Escolar Documentos
Profissional Documentos
Cultura Documentos
Da necessidade de suprir a crescente demanda de base, os circuitos candidatos à adição, os dados de geração e
energia elétrica, se origina o problema da expansão de sistemas demanda, as restrições de investimento, entre outros. Desta
de transmissão. Este artigo apresenta o estudo deste maneira, a solução do problema deve especificar onde e
planejamento aplicando-se a otimização por Algoritmos quando devem ser instaladas novas usinas, subestações e
Genéticos. O método matemático utilizado para o problema da linhas de transmissão, com o mínimo de recursos possíveis.
expansão é o Modelo DC, por ser um dos mais adequados e mais
utilizados por especialistas em planejamento. A resolução do O planejamento da expansão além de ter o objetivo de
Modelo DC é um problema de programação não linear inteira minimizar o custo do investimento, tem também a função de
mista que possui inúmeras soluções e uma natureza minimizar o corte de carga. O ideal, para um planejamento de
combinatória que normalmente conduz ao fenômeno da longo prazo, é que ele não exista. Para isso, aplica-se no
explosão combinatória referente às alternativas de investimento. algoritmo um parâmetro de penalidade que transforma o corte
Neste trabalho é proposta a implementação de um Algoritmo de carga em valores financeiros. Esse valor da penalidade
Genético para a resolução desse problema, que é minimizar os deve ser arbitrado de forma a evitar que sejam escolhidas
custos de investimento e de operação, minimizando também o configurações que possuam corte de carga [6].
corte de carga. O Algoritmo foi validado utilizando-se o Sistema
Garver, bastante conhecido na literatura, e obteve um bom Muitos artigos e trabalhos acadêmicos tratam sobre essa
resultado alcançando a solução ótima. otimização do planejamento da expansão, utilizando-se de
diversas técnicas que podem ser agrupadas em três
Palavras-chave—Planejamento da Expansão dos Sistemas de categorias: otimização clássica, métodos heurísticos
Transmissão, Modelo DC, Algoritmo Genético. construtivos e meta-heurísticas [5]. Dentre as técnicas já
utilizadas tem-se a busca tabu, algoritmos genéticos, nuvem
I O PROBLEMA DO PLANEJAMENTO DA de partículas, inteligência de enxames, entre outras.
EXPANSÃO DO SISTEMA DE TRANSMISSÃO
II MODELO DC
A partir da tendência de competição de mercados e da
necessidade de suprir a crescente demanda de energia elétrica A modelagem matemática é o processo de representação
que ocorre com o passar dos anos, devido ao aumento da de determinado objeto ou sistema real através de relações
produção industrial e do crescimento populacional, surge o matemáticas para que possa ser implementada
problema do planejamento da expansão dos sistemas de computacionalmente, visando a aplicação prática.
transmissão [4]. A modelagem ideal para o problema abordado seria através
As construções de sistemas de transmissão são de extrema do fluxo de carga AC. Como esse modelo impõe diversas
importância para que a energia produzida nas usinas dificuldades, atualmente utiliza-se na maioria das vezes o
geradoras chegue aos consumidores, de forma confiável e fluxo de carga DC (Direct Current). Os modelos mais
eficiente. utilizados são: modelo de transportes, modelo DC e modelo
híbrido.
Das decisões do processo de planejamento estão
relacionadas à seleção das melhores usinas geradoras, das Neste trabalho foi utilizado o modelo DC, que é baseado
melhores rotas de transmissão e das melhores malhas para no acoplamento entre os fluxos de potência ativa e as
garantir um suprimento de energia de forma econômica [2]. aberturas angulares, considerando as duas leis de Kirchhoff.
Isso significa que todas as barras do sistema elétrico têm que
O objetivo do planejamento da expansão dos sistemas de satisfazer a Primeira Lei de Kirchhoff (Lei das Correntes) e
transmissão é determinar como ampliar a capacidade do todos os laços devem satisfazer a Segunda Lei de Kirchhoff
sistema, satisfazendo uma determinada demanda. São dados
do problema do planejamento: a topologia da rede no ano
(Lei das tensões). Nesse caso, o problema resultante é do tipo geração nas barras e a limitação para os números de linhas que
programação não-linear inteiro misto. serão adicionadas, respectivamente. A equação (7) é o limite
de corte de carga em cada barra, representada por uma geração
A formulação do modelo DC para o planejamento da fictícia ri.
expansão de linhas de transmissão é apresentada abaixo:
A função objetivo pode ser dividida em duas: uma para o
min = + (1) custo de investimento e outra para o custo de operação. O
( , )∈ ∈ primeiro objetivo determina então a configuração , ou seja,
quais e quantos circuitos serão adicionados, obedecendo as
.
Leis de Kirchoff e com o menor custo. A partir dessa
configuração de investimento, o problema de operação calcula
+ + = (2) o corte de carga. Os custos de cada parcela são então
∈ calculados como no problema geral da expansão.
− + ! " − " ! = 0 (3) A determinação do perfil de investimento é feita de forma
% %≤ + !)))
'( (4)
arbitrária. A partir do custo total relacionado a ele, ocorre a
determinação de novos perfis, em um processo iterativo. O
0≤ ≤ + (5) problema da expansão então busca encontrar a configuração
que leve a um menor custo total.
0≤ ≤ )))) (6)
'(
Em sistemas de pequeno porte, todo o universo de soluções
0≤ ≤ ̅ (7) poderia ser analisado de forma simples. Porém, em sistemas
Inteiro maiores e mais complexos, o número de soluções cresce
rapidamente, de forma combinatorial.
Irrestrito Conforme [5], pelo rápido aumento do número de soluções
" Irrestrito é desejável um método que oriente a busca por soluções
melhores, sem necessariamente analisar de forma individual.
Onde, Estes métodos trabalham de forma iterativa, propondo novas
soluções a partir de soluções previamente analisadas. Um
– é o custo da adição de um circuito
exemplo desse método é o Algoritmo Genético, que foi
– número de circuitos adicionados no caminho i-j utilizado neste trabalho.
– custo do déficit de energia III - ALGORITMOS GENÉTICOS
22 5 7 3 8 3 1
O cromossomo tem NL genes, sendo NL o número de 2 9 7 3 1 1 1
caminhos candidatos à adição. No cromossomo mostrado na
Figura 1, há adição de 2 circuitos no caminho 2 e 1 circuito no
1 0 1 1 0 0 1
caminho 7.
B. População Inicial 5 5 6 5 8 3 4
5 9 6 5 1 1 4
Para a resolução do problema, foi utilizada uma população
com 40 indivíduos. A população inicial foi gerada de forma Figura 2 - Recombinação Uniforme
aleatória. O único controle realizado na geração foi com o
objetivo de não haver indivíduos repetidos. Depois do processo de recombinação foi utilizado o
C. Função adaptação (fitness) operador de mutação. A estratégia de mutação consiste em
aplicar apenas uma pequena perturbação na solução
Após a geração da população, é necessário avaliar a encontrada após a recombinação, isto é, uma solução vizinha
qualidade de seus indivíduos. Isto é realizado por meio de uma dessa solução no espaço de busca. No AG proposto, um gene
função de adaptação. do indivíduo selecionado para ser o pai por torneio era
Neste trabalho, a adaptação do indivíduo é avaliada através modificado. O gene a ser alterado foi escolhido
da função objetivo do modelo DC (equação 1), levando em aleatoriamente.
consideração as restrições do modelo. A função objetivo, E. Parâmetros diversos
quando se conhece o investimento (valores de nij0) torna-se um
problema de programação linear (PL), cuja formulação da Existem ainda outros parâmetros que influenciam na
equação (1) se torna: qualidade do Algoritmo Genético:
• Probabilidade de aplicação dos operadores:
min = (8)
∈
o Taxa de recombinação: 0,60;
Assim, para cada indivíduo é resolvido um PL, o que o Taxa de mutação: inicialmente foi utilizada
determina os valores das variáveis dos fluxos de potência nas uma taxa de mutação de 0,08. Porém, quando
linhas e diferenças angulares, e do custo, que é o que se deseja a população começa a ficar com muitos
minimizar. indivíduos iguais, essa taxa passa a ser maior
(0,4), para que ocorra uma maior
D. Operadores genéticos diversificação da população, aumentando o
Os operadores genéticos são utilizados para gerar novos espaço de busca. Foi utilizado o critério de
indivíduos a partir de reprodução dos indivíduos existentes na 50% de diversificação. Ou seja, quando 50%
população. dos indivíduos são iguais, modifica-se a taxa
de mutação.
O operador de seleção é o que compara e seleciona dentro
da população, quais são os indivíduos que gerarão • Elitismo: consiste em manter os melhores indivíduos
descendentes. A seleção pode ser feita de quatro maneiras: para a próxima população. Neste trabalho, apenas os
ordem, torneio, proporcional ou roleta viciada. No Algoritmo indivíduos mais adaptados entre a população anterior
Genético aqui descrito, foi utilizada a seleção por torneio, no e os descendentes seguem para a próxima geração;
qual dois indivíduos da população corrente são escolhidos
• Critério de parada: foi utilizado como critério para o
aleatoriamente e competem entre si. O indivíduo mais fim do algoritmo o número máximo de 80 iterações.
adaptado é escolhido para gerar o descendente.
Após o processo de seleção, é aplicado o operador de
recombinação. A recombinação é simplesmente a mistura da IV TESTE DO ALGORTIMO PROPOSTO
informação codificada de duas soluções previamente A. Sistema Garver
selecionadas para gerar duas novas soluções candidatas que
poderão estar localizadas próximas às soluções que as Para ilustrar o algoritmo proposto utilizou-se um sistema
originaram, ou então, distantes, com o objetivo de explorar o proposto por Garver, muito conhecido na literatura, que é
espaço de busca. No trabalho, foi utilizada a recombinação formado por 6 barras, 6 circuitos existentes na topologia base
uniforme, no qual cada descendente é criado copiando o gene e 15 caminhos candidatos à expansão. Nas tabelas 1 e 2 são
correspondente de um dos pais, escolhido de acordo com uma apresentados os dados das barras e das linhas de transmissão
máscara de cruzamento gerada aleatoriamente. Onde houver 1 e na figura 3 é ilustrada a topologia base. O valor de potência
na máscara, o gene correspondente será copiado do primeiro base do sistema é 100 MVA.
pai, e onde houver 0 será copiado do segundo, conforme
exemplo na Figura 2.
B. Resultados Obtidos
TABELA I – DADOS DAS BARRRAS DO SISTEMA O Algoritmo Genético proposto foi implementado em um
Barra (34) ̅ (34) (34) computador com processador Intel® Core™ i5, Memória de
Com redespacho Sem redespacho 4 GB e Sistema Operacional Windows 7 (32 Bits), no
1 0,00 1,50 0,50 0,80 Software Matlab (Versão 2011). Os problemas de
2 2,40 programação linear existentes foram resolvidos por meio de
3 0,00 3,60 1,65 0,40 uma função do Matlab denominada ‘linprog’.
4 1,60 No processo de otimização, o algoritmo genético era
5 2,40
responsável por gerar as possíveis respostas para o problema,
6 0,00 6,00 5,45
que eram avaliadas através da programação linear.
Total 0,00 11,10 7,60 7,60
Para a validação do algoritmo adotou-se como parâmetro,
um número máximo de 4 expansões por caminho candidato e
TABELA II – DADOS DAS LINHAS DO SISTEMA
Linha Extremos 5(34) ̅(34) (34)
para o custo do déficit de energia foi atribuído o valor de 500
milhões de dólares por MW. O valor escolhido é alto, para
1 1-2 1 0,40 1,00 40 evitar o corte de carga.
2 1-3 0 0,38 1,00 38
3 1-4 1 0,60 0,80 60 Para o problema sem redespacho de geração, foi
4 1-5 1 0,20 1,00 20 encontrado resultado exibido na Figura 4:
5 1-6 0 0,68 0,70 68
6 2-3 1 0,20 1,00 20
4 1 2
7 2-4 1 0,40 1,00 40
8 2-5 0 0,31 1,00 31 Figura 4 - Solução ótima encontrada para o sistema sem redespacho
9 2-6 0 0,30 1,00 30
10 3-4 0 0,59 0,82 59 A solução ótima encontrada tem custo 200 milhões de
11 3-5 1 0,20 1,00 20 dólares, e foram adicionados 4 circuitos no caminho 9 (2-6),
12 3-6 0 0,48 1,00 48 1 circuito no caminho 11 (3-5) e 2 circuitos no caminho 14
13 4-5 0 0,63 0,75 63 (4-6).
14 4-6 0 0,30 1,00 30 O gráfico da Figura 5 ilustra como as soluções
15 5-6 0 0,61 0,78 61 convergiram para o valor de menor custo. E a figura 6 mostra
o sistema com os circuitos adicionados, e o fluxo que flui
entre as barras.
Dissertations: