Algoritmo Genético Aplicado ao Planejamento da
Expansão do Sistema de Transmissão
Camila da Silva
Disciplina de Otimização Heurística
Programa de Pós-Graduação em Engenharia Elétrica
UFRGS
Porto Alegre, RS, Brasil
Da necessidade de suprir a crescente demanda de
energia elétrica, se origina o problema da expansão de sistemas
de transmissão. Este artigo apresenta o estudo deste
planejamento aplicando-se a otimização por Algoritmos
Genéticos. O método matemático utilizado para o problema da
expansão é o Modelo DC, por ser um dos mais adequados e mais
utilizados por especialistas em planejamento. A resolução do
Modelo DC é um problema de programação não linear inteira
mista que possui inúmeras soluções e uma natureza
combinatória que normalmente conduz ao fenômeno da
explosão combinatória referente às alternativas de investimento.
Neste trabalho é proposta a implementação de um Algoritmo
Genético para a resolução desse problema, que é minimizar os
custos de investimento e de operação, minimizando também o
corte de carga. O Algoritmo foi validado utilizando-se o Sistema
Garver, bastante conhecido na literatura, e obteve um bom
resultado alcançando a solução ótima.
Palavras-chave—Planejamento da Expansão dos Sistemas de
Transmissão, Modelo DC, Algoritmo Genético.
I O PROBLEMA DO PLANEJAMENTO DA
EXPANSÃO DO SISTEMA DE TRANSMISSÃO
A partir da tendência de competição de mercados e da
necessidade de suprir a crescente demanda de energia elétrica
que ocorre com o passar dos anos, devido ao aumento da
produção industrial e do crescimento populacional, surge o
problema do planejamento da expansão dos sistemas de
transmissão [4].
As construções de sistemas de transmissão são de extrema
importância para que a energia produzida nas usinas
geradoras chegue aos consumidores, de forma confiável e
eficiente.
Das decisões do processo de planejamento estão
relacionadas à seleção das melhores usinas geradoras, das
melhores rotas de transmissão e das melhores malhas para
garantir um suprimento de energia de forma econômica [2].
O objetivo do planejamento da expansão dos sistemas de
transmissão é determinar como ampliar a capacidade do
sistema, satisfazendo uma determinada demanda. São dados
do problema do planejamento: a topologia da rede no ano
base, os circuitos candidatos à adição, os dados de geração e
demanda, as restrições de investimento, entre outros. Desta
maneira, a solução do problema deve especificar onde e
quando devem ser instaladas novas usinas, subestações e
linhas de transmissão, com o mínimo de recursos possíveis.
O planejamento da expansão além de ter o objetivo de
minimizar o custo do investimento, tem também a função de
minimizar o corte de carga. O ideal, para um planejamento de
longo prazo, é que ele não exista. Para isso, aplica-se no
algoritmo um parâmetro de penalidade que transforma o corte
de carga em valores financeiros. Esse valor da penalidade
deve ser arbitrado de forma a evitar que sejam escolhidas
configurações que possuam corte de carga [6].
Muitos artigos e trabalhos acadêmicos tratam sobre essa
otimização do planejamento da expansão, utilizando-se de
diversas técnicas que podem ser agrupadas em três
categorias: otimização clássica, métodos heurísticos
construtivos e meta-heurísticas [5]. Dentre as técnicas já
utilizadas tem-se a busca tabu, algoritmos genéticos, nuvem
de partículas, inteligência de enxames, entre outras.
II MODELO DC
A modelagem matemática é o processo de representação
de determinado objeto ou sistema real através de relações
matemáticas para que possa ser implementada
computacionalmente, visando a aplicação prática.
A modelagem ideal para o problema abordado seria através
do fluxo de carga AC. Como esse modelo impõe diversas
dificuldades, atualmente utiliza-se na maioria das vezes o
fluxo de carga DC (Direct Current). Os modelos mais
utilizados são: modelo de transportes, modelo DC e modelo
híbrido.
Neste trabalho foi utilizado o modelo DC, que é baseado
no acoplamento entre os fluxos de potência ativa e as
aberturas angulares, considerando as duas leis de Kirchhoff.
Isso significa que todas as barras do sistema elétrico têm que
satisfazer a Primeira Lei de Kirchhoff (Lei das Correntes) e
todos os laços devem satisfazer a Segunda Lei de Kirchhoff
(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

–geração na barra i Da mesma maneira que existem diversos modelos

matemáticos que podem ser aplicados ao problema de
– demanda na barra i planejamento da expansão dos sistemas de transmissão de
energia elétrica, várias técnicas de solução podem ser
– geração da unidade geradora fictícia na barra i utilizadas para a solução dos mesmos. Neste trabalho foi
- fluxo total no caminho i-j utilizado um método heurístico evolucionário, denominado
Algoritmo Genético (AG). Conforme [1], os AGs são
– susceptância da linha no caminho i-j adequados para o tratamento de problemas não lineares com
variáveis mistas.
– número de circuitos na configuração base no caminho i-j
O AG é baseado no conceito básico da evolução genética
"0 – ângulo de fase na barra i biológica: “Quanto melhor um indivíduo se adaptar ao seu
"1 – ângulo de fase na barra j meio ambiente, maior será sua chance de sobreviver e gerar
descendentes.” (DARWIN, 1859).
)))
'( – fluxo máximo permitido no caminho i-j
O princípio do AG é criar uma população de possíveis
+' – máxima capacidade de geração na barra i respostas para o problema, para depois submetê-la ao processo
de evolução, através da avaliação da aptidão, seleção,
+' – limite máximo da geração fictícia na barra i recombinação, mutação, atualização da população e
))))
'( – número máximo de adições permitidas no caminho i-j encerramento da população quando se atinge a solução ótima.
A equação (1) é a função objetivo do modelo DC contendo A. Codificação
a soma dos custos de investimento das linhas de transmissão No algoritmo genético, existe a necessidade de se
candidatas à adição, bem como o corte de carga com uma representar uma possível resposta ao problema através de uma
penalidade. Na equação (2) a Primeira Lei de Kirchhoff na cadeia cromossômica. Neste trabalho, foi utilizada a
rede DC é modelada, enquanto que a equação (3) é uma codificação inteira, que equivale à quantidade de circuitos
expressão da Segunda Lei de Kirchhoff. As equações (4), (5) e adicionados em cada caminho i-j (nij).
(6) são as restrições do modelo, que envolvem o limite dos
fluxos nas linhas de transmissão, a capacidade máxima de
2 1
 Figura 1 - Indivíduo com possível resposta para o problema
O cromossomo tem NL genes, sendo NL o número de
caminhos candidatos à adição. No cromossomo mostrado na
Figura 1, há adição de 2 circuitos no caminho 2 e 1 circuito no
caminho 7.
B. População Inicial
Para a resolução do problema, foi utilizada uma população
com 40 indivíduos. A população inicial foi gerada de forma
aleatória. O único controle realizado na geração foi com o
objetivo de não haver indivíduos repetidos.
C. Função adaptação (fitness)
Após a geração da população, é necessário avaliar a
qualidade de seus indivíduos. Isto é realizado por meio de uma
função de adaptação.
Neste trabalho, a adaptação do indivíduo é avaliada através
da função objetivo do modelo DC (equação 1), levando em
consideração as restrições do modelo. A função objetivo,
quando se conhece o investimento (valores de nij0) torna-se um
problema de programação linear (PL), cuja formulação da
equação (1) se torna:
min = (8)
∈
Assim, para cada indivíduo é resolvido um PL, o que
determina os valores das variáveis dos fluxos de potência nas
linhas e diferenças angulares, e do custo, que é o que se deseja
minimizar.
D. Operadores genéticos
Os operadores genéticos são utilizados para gerar novos
indivíduos a partir de reprodução dos indivíduos existentes na
população.
O operador de seleção é o que compara e seleciona dentro
da população, quais são os indivíduos que gerarão
descendentes. A seleção pode ser feita de quatro maneiras:
ordem, torneio, proporcional ou roleta viciada. No Algoritmo
Genético aqui descrito, foi utilizada a seleção por torneio, no
qual dois indivíduos da população corrente são escolhidos
aleatoriamente e competem entre si. O indivíduo mais
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
informação codificada de duas soluções previamente
selecionadas para gerar duas novas soluções candidatas que
poderão estar localizadas próximas às soluções que as
originaram, ou então, distantes, com o objetivo de explorar o
espaço de busca. No trabalho, foi utilizada a recombinação
uniforme, no qual cada descendente é criado copiando o gene
correspondente de um dos pais, escolhido de acordo com uma
máscara de cruzamento gerada aleatoriamente. Onde houver 1
na máscara, o gene correspondente será copiado do primeiro
pai, e onde houver 0 será copiado do segundo, conforme
exemplo na Figura 2.
22 5 7 3 8 3 1
2 9 7 3 1 1 1
1 0 1 1 0 0 1
5 5 6 5 8 3 4
5 9 6 5 1 1 4
Figura 2 - Recombinação Uniforme
Depois do processo de recombinação foi utilizado o
operador de mutação. A estratégia de mutação consiste em
aplicar apenas uma pequena perturbação na solução
encontrada após a recombinação, isto é, uma solução vizinha
dessa solução no espaço de busca. No AG proposto, um gene
do indivíduo selecionado para ser o pai por torneio era
modificado. O gene a ser alterado foi escolhido
aleatoriamente.
E. Parâmetros diversos
Existem ainda outros parâmetros que influenciam na
qualidade do Algoritmo Genético:
• Probabilidade de aplicação dos operadores:
o Taxa de recombinação: 0,60;
o Taxa de mutação: inicialmente foi utilizada
uma taxa de mutação de 0,08. Porém, quando
a população começa a ficar com muitos
indivíduos iguais, essa taxa passa a ser maior
(0,4), para que ocorra uma maior
diversificação da população, aumentando o
espaço de busca. Foi utilizado o critério de
50% de diversificação. Ou seja, quando 50%
dos indivíduos são iguais, modifica-se a taxa
de mutação.
• Elitismo: consiste em manter os melhores indivíduos
para a próxima população. Neste trabalho, apenas os
indivíduos mais adaptados entre a população anterior
e os descendentes seguem para a próxima geração;
• Critério de parada: foi utilizado como critério para o
fim do algoritmo o número máximo de 80 iterações.
IV TESTE DO ALGORTIMO PROPOSTO
A. Sistema Garver
Para ilustrar o algoritmo proposto utilizou-se um sistema
proposto por Garver, muito conhecido na literatura, que é
formado por 6 barras, 6 circuitos existentes na topologia base
e 15 caminhos candidatos à expansão. Nas tabelas 1 e 2 são
apresentados os dados das barras e das linhas de transmissão
e na figura 3 é ilustrada a topologia base. O valor de potência
base do sistema é 100 MVA.
 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.

Figura 5 - Gráfico com os resultados para o sistema sem redespacho

Figura 3: Topologia base do sistema Garver


Figura 6 - Topologia da rede sem redespacho de geração com a configuração
de menor custo
Para o problema com redespacho de geração, foi
encontrado o resultado com 1 circuito adicionado no caminho
11 (3-5) e 3 circuitos no caminho 14 (4-6). O custo calculado
para esta configuração foi de 110 milhões de dólares. O
gráfico da Figura 7 ilustra como as soluções convergiram
para o valor de menor custo.
Figura 7 - Gráfico com os resultados para o Sistema com redespacho
CONCLUSÕES
O presente trabalho descreveu o desenvolvimento de um
algoritmo para a o planejamento da expansão da transmissão
de energia elétrica, utilizando o Modelo DC, e a otimização
heurística.
No algoritmo proposto, pode-se verificar que a solução
ótima foi encontrada mesmo sem muita variação dos
parâmetros, mas nem sempre ela era encontrada, sendo que
várias vezes o algoritmo encontrava uma solução que não era
a ideal. Para isso buscou-se variar alguns parâmetros, alguns
até que não são tão comuns no Algoritmo Genético. Um
desses parâmetros foi a taxa de mutação. Foi verificado no
AG que, quando utilizadas as taxas de mutação e
recombinação comuns (0,08 e 0,6 respectivamente), após
algumas iterações, a população não se diversificava o
suficiente, tornando-se o espaço de busca insuficiente para
encontrar a solução ótima. Por essa razão, optou-se por
escolher uma nova taxa de mutação, para quando a população
estivesse com vários elementos iguais, para aumentar a
diversidade da mesma. Essa modificação aumentou
consideravelmente a eficiência do Algoritmo.
Verificou-se também que a variação do elitismo no
Algoritmo foi crucial para encontrar a solução ótima. A
mesma só foi encontrada, quando foi aplicado uma taxa alta
de elitismo na implementação.
Por fim, o Algoritmo Genético mostrou-se eficiente para o
problema do planejamento da expansão da transmissão,
considerando um sistema desse porte, alcançando sempre boas
soluções com um tempo de processamento aceitável. Para
problemas de mais alta complexidade, seria necessária uma
análise mais criteriosa dos parâmetros e realizações de mais
testes para a validação da implementação.
REFERÊNCIAS
Periodicals:
[1] C. T. Miasaki e R. Romero, "Um algoritmo genético especializado
aplicado ao planejamento da expansão do sistema de transmissão com
alocação de dispositivos de compensação série," Revista Controle &
Automação, vol. 18, pp. 210-222, Mai. 2007.
Dissertations:
[2] A. A. Lima, “Análise e implementação de um algoritmo de busca
dispersa para o planejamento da expansão de sistemas de transmissão,”
Dissertação de Mestrado, Faculdade de Engenharia – UNESP, Ilha
Solteira, SP, 2012
[3] H. C. Santos, “Planejamento da expansão de sistemas de transmissão
considerando a retirada de linhas de transmissão,” Dissertação de
Mestrado, Faculdade de Engenharia – UNESP, Ilha Solteira, SP, 2007
[4] E. A. Vaz, “Análise Preliminar do uso de inteligência de abelhas no
planejamento em um estágio da expansão do sistema de transmissão de
energia elétrica.” Projeto de Diplomação, Universidade Federal do Rio
Grande do Sul, Porto Alegre, RS, 2011.
[5] I. M. Mendonça. “Planejamento estático da expansão de sistemas de
transmissão de energia elétrica utilizando otimização por enxame de
partículas,”
[6] C.T. Miasaki, “Planejamento da Expansão do Sistema de Transmissão
de Energia Elétrica Utilizando Controladores FACTS,” Tese de
Doutorado, Faculdade de Engenharia – UNESP. Ilha Solteira, SP, 2006.