UNIVERSIDADE FEDERAL DE SANTA CATARINA

DEPARTAMENTO DE INFORMÁTICA E ESTATÍSTICA

Rafael Judar Vicchini

INTELIGÊNCIA ARTIFICIAL APLICADA SOBRE O

PROBLEMA DE OTIMIZAÇÃO DO PLANEJAMENTO
DA OPERAÇÃO HIDROTÉRMICA DE MÉDIO PRAZO
NO BRASIL

Florianópolis

2019
 Rafael Judar Vicchini

INTELIGÊNCIA ARTIFICIAL APLICADA SOBRE O

PROBLEMA DE OTIMIZAÇÃO DO PLANEJAMENTO
DA OPERAÇÃO HIDROTÉRMICA DE MÉDIO PRAZO
NO BRASIL

Trabalho submetido ao Programa de

Graduação em Sistemas de Informa-
ção para a obtençăo do Grau de Ba-
charel em Sistemas de Informação.
Orientador: Profa. Dra. Jerusa Mar-
chi

Florianópolis

2019
 Rafael Judar Vicchini

INTELIGÊNCIA ARTIFICIAL APLICADA SOBRE O

PROBLEMA DE OTIMIZAÇÃO DO PLANEJAMENTO
DA OPERAÇÃO HIDROTÉRMICA DE MÉDIO PRAZO
NO BRASIL

Este Trabalho foi julgado aprovado para a obtenção do Título de

“Bacharel em Sistemas de Informação”, e aprovado em sua forma final
pelo Programa de Graduação em Sistemas de Informação.

Florianópolis, 30 de junho 2019.

Prof. Dr. Cristian Koliver

Coordenador do Curso

Profa. Dra. Jerusa Marchi

Orientador

Banca Examinadora:

Prof. Dr. Elder Rizzon Santos

Presidente

Prof. Dr. Mauro Roisenberg

 AGRADECIMENTOS

Primeiramente agradeço à minha família: aos meus pais, pelas

oportunidades que me foram dadas desde cedo e que permitiram me
desenvolver, e à minha esposa Ana e meu filho Luca, pela paciência
comigo frente aos diversos compromissos ao longo desse trabalho.

Pelo auxílio direto no desenvolvimento deste trabalho, agradeço

à engenheira Yasmin Cyrillo pela disponibilização do código fonte da
simulação da PDDE, o que certamente permitiu viabilizar o que me
propus a realizar, e à Profa. Dra. Jerusa Marchi, não só por todo
o aprendizado ao longo do trabalho, mas pelo incentivo constante na
busca de novas soluções, principalmente nos momentos de incertezas e
dúvidas.
O pessimista vê dificuldade em cada opor-
tunidade; o otimista vê oportunidade em
cada dificuldade.

Winston Churchill
 RESUMO

A matriz elétrica brasileira é composta, em grande parte, por fontes

hidráulica e térmica, com predominância da primeira. A priorização e
seleção das usinas a serem acionadas para atender o consumo é uma
escolha altamente dependente das afluências futuras, por conta de seu
impacto sobre o volume dos reservatórios e por consequencia, dos ní-
veis de geração hidrelétrica e do custo de operação do sistema. Diante
da estocasticidade presente no problema, o planejamento da operação
elétrica no Brasil, que determina a estratégia de alocação entre as fon-
tes de energia buscando a minimização do custo, realiza tal otimização
fazendo uso de programação linear estocástica com aplicação de cortes
de Benders (BENDERS, 1962). Essa técnica trabalha sobre uma árvore
de estados incompleta, com um método de seleção aleatória de estados
em um processo iterativo de convergência. Ao invés de percorrer uma
árvore de estados completa, a técnica em vigor reduz sensivelmente o
número de estados calculados, simplificando a otimização e reduzindo
o esforço computacional, mas com potencial de levar à desconsideração
de estados importantes na resolução do problema, o que pode prejudi-
car a obtenção de uma solução ótima. O objetivo do presente trabalho
é demonstrar a viabilidade da aplicação de abordagem baseada em inte-
ligência artificial para a otimização do despacho hidrotérmico de médio
prazo no Brasil, assentada em heurísticas que possam melhor subsidiar
o processo de percorrimento da árvore de cenários de afluência, e por
consequência, dos estados a serem calculados. A partir de algoritmos
genéticos com heurísticas baseadas em elementos estatísticos, aplicados
sobre a etapa de seleção dos caminhos a percorrer na árvore de cenários
de afluência, foi obtida redução do esforço computacional em termos
de número de problemas otimizados, com resultados próximos daque-
les obtidos na técnica empregada atualmente, possibilitando concluir
que há viabilidade na aplicação de modelos baseados em inteligência
artificial sobre o problema de otimização do despacho hidrotérmico no
Brasil.
Palavras-chave: Programação Dinâmica Dual Estocástica. Planeja-
mento da operação hidroenergética. Inteligência Artificial. Algoritmos
Genéticos
 ABSTRACT

The Brazilian electrical matrix is composed, mostly, by hydraulic and

thermal sources, with predominance of the first one. The prioritization
and selection of power plants to be used in order to satisfy the consump-
tion is a highly dependent choice over future inflows, due to its impact
on the volume of reservoirs and consequently, on the levels of hydroelec-
tric generation and on the system operational cost. Due to the presence
of stochasticity in the problem, the planning of the electric operation in
Brazil, which determines the allocation strategy among energy sources
toward cost minimization, performs the optimization by linear stochas-
tic programming with the application of Bender cuts (BENDERS, 1962).
This technique works on an incomplete state tree and makes use of a
random state selection method in an iterative process of convergence.
Rather than traversing a complete state tree, the current technique sen-
sibly reduces the number of calculated states, simplifying optimization
and reducing computational effort, but potentially leading to a disre-
gard of important states in solving the problem to obtain an optimal
solution. The objective of the present work aims to demonstrate the
feasibility of the application of approach based on artificial intelligence
for optimization of the medium term hydrothermal dispatch in Brazil,
based on heuristics that can better subsidize the process of crossing the
state tree, and consequently, reducing the states to be calculated. As a
result of the application of genetic algorithms, with heuristics based on
statistical elements, in the selection of the paths to be traversed in the
state tree, a reduction in the computational effort in terms of number
of optimized linear problems was obtained, with a very close results
from those obtained in the technique currently employed, concluding
that there is feasibility in the application of models based on artificial
intelligence on the problem of hydrothermal dispatch optimization in
Brazil.
Keywords: Stochastic Dynamic Dual Programming. Hydroelectric
power planning. Artificial Intelligence. Genetic Algorithms.
 LISTA DE FIGURAS

Figura 1 Geração de energia por fonte (em MWmed) no Brasil em

2018 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21
Figura 2 Geração de energia vs. custo marginal de operação . . . . 22
Figura 3 Função de custo futuro . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25
Figura 4 Função de custo imediato . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 26
Figura 5 Função de custo total . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 27
Figura 6 Fluxograma do algoritmo da PDDE . . . . . . . . . . . . . . . . . . . 35
Figura 7 Função de custo futuro . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 54
Figura 8 Função de custo futuro por estágio . . . . . . . . . . . . . . . . . . . . 56
Figura 9 Séries forward por estágio temporal. . . . . . . . . . . . . . . . . . . . 57
Figura 10 Convergência do cálculo de otimização . . . . . . . . . . . . . . . . . 57
Figura 11 Custo e número de iterações: simulação PDDE . . . . . . . . 58
Figura 12 Assimetria das distribuições de frequencia . . . . . . . . . . . . . 62
Figura 13 Resultado do algoritmo genético . . . . . . . . . . . . . . . . . . . . . . . 64
Figura 14 Resultado do algoritmo genético e população inicial . . . . 65
Figura 15 Custo e número de iterações: simulação PDDE, GA e
GA com inversão de heurísticas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 69
Figura 16 Funções de custo futuro: heurísticas selecionadas e heu-
rísticas invertidas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 70
 LISTA DE TABELAS

Tabela 1 Dados da usina hidrelétrica . . . . . . . . . . . . . . . . . . . . . . . . . . . . 54

Tabela 2 Dados das usinas térmicas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 55
Tabela 3 Dados estatísticos da amostra: simulações PDDE . . . . . . 55
Tabela 4 Otimização determinística sobre estatísticas da amostra
(Média) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 67
Tabela 5 Otimização determinística sobre estatísticas da amostra
(Moda) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 68
Tabela 6 Otimização determinística sobre estatísticas da amostra
(Mediana). . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 68
Tabela 7 Otimização determinística de acordo com o indivíduo
gerado pelo algoritmo genético . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 68
Tabela 8 Otimização determinística de acordo com o indivíduo
gerado pelo algoritmo genético (inversão da heurística) . . . . . . . . . . . 69
Tabela 9 Comparativo de soluções vs. PDDE . . . . . . . . . . . . . . . . . . . 70
 SUMÁRIO

1 INTRODUÇĂO . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21
1.1 OBJETIVO . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 28
1.2 OBJETIVOS ESPECÍFICOS . . . . . . . . . . . . . . . . . . . . . . . . . . . . 28
1.3 APRESENTAÇÃO DO TRABALHO . . . . . . . . . . . . . . . . . . . . . 28
2 CRONOLOGIA . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 31
2.1 PROGRAMAÇÃO DINÂMICA ESTOCÁSTICA . . . . . . . . . . 32
2.2 PROGRAMAÇÃO DINÂMICA DUAL ESTOCÁSTICA . . . . 34
3 ALGORITMOS GENÉTICOS E APLICAÇÕES PARA
PROBLEMAS SEQUENCIAIS MULTI-ESTÁGIO . . . 41
4 A APLICAÇÃO DE ALGORITMOS GENÉTICOS SO-
BRE A SELEÇÃO DE ESTADOS . . . . . . . . . . . . . . . . . . . 47
4.1 CONCEITUAÇÃO DO ALGORITMO GENÉTICO . . . . . . . . 47
4.1.1 Terminologia . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 48
4.1.2 Método de seleção . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 49
4.1.3 Método de reprodução . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 49
4.1.4 Critérios de parada . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 50
4.2 DESCRIÇÃO DO ALGORITMO GENÉTICO . . . . . . . . . . . . 51
4.3 A APLICAÇÃO DE INTELIGÊNCIA ARTIFICIAL EM DE-
TALHES . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 52
4.3.1 Representação do sistema . . . . . . . . . . . . . . . . . . . . . . . . . . 52
4.3.2 O problema de otimização sem IA . . . . . . . . . . . . . . . . . 54
4.3.3 O problema de otimização com IA . . . . . . . . . . . . . . . . . 56
4.3.3.1 Parâmetros do algoritmo genético . . . . . . . . . . . . . . . . . . . . . 58
4.3.3.2 Elementos de Estatística Descritiva e distribuição de pro-
babilidades . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 60
4.3.3.3 Descrição da heurística . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 63
5 RESULTADOS . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 67
6 CONCLUSÕES E TRABALHOS FUTUROS . . . . . . . . 73
REFERÊNCIAS . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 75
APÊNDICE A -- Scripts do Matlab . . . . . . . . . . . . . . . . . . . 81
 21

1 INTRODUÇĂO

A matriz elétrica brasileira é predominantemente hídrica, como

mostra a Figura 1, tendo essa fonte respondido por cerca de 70% (OPE-
RADOR NACIONAL DO SISTEMA - ONS, 2019) da geração elétrica do país
no ano de 2018.
Figura 1 – Geração de energia por fonte (em MWmed) no Brasil em
2018

Fonte: (OPERADOR NACIONAL DO SISTEMA - ONS, 2019)

A predominância da fonte hidráulica na matriz implica uma forte

influência do volume dos reservatórios sobre o custo da energia para o
consumidor final. Pode-se afirmar que no sistema elétrico nacional, o
custo marginal de operação 1 sofre maior influência da disponibilidade
dos recursos naturais, destacadamente hidráulicos, do que das variações
1 custo por unidade de energia produzida para atender a um acréscimo de carga

no sistema (AGÊNCIA NACIONAL DE ENERGIA ELÉTRICA - ANEEL, b)

22

do consumo de energia (EMPRESA DE PESQUISA ENERGETICA - EPE,

2018).
Para demonstrar tal afirmação, pode-se observar na figura 2 a
representação de uma projeção da sazonalidade da geração hidráulica
total (na legenda, GHTOT - SIN) e do comportamento do custo margi-
nal de operação (na legenda, CMO), onde nos meses de maior geração
hidráulica se apresenta um custo mais baixo, enquanto que nos meses de
menor geração hidráulica se verifica um custo mais elevado, resultante
da maior expectativa de geração termelétrica.

Figura 2 – Geração de energia vs. custo marginal de operação

Fonte: (EMPRESA DE PESQUISA ENERGETICA - EPE, 2018)

O estoque de recursos naturais para o caso em estudo corres-

ponde ao volume dos reservatórios das hidrelétricas, cuja regulação de-
pende do regime hidrológico, determinado pela vazão 2 natural afluente.
De acordo com (MARCATO, 2010), a vazão natural afluente à
uma usina hidrelétrica é a vazão que seria observada em seu respectivo
posto de medição 3 considerando o rio na sua condição natural, ou seja,
2 Vazão, ou seja, volume de água por unidade de tempo, que chega a um deter-

minado aproveitamento hidrelétrico.

3 O Operador Nacional do Sistema disponibiliza aos agentes o registro histórico de

vazões das usinas hidrelétricas. O posto de medição de vazões é um código de cada

usina para acesso às informações. Os dados do registro histórico de vazões naturais
das usinas hidrelétricas são correspondentes às médias mensais e, atualmente, o seu
primeiro registro é referente ao mês de janeiro de 1931, para todas as usinas.
 23

imaginando que não existe nenhum reservatório capaz de regularizar a

vazão em nenhum ponto do rio. A partir do conceito de vazão natural
pode ser introduzido o conceito de vazão incremental, que é aquela
correspondente a toda vazão lateral captada entre um posto de medição
e todos os postos de medição imediatamente a montante deste. Todas
as usinas de cabeceira têm suas vazões incrementais dadas diretamente
pela suas vazões naturais.
Vale destacar que os cenários de afluências naturais médias men-
sais para fins de estudos de otimização são obtidos a partir da utilização
de modelos de previsão de vazões estocásticos de geração de séries sin-
téticas (OPERADOR NACIONAL DO SISTEMA - ONS, 2018b).
A incerteza acerca das vazões afluentes futuras nas diversas usi-
nas hidrelétricas do sistema, representada na modelagem do sistema por
meio de cenários hidrológicos, acarreta a necessidade de planejamento
da operação elétrica no médio prazo com a definição e priorização das
usinas a serem acionadas para o atendimento do consumo em cada es-
tágio de tempo, que leve em consideração o impacto futuro do uso da
água de um reservatório minimizando o custo de operação do sistema.
Uma estratégia de utilizar fonte hídrica no tempo presente depleciona
o reservatório e caso um cenário hidrológico adverso se verifique no fu-
turo, haverá um custo alto por conta do acionamento das térmicas ou
eventualmente não atendimento do consumo, denominado déficit. Por
outro lado, uma estratégia de preservar a fonte hídrica evita o deple-
cionamento do reservatório, mas caso ocorra um cenário hidrológico
favorável no futuro, haverá vertimento de água, ou seja, desperdício de
energia.
Adicionalmente, em um país com dimensões continentais como o
Brasil, há a possibilidade de intercâmbio de energia elétrica entre sub-
sistemas através da malha de transmissão, o que corrobora, de acordo
com (MARCATO, 2002), na obtenção de vantagens decorrentes da diver-
sidade hidrológica entre as diferentes bacias hidrográficas do território
brasileiro.
Frente à diversidade das fontes de energia na matriz elétrica, pre-
sença de estocasticidade derivada do regime hidrólogico, e intercâmbio
de energia entre regiões, há a necessidade de coordenação operativa
desse sistema. A operação do sistema elétrico se dá sobre uma repre-
sentação denominada Sistema Interligado Nacional (SIN) 4 . De acordo

4 O SIN é a representação de um sistema hidro-termo-eólico de grande porte,

constituído por quatro subsistemas: Sul, Sudeste/Centro-Oeste, Nordeste e a maior

parte da região Norte, com usinas hidrelétricas distribuídas em dezesseis bacias
hidrográficas (OPERADOR NACIONAL DO SISTEMA - ONS, 2018a).
24

com (MACEIRA et al., 2008), a operação do sistema elétrico brasileiro

é baseado na centralização do esquema de otimização, escalonamento
e despacho, coordenado pelo Operador Nacional do Sistema (ONS). O
ONS estabelece o escalonamento das usinas a serem acionadas e qual o
alvo de geração para atingir o mínimo custo de operação do sistema. A
otimização e o escalonamento são obtidos através de uma cadeia de mo-
delos de otimização desenvolvidos pelo Centro de Pesquisas de Energia
Elétrica (Eletrobras Cepel), e passam por procedimentos de validação
pelo regulador, a Agência Nacional de Energia Elétrica - ANEEL.
As usinas térmicas, em geral localizadas nas proximidades dos
principais centros de consumo, desempenham papel estratégico rele-
vante, pois contribuem para a segurança do SIN. Essas usinas são des-
pachadas em função das condições hidrológicas vigentes, permitindo a
gestão dos estoques de água armazenada nos reservatórios das usinas
hidrelétricas para assegurar o atendimento futuro (OPERADOR NACIO-
NAL DO SISTEMA - ONS, 2018a). Associada à existência de intercâmbio
entre as regiões, a presença de térmicas e hidroelétricas confere a ca-
racterística de interdependência à esse sistema.
A definição da estratégia para a operação desse sistema hidro-
térmico com a presença de múltiplos reservatórios possui como objetivo
central eleger a melhor sequencia de decisões possíveis, em termos de
despacho elétrico, entre todos os estágios temporais que compõem o ho-
rizonte de análise, atingindo a minimização do custo total do sistema
elétrico interligado, ou seja, a operação desse sistema hidrotérmico de-
manda a priorização das unidades geradoras considerando os impactos
temporais de uma decisão.
De acordo com (MARCATO, 2002), o benefício da utilização de
água estocada nos reservatórios em um determinado instante é medido
em função da economia de combustível das térmicas e déficits futuros.
Considerando que a disponibilidade de energia armazenada em um sis-
tema é limitada pela capacidade de seus reservatórios cujas afluências
futuras são desconhecidas, conclui-se que uma decisão de operação em
uma determinada etapa deve ser função das consequências futuras desta
decisão. Tem-se portanto o acoplamento temporal ao problema de oti-
mização.
As usinas hidrelétricas também operam em cascata, de forma
que a operação de uma usina afeta as usinas à jusante. Dada essa ca-
racterística, as usinas hidroelétricas que compõem o sistema elétrico
são representadas em sistemas equivalentes de energia, ou seja, agre-
gadas de acordo com características comuns, o que permite simplificar
a modelagem do sistema. Tem-se portanto o acoplamento espacial ao
 25

problema de otimização.
Diante do exposto, em um sistema que conta com a presença de
estocasticidade das vazões, múltiplas fontes de energia, e acoplamentos
espacial e temporal de usinas, tem-se que o problema da otimização da
operação deverá considerar os custos associados à cada fonte ao longo do
horizonte de análise, considerando os efeitos temporais de cada decisão.
Nesse sentido, pode-se segregar esses custos em imediato e futuro.
A utilização da água incorre em custo imediato nulo mas em
algum custo futuro, ou seja, conforme o reservatório se aproxima do
esgotamento por conta do acionamento de hidrelétricas, o custo futuro
da operação do sistema aumenta, pois a falta de água no futuro incor-
rerá no acionamento de outras fontes mais caras. As usinas térmicas,
por sua vez, possuem um alto custo imediato, mas não possuem cus-
tos futuros, dado que sua utilização no tempo presente não incorre em
impactos no tempo. Logo, a curva de custo futuro apresenta maior
valor conforme ocorre redução no volume armazenado do reservatório,
e a sua derivada corresponde ao valor da água. Quando o reservatório
está próximo de 100%, o valor da água tende à zero, conforme pode ser
visualizado na Figura 3.

Figura 3 – Função de custo futuro

Fonte: (ONS, 2015)

Já o custo imediato representa o custo no presente, decorrente

do uso das térmicas bem como de eventual corte de carga originando
déficit de energia, e possui comportamento inverso ao custo futuro,
conforme pode ser visualizado na Figura 4.
26

Figura 4 – Função de custo imediato

Fonte: (ONS, 2015)

A incerteza reside no fato de que enquanto o custo imediato é

conhecido, o custo futuro necessita ser estimado, sendo dependente,
principalmente, do nível de armazenamento dos reservatórios e na pro-
jeção de vazões afluentes.
Conciliando as funções de custo futuro e custo imediato, tem-se
a função de custo total. O mínimo custo, conforme pode ser observado
na Figura 5, ocorre nos pontos em que as derivadas de ambas as funções
se compensam.
No caso do planejamento da operação do sistema, tem-se por-
tanto, de acordo com (PEREIRA; PINTO, 1985), um problema de otimi-
zação: (i) estocástico, por ser impossível construir projeções perfeitas
para as sequências de afluências futuras, bem como do consumo; (ii)
de larga escala, pela existência de múltiplos reservatórios interligados
e necessidade de otimização multiestágio; (iii) não linear, dada a não
linearidade dos custos das térmicas, e da produtibilidade das usinas
hidrelétricas; (iv) não separável, pois o valor da energia decorrente da
geração hidrelétrica não pode ser mensurada diretamente por uma fun-
ção de seu estado, mas também em termos de economia de combustível
para as térmicas e do custo evitado de um corte de carga.
A solução do problema para fins de cálculo de uma política de
operação ótima no médio prazo faz uso da otimização baseada em
programação dinâmica, em um método chamado de Programação Di-
nâmica Dual Estocástica, desenvolvido e demonstrado em (PEREIRA;
 27

Figura 5 – Função de custo total

Fonte: (ONS, 2015)

PINTO, 1985). O resultado da otimização é o cálculo da função de

custo futuro, função multivariada que define o valor econômico da ener-
gia armazenada em função dos níveis de armazenamento e afluências
passadas.
O método de programação dinâmica empregado é baseado em
um processo iterativo, em que somente alguns estados são calculados,
de acordo com seleção aleatória de caminhos a percorrer na árvore de
cenários de afluências. A cada ciclo de iteração, que é segmentado em
etapas backward e forward, novas restrições são incorporadas ao modelo,
denominadas cortes de Benders, sendo considerado como critério de
parada do algoritmo a convergência de valores superior e inferior do
cálculo do custo total do horizonte de planejamento.
O presente estudo propõe considerar a aplicação de técnica de
inteligência artificial ("IA") na seleção desses caminhos a percorrer,
tornando esse processo de seleção assentado em heurísticas que possam
assegurar maior eficiência na escolha de estados considerados impor-
tantes, o que permite melhorar não somente a qualidade da predição
como também o desempenho do algoritmo em termos de tempo com-
putacional.
28

1.1 OBJETIVO

O objetivo deste trabalho é propor a aplicação de ferramentas

baseadas em IA para subsidiar o método de programação dinâmica
atualmente empregado no problema de otimização do planejamento da
operação hidrotérmica de médio prazo no Brasil, avaliando se há po-
tencial de redução do esforço computacional. O método proposto deve
auxiliar na definição do caminho a percorrer na árvore de cenários de
afluência, determinando com heurísticas os estados a serem calculados
em cada estágio temporal, para fins de cálculo da função de custo futuro
e sua inclinação.
A eficácia e eficiência da aplicação dessas ferramentas devem ser
comprovadas por meio da simulação de cenários, comparando os resul-
tados da otimização, demonstrando assim que a utilização da técnica
de IA não afetou a lógica de resolução, mas também comparando o
número de iterações realizadas no processo, demonstrando a redução
do esforço computacional. Dessa forma, será possível demonstrar a vi-
abilidade e coerência da técnica proposta em termos computacionais,
refinando o método atualmente empregado sem ameaçar a possibilidade
de reprodução dos cálculos.

1.2 OBJETIVOS ESPECÍFICOS

Os objetivos específicos do trabalho podem ser definidos nos se-

guintes itens: (i) revisar a literatura relacionada com programação di-
nâmica e planejamento da operação de longo e médio prazos no Brasil;
(ii) revisar a literatura de IA, em específico de algoritmos genéticos;
(iii) investigar a possibilidade de configurações híbridas, envolvendo
programação dinâmica com abordagem de IA; (iv) simular a otimiza-
ção por programação dinâmica incorporando IA no processo de solução;
(v) avaliar, de forma comparativa, os resultados das simulações de oti-
mização com e sem a técnica de IA; (vi) discutir possíveis melhorias
obtidas pela aplicação da técnica.

1.3 APRESENTAÇÃO DO TRABALHO

O trabalho será desenvolvido em partes bem segregadas, além

desta introdução.
A primeira parte trata da referência bibliográfica do tema, explo-
 29

rando o histórico e o detalhamento do método de programação dinâmica

aplicado ao problema.
A segunda parte realiza uma análise das aplicações recentes de
técnicas de algoritmos genéticos para problemas de otimização sequen-
ciais de larga escala, ou seja, com características semelhantes ao pro-
blema da otimização do planejamento da operação elétrica no médio
prazo.
A terceira parte apresenta uma simulação, fazendo uso do soft-
ware Matlab ® , da resolução do problema de otimização para um
parque hidrotérmico ilustrativo com a utilização da PDDE, e aplica
a técnica de IA no problema de otimização, em específico no critério de
seleção da árvore de cenários de afluências dentro do cálculo da função
de custo futuro.
A quarta parte apresenta os resultados, demonstrando sua repro-
dutibilidade, aderência de resultados e vantagens em termos de custo
computacional.
A quinta parte, por fim, consiste na conclusão e no apontamento
de trabalhos futuros.
30
 31

2 CRONOLOGIA

O problema de otimização em foco no presente trabalho atu-

almente encontra na programação dinâmica a sua resolução, por esta
ser compatível com problemas de decisão sequencial ou de múltiplos
estágios relacionados.
De acordo com (CAMPELLO, 2002), a programação dinâmica está
intimamente ligada com o Princípio da Otimalidade de Bellman, que
afirma que, dado o estado atual, uma política ótima para os estágios
restantes é independente da política adotada nos estágios anteriores,
sugerindo que a solução do problema se inicie pelo último estágio, re-
trocedendo até alcançar o estágio inicial.
Ainda de acordo com (CAMPELLO, 2002), a técnica da programa-
ção dinâmica permite transformar um problema de decisão seqüencial
(em múltiplos estágios) contendo diversas variáveis interdependentes
em uma série de subproblemas contendo poucas variáveis. A técnica
resolve problemas pela sua decomposição em subproblemas, resolvidos
estágio por estágio oferecendo algumas vantagens em relação a outras
técnicas de otimização. Pode tratar funções descontínuas, não diferen-
ciáveis, não convexas, determinísticas ou estocásticas.
Até o final da década de 1970, adotava-se no Brasil o planeja-
mento e coordenação dos recursos hídricos por meio de uma curva-guia,
baseada no registro mais severo de vazões dentre o histórico disponível
à época. Em 1979, foi iniciada por técnicos do Centro de Pesquisas de
Energia Elétrica - Cepel, vinculado à Eletrobras, a modelagem do pro-
blema com base em Programação Dinâmica Estocástica (PDE), mas
que não considerava o intercâmbio entre regiões do sistema. Conforme
ocorreu a ampliação da malha de transmissão de energia elétrica no
país, as características implícitas à PDE e que geram um aumento
exponencial no número de estados conforme mais variáveis e discre-
tizações são consideradas no problema, inviabilizaram a continuidade
do emprego do método (SILVA, 2001). Esse aumento exponencial de
estados é denominado "Mal da Dimensionalidade".
Com a inserção do intercâmbio de energia entre subsistemas e
a expansão do parque gerador, o aumento do número de estados com
consequente aumento do custo computacional exigiu aprimoramentos
na metodologia empregada, levando à adoção, em meados da década de
1980, da Programação Dinâmica Dual Estocástica (PDDE), conforme
proposto por (PEREIRA; PINTO, 1985), que é baseada na aplicação de
decomposição de Benders (BENDERS, 1962), método para resolver pro-
32

blemas de programação de grande escala, que decompõe o problema

principal em subproblemas, que são calculados iterativamente.
A partir de 1993, o Cepel iniciou a implementação do programa
computacional NEWAVE, que aplica a PDDE para o planejamento da
operação de médio prazo, e sua utilização oficial para fins de coordena-
ção da alocação hidrotérmica data de 1998 (MACEIRA et al., 2008).
As seções a seguir detalham a PDE e PDDE, expondo suas limi-
tações e vantagens.

2.1 PROGRAMAÇÃO DINÂMICA ESTOCÁSTICA

No cálculo de otimização baseado em PDE, as variáveis que com-

põem o estado do sistema são representadas por valores discretos, e
devem ser combinadas entre si, ou seja, exige a discretização do espaço
de estados. O número de estados possíveis, assim, será determinado
pelo número de discretizações das variáveis que compõem um estado.
No problema de otimização do planejamento da operação, cada
estado do sistema será caracterizado pelo volume dos reservatórios e
pelas vazões afluentes anteriores em cada usina, e são passíveis de alte-
ração entre os estágios.
Considerando que o estado Xt consiste em um vetor contendo
os volumes iniciais (VIt ) de cada usina hidrelétrica e pelos vetores
contendo as vazões afluentes incrementais à cada usina hidrelétrica
nos estágios anteriores (AF Lt−1 , AF Lt−2 , ...), pode-se representar a
PDE pela seguinte equação recursiva, conforme extraído de (MARCATO,
2002):

!
1
αt (Xt ) = E M in Ct (Ut ) + αt+1 (Xt+1 ) (2.1)
AF Lt |Xt Ut β

s.t.
(i) restrição de balanço hídrico: o volume final do reservatório
deve ser igual ao acréscimo de água sobre o volume inicial (afluências),
descontado dos volumes turbinado e vertido;
(ii) restrição de carga: os montantes de geração hidrelétrica, tér-
mica e déficit deve ser igual ao consumo;
(iii) restrição de produção de energia: cada usina só pode ge-
rar até o montante determinado por sua capacidade instalada, e pode
existir níveis de geração mínima a serem respeitados;
 33

Onde αt (Xt ) representa o custo associado ao estado X no es-

tágio t, Ct (Ut ) representa o custo imediato associado à decisão Ut ,
αt+1 (Xt+1 ) representa o custo futuro associado à decisão Ut , uma vez
que o estado Xt+1 é uma consequência da decisão operativa Ut , e β
representa a taxa de desconto para conversão à valor presente. Deve-se
considerar que a decisão Ut consiste em vetores contendo os volumes,
turbinados ou vertidos, associados às usinas hidrelétricas integrantes do
sistema, dados, respectivamente, por vtt e vvt . A partir de Ut , pode-se
calcular os montantes de geração térmica e eventual déficit para cada
estágio. O déficit é valorado pela térmica com maior custo disponí-
vel no sistema. A ordem de entrada das térmicas considera seu custo
unitário, iniciando-se pela de menor custo.
O algoritmo de PDE constrói a função de custo futuro, αt (Xt )
discretizando o espaço de estados Xt em um conjunto de valores e
resolvendo a equação 2.1 para cada um desses valores. Valores inter-
mediários de αt (Xt ) são obtidos através de interpolação.
A função de custo futuro será representada como diversas res-
trições de desigualdade. Cada restrição constitui uma função linear de
primeiro grau, representando o custo futuro em função do volume final
deixado no estágio anterior no reservatório.
A PDE possui como vantagens o fato de poder representar não-
linearidades e considerar a estocasticidade do problema. O grande
obstáculo na utilização da PDE consiste no aumento exponencial do
número de estados com relação às variáveis. Sendo N o número de
discretizações, V o número de variáveis e H o número de hidrelétricas,
o número de estados possíveis corresponde à N V ∗H . Por exemplo, se
forem trabalhados um número de quarenta intervalos de discretização,
com duas variáveis (nível de armazenamento e afluências passadas),
para um sistema com uma única usina o número de estados seria de
1.600 (402 ), passando para 2,56 milhões (404 ) se passarmos a traba-
lhar com duas usinas. O sistema brasileiro, entretanto, possuía, em
Setembro de 2018, 218 usinas hidroelétricas (AGÊNCIA NACIONAL DE
ENERGIA ELÉTRICA - ANEEL, a), o que gera uma demanda de recur-
sos computacionais muito elevada para o cálculo da otimização. Essa
característica da PDE, visitando todos os estados, torna o problema a
ser computacionalmente intratável (MACEIRA et al., 2008).
A solução encontrada passou pela redução do número de estados
visitados, e é conhecida como Programação Dinâmica Dual Estocástica.
34

2.2 PROGRAMAÇÃO DINÂMICA DUAL ESTOCÁSTICA

Elaborada na década de 1980 por (PEREIRA; PINTO, 1985), a

PDDE permitiu promover a redução do número de estados calculados
no problema de otimização fazendo uso da decomposição de Benders.
Em compensação, além do custo futuro, é calculada também sua taxa
de variação nas vizinhanças do estado em que foi calculado. Esta taxa
de variação é conhecida matematicamente como a derivada do custo
futuro (ONS, 2015).
Com a PDDE não é necessário discretizar o espaço de estados,
a solução é obtida através de um processo iterativo que continuamente
refina a função de custo futuro. Entretanto, a técnica exige a convexi-
dade do problema (CYRILLO, 2015).
A estratégia operativa será aquela que promove o equilíbrio entre
o valor da água (que é a derivada do custo futuro) e o custo da térmica
(que é a derivada do custo imediato), ou seja, que minimiza o custo
total, respeitando restrições, como o atendimento da carga e o balanço
hídrico.
O algoritmo pode ser representado através de fluxograma, con-
forme demonstrado na Figura 6.
O fluxograma está dividido em três blocos. O primeiro bloco
contém a etapa em que são definidas as restrições de desigualdade e de
igualdade, como por exemplo as restrições de carga, hídrica e operati-
vas.
A restrição de desigualdade é linear multivariada, e formará seg-
mentos lineares em torno dos estados interessantes, representando a
aproximação inferior da função de custo futuro para cada estágio. Os
coeficientes desses segmentos são as variáveis duais do problema de oti-
mização. Cada segmento linear é denominada corte de Benders, e pode
ser construída conforme equação descrita abaixo:
!
αt+1 − αt ≥ c ∗ vt+1 − vt (2.2)

Onde:
- αt : custo futuro do estágio t;
- αt+1 : custo futuro do estágio t + 1;
- vt : nível de armazenamento no estágio t;
- vt+1 : nível de armazenamento no estágio t;
- c: derivada do custo operativo em relação ao armazenamento;
 35

Figura 6 – Fluxograma do algoritmo da PDDE

Quanto às restrições de igualdade, serão consideradas: atendi-

mento à demanda, balanço hídrico e limites das variáveis operativas
das usinas.
A restrição de atendimento à demanda garante que a geração
seja compatível com o nivel de consumo de energia, e sendo inferior,
acarreta déficit no atendimento da demanda. Pode ser representada
por:
36

PN U T
GHt + j=1 GTi,j +DEFt =Dt (2.3)

Onde:
- GHt : produção hidroelétrica no estágio t, produto entre produtibi-
lidade da usina (ρ), que para fins deste estudo será considerada cons-
tante, e a vazão de água turbinada da usina 1 ;
- GTt,j : geração térmica da planta j no estágio t;
- DEFt : energia não suprida, ou seja, déficit, no estágio t;
- Dt : demanda do sistema no estágio t;
- N U T : número de usinas térmicas no sistema.

A restrição de balanço hídrico garante que o volume final do re-

servatório corresponda ao seu volume inicial, com acréscimo das afluên-
cias e decréscimo das vazões vertida e turbinada. Pode ser representada
conforme equação abaixo:

Vt+1 = Vt + AF Lt − Vturb t − Vvert t (2.4)

Onde:
- Vt+1 : volume do reservatório no final do estágio t;
- Vt : volume do reservatório no início do estágio t;
- AF Lt : volume afluente no estágio t;
- Vturb : volume de água turbinado;
- Vvert : volume de água vertido 2 .

Por fim, tem-se as restrições operativas, que se referem aos limi-

tes de armazenamento, turbinamento e geração térmica. Esses limites
são:
- limites de armazenamento: 0 ≤ vi ≤ vi M ax
- limites de turbinamento: Vturb ≤ vi ; 0 ≤ Vvert ≤ ∞;
- limites de geração térmica: 0 ≤ gtj ≤ gtj M ax

Onde:
- vi : volume do reservatório da usina i;
- vi M ax : volume máximo do reservatório da usina i;
1 Volume
que pode passar pela turbina para gerar eletricidade.
2 Vazão
descarregada através dos vertedores e/ou válvulas de fundo de um apro-
veitamento hidráulico.
 37

- gtj : geração térmica da usina j;

- gtj M ax : geração máxima térmica da usina j.

Após a definição das restrições, parte-se para o segundo bloco,

de premissas.
O número de estágios temporais do horizonte de análise para o
presente estudo serão de doze meses, enquanto que na otimização do
planejamento para o caso real brasileiro, são sessenta. Tal simplificação
é necessária para reduzir a complexidade do modelo em estudo.
Em seguida deve ser fixado o número de aberturas. A abertura
corresponde à possibilidade de ocorrência de um cenário de afluência.
No caso da otimização do planejamento para o caso real brasileiro,
trabalha-se com vinte aberturas, ou seja, para cada estágio, existem
vinte cenários de afluências. No presente estudo, serão consideradas
três aberturas por estágio, sorteadas do histórico disponibilizado pelo
ONS. Cabe destacar que na otimização do planejamento para o caso
real brasileiro, de acordo com (MARCATO, 2002), a série histórica de
vazões é ajustada por um modelo PAR(p) – Modelo Auto-Regressivo
Periódico de ordem p, que é capaz de gerar as vazões incrementais
sintéticas para as usinas pertencentes ao sistema.
Com a definição do número e das aberturas por estágio, é pos-
sível construir as séries forward, que são caminhos aleatórios percor-
ridos pelos estágios da matriz de aberturas. No caso real brasileiro,
são duzentas séries percorridas na otimização forward. No estudo, por
simplificação, serão trabalhadas trinta séries forward. Isso significa que
para cada estágio, serão calculados trinta estados, e para cada estado
serão considerados três cenários de afluência possíveis, sorteados alea-
toriamente.
Com base nas séries forward, é possível gerar a árvore de cenários
de afluências.
Também devem ser inseridos os parâmetros técnicos das usinas
hidroelétricas e térmicas. Para as usinas hidroelétricas, serão conside-
rados os dados de volume inicial e máximo do reservatório e potência
máxima. Para as usinas térmicas, são considerados os dados de custo
unitário de produção e potência máxima. O déficit de energia será
equiparado à uma usina térmica para fins de simulação, tendo seu custo
fixado de acordo com publicação anual do órgão regulador.
Definidas as restrições e as premissas, parte-se para o terceiro
bloco, o algoritmo propriamente dito.
A construção dos estados se dá na etapa denominada forward.
No primeiro estágio são obtidos o cenário de afluência da série e o nível
38

de armazenamento inicial de cada reservatório. Na primeira simulação

da etapa forward, devido à ausência de restrições de desigualdade re-
fletindo o custo futuro, ocorre a maximização da geração hidrelétrica
no cálculo do problema de otimização, com base na função objetivo de
minimização de custo, sujeita às restrições de igualdade.
Após o cálculo do problema de otimização em um estágio, o
nível do reservatório resultante será insumo para o próximo estágio. O
processo é continuamente realizado até que se atinja o último estágio
do horizonte de cálculo.
Ao atingir o último estágio, é calculada a restrição de desigual-
dade. Essa restrição será incorporada no cálculo recursivo do problema,
partindo então para a etapa backward. O percorrimento na árvore de
cenários se dá recursivamente, partindo do último estágio, mas agora
incorporando a restrição de desigualdade calculada em cada estágio
temporal.
Por fim, será necessário estabelecer um critério de parada. Para
isso, serão considerados dois parâmetros, os limites de custo inferior e
o superior.
O limite de custo inferior (Zinf ) é calculado pela média dos cus-
tos de cada série forward no primeiro estágio da etapa forward.
O limite de custo superior (Zsup ) é calculado pela média da soma
dos custos operacionais das séries forward, considerando todos os está-
gios.
O critério de parada será estabelecido pelo encontro de ambos
os limites em determinada faixa de tolerância.
O algoritmo também pode ser resumido conforme extraído de
(MACEIRA et al., 2008). Em cada estágio t, as vazões apresentam um
componente randômico, sendo que previamente à resolução do pro-
blema, o modelo necessita estabelecer um conjunto de possíveis ocor-
rências, representada por uma árvore de cenários, e onde o processo de
otimização será aplicado. O processo de solução iterativa compreende
duas etapas principais:
- simulação backward : Executa uma simulação recursiva de t =
T até t = 2. Para cada estágio de tempo e para cada um dos cenários
escolhidos, os problemas são resolvidos, considerando um estado inicial.
Tem como objetivo produzir o corte de Benders a partir do problema
dual, calculado para determinado estágio pela média dos cortes de cada
abertura desse estágio. Esse corte corresponde à aproximação inferior
da função de custo futuro para cada estágio, que é convexa e linear, e
definida pelo máximo de cortes produzidos até a iteração corrente.
- simulação forward : Executa uma simulação recursiva de t =
 39

1 até t = T, e resolve um conjunto de problemas lineares por estágio

temporal. Em cada iteração, o objetivo é produzir possíveis planos
de operação, com as restrições da programação linear estocástica. A
soma dos custos calculados para cada estágio fornece o custo operaci-
onal total. A média dos custos calculados para os cenários escolhidos
formam o limite superior do custo ótimo ((Z_sup)). A função de custo
futuro é um parâmetro conhecido para cada problema. Os níveis de re-
servatórios calculados em cada estágio serão posteriormente utilizados
como variável de estado na simulação backward, onde novos cortes serão
calculados e incorporados na solução dos subproblemas.
40
 41

3 ALGORITMOS GENÉTICOS E APLICAÇÕES PARA

PROBLEMAS SEQUENCIAIS MULTI-ESTÁGIO

Essa seção tem como finalidade apresentar algumas aplicações,

exploradas em trabalhos anteriores, de algoritmos genéticos sobre pro-
blemas com características similares ao problema analisado no presente
estudo, por envolver programação dinâmica e algoritmos genéticos para
a otimização de problemas.
Em (LEITE; CARNEIRO; CARVALHO, 2006), houve a substituição
da técnica de otimização, da programação dinâmica por algoritmo gené-
tico, sendo realizada uma análise da aplicação de algoritmos genéticos
na otimização da operação de sistemas hidrotérmicos de potência, en-
volvendo testes aplicados em dois conjuntos de usinas, com o objetivo
de analisar a aplicabilidade da técnica em grandes sistemas. Os autores
concluem que o algoritmo conseguiu captar de forma bem sucedida os
diferentes comportamentos operativos das usinas.
Na linha de trabalhos que explorem a complementaridade entre
programação dinâmica e algoritmos genéticos, (WIBIG, 2013) analisa
a aplicação de métodos de otimização em processos de negócios nas
organizações. O autor utiliza redes de Petri para definir o objeto da
otimização, que no caso são os processos de negócios, e simular sua exe-
cução. O algoritmo genético é aplicado sobre a rede no intuito de obter
as soluções ótimas de Pareto, e a programação dinâmica é aplicada para
reduzir o esforço computacional quando da alteração de um processo.
O algoritmo genético gera as transições entre subprocessos, bem como
o início e o fim de um processo. Sabendo da duração do subprocesso
e tendo o conjunto de soluções ótimas, a aplicação da programação di-
nâmica tem por objetivo dividir as grandes tarefas de otimização em
tarefas menores, e reduzir o número de computações necessárias.
O autor conclui que o método proposto preenche a lacuna entre
a dependência de conhecimento do analista de negócios para a mode-
lagem adequada de um processo, e a carência de modelos matemáticos
não ambíguos para modelagem de negócios. Conclui também que os al-
goritmos genéticos podem resolver uma variedade de problemas devido
à sua robustez e capacidade de escapar de ótimos locais, e que embora
não possam ser utilizados para desenho ou reengenharia de processos,
no modelo proposto podem ser usados para melhorias contínuas e adap-
tações à novas condições ou mudanças. A vantagem da programação
dinâmica consiste na possibilidade de analisar e aplicar inovações sem
realizar um recálculo geral dos subprocessos desde o início, já que a im-
42

plementação da mudança afeta somente os subprocessos afetados por

tal mudança.
(ROSA, 2013) investiga a existência de uma configuração alterna-
tiva para as faixas operativas do modelo computacional atualmente uti-
lizado no setor elétrico (SUISHI), de forma que sua simulação apresente
um custo ótimo. Para tanto, aborda o problema utilizando algoritmos
genéticos, que segundo o autor, se mostrou eficiente ao apresentar re-
sultados melhores do que a operação em paralelo.
(ASANO et al., 2011) mostra a aplicabilidade e potencialidade dos
algoritmos genéticos no planejamento da operação de sistemas hidro-
térmicos de potência. Em seu trabalho, foram realizados vários testes
relacionados à definição do tamanho de uma população eficiente, busca
de uma solução inicial mais adequada ao problema e à ponderação dos
operadores genéticos. O objetivo principal do trabalho consistiu em
investigar a aplicação da técnica no planejamento energético de curto
prazo, sendo exaustivamente avaliado através de testes com usinas per-
tencentes ao Sistema Sudeste brasileiro. Estes testes abrangeram desde
usinas isoladas, sistemas com usinas em cascata simples, sistema com
várias usinas com cascatas em paralelo, até um complexo sistema de
grande porte abrangendo trinta e cinco usinas interligadas hidraulica-
mente, adotando-se distintas vazões afluentes, o que vem a mostrar a
pertinência e a consistência da abordagem. O autor também pontua
que os bons resultados obtidos na aplicação dos algoritmos genéticos
mostraram o grande potencial da técnica, que conseguiu captar as di-
ferentes características de operação das usinas, sem a necessidade de
simplicar a formulação original do problema.
(KAZAY, 2001) aplica algoritmos genéticos no problema de otimi-
zação do planejamento da expansão elétrica. Primeiramente, destaca o
maior número de aplicações da computação evolucionária no domínio
da otimização. E justifica a utilização dos algoritmos genéticos, que
por não trabalharem com uma única solução apenas, mas com uma
população de soluções candidatas ao final da convergência, consiste em
importante fonte de flexibilidade em problemas reais.
O algoritmo de solução baseia-se na decomposição do problema
da expansão nos subproblemas de investimento e de análises de de-
sempenho financeiro e operativo, associadas a esse investimento, que
podem ser eficientemente resolvidos através de técnicas de decompo-
sição da programação matemática. O subproblema de investimento é
um problema de programação inteira mista de múltiplos estágios, cuja
solução fornece uma estratégia candidata de investimentos para todo
o período de planejamento. Esse subproblema é resolvido no MOD-
 43

PIN 1 por um algoritmo de "Branch and Bound" 2 . O subproblema de

operação aborda a operação cronológica das hidrelétricas, o despacho
térmico e o intercâmbio de energia entre áreas interligadas. O sistema
MODPIN dispõe de duas opções para a resolução do subproblema de
operação. Uma utiliza um algoritmo de fluxo em rede determinístico
com representação agregada dos reservatórios e a outra utiliza progra-
mação dinâmica estocástica, também com representação agregada dos
reservatórios. A integração entre os subproblemas de investimento, de
operação e financeiro é feita por intermédio da técnica de decomposição
de Benders.
As comparações entre a qualidade dos resultados obtidos pelos
métodos genético e "Branch and Bound" foram realizadas baseadas
essencialmente no valor do custo mínimo do plano de expansão. Consi-
derando esse quesito, o genético obteve um plano de expansão de menor
custo e com menos iterações.
Além da questão quantitativa, o autor ressalta que o fato de que o
algoritmo genético possui função de aptidão variável (custo de operação
estimado), onde essa função a cada geração e iteração de Benders varia
de forma dependente dos indivíduos que constituem as soluções viá-
veis do problema. Essa característica de adaptação permitiu observar
o problema mestre de uma forma singular e elaborar uma estruturação
de dados mais eficiente na busca por soluções viáveis. Com relação à
desvantagem do algoritmo genético, o autor pontua a eventual dificul-
dade do algoritmo em manter um bom desempenho em problemas de
diferentes tamanhos. Os casos rodados tiveram dimensão crescente e
observou-se que, mantendo os mesmos parâmetros, o algoritmo genético
apresentava resultados até 5% abaixo do melhor resultado encontrado
pelo "Branch and Bound". Ao se fazer o refinamento dos parâmetros,
esses resultados melhoraram substancialmente, embora destaque que a
experimentação exaustiva dos parâmetros é uma forma de se otimizar
um problema em particular mas não necessariamente contribui para a
compreensão de como o algoritmo genético de fato obtém bons resulta-
dos. A busca por melhores soluções deve estar sempre contextualizada
dentro de seus objetivos mais amplos que, em última instância, seriam
a confirmação da ferramenta utilizada.
(LABADIE, 2004) realiza uma revisão do estado da arte da otimi-
1 Modelo de expansão sob incertezas desenvolvido pelo CEPEL e pela PSR (Power

Systems Research).
2 Técnica de otimização surgida a partir da década de 1950, onde são realizadas

partições no espaço das soluções, com a prova da otimalidade da solução utilizando-

se de limites calculados ao longo da enumeração das soluções candidatas.(FILHO
D.; LOPES, 2003)
44

zação do gerenciamento de reservatórios hídricos. Dentre as razões para

a existência observada de uma lacuna entre desenvolvimentos teóricos
no campo da otimização e implementações no mundo real, o autor pon-
tua a complexidade matemática envolvida nos modelos de otimização,
o que dificulta o seu entendimento, e a dificuldade de alguns modelos
em incorporar variáveis relacionadas à risco e incerteza.
É citado que uma das técnicas favoritas de otimização para mo-
delos de sistemas de reservatórios é o método simplex, que requer que
a linearização das variáveis, e possui como vantagens a habilidade de
resolver problemas de larga escala e a convergência para soluções glo-
balmente ótimas. Nos casos de problemas de minimização, existe a
restrição de que as funções devem ser convexas.
Em contraste com os procedimentos algoritmicos, em que proces-
sos de convergência até a solução são aplicados em informações quan-
titativas, existem os métodos de programação heurística, baseados em
regras, experiências e analogias entre informações qualitativas e quan-
titativas. Ao contrário da maioria dos algoritmos de otimização, alguns
programas heurísticos não podem garantir soluções ótimas locais, mas
muitas vezes são capazes de alcançar soluções ótimas para problemas
onde métodos algorítmicos tradicionais não conseguiriam convergir em
ótimos locais. A vantagem significativa dos algoritmos genéticos é que
podem ser relacionados diretamente com modelos de simulação sem exi-
gir a simplficação de premissas no modelo. O algoritmo genético ajusta
as populações para liberar regras estruturais baseadas nas predições
dos impactos das regras providas pelo modelo de simulação. Análise
de frequencia pode ser realizadas durante a simulação, resultando em
distribuições de probabilidade e várias medidas de risco que pode ser
incluidas na função objetivo. O autor cita aplicações em que os algo-
ritmos genéticos se mostraram superiores não pela eficiência computa-
cional, mas pela habilidade de resolver problemas não lineares e não
convexos. A flexibilidade também é apontada como um fator favorável,
na medida em que algoritmos genéticos, diferentemente dos algoritmos
de otimização que geram soluções únicas, podem produzir populações
de soluções.
Uma desvantagem citada dos algoritmos genéticos é a dificul-
dade de considerar explicitamente as restrições, especialmente as de
desigualdade, que acabam sendo indiretamente consideradas através
de penalizações na função fitness, embora existam estratégias evolu-
cionárias que consigam explicitar essas restrições, mas em geral são
aplicações específicas para um problema e devem ser modificados para
cada aplicação.
 45

Dentre as conclusões do autor, é citado que dentre os fatores de

sucesso na implementação de modelos de otimização de sistemas de re-
servatórios, constam a melhoria na ligação com modelos de simulação,
e que nesse campo métodos de programação heurística são particula-
mente importantes. A habilidade dos algoritmos genéticos em se ligar
direamente com modelos de simulação é uma grande vantagem. Em ge-
ral, desafios encontrados nos métodos de otimização estocástica podem
ser superados com a aplicação de técnicas heurísticas.
As aplicações de diferentes autores destacadas na presente se-
ção demonstram o sucesso da aplicação de algoritmos genéticos para
a solução de problemas sequenciais de larga escala. A próxima seção
detalhará a aplicação realizada no presente estudo, que diferentemente
de alguns dos estudos investigados, não se propõe à substituir total-
mente a programação dinâmica atualmente empregada, mas auxiliar
uma etapa específica do algoritmo de programação, no caso, a seleção
de estados.
46
 47

4 A APLICAÇÃO DE ALGORITMOS GENÉTICOS

SOBRE A SELEÇÃO DE ESTADOS

Este capítulo apresenta a conceituação de algoritmos genéticos, a

simulação do problema de otimização por Programação Dinâmica Dual
Estocástica (PDDE), a aplicação de ferramental oriundo de algoritmos
genéticos sobre esse problema, e apresenta os resultados das simulações
comparando custo total de operação, número de iterações e função de
custo futuro.
A simulação aqui apresentada do cálculo da função de custo fu-
turo com base em PDDE utilizou o software Matlab® . O algoritmo foi
reusado a partir do trabalho de (CYRILLO, 2015), adaptando alguns pa-
râmetros de entrada e métodos para leitura de arquivos externos, bem
como quanto aos métodos e parâmetros que necessitaram ser criados
para contemplar a inserção da técnica de IA.

4.1 CONCEITUAÇÃO DO ALGORITMO GENÉTICO

Segundo (LEITE; CARNEIRO; CARVALHO, 2006), os algoritmos ge-

néticos foram introduzidos em meados de 1976 por John Holland e seus
colaboradores da Universidade de Michigan, mas seu pleno desenvol-
vimento, só ocorreu a partir da década de 80, através do trabalho de
(GOLDBERG, 1989). De acordo com (KAZAY, 2001), a introdução feita
por Holland de um algoritmo baseado numa população com crosso-
ver e mutação foi sua maior inovação. No entanto, quem chamou a
atenção para o enorme valor dos algoritmos genéticos como ferramenta
de cálculo para problemas reais de engenharia foi seu aluno David E.
Goldberg, que fez a primeira grande aplicação prática da técnica.
De acordo com (LINDEN, 2008), algoritmos genéticos são técnicas
heurísticas de otimização global, consistindo em um ramo dos algorit-
mos evolucionários, e como tal, podem ser definidos como uma técnica
de busca baseada numa metáfora do processo biológico de evolução
natural.
Já na conceituação trazida em (MATHWORKS, 2019a), algoritmo
genético é um método para solucionar problemas de otimização basea-
dos em um processo de seleção natural que imita o processo biológico
de evolução. O indivíduo repetidamente modifica uma população de
soluções individuais.
Assim como na seleção natural, a cada geração o algoritmo alea-
48

toriamente seleciona indivíduos da população corrente e os utiliza como

pais para produzir filhos para a próxima geração. Após sucessivas gera-
ções, a população caminha para uma solução ótima. Como o algoritmo
necessita de alguma inteligência para executar o processo de busca, que
será denominada heurística, ele é considerado uma técnica de inteligên-
cia artificial.
O algoritmo genético utiliza três principais tipos de regras em
cada etapa para criar a próxima geração a partir da população atual:
(i) seleção, onde são selecionados os indivíduos (pais), que contribuem
para a população da próxima geração; (ii) crossover, onde são combi-
nados dois pais para formar crianças para a próxima geração; e (iii)
mutação, onde são aplicadas alterações aleatórias nos pais, individual-
mente, para formar filhos.

4.1.1 Terminologia

Com relação à terminologia inerente à algoritmos genéticos, se-

guem os principais termos utilizados:

- Função fitness: função objetivo, aquela ser otimizada. O algo-

ritmo utilizado no Matlab® visa minimizar essa função, que deve ser
modelada como parâmetro de entrada.

- Indivíduo: qualquer ponto em que pode ser aplicada a função

fitness.
- População: um array de indivíduos.

- Geração: uma nova população, sucessiva da anterior.

- Diversidade: distância média entre indivíduos de uma popula-

ção.

- Valor fitness de um indivíduo: é o valor da função fitness apli-

cada para um indivíduo. Como o algoritmo do Matlab® busca a mi-
nimização, o melhor valor fitness de uma população é o menor valor
dentre seus indivíduos.

- Pais e filhos: indivíduos da população atual (pais) que dão ori-

gem a indivíduos da próxima geração (filhos). Geralmente o algoritmo
 49

seleciona como pais aqueles com melhores valores fitness.

4.1.2 Método de seleção

Quanto ao método de seleção, o solver de algoritmos genéticos do

Matlab® permite, entre outros, a utilização do método da roleta, que
será adotado para o presente trabalho. Esse método simula uma roleta
onde a área de cada segmento é proporcional ao valor esperado da fun-
ção fitness. O algoritmo usa um número aleatório para selecionar uma
das seções com probabilidade correspondente à sua área (MATHWORKS,
2019a).
De acordo com (KAZAY, 2001), é o critério de seleção mais utili-
zado para implementar a seleção proporcional. Para cada cromossomo
é destinado um setor de uma roleta (corresponderia a uma roleta vi-
ciada de um cassino). Um cromossomo recebe um descendente se um
número gerado aleatoriamente entre 0 e 2π cai no setor correspondente
ao cromossomo. O algoritmo seleciona os cromossomos até que a nova
população seja inteiramente preenchida. No entanto, o número de des-
cendentes alocados só corresponde ao valor esperado se o tamanho da
população é muito grande. Para evitar convergência prematura a super-
indivíduos – aqueles com aptidão muito superior aos outros mas que
podem corresponder a um ótimo local - usualmente, são utilizados me-
canismos de escalonamento da população (redefinição dos valores das
aptidões).

4.1.3 Método de reprodução

A reprodução é diretamente afetada pela fração de crossover e

pelo contador de elite.
O contador de elite especifica o número de indivíduos que sobre-
viverão para a próxima geração, logo, o contador deve ser um inteiro
positivo igual ou menor que o tamanho da população.
A fração de crossover, entre 0 e 1, especifica a fração da próxima
geração em que ocorrerá recombinação. O restante com relação à essa
fração será preenchida pela mutação. Quanto à função que performará
o crossover, será adotado no presente trabalho a função de ponto único,
que seleciona aleatoriamente um inteiro entre 1 o número de variáveis,
seleciona as entradas do ventor inferiores à n para o primeiro pai, seleci-
50

ona as entradas de vetor superiores à n para o segundo pai, e concatena

essas entradas para produzir o filho. Por exemplo:

- p1 = [a b c d e f g h]

- p2 = [1 2 3 4 5 6 7 8]

- ponto de crossover = 3

- filho = [a b c 4 5 6 7 8]

Já a mutação é gerada a partir de uma função que realiza peque-

nas alterações nos indivíduos de uma população, provendo diversidade
genética e habilitando o algoritmo a procurar em uma maior espaço
de estados. Por assumir que devem ser utilizados exclusivamente os
dados da série histórica de afluências, sem receber variações, não será
considerada mutação como método de reprodução no presente trabalho.

4.1.4 Critérios de parada

Quanto aos critérios de parada, o algoritmo pode encerrar a exe-

cução de acordo com critérios, abaixo elencados.
- Número de gerações: quando determinado número de gerações
é atingido.
- Limite de tempo: quando determinado montante de tempo de
execução é atingido.
- Limite de valor fitness: quando o valor da função fitness para
o melhor ponto da população atual é inferior ao limite de valor fitness
estabelecido.
- Stall de gerações: quando a variação relativa à média no valor
da função fitness é menor do que determinada tolerância da função.
- Tempo limite de stall : quando não houver mais melhoria na
função objetivo durante determinado tempo.
- Tolerância de função: até que a variação relativa média na
função fitness sobre stall de gerações seja menor que a tolerância de
função. Pode ser habilitada a opção de Stall Test, em que é utilizada a
média ponderada geométrica de variação relativa.
 51

4.2 DESCRIÇÃO DO ALGORITMO GENÉTICO

O solver de algoritmos genéticos utilizado é ga, que faz parte do

Global Optimization Toolbox do Matlab® . Esse solver utiliza um con-
junto de pontos de partida (população) e iterativamente gera melhores
pontos a partir dessa população.
O algoritmo executado pelo solver ga pode ser resumido con-
forme elencado abaixo:

Algorithm 1 Algoritmo genético

 
while critério de parada atingido = false {
Criação de uma população aleatória, onde serão sorteadas as aberturas
que comporão as séries forward;

Computa o valor fitness de cada indivíduo. Esse valor será asso-

ciado à elementos da Estatística Descritiva;

Ordena os valores fitness, colocando-os em intervalos. São cha-

mados valores esperados.

Seleciona os pais, baseado nos valores esperados.

Seleciona os indivíduos com menores valores fitness (elite), que

são passados para a nova população.

Produz filhos a partir dos pais, por meio de mutação (alteração

aleatória nos genes dos pais) ou combinação entre os pais (crossover).

Substitui os indivíduos da população atual pelos novos indiví-

duos.

critério de parada = verificaCriterioParada();

}
52

4.3 A APLICAÇÃO DE INTELIGÊNCIA ARTIFICIAL EM DETA-

LHES

Essa seção detalha a aplicação da técnica de inteligência artifi-

cial sobre o algoritmo da PDDE. A escolha da forma de aplicação foi
embasada pela busca de sinergias entre as características da técnica
proposta e do algoritmo atualmente empregado.
Dentre as opções possíveis de aplicação no algoritmo, destacaram-
se:
- na etapa forward, no momento da geração dos estados possíveis
de serem percorridos: admitindo a árvore de cenários de afluência como
dada, vislumbra-se a possibilidade de aplicação de algoritmos genéticos
na escolha do caminho a percorrer, baseado em alguma heurística que
possa indicar estados interessantes.
- Ao final de cada etapa backward, onde há a geração de pontos
interessantes próximos aos estados: dependendo da magnitude da di-
ferença entre Z_inf e Z_sup, redes neurais podem ser utilizadas para
reduzir o tempo da simulação, deslocando mais térmicas para estágios
iniciais se a magnitude da diferença for alta, por exemplo.
A escolha da aplicação recaiu sobre a primeira opção, de algorit-
mos genéticos. O motivo deu-se pelo fato de que essa técnica consistir
em uma heurística de busca no espaço de soluções, aplicável para pro-
blemas estocásticos, aderente ao presente problema em estudo. Adicio-
nalmente, é uma técnica não totalmente aleatória, pois usa informação
da população corrente para determinar o próximo estado da busca (LIN-
DEN, 2008), o que auxilia no objetivo de trazer uma heurística para a
etapa de criação das séries forward na PDDE. Por ser aplicada ainda
na etapa de definição de caminhos a percorrer, sem calcular a função
objetivo para cada estado, acredita-se que possua forte vantagem de
reduzir o esforço computacional, em comparação com a outra opção
aventada.
Os parâmetros do sistema são descritos a seguir.

4.3.1 Representação do sistema

No mundo real, o sistema de geração de energia elétrica objeto

de análise possui as seguintes características, de acordo com (MACEIRA
et al., 2008): (i) dominado por hidrelétricas; (ii) possui grandes reserva-
tórios, com regulação de horizonte plurianual; (iii) presença de usinas
em cascata ao longo de diversas bacias hidrográficas. Além dessas ca-
 53

racterísticas, esse sistema também é caracterizado pela interligação das

regiões através de malha de transmissão (MARCATO, 2002). Trata-se da
otimização da produção de usinas hidrelétricas e usinas térmicas, que
se encontram sob coordenação operativa do ONS, ou seja despachadas
centralizadamente.
A representação desse sistema na modelagem do problema, atu-
almente empregada nos algoritmos de determinação da alocação ótima
entre fontes hidrelétricas e termelétricas no médio prazo no Brasil, re-
sulta na consideração de duas variáveis de estado: (i) nível do reser-
vatório de cada usina; e (ii) tendência hidrológica, refletida nas vazões
afluentes para cada estágio.
O problema do planejamento da operação de médio prazo desse
sistema é representado na modelagem como um problema multiestágio
linear estocástico, e possui como objetivo minimizar o valor esperado
do custo da operação ao longo do horizonte de planejamento, dado um
estado inicial do sistema (MACEIRA et al., 2008).
Cada usina térmica integrante desse sistema possui um custo
associado, dependente do valor do combustível. O não atendimento
do consumo, aqui chamado de déficit, também possui um determinado
custo, sendo este publicado anualmente pela ANEEL.
Os estados a percorrer são escolhidos aleatoriamente utilizando
algumas sequências de afluências sorteadas a partir da distribuição es-
tatística.
Com o percorrimento de estados sobre uma árvore incompleta,
todas as hipóteses se ramificam apenas a partir do início do horizonte,
e cada hipótese tem a duração do horizonte de estudo. O processo
iterativo, neste caso, fornece como resultado uma única função de custo
futuro em cada etapa, sendo esta formada pelos cortes de Benders.
Tendo por base as características descritas, passa-se a descrever
a representação do sistema, lembrando que a modelagem considera que
o presente estudo não pretende substituir o cálculo de otimização atual-
mente empregado, mas sim avaliar complementaridades entre a técnica
de IA e a otimização por programação dinâmica. Logo, a represen-
tação do sistema na modelagem poderá ser simplificada, facilitando o
entendimento do problema e da solução.
O problema foi modelado de acordo com as seguintes caracterís-
ticas:
- existência de um sistema único, ou seja, não há subsistemas e inter-
câmbios entre eles;
- consumo de energia constante entre os estágios temporais;
- demanda de energia constante, de 2.500 MW;
54

Figura 7 – Função de custo futuro

Fonte: (CYRILLO, 2015)

Tabela 1 – Dados da usina hidrelétrica

Usina Hidrelétrica Potência (MW) Vol. Max Reserv. (hm3)

H1 - Itumbiara 2.082 17.027

- uma usina hidrelétrica (UHE Itumbiara), com potência de 2.082 MW;

- duas usinas térmicas, com potências de 800 MW e 1.200 MW;
- uma usina representando o custo do déficit, ou seja, o não atendi-
mento do consumo;
- doze estágios temporais.

As características operacionais das usinas e a série hidrológica

foram retiradas dos parâmetros disponibilizados pela CCEE para si-
mulação no modelo computacional NEWAVE (arquivo HIDR.DAT).
Os dados referentes à capacidade instalada e custo unitário das
usinas hidrelétricas e térmicas escolhidas para compor o modelo sim-
plificado constam nas tabelas 1 e 2.

4.3.2 O problema de otimização sem IA

A otimização por PDDE seleciona os estados a percorrer na

etapa forward com base em uma seleção aleatória, resultando nas séries
 55

Tabela 2 – Dados das usinas térmicas

Usina Térmica Potência Máxima (MW) Custo (R$/MW)

T1 800 10
T2 1.200 25
T3 (Deficit) infinito 500

Tabela 3 – Dados estatísticos da amostra: simulações PDDE

Parâmetro Média Desvio-padrão

Custo 269 21,6
Iterações 6,5 2,8

forward, que conforme já mencionado, são os caminhos a percorrer na

árvore de cenários de afluência.
A figura 8 mostra um exemplo de resolução do problema, gerando
a curva de custo futuro por estágio, a partir da adoção de trinta sé-
ries forward. Essas funções relacionam nível do reservatório com custo
futuro de geração, permitindo avaliar o real custo de acionamento do
parque gerador hídrico. Embora sejam criadas funções de custo futuro
por estágio, serão demonstrados aqui os meses finais de cada trimestre
do ano, para melhor visualização gráfica.
Na figura 9, podem ser visualizadas as séries forward considera-
das para a otimização. Pode-se observar maior variabilidade dos dados
amostrais obtidos entre os meses de dezembro a abril, e uma redução
na variabilidade entre maio e novembro.
Cada otimização considera como critério de parada a convergên-
cia entre custo superior (Z_sup) e custo inferior (Z_sup). Grafica-
mente, essa convergência pode ser visualizada conforme figura 10.
Destaca-se que por ser um cálculo estocástico, para cada oti-
mização podem ser obtidos resultados diferentes. Visando obter uma
amostra de tamanho significativo para fins de análise estatística, foi re-
alizado o cálculo de otimização vinte vezes, sendo obtidos custos finais
e número de iterações conforme figura 11.
Será importante obter estatísticas a respeito das simulações re-
alizadas, visando a construção de uma heurística robusta. Para essa
finalidade, serão obtidas média e desvio-padrão1 dessa amostra de vinte
simulações da PDDE, conforme tabela 3.
Pela visualização da figura 11, pode-se verificar que na simulação
1 Medida de dispersão ao redor da média.
56

Figura 8 – Função de custo futuro por estágio

1, por exemplo, obteve-se um custo de 280 unidades (escala no eixo

esquerdo), e foram exigidas 4 iterações para se obter a convergência
(esclada no eixo direito). Já na simulação 4, obteve-se um custo de 300
unidades, sendo realizadas 3 iterações.
Frente à dispersão do número de indivíduos e por consequencia
dos resultados em termos de custo total, funções de custo futuro por
estágio e número de iterações, foi realizada a inserção de técnicas en-
volvendo algoritmos genéticos na escolha dos estados a percorrer, cuja
descrição é o objeto da próxima seção.

4.3.3 O problema de otimização com IA

A hipótese a ser testada é a de que a utilização de IA na escolha

dos estados a percorrer ao longo da árvore de afluência proporciona
 57

Figura 9 – Séries forward por estágio temporal

Figura 10 – Convergência do cálculo de otimização

menor esforço computacional, sem prejudicar os resultados obtidos.

Nessa linha, foram realizadas algumas modificações na obtenção
58

Figura 11 – Custo e número de iterações: simulação PDDE

das séries forwards, para então se prosseguir com o cálculo de otimiza-

ção da PDDE.
Em cada otimização será mantido o sorteio de trinta séries forward,
como ocorreu nas vinte simulações que formaram a amostra descrita no
subitem anterior. Entretanto, essas séries não serão utilizadas direta-
mente no cálculo de otimização da PDDE, mas serão consideradas como
indivíduos em uma população inicial do algoritmo genético. A prática
se encontra de acordo com (LINDEN, 2008), que afirma que a iniciali-
zação aleatória gera uma boa distribuição das soluções no espaço de
busca.
O algoritmo genético buscará com base em heurísticas o melhor
indivíduo, observados determinados critérios de parada. Esse indivíduo
final será inserido no cálculo de otimização, ensejando uma otimização
determinística.
A hipótese será testada comparando os resultados das simulações
estocástica e determinística em termos de média e desvio-padrão do
custo total obtido, bem como o comportamento da função de custo
futuro.

4.3.3.1 Parâmetros do algoritmo genético

Os parâmetros definidos para o algoritmo genético são resumidos

abaixo:
 59

- Função fitness: heurísticas associadas à elementos estatísticos

sobre a amostra. Conforme será detalhado nas seções seguintes, foram
extraídos elementos de Estatística Descritiva a partir de uma amostra
de 600 afluências geradas aleatoriamente, sendo esses elementos utili-
zados na função fitness.
- Indivíduos: série forward. O indivíduo consiste em uma sé-
rie de afluências, no presente caso totalizando doze, sendo cada gene
correspondente à afluência de um determinado estágio temporal.
- Gene: corresponde à um registro de afluência em determinado
estágio temporal. Uma sequencia de doze genes formam um indivíduo.
- Operadores aplicados: crossover e elite. Não será considerada
mutação, pois foi assumida restrição de considerar estritamente dados
oriundos da série histórica de afluências, o que a mutação não per-
mitiria. Portanto, a variação genética será dada exclusivamente pelo
operador de crossover.
- Função de seleção: roleta. O metodo da roleta consiste em
ordenar os valores de aptidão da população, calculando as aptidões
acumuladas para cada indivíduo da população. Em seguida, sorteia-se
um número aleatoriamente, entre zero e o valor da aptidão acumulada,
e é selecionado o indivíduo imediatamente com aptidão superior à sor-
teada. Cabe destacar que esse método somente trabalha com valores
de aptidão positivos, o que é o caso da função fitness modelada para o
presente problema.
- População inicial: trinta indivíduos, consistindo nas séries forwards
geradas aleatoriamente.
- Critérios de parada: Considera quatro diferentes critérios para
determinar quando o algoritmo deve parar: (i) quando o número má-
ximo de gerações é atingido; (ii) quando o tempo máximo é atingido;
(iii) se não houver mais alterações no melhor valor fitness por certo pe-
ríodo de tempo (limite de tempo stall ) ou (iv) por determinado número
de gerações (máximo de gerações stall ).
- Função de crossover : Para a execução da combinação genética
entre os indivíduos, foi adotada a função scattered (disperso) do solver
ga, para o operador de crossover. Essa função cria um vetor binário
aleatório, onde os valores unitários correspondem ao primeiro indivíduo
e os valores nulos do segundo indivíduo, que são então combinados. Por
exemplo:
p1 = [a b c d e f g h]

p2 = [1 2 3 4 5 6 7 8]
60

vetor de crossover aleatório = [1 1 0 0 1 0 0 0]

filho de p1 e p2 = [a b 3 4 e 6 7 8]

Com base no algoritmo genético com as configurações acima lis-

tadas, passa-se a detalhar as heurísticas aplicadas na função fitness,
objetivo da próxima seção.

4.3.3.2 Elementos de Estatística Descritiva e distribuição de probabili-

dades

A função de avaliação do algoritmo genético tem como atribuição

estimar um valor esperado para cada indivíduo da população. Para isso,
dada a natureza do problema analisado, serão utilizadas ferramentas
oriundas da Estatística Descritiva, ramo da estatística que envolve a
organização, o resumo e a representação de dados (LARSON R.; FARBER,
2010).
Primeiramente, cabe retomar o problema central deste estudo
para enfim analisá-lo sob a luz de elementos estatísticos. Busca-se al-
guma técnica que, com alguma inteligência, selecione estados que serão
percorridos em um método de programação dinâmica.
Uma heurística possível de ser aplicada para avaliar os estados é
aquela baseada na distribuição amostral, possibilitando obter padrões
dentre os dados e permitindo a criação de uma boa heurística.
Na amostra de seiscentos indivíduos (trinta séries obtidas em
vinte simulações), algumas características importantes para a organi-
zação dos dados são o seu centro, variabilidade e forma. Elas serão
obtidas por medidas centrais e formas de distribuição.
Com base na distribuição de frequência, pode-se fazer uso da
frequencia relativa, que consiste na porção de dados que se encontra em
determinada classe, basicamente encontrada dividindo-se a frequencia
da classe pelo tamanho da amostra.
Também são importantes as medidas de tendência central, das
quais as mais comumente usadas são média, mediana e moda. A de-
finição de outlier também é importante para o correto entendimento
dessas características. Suas definições podem ser encontradas a seguir,
extraídas de (LARSON R.; FARBER, 2010):
(i) a média de um conjunto de dados é a soma das entradas de
dados dividida pelo número de entradas;
(ii) a mediana de um conjunto de dados é o valor que está no
 61

meio dos dados quanto esse conjunto é ordenado, ou seja, mede o centro
do conjunto dividindo-o em partes iguais;
(iii) a moda de um conjunto de dados é uma entrada do conjunto
de dados que ocorre com a maior frequencia; e
(iv) um valor discrepante, ou outlier, é uma entrada de dados
que está muito afastada das demais entradas do grupo de dados.
Para se definir um valor discrepante no conjunto de dados, será
utilizado o desvio-padrão, sendo este uma medida de dispersão.
De acordo com o Teorema de Chebychev, a porção de conjunto de
dados que estejam dentro de k desvios-padrão é pelo menos de 1 − 1/k 2 .
Dessa forma, caso sejam considerados 2,5 desvios-padrão ao redor da
média, temos 84% dos dados nesse intervalo. Para fins deste estudo,
consideramos que dados que estão fora desse intervalo serão considera-
dos outliers.
Ao se analisar a distribuição de frequencia da amostra por está-
gio, pode-se observar que em alguns estágios, os dados são concentrados
mais à direita da média, outros possuem perfil próximo de uma curva
normal, e outros com concentração mais à esquerda da média. Essa
característica da distribuição em que a moda e a média podem estar
próximos ou distanciados permite adentrar no conceito de assimetria.
Dentre os coeficientes de assimetria, um dos mais utilizados é
aquele desenvolvido a partir do comportamento dos desvios das obser-
vações em relação à sua média, denominado como skewness em pacotes
estatísticos (ARTES, 2014). Sua equação pode ser observada na equação
4.1, extraída de (MATHWORKS, 2019b):
3
E(x − x̄)
s= (4.1)
σ3
Onde:
- x: indivíduo da amostra;
- x̄: é a média da amostra;
- σ: é o desvio padrão da amostra;
- E: é o valor esperado;

Se o coeficiente é negativo, os dados estão espalhados à esquerda

da média, e se o coeficiente é positivo, os dados estão espalhados à
direita da média.
Para a amostra de seiscentos indivíduos, foram calculadas as dis-
tribuições de frequencia considerando vinte intervalos, possibilitando
visualizar graficamente a posição da média e o formato da curva. As
barras em laranja sinalizam em qual intervalo está localizada a média
62

de cada estágio.

Figura 12 – Assimetria das distribuições de frequencia

Pelo gráfico, é possível observar que a grande parte dos estágios

possui coeficiente de assimetria positivo, mas abaixo de uma unidade,
indicando leve concentração à direita da média. O único coeficiente
negativo ocorre no estágio 10. Esse comportamento da distribuição
de frequencia poderá ser considerado na heurística, afim de melhor
capturar indivíduos considerados como relevantes, ou não discrepantes.
Outro conceito importante que também será utilizado na heurís-
tica é a correlação entre as variáveis. De acordo com (MATHWORKS,
2019c), o coeficiente de correlação de duas variáveis é uma medida de
sua dependência linear. Se cada variável tiver N observações, o coefici-
ente de correlação de Pearson pode ser definido como:
N
1 X Ai − µA Bi − µB
ρ(A, B) = ( ).( )(4.2)
N − 1 i=1 σA σB
Onde µA e σA correspondem à média e desvio padrão da variável
A, e µB e σB correspondem à média e desvio padrão da variável B.
Os coeficientes de assimetria e de correlação serão utilizados na
heurística do algoritmo genético, conforme será detalhado na próxima
seção.
 63

4.3.3.3 Descrição da heurística

Na presente seção é descrita, passo a passo, a construção da

heurística e de sua utilização no algoritmo genético, até a obtenção do
indivíduo com o melhor valor fitness. Os passos seguidos podem ser
elencados conforme segue:
1) foram realizadas vinte simulações, com trinta séries forward,
sendo considerados doze estágios temporais cada uma dessas séries.
2) para cada simulação, as séries forward foram consideradas
como população inicial para o algoritmo genético, ou seja, as séries
forward serão consideradas como indivíduos, e cada afluência em seu
estágio temporal, o seu gene.
3) os parâmetros do algoritmo genético são estabelecidos, como
por exemplo fator de crossover, critérios de parada, função fitness, etc..
4) à cada geração, a função fitness do algoritmo genético atribui
melhores valores esperados para indivíduos mais relevantes, ou seja, na
heurística baseada em medidas de tendência central, aqueles com maior
concentração de dados próximos da mediana ou outliers.
5) ao se atingir o critério de parada, obtém-se o melhor indivíduo
da população. Esse indivíduo corresponderá à uma série forward gerada
a partir de sucessivas gerações.
6) o melhor indivíduo é inserido como parâmetro de entrada no
cálculo de otimização, que executará um cálculo determinístico, já que
somente uma série forward foi considerada, ou seja, não há estocastici-
dade.
7) são geradas as curvas de custo futuro e o cálculo do custo total
da otimização.
O algoritmo genético tem como função realizar uma busca no
espaço de soluções possíveis, tendo por base os critérios previstos na
função fitness. A heurística foi construída perseguindo um objetivo de
valorizar indivíduos relevantes e penalizar os irrelevantes, aplicando as
seguintes regras:
- Descorrelação com a moda: será assumido que se uma afluência
se repete demais na amostra, ela não é considerada relevante. Nessa
linha, a função fitness desvaloriza os indivíduos que possuam afluências
mais correlacionadas com a moda da amostra.
- Genes outliers: Visando penalizar indivíduos não relevantes,
a função fitness deverá desvalorizar os indivíduos que possuam genes
outliers, sendo estes aqueles que estão a mais de 2,5 desvios-padrão da
média, ajustados pelo coeficiente de assimetria. Ou seja, se o compor-
tamento da distribuição de frequencia corresponde à curva normal, e
64

portanto o coeficiente de assimetria é nulo, são considerados 2,5 desvios-

padrão, mas se há concentração à direita ou à esquerda da média, e por-
tanto o coeficiente não é nulo, a distância da média em desvios-padrão
é aumentada na mesma proporção do coeficiente de assimetria.
O algoritmo genético ao ser executado realiza as seleções, ge-
ração após geração, até encontrar um critério de parada. A figura 13
demonstra um dos indivíduos encontrados. No gráfico superior, pode-se
verificar a evolução da função fitness por geração. No gráfico interme-
diário, pode-se visualizar os critérios de parada considerados, sendo
estes stall de gerações e número máximo de gerações. Já o gráfico in-
ferior demonstra o melhor indivíduo encontrado, composto por doze
genes.

Figura 13 – Resultado do algoritmo genético

A figura 14 destaca o melhor indivíduo localizado pelo algoritmo

genético (linha vermelha), dentre a população inicial (linhas pretas).
Tendo como base as estatísticas associadas às vinte simulações da
PDDE realizadas, demonstradas na tabela 3, foram testadas heurísticas
associadas à amostra, visando avaliar se é possível realizar uma redução
 65

Figura 14 – Resultado do algoritmo genético e população inicial

do número de séries forwards a serem percorridas.

A próxima seção terá como propósito demonstrar os resultados
de simulações com diferentes heurísticas.
66
 67

5 RESULTADOS

Será considerada como hipótese a ser testada no presente tra-

balho a existência de otimização com implementação de algoritmo ge-
nético, que encontre soluções calculadas de forma determinística com
resultados similares ou próximos em termos de média e desvio-padrão
daqueles encontrados na simulação estocástica.
A primeira solução aventada é a simples aplicação da média,
moda e mediana de cada estágio temporal para a construção de uma
série forward a ser otimizada de forma determinística, ou seja, descar-
tando qualquer uso uso do algoritmo genético para a seleção da série a
ser adotada. Os resultados para as vinte simulações, aplicando a média,
moda e mediana da amostra, podem ser observados nas tabelas 4, 5, 6.
Realizando vinte otimizações considerando a média da amostra
como a série forward a ser percorrida, obtém-se uma média de 264
unidades de custo com desvio-padrão de 22,4, ou seja, existe maior
proximidade das estatísticas da amostra, frente aos demais cenários de
moda e mediana, quando comparados com a simulação pela otimização
estocástica, demonstrada na tabela 3. A utilização da mediana da
amostra, embora tenha apresentado uma média de custo mais próxima
(267,3) do que a utilização da média, gerou um aumento significativo
no desvio-padrão.
Já em termos de número de iterações, há redução significativa,
caindo de 6,5 para 2,8 em todos os cenários.
Parte-se então para o objetivo de testar alguma heurística associ-
ada à Estatística Descritiva que obtenha uma performance, no mínimo,
melhor que a utilização da média.
Foram consideradas na heurística parâmetros associados à cor-
relação linear com a moda e com a presença de outliers.
Ao inserir essas heurísticas e executar o algoritmo genético, obteve-
se os resultados demonstrados na tabela 7. Observa-se uma proximi-
dade em termos de média e desvio-padrão com aqueles obtidos pela

Tabela 4 – Otimização determinística sobre estatísticas da amostra

(Média)

Parâmetro µ σ
Custo 264 22,4
Iterações 2,8 0,3
68

Tabela 5 – Otimização determinística sobre estatísticas da amostra

(Moda)

Parâmetro µ σ
Custo 281,2 40,1
Iterações 2,8 0,4

Tabela 6 – Otimização determinística sobre estatísticas da amostra

(Mediana)

Parâmetro µ σ
Custo 267,3 29,0
Iterações 2,8 0,3

PDDE.
Foi realizada a inversão de sinais das heurísticas, visando testar
eventuais resultados espúrios. Ao serem trocados os sinais das heurísti-
cas, foram obtidos os resultados da tabela 8. Pode-se observar aumento
significativo da média e do desvio-padrão do custo com relação à utili-
zação da heurística proposta.
A figura 15 auxilia na análise comparativa entre as soluções, de-
monstrando que em termos de custo, a aplicação do algoritmo genético
com as heurísticas se aproximou da solução estocástica.
Pode-se observar a proximidade da otimização pela heurística
proposta, com relação às estatísticas geradas na simulação PDDE, bem
como seu maior grau de precisão quando comparado tanto com a heurís-
tica com sinais invertidos como com a aplicação de estatísticas básicas
sobre a amostra.
Por fim, foram comparadas as funções de custo futuro da otimiza-
ção estocástica e da otimização determinística utilizando as heurísticas
propostas, com e sem inversão de sinais.
A figura 16 mostra funções de custo futuro para quatro meses do
horizonte de planejamento, selecionados por ser o final de cada trimes-

Tabela 7 – Otimização determinística de acordo com o indivíduo gerado

pelo algoritmo genético

Parâmetro µ σ
Custo 270,9 21,0
Iterações 2,8 0,4
 69

Tabela 8 – Otimização determinística de acordo com o indivíduo gerado

pelo algoritmo genético (inversão da heurística)

Parâmetro µ σ
Custo 279,9 39,8
Iterações 2,8 0,4

Figura 15 – Custo e número de iterações: simulação PDDE, GA e GA

com inversão de heurísticas

tre. Na seção superior da figura, são comparadas as funções de custo

futuro calculadas por PDDE (linha vermelha) e de forma determinís-
tica, utilizando o algoritmo genético e com heurísticas associadas à des-
consideração de outliers e descorrelação com a moda (linha azul). Na
seção inferior, constam funções de custo futuro calculadas por PDDE
e de forma determinística, mas com inversão dos sinais das heurísticas.
Pode-se observar a maior aderência, com o uso da heurística proposta,
entre a função de custo futuro calculada pela PDDE e de forma deter-
minística, indicando que há coerência nas heurísticas selecionadas para
guiar o algoritmo genético.
Em termos de esforço computacional, a adoção do algoritmo ge-
nético ocasionou a redução de, na média, 3,7 iterações, indo de 6,5 para
70

Tabela 9 – Comparativo de soluções vs. PDDE

Parâmetro PDDE Média Moda Mediana GA GA (inverso)

Custo (µ) 269,0 264,0 281,2 267,3 270,9 279,9
Custo (σ) 21,6 22,4 40,1 29,0 21,0 39,8
Iterações (µ) 6,5 2,8 2,8 2,8 2,8 2,8
Iterações (σ) 2,8 0,3 0,3 0,3 0,4 0,4

Figura 16 – Funções de custo futuro: heurísticas selecionadas e heurís-

ticas invertidas

2,8 iterações para cada otimização. O cálculo do número de programa-

ções linerares para cada iteração é determinado a partir do número de
séries forward, aberturas e estágios temporais considerados na otimi-
zação. Como são calculadas trinta séries com doze estágios temporais
cada uma, e três aberturas, cada iteração representa a redução de 360
(12 * 30) subproblemas a serem calculados na etapa forward e mais
1.080 (12 * 30 * 3) na etapa backward, totalizando 1.440 cálculos por
iteração. Como a redução média de iterações obtida, tem-se uma redu-
ção de 5.328 resoluções de subproblemas, com resultados, em termos de
média do custo total, desvio padrão e função de custo futuro, bastante
próximas. Embora o algoritmo genético tenha demonstrado redução do
esforço computacional, deve-se atentar para o esforço necessário para
 71

a formação da amostra, e que a partir dela foram geradas as medidas

de tendência central e assimetria. Ela deve ser grande o suficiente para
ser reusada em outras otimizações, caso contrário, o esforço computa-
cional da opção proposta torna-se bastante elevado, pois seria gerada
uma amostra para cada otimização a ser realizada.
72
 73

6 CONCLUSÕES E TRABALHOS FUTUROS

O presente trabalhou procurou utilizar ferramental oriundo do

campo da IA, em específico algoritmos genéticos, para testar a hipó-
tese de obtenção de ganho de eficiência computacional quando aplicado
ao algoritmo da PDDE empregado na otimização da operação elétrica
brasileira.
Dadas as características de ambos os algoritmos (genético e PDDE),
a análise apontou que a etapa de seleção de estados da PDDE haveria
maior aderência para aplicação do algoritmo genético, bem como maior
potencial de obtenção de ganhos, determinando ser naquele passo es-
pecífico da PDDE a aplicação da ferramenta de IA.
Para a simulação da PDDE, dado o escopo do trabalho, optou-
se por reutilização de código de trabalho de conclusão de curso pre-
existente, que por si só é uma simplificação do modelo efetivamente
utilizado no setor elétrico nacional, contando com pequeno número de
usinas, menor número de aberturas e menor horizonte de planejamento.
Como a análise é comparativa e buscando identificar possível viabili-
dade do uso da técnica, não foi considerado entrave para o trabalho
a utilização de um modelo simplificado. Já para a simulação do algo-
ritmo genético, o que inclui não só sua parametrização e especificação
das variáveis de entrada, mas principalmente a modelagem das heurís-
ticas, sua construção foi realizada integralmente no âmbito do presente
trabalho.
Ao longo das simulações, percebeu-se que a utilização da otimi-
zação determinística de cada indivíduo (no caso, a série de afluências)
como função fitness, como inicialmente concebido, exigia maior esforço
computacional do que a PDDE, ou seja, em sua forma estocástica. A
partir dessa dificuldade, optou-se por buscar elementos estatísticos ge-
rados a partir de uma grande amostra previamente gerada.
A simulação por meio de algoritmos genéticos, fazendo uso de
elementos da Estatística Descritiva para capturar o perfil da distribui-
ção de probabilidades da amostra de afluências, com o intuito de inserir
esses dados na heurística, foi bem sucedido no objetivo de aproximar
os resultados da otimização estocástica, mas realizando uma simulação
determinística onde a série forward utilizada é produto de um método
de busca.
A conclusão acerca do teste da hipótese aventada neste trabalho
foi assentada na comparação de elementos estatísticos, no caso a mé-
dia e o desvio padrão de vinte simulações independentes entre si, além
74

da análise gráfica da função de custo futuro. Essa análise resultou na

observação de ganhos de eficiência computacional, traduzida em menor
número de iterações necessárias, quando da utilização de ferramental
oriundo da IA na execução da PDDE, o que pode levar, a ser compro-
vado em estudos mais detalhados, na redução do esforço computacional
para fins de otimização do planejamento da operação no setor elétrico
brasileiro.
Cabe destacar que não puderam ser abordados no presente tra-
balho fatores que certamente trariam maior detalhamento conclusivo:
(i) a utilização de modelos de planejamento da operação mais detalha-
dos, com maior número de usinas, maior horizonte de planejamento e
geração de séries de afluência sintéticas por meio de modelo paramé-
trico, que certamente trará maior complexidade para o problema; (ii)
melhor detalhamento do cálculo ótimo para o tamanho da amostra a
ser gerada para análise das distribuições de frequencia; e (iii) cálculo
do número ideal de simulações independentes a serem realizadas para
garantir resultados estatisticamente significantes.
Na linha de obtenção de redução do esforço computacional e
melhores resultados de otimização, trabalhos futuros que investiguem
a inclusão de outros parâmetros comparativos entre simulações por IA
e PDDE, além da média e desvio padrão como foi realizado no pre-
sente trabalho, devem merecer destaque. A combinação extensiva de
outras heurísticas, inclusive com algumas sendo geradas sobre popula-
ções geradas durante a própria execução do algoritmo genético, é uma
proposta de trabalho que pode apontar resultados interessantes. Tam-
bém pode ser objeto de investigação a utilização de técnicas oriundas de
mineração de dados, como por exemplo medidas de similaridade, para
comparação gráfica das funções de custo futuro, além de técnicas de
classificação e construção de árvores de decisão para a construção das
séries forward, por consequencia influenciando na escolha de estados.
Por fim, cabe frisar que mais do que obter conclusões acerca da
aplicação de IA no problema de otimização aqui abordado, os benefícios
advindos deste estudo certamente passam pela identificação de traba-
lhos futuros que podem gerar não só melhores resultados, mas também
abrir novas linhas de investigação, em outros campos de algoritmos de
otimização ou para aplicação em outros domínios de problemas.
 75

REFERÊNCIAS

AGÊNCIA NACIONAL DE ENERGIA ELÉTRICA -

ANEEL. Banco de Informações de Geração - Set2018.
<http://www.aneel.gov.br/informacoes-gerenciais>. Acessado
em 16 jan. 2019.

AGÊNCIA NACIONAL DE ENERGIA ELÉTRICA - ANEEL.

Resolução Normativa n. 109 de 26 de Outubro de 2004.
<http://www2.aneel.gov.br/cedoc/ren2004109.pdf>. Acessado em 03
maio de 2018.

ARTES, R. Coeficiente de assimetria - insper. p. 11,

2014. <https://www.insper.edu.br/docentes/rinaldo-
artes/wp-content/uploads/sites/14/2014/09/Medidas-de-forma-
Assimetria_2014.pdf>.

ASANO, P. et al. Ferramenta computacional baseada em algoritmos

genéticos aplicada ao planejamento da operação de sistemas
hidrotérmicos. p. 19–54, 10 2011.

BENDERS, J. Partitioning procedures for solving mixed-variables

programming problems. Numerische Mathematik, v. 4, p. 238–252,
1962.

CAMPELLO, R. E. Programação Dinâmica Determinística e

Estocástica. Rio de Janeiro, Brazil: XXXIV Simpósio Brasileiro de
Pesquisa Operacional, 2002. 105 p.

CYRILLO, Y. Comparação das abordagens PDE e PDDE - uma

visualização da função de custo futuro. 90 f. Tese (Graduação) —
Universidade Federal de Juiz de Fora, Juiz de Fora - MG, 2015.
<http://www.ufjf.br/eletrica_energia/files/2016/09/TCC_YASMIN-
CYRILLO.pdf>.

EMPRESA DE PESQUISA ENERGETICA - EPE.

Plano Decenal de Expansão de Energia 2026.
2018. <http://www.epe.gov.br/pt/publicacoes-dados-
abertos/publicacoes/Plano-Decenal-de-Expansao-de-Energia-2026>.
Acessado em 03 maio de 2018.
76

FILHO D.; LOPES, R. Algoritmos branch and bound paralelos:

Resultados de experimentos computacionais. p. 13, 2003.
<http://www.din.uem.br/sbpo/sbpo2003/pdf/arq0181.pdf>.
GOLDBERG, D. E. Genetic Algorithms in Search Optimization and
Machine Learning. Boston, EUA: Addison-Wesley Pub. Co, 1989.
403 p.
KAZAY, H. O Planejamento da Expansão da Geração do Setor Elétrico
Brasileiro Utilizando os Algoritmos Genéticos. 205 f. Tese (Doutorado)
— Universidade Federal do Rio de Janeiro - RJ, Rio de Janeiro, 2001.
<http://antigo.ppe.ufrj.br/ppe/production/tesis/hfkazay.pdf>.
LABADIE, J. Optimal operation of multireservoir systems: State of
art review. Journal of Water Resources Planning and Management,
p. 19, 2004.
LARSON R.; FARBER, B. Estatística Aplicada. Rio de Janeiro,
Brazil: Pearson Prentice Hall, 2010. 527 p.
LEITE, P. T.; CARNEIRO, A. A. F. M.; CARVALHO, A. C. P.
L. F. Aplicação de algoritmos genéticos na determinação da operação
ótima de sistemas hidrotérmicos de potência. Revista Controle
Automação/Vol.17, p. 8, 2006.
LINDEN, R. Algoritmos Genéticos. Rio de Janeiro, Brazil: Ed.
Brasport, 2008. 400 p.
MACEIRA, M. E. P. et al. Ten years of application of stochastic
dual dynamic programming in official and agent studies in
brazil—description of the newave program. 01 2008.
MARCATO. Apostila - Dados Usinas Hidrelétricas. 2010.
<http://www.ufjf.br/andre_marcato/files/2010/06/Apostila-Parte-
II.pdf>. Acessado em 05 de maio de 2018.
MARCATO, A. Representação híbrida de sistemas equivalentes e
individualizados para o planejamento da operação de médio prazo de
sistemas de potência de grande porte. 200 f. Tese (Doutorado) —
Faculdade de Engenharia Elétrica, Pontifícia Universidade Católica do
Rio de Janeiro, Rio de Janeiro, 2002.
MATHWORKS. Documentation: Matlab. 2019.
<https://www.mathworks.com/help/gads/genetic-algorithm.html>.
Acessado em 17 jan. 2019.
 77

MATHWORKS. Documentation: Matlab. 2019.

<https://www.mathworks.com/help/stats/skewness.html>.
Acessado em 31 jan. 2019.

MATHWORKS. Documentation: Matlab. 2019.

<https://www.mathworks.com/help/matlab/ref/corrcoef.html>.
Acessado em 08 fev. 2019.
OPERADOR NACIONAL DO SISTEMA - ONS. O que é o SIN. 2018.
<http://www.ons.org.br/pt/paginas/sobre-o-sin/o-que-e-o-sin>.
Acessado em 22 jan. 2018.
OPERADOR NACIONAL DO SISTEMA - ONS. Submódulo 9.5
- Previsão de vazões e geração de cenários de afluências. 2018.
<http://ons.org.br/pt/paginas/sobre-o-ons/procedimentos-de-
rede/vigentes>. Acessado em 05 de maio de 2018.

OPERADOR NACIONAL DO SISTEMA - ONS. Histórico da

operação. 2019. <http://www.ons.org.br/Paginas/resultados-da-
operacao/historico-da-operacao/geracao_energia.aspx>. Acessado em
15 jan. 2019.
OPERADOR NACIONAL DO SISTEMA - ONS, CAMARA DE
COMERCIALIZACAO DE ENERGIA ELETRICA. Treinamento nos
modelos Newave e Decomp: O sin e os modelos para o planejamento
da operação energética. Rio de Janeiro, 2015. 40 p.
PEREIRA, M. V. F.; PINTO, L. M. V. G. Stochastic Optimization of
a Multireservoir Hydroelectric System: A Decomposition Approach.
Water Resources Research, v. 21, p. 779–792, jun. 1985.
ROSA, G. Aplicação de Algoritmos Genéticos para a Definição das
Faixas de Operativas no Modelo SUISHI. 116 f. Tese (Graduação) —
Universidade Federal do Rio de Janeiro - RJ, Rio de Janeiro, 2013.
<http://monografias.poli.ufrj.br/monografias/monopoli10007396.pdf>.

SILVA, E. L. Formação de Preços em Mercados de Energia Elétrica.

Săo Paulo, Brazil: Ed. Sagra Luzzatto, 2001. 183 p.
WIBIG, M. Dynamic programming and genetic algorithm for business
processes optimisation. I.J. Intelligent Systems and Applications, p.
p.44–51, 2013. <http://www.mecs-press.org/ijisa/ijisa-v5-n1/IJISA-
V5-N1-4.pdf>.
78
APÊNDICE A -- Scripts do Matlab
 81

A.1 SCRIPT GERA INDIVIDUOS.M

82

A.2 SCRIPT COMPARATIVO GA PDDE.M

83
84

A.3 SCRIPT ESTAT POPULATION MODA.M