1
Algoritmo Branch and Bound Não Linear para
Resolver o Problema de Planejamento da
Expansão de Sistemas de Transmissão
Marcos A. J. Delgado e Marcos J. Rider
Resumo – Neste trabalho é apresentado um algoritmo Branch
and Bound (B&B) para resolver diretamente problemas de
programação não linear inteiro misto (PNLIM). O algoritmo
proposto foi implementado na linguagem algébrica AMPL e foi
utilizado o solver de código aberto IPOPT para resolver os
problemas de programação não linear (PNL) em cada nó da
árvore B&B. Foram definidas novas estratégias para contornar
os problemas causados pela não linearidade e a não convexidade
dos problemas de PNLIM. O algoritmo B&B foi aplicado ao
problema de planejamento da expansão do sistema de
transmissão de energia elétrica em longo prazo considerando as
perdas do sistema de transmissão. O algoritmo B&B proposto foi
testado usando cinco sistemas testes, mostrados na literatura
especializada, e encontrou as melhores soluções conhecidas para
todos os sistemas testados, com uma grande redução do número
de problemas de PNL resolvidos.
Palavras Chaves – Algoritmo Branch and Bound não linear,
IPOPT, Otimização de sistemas elétricos de potência, Perdas do
sistema de transmissão, Programação não linear inteiro misto.
I. NOMENCLATURA
𝑟𝑟𝑖𝑖 variáveis que simulam uma geração artificial de carga.
𝛼𝛼𝑟𝑟 = �∑𝑖𝑖𝑖𝑖 ∈Ω(𝑐𝑐𝑖𝑖𝑖𝑖 )2 (US$/MW), é o parâmetro de
penalização do corte de carga.
𝑄𝑄𝑖𝑖𝑖𝑖 Perdas de potência ativa de um circuito no caminho 𝑖𝑖𝑖𝑖.
𝐺𝐺𝑖𝑖𝑖𝑖 Condutância de um circuito no caminho 𝑖𝑖𝑖𝑖.
𝑅𝑅𝑖𝑖𝑖𝑖 Resistência de um circuito no caminho 𝑖𝑖𝑖𝑖.
𝑐𝑐𝑖𝑖𝑖𝑖 Custo de um circuito a ser adicionado no caminho 𝑖𝑖𝑖𝑖.
𝑛𝑛𝑖𝑖𝑖𝑖 Número de linhas adicionado no caminho 𝑖𝑖𝑖𝑖.
𝑛𝑛𝑖𝑖𝑖𝑖0 Número de linhas existentes na topologia base.
𝑛𝑛�𝑖𝑖𝑖𝑖 Número máximo de linhas que podem se adicionadas no
caminho 𝑖𝑖𝑖𝑖.
𝑓𝑓𝑖𝑖𝑖𝑖̅ Capacidade de transmissão de um circuito no caminho 𝑖𝑖𝑖𝑖.
𝑓𝑓𝑖𝑖𝑖𝑖 Fluxo de potência ativa total através de cada circuito no
caminho 𝑖𝑖𝑖𝑖.
𝛾𝛾𝑖𝑖𝑖𝑖 Suceptância de um circuito no caminho 𝑖𝑖𝑖𝑖.
Este trabalho foi financiado pela CAPES e FEPISA.
M. A. J. Delgado é do Departamento de Matemática da Universidade
Federal do Mato Grosso, Rondonópolis – MT.
Marcos J. Rider é do Departamento de Engenharia Elétrica da
Universidade Estadual Paulista, Ilha Solteira – SP.
(E-mails: marcos_jdelgado@hotmail.com, mjrider@dee.feis.unesp.br )
Anais do V Simpósio Brasileiro de Sistemas Elétricos, Foz do Iguaçu – PR, Brasil. 22-25/04/2014
𝜃𝜃𝑖𝑖 Ângulo de tensão na barra 𝑖𝑖.
𝑔𝑔𝑖𝑖 Geração de geração na barra 𝑖𝑖.
𝑔𝑔̅𝑖𝑖 Geração máxima na barra 𝑖𝑖.
Ω Conjunto de todos os caminhos.
Ω𝑏𝑏 Conjunto de todas as barras.
II. INTRODUÇÃO
O algoritmo Branch and Bound é uma poderosa ferramenta
para a resolução de problemas de Programação Linear
Inteiro Misto (PLIM). Criado por Land e Doig [1], foi
inicialmente utilizado na resolução do problema do Caixeiro
Viajante [2] e [3]. Atualmente é aplicado a muitos problemas
de pesquisa operacional em diferentes áreas.
Dado um problema de PLIM, o algoritmo B&B usa a
filosofia de dividir para conquistar, isto é, retira-se a condição
complicante de integralidade do problema de PLIM e resolve
inicialmente um problema de PL e a partir desta solução,
através de estratégias bem definidas, inicia-se um processo de
busca da solução do problema de PLIM original.
O termo “Branch”, expressa a seleção de uma variável
inteira com valor atual não inteiro para a criação de dois novos
subproblemas de PL, essa tática divide a região de busca em
sub-regiões e permite o descarte de regiões onde não existe
solução inteira do problema original.
O termo “Bound” expressa os critérios estabelecidos para
eliminar os subproblemas ainda não investigados, pois se
resolvidos, não iriam contribuir para melhorar a melhor
solução atual. O processo termina quando não há mais
subproblemas para investigar. A convergência global é
garantida devido a duas fortes características: a linearidade do
problema e a convexidade da região factível, [4].
Devido à robustez do algoritmo B&B, vários
pesquisadores se interessaram em utilizá-lo para a resolução
de problemas de programação não linear inteiro misto
(PNLIM), geralmente utilizaram alguma ferramenta de apoio
para a resolução dos problemas de PNL. Neste contexto,
alguns pesquisadores, como [5] realizaram uma aplicação
direta do algoritmo B&B geralmente definido para problemas
de PLIM convexos, em problemas de PNLIM. Neste caso, a
convexidade do problema é uma condição que facilita a
convergência do algoritmo para encontrar a melhor solução
sem ajuste. Por outro lado, em [6] foi desenvolvido um
algoritmo B&B aplicado a problemas específicos de PNLIM
não-convexos [7], onde foram estabelecidas estratégias para
ISSN 2177-6164

superar as dificuldades decorrentes da natureza do problema e
garantir a convergência para soluções de boa qualidade.
Quando o modelo matemático é um problema de PNLIM,
vários problemas surgem, a ausência da linearidade ou da
convexidade, tira a garantia de um ótimo global, as
ferramentas para a resolução dos problemas de programação
não linear dependem muito de características do problema e
do tipo de região de busca a ser investigada. A resolução deste
tipo de problema é de grande complexidade devido à sua
natureza combinatorial e à existência de um grande número de
ótimos locais [4], por fim, grande parte da teoria desenvolvida
para a resolução de problemas de PNL precisa da convexidade
para garantir uma convergência local. Assim, o algoritmo
B&B, conforme definido para o caso linear, não é suficiente
para a resolução de problemas de PNLIM satisfatoriamente.
Neste trabalho são tratadas as questões relacionadas à
natureza dos problemas de PNLIM e traçadas estratégias para
otimizar o funcionamento do algoritmo B&B. Uma proposta é
apresentada para contornar cada uma das dificuldades
encontradas e é desenvolvido um algoritmo B&B para a
otimização de problemas de PNLIM não convexos.
O algoritmo B&B proposto foi implementado na
linguagem AMPL [8], e o solver de código aberto IPOPT foi
utilizado para resolver os problemas de PNL resultantes em
cada nó da árvore B&B. O algoritmo proposto foi utilizado
para resolver o problema de planejamento da expansão do
sistema de transmissão de energia elétrica em longo prazo,
considerando ainda as perdas elétricas do sistema de
transmissão, que é modelado como um problema de PNLIM
não convexo. Este problema de energia elétrica é representado
matematicamente através do modelo de corrente contínua do
sistema de transmissão, conhecido como modelo CC. Cinco
sistemas testes bastante conhecidos na literatura especializada
foram utilizados para avaliar o algoritmo proposto.
III. ALGORITMO BRANCH AND BOUND NÃO LINEAR
Diversos fatores podem contribuir para a otimização do
algoritmo geral B&B, diminuindo o tamanho da árvore B&B,
e consequentemente, amenizando o esforço de processamento
e a memória computacional requerida, com a diminuição de
dados que devam ser armazenados no processo de busca de
solução. Neste caso, é de grande importância ter estratégias
bem estabelecidas para refinar ao máximo o algoritmo.
A proposta de um algoritmo B&B para a otimização de
problemas de PNLIM tem em sua base, a mesma filosofia do
algoritmo B&B usual para problemas PLIM, dividir para
conquistar, porém, após relaxar a integralidade e resolver o
primeiro problema de PNL, é preciso uma nova abordagem
para contornar problemas causados pela não linearidade e não
convexidade, assim, ao idealizar um algoritmo B&B capaz de
resolver problemas de PNLIM, é necessário estabelecer
estratégias para abordar os temas: Como tratar com problemas
de programação não linear? Como detectar a infactibilidade de
um de um problema de PNL? Como tratar a não convexidade
do problema? Como definir os testes de eliminação? Junto a
esses assuntos provenientes da natureza dos problemas do tipo
PNLIM, é indispensável analisar estratégias que melhoram a
eficácia do algoritmo B&B respondendo as questões: Como
definir a escolha da variável para separação dos
Anais do V Simpósio Brasileiro de Sistemas Elétricos, Foz do Iguaçu – PR, Brasil. 22-25/04/2014
2
subproblemas? E como definir a escolha do próximo
subproblema a ser resolvido?
No processo de otimização, sem perda de generalidade,
será considerado o caso de minimização de um problema geral
de PNLIM com região de busca não convexa, sendo o caso de
maximização análogo. Assim, será apresentada uma solução a
cada questionamento referente aos problemas causados tanto
pela não linearidade como a não convexidade de um problema
de PNLIM.
Para tratar os problemas de PNL será utilizado o solver
IPOPT [9]. O IPOPT é um software de código aberto escrito
em C++, C, Fortran e MATLAB, sendo possível otimizar
problemas gerais de PNL de grande porte. O IPOPT utiliza um
algoritmo de pontos interiores primal-dual com um método de
filtro de busca linear para assegurar a convergência global. O
IPOPT resolve apenas problema de PNL, não trata problemas
mistos com variáveis inteiras ou binárias.
Outro problema a ser contornado é que, ao resolver
problemas de PNL em cada nó da árvore de B&B, é preciso
definir um critério de eliminação diferente do que é proposto
no algoritmo de PLIM, para impedir a eliminação indevida de
um nó importante da árvore e que possa excluir um caminho
que levaria a uma solução de melhor qualidade. Esse tipo de
eliminação pode ocorrer devido a não linearidade ou a não
convergência do problema de PNL. Mesmo quando a
convergência do problema de PNL ocorre, não é possível
garantir a qualidade dos resultados encontrados. Para sanar
este tipo de problema é preciso acrescentar um fator de
segurança 𝜀𝜀 > 0, conforme apresentado em [6].
O fator de segurança 𝜀𝜀 > 0 aumenta o número de nós a
serem investigados na árvore B&B, mas proporciona uma
margem de folga para que o algoritmo B&B, após encontrar
uma solução ótima local 𝑣𝑣 ∗ continue a preservar alguns nós
que tenham solução 𝑣𝑣𝑘𝑘 maior que 𝑣𝑣 ∗ , até um limite 𝑣𝑣 ∗ + 𝜀𝜀,
isso pode evitar a perda de um nó promissor na busca de uma
melhor solução. Neste caso, é preciso redefinir este critério de
eliminação em relação ao que está proposto pelo algoritmo
B&B para o caso linear, reescrevendo-o da forma: o
subproblema que tenha uma solução 𝑣𝑣𝑗𝑗 > 𝑣𝑣 ∗ + 𝜀𝜀 será
eliminado.
A não convexidade da região factível, por sua vez,
dificulta a convergência dos problemas de PNL e contribui
para um funcionamento deficiente do algoritmo B&B definido
para problemas de PLIM. A não convexidade faz com que o
algoritmo trabalhe sem uma ordem de crescimento ou
decrescimento da função objetivo, dificultando a convergência
dos problemas de PNL e isso prejudica o funcionamento do
algoritmo B&B definido para problemas de PLIM, quando
aplicado diretamente em problemas de PNLIM.
Neste caso, não é possível garantir a convergência, bem
como é tarefa difícil detectar os problemas infactíveis. Para
contornar os casos de infactibilidade dos problemas de PNL,
será acrescentado na função objetivo um conjunto de variáveis
artificiais aliados a um parâmetro de penalização com o
objetivo de inibir possíveis infactibilidades ao forçar o
algoritmo a rejeitar os problemas infactíveis, zerando as
variáveis artificiais. Ao incorporar na função objetivo, um
parâmetro de penalização, com a finalidade de forçar o
algoritmo a tentar zerar as variáveis agregadas a este
parâmetro, é provável chegar a uma solução factível, mas para
ISSN 2177-6164

que isto ocorra, será necessário estabelecer um parâmetro de
penalização com um valor alto, todavia, não há um critério
para determinar o tamanho ideal deste parâmetro, o que foi
observado nos testes é que um parâmetro fixo pode ser bom
para um determinado sistema e ruim para outro. Igualmente,
um parâmetro pequeno pode não atingir o objetivo, pois neste
caso, o algoritmo pode optar por atribuir valores positivos às
variáveis artificiais e também, um parâmetro muito grande
pode prejudicar a convergência, pois o algoritmo tentará zerar
as variáveis artificiais agregadas ao parâmetro de penalização
a todo custo, o que também prejudica a convergência para uma
solução de boa qualidade.
Como se deseja um algoritmo Branch and Bound para a
resolução de problemas de PNLIM em geral, é interessante
definir um parâmetro de penalização em função do problema
em questão quando isso for possível, assim, para cada
problema, será agregado um parâmetro de penalização 𝛼𝛼𝑟𝑟
definido em função dos coeficientes da função objetivo.
Particularmente, quando a função objetivo é linear 𝑣𝑣(𝑥𝑥) =
∑𝑖𝑖 ∈𝐼𝐼 𝑐𝑐𝑖𝑖 𝑓𝑓(𝑥𝑥𝑖𝑖 ), pode-se definir 𝛼𝛼𝑟𝑟 : = 2. ||𝑐𝑐||, onde ||𝑐𝑐||: =
�∑𝑖𝑖 ∈𝐼𝐼(𝑐𝑐𝑖𝑖 )2 é a norma dos coeficientes da função objetivo para
um conjunto de índices 𝐼𝐼. Desse modo, o parâmetro de
penalização 𝛼𝛼𝑟𝑟 terá o valor vinculado ao problema em questão
em relação aos coeficientes da função objetivo, o que permite
uma maior flexibilidade na resolução de sistemas distintos, por
garantir a generalidade sem a rigidez de um valor fixo para
todos os problemas.
Quanto à convergência de cada PNL, o algoritmo será
programado para resolver novamente o problema de PNL que
não convergir partindo exatamente do ponto em que parou, ou
seja, uma vez que um PNL foi resolvido para um dado
subproblema, se este PNL não convergiu, o algoritmo irá
solicitar que o solver tente resolver novamente partindo do
ponto em que parou na primeira tentativa; caso o PNL não
convergir, solicita-se uma segunda vez que o solver tente
resolver mais uma vez o PNL, partindo exatamente do ultimo
ponto encontrado na tentativa anterior. Se mesmo assim, o
PNL não convergir, após essas três tentativas de solução, será
considerado que o PNL não convergiu e descartar-se-á o
respectivo nó. Essa estratégia evita o descarte de um nó que
não converge na primeira tentativa, porém, o nó será
eliminado se após três tentativas o problema persistir.
Dentre os fatores que influenciam o algoritmo B&B, são
destacados o uso de pseudocustos, a escolha da variável de
separação e a escolha do próximo subproblema a ser
analisado. Apesar de não existir uma forma exata que garanta
a estratégia que produzirá o melhor efeito (depende do
problema), é possível testar o que tem de melhor na literatura
[10], [11], [12] e [13] para problemas de PLIM, e estendê-las
para problemas de PNLIM. Na teoria desenvolvida para
problemas de PLIM, usar os pseudocustos é uma estratégia
interessante, pois devido às características dos problemas
𝑘𝑘−
𝑣𝑣𝑃𝑃𝑃𝑃 𝑘𝑘
−𝑃𝑃𝑃𝑃𝑃𝑃
PLIM, é previsível estimar os valores 𝑃𝑃𝑖𝑖𝑖𝑖− =
𝑓𝑓𝑖𝑖𝑖𝑖𝑘𝑘
𝑘𝑘 + 𝑘𝑘
𝑣𝑣𝑃𝑃𝑃𝑃 −𝑃𝑃𝑃𝑃𝑃𝑃
𝑃𝑃𝑖𝑖𝑖𝑖+ = 𝑘𝑘 com muita precisão, conforme [12]. Por outro
1−𝑓𝑓𝑖𝑖𝑖𝑖
lado, para problemas de PNLIM, não tem nada definido de
antemão. Devido a não linearidade aliada a não convexidade
da região de busca, não é possível ter o controle sobre o valor
de cada subproblema 𝑣𝑣𝑘𝑘 em relação ao subproblema do nó
Anais do V Simpósio Brasileiro de Sistemas Elétricos, Foz do Iguaçu – PR, Brasil. 22-25/04/2014
3
anterior 𝑣𝑣𝑘𝑘−1 e surgem pseudocustos negativos, nesse caso,
não existe uma definição de pseudocustos adequada para
problemas de PNLIM. Uma estratégia, usada neste trabalho, é
iniciar o algoritmo, utilizando como pseudocustos os custos
relativos da função objetivo, e não atualizá-los, pois, a
atualização dos pseudocustos fica comprometida.
Para selecionar a variável de separação, será utilizada uma
das regras:
𝑀𝑀 ≔ max{max[𝑣𝑣 𝑘𝑘 − − 𝑣𝑣 𝑘𝑘 ; 𝑣𝑣 𝑘𝑘 + − 𝑣𝑣 𝑘𝑘 ]}
Ou
𝑚𝑚 ≔ max{min[𝑣𝑣 𝑘𝑘 − − 𝑣𝑣 𝑘𝑘 ; 𝑣𝑣 𝑘𝑘 + − 𝑣𝑣 𝑘𝑘 ]}
Após escolher a variável para separar e criar os novos
subproblemas, a pergunta é: Qual o subproblema que deve ser
analisado primeiro? A resposta a essa questão gira em torno de
que o subproblema escolhido para a análise produza o melhor
efeito para o funcionamento do algoritmo B&B, isto é, seja
um bom candidato a encontrar as melhores soluções inteiras e
consequentemente possa sondar um maior numero de
subproblemas. Neste aspecto, será utilizada a busca em largura
(𝐿𝐿) ou profundidade (𝑃𝑃), escolhendo sempre o menor valor 𝑣𝑣𝑘𝑘
encontrado como critério de desempate na escolha do próximo
subproblema a analisar.
Diante das condições estabelecidas, têm-se quatro versões
do algoritmo Branch and Bound não linear que utiliza uma das
opções (𝑀𝑀) ou (𝑚𝑚) para a separação de variáveis e faz a busca
em largura 𝐿𝐿 ou profundidade 𝑃𝑃, a saber, 𝐵𝐵&𝐵𝐵𝐵𝐵𝐵𝐵, 𝐵𝐵&𝐵𝐵𝐵𝐵𝐵𝐵,
𝐵𝐵&𝐵𝐵𝐵𝐵𝐵𝐵 e 𝐵𝐵&𝐵𝐵𝐵𝐵𝐵𝐵.
A. Algoritmo Geral
1) Inicializar: Faça k = 0, defina a solução incumbente
inicial v ∗ e o conjunto inicial de subproblemas candidatos,
armazene os componentes da solução do PNL inicial.
2) Teste de convergência: Se a lista de subproblemas
candidatos é vazia, a solução incumbente atual é a solução
ótima, caso contrário, vá para o próximo passo.
3) Seleção do subproblema candidato a ser examinado:
Selecione um subproblema não sondado da lista de
candidatos utilize o menor valor vk encontrado como
critério de desempate, resolva o PNL para este candidato e
armazene a solução ótima.
4) Testes de eliminação: Um problema candidato será
eliminado se uma das condições é satisfeita:
a. Quando um subproblema é infactível.
b. Quando o algoritmo encontra uma solução inteira vj do
problema PNLIM original. Atualize v ∗ , se necessário e
execute o teste (c) para a lista de subproblemas
candidatos, se todos foram sondados, volte ao passo
(2).
c. Quando, na minimização, o subproblema tenha uma
solução vj > v ∗ + ε, pois para problemas PNLIM não
há uma garantia de que vj é a melhor solução possível
e
de ser encontrada neste nó [6].
5) Escolha da variável de separação: Dentre as variáveis
inteiras com valor atual não inteiro, selecione uma para
separação e acrescente os dois novos subproblemas
descendentes gerados à lista de candidatos. Faça k = k + 2
e retorne ao passo (3).
ISSN 2177-6164
 4

IV. PLANEJAMENTO DA EXPANSÃO DO SISTEMA DE O problema de planejamento da expansão do sistema de

TRANSMISSÃO DE ENERGIA ELÉTRICA transmissão de energia elétrica em longo prazo considerando
Para testar o algoritmo proposto, foi escolhido o problema as perdas do sistema de transmissão foi testado usando cinco
de planejamento da expansão do sistema de transmissão de sistemas testes, conhecidos na literatura, a saber: Garver de 06
energia elétrica (PESTEE) de grande porte. Trata-se de um barras, IEEE de 24 barras, Sul Brasileiro de 46 barras,
problema de otimização de engenharia elétrica, bastante Boliviano de 57 barras e Colombiano de 93 barras. Os dados
conhecido na literatura especializada e habitualmente utilizado utilizados podem ser encontrados em [14]. Para os sistemas:
por pesquisadores e especialistas em planejamento das IEEE de 24 barras, Sul Brasileiro de 46 barras, Boliviano de
empresas de energia elétrica devido à sua importância do 57 barras e Colombiano de 93 barras, os valores das
ponto de vista econômico e computacional. [4] resistências, foram consideradas 10% do valor da reatância.
O modelo matemático que representa o problema de Apesar da importância de considerar a margem de
PESTEE em longo prazo, considerando as perdas de potência segurança, para quatro dos sistemas testados neste trabalho
ativa do sistema de transmissão é um modelo de programação não foi necessário recorrer ao fator de segurança, foi suficiente
não linear inteiro misto não convexo, apresentado em (1) –(9). tomar 𝜀𝜀 = 0, apenas o sistema Garver com perdas precisou do
fator de segurança positivo. O algoritmo B&B proposto
min 𝑣𝑣 = ∑(𝑖𝑖,𝑗𝑗 )∈Ω 𝑐𝑐𝑖𝑖𝑖𝑖 𝑛𝑛𝑖𝑖𝑖𝑖 + 𝛼𝛼𝑟𝑟𝑇𝑇 𝑟𝑟𝑖𝑖 (1) convergiu para as melhores soluções conhecidas na literatura,
[6] e [7], para todos os sistemas testados. Adicionalmente,
s.a para realizar uma comparação com a metodologia proposta
𝑄𝑄𝑘𝑘𝑘𝑘 𝑄𝑄𝑘𝑘𝑘𝑘 neste trabalho, foi utilizado o solver KNITRO [15] para
� (𝑓𝑓𝑘𝑘𝑘𝑘 − ) − � (𝑓𝑓𝑖𝑖𝑖𝑖 + ) + 𝑔𝑔𝑖𝑖 = resolver diretamente os problemas de PNLIM testados. Um
2 2
(𝑘𝑘,𝑖𝑖)∈Ω (𝑖𝑖,𝑗𝑗 )∈Ω resumo dos resultados obtidos é mostrado nas Tabelas I-V.
= 𝑑𝑑𝑖𝑖 − 𝑟𝑟𝑖𝑖 , ∀ 𝑖𝑖 ∊ 𝛺𝛺𝑏𝑏 (2)
𝑓𝑓𝑖𝑖𝑖𝑖 = 𝛾𝛾𝑖𝑖𝑖𝑖 �𝑛𝑛𝑖𝑖𝑖𝑖0 + 𝑛𝑛𝑖𝑖𝑖𝑖 ��𝜃𝜃𝑖𝑖 − 𝜃𝜃𝑗𝑗 �, ∀ 𝑖𝑖𝑖𝑖 ∊ 𝛺𝛺 (3) TABELA I.
2 Resultados para o sistema Garver de 06 barras
𝑄𝑄𝑖𝑖𝑖𝑖 = 𝐺𝐺𝑖𝑖𝑖𝑖 �𝑛𝑛𝑖𝑖𝑖𝑖0 + 𝑛𝑛𝑖𝑖𝑖𝑖 ��𝜃𝜃𝑖𝑖 − 𝜃𝜃𝑗𝑗 � , ∀ 𝑖𝑖𝑖𝑖 ∊ 𝛺𝛺 (4) Sem Perdas Com Perdas
Metodologia
𝑄𝑄𝑖𝑖𝑖𝑖 Custo US$ # de PNL Custo US$ # de PNL
𝑓𝑓𝑖𝑖𝑖𝑖 + ≤ �𝑛𝑛𝑖𝑖𝑖𝑖0 + 𝑛𝑛𝑖𝑖𝑖𝑖 �𝑓𝑓𝑖𝑖𝑖𝑖̅ , ∀ 𝑖𝑖𝑖𝑖 ∊ 𝛺𝛺 (5) 𝐵𝐵&𝐵𝐵𝐵𝐵𝐵𝐵 110 15 130 21 (ε=5%)
2
𝑄𝑄𝑖𝑖𝑖𝑖 𝐵𝐵&𝐵𝐵𝐵𝐵𝐵𝐵 19 (ε=1%)
−𝑓𝑓𝑖𝑖𝑖𝑖 + ≤ �𝑛𝑛𝑖𝑖𝑖𝑖0 + 𝑛𝑛𝑖𝑖𝑖𝑖 �𝑓𝑓𝑖𝑖𝑖𝑖̅ , ∀ 𝑖𝑖𝑖𝑖 ∊ 𝛺𝛺 (6) 110 19 130
2 𝐵𝐵&𝐵𝐵𝐵𝐵𝐵𝐵 110 19 130 27 (ε=5%)
0 ≤ 𝑔𝑔𝑖𝑖 ≤ 𝑔𝑔̅𝑖𝑖 ∀ 𝑖𝑖 ∊ 𝛺𝛺𝑏𝑏 (7) 𝐵𝐵&𝐵𝐵𝐵𝐵𝐵𝐵 110 21 130 19 (ε=1%)
0 ≤ 𝑛𝑛𝑖𝑖𝑖𝑖 ≤ 𝑛𝑛�𝑖𝑖𝑖𝑖 ∀ 𝑖𝑖𝑖𝑖 ∊ 𝛺𝛺 (8) Final [7] 110 25 130 43
KNITRO 130 28 140 20
𝑛𝑛𝑖𝑖𝑖𝑖 ∊ ℕ ∀ 𝑖𝑖𝑖𝑖 ∊ 𝛺𝛺 (9)
Para o sistema Garver de 06 barras a melhor versão testada
A função objetivo (1) representa o custo total de
investimento da expansão do sistema de transmissão mais o foi a 𝐵𝐵&𝐵𝐵𝐵𝐵𝐵𝐵. O algoritmo proposto encontrou a solução
custo de corte de carga. A restrição (2) representa o balanço de 𝑣𝑣 = 𝑈𝑈𝑈𝑈$ 110.00, que é a melhor solução para o problema de
potência, ou seja, o somatório dos fluxos de potência que planejamento, onde é necessária a construção das quatro
entram numa barra do sistema deve ser igual ao somatório do linhas: 𝑛𝑛3−5 = 1 e 𝑛𝑛4−6 = 3, a mesma topologia apresentada
fluxo de potência que saem dessa barra, esta propriedade em [7]. Foram resolvidos apenas 15 problemas de PNL. O
corresponde à primeira lei de Kirchhoff em cada barra do solver KNITRO, encontrou um planejamento com custo total
sistema. A restrição (3) corresponde à segunda lei de maior de 𝑣𝑣 = 𝑈𝑈𝑈𝑈$ 130.00, com uma topologia 𝑛𝑛2−3 = 1,
Kirchhoff de um circuito no caminho 𝑖𝑖𝑖𝑖 do sistema. A 𝑛𝑛3−5 = 1 e 𝑛𝑛4−6 = 3, após resolver 28 problemas de PNL.
restrição (4) tem como objetivo calcular as perdas de potência Quando são consideradas as perdas elétricas do sistema de
ativa em um circuito no caminho 𝑖𝑖𝑖𝑖 do sistema, em que transmissão, o algoritmo proposto encontrou uma solução de
𝑅𝑅𝑖𝑖𝑖𝑖 𝑣𝑣 = 130, que é a melhor solução conhecida para este
𝐺𝐺𝑖𝑖𝑖𝑖 = . As restrições (5) e (6) representam,
(𝑅𝑅𝑖𝑖𝑖𝑖 2 +𝛾𝛾 𝑖𝑖𝑖𝑖 2 ) problema, onde é necessária a construção das quatro linhas:
respectivamente, os limites máximo e mínimo do fluxo de 𝑛𝑛2−3 = 1, 𝑛𝑛3−5 = 1 e 𝑛𝑛4−6 = 3, após resolver 21 problemas
potência ativa de um circuito no caminho 𝑖𝑖𝑖𝑖 do sistema. A de PNL com um fator de segurança de 5%. Este resultado veio
restrição (7) representa a capacidade geração de potencia ativa confirmar a solução obtida em [7]. O solver KNITRO,
dos geradores. A restrição (8) limita o número máximo de encontrou um planejamento com um custo maior de 𝑣𝑣 =
novas linhas que podem ser construídos no caminho 𝑖𝑖𝑖𝑖 do 𝑈𝑈𝑈𝑈$ 140.00, com uma topologia 𝑛𝑛2−6 = 2, 𝑛𝑛3−5 = 1 e
sistema. A restrição (9) representa a característica inteira da 𝑛𝑛4−6 = 2.
variável de investimento. Para o sistema IEEE de 24 barras a melhor versão testada foi a
𝐵𝐵&𝐵𝐵𝐵𝐵𝐵𝐵. O algoritmo proposto encontrou a melhor solução
V. TESTES E RESULTADOS conhecida, 𝑣𝑣 = 𝑈𝑈𝑈𝑈$ 152, após resolver apenas 39 problemas
de PNL, e apontou a necessidade de construção de cinco
Nesta seção são apresentados os resultados obtidos para o
linhas: 𝑛𝑛06−10 = 1, 𝑛𝑛07−08 = 2, 𝑛𝑛10−12 = 1 e 𝑛𝑛14−16 = 1, que
algoritmo B&B proposto. O algoritmo foi implementado na
é a mesma topologia apresentada em [7]. O solver KNITRO,
linguagem algébrica AMPL [8] e foi utilizado o solver de
também encontrou esta configuração após resolver 63
código aberto IPOPT [9] para resolver os problemas de
problemas de PNL.
programação não linear em cada nó da árvore B&B.

Anais do V Simpósio Brasileiro de Sistemas Elétricos, Foz do Iguaçu – PR, Brasil. 22-25/04/2014 ISSN 2177-6164
 5

TABELA II. 𝐵𝐵&𝐵𝐵𝐵𝐵𝐵𝐵 152.42 7261 161.11 5783

Resultados para o sistema IEEE de 24 barras 𝐵𝐵&𝐵𝐵𝐵𝐵𝐵𝐵 152.42 5807 160.88 3057
KNITRO 152.42 4516 162.01 10297
Metodologia Sem Perdas Com Perdas
Custo US$ # de PNL Custo US$ # de PNL
𝐵𝐵&𝐵𝐵𝐵𝐵𝐵𝐵 152 39 208 207
Para o sistema Boliviano de 57 barras a melhor versão
𝐵𝐵&𝐵𝐵𝐵𝐵𝐵𝐵 152 41 208 275 testada foi a 𝐵𝐵&𝐵𝐵𝐵𝐵𝐵𝐵. O algoritmo proposto encontrou a
𝐵𝐵&𝐵𝐵𝐵𝐵𝐵𝐵 152 53 208 275 melhor solução conhecida com custo total de 𝑣𝑣 = 𝑈𝑈𝑈𝑈$ 152.42
𝐵𝐵&𝐵𝐵𝐵𝐵𝐵𝐵 152 105 208 337 onde foi necessária a construção das vinte e três linhas:
Final [7] 152 76 207 382 𝑛𝑛13−14 = 1, 𝑛𝑛24−25 = 1, 𝑛𝑛22−39 = 1, 𝑛𝑛47−46 = 1, 𝑛𝑛47−48 =
KNITRO 152 63 211 245
1, 𝑛𝑛42−51 = 2, 𝑛𝑛52−53 = 2, 𝑛𝑛42−53 = 2, 𝑛𝑛53−51 = 1, 𝑛𝑛51−54 =
1, 𝑛𝑛21−55 = 2, 𝑛𝑛55−20 = 2, 𝑛𝑛55−32 = 3 e 𝑛𝑛55−35 = 3. Foram
Quando são consideradas as perdas elétricas do sistema de
resolvidos 4325 problemas de PNL. O solver KNITRO
transmissão, o algoritmo proposto encontrou uma solução com
resolveu 4516 problemas de PNL até finalizar a busca,
um custo de 𝑣𝑣 = 208, valor próximo do investimento
alcançando a mesma topologia com o custo 𝑣𝑣 = 𝑈𝑈𝑈𝑈$ 152.42.
encontrado em [7]. Onde mostrou a necessidade de construção
Quando são consideradas as perdas elétricas do sistema de
das sete linhas: 𝑛𝑛06−10 = 1, 𝑛𝑛07−08 = 2, 𝑛𝑛10−12 = 1, transmissão, o algoritmo proposto encontrou uma solução com
𝑛𝑛14−16 = 1, 𝑛𝑛16−17 = 1 e 𝑛𝑛17−18 = 1. Foi necessário resolver
𝑣𝑣 = 160.87, onde foi necessária a construção das 21 linhas:
apenas 207 problemas de PNL. O solver KNITRO, encontrou
𝑛𝑛13−14 = 1, 𝑛𝑛24−25 = 1, 𝑛𝑛22−39 = 1, 𝑛𝑛47−46 = 1, 𝑛𝑛43−51 =
uma configuração com custo total maior de 𝑣𝑣 = 𝑈𝑈𝑈𝑈$ 211,
1, 𝑛𝑛17−51 = 1, 𝑛𝑛52−53 = 1, 𝑛𝑛52−53 = 1, 𝑛𝑛42−53 = 1, 𝑛𝑛53−51 =
após resolver 245 problemas de PNL, com a topologia
1, 𝑛𝑛52−50 = 1, 𝑛𝑛51−54 = 1, 𝑛𝑛21−55 = 1, 𝑛𝑛55−20 = 2, 𝑛𝑛55−32 =
𝑛𝑛05−10 = 1, 𝑛𝑛06−10 = 1, 𝑛𝑛07−08 = 2 𝑛𝑛10−12 = 1, 𝑛𝑛14−16 = 1,
3 e 𝑛𝑛55−35 = 3. Foram resolvidos apenas 1763 problemas de
e 𝑛𝑛16−17 = 1.
PNL. O solver KNITRO, após resolver 10297 problemas de
TABELA III.
PNL, encontrou uma configuração com um custo total maior,
Resultados para o sistema Sul brasileiro de 46 barras com 𝑣𝑣 = 𝑈𝑈𝑈𝑈$ 162.01 e a seguinte topologia: 𝑛𝑛13−14 = 1,
𝑛𝑛17−51 = 1, 𝑛𝑛21−55 = 1, 𝑛𝑛22−39 = 1, 𝑛𝑛24−25 = 1, 𝑛𝑛29−49 = 1,
Metodologia Sem Perdas Com Perdas 𝑛𝑛41−45 = 1, 𝑛𝑛47−48 = 1, 𝑛𝑛42−51 = 1, 𝑛𝑛43−53 = 1, 𝑛𝑛52−50 = 1,
Custo US$ # de PNL Custo US$ # de PNL
𝑛𝑛52−53 = 1, 𝑛𝑛52−53 = 1, 𝑛𝑛53−51 = 1, 𝑛𝑛51−54 = 1, 𝑛𝑛55−20 = 1,
𝐵𝐵&𝐵𝐵𝐵𝐵𝐵𝐵 72.87 167 75.9 59
𝐵𝐵&𝐵𝐵𝐵𝐵𝐵𝐵 72.87 217 75.9 107 𝑛𝑛55−20 = 2, 𝑛𝑛55−32 = 3 e 𝑛𝑛55−35 = 2.
𝐵𝐵&𝐵𝐵𝐵𝐵𝐵𝐵 72.87 191 75.9 59
𝐵𝐵&𝐵𝐵𝐵𝐵𝐵𝐵 72.87 265 75.9 107 TABELA V.
Final [7] 72.87 379 75.895 216 Resultados para o sistema Colombiano de 93 barras
KNITRO 74.733 233 75.895 140
Metodologia Sem Perdas Com Perdas
Custo US$ # de PNL Custo US$ # de PNL
Para o sistema Sul Brasileiro de 46 barras a melhor versão 𝐵𝐵&𝐵𝐵𝐵𝐵𝐵𝐵 560 18881 - 23000*
testada foi a 𝐵𝐵&𝐵𝐵𝐵𝐵𝐵𝐵. O algoritmo proposto encontrou a 𝐵𝐵&𝐵𝐵𝐵𝐵𝐵𝐵 560 9151 568.31 1493
melhor solução conhecida, com um custo total de 𝑣𝑣 = 𝐵𝐵&𝐵𝐵𝐵𝐵𝐵𝐵 560 22561 584.45 23000*
𝑈𝑈𝑈𝑈$ 72.87 onde foi necessária a construção das nove linhas: 𝐵𝐵&𝐵𝐵𝐵𝐵𝐵𝐵 560 11547 568.31 6111
Final [7] 560 40797 - -
𝑛𝑛02−05 = 1, 𝑛𝑛05−06 = 2, 𝑛𝑛13−20 = 1, 𝑛𝑛20−21 = 2, 𝑛𝑛20−23 =
KNITRO 562.417 8262 575.959 6110
1, 𝑛𝑛42−43 = 1 e 𝑛𝑛46−06 = 1. Foram resolvidos apenas 167
* numero máximo viável de iterações estabelecido.
problemas de PNL. A mesma configuração foi obtida em [7]
após a resolução de 379 problemas de PNL. O solver
Para o sistema Colombiano de 93 barras a melhor versão
KNITRO, após resolver 233 problemas de PNL, encontrou
testada foi a 𝐵𝐵&𝐵𝐵𝐵𝐵𝐵𝐵. O algoritmo proposto encontrou a
uma solução com custo total maior, 𝑣𝑣 = 𝑈𝑈𝑈𝑈$ 74.733, com
melhor solução conhecida [7], com custo total 𝑣𝑣 = $560.00,
topologia 𝑛𝑛05−06 = 2, 𝑛𝑛13−18 = 1, 𝑛𝑛20−21 = 2, 𝑛𝑛20−23 = 1,
onde foi necessária a construção das dezenove linhas:
𝑛𝑛42−43 = 1 e 𝑛𝑛46−06 = 1.
𝑛𝑛15−18 = 1, 𝑛𝑛19−82 = 2, 𝑛𝑛27−29 = 1, 𝑛𝑛29−64 = 1, 𝑛𝑛30−65 = 1,
Quando são consideradas as perdas elétricas do sistema de
𝑛𝑛30−72 = 1, 𝑛𝑛43−88 = 2, 𝑛𝑛50−54 = 1, 𝑛𝑛54−56 = 1 , 𝑛𝑛55−57 = 1 ,
transmissão, o algoritmo proposto encontrou uma solução de
𝑛𝑛55−62 = 1 , 𝑛𝑛55−84 = 1 , 𝑛𝑛56−57 = 1 , 𝑛𝑛62−73 = 1 , 𝑛𝑛68−86 = 1 ,
𝑣𝑣 = 75.9, após resolver apenas 59 problemas de PNL, contra
𝑛𝑛72−73 = 1 , 𝑛𝑛82−85 = 1. Foram resolvidos 9151 problemas de
140 problemas de PNL resolvidos pelo solver KNITRO e 216
PNL. O solver KNITRO, encontrou uma configuração com
problemas de PNL resolvidos em [7]. A metodologia proposta
custo total maior 𝑣𝑣 = 𝑈𝑈𝑈𝑈$ 562.417, com topologia 𝑛𝑛15−18 =
encontrou a mesma topologia encontrada em [7] e pelo
2, 𝑛𝑛19−22 = 1, 𝑛𝑛19−82 = 1, 𝑛𝑛27−29 = 1, 𝑛𝑛27−64 = 1, 𝑛𝑛30−65 =
KNITRO, a construção de oito linhas, 𝑛𝑛05−06 = 2, 𝑛𝑛18−20 =
1, 𝑛𝑛43−88 = 1, 𝑛𝑛54−56 = 1, 𝑛𝑛55−57 = 1, 𝑛𝑛55−62 = 1, 𝑛𝑛55−84 = 1,
1, 𝑛𝑛20−23 = 1, 𝑛𝑛20−21 = 2, 𝑛𝑛42−43 = 1 e 𝑛𝑛46−06 = 1.
𝑛𝑛56−57 = 1, 𝑛𝑛62−73 = 1, 𝑛𝑛68−86 = 1, 𝑛𝑛72−73 = 2, 𝑛𝑛82−85 = 1,
TABELA IV. 𝑛𝑛52−88 = 1, 𝑛𝑛02−83 = 1, 𝑛𝑛45−54 = 1 e 𝑛𝑛45−50 = 1.
Resultados para o sistema Boliviano de 57 barras Quando são consideradas as perdas elétricas do sistema, o
algoritmo encontrou a solução 𝑣𝑣 = 568.31, após resolver
Metodologia Sem Perdas Com Perdas apenas 1493 problemas de PNL, com topologia 𝑛𝑛43−88 = 1,
Custo US$ # de PNL Custo US$ # de PNL
𝐵𝐵&𝐵𝐵𝐵𝐵𝐵𝐵 152.42 5585 161.11 3117
𝑛𝑛52−88 = 1, 𝑛𝑛15−18 = 1, 𝑛𝑛19−22 = 1, 𝑛𝑛27−64 = 1, 𝑛𝑛45−50 = 1,
𝐵𝐵&𝐵𝐵𝐵𝐵𝐵𝐵 152.42 4325 160.87 1763 𝑛𝑛45−54 = 1, 𝑛𝑛19−82 = 1, 𝑛𝑛27−29 = 1, 𝑛𝑛30−65 = 1, 𝑛𝑛54−56 = 1,
𝑛𝑛55−57 = 1, 𝑛𝑛55−62 = 1, 𝑛𝑛55−84 = 1, 𝑛𝑛56−57 = 1, 𝑛𝑛62−73 = 1,

Anais do V Simpósio Brasileiro de Sistemas Elétricos, Foz do Iguaçu – PR, Brasil. 22-25/04/2014 ISSN 2177-6164

𝑛𝑛68−86 = 1, 𝑛𝑛72−73 = 2 e 𝑛𝑛82−85 = 1, o que demonstra uma
grande vantagem do algoritmo proposto em tempo e memória
computacional. O solver KNITRO, após resolver 6110
problemas de PNL, encontrou uma configuração com custo
total maior 𝑣𝑣 = 𝑈𝑈𝑈𝑈$575.959 e topologia 𝑛𝑛15−18 = 1, 𝑛𝑛19−66 =
1, 𝑛𝑛19−82 = 1, 𝑛𝑛02−83 = 1, 𝑛𝑛27−29 = 1, 𝑛𝑛29−64 = 1, 𝑛𝑛30−65 =
1, 𝑛𝑛45−50 = 1, 𝑛𝑛45−54 = 1, 𝑛𝑛43−88 = 1, 𝑛𝑛52−88 = 1, 𝑛𝑛54−56 =
1, 𝑛𝑛55−62 = 1, 𝑛𝑛55−84 = 2, 𝑛𝑛56−57 = 1 𝑛𝑛57−84 = 1, 𝑛𝑛62−73 = 1,
𝑛𝑛68−86 = 1, 𝑛𝑛72−73 = 2 e 𝑛𝑛82−85 = 1.
Fig. 2. Comparação do número de PNL para cada método, nos sistemas sem
perdas, para a melhor versão testada em cada sistema.
Na Figura 2 é mostrada uma comparação do número de
PNL utilizados para cada método, nos sistemas sem perdas no
sistema de transmissão. O algoritmo B&B proposto obteve as
mesmas soluções ótimas conhecidas na literatura [6] e [7], e
com uma grande redução do número de PNL resolvidos.
Fig. 3. Comparação do número de PNL para cada método, nos sistemas
considerando as perdas elétricas, para a melhor versão testada em cada
sistema.
A Figura 3 também mostra uma comparação entre o número
de problemas de PNL resolvidos por cada metodologia,
quando são consideradas as perdas do sistema de transmissão
no problema de planejamento. Conforme as Figuras 2 e 3, a
metodologia proposta, utiliza um número de problemas de
PNL menor comparadas com as outra metodologias.
VI. CONCLUSÃO
Neste trabalho foi apresentado um algoritmo Branch and
Bound para resolver problemas de programação não linear
inteiro misto. Foram destacados os problemas causados pela
não linearidade e pela não convexidade do problema de
PNLIM, em seguida as formas de contornar esses problemas
para o desenvolvimento de um algoritmo B&B. O algoritmo
B&B proposto foi implementado em AMPL e o solver de
código aberto IPOPT foi utilizado para resolver os problemas
de PNL resultantes em cada nó da árvore B&B.
Anais do V Simpósio Brasileiro de Sistemas Elétricos, Foz do Iguaçu – PR, Brasil. 22-25/04/2014
6
O algoritmo proposto foi aplicado no problema de
planejamento da expansão do sistema de transmissão de
energia elétrica em longo prazo considerando as perdas
elétricas do sistema de transmissão. Cinco sistemas testes,
mostrados na literatura especializada, foram utilizados. O
algoritmo proposto encontrou as melhores soluções
conhecidas para todos os sistemas testados, com uma grande
redução do número de problemas de PNL resolvidos.
Adicionalmente, o algoritmo proposto foi comparado com o
solver comercial de PNLIM KNITRO. O solver comercial
encontrou soluções com um custo de investimento maior e
utilizando um número maior de problemas de PNL resolvidos.
Os resultados obtidos mostram a eficácia do algoritmo o que
agrega uma contribuição em ganho em tempo e memória
computacional.
VII. AGRADECIMENTOS
Os autores agradecem a FEPISA e a CAPES pelo apoio.
REFERÊNCIAS
[1] A. H. Land and A. G. Doig, “An Automatic Method of Solving
Discrete Programming Problems,” Econometrica, vol. 28, no. 3, pp.
497–520, 1960.
[2] E. Balas and P. Toth, “Branch and Bound Methods for the Traveling
Salesman Problem,” in G. Lawler, J.K. Lenstra, A. H.G. Rinnooy K.D.
Shmoys, The Traveling Salesman Problem, J. Wiley, Chichester, 1985.
[3] J. D. C. Litle, K. G. Murty, D. W. Sweeney, and C. Karel, “An
Algorithm for Travelling Salesman Problem,” Operations Research,
vol. 11, pp. 979–989, 1963.
[4] R. Romero, “Planejamento a longo prazo da expansão de sistemas de
transmissão de energia elétrica,” Tese de livre-docência, Faculdade de
Engenharia de Ilha Solteira, UNESP - Campus de Ilha Solteira, 1999.
[5] O. K. Gupta and A. Ravindran, “Branch and Bound Experiments in
Convex Nonlinear Integer Programming,” Management Science, vol.
31, no. 12, pp. 1533–1546, 1985.
[6] M. J. Rider, “Planejamento da Expansão de Sistemas de Transmissão
Usando os Modelos CC _ CA e Técnicas de Programação Não –
Linear,” Tese de doutorado, Faculdade de Engenharia Elétrica e de
Computação, Campinas, UNICAMP, 2006.
[7] M. J. Rider, A. V Garcia, and R. Romero, “Transmission system
expansion planning by a branch-and-bound algorithm,” Generation,
Transmission Distribution, IET, vol. 2, no. 1, pp. 90–99, 2008.
[8] R. Fourer, D. M. Gay, and B. W. Kernighan, AMPL: A Modeling
Language for Mathematical Programming. Duxbury Press, 2002.
[9] A. Wächter, L.T. Biegler “On the implementation of an interior-point
filter line-search algorithm for large-scale nonlinear programming,”
Sring-Verlag, April 2005.
[10] M. Benichou, J. M. Gauthier, P. Girodet, G. Hentges, G. Ribiere, and
D. Vincent, “Experiments in Mixed Integer Linear Programming,”
Mathematical Programming, vol. 1, pp. 76–94, 1971.
[11] J.-M. Gauthier and G. Ribiere, “Experiments in mixed-integer linear
programming using pseudo costs,” Mathematical Programming, 1977.
[12] S. Haffner, A. Monticelli, A. Garcia, and R. Romero, “Specialised
branch-and-bound algorithm for transmission network expansion
planning,” Generation, Transmission and Distribution, IEE
Proceedings-, vol. 148, no. 5, pp. 482–488, 2001.
[13] J. T. Linderoth and M. W. P. Savelsbergh, “A Computational Study of
Search Strategies for Mixed Integer Programming,” INFORMS Journal
on Computing, vol. 11, pp. 173–187, 1997.
[14] LAPSEE, “Laboratório de pesquisas de Sistemas de Energia Elétrica.
FEIS/UNESP. Dados dos sistemas testes disponíveis,”
http://www.feis.unesp.br/#!/departamentos/engenharia-
eletrica/pesquisas-e-projetos/lapsee/downloads/materiais-de-
cursos1193/
[15] Waltz, R. A., Nocedal, J.: KNITRO user’s manual. Technical Report
OTC 2003/05, Optimization Technology Center, Northwestern
University, Evanston, IL, USA, April 2003
ISSN 2177-6164