmo aplicando-se o critério de escolha da solução ótima (ao contrário do que
os algoritmos de otimização fazem), para a melhor solução para o problema de otimização
multiobjetivo proposto, ou seja, que reduz o consumo energético em detrimento à menor
redução possı́vel na efetividade da torre de resfriamento, uma vez que o RS não se trata
de um algoritmo de otimização.
1050 1250
1200
1000
1150
Potência elétrica global (kW)
900 1050
1000
850
950
800
900
750 850
0.58 0.6 0.62 0.64 0.66 0.68 0.7 0.8 0.82 0.84 0.86 0.88
Efetividade da torre de resfriamento Efetividade da torre de resfriamento
460 1200
1150
440
1100
420
1050
400
1000
380
950
360
900
340 850
320 800
0.7 0.72 0.74 0.76 0.78 0.8 0.82 0.84 0.86 0.88 0.74 0.76 0.78 0.8 0.82 0.84 0.86 0.88
Efetividade da torre de resfriamento Efetividade da torre de resfriamento
Figura 40: Fronteiras de Pareto e soluções ótimas obtidas para 4 dos 35 pontos operacio-
nais utilizados na implementação da otimização com o NSGA-II, utilizando a modelagem
ZCAP2 com critério de parada após 50 iterações.
convergência do algoritmo. No caso, percebe-se que com a utilização das duas variáveis de
busca é possı́vel o incremento tanto na economia de energia elétrica como na efetividade
de torre, fato este que não foi verificado em nenhuma das implementações utilizando a
modelagem ZCAP1 .
Já nas Figuras 40 e 41, observa-se que as fronteiras de Pareto obtidas são bem
similares e que as soluções ótimas para os diferente critérios de parada se encontram na
mesma região, o que também constata a devida convergência do algoritmo.
De modo a justificar a utilização de algoritmos de otimização multiobjetivo no
problema proposto nesta dissertação, aplicou-se o algoritmo RS (Random Selection) ao
ponto operacional 31, no intuito de verificar a solução ótima obtida por este após 50
iterações, conforme pode ser observado na Figura 40, onde a solução ótima obtida pelo
RS está indicada com um triângulo. Ao analisar a solução ótima obtida pelo RS após
utilização do critério de escolha adotado, ou seja, a solução que após 50 iterações apresenta
6.4. RESULTADOS DA MODELAGEM ZCAP2 168
1050 1250
1200
1000
1150
950
1100
900 1050
1000
850
950
800
900
750 850
0.58 0.6 0.62 0.64 0.66 0.68 0.7 0.8 0.82 0.84 0.86 0.88
Efetividade da torre de resfriamento Efetividade da torre de resfriamento
460 1200
440 1150
1100
Potência elétrica global (kW)
1050
400
1000
380
950
360
900
340 850
320 800
0.7 0.72 0.74 0.76 0.78 0.8 0.82 0.84 0.86 0.88 0.76 0.78 0.8 0.82 0.84 0.86 0.88
Efetividade da torre de resfriamento Efetividade da torre de resfriamento
Figura 41: Fronteiras de Pareto e solução ótima obtidos para 4 dos 35 pontos operacio-
nais utilizados na implementação da otimização com o NSGA-II, utilizando a modelagem
ZCAP2 com critério de parada após 90 segundos.
a menor média quadrática dos objetivos normalizados, verificou-se que esta não pertence
à fronteira de Pareto obtida pelo NSGA-II, o que constata a necessidade de utilização
de um algoritmo de otimização multiobjetivo para a solução do problema proposto nesta
dissertação. Além disso, a solução obtida pelo RS representa uma redução de 10, 61% na
efetividade da torre em favor de uma redução de apenas 1, 51% no consumo de energia
elétrica global, ambos comparados aos resultados obtidos com a aplicação da solução
ótima fornecida pelo NSGA-II. Dessa forma, a redução verificada na efetividade supera
7,03 vezes a economia de energia elétrica obtida, constatando-se que houve uma redução
extremamente significativa no desempenho energético do sistema.
ções foram utilizados os mesmo parâmetros definidos na Seção 6.3.1, uma vez que estes
proporcionaram a obtenção de fronteiras de Pareto bem distribuı́das, e de modo a permitir
a comparação entre os resultados obtidos com o uso das modelagens ZCAP1 e ZCAP2 .
A Tabela A.5 do Apêndice A apresenta as soluções ótimas e respectivos resultados
para as funções objetivo, obtidos para os 35 pontos operacionais utilizados nas implemen-
tações de otimização com o algoritmo SPEA2. Já na Tabela B.4 do Apêndice B, pode-se
verificar que as soluções ótimas obtidas atendem às restrições estabelecidas.
As Figuras 42 e 43 apresentam, respectivamente, as fronteiras de Pareto obtidas
com os critérios de parada após 50 iterações e 90 segundos para os pontos operacionais
8, 16, 26 e 31 indicados nas Tabelas A.5 e B.4. Os pontos circulados nas Figuras 42 e 43
representam a solução ótima escolhida.
1050 1250
1200
1000
1150
Potência elétrica global (kW)
950
1100
900 1050
1000
850
950
800
900
750 850
0.58 0.6 0.62 0.64 0.66 0.68 0.7 0.72 0.76 0.78 0.8 0.82 0.84 0.86 0.88
Efetividade da torre de resfriamento Efetividade da torre de resfriamento
460 1200
1150
440
1100
Potência elétrica global (kW)
Potência elétrica global (kW)
420
1050
400
1000
380
950
360
900
340 850
320 800
0.74 0.76 0.78 0.8 0.82 0.84 0.86 0.88 0.72 0.74 0.76 0.78 0.8 0.82 0.84 0.86
Efetividade da torre de resfriamento Efetividade da torre de resfriamento
Figura 42: Fronteiras de Pareto e soluções ótimas obtidas para 4 dos 35 pontos operaci-
onais utilizados na implementação da otimização com o SPEA2, utilizando a modelagem
ZCAP2 com critério de parada após 50 iterações.
1050 1250
1200
1000
1150
950
1100
900 1050
1000
850
950
800
900
750 850
0.58 0.6 0.62 0.64 0.66 0.68 0.7 0.72 0.76 0.78 0.8 0.82 0.84 0.86 0.88
Efetividade da torre de resfriamento Efetividade da torre de resfriamento
460 1200
440 1150
1100
Potência elétrica global (kW)
1050
400
1000
380
950
360
900
340 850
320 800
0.74 0.76 0.78 0.8 0.82 0.84 0.86 0.88 0.72 0.74 0.76 0.78 0.8 0.82 0.84 0.86
Efetividade da torre de resfriamento Efetividade da torre de resfriamento
Figura 43: Fronteiras de Pareto e solução ótima obtidos para 4 dos 35 pontos operacionais
utilizados na implementação da otimização com o SPEA2, utilizando a modelagem ZCAP2
com critério de parada após 90 segundos.
1050 1200
1150
1000
Potência elétrica global (kW)
1050
900
1000
850
950
800
900
750 850
0.58 0.6 0.62 0.64 0.66 0.68 0.7 0.72 0.76 0.78 0.8 0.82 0.84 0.86 0.88
Efetividade da torre de resfriamento Efetividade da torre de resfriamento
460 1200
440 1150
1100
Potência elétrica global (kW)
420
1050
400
1000
380
950
360
900
340 850
320 800
0.74 0.76 0.78 0.8 0.82 0.84 0.86 0.88 0.74 0.76 0.78 0.8 0.82 0.84 0.86
Efetividade da torre de resfriamento Efetividade da torre de resfriamento
Figura 44: Fronteiras de Pareto e soluções ótimas obtidas para 4 dos 35 pontos operacio-
nais utilizados na implementação da otimização com o Micro-GA, utilizando a modelagem
ZCAP2 com critério de parada após 50 iterações.
1050 1250
1200
1000
1150
950
1100
900 1050
1000
850
950
800
900
750 850
0.6 0.62 0.64 0.66 0.68 0.7 0.72 0.76 0.78 0.8 0.82 0.84 0.86 0.88
Efetividade da torre de resfriamento Efetividade da torre de resfriamento
460 1200
440 1150
1100
Potência elétrica global (kW)
1050
400
1000
380
950
360
900
340
850
320 800
0.74 0.76 0.78 0.8 0.82 0.84 0.86 0.88 0.74 0.76 0.78 0.8 0.82 0.84 0.86
Efetividade da torre de resfriamento Efetividade da torre de resfriamento
Figura 45: Fronteiras de Pareto e solução ótima obtidos para 4 dos 35 pontos operacionais
utilizados na implementação da otimização com o Micro-GA, utilizando a modelagem
ZCAP2 com critério de parada após 90 segundos.
modo a obter um incremento de 1,72% na economia de energia elétrica global. Já para
o ponto 26, verificou-se uma redução de 1,58% na economia de energia elétrica global de
modo a obter-se um incremento de 0,43% na efetividade da torre. Por fim, para o ponto
operacional 31, verificou-se uma redução de 1,56% na economia de energia elétrica global
em troca de um incremento de 0,56% na efetividade da torre.
Nos pontos operacionais 26 e 31, comparando os resultados obtidos após 90 se-
gundos com relação aos obtidos após 50 iterações, observa-se que a economia de energia
elétrica é inferior ao incremento na efetividade na torre. Isto se deve ao fato de que o
critério de escolha da solução ótima adotado não verifica se a nova solução ótima obtida
em uma otimização é melhor ou pior do que o obtido na otimização anterior, com 50 ite-
rações, uma vez que os critérios de parada são aplicados em duas aplicações distintas do
algoritmo. Dessa forma, após o atingimento do critério de parada, simplesmente escolhe-
se o ponto ótimo com base na menor média quadrática dos objetivos normalizados, sem
6.4. RESULTADOS DA MODELAGEM ZCAP2 174
avaliar se o resultado obtido com o critério de parada após 90 segundos é melhor ou pior
do que após 50 iterações.
Nas Figuras 44 e 45, observa-se que as fronteiras de Pareto obtidas não possuem
distribuição satisfatórias, nem a devida continuidade, quando comparadas às fronteiras de
Pareto obtidas pelos demais algoritmos. Observa-se também um nı́tido deslocamento da
solução ótima na fronteira de Pareto obtida com o critério de parada após 90 segundos com
relação à fronteira obtida com o critério de parada após 50 iterações. Mesmo assim, em
termos práticos, considera-se que os resultados obtidos atendem à aplicação, uma vez que
as variações verificadas nos resultados obtidos são muito pequenas e aceitáveis, conforme
indicado na análise dos resultados após aplicação do Micro-GA com os dois critérios de
parada definidos, como pode ser verificado nos resultados apresentados para os demais
pontos operacionais indicados na Tabela A.7.
De modo a justificar a utilização de algoritmos de otimização multiobjetivo no
problema proposto nesta dissertação, aplicou-se o algoritmo RS ao ponto operacional 31,
no intuito de verificar a solução ótima obtida por este após 50 iterações, conforme pode
ser observado na Figura 44, onde a solução ótima obtida pelo RS está indicada com
um triângulo. Ao analisar a solução ótima obtida pelo RS após utilização do critério
de escolha adotado, ou seja, a solução que após 50 iterações apresenta a menor média
quadrática dos objetivos normalizados, verificou-se que esta não pertence à fronteira de
Pareto obtida pelo Micro-GA, o que constata a necessidade de utilização de um algoritmo
de otimização multiobjetivo para a solução do problema proposto nesta dissertação. Além
disso, a aplicação da solução ótima obtida pelo RS representa uma redução de 5, 91% na
efetividade da torre em favor de uma redução de apenas 0, 92% no consumo de energia
elétrica global, ambos comparados aos resultados obtidos com a aplicação da solução
ótima fornecida pelo Micro-GA. Dessa forma, a redução verificada na efetividade da torre
supera 6,39 vezes a economia de energia elétrica obtida, constatando-se que houve uma
redução significativa no desempenho energético do sistema.
parâmetros definidos na Seção 6.3.4, uma vez que estes proporcionaram a obtenção de
fronteiras de Pareto com boa distribuição. A adoção dos mesmos parâmetros também é
realizada de modo a permitir a comparação entre os resultados obtidos pelas otimizações
implementadas com a utilização das modelagens ZCAP1 e ZCAP2 .
A Tabela A.9 do Apêndice A apresenta as soluções ótimas e respectivos resultados
para as funções objetivo obtidos para os 35 pontos operacionais utilizados nas implemen-
tações de otimização com o algoritmo MOPSO. Já na Tabela B.8 do Apêndice B, pode-se
verificar que as soluções ótimas obtidas atendem às restrições estabelecidas.
As Figuras 46 e 47 apresentam, respectivamente, as fronteiras de Pareto obtidas
com os critérios de parada após 50 iterações e 90 segundos para os pontos operacionais
8, 16, 26 e 31 indicados nas Tabelas A.9 e B.8. Os pontos circulados nas Figuras 46 e 47
representam a solução ótima escolhida.
1000 1200
1150
950
Potência elétrica global (kW)
1100
900
1050
1000
850
950
800
900
750 850
0.58 0.6 0.62 0.64 0.66 0.68 0.7 0.8 0.82 0.84 0.86 0.88
Efetividade da torre de resfriamento Efetividade da torre de resfriamento
460 1100
440 1050
Potência elétrica global (kW)
Potência elétrica global (kW)
420 1000
400 950
380 900
360 850
340 800
0.76 0.78 0.8 0.82 0.84 0.86 0.74 0.76 0.78 0.8 0.82 0.84 0.86 0.88
Efetividade da torre de resfriamento Efetividade da torre de resfriamento
Figura 46: Fronteiras de Pareto e soluções ótimas obtidas para 4 dos 35 pontos operacio-
nais utilizados na implementação da otimização com o MOPSO, utilizando a modelagem
ZCAP2 com critério de parada após 50 iterações.
6.4. RESULTADOS DA MODELAGEM ZCAP2 176
1050 1060
1040
1000
1020
Potência elétrica global (kW)
900 960
940
850
920
900
800
880
750 860
0.58 0.6 0.62 0.64 0.66 0.68 0.7 0.81 0.82 0.83 0.84 0.85 0.86 0.87 0.88 0.89
Efetividade da torre de resfriamento Efetividade da torre de resfriamento
460 1050
440
1000
Potência elétrica global (kW)
950
400
380
900
360
850
340
320 800
0.72 0.74 0.76 0.78 0.8 0.82 0.84 0.86 0.8 0.81 0.82 0.83 0.84 0.85 0.86 0.87
Efetividade da torre de resfriamento Efetividade da torre de resfriamento
Figura 47: Fronteiras de Pareto e solução ótima obtidos para 4 dos 35 pontos operacionais
utilizados na implementação da otimização com o MOPSO, utilizando a modelagem ZCAP2
com critério de parada após 90 segundos.
pode ser observado um nı́tido deslocamento da solução ótima obtida após 50 iterações para
uma nova posição após a utilização do critério de parada após 90 segundos. No caso, como
indicado, há pontos em que o incremento de economia é inferior à redução de efetividade
da torre, e isso é justificado pelo fato de que os critérios de parada após 50 iterações e após
90 segundos se tratam de otimizações distintas, e que devido ao caráter estocástico do
algoritmo, este pode convergir para um ponto não necessariamente igual ao da otimização
anterior, mas sim, para uma coordenada do espaço de busca que representa uma solução
bem próxima, conforme pode ser verificado nos resultados apresentados para os demais
pontos operacionais indicados na Tabela A.9.
De modo a justificar a utilização de algoritmos de otimização multiobjetivo no
problema proposto nesta dissertação, aplicou-se o algoritmo RS ao ponto operacional 31,
no intuito de verificar a solução ótima obtida por este após 50 iterações, conforme pode ser
observado na Figura 46, onde a solução ótima obtida pelo RS está indicada com um tri-
ângulo. Ao analisar a solução ótima obtida pelo RS após utilização do critério de escolha
adotado, ou seja, a solução que após 50 iterações apresenta a menor média quadrática dos
objetivos normalizados, verificou-se que esta não pertence à fronteira de Pareto obtida
pelo MOPSO, o que constata a necessidade de utilização de um algoritmo de otimiza-
ção multiobjetivo para a solução do problema proposto nesta dissertação. Além disso, a
aplicação da solução obtida pelo RS representa uma redução de 9, 37% na efetividade da
torre em favor de uma redução de apenas 1, 44% no consumo de energia elétrica global,
ambos comparados aos resultados obtidos com a aplicação da solução ótima fornecida
pelo MOPSO. Dessa forma, a redução verificada na efetividade supera 6,51 vezes a eco-
nomia de energia elétrica obtida, constatando-se que houve uma redução significativa no
desempenho energético do sistema.
1050 1200
1150
1000
1100
950
1050
900
1000
850
950
800
900
750 850
0.58 0.6 0.62 0.64 0.66 0.68 0.7 0.72 0.76 0.78 0.8 0.82 0.84 0.86 0.88
Efetividade da torre de resfriamento Efetividade da torre de resfriamento
460 1150
440 1100
Potência elétrica global (kW)
Potência elétrica global (kW)
420 1050
400 1000
380 950
360 900
340 850
320 800
0.74 0.76 0.78 0.8 0.82 0.84 0.86 0.88 0.72 0.74 0.76 0.78 0.8 0.82 0.84 0.86
Efetividade da torre de resfriamento Efetividade da torre de resfriamento
Figura 48: Fronteiras de Pareto e soluções ótimas obtidas para 4 dos 35 pontos ope-
racionais utilizados na implementação da otimização com o MO-TRIBES, utilizando a
modelagem ZCAP2 com critério de parada após 50 iterações.
1050 1200
1150
1000
1100
950
1050
900
1000
850
950
800
900
750 850
0.58 0.6 0.62 0.64 0.66 0.68 0.7 0.72 0.76 0.78 0.8 0.82 0.84 0.86 0.88
Efetividade da torre de resfriamento Efetividade da torre de resfriamento
460 1150
440 1100
Potência elétrica global (kW)
400 1000
380 950
360 900
340 850
320 800
0.74 0.76 0.78 0.8 0.82 0.84 0.86 0.88 0.72 0.74 0.76 0.78 0.8 0.82 0.84 0.86
Efetividade da torre de resfriamento Efetividade da torre de resfriamento
Figura 49: Fronteiras de Pareto e solução ótima obtidos para 4 dos 35 pontos operacionais
utilizados na implementação da otimização com o MO-TRIBES, utilizando a modelagem
ZCAP2 com critério de parada após 90 segundos.
e 10. Este resultado já era esperado, uma vez o espaço de busca se resume a uma única
dimensão, representada pela velocidade dos ventiladores da torre de resfriamento, o que
facilita a convergência dos algoritmos. Dessa forma, tem-se que as fronteiras de Pareto
obtidas se sobrepõem. Os valores indicados nas tabelas correspondem à média do valor
de cobertura para as fronteiras obtidas com 35 pontos operacionais indicados na Tabela
A.1 do Apêndice A.
Ainda com relação às Tabela 9 e 10, observa-se que o MO-TRIBES apresenta
ı́ndices um pouco superiores aos demais, seguido do SPEA2. Já os algoritmos NSGA-II e
MOPSO apresentam ı́ndices mais baixos. No entanto, como os valores obtidos para esta
métrica são muito baixos para todos os algoritmos, tem-se que somente após aplicação
de cada solução ótima escolhida à base de dados do sistema a ser otimizado é que, de
fato, poderá ser identificado o melhor algoritmo, com base nos valores médios obtidos de
economia de energia e redução na efetividade da torre. Com base nos valores de cobertura
apresentados, estima-se que os algoritmos apresentem resultados bem próximos em termos
das métricas de eficiência energética.
Tabela 9: Média dos valores de coverage obtidos para os 35 pontos operacionais, utilizando
a modelagem ZCAP1 com critério de parada após 50 iterações.
Tabela 10: Média dos valores de coverage obtidos para os 35 pontos operacionais, utili-
zando a modelagem ZCAP1 com critério de parada após 90 segundos.
Tabela 11: Média dos valores de coverage obtidos para os 35 pontos operacionais, utili-
zando a modelagem ZCAP2 com critério de parada após 50 iterações.
Tabela 12: Média dos valores de coverage obtidos para os 35 pontos operacionais, utili-
zando a modelagem ZCAP2 com critério de parada após 90 segundos.
Nas Tabelas 9, 10, 11 e 12, os valores médios de coverage C(A, B) para duas
fronteiras de Pareto A e B podem ser consultados da seguinte forma: a fronteira de Pareto
A corresponde à fronteira obtida utilizando o algoritmo indicado na primeira coluna à
esquerda, e a fronteira de Pareto B corresponde à obtida com o algoritmo indicado na
primeira linha.
COMPARAÇÃO DOS
RESULTADOS
N
ESTE capı́tulo são comparados os resultados obtidas após aplicação dos algorit-
mos de otimização multiobjetivo NSGA-II, SPEA2, Micro-GA, MOPSO e MO-
TRIBES. Inicialmente os resultados obtidos são comparados com os dados coletados em
campo, de modo a avaliar os ganhos obtidos em economia de energia elétrica energética e
efetividade da torre de resfriamento. Em seguida, os resultados obtidos pelos algoritmos
são comparados entre si de modo a eleger a melhor modelagem e o melhor algoritmo para
a aplicação. As seguintes métricas são utilizadas para a escolha:
onde os valores médios indicados são calculados após aplicação dos resultados das otimiza-
ções aos 21385 pontos operacionais coletados. Nesta dissertação, a terceira métrica citada
é indicada como F EE (Fator de Eficiência Energética), e é calculada conforme indicado
na Equação 99. Dentre as demais métricas, esta foi considerada a mais importante para
a escolha da melhor modelagem e do melhor algoritmo para a aplicação.
Na Tabela 14, Tmexec indica o tempo médio de execução do algoritmo com o critério
de parada após 50 iterações. Observa-se que os algoritmos implementados no MATLAB
(NSGA-II, Micro-GA e MOPSO) necessitam de um tempo de execução maior quando
comparados aos algoritmos implementados em C++ (SPEA2 e MO-TRIBES). Isto se
deve à manipulação de matrizes realizada internamente pelo MATLAB, o que incrementa
o tempo de execução dos algoritmos quando comparado às implementações em C++. Este
resultado já era esperado, e por este motivo, este critério não foi utilizado para a escolha
7.1. QUANTO AO RESULTADO GLOBAL USANDO ZCAP1 185
do melhor algoritmo, mas sim para fins de verificação do atendimento ao tempo necessário
para a convergência dos algoritmos, onde se verificou que o critério de 90 segundos atendeu
a todos os algoritmos aplicados, conforme indicado no Capı́tulo 6.
Para ambos os critério de parada, observa-se que o algoritmo que atingiu os melho-
res valores médios e máximos de economia de energia elétrica foi o MO-TRIBES. Já para
os valores mı́nimos de economia obtidos com a base de dados utilizada, o MO-TRIBES
também apresentou o melhor resultado para 50 iterações, sendo superado apenas pelo
MOPSO na aplicação com critério de parada após 90 segundos.
Em todos os algoritmos, conforme indicado no Apêndice A, há registros de valores
negativos de economia de energia elétrica obtidos. No caso, isto é verificado em pontos
cuja velocidade dos ventiladores na base de dados coletada em campo é igual a 30 Hz.
Como a otimização sugeriu o incremento de velocidade destes no intuito de aumentar a
efetividade da torre, verificou-se um aumento no consumo de energia elétrica do sistema.
Além disso, tem-se o fato de que os chillers operavam, nestes pontos, com baixa carga
térmica, o que torna o consumo dos ventiladores mais significativo. Portanto, o incremento
no consumo de energia elétrica nestes pontos é coerente e confere com a solução esperada
para o sistema de otimização proposto.
Como era esperado, o algoritmo que apresentou o melhor resultado em termos de
economia média foi o mesmo que apresenta o pior resultado em termos de efetividade da
torre, uma vez que estes se tratam de objetivos conflitantes. Neste caso, o MO-TRIBES
apresentou as piores efetividades média, mı́nima e máxima.
O algoritmo MOPSO apresentou a melhor efetividade (média, mı́nima e máxima)
nas duas condições de parada. No entanto, apresentou a pior economia energética global
(média e máxima) nos dois critérios de parada.
Observa-se que a economia média de energia elétrica obtida após aplicação dos
resultados à base de dados reais coletada do sistema é sempre positiva para todos os
algoritmos aplicados, o que permite concluir que durante a maior parte do intervalo de
tempo considerado há economia de energia, viabilizando a estratégia de realização de
otimizações a cada intervalo de uma hora.
Considerando que a efetividade estimada no projeto da torre de resfriamento cor-
responde a 0,7551, tem-se que, idealmente, este valor deveria ser utilizado como referência
para fins de comparação entre os resultados obtidos para os vários algoritmos. No entanto,
7.1. QUANTO AO RESULTADO GLOBAL USANDO ZCAP1 186
sabe-se que o atingimento deste valor de efetividade depende não apenas dos setpoints de
operação da torre de resfriamento, mas também de fatores externos, como temperatura
ambiente e temperatura de bulbo úmido, o que faz com que muitas vezes, este valor de
efetividade não possa ser alcançado. Dessa forma, o valor de referência para avaliação dos
algoritmos deve ser a efetividade média obtida ao aplicarem-se os 21385 pontos operaci-
onais coletados à modelagem da torre de resfriamento, o que permite obter um valor que
corresponde a 0,6761. Dessa forma, o melhor algoritmo para a aplicação deve ser aquele
que atinge a maior economia média de energia elétrica global possı́vel após as otimizações,
com o menor detrimento possı́vel à efetividade média da torre de resfriamento, sendo esta
última obtida com base na modelagem adotada para a torre de resfriamento.
Nas Tabelas 15 e 16, economia média (%) representa a economia de energia elétrica
obtida após realização da otimização, ∆a representa a diferença entre a efetividade média
obtida após a aplicação dos algoritmos e a efetividade média verificada sem otimização,
ambas obtidas aplicando a modelagem da torre de resfriamento à base de dados reais
coletada. Os valores de efetividade média foram indicados em percentual, e F EE é dado
pela razão entre a economia média (%) e ∆a , conforme indicado na Equação 99.
efetividades médias indicadas nas Tabelas 13 e 14. Através das Figuras 50(a) e 50(b)
pode-se comparar o ganho obtido em economia média de energia elétrica com relação à
redução verificada na efetividade média da torre para cada algoritmo aplicado.
ĐŽŶŽŵŝĂŵĠĚŝĂŽďƚŝĚĂŶŽĐŽŶƐƵŵŽĚĞĞŶĞƌŐŝĂĞůĠƚƌŝĐĂŐůŽďĂů
ZĞĚƵĕĆŽŶĂĞĨĞƚŝǀŝĚĂĚĞŵĠĚŝĂĚĂƚŽƌƌĞĚĞƌĞƐĨƌŝĂŵĞŶƚŽ
ϳ͕ϬϬй ϲ͕ϱϲй
ϲ͕ϱϬй ϲ͕ϱϭй ϲ͕ϱϮй
ϲ͕Ϯϳй
ϲ͕ϬϬй
ϱ͕ϮϬй ϱ͕ϮϮй ϱ͕Ϯϯй ϱ͕Ϯϳй
ϰ͕ϵϵй
ϱ͕ϬϬй
ϰ͕ϬϬй
ϯ͕ϬϬй
Ϯ͕ϬϬй
ϭ͕ϬϬй
Ϭ͕ϬϬй
E^'Ͳ// ^WϮ DŝĐƌŽ' DKW^K DKͲdZ/^
ĐŽŶŽŵŝĂŵĠĚŝĂŽďƚŝĚĂŶŽĐŽŶƐƵŵŽĚĞĞŶĞƌŐŝĂĞůĠƚƌŝĐĂŐůŽďĂů
ZĞĚƵĕĆŽŶĂĞĨĞƚŝǀŝĚĂĚĞŵĠĚŝĂĚĂƚŽƌƌĞĚĞƌĞƐĨƌŝĂŵĞŶƚŽ
ϳ͕ϬϬй ϲ͕ϱϳй
ϲ͕ϱϭй ϲ͕ϱϭй ϲ͕ϱϯй
ϲ͕ϮϬй
ϲ͕ϬϬй
ϱ͕ϮϬй ϱ͕ϮϮй ϱ͕Ϯϰй ϱ͕Ϯϳй
ϱ͕Ϭϭй
ϱ͕ϬϬй
ϰ͕ϬϬй
ϯ͕ϬϬй
Ϯ͕ϬϬй
ϭ͕ϬϬй
Ϭ͕ϬϬй
E^'Ͳ// ^WϮ DŝĐƌŽ' DKW^K DKͲdZ/^
Figura 50: Comparativo entre a economia média obtida no consumo de energia elétrica e a
consequente redução na efetividade média da torre de resfriamento utilizando a modelagem
ZCAP1 para os algoritmos aplicados.
para o MOPSO. Assim, deve-se considerar o critério de parada após 90 segundos como
referência para determinar o melhor algoritmo para a aplicação em ambas as modelagens
ZCAP1 e ZCAP2 (de modo a compará-las), pois este é o intervalo de tempo necessário para
a devida convergência do algoritmo MOPSO na modelagem ZCAP1 .
Portanto, tem-se que, utilizando a modelagem ZCAP1 , o MOPSO é o melhor algo-
ritmo para a aplicação, seguido dos algoritmos MO-TRIBES, SPEA2, Micro-GA e NSGA-
II. Isto não significa que o resultado apresentado pelos demais algoritmos foi insatisfatório,
mas sim que o MOPSO, dentre os demais foi o que obteve o melhor equilı́brio entre os
objetivos conflitantes definidos, apresentando soluções ótimas que resultaram em econo-
mia de energia elétrica com a menor redução na efetividade das torres de resfriamento
durante o perı́odo de operação considerado.
ĐŽŶŽŵŝĂŵĠĚŝĂŽďƚŝĚĂŶŽĐŽŶƐƵŵŽĚĞĞŶĞƌŐŝĂĞůĠƚƌŝĐĂŐůŽďĂů
ZĞĚƵĕĆŽŶĂĞĨĞƚŝǀŝĚĂĚĞŵĠĚŝĂĚĂƚŽƌƌĞĚĞƌĞƐĨƌŝĂŵĞŶƚŽ
ϳ͕ϬϬй
ϲ͕ϬϬй ϱ͕ϳϴй
ϱ͕ϰϮй ϱ͕Ϯϵй ϱ͕ϯϵй ϱ͕ϯϮй
ϱ͕ϬϬй
ϰ͕ϬϬй
ϯ͕ϬϬй
Ϯ͕ϬϬй
ϭ͕ϬϬй
Ϭ͕ϬϬй
E^'Ͳ// ^WϮ DŝĐƌŽ' DKW^K DKͲdZ/^
ĐŽŶŽŵŝĂŵĠĚŝĂŽďƚŝĚĂŶŽĐŽŶƐƵŵŽĚĞĞŶĞƌŐŝĂĞůĠƚƌŝĐĂŐůŽďĂů
ZĞĚƵĕĆŽŶĂĞĨĞƚŝǀŝĚĂĚĞŵĠĚŝĂĚĂƚŽƌƌĞĚĞƌĞƐĨƌŝĂŵĞŶƚŽ
ϳ͕ϬϬй
ϲ͕ϬϮй
ϲ͕ϬϬй ϱ͕ϲϭй
ϱ͕ϭϰй ϱ͕ϯϮй ϱ͕Ϯϴй
ϱ͕ϬϬй
ϰ͕ϬϬй
ϯ͕ϬϬй
Ϯ͕ϬϬй
ϭ͕ϬϬй
Ϭ͕ϬϬй
E^'Ͳ// ^WϮ DŝĐƌŽ' DKW^K DKͲdZ/^
Figura 51: Comparativo entre a economia média obtida no consumo de energia elétrica e a
consequente redução na efetividade média da torre de resfriamento utilizando a modelagem
ZCAP2 para os algoritmos aplicados.
CONCLUSÕES E TRABALHOS
FUTUROS
E
STE capı́tulo apresenta as principais conclusões acerca dos resultados obtidos após
aplicação dos algoritmos de otimização. Algumas possı́veis melhorias são apresen-
tadas, assim são descritos possı́veis trabalhos futuros relacionados ao tema abordado.
8.1 Conclusões
Esta dissertação analisou a viabilidade de aplicação de uma otimização multiobjetivo à
operação de torres de resfriamento baseadas em chillers, devendo obter-se os setpoints
operacionais que atendem ao melhor compromisso entre dois objetivos conflitantes: redu-
ção do consumo de energia elétrica global e aumento da efetividade da torre, no intuito
de obter-se a máxima eficiência energética possı́vel para o sistema. Para tal, foi necessá-
rio obter-se uma modelagem matemática para os principais equipamentos envolvidos no
processo de resfriamento considerado. Além disso, foi necessário um estudo no intuito
de escolher os algoritmos de otimização multiobjetivo a serem aplicados, chegando-se aos
algoritmos NSGA-II, SPEA2, Micro-GA, MOPSO e MO-TRIBES.
Este trabalho foi motivado pela crescente necessidade de obter-se eficiência energé-
tica em equipamentos de processo, de modo a otimizar o consumo de energia elétrica e de
água, sendo estes considerados dois dos recursos energéticos e minerais mais importantes
no atual cenário de crise energética.
Os resultados da aplicação dos algoritmos escolhidos foram comparados em termos
de um número fixo de iterações e em termos do estabelecimento de um intervalo de
tempo limite para a obtenção da solução. No caso, estes valores correspondem a 50
iterações e 90 segundos, definidos para atendimento às necessidades da aplicação e de
8.1. CONCLUSÕES 194
de energia elétrica global obtida supera a redução na efetividade média da torre. Este
resultado não necessariamente inviabiliza a utilização da modelagem ZCAP1 , uma vez que
os valores de efetividade média obtidos por todos os algoritmos são passı́veis de aplicação,
em termos operacionais. Para efeito de comparação, o F EE obtido pelo MOPSO na
modelagem ZCAP1 corresponde a 0,8072, onde na modelagem ZCAP2 este corresponde a
1,78, ou seja, 2,21 vezes superior.
Considerando o critério de parada após 90 segundos, a aplicação do algoritmo
MOPSO utilizando a modelagem ZCAP2 obteve uma economia média de energia elétrica
global de 9,48%, resultado este considerado excelente comparando-o aos verificados nos
trabalhos relacionados indicados no Capı́tulo 4. Este resultado foi obtido com uma efeti-
vidade média da torre de 0,6229, a qual corresponde a uma redução de 5,32% com relação
à efetividade média que seria obtida sem a realização das otimizações, valor este que
corresponde a 0,6761. Já a aplicação do MOPSO utilizando a modelagem ZCAP1 obteve
uma economia média de energia elétrica global de 5,01% (que corresponde a 56,11% da
economia obtida com a modelagem ZCAP2 ), portanto, bem inferior à obtida utilizando a
modelagem ZCAP2 . Este último resultado foi obtido com uma efetividade média de 0,6141,
correspondente a uma redução de 6,20% na efetividade média que seria verificada sem a
realização das otimizações, efetividade média esta que é inferior à obtida com ZCAP2 .
Ainda com relação à modelagem ZCAP1 , o algoritmo MO-TRIBES apresentou uma
economia média de energia elétrica de 5,27%, valor este superior ao apresentado pelo
MOPSO. No entanto, o MO-TRIBES obteve uma efetividade média de 0,6104, valor este
inferior ao obtido pelo MOPSO, resultando em um F EE de 0,8023, contra um F EE de
0,8072 obtido pelo MOPSO. Dessa forma, embora o MO-TRIBES tenha obtido uma maior
economia de energia elétrica para a modelagem ZCAP1 , em termos de eficiência energética
global, e considerando o F EE como métrica principal de avaliação de desempenho dos
algoritmos, tem-se que o MOPSO foi considerado o melhor algoritmo.
Na modelagem ZCAP1 , observou-se que o desempenho do MOPSO é superior ao do
MO-TRIBES em apenas 0,64%. Já comparando o resultado com o do pior algoritmo para
a modelagem ZCAP1 , verifica-se que o MOPSO superou o NSGA-II em 0,99%. Conside-
rando a utilização da modelagem ZCAP2 , comparando o desempenho obtido pelo MOPSO
com o obtido pelo segundo melhor algoritmo, tem-se que o MOPSO superou em 1,14% o
desempenho do MO-TRIBES. Já comparando o MOPSO com relação ao pior algoritmo
8.1. CONCLUSÕES 196
avaliado, tem-se que o MOPSO superou em 27,14% o Micro-GA. Dessa forma, na mo-
delagem ZCAP2 observou-se uma maior discrepância entre o desempenho dos algoritmos,
comparado à utilização da modelagem ZCAP1 .
Verificou-se, para todos os algoritmos aplicados, que a velocidade média dos ven-
tiladores permaneceu sempre superior a 50% de sua velocidade nominal após a realização
das otimizações, em ambas as modelagens, valor este determinado como limite prático
para a aplicação, devido ao excessivo consumo de água verificado para velocidades inferi-
ores a este. Além, disso, as otimizações atenderam plenamente às restrições operacionais
estabelecidas, conforme pode ser verificado no Apêndice B. Já no Apêndice A, pode-se
verificar os resultados obtidos em cada otimização para todos os algoritmos apicados,
utilizando as modelagens ZCAP1 e ZCAP2 , e considerando os critérios de parada após 50
iterações e após 90 segundos.
É importante frisar que os resultados obtidos dependem dos parâmetros internos de
cada algoritmo, e principalmente, do critério de decisão definido para a escolha da solução
ótima. Os parâmetros internos dos algoritmos foram obtidos de forma experimental no
intuito de obter-se uma fronteira de Pareto com boa distribuição para o intervalo de tempo
definido como limite para a aplicação. Observou-se que o critério de decisão escolhido para
a aplicação atendeu à necessidade de escolha de uma solução ótima que estabelecesse o
melhor compromisso entre a economia de energia elétrica global e a efetividade da torre
de resfriamento. Também se conclui que o intervalo de 90 segundos para a obtenção da
solução para o problema foi tecnicamente viável, pois permitiu a devida convergência dos
algoritmos, obtendo-se bons resultados.
Os resultados obtidos com a modelagem ZCAP2 consideram que a variação da tem-
peratura da água gelada que deixa o chiller é permitida entre 5, 5◦ e 7, 0◦ sem prejudicar
o atendimento à carga térmica ou ao conforto térmico do sistema de resfriamento.
Portanto, após a análise de todos os cenários apresentados nesta dissertação,
constatou-se que, para a aplicação proposta, a otimização com o algoritmo MOPSO,
utilizando a modelagem ZCAP2 com critério de parada após 90 segundos representa o ce-
nário que permitiu a obtenção da maior eficiência energética possı́vel para o sistema de
resfriamento considerado, o que implica na obtenção da maior economia média de energia
elétrica acompanhado da menor redução na efetividade média da torre de resfriamento.
8.2. TRABALHOS FUTUROS 197
BALLING, R. The maximin fitness function: Multiobjective city and regional planning.
Lecture Notes in Computer Science, Springer-Verlag, v. 2632, p. 1–15, 2003.
REFERÊNCIAS 199
BRAUN, J. E.; KLEIN, S. A.; MITCHEL, J. W. Effectiveness models for cooling towers
and cooling coils. ASHRAE Transactions, v. 95, n. 2, p. 164–174, 1989.
CARLISLE, A.; DOZIER, G. An off-the-shelf pso. In: Proceedings of the Particle Swarm
Optimization Workshop. Indianapolis, Indiana, 2001. p. 1–6.
CHEN, K.; LI, T.; CAO, T. Tribe-pso: A novel global optimization algorithm and
its application in molecular docking. Chemometrics and intelligent laboratory systems,
Elsevier, v. 82, n. 1, p. 248–259, 2006.
CHEN, L. SGALAB 1003 Beta 5.0.0.8 (Matrix Variable Inputs): Genetic Algorithm
Toolbox for Multi-objective Problems with Fuzzy Logic Controller Applications. 2004.
Disponı́vel em: <http://uk.mathworks.com/matlabcentral/fileexchange/5882-sgalab-
1003-beta-5-0-0-8–matrix-variable-inputs–>.
COOREN, Y.; CLERC, M.; SIARRY, P. Initialization and displacement of the particles
in tribes, a parameter-free particle swarm optimization algorithm. In: COTTA,
C.; SEVAUX, M.; SORENSEN, K. (Ed.). Adaptive and Multilevel Metaheuristics.
Heidelberg, Berlin: Springer Berlin Heidelberg, 2008, (Studies in Computational
Intelligence, v. 136). p. 199–219. ISBN 978-3-540-79437-0.
Norwell, MA, USA, v. 49, n. 2, p. 379–400, Jun 2011. ISSN 0926-6003. Disponı́vel em:
<http://dx.doi.org/10.1007/s10589-009-9284-z>.
CORNE, D.; KNOWLES, J.; OATES, M. The pareto envelope-based selection algorithm
for multi- objective optimization. The Sixth International Conference on Parallel
Problem Solving from Nature, USA, PPSN-VI, p. 839–848, 2000.
DEB, K. et al. A fast elitist non-dominated sorting genetic algorithm for multi-objective
optimization: Nsga-ii. In: Proceedings of the Parallel Problem Solving from Nature VI
Conference. Paris, France, 2000. p. 849–858.
DEB, K. et al. A fast and elitist multiobjective genetic algorithm: Nsgaii. Evolutionary
Computation, IEEE Transactions on, IEEE, v. 6, n. 2, p. 182–197, April 2002.
proceedings. In: . Berlin, Heidelberg: Springer Berlin Heidelberg, 2012. p. 165–173. ISBN
978-3-642-29178-4.
GOLDBERG, D. E. Sizing populations for serial and parallel genetic algorithms. In:
SCHAFFER, J. D. (Ed.). Proceedings of the Third International Conference on Genetic
Algorithms. San Mateo, California: Morgan Kaufmann, 1989. p. 70–79.
HADKA, D.; REED, P. Diagnostic assessment of search controls and failure modes in
many-objective evolutionary optimization. Evolutionary Computation, v. 20, n. 3, p.
423–452, Sept 2012. ISSN 1063-6560.
HAYKIN, S. Redes Neurais: Princı́pios e Prática. 2. ed. Porto Alegre: Bookman, 2001.
HIROYASU, T.; NAKAYAMA, S.; MIKI, M. Comparison study of spea2+, spea2, and
nsga-ii in diesel engine emissions and fuel economy problem. Evolutionary Computation,
2005. The 2005 IEEE Congress on, v. 1, p. 236–242, September 2005.
HOFFMEYER, J. N. The swarming body. In: Proceedings of the 5th Congress of the
International Association for Semiotic Studies. Berkeley, USA. Berkeley: Mouton de
Gruyter, 1997. p. 937–940.
HU, X.; EBERHART, R. Particle swarm optimization with extended memory for
multiojective optimization. In: Proceedings of the 2003 IEEE Swarm Intelligence
Symposion. USA: IEEE, 2003. p. 193–197.
KERN, D. Q. Process heat transfer. Tokyo, Japan: McGraw-Hill Book Company, Inc,
1983. ISBN 0-07-085353-3.
KHAN, J. R.; ZUBAIR, S. M. An improved design and rating analyses of counter flow
wet cooling towers. Journal of Heat Transfer, v. 123, p. 770–778, 2001.
KIE, P. L. T.; THENG, L. Intelligent control of heating, ventilating and air conditioning
systems. In: Advances in Neuro-Information Processing. Heidelberg, Berlin: Springer
Berlin Heidelberg, 2009, (Lecture Notes in Computer Science, v. 5507). p. 927–934.
KIM, M. et al. Spea2+: Improving the performance of the strength pareto evolutionary
algorithm 2. PPSN VIII, LNCS 3242,, p. 742–751, 2004.
KUSIAK, A.; LI, M.; TANG, F. Modeling and optimization of HVAC energy
consumption. Applied Energy, v. 87, n. 10, p. 3092–3102, 2010.
KUSIAK, A.; XU, G.; TANG, F. Optimization of an HVAC system with a strength
multi-objective particle-swarm algorithm. Energy, v. 36, n. 10, p. 5935–5943, 2011.
LI, M. et al. Ipesa-ii: Improved pareto envelope-based selection algorithm ii. Evolutionary
Multi-Criterion Optimization, Lecture Notes in Computer Science, Springer Berlin
Heidelberg, v. 7811, p. 143–155, 2013.
LI, X. et al. Extremum seeking control of cooling tower for self-optimizing efficient
operation of chilled water systems. In: 2012 American Control Conference. Montreal,
Quebec, Canada: IEEE, 2012. p. 3396–3401. ISBN 978-1-4577-1095-7.
LIAN, X.; ZHANG, L. Optimized feature selection towards functional and non-functional
requirements in software product lines. In: 2015 IEEE 22nd International Conference on
Software Analysis, Evolution, and Reengineering (SANER). Montreal, Quebec, Canada:
IEEE, 2015. p. 191–200. ISSN 1534-5351.
LIU, L.; LU, J.; YANG, S. Many-objective optimization of antenna arrays using an
improved multiple-single-objective pareto sampling algorithm. IEEE Antennas and
Wireless Propagation Letters, v. 11, p. 399–402, 2012. ISSN 1536-1225.
LU, L.; CAI, W. A universal engineering model for cooling towers. In: International
Refrigeration and Air Conditioning Conference. Indiana, USA, 2002.
LU, L. et al. HVAC system optimization – condenser water loop. Energy Conversion and
Management, v. 45, n. 4, p. 613–630, 2004.
MA, Z.; WANG, S. Supervisory and optimal control of central chiller plants using
simplified adaptive models and genetic algorithm. Applied Energy, v. 88, n. 1, p. 198–211,
2011.
MOSTAGHIM, S.; TEICH, J. Strategies for finding good local guides in multi-objective
particle swarm optimization (mopso). In: In 2003 IEEE Swarm Intelligence Symposium
Proceedings. Indianapolis, Indiana, USA: IEEE Service Center, 2003. p. 26–33.
OZCAN, H.; OZDEMIR, K.; CILOGLU, H. Optimum cost of an air cooling system by
using differential evolution and particle swarm algorithms. Energy and Buildings, v. 65,
p. 93–100, 2013.
RUDOLPH, G. Evolutionary search under partially ordered sets. Tech. Rep. CI-67/99,
Dept. Comp. Sci./LS11, Univ. Dortmund, Dotmund, Germany, 1999.
SAYYAD, A. et al. Optimum feature selection in software product lines: Let your model
and values guide your search. In: Combining Modelling and Search-Based Software
Engineering (CMSBSE), 2013 1st International Workshop on. San Francisco, CA, USA,
2013. p. 22–27.
SHI, Y.; EBERHART, R. A modified particle swarm optimizer. In: IEEE. Evolutionary
Computation Proceedings, 1998. IEEE World Congress on Computational Intelligence.,
REFERÊNCIAS 211
The 1998 IEEE International Conference on. Alaska, USA, 1998. p. 69–73. ISBN
0-7803-4869-9.
TAN, K. C.; LEE, T. H.; KHOR, E. F. Evolutionary algorithms with dynamic population
size and local exploration for multiobjective optimization. Evolutionary Computation,
IEEE Transactions on, IEEE, v. 5, n. 6, p. 565–588, 2001.
TYAGI, V.; SANE, H.; DARBHA, S. An extremum seeking algorithm for determining
the set point temperature for condensed water in a cooling tower. In: 2006 American
Control Conference. Minnesota, USA: IEEE, 2006. p. 1127–1131. ISBN 1-4244-0209-3.
WAGNER, T.; BEUME, N.; NAUJOKS, B. Pareto-, aggregation-, and indicator- based
methods in many-objective optimization. In: Evolutionary Multi-Criterion Optimization,
4th International Conference, EMO 2007, Matsushima, Japan, March 5-8, 2007.
Proceedings. Matsushima, Japan: Springer Berlin Heidelberg, 2007. v. 4403, p. 742–756.
YU, K. et al. Chiller energy saving optimization using artificial neural networks. Journal
of Applied Sciences, v. 16, n. 11, p. 3008–3014, 2011. ISSN 1812-5654.
YUAN, Y.; XU, H.; WANG, B. An improved nsga-iii procedure for evolutionary
many-objective optimization. In: ACM. Proceedings of the 2014 Conference on Genetic
and Evolutionary Computation. Vancouver, BC, Canada, 2014. p. 661–668. ISBN
978-1-4503-2662-9.
REFERÊNCIAS 213
ZITZLER, E.; LAUMANNS, M.; THIELE, L. Spea2: Improving the strength pareto
evolutionary algorithm. TIK-Report 103, Swiss Federal Institute of Technology, Zurich,
2001.
Tabela A.2: NSGA-II - Soluções ótimas obtidas para os 35 pontos operacionais utilizados
nas implementações de otimização usando a modelagem ZCAP1 .
Tabela A.3: NSGA-II - Soluções ótimas obtidas para os 35 pontos operacionais utilizados
nas implementações de otimização usando a modelagem ZCAP2 .
Tabela A.4: SPEA2 - Soluções ótimas obtidas para os 35 pontos operacionais utilizados
nas implementações de otimização usando a modelagem ZCAP1 .
Tabela A.5: SPEA2 - Soluções ótimas obtidas para os 35 pontos operacionais utilizados
nas implementações de otimização usando a modelagem ZCAP2 .
Tabela A.6: Micro-GA - Soluções ótimas obtidas para os 35 pontos operacionais utilizados
nas implementações de otimização usando a modelagem ZCAP1 .
Tabela A.7: Micro-GA - Soluções ótimas obtidas para os 35 pontos operacionais utilizados
nas implementações de otimização usando a modelagem ZCAP2 .
Tabela A.8: MOPSO - Soluções ótimas obtidas para os 35 pontos operacionais utilizados
nas implementações de otimização usando a modelagem ZCAP1 .
Tabela A.9: MOPSO - Soluções ótimas obtidas para os 35 pontos operacionais utilizados
nas implementações de otimização usando a modelagem ZCAP2 .