Escolar Documentos
Profissional Documentos
Cultura Documentos
Florianópolis
2019
Rafael Judar Vicchini
Florianópolis
2019
Rafael Judar Vicchini
Banca Examinadora:
Winston Churchill
RESUMO
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
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.
1.1 OBJETIVO
2 CRONOLOGIA
!
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 : 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
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.
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 .
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
Systems Research).
2 Técnica de otimização surgida a partir da década de 1950, onde são realizadas
4.1.1 Terminologia
- 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]
p2 = [1 2 3 4 5 6 7 8]
60
filho de p1 e p2 = [a b 3 4 e 6 7 8]
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;
de cada estágio.
5 RESULTADOS
Parâmetro µ σ
Custo 264 22,4
Iterações 2,8 0,3
68
Parâmetro µ σ
Custo 281,2 40,1
Iterações 2,8 0,4
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-
Parâmetro µ σ
Custo 270,9 21,0
Iterações 2,8 0,4
69
Parâmetro µ σ
Custo 279,9 39,8
Iterações 2,8 0,4
REFERÊNCIAS