FERNANDO TONIOLO SANDRINI

Otimizao de Banco de Capacitores em Sistemas de Distribuio de Energia Eltrica Usando Algoritmos Genticos e Nuvem de Partculas

Proposta

de

dissertao

apresentada

ao

Programa de Ps-Graduao em Engenharia de Produo e Sistemas da Pontifcia

Universidade Catlica do Paran como requisito parcial para obteno do ttulo de Mestre em Engenharia de Produo e Sistemas.

Curitiba, outubro de 2005.

FERNANDO TONIOLO SANDRINI

Otimizao de Banco de Capacitores em Sistemas de Distribuio de Energia Eltrica Usando Algoritmos Genticos e Nuvem de Partculas

Dissertao apresentada ao Programa de PsGraduao em Engenharia de Produo e

Sistemas da Universidade Catlica do Paran como requisito parcial para obteno do ttulo de Mestre em Engenharia de Produo e Sistemas.

rea de Concentrao: Automao e Controle de Sistemas Orientador: Prof. Dr. Leandro dos Santos Coelho

Curitiba, outubro de 2005.

Agradecimentos

Agradeo a todos que me ajudaram, no perodo de desenvolvimento deste trabalho, todos que participaram das fases de desenvolvimento e me auxiliaram incentivando e dando suporte quando necessrio.

Resumo
O planejamento da expanso dos sistemas de distribuio de energia eltrica um problema relevante para as empresas distribuidoras de energia. Neste caso o problema pode ser formalizado para minimizao os custos de expanso do sistema com foco na construo de linhas de distribuio, subestaes, recondutoramento, alocao de bancos de capacitores, entre outros. Para um melhor aproveitamento da energia eltrica, os bancos de capacitores esto sendo comumente empregados para fornecer compensao de reativos em sistemas de distribuio de energia eltrica, dessa forma contribuem para reduzir as perdas de energia e manter a tenso dentro dos limites aceitveis para operao. Os benefcios fornecidos pela compensao dependem de como os capacitores so inseridos no sistema, ou seja, localizao e capacidade dos capacitores adicionados. O objetivo deste trabalho utilizar os algoritmos genticos e nuvem de partculas na resoluo de um problema de otimizao de bancos de capacitores em um sistema de distribuio de energia eltrica. Neste contexto, atravs de uma melhor configurao de banco de capacitores inseridos na rede de distribuio de energia eltrica pode-se minimizar as perdas ocasionadas pelo comportamento indutivo da rede, e conseqentemente reduzindo as perdas existentes no sistema e mantendo um fator de potncia aceitvel. Foi desenvolvido um estudo de caso em uma rede eltrica contendo 9 barras, e para as simulaes foram utilizadas trs situaes diferentes. Para um primeiro caso foram otimizados os bancos de capacitores para um sistema em apenas trs barras, para o segundo caso foram otimizadas todas as 9 barras da rede, e para um terceiro caso foi definido uma rede eltrica com 15 barras, sendo todas as barras analisadas quanto a compensao capacitiva. Palavraschave: distribuio de energia eltrica, banco de capacitores, otimizao, algoritmos genticos, nuvem de partculas.

Abstract
The expansion planning of electric energy distribution systems is a matter of huge importance for companies that offer that service, have in one mind that this problem can be formalized to decrease the costs of expansion of the system with focus on the construction of distributing lines, substations, change of feeder gauge, configuration of capacitors placement and others. To improve the use of electric energy, capacitors are been used to offer compensation of reactive energy in distributing systems. They are used to reduce losses of energy and keep tension inside of acceptable limits. The benefits provided by compensation depend of how the capacitors are put inside the system, in other words, in the location and size of the additionated capacitors. The purpose of this work is to use AGs and PSO in the resolution of a matter of optimization of capacitors bank. In this context, through a better configuration of capacitors bank introduced in the electric distribution system can reduce the losses occasioned by the network inductive behavior, consequently reducing losses and keeping a factor of acceptable power in order to decrease the existents losses. As a study case, it was developed a net containing nine bus, and for the simulations were used three different approaches. In the first case were otimizated only three bus, and the second one were otimizated all the nine bus, and for the third case was defined a network with fifteen bus, been all of them analised as the capacitive compensation.

Lista de Acrnimos
AG Algoritmo Gentico ANEEL Agncia Nacional de Energia Eltrica SA Simulated Annealing CA Corrente Alternada CalcPLD Clculo de Perdas em Linhas de Distribuio EAs Evolutionary Algorithms PUCPR Pontifcia Universidade Catlica do Paran P&D Pesquisa e Desenvolvimento PSO Particle Swarm Optimization SC Santa Catarina

Sumrio
Captulo 1 - Introduo .............................................................................................................. 10 1.1 - Introduo.................................................................................................................. 10 1.2 - Estado da arte ........................................................................................................... 12 1.3 - Justificativa ................................................................................................................ 16 1.4 - Motivao .................................................................................................................. 17 1.5 - Organizao da dissertao ....................................................................................... 19 Captulo 2 - Planejamento de sistemas de distribuio de energia eltrica............................ 20 2.1 - Calcpld - Clculo de perdas em linhas de distribuio ................................................ 20 2.2 - Correntes trifsicas .................................................................................................... 23 2.3 - Tenses no circuito trifsico ....................................................................................... 25 2.4 - Tenso, corrente e potncia ....................................................................................... 27 2.5 - Potncias trifsicas .................................................................................................... 28 2.6 - Correo do fator de potncia .................................................................................... 31 2.7 - Descrio de um estudo de caso com 3, 9 e 15 barras ............................................... 34 Captulo 3 Fundamentos dos algoritmos genticos.............................................................. 38 3.1 - Breve histrico ........................................................................................................... 38 3.2 - Caractersticas dos AGs............................................................................................. 39 3.3 - Codificao da soluo .............................................................................................. 41 3.3.1 - Codificao binria ............................................................................................. 41 3.3.2 - Codificao Gray ................................................................................................ 43 3.3.3 - Codificao real .................................................................................................. 46 3.4 - Funo objetivo ......................................................................................................... 46 3.5 - Principais conceitos usados em AGs.......................................................................... 48 3.6 - Operaes bsicas de um AG simples ....................................................................... 49 3.7 - Operadores genticos ................................................................................................ 52 3.7.1 - Operadores de seleo ....................................................................................... 52 3.7.2 - Operador de cruzamento .................................................................................... 54

3.7.3 - Operador de mutao ......................................................................................... 56 3.8 - Parmetros genticos ................................................................................................ 57 3.8.1 - Tamanho da populao ...................................................................................... 58 3.8.2 - Probabilidade de cruzamento .............................................................................. 59 3.8.3 - Probabilidade de mutao................................................................................... 59 3.8.4 - Intervalo de gerao ........................................................................................... 60 Captulo 4 - Fundamentos da Nuvem de Partculas ................................................................. 61 4.1 - Introduo.................................................................................................................. 61 4.2 - Linguagem adotada na PSO ...................................................................................... 65 4.2.1 - Partcula ou agente ............................................................................................. 66 4.2.2 - Posio............................................................................................................... 66 4.2.3 - Funo objetivo .................................................................................................. 66 4.2.4 - Pbest .................................................................................................................. 67 4.2.5 - Gbest .................................................................................................................. 67 4.3 - PSO: um modelo bsico............................................................................................. 68 4.3.1 - Auto-organizao ................................................................................................ 68 4.3.2 - Diviso do trabalho ............................................................................................. 69 4.4 - Operaes bsicas .................................................................................................... 72 4.4.1 - Definir o espao da soluo ................................................................................ 72 4.4.2 - Definir uma funo objetivo ................................................................................. 72 4.4.3 - Iniciar a posio e velocidades aleatrias ............................................................ 73 Captulo 5 - Anlise dos resultados de simulao ................................................................... 77 5.1 - Estudo de caso .......................................................................................................... 77 5.1.1 - Simulao usando AG ........................................................................................ 82 5.1.2 - Anlise estatstica usando AG............................................................................. 86 5.1.3 - Simulao usando PSO ...................................................................................... 93 5.1.4 - Anlise estatstica usando PSO .......................................................................... 97 Captulo 6 - Concluso e pesquisa futura ................................................................................105 Referncias ...............................................................................................................................107

Listas de Figuras
Figura 2.1 : Diagrama geoprocessado usando o ambiente CalcPLD............................................. 21 Figura 2.2 : Diagrama unifilar usando o ambiente CalcPLD. ......................................................... 22 Figura 2.3 : Defasagem entre tenso e corrente. .......................................................................... 23 Figura 2.4 : Defasagem entre as fases. ........................................................................................ 25 Figura 2.5 : Ligao de um transformador para secundrio. ......................................................... 26 Figura 2.6 : Gerador de corrente alternada. .................................................................................. 27 Figura 2.7 : Defasagem entre corrente e tenso. .......................................................................... 28 Figura 2.8 : Relao entre potncias ativa, indutiva e aparente. ................................................... 29 Figura 2.9 : Correo do fator de potncia.................................................................................... 31 Figura 2.10 : Diagrama de capacitores. ........................................................................................ 32 Figura 2.11 : Banco de capacitores. ............................................................................................. 33 Figura 2.12 : Diagrama do alimentador......................................................................................... 35 Figura 3.1 : Fluxograma bsico de um algoritmo gentico. ........................................................... 51 Figura 3.2 : Mtodo da roleta diagrama de probabilidades. ........................................................ 54 Figura 3.3 : Cruzamento de dois indivduos em um AG simples.................................................... 55 Figura 3.4 : Mutao de um cromossomo. .................................................................................... 57 Figura 4.1 : Comportamento de um enxame de abelhas (Robinson & Rahmat, 2004). .................. 64 Figura 4.2 : Estrutura bsica de um algoritmo PSO. ..................................................................... 71 Figura 4.3 : Movimento de partculas. ........................................................................................... 76 Figura 5.1 : Diagrama de ponto de carga 9 barras. .................................................................... 77 Figura 5.2 : Diagrama de ponto de carga 15 barras. .................................................................. 78 Figura 5.3 : Diagrama do AG desenvolvido. ................................................................................. 83 Figura 5.4 : Diagrama da PSO desenvolvido. ............................................................................... 95

Lista de Tabelas
Tabela 3.1 : Codificao binria em um AG. ................................................................................. 42 Tabela 3.2 : Codificao de Gray. ................................................................................................ 43 Tabela 3.3 : Biologia versus computao. .................................................................................... 48 Tabela 3.4 : Aptido versus conceito. ........................................................................................... 49 Tabela 3.5 : Mtodo da roleta. ...................................................................................................... 53 Tabela 4.1 : Vocabulrio da PSO. ................................................................................................ 65 Tabela 5.1 : Dados de impedncia do alimentador 9 barras.......................................................... 79 Tabela 5.2 : Dados das cargas do sistema com 9 barras. ............................................................ 80 Tabela 5.3 : Tamanho dos capacitores e custos anuais. ............................................................... 80 Tabela 5.4 : Possveis escolhas de tamanhos de capacitores. ...................................................... 80 Tabela 5.5 : Dados de impedncia do alimentador com 15 barras. ............................................... 81 Tabela 5.6 : Dados das cargas das 15 barras............................................................................... 81 Tabela 5.7 : Resultados das abordagens de AG 3 barras (30 experimentos). ............................ 86 Tabela 5.8 : Mdia da simulao AG 3 barras (30 experimentos). ............................................. 87 Tabela 5.9 : Resultados da otimizao para o problema de 3 barras. ........................................... 87 Tabela 5.10 : Resultados das abordagens de AG 9 barras (30 experimentos). .......................... 89 Tabela 5.11 : Mdia da simulao AG 9 barras (30 experimentos). ........................................... 89 Tabela 5.12 : Resultados da otimizao para o problema de 9 barras. ......................................... 90 Tabela 5.13 : Resultados das abordagens de AG 15 barras (30 experimentos). ........................ 91 Tabela 5.14 : Mdia da simulao AG 15 barras (30 experimentos). ......................................... 91 Tabela 5.15 : Resultados da otimizao para o problema de 15 barras. ....................................... 91 Tabela 5.16 : Resultados das abordagens de PSO 3 barras (30 experimentos). ........................ 97 Tabela 5.17 : Mdia da simulao PSO 3 barras (30 experimentos). ......................................... 98 Tabela 5.18 : Resultados da otimizao para o problema de 3 barras. ......................................... 98 Tabela 5.19 : Resultados das abordagens de PSO 9 barras (30 experimentos). .......................101 Tabela 5.20 : Mdia da simulao PSO 9 barras (30 experimentos). ........................................101 Tabela 5.21 : Resultados das abordagens de PSO 15 barras (30 experimentos). .....................102 Tabela 5.22 : Mdia da simulao PSO 15 barras (30 experimentos). ......................................102 Tabela 5.23 : Resultados da otimizao para o problema de 9 barras. ........................................103 Tabela 5.24 : Resultados da otimizao para o problema de 15 barras. ......................................103

Captulo 1 - Introduo
1.1 - Introduo O mercado de energia eltrica brasileira experimenta um crescimento da ordem de 4,5% ao ano, devendo ultrapassar a demanda de 100 mil MW em 2008. O planejamento governamental de mdio prazo prev a necessidade de

investimentos da ordem de R$ 6 a 7 bilhes/ano para expanso da matriz energtica brasileira, em atendimento demanda do mercado consumidor, segundo a ANEEL - Agncia Nacional de Energia Eltrica (2003). Para o futuro, algumas alteraes devem ocorrer na estrutura dos investimentos no setor de energia eltrica, incluindo a instalao de centrais termeltricas a gs natural, que exigem prazos de implementao e investimentos menores que as hidreltricas. Por outro lado, devem ser ampliadas as importaes de energia da Argentina, Venezuela e Bolvia e a interligao eltrica entre o Sul e o Norte do Brasil, o que significa maiores investimentos em redes de transmisso de energia eltrica. As principais oportunidades de negcios no mercado de energia eltrica nacional esto ligadas oferta de novos empreendimentos de gerao para explorao pela iniciativa privada e construo de linhas de transmisso, bem como privatizao de ativos de sistemas de distribuio e de gerao de energia eltrica. Outro foco se concentra na universalizao do atendimento s comunidades isoladas da Regio Norte do Pas e ao meio rural, que devem estar concludos at 2005 (ANEEL, 2003). O sistema eltrico brasileiro apresenta como particularidade grandes extenses de linhas de transmisso e um parque produtor de geraes predominantemente hidreltricas. O mercado consumidor (47,2 milhes de unidades) concentra-se nas regies Sul e Sudeste, mais industrializadas, segundo a ANEEL (2004). A regio Norte atendida de forma intensiva por pequenas centrais geradoras, a maioria termeltrica a leo diesel.

Devido ao aumento do consumo de energia eltrica no pas com a utilizao de novos equipamentos eltricos, a ligao de novos consumidores as redes de distribuio existentes e a automao industrial tm motivado o desenvolvimento de pesquisas visando resoluo de problemas de distribuio de energia eltrica. Como forma de diminuir os desperdcios (perdas) do sistema de distribuio de energia eltrica, os capacitores so empregados para fornecer compensao da potncia reativa em sistemas de distribuio, sendo tambm utilizados para reduzir as perdas tcnicas e manter a tenso dentro de limites aceitveis. Um sistema de distribuio de energia eltrica geralmente composto de dois subsistemas. Um sistema que possui subestaes de distribuio que operam em mdia tenso que so distribudos para transformadores situados em pontos importantes da rede eltrica, e o outro que constitudo de transformadores abaixadores que esto prximos s zonas de consumo de baixa tenso prximos aos clientes finais (cargas da rede), o que caracteriza este estgio da rede eltrica como sendo a rede secundria. A maior parte das perdas existentes no sistema eltrico hoje implantado se concentra no sistema de distribuio de energia eltrica, este um fator motivador para a definio desta dissertao de mestrado. A compensao fornecida pela utilizao dos capacitores dependente de como os capacitores so inseridos no sistema, levando em considerao a localizao e capacidade dos capacitores adicionados. Esta proposta de dissertao enfoca a utilizao de algoritmos genticos (AGs) para determinao da melhor configurao de capacitores para um determinado sistema de distribuio de energia eltrica. Os AGs so tcnicas de busca bio-inspiradas nos princpios da seleo natural (gentica natural) e gentica, revelando caractersticas interessantes para se lidar com a resoluo de problemas de otimizao multi-modais e no convexos.

11

1.2 - Estado da arte O desenvolvimento deste trabalho foi motivado pelo fato das concessionrias de energia eltrica operarem em um ambiente com perdas e necessidade de controle de tenso. Atualmente, com o mercado aberto, com o fim das grandes empresas estatais de gerao e transmisso de energia eltrica, e com a regulamentao do setor eltrico imposto pela ANEEL vantajoso que as concessionrias operem o sistema de forma otimizada, diminuindo as perdas de energia e estando dentro dos padres exigidos pelas resolues cabveis. Neste contexto, uma alternativa relevante para a melhora do desempenho de um sistema de distribuio de energia eltrica atravs da utilizao de mtodos de otimizao para resoluo de problemas vinculados a diminuio de perdas do sistema eltrico. Uma abordagem til so os AGs, uma tcnica da computao evolutiva. O uso de AGs para a resoluo de problemas de difcil soluo tem abrangido diversas reas de conhecimentos, entre as quais: sntese de circuitos eltricos analgicos: para uma certa entrada e uma sada desejada, por exemplo, tenso, o AG gera a topologia, o tipo e o valor dos componentes do circuito; sntese de protocolos de comunicao: determinar quais funes de um protocolo so implementadas em hardware e quais devem ser implementadas em software para que um certo desempenho seja alcanado; otimizao multi-critrio: otimizao de sistemas complexos que apresentam objetivos de otimizao conflitantes; problemas de otimizao multivariveis: problemas com muitas variveis e espaos de solues com dimenso elevada. Ex: problema combinatrio, gerenciamento de carteiras de fundos de investimento, etc.; cincias biolgicas: modelagem de processos biolgicos para o entendimento do comportamento de estruturas genticas. 12

Em Tanomaru (1995), mencionada a tendncia de pesquisadores procurarem mtodos computacionais de otimizao bio-inspirados, onde podem ser

encontrados diferentes exemplos reais de sistemas inteligentes. Dentro da rea denominada computao evolutiva (ou evolucionria), o AG a abordagem amplamente estudada, devido a sua flexibilidade e relativa simplicidade de implementao. Nas reas de gerao e distribuio de energia eltrica existem casos de utilizao de mtodos de otimizao, visto que muitos problemas encontrados nestas reas so complexos. Costa (2002) aborda o problema de planejamento de redes de distribuio de energia eltrica, usando otimizao atravs de computao evolutiva para a minimizao dos custos fixos de instalao e custos devidos perdas eltricas. Para a otimizao de redes de distribuio, Sundhararajan (1994) descreve uma aplicao de AGs na determinao do tamanho, lugar e nmero (configurao) de capacitores a serem instalados em um sistema de distribuio com forma radial. Um dos objetivos minimizar as perdas considerando os custos de capacitores. Gmez (2004) utiliza um algoritmo baseado em colnia de formigas, esta uma abordagem de otimizao da inteligncia coletiva (swarm intelligence), para otimizao de um sistema de distribuio primrio. Neste caso, o problema caracterizado como um problema de otimizao no-linear. Para avaliar o desempenho da colnia de formigas realizado um estudo comparativo com um AG. Para otimizao em sistemas de gerao de energia eltrica, Leite & Carneiro (2002) utilizam AGs para minimizar o custo de operao em usinas hidreltricas. Aps realizarem a formulao matemtica e aplicarem os AGs para um sistema eltrico com vrias usinas conectadas em cascata, observaram que o uso dos AGs reduziu o custo operacional das hidreltricas estudadas. Para soluo do problema de planejamento de sistemas de distribuio de energia eltrica, Siqueira & Mantovani (2001) formulam o problema de otimizao 13

como um problema de programao linear, considerando que a funo objetivo abranja os custos de investimentos com a instalao de novos alimentadores e aconstruo de novas subestaes, incluindo o custo de operao do sistema eltrico. Estes pesquisadores utilizam para resoluo do problema um algoritmo Branch-and-Bound. No planejamento de redes secundrias de distribuio de energia eltrica, Cossi & Mantovani (2003) propem um algoritmo evolutivo dedicado, que emprega esquemas de codificao, operadores genticos e parmetros de controle, projetados e direcionados para considerar algumas caractersticas relevantes do planejamento de redes secundrias de distribuio. Os esquemas propostos para codificao mapeiam as possveis solues do problema que atendem alguns requisitos necessrios para obteno de um sistema de baixo custo considerando o dimensionamento adequado dos condutores, e o equilbrio de cargas entre as fases e um transformador localizado no centro de carga do sistema. Para o clculo de fluxo de potncia trifsico foi utilizado um programa computacional auxiliar para o clculo da funo de adaptao (fitness) das solues geradas durante o ciclo de otimizao. Tambm vinculado ao planejamento de redes de distribuio, Laughton (1995) enfatiza que os AGs so teis na resoluo de problemas de otimizao na rea de sistemas de potncia. O planejamento efetivo de sistemas de operao e distribuio de energia eltrica limitado pela grande dimenso do problema e pelo pouco conhecimento dos engenheiros em sistemas de distribuio reais. Entretanto, o maior problema da utilizao desta tcnica o custo computacional para avaliar os possveis planos de operao do sistema de distribuio de energia eltrica. No contexto de transmisso de energia eltrica, Jingdong & Guoqing (1997) utilizam os AGs para encontrar um melhor planejamento da rede eltrica com mltiplos objetivos e, neste caso, obtiveram resultados satisfatrios. Na rea de energia, Pinheiro (1998) objetiva a utilizao de AGs, aliado a um programa computacional de resoluo de fluxo de carga, visando um controle de 14

tenso com menor quantidade de perdas. Os resultados obtidos demonstraram a eficincia da utilizao de AGs neste tipo de problema. Parada (2004) prope o uso de simulated annealing para o planejamento de um sistema de distribuio de energia eltrica, baseado na minimizao dos custos de investimento no alimentador e subestaes. A dificuldade de se tratar estes problemas para uma rede de distribuio que este aumenta diretamente com o aumento de pontos de consumo existentes. Neste trabalho comentada a utilizao de resultados quase timos para a soluo de problemas complexos, visto que a utilizao de mtodos exatos bastante onerosa quanto ao custo computacional. Durante o desenvolvimento deste trabalho foram analisadas as atuais utilizaes da nuvem de partculas (particle swarm optimization, PSO) dentro de problemas de otimizao e reduo de perdas em sistemas eltricos. A utilizao de PSO tem se mostrado ampla, Yoshida & Fukuyama (2001) apresentam a utilizao de PSO no controle da tenso. O mtodo utilizado considera a tenso de segurana usando um fluxo de potncia. A viabilidade do mtodo utilizado foi demonstrada e comparado com outras tcnicas no desenvolvimento desta pesquisa. Kitagawa & Fukuyama (2005) demonstram a utilizao da PSO, no planejamento operacional de sistemas de distribuio. O problema foi

mapeado/formulado como um problema de otimizao no-linear. So realizadas algumas simulaes comparando diversas modificaes da PSO bsica. A escolha da PSO segundo os autores, foi apropriada para este problema porque podem assegurar o atendimento as regras de operao do sistema, com suas restries de operao. Dentro de sistemas de distribuio, Su et al. (2005) introduz a utilizao de um algoritmo evolutivo para resolver os problemas de perdas nas redes de distribuio de energia eltrica. O algoritmo desenvolvido foi inspirado no comportamento natural de colnias da formiga, ou seja, em como formalizada a procura pela fonte do alimento e como realizado o deslocamento at o ninho em um problema de otimizao. Os resultados numricos apresentados 15

demonstraram a eficcia da utilizao da colnia de formigas em sistemas de distribuio de energia eltrica. Outro exemplo de aplicao da PSO em sistemas de distribuio de energia eltrica o de Naka & Fukuyama (2001) que propem a utilizao de uma PSO hbrida para a soluo deste tipo de problema. O mtodo proposto considera caractersticas no-lineares dos equipamentos utilizados em sistemas de distribuio. A PSO objetiva minimizar as diferenas existentes entre as variveis calculadas e medidas. Os resultados obtidos indicam a aplicabilidade do mtodo utilizado para sistemas de distribuio de energia eltrica.

1.3 - Justificativa O planejamento da expanso de sistemas de distribuio de energia eltrica uma importante questo para as empresas distribuidoras de energia eltrica. Este situao pode ser tratada como um problema de otimizao com o objetivo de minimizar o custo total da expanso do sistema, que compreende a construo de linhas de transmisso, subestaes e a mudana da bitola dos cabos condutores(recondutoramento) dos alimentadores existentes. Os principais aspectos tcnicos e econmicos envolvidos no planejamento so: economia, confiabilidade, segurana e qualidade de servio (Bazan et al., 2002). De acordo com alguns estudos prvios explanados na seo anterior, verificouse a ampla utilizao de AGs e outros mtodos de otimizao para a soluo de problemas complexos de planejamento e otimizao de sistemas eltricos. Neste contexto, os resultados das pesquisas recentes apresentadas na literatura so promissores. Para um melhor aproveitamento da energia eltrica, os capacitores so comumente empregados para fornecer compensao reativa em sistemas de distribuio. Os capacitores so utilizados para reduzir as perdas de energia e manter a tenso eltrica dentro dos limites aceitveis considerando o custo dos 16

capacitores com relao s outras alternativas possveis, como recondutoramento ou reconfigurao da rede. Os benefcios fornecidos pela compensao dependem da forma com que os capacitores so inseridos dentro do sistema, em outras palavras, na localizao, capacidade e configurao dos capacitores adicionados. Tais parmetros constituem a base para o desenvolvimento desta dissertao. Os benefcios fornecidos pela compensao capacitiva dependem de como os capacitores so inseridos no sistema de distribuio de energia eltrica, ou seja, dependem da influncia da localizao e da capacidade (tamanho) dos capacitores. Esta deciso uma tarefa complexa quando se lida com valores e dimenses reais de um sistema de distribuio de energia eltrica, fazendo com que as decises sejam tomadas com base na experincia (tentativa e erro) e conhecimento de especialistas, o que pode no gerar o melhor resultado esperado. Tais parmetros constituram a base para o desenvolvimento do projeto e a forma de abordar dos conceitos necessrios sobre otimizao de sistemas de distribuio de energia eltrica.

1.4 - Motivao Com a modernizao do modelo energtico brasileiro mudanas tm ocorrido nas reas de gerao, transmisso e distribuio de energia eltrica. Com o novo modelo do setor eltrico brasileiro, o mercado se tornou mais competitivo, fazendo com que pequenas empresas distribuidoras comecem a se preocupar com a qualidade do servio prestado. Como forma de competir, as empresas necessitam diminuir o custo, e uma forma de diminuir o custo pode ser pela minimizao de perdas. Algumas pesquisas quanto utilizao da energia eltrica produzida tm sido desenvolvidos. Brady (2002) comenta a existncia das tentativas de reestruturar o ambiente de gerao e consumo de energia como objetivo principal de segurana e confiabilidade para a rede distribuidora. Brady (2002) tambm menciona que o 17

aumento da demanda de energia eltrica e a constante construo de usinas geradoras de energia eltrica, que se encontra estvel, gera um dficit de energia para um futuro prximo no mercado de energia eltrica ameriacno. Como forma de tentar minimizar o problema, Brady (2002) prope um modelo de simulao que examine as estratgias de operao que avaliam o uso da energia eltrica em algumas indstrias e a alocao da energia eltrica para as atividades a serem desempenhadas. Outra forma para tentar solucionar este problema pode ser a da melhor utilizao da energia gerada, fazendo com que ela chegue ao consumidor com o mnimo de perdas possveis. Uma motivao para o desenvolvimento deste trabalho se deve ao governo ter gerado novos critrios e novos padres de qualidade para o setor eltrico, especificamente para o caso de rede de distribuio. Este novo cenrio criado se torna atraente para a Pesquisa e Desenvolvimento (P&D), pois novos critrios de qualidade esto sendo implantados o que gera novas necessidades de desenvolvimento. Outro fator preponderante a existncia de um projeto conjunto entre a PUCPR Pontifcia Universidade Catlica do Paran e concessionrias da rea de distribuio de energia eltrica de Santa Catarina (SC) com foco no desenvolvimento de um sistema de gesto e simulao de redes de distribuio denominado Clculo de Perdas em Linhas de Distribuio de Energia Eltrica (CalcPLD). No contexto deste projeto verificou-se a possibilidade da utilizao de tcnicas de otimizao para o auxlio diminuio das perdas existentes em sistemas de distribuio de energia eltrica. Neste caso, o desenvolvimento de um mdulo computacional para o CalcPLD baseado em AGs e PSO pode servir no auxlio tomada de deciso no planejamento e expanso da rede de distribuio de energia eltrica, objetivando diminuio dos desperdcios com melhor aproveitamento da energia eltrica gerada por parte das concessionrias da rea de distribuio de energia eltrica envolvidas no projeto do sistema computacional CalcPLD.

18

Esta dissertao prope a aplicao de AGS e PSO para selecionar a melhor configurao de bancos de capacitores para um determinado sistema de distribuio de energia eltrica. A estratgia de alocao de banco de capacitores e a definio do sistema de distribuio possibilitam que os centros de carga possam ser as posies candidatas para a insero inicial dos capacitores, possuindo assim uma rede de distribuio mais equilibrada, diminuindo assim as perdas e assim melhorando o desempenho do sistema de distribuio de energia eltrica.

1.5 - Organizao da dissertao Esta dissertao est dividido em seis captulos. No captulo 2, o desenvolvimento e a utilizao de um sistema de gerenciamento de rede secundria de distribuio de energia eltrica so descritos. A formulao e a soluo do problema de otimizao de alocao do banco de capacitores so tambm apresentadas. O captulo 3 relata os fundamentos dos algoritmos genticos, descrevendo suas caractersticas e seus parmetros de otimizao. No captulo 4 so apresentados os fundamentos para o entendimento da PSO. No captulo 5 so apresentados os resultados obtidos com a otimizao de trs estudos de casos de sistemas de distribuio de energia eltrica usando algoritmos genticos e nuvem de partculas. Alm disso, nos estudos de caso, uma anlise estatstica dos dados obtidos e a configurao dos algoritmos desenvolvidos so tambm detalhadas. No captulo 6 apresentada a concluso da dissertao que esta fundamentada na anlise dos resultados obtidos com as simulaes realizadas.

19

Captulo 2 - Planejamento de sistemas de distribuio de energia eltrica

2.1 - Calcpld - Clculo de perdas em linhas de distribuio O desenvolvimento de um ambiente computacional denominado CalcPLD, foi iniciado atravs do Programa Anual de Pesquisa e Desenvolvimento, ciclo 2000/2001 da Empresa Sul Sergipana de Eletricidade Sulgipe. O CalcPLD executa clculos de tenso, corrente e fator de potncia em pontos da rede de distribuio primria em funo de diversos parmetros, tais como tipo de condutores usados, comprimento de condutor e distncia entre condutores. Esta ferramenta realiza tambm o clculo de correntes de curto-circuito trifsico, fasefase, fase-terra e fase-terra mnima. Para utilizao do CalcPLD necessrio um navegador Web, tal como Netscape, Microsoft Internet Explorer ou outros que suportem tecnologia Java e Javascript. Na utilizao, o usurio insere os dados ou verifica as informaes fornecidas pelo gerenciador dos clculos da simulao. O sistema armazena os dados em um banco de dados central do sistema de distribuio de energia eltrica e tambm auxilia o projetista na realizao de simulaes de mudana e/ou ampliao do sistema de distribuio de energia eltrica. A proposta atual o CalcPLD visa avaliao de trs abordagens diferentes: sistema supervisrio; sistema de deteco de falhas; sistema de planejamento, onde se enquadra esta dissertao.

Os softwares para estudos de sistemas de potncia desenvolvidos por empresas de grande porte so mais adequados a sistemas de potncia de maior porte de grandes empresas distribuidoras de energia eltrica, e normalmente so softwares proprietrios. Os softwares proprietrios so desenvolvidos para uma

20

determinada empresa, seguindo padres e caractersticas especificadas de acordo com a realidade de cada empresa. As empresas distribuidoras de menor porte defrontam-se com situaes onde necessitam realizar estudos de fluxo de carga em redes de distribuio de energia eltrica com rapidez, pois o mercado est cada vez mais competitivo. No entanto, estas empresas no dispem de ferramentas adequadas que forneam as informaes necessrias para orientar aes nas redes de distribuio e dar respostas satisfatrias s demandas dos consumidores e dos rgos reguladores. No primeiro prottipo foi desenvolvida uma interface em Java Applet para visualizao dos dados inseridos no sistema. Nas figuras 2.1 e 2.2 so apresentados dois diagramas, um diagrama unifilar e um diagrama geoprocessado do CalcPLD de uma rede hipottica de distribuio de energia eltrica.

Figura 2.1 : Diagrama geoprocessado usando o ambiente CalcPLD.

21

Figura 2.2 : Diagrama unifilar usando o ambiente CalcPLD.

Estas interfaces esto acopladas ao ambiente de simulao hardware-in-theloop (interface remota conectada a transmissores de grandezas eltricas), para o clculo de parmetros eltricos em redes de distribuio de energia eltrica. Este sistema dever, no futuro, auxiliar estas empresas na tomada de deciso e anlise de impacto na rede existente sobre a instalao de novos consumidores, por exemplo, uma fbrica, onde o impacto deve ser analisado e as aes de planejamento tomadas com antecedncia. Esta dissertao uma parte importante, pois o desenvolvimento de mtodos de otimizao, tais como AGs e a PSO, para a configurao de bancos de capacitores so importantes para

22

diminuio das perdas do sistema de distribuio de energia eltrica dos sistemas analisados pelo CalcPLD. A seguir so apresentados alguns conceitos bsicos de sistemas eltricos para um melhor entendimento da gesto, operao e base matemtica que rege um sistema de distribuio de energia eltrica.

2.2 - Correntes trifsicas A gerao e distribuio de energia eltrica para consumo pblico so normalmente em corrente alternada senoidal (CA). Isto significa que a tenso e a corrente variam, ao longo do tempo, em forma de uma funo senoidal. A variao por unidade de tempo, isto , a freqncia, constante. No Brasil adotada a freqncia padro de 60 Hz. Em um circuito de CA, a tenso e corrente podem estar defasadas entre si de um ngulo .

Figura 2.3 : Defasagem entre tenso e corrente.

23

As equaes (2.1) e (2.2) demonstram a defasagem entre a tenso e a correntes.

i (t ) = I p * sen( wt )

(2.1)

v(t ) = V p * sen(wt + )

(2.2)

onde
v : tenso instantnea;

i : corrente instantnea; V p : tenso de pico;

I p : corrente de pico;

f : freqncia;

w : freqncia angular (= 2f );
t : tempo; : ngulo de fase.

Existem vantagens para o uso da corrente alternada e no da contnua, pois geradores e motores de corrente alternada so mais simples e eficientes (Soares, 2005). As correntes contnuas no podem ter suas tenses facilmente convertidas (aumentadas ou reduzidas), na realidade preciso transform-las em alternadas, converter com transformadores e transformar novamente em contnuas. J para as alternadas basta apenas utilizao de um transformador. Entretanto, a corrente contnua apresenta uma vantagem: as perdas na transmisso so menores. Para distncias e potncias altas pode ser economicamente vivel a transformao da corrente em contnua na gerao e transmisso e o processo inverso no destino. 24

Alm disso, por razes de eficincia, a gerao sempre feita em forma trifsica. Isto significa que os condutores no sero dois e sim trs, cujas tenses ou correntes esto igualmente deslocadas entre si em relao ao tempo. Desde que um perodo completo equivale a 360 o de slocamento ou diferena , de fases ser de 360/3 = 120 A Figura 2.4 d uma representao grfica da . defasagem entre as fases. comum designar os condutores pelas letras r, s, t (ou

L1 , L2 , L3 ), que so genericamente denominadas fases.

Figura 2.4 : Defasagem entre as fases.

2.3 - Tenses no circuito trifsico A tenso entre duas fases quaisquer de uma linha trifsica a mesma, sendo esta a sua referncia de tenso (s vezes denominada de tenso de linha ou tenso entre fases). Os transformadores e outros elementos trifsicos como motores podem ter seus enrolamentos ligados em dois arranjos distintos: tringulo ( ) e estrela ( ). A Figura 2.5 mostra o esquema tpico de uma ligao de um transformador para a distribuio secundria de energia eltrica.

25

Figura 2.5 : Ligao de um transformador para secundrio.

O primrio tem seus enrolamentos ligados em tringulo e, assim, cada um recebe a tenso de 13,8 kV (poderia ser tambm em estrela, mas foi colocado desta forma para visualizar as diferenas). J o secundrio tem os enrolamentos ligados em estrela e o n central chamado neutro, o que adiciona um quarto condutor ao circuito, sendo estes os 4 fios que podem ser observados na parte intermediria dos postes urbanos. O condutor neutro geralmente ligado a um aterramento, ficando, portanto com um potencial nulo em relao terra. Nesta configurao, a tenso entre fases diferentes tenso entre fase e neutro (s vezes, denominada simplesmente tenso de fase). Este arranjo d uma flexibilidade na ligao aos consumidores. Para a maioria dos consumidores de pequeno porte a tenso de 127 V de uma fase e o neutro o suficiente, o que chamado ligao monofsica. Se o consumidor tem um nmero de cargas maior, pode ser interessante fornecer duas fases e o neutro (ligao bifsica), para um melhor equilbrio de cargas na rede. Nota-se que o consumidor trifsico tem, alm dos 127 V entre fases e neutro tem a tenso de 220 V entre fases. Assim, ele pode optar por usar esta tenso para aparelhos de maior potncia (chuveiro, por exemplo), a fim de reduzir o custo da instalao , bitola menor do condutor, pois a corrente menor.

26

A ligao trifsica deve ser usada se o nmero de cargas ainda maior e/ou se existem equipamentos trifsicos como motores. Os motores trifsicos so mais simples e eficientes e apresentam menos problemas que os monofsicos. Para consumidores de grande porte, indstrias e outros, ligados distribuio primria e que tm sua prpria subestao, existem padres mais elevados de tenso para menores custos das instalaes. Os valores usuais so 220/380 V ou 254/440 V ou maiores (Soares, 2005).

2.4 - Tenso, corrente e potncia Em um circuito de corrente contnua, a potncia demandada por uma carga simplesmente o produto da tenso pela corrente que circula pela mesma, segundo a equao (2.3).

p = v *i

(2.3)

Para o caso de corrente alternada existem algumas diferenas. Para uma melhor explicao, utilizado o circuito simples demonstrado na Figura 2.6. Na Figura 2.6 apresentado um circuito de um gerador de corrente alternada que fornece uma tenso v para uma carga genrica c com uma corrente eltrica i .

Figura 2.6 : Gerador de corrente alternada.

27

Se a carga c for puramente resistiva, o produto da tenso pela corrente ser realmente a potncia absorvida pela mesma. Mas se for uma carga reativa indutiva (motor, reator de lmpada fluorescente etc), h uma defasagem entre a tenso e a corrente no circuito conforme indicado na figura 2.7.

Figura 2.7 : Defasagem entre corrente e tenso.

Neste caso, a potncia total (o produto da tenso pela corrente) ser a soma ortogonal dos dois componentes. Este cenrio faz com que sejam necessrios novos conceitos a serem estudados, demonstrados a seguir.

2.5 - Potncias trifsicas Existem trs tipos de potncia, conforme a Figura 2.8: Potncia Ativa a potncia consumida em dispositivos que oferecem resistncia. Em um circuito resistivo a tenso est em fase com a corrente, e a potncia expressa em W (Watts). Potncia Reativa Indutiva a potncia utilizada para a gerao de campos magnticos necessrios ao funcionamento de equipamentos industriais (motores, transformadores, reatores, etc.). No circuito indutivo a tenso est adiantada da corrente. A potncia indutiva expressa em Var (Volt Ampre reativo). 28

Potncia

Reativa

Capacitiva

potncia

demandada

pelos

capacitores. No circuito capacitivo a tenso est em atraso em relao a corrente. A potncia capacitiva ocorre em cargas com caractersticas de componentes capacitivas.

Matematicamente, a relao entre as potncias dada, conforme figura 2.8:

Figura 2.8 : Relao entre potncias ativa, indutiva e aparente.

Potncia ativa: P ; Potncia indutiva: Q ; Potncia aparente: S .

S = P2 + Q2

(2.4)

Em outras palavras a potncia aparente a soma vetorial das potncias ativa e indutiva, e expressa em VA (Volt Ampre). Como S >= P , isto representa um importante dado em circuitos de corrente alternada, uma vez que a potncia resultante de trabalho til na carga somente a potncia ativa. Isto significa que a potncia reativa indutiva indesejvel. Ela no 29

produz trabalho til, mas demandada do gerador e contribui para carregar a sistema. O fator de potncia ( fp ) a razo entre a potncia ativa e a potncia aparente, ou seja, a razo entre a potncia eltrica ativa e a raiz quadrada da soma dos quadrados das potncia eltrica ativa e reativa consumidas num mesmo perodo especificado. O fator de potncia um nmero entre 0 e 1, sendo que um fp indutivo possui sinal positivo e fp capacitivo possui sinal negativo, onde

fp =

P = cos S

(2.5)

Se

um

sistema

de

distribuio

possuir

condutores

equipamentos

dimensionados para uma certa queda de tenso e um fp igual ou prximo a 1, isto , na suposio de que a potncia aparente igual a potncia ativa, caso o fator de potncia seja na realidade menor que 1, h um aumento na corrente eltrica e como conseqncia maior queda de tenso e portanto menor tenso no ponto de consumo. A um fator de potncia baixo provoca uma menor intensidade em cargas resistivas (luminosidade de lmpadas) e funcionamento de mquinas eltricas com menor rendimento, isso devido a queda de tenso A unidade de potncia do Sistema Internacional o Watt (W). Em instalaes eltricas mais comum o uso do mltiplo Quilowatt (kW). Entretanto, para designar a potncia aparente, praxe usar o Quilovolt-Ampre (kVA). No circuito da figura 2.5 est considerado um gerador como fonte da energia eltrica. Mas poderia perfeitamente ser um transformador alimentado a partir de uma rede eltrica. Assim, para transformadores e geradores, a especificao de potncia sempre dada em kVA (potncia aparente) para ficar independente do fator de potncia da carga.

30

Exemplo: um gerador ou transformador com capacidade de 100 kVA pode fornecer 100 kW de potncia til se o fator de potncia da carga for 1. Se for 0,8, por exemplo, a potncia til que poder ser fornecida 100 x 0,8 = 80 kW.

2.6 - Correo do fator de potncia Conforme j visto anteriormente, qualquer fator de potncia menor que 1 significa desperdcio. A energia reativa suprida pela fonte fornecedora, mas no se transforma em trabalho til para o consumidor. dissipada na rede de energia eltrica. Sendo assim, as empresas geradoras e distribuidoras de energia eltrica agem para manter o fp com valor o mais prximo possvel da unidade. Devido a razes de custo-benefcio, no h controle sobre os pequenos consumidores. Para os de maior porte fixado um fator de potncia mnimo, abaixo do qual o consumidor penalizado com multa. O mtodo comum para correo do fator de potncia demonstrado na Figura 2.9. Uma melhoria no fator de potncia pode ser realizada instalando capacitores em paralelo com a carga, de modo a reduzir a potncia reativa demandada rede. Supondo-se que c uma carga indutiva.

Figura 2.9 : Correo do fator de potncia. Em um indutor a corrente est atrasada em relao tenso. E, em um capacitor, ocorre o contrrio. Assim, um capacitor em paralelo com a carga e adequadamente dimensionado poder fazer a corrente ficar perfeitamente em fase com a tenso e, portanto, obter um fator de potncia unitrio.

31

Lembrando que os capacitores so dispositivos que introduzem capacitncia em um circuito eltrico, compensando (ou mesmo neutralizando) o efeito de induo de cargas indutivas. Os capacitores so especificados pela sua potncia reativa nominal e podem ser monofsicos e trifsicos para alta ou baixa tenso. Na prtica, um consumidor no possui apenas uma carga. Numa indstria, por exemplo, normalmente so muitas e podem ser ligadas ou desligadas ao longo do dia e a potncia demandada das mesmas varia dependendo do equipamento. Analisando este caso no possvel construir capacitores variveis nos valores de capacitncia exigidos para todos o casos, normalmente usada uma seqncia de capacitores comutados por chaves eletro-magnticas, conforme apresentada na Figura 2.10. Um circuito eletrnico pode monitorar o fator de potncia e ligar ou desligar cada capacitor para manter o fp mais prximo possvel da unidade.

Figura 2.10 : Diagrama de capacitores.

Evidentemente que num sistema trifsico os capacitores devem ser instalados em cada par de fases. Formando assim uma srie de elementos, e muitas vezes o conjunto denominado banco de capacitores. Geralmente, o banco de capacitores instalado na entrada de energia do consumidor, ou no quadro ou subestao prpria se o cliente ligado distribuio primria.

32

A instalao do banco de capacitores no primrio pode atender os requisitos da concessionria, mas o transformador do consumidor continua fornecendo energia reativa para sua rede interna.

Figura 2.11 : Banco de capacitores.

Caso o consumidor tenha uma carga significativamente alta em relao s demais (por exemplo, A da Figura 2.11), pode ser interessante um banco especfico junto mesma, melhorando assim a eficincia da rede. Os capacitores devem ser inseridos o mais prximo possvel das cargas, ou centros de cargas, pois assim reduzem as perdas nos circuitos eltricos, elevam a tenso nos pontos de consumo, melhorando as condies de funcionamento e aliviando a solicitao de uso do transformador. No vivel a instalao de um capacitor junto a cada equipamento eltrico porque o custo elevado e podem no existir capacitores comerciais nos valores das cargas consideradas isoladamente. Em geral, uma diversificao no consumo ocorre, ento se torna melhor a alocao do capacitor no barramento de baixa tenso ou em algum ramal que alimenta diversas cargas.

33

2.7 - Descrio de um estudo de caso com 3, 9 e 15 barras Este estudo de caso descreve o problema de alocao de banco de capacitores em sistemas de distribuio de energia eltrica. O objetivo desejado o de minimizar o custo anual de manuteno do sistema, sujeito s restries operacionais. (Lee, 2002) Este um problema de difcil soluo. Por simplificao as questes de implementao da soluo (custos operacionais de adio de capacitores na rede), custos de operao e de manuteno no esto sendo abordados. Neste estudo de caso so consideradas trs fases balanceadas. As cargas so assumidas serem invariantes no tempo para evitar que a troca do capacitor e das perdas da associao de energia seja reduzida. Matematicamente, a funo objetivo do problema a ser minimizada pode ser descrita por:

min( F ) = min(CUSTO)

(2.6)

O termo CUSTO , neste contexto, representa o custo das perdas de energia e da localizao do capacitor. O valor da tenso para cada barramento precisa ser mantido dentro de limites exigidos e so matematicamente descritos:

Vmin Vi Vmax

(2.7)

onde Vi o valor da tenso do trecho i e Vmin e Vmax so os limites mnimos e mximos, respectivamente. Aplicando um mtodo simples de avaliao de fluxo de potncia, so necessrias algumas frmulas matemticas em linhas de transmisso para evitar a utilizao do processo complexo da iterao para a anlise de fluxo de potncia aplicado. (Lee, 2002) Considerando o exemplo de um diagrama de um alimentador com vrias cargas conforme a figura 2.12 pode-se equacionar um fluxo de potncia. 34

Figura 2.12 : Diagrama do alimentador.

A seguir, as equaes utilizadas para o clculo do fluxo de potncia utilizado so apresentadas (Su & Tsai, 1996, Su et al., 1999):

Pi +1 = Pi PLi +1 Ri ,i +1 Pi + Qi / V 2
2 2

[{

]
]

(2.8)

Qi +1 = Qi Q Li +1 X i ,i +1 Pi + Qi / V 2
2 2

[{

(2.9)

Vi +1 = Vi
2

2( Ri ,i +1 Pi + X i ,i +1Qi ) + ( Ri2,i +1 + X i2,i +1 )

( Pi 2 + Qi2 ) V2

(2.10)

onde Pi e Qi so respectivamente potncia real e potncia reativa calculadas fora da barra i , e Pl i e Ql i so respectivamente as potncias real e reativa na barra i . A resistncia e a reatncia de uma linha entre as barras i e i+1 so Ri ,i +1 e X i ,i +1 respectivamente. A perda de potncia na linha conectada entre os trechos i e i+1 pode ser demonstrada como: 35

Pperdas (i, i + 1) = Ri ,i +1

Pi 2 + Qi2 Vi
2

(2.11)

O valor total das perdas no alimentador Pperdas (i, i + 1)

pode ser determinada

somando as perdas, em todas as linhas do alimentador, e pode ser dado por:

Ptotal , perdas = Pperdas (i, i + 1)

i =0

n 1

(2.12)

A finalidade de colocar capacitores de compensao, ao longo da linha de distribuio, a de diminuir as perdas de potncia e o custo total de operao. Considerando a associao de capacitores existem um nmero finito de
c tamanhos padres com mltiplos do menor tamanho Q0 . Adicionalmente o custo

por KVar varia de um para o outro. Em geral, os capacitores de grande capacidade tm um pequeno preo por KVar. O capacitor disponvel limitado por:

Q C max = LQ c 0

(2.13)

onde L um inteiro. Conseqentemente, cada local de instalao, possuem L

c c c tamanhos de capacitores disponveis {Q0 , 2Q0 ,....., LQ0 } . O custo correspondente c equivalente anual por Kvar para o tamanho dos capacitores , {K 1c , K 2 ,......, K lc } , e

o custo anual de instalao dos capacitores para cada compensao pode ser determinado a partir disto.

36

O custo para o barramento i Cic , e o custo total devido colocao do capacitor e perdas de potncia pode ser determinado pela equao:

CUSTO = K p Pt , perdas + K ic Qoc = K p Pt , perdas + C ic

i =1 i =1

(2.14)

onde K p o custo anual equivalente por unidade e perda de potncia em $(KwAno), e

i = 1,2,3......, n

so os ndices das barras selecionadas para a

compensao. A compensao da potncia reativa est sujeita:

Qic C li
i =1

(2.15)

onde Qic a compensao da potncia reativa na barra i. Este problema mencionado pode ser classificado como um problema de otimizao no-linear.

37

Captulo 3 Fundamentos dos algoritmos genticos

3.1 - Breve histrico At meados do sculo 19 os naturalistas acreditavam que cada espcie existente havia sido criada separadamente por um ser supremo ou atravs de gerao espontnea. Alguns trabalhos sobre classificaes biolgicas foram publicados e despertaram interesses, principalmente sobre a existncia de uma relao entre as espcies devido ocorrncia de algumas similaridades entre elas. Alguns trabalhos levaram os naturalistas em direo teoria da seleo natural, tais como Jean Baptiste Lamarck que sugeriu uma teoria evolucionria do uso e desuso de rgos. Segundo Lamarck as girafas teriam, a princpios pescoos curtos e viveriam em ambientes onde as vegetaes rasteiras eram relativamente escassas. Com a necessidade de se esticar o pescoo para alcanar alimentos (folhas de rvores) aumentou-se o tamanho do pescoo durante a evoluo das geraes das girafas. Charles Darwin apresentou a teoria de evoluo atravs da seleo natural. A teoria sugere que em cada gerao uma parcela de indivduos da populao eliminada devido ao estabelecimento de uma luta por sobrevivncia, devido competio pelo alimento, refgio, espao e fuga aos predadores. Analisando assim s sobrevivem os indivduos da populao que melhor se adaptarem ao meio em que vivem, e conseqentemente estes indivduos mais aptos transmitem suas caractersticas aos seus descendentes. Em 1859, Darwin publicou On Origin of Species by Means of Natural Selection com a sua teoria completa, sustentada por evidncias colhidas durante suas viagens junto a naturalistas. Este trabalho influenciou as reas de biologia, botnica e zoologia, mas tambm tiveram influncia sobre o pensamento religioso, filosfico, poltico e econmico da poca.

38

O estudo na rea de evoluo prosseguiu, at que em 1975, o engenheiro eletricista John H. Holland escreveu o livro intitulado Adaptation in Natural and Artificial Systems, (Holland 1975), em que se aborda os AGs, e tambm o que deu origem a esta tcnica para a otimizao de sistemas. Desde ento estes algoritmos esto sendo utilizados nos mais diversos problemas reais de otimizao e aprendizado de mquina. Posteriormente, a metodologia foi aprimorada por Goldberg (1989), antigo aluno de Holland. Os AGs so usados para otimizao global, baseados em mecanismos de seleo natural e da gentica. Os AGs empregam uma estratgia de busca paralela e estruturada, mas fundamentada em transies aleatrias, que guiada pelo ponto de melhor aptido, ou seja, pontos aos quais a funo a ser analisada (maximizada ou minimizada) possui melhores valores. Os AGs binrios ou cannicos so baseados na representao cromossmica das variveis de otimizao, no procedimento de reproduo e em operadores genticos de cruzamento e mutao.

3.2 - Caractersticas dos AGs Uma tarefa de busca e otimizao possui vrios componentes. O espao de busca considera as possibilidades de soluo de um determinado problema. A funo avaliao, que pode ser uma funo custo, uma maneira de avaliar solues em um espao de busca. As tcnicas de busca e otimizao tradicionais basicamente se iniciam com uma soluo inicial que melhorada de forma interativa para obteno de uma soluo apropriada para o problema, tais como Newton-Raphson, Gauss-Seidel, Levenberg-Marquardt, entre outros. Em sntese, a soluo de um problema de otimizao baseada em trs etapas principais de projeto: a codificao do problema;

39

a funo objetivo que se deseja maximizar ou minimizar; o espao de solues associado.

Os AGs so modelos computacionais inspirados na evoluo, que incorporam solues potenciais para um problema aplicando operadores de seleo e cruzamento (crossover) a essas estruturas de forma a preservar informaes crticas relativas soluo do problema. Normalmente, os AGs so vistos como otimizadores de funes, embora a quantidade de problemas para o qual os AGs se aplicam seja abrangente, vide item estado da arte neste documento. Uma das vantagens de um algoritmo gentico a simplificao que permitem na formulao e resoluo de problemas de otimizao. Os AGs mais usados trabalham com descries de solues formadas por cadeias de bits de tamanho fixo (representao binria ou cannica). Outros tipos de AGs trabalham com cadeias de bits de tamanho varivel, como por exemplo, os AGs usados para programao gentica. Os AGs possuem um paralelismo implcito decorrente da avaliao independente de cada uma dessas cadeias de bits, ou seja, possvel avaliar a viabilidade de um conjunto de parmetros para a soluo de um problema de otimizao em questo (vila, 2002). Em muitos casos, problemas multimodais e no convexos onde outras estratgias de otimizao falham na busca de uma soluo, os AGs convergem. Os AGs so numericamente robustos, ou seja, no so sensveis a erros de arredondamento no que se refere aos seus resultados finais. Existem trs tipos de representao possveis para os indivduos

(cromossomos) de um AG: binria, inteira ou real. A essa representao se d o nome de alfabeto dos AGs. De acordo com a classe de problema que se quer resolver pode-se usar qualquer um dos trs tipos. Uma implementao de um AG comea com uma populao aleatria de indivduos. Essas estruturas so, ento, avaliadas e associadas a uma 40

probabilidade de reproduo de tal forma que as maiores probabilidades so associadas aos cromossomos que representam uma melhor soluo para o problema de otimizao do que queles que representam uma soluo pior. A aptido do indivduo tipicamente definida com relao populao avaliada em uma dada gerao. A maioria das representaes dos AGs utilizam gentipos constitudos de vetores de tamanho finito em um alfabeto finito. Tradicionalmente, os indivduos so representados por vetores binrios, onde cada elemento de um vetor denota a presena (1) ou ausncia (0) de uma determinada caracterstica: o seu gentipo. Os elementos podem ser combinados formando as caractersticas reais do indivduo, ou o seu fentipo. Teoricamente a representao independente do problema, pois uma vez encontrada a representao em vetores binrios, operaes padro podem ser utilizadas, facilitando o seu emprego em diferentes classes de problemas de otimizao.

3.3 - Codificao da soluo Existem trs tipos de codificaes utilizados com mais freqncia: a codificao binria, a codificao de Gray e a codificao real.

3.3.1 - Codificao binria Com o seu prprio nome diz, este cdigo utiliza nmeros binrios, ou seja, apenas conjuntos de 0 e 1 para representar as variveis. Um indivduo de uma populao com codificao binria possui a seguinte forma:

X = [010101, 000111, 101010,..................... X max ]

41

Neste caso cada varivel representada por um conjunto de bits (genes). O nmero de bits pode ser diferente para cada varivel, sendo relacionada preciso requerida. Por exemplo, se os limites de uma varivel esto entre -1 e 1 e a preciso de 4 casas decimais, tem-se 40000 divises. Portanto, a varivel deve ter 16 bits (215 = 32768 e 216 = 65536) para ser corretamente representada. Se o indivduo possuir 10 variveis e todas com a mesma preciso, necessrio um vetor de 160 bits para representar o seu gene. Existem algumas dificuldades em se trabalhar com a codificao binria conforme apresentado na Tabela 3.1. Uma delas o fato de que para se ter uma preciso alta, deve-se representar o indivduo por um vetor extenso. Outro problema a presena de Hamming Cliffs ou tambm chamada distncia de Hamming, que so acentuadas diferenas nas cadeias de bits que codificam dois nmeros inteiros prximos. distncia de Hamming pode ser descrita em termos no formais como sendo a quantidade de bits que difere duas cadeias binrias. Esta dificuldade evidente quando, por exemplo, se realiza uma perturbao nos bits mais significativos da varivel. Esta perturbao pode causar um grande deslocamento da varivel no universo de busca, o que nem sempre desejado. Quando se est trabalhando apenas com nmeros inteiros, possvel adotar a representao na base 2 convencional, conforme apresentado na Tabela 3.1.

Tabela 3.1 : Codificao binria em um AG. Representao binria 000 001 010 011 100 101 Valor inteiro 0 1 2 3 4 5 42

3.3.2 - Codificao Gray Na codificao Gray, como na codificao binria, utilizam-se apenas cadeias de 0 e 1 para representar as variveis. Para solucionar a questo da distncia de Hamming, pode-se utilizar outro tipo e codificao binria em que este fenmeno no ocorra. Uma das propostas mais adotadas o denominado cdigo de Gray, conforme mostrado na Tabela 3.2.

Tabela 3.2 : Codificao de Gray. Representao Binria 000 001 010 011 100 101 Cdigo Gray 000 001 011 010 110 111 Valor inteiro 0 1 2 3 4 5

No cdigo de Gray, dois inteiros consecutivos quaisquer apresentam distncia de Hamming igual a 1. Na verdade, o que esse cdigo oferece uma maneira mais natural de lidar com os nmeros binrios. Ao se considerar o cromossomo na codificao binria padro:

C i = C1 + C 2 + C 3 ...... + ....... + C n

(3.1)

43

E o mesmo em sua codificao Gray:

Gi = G1 + G2 + G3 ...... + ....... + G

(3.2)

A relao entre as codificaes :

Gi = C1 se i = 1 Gi = C i 1 C i se i > 1

onde o operador uma soma em mdulo 2:

00 = 0 0 1 = 1 1 0 = 1 11 = 0

Considere o problema de minimizar a funo a seguir:

f ( x) = ( x 8) 2

(3.3)

Isso equivalente a maximizar a funo de adequao ou aptido (fitness):

g ( x) = 100 ( x 8) 2

(3.4)

44

O ponto de mnimo de f (x) (ponto mximo de g (x ) ) 8, que em binrio:

8 b = 1000

Neste contexto pode-se obter um cromossomo com alto poder de adaptao, em torno do valor 7, que em binrio representado por:

7 b = 0111

Nota-se que embora o cromossomo binrio 7 b esteja perto do ponto mximo, distando de uma unidade, o mesmo no acontece a nvel de gentipo pois para que o cromossomo seja alterado para 8 os operadores devem alterar todos os bits do cromossomo. distncia de Hamming entre eles tem valor 4. Este tipo de problema minimizado com a utilizao do cdigo de Gray:

7 g = 0100 8 g = 1100

No existe, no entanto, nenhuma vantagem intrnseca na adoo desse tipo de codificao. Quando se pensa em domnios multimodais, por exemplo, pode ocorrer quando se utiliza a representao binria convencional de dois pontos timos no consecutivos tornarem-se vizinhos, o que ajudaria na busca pela melhor soluo.

45

3.3.3 - Codificao real A codificao real opera diretamente com nmeros reais. Isto prtico quando se trabalha com variveis reais por natureza e se usa uma linguagem de programao que lida diretamente com nmeros reais. Entretanto, tal codificao torna os mtodos de troca de informaes genticas mais complexos. Como exemplo de indivduo com codificao real pode-se ter:

X = [0,677; 6,789; 9,899........................ X n ]

Para uma comparao entre as codificaes demonstradas, segundo vila (2002), necessrio antes uma anlise sobre qual a linguagem de programao a ser utilizada na implementao do AG, pois se a linguagem trabalhar diretamente com nmeros binrios a velocidade de processamento maior. Outro fator importante a ser adotado a utilizao dos mesmos operadores genticos nos diversos tipos de codificao, permitindo assim que a varredura do espao de busca possa ser a mesma. Segundo a comparao entre codificao binria e real, vila (2002) conclui que os resultados obtidos so similares, o que nos faz perceber que a codificao no o maior responsvel pelo desempenho do AG, mas evidentemente a codificao mais apropriada para um determinado tipo de problema se faz til e desejvel (melhor adaptao ao problema).

3.4 - Funo objetivo A funo objetivo de um problema de otimizao construda a partir dos parmetros envolvidos no problema. Uma funo objetivo fornece uma medida da proximidade da soluo em relao a um conjunto de parmetros. Os parmetros podem ser conflitantes, ou seja, quando um aumenta o outro diminui.

46

A funo objetivo permite o clculo da aptido (fitness) bruta de cada indivduo, que fornece o valor a ser usado para o clculo de sua probabilidade de ser selecionado para reproduo. Como ilustrao tem-se o seguinte exemplo:

Funo _ Objetivo = f ( x ) = 2

(3.5)

Um princpio utilizado em algoritmos genticos de lidar com problemas de maximizao. Neste aspecto um novo problema aparece quando necessrio encontrar um mnimo de uma determinada funo objetivo. Para resolver isso se utiliza uma tcnica alternativa que se baseia em considerar uma nova funo objetivo:

G ( x) =

K f ( x) +

(3.6)

onde G (x) a funo de aptido e K uma constante de escala usualmente unitria e a constante assume valores pr-definidos: Um pouco superior ao mdulo do valor mnimo de f (x) , caso
f ( x) 0 ;

Um pouco maior ao negativo do valor mnimo de f ( x) > 0 ;

Outra forma de determinao da faixa de valores vlidos para assumir como sendo um valor positivo de pequena magnitude ( [10-3, 10-6] ). Caso o valor de f (x) seja um valor negativo deve ser tratado primeiramente, para isso pode-se deslocar o valor da funo:

47

const f ( x), se f ( x) < const G( X ) = 0, se f ( x) const

O parmetro Const pode ter valor fixo ou mesmo varivel durante as geraes.

3.5 - Principais conceitos usados em AGs Alguns conceitos utilizados para algoritmos genticos devem ser

aproximados linguagem da biologia. Por exemplo:

Tabela 3.3 : Biologia versus computao. Biologia Cromossomo Computao Cadeia de bits que representa uma soluo possvel para o problema Gene Representao de cada parmetro de acordo com o alfabeto utilizado (binrio, inteiro ou real) Fentipo Populao Gerao Cromossomo codificado Conjunto de pontos (indivduos) no espao de busca Iterao completa do AG que gera uma nova populao

Tambm devem ser considerados alguns conceitos sobre o valor da aptido dentro da otimizao:

48

Tabela 3.4 : Aptido versus conceito. Aptido Aptido bruta Conceito Sada gerada pela funo objetivo para um indivduo da populao Aptido normalizada Aptido bruta normalizada, entrada para o algoritmo de seleo Aptido mxima Aptido mdia Melhor indivduo da populao corrente Aptido mdia da populao corrente

Deve ser observado que cada cromossomo, denominado de indivduo nos AGs, corresponde a um ponto no espao de solues do problema de otimizao. Os processos de soluo adotados nos algoritmos genticos consistem em gerar, atravs de regras especficas, um certo nmero de indivduos, populao, de forma a promover uma varredura to extensa quanto necessria do espao de solues.

3.6 - Operaes bsicas de um AG simples Para os problemas de otimizao sempre existe um objetivo a ser alcanado (ou vrios, no caso de otimizadores com mltiplos objetivos), que representado por uma funo objetivo. A avaliao desta funo permite calcular a aptido de cada indivduo. Os AGs procuram sempre melhorar a populao, ou seja, buscam os indivduos de melhor aptido. Desta forma, a meta quando se quer maximizar uma soluo possvel utilizar a funo objetivo diretamente. J quando se trata de um problema de minimizao necessrio ajustar a funo objetivo.

49

Aps este ajuste denomina-se equao de mrito. Como ilustrao tem-se o seguinte exemplo. Seja um problema representado pela funo objetivo:

Funo _ Objetivo = f ( x) = 2

(3.7)

Caso se queira maximizar a funo objetivo pode-se escolher a equao de mrito como a seguir:

Maximizao : Equao _ de _ Mrito = Funo _ Objetivo = f ( x) = 2 x

(3.8)

Se, por outro lado, quer-se a minimizao da funo objetivo, uma escolha possvel para a equao de mrito a seguinte:

Minimizao : Equao _ de _ Mrito = M ( x ) = const 2

(3.9)

onde const uma constante de valor elevado.

O fluxograma bsico do algoritmo gentico mostrada na Figura 3.1:

50

Figura 3.1 : Fluxograma bsico de um algoritmo gentico.

Com relao ao diagrama da Figura 3.1, observa-se que cada iterao do algoritmo gentico corresponde aplicao de um conjunto de operaes bsicas: seleo, cruzamento e mutao. Ao fim destas operaes uma nova populao obtida, chamada gerao, que representa uma melhor aproximao da soluo do problema de otimizao que a populao anterior. A populao inicial gerada atribuindo-se aleatoriamente (com distribuio uniforme) valores aos genes de cada cromossomo. A aptido bruta de um indivduo da populao medida por uma funo de erro, tambm denominada funo objetivo do problema de otimizao. A aptido bruta em seguida normalizada (aptido normalizada), para permitir um melhor controle do processo de seleo. Como critrios de parada do 51

algoritmo em geral so usadas as aptides do melhor indivduo em conjunto com a limitao do nmero de geraes. Outros critrios podem envolver, por exemplo, um erro abaixo de um valor especificado pelo projetista para um determinado parmetro do problema.

3.7 - Operadores genticos Os operadores genticos transformam a populao atravs de sucessivas geraes, buscando melhorar a aptido dos indivduos. Os operadores genticos so necessrios para que a populao se diversifique e mantenha as caractersticas de adaptao adquiridas pelas geraes anteriores. Na maior parte dos casos, os AGs utilizam trs operadores: seleo, cruzamento e mutao. Nesta seo so descritos estes operadores para um melhor entendimento do algoritmo gentico desenvolvido neste trabalho.

3.7.1 - Operadores de seleo A seleo pode ser definida de maneira simples como sendo a escolha probabilstica de cromossomos de uma populao tendo como base as suas aptides. Quanto maior for a aptido de um indivduo, maior a chance de ser selecionado. Este operador gentico, tambm denominado reproduo, seleciona os indivduos que sofrero cruzamento e mutao. Da mesma forma que ocorre no processo de seleo natural, os indivduos mais qualificados, de acordo com a equao de mrito, tm mais chances de serem escolhidos. Os AGs simples operam com um nmero fixo de indivduos na populao ao longo das geraes. Ento, a cada gerao, deve-se selecionar quais indivduos possuiro cpias e quais tendem a desaparecer. Um conceito importante a ser introduzido sobre seleo o de presso seletiva. Quando os melhores indivduos da populao contam com uma larga 52

vantagem em relao aos demais no momento da seleo, diz-se que a presso seletiva alta. Uma presso seletiva alta diminui o tempo de convergncia, mas pode ocasionar a convergncia prematura. Uma presso de seleo demasiadamente baixa, por outro lado, pode tornar o processo quase aleatrio, j que os indivduos ruins sero escolhidos com uma freqncia excessivamente elevada. Um dos mais simples e difundidos mtodos de seleo a seleo por roleta. Nesse tipo de seleo, a probabilidade de um indivduo ser selecionado proporcional sua aptido relativa. O nome deriva de uma analogia que pode ser feita para facilitar a sua compreenso: a seleo seria um sorteio em uma roleta, na qual os setores referentes a cada indivduo seriam proporcionais s suas aptides. Como exemplo uma populao com quatro indivduos ver Tabela 3.5, seus respectivos valores de aptido relativas calculadas de acordo com uma dada equao e os valores percentuais relativos soma de todos os valores de aptido relativa da populao.

Tabela 3.5 : Mtodo da roleta. Indivduos Indivduo 1 Indivduo 2 Indivduo 3 Indivduo 4 Total Cdigo 1010 1011 0011 1001 Aptido 10 5 2 25 42 % da populao 23,81 11,90 4,76 59,52 100%

Esse tipo de seleo depende de aptides numricas. Alm disso, este tipo de seleo exige valores no-negativos, uma vez que a aptido representa a rea do 53

setor da roleta, e nesse caso grandezas negativas no fazem sentido, segundo a figura 3.2. Uma terceira observao a respeito desse tipo de seleo se refere aos j citados superindivduos, que podem fazer com que a convergncia seja rpida fazendo com que o resultado no seja o melhor possvel.

24%

Indivduo 1 Indivduo 2

59%

12% 5%

Indivduo 3 Indivduo 4

Figura 3.2 : Mtodo da roleta diagrama de probabilidades.

A roleta girada tantas vezes quantas forem necessrias para obter o nmero requerido de pares de indivduos para o cruzamento e mutao. O nmero de pares selecionados a cada gerao define os diferentes tipos de AGs.

3.7.2 - Operador de cruzamento Mantendo a analogia com sistemas naturais, entre os indivduos que foram selecionados no processo de reproduo, dois so escolhidos para cruzar. O cruzamento nada mais do que um processo que possibilita a troca de material gentico entre os indivduos participantes, dessa forma, fica fcil entender que uma importante operao para gerar novos pontos, que so possveis solues. O objetivo do cruzamento a permutao de material gentico entre os pares de indivduos previamente selecionados. 54

Aps a formao dos pares, os indivduos so submetidos ao processo de cruzamento, sendo que este processo pode ou no ocorrer, de acordo com uma dada probabilidade de cruzamento. Este operador gentico o maior responsvel pela criao de novos indivduos. Por isto a probabilidade de cruzamento deve ser alta (geralmente entre 70 e 100%). Isto similar ao que ocorre na natureza, onde a maioria dos casais possui filhos (vila 2002). Os AGs so caracterizados pela flexibilidade de implementao, e isto vale tambm para o cruzamento, que pode ser realizado de diferentes maneiras. Os indivduos selecionados na etapa anterior so cruzados da seguinte forma: a lista de indivduos selecionados agrupada aleatoriamente criando, desta forma, uma segunda lista, denominada lista de parceiros. Cada indivduo selecionado ento cruzado com o indivduo que ocupa a mesma posio na lista de parceiros. A forma como se realiza este cruzamento ilustrado na Figura 3.3.

Figura 3.3 : Cruzamento de dois indivduos em um AG simples.

Os cromossomos de cada par de indivduos a serem cruzados so particionados em um ponto, chamado ponto de corte, sorteado aleatoriamente. 55

Um novo cromossomo gerado permutando-se a metade inicial de um cromossomo com a metade final do outro. Deve-se notar que se o cromossomo for representado por uma cadeia de bits, o ponto de corte pode incidir em qualquer posio (bit) no interior de um gene, no importando os limites do gene. No caso de genes representados por nmeros reais, a menor unidade do cromossomo que pode ser permutada o gene.

3.7.3 - Operador de mutao A mutao insere material gentico novo na populao. Este processo pode ou no ocorrer, da mesma forma que o cruzamento, de acordo com uma dada probabilidade de mutao. A probabilidade de mutao deve ser bem baixa, algo em torno de 0 a 5%, para que a busca pelo indivduo timo no seja puramente aleatria. Isto anlogo ao comportamento da natureza, onde raramente ocorrem mutaes ou anormalidades nos indivduos. A mutao altera bits numa cadeia de caracteres de acordo com a probabilidade de mutao. Esta operao protege o processo de busca da soluo contra perdas de caractersticas genticas, que possam ter ocorrido durante as operaes de reproduo e cruzamento. A mutao introduz novas informaes na populao, permitindo que novos pontos sejam testados, aumentado assim, a probabilidade de se encontrar o timo global. A implementao da mutao consiste apenas na mudana do valor do bit escolhido como demonstrado pela Figura 3.4.

56

Figura 3.4 : Mutao de um cromossomo.

A operao de mutao utilizada para garantir uma maior varredura do espao de estados e evitar que o algoritmo gentico convirja rapidamente para mnimos locais. A mutao efetuada alterando o valor de um gene de um indivduo sorteado aleatoriamente com uma determinada probabilidade, ou seja, vrios indivduos da nova populao podem ter um de seus genes alterados aleatoriamente.

3.8 - Parmetros genticos

Os parmetros genticos so as entidades que determinam o desempenho dos AGs, que, gerao aps gerao, tentam encontrar indivduos com melhor capacidade que os anteriores. importante tambm analisar de que maneira alguns parmetros influem no comportamento dos AGs, para que se possa estabelec-los conforme as necessidades do problema e dos recursos disponveis. Alm da forma como o cromossomo codificado, existem vrios parmetros do algoritmo gentico que podem ser escolhidos para melhorar o seu desempenho, 57

adaptando-o s caractersticas particulares de determinadas

classes de

problemas. Entre os quais deve-se salientar: o tamanho da populao, o nmero de geraes, a probabilidade de cruzamento e a probabilidade de mutao. A influncia de cada parmetro no desempenho do algoritmo depende da classe de problemas tratados. Assim, a determinao de um conjunto de valores otimizado para estes parmetros depende da realizao de um grande nmero de experimentos e testes. Na maioria das simulaes os valores encontrados na literatura esto na faixa de 60 a 90% para a probabilidade de cruzamento e entre 0,1% e 5% para a probabilidade de mutao. O tamanho da populao e o nmero de geraes dependem da complexidade do problema de otimizao e devem ser determinados experimentalmente. No entanto, deve ser observado que o tamanho da populao e o nmero de geraes definem diretamente o tamanho do espao de busca a ser coberto. Existem estudos que utilizam um AG como mtodo de otimizao para a escolha dos parmetros de um outro AG, devido importncia da escolha correta destes parmetros.

3.8.1 - Tamanho da populao O tamanho da populao afeta o desempenho global e a eficincia dos AGs. Uma populao pequena oferece uma pequena cobertura do espao de busca, causando uma queda no desempenho, e podendo levar a busca para o mnimo local. Uma populao grande fornece uma melhor cobertura do domnio do problema e previne a convergncia prematura para solues locais, pois possui uma maior representativa da populao. Entretanto, com uma populao grande so necessrios recursos computacionais maiores, ou 58

um tempo maior de processamento do problema, onde o nmero de clculos da funo aptido por gerao pode resultar num tempo computacional inaceitvel.

3.8.2 - Probabilidade de cruzamento A probabilidade de cruzamento controla a freqncia com que o operador de cruzamento aplicado. A probabilidade de cruzamento um valor percentual do nmero de indivduos que experimentam cruzamento em relao ao nmero total de indivduos de uma populao. Uma alta probabilidade de cruzamento, em um AG sem elitismo, faz com que indivduos, com alto desempenho, sejam eliminados antes mesmo que a seleo possa produzir aperfeioamentos, um alto valor pode gerar convergncia prematura (homogeneizao rpida da populao). Por outro lado, uma baixa probabilidade de cruzamento pode convergir lentamente devido baixa taxa de explorao das caractersticas genticas, o que tambm implica na baixa utilizao das informaes existentes na populao.

3.8.3 - Probabilidade de mutao A probabilidade de mutao possui um papel importante dentro dos algoritmos genticos, pois a funo da mutao inserir material gentico novo e restaurar material perdido no cruzamento ou mesmo na mutao. A probabilidade de mutao um valor percentual do nmero de bits escolhidos aleatoriamente para serem alterados em relao ao nmero total de bits da populao. Uma baixa probabilidade de mutao no permite a restaurao da diversidade gentica da populao, estando as solues do algoritmo estagnadas 59

ao passo que uma alta probabilidade de mutao resulta em uma busca essencialmente aleatria.

3.8.4 - Intervalo de gerao O intervalo de gerao controla a porcentagem da populao que substituda durante a prxima gerao. Com um valor alto, a maior parte da populao ser substituda, mas com valores muito altos pode ocorrer perda de estruturas de alta aptido. Com um valor baixo, o algoritmo pode tornar-se lento.

60

Captulo 4 - Fundamentos da Nuvem de Partculas

4.1 - Introduo Este captulo introduz outro mtodo para a otimizao de funes no-lineares contnuas. descrito o conceito da otimizao utilizando nuvem de partculas (PSO - particle swarm optimization). Durante a realizao deste estudo foi desenvolvido um estudo de caso sobre a utilizao de bancos de capacitores em sistemas de distribuio de energia eltrica. Tambm apresentada uma comparao das potencialidades

encontradas na PSO e AGs que descrita baseado nos resultados obtidos entre as simulaes realizadas. A PSO possui fundamentao em duas principais metodologias. Talvez mais claro so seus laos vida artificial, ao bando de pssaro, e na movimentao dos cardumes de peixes. Tambm se relacionam computao evolucionria possuindo similaridade com os algoritmos genticos e programao evolutiva (Kennedy & Eberhart, 1995). A PSO similar s tcnicas evolutivas nos seguintes aspectos, uma populao de solues potenciais ao problema considerada, utilizada uma sondagem dentro do espao de busca. Entretanto, em PSO, cada indivduo da populao tem uma velocidade de adaptao (mudana da posio), que se altera de acordo como as partculas se movem dentro do espao da busca. Alm disso, cada indivduo tem uma memria, recordando assim a melhor posio do espao de busca que visitou. Sendo assim, seu movimento direcionado para a melhor posio previamente visitada e para o melhor indivduo de uma vizinhana. Desde que o termo acelerao usado para sistemas de partcula na Fsica, os pioneiros desta tcnica decidiram usar a partcula como termo para cada indivduo, e de nuvem (swarm) para a populao (Parsopoulos & Vrahatis, 2002). 61

As regras implcitas aderidas pelos membros de bandos de pssaros so responsveis pelo movimento sincronizado existente, sem colises, tendo por resultado uma surpreendente organizao nas atividades a serem

desempenhadas pela comunidade. Tais caractersticas foram estudadas e simuladas por diversos cientistas. Nas simulaes, o movimento de um bando era um resultado da colaborao entre indivduos (pssaros, peixes e etc.) mantendo uma distncia tima entre os indivduos mais prximos (Kennedy & Eberhart, 1995). Esta tcnica similar aos AGs, devido aos dois sistemas serem iniciados com uma populao inicial constituda de possveis solues do problema. A diferena existente que em cada soluo potencial atribuda uma velocidade aleatria, e s solues potencias (partculas) seguem dentro do espao de busca do problema, procurando a melhor posio (Eberhart, 2001). A PSO tem se mostrado eficaz em otimizaes de problemas no contnuos em diversas reas de conhecimento (Eberhart & Shi, 1998). Recentemente, a PSO tem sido aplicada na resoluo de problemas de otimizao, aplicados a projetos de antenas (Robinson et al., 2002), planejamento de trajetrias de robs mveis (Sierakowski & Coelho 2004), sistemas de distribuio de energia eltrica (Yoshida & Fukuyama, 2001). O conceito da funo de otimizao por meio da nuvem de partculas foi introduzido por James Kennedy, Russel e Eberhart. O mtodo foi descoberto atravs de simulaes de um modelo social simplificado. Neste modelo, cada posio da partcula pode ser pensada como a de um estado da mente, como um ajuste particular das variveis abstratas que descrevem nossas opinies e atitudes no comportamento social. Os seres humanos ajustam sua opinio uns com os outros, avaliando estmulos do ambiente, comparando uns com os outros e imitando os estmulos visualizados. Estas so as principais inspiraes para a nuvem de partculas. Este mtodo utiliza estes conceitos em adaptar-se s mudanas ambientais na resoluo de problemas difceis. 62

Um exemplo que pode ser descrito o de enxame de abelhas em um campo. O objetivo encontrar uma localizao no campo com muitas flores. As abelhas no possuem nenhum conhecimento sobre o campo onde devero realizar a busca (Robinson & Rahmat, 2004). As abelhas comeam em posies aleatrias com as velocidades aleatrias procurando por flores. Cada abelha pode recordar as posies em que encontrou a maior densidade de flores, e conhecem de algum modo as posies onde as outras abelhas encontraram uma abundncia de flores tambm. Retornando a posio onde havia encontrado grande densidade de flores, ou explorando a posio relatada por outra abelha, a abelha acelera em ambos os sentidos que alteram sua trajetria para voar em algum lugar entre os dois pontos. Isso dependendo se a nostalgia ou a influncia social domina sua deciso, a Figura 4.1 representa esta situao. Ao longo do caminho, uma abelha pde encontrar um lugar com uma concentrao mais elevada das flores do que tinha encontrado previamente. Esta seria ento atrada a esta nova posio, assim como a posio da maioria de flores encontradas pelo enxame inteiro, caso fosse melhor. Ocasionalmente, uma abelha pode sobrevoar um lugar com mais flores do que tinha sido encontrado por todas as abelhas do enxame anteriormente. O enxame inteiro seria ento atrado para essa nova posio adicional de sua descoberta pessoal. Desta maneira, as abelhas exploram o campo, sobrevoando locais de grande concentrao, direcionando assim o enxame para eles. Constantemente elas esto verificando o territrio que sobrevoam comparando com as posies previamente encontradas, analisando a posio onde se possa encontrar a maior concentrao de flores. Eventualmente, o vo das abelhas as conduz ao um lugar no campo com a concentrao mais elevada das flores. Logo, todo o enxame das abelhas estar em torno deste ponto. Incapaz de encontrar alguns pontos da concentrao mais elevada da flor, o enxame atrado continuamente para a concentrao a mais elevada da flor j encontrada. 63

Analisando este comportamento, Kennedy & Eberhart (1995) descobriram que tinham encontrado um mtodo de otmizao bio-inspirado.

Figura 4.1 : Comportamento de um enxame de abelhas (Robinson & Rahmat, 2004).

(a)

As abelhas procurando uma localizao um campo com a maior concentrao de flores, as partculas em uma PSO so atradas rea de maior concentrao encontrada pela nuvem inteira, e pela melhor posio encontrada pessoalmente por uma partcula.

(b)

Aps a atrao s reas de maior concentrao de flores, todo e enxame de abelhas sobrevoam em torno melhor posio, at que uma nova localizao seja encontrada.

Como as abelhas procuraram um campo pela posio com maior quantidade de flores, as partculas em uma PSO so atradas rea de melhor concentrao encontrada pela nuvem de partculas, e tambm pela melhor posio encontrada individualmente por uma partcula.

64

Eventualmente, aps da atrao s reas de concentrao elevada de flores, todo o enxame das abelhas fica sobrevoando em torno da melhor posio e s ocorre uma mudana para outra posio, caso seja encontrada uma nova localidade com maior concentrao de flores.

4.2 - Linguagem adotada na PSO A linguagem utilizada para se discutir a PSO segue da analogia das partculas em um enxame, bem como a analogia apresentada na seo 4.1 (Kennedy & Eberhart, 1995). Os temos mais utilizados pelo PSO podem ser verificados na Tabela 4.1 abaixo:

Tabela 4.1 : Vocabulrio da PSO. Vocabulrio da PSO Termo Partcula ou agente Explicao Um indivduo simples da nuvem de partculas. Um agente com coordenadas n-dimensional que representa a soluo do problema. Todos os agentes envolvidos. Um nmero que representa a melhor soluo do problema de otimizao. Parmetro de espao local que representa o melhor fitness obtido a um indivduo especfico. Parmetro de espao local que representa o melhor fitness obtido por toda a nuvem. 65

Posio

Nuvem

Fitness

Pbest

Gbest

4.2.1 - Partcula ou agente Cada indivduo da nuvem (abelhas da analogia apresentada na seo 4.1) referenciado como uma partcula ou agente. Todas as partculas de uma nuvem de partculas agem individualmente sob o mesmo princpio governando: acelerar para a melhor posio pessoal e para a melhor posio global enquanto que constantemente verifica o valor de sua posio atual com relao posio do grupo.

4.2.2 - Posio Na analogia apresentada na seo 4.1, foi consultado o lugar de uma abelha no campo. Isto representado por coordenadas x e y no plano. No geral, entretanto, podemos estender esta idia em algum espao multidimensional de acordo com o problema existente. O espao definido n-dimensional o espao da soluo para o problema de otimizao, onde algumas coordenadas representam a soluo do problema a ser otimizado. Na soluo descrita est definida uma posio fsica x e y no plano, mas isto poderia apenas representar a amplitude e a fase da excitao do elemento dentro do vetor de elementos. No geral, podem ser apenas os valores necessrios para a otimizao. Reduzir o problema de otimizao a um jogo dos valores que poderiam representar uma posio no espao da soluo uma etapa essencial em utilizar a PSO.

4.2.3 - Funo objetivo Em todas as tcnicas evolucionrias da computao deve haver alguma funo ou mtodo para avaliar o valor de uma posio. A funo objetivo deve fazer exame da posio no espao da soluo e retornar um nico nmero que representa o valor dessa posio.

66

Em analogia ao exemplo apresentado, a funo objetivo estaria simplesmente ligada a uma densidade das flores, mais elevada densidade, melhor a posio. No geral isto poderia ser um ganho da antena, peso, localizao de um rob ou algum tipo da soma tornada mais pesada de todos estes fatores. A funo da aptido fornece a relao entre o problema fsico e o algoritmo de otimizao.

4.2.4 - Pbest Na analogia cada abelha recorda a posio onde encontrou pessoalmente a maior quantidade de flores. Esta posio com o melhor valor de sua aptido descoberto definida como o melhor valor pessoal ou pbest. Cada abelha tem melhor pbest determinado pelo trajeto que sobrevoou.

4.2.5 - Gbest Cada abelha obteve de alguma maneira o local de maior concentrao de flores descobertas pelo enxame inteiro. Esta posio de maior aptido encontrada denominada como o melhor global ou gbest. Para o enxame inteiro existe apenas um gbest a qual cada abelha atrada. Em cada ponto ao longo de seu trajeto cada abelha compara a aptido de sua posio atual com gbest. Se qualquer abelha do enxame estiver em uma posio de aptido mais elevada, o gbest substitudo pela posio atual dessa abelha.

67

4.3 - PSO: um modelo bsico

No modelo da PSO, no h nenhum controle central, o controle difundido para todos. Cada partcula um agente simples que age em cima da informao local e global. Ainda, o enxame ao todo pode executar as tarefas, cujo grau de complexidade bem alm das potencialidades de cada indivduo. Os seres como insetos so criaturas complexas capazes de processar uma quantidade considervel de sensores de entrada, modulam seu comportamento devido a estmulos externos, incluindo interaes com insetos companheiros, tanto quanto tomar decises na base de uma quantidade de informao existente. Entretanto, esta complexidade de um inseto individual no suficiente para explicar a complexidade de uma colnia de insetos. Talvez a questo mais complexa a de como analisar o comportamento individual com o desempenho coletivo total. Podemos declarar dois conceitos fundamentais de grande importncia para a anlise de desempenho coletivo de um enxame, auto-organizao e diviso do trabalho.

4.3.1 - Auto-organizao As teorias sobre o conceito de auto-organizao foram desenvolvidas originalmente no contexto da fsica e da qumica para descrever testes macroscpicos levantados por processos e das interaes ao microscpico. Este conceito pode ser expandido para os enxames, em particular as colnias de insetos, demonstrando que o comportamento coletivo complexo pode emergir das interaes entre os indivduos que exibem o comportamento simples. A auto-organizao pode ser definida como um jogo dos mecanismos dinmicos, que resultam nas estruturas no nvel global de um sistema por meio 68

das interaes entre seus componentes de baixo nvel. Estes mecanismos estabelecem regras bsicas para as interaes entre os componentes do sistema. Tais regras estabelecem que as interaes esto executadas na base da informao puramente local (Vesterstrom & Riget, 2002).

4.3.2 - Diviso do trabalho Dentro de um enxame de abelhas as tarefas diferentes so executadas freqentemente e simultaneamente por indivduos especializados. Este tipo do fenmeno denominado diviso de trabalho e pode ser encontrado em muitos sistemas com esta formao, tais como formigas, em abelhas e em vespas. Muitos fatores fazem este comportamento da diviso da tarefa parecer atrativo. Primeiramente, o desempenho simultneo da tarefa por indivduos especializados cooperando so mais eficientes do que o desempenho seqencial da tarefa por indivduos sem especializao (Vesterstrom & Riget, 2002). A especializao permite uma grande eficincia de um nico indivduo no desempenho da tarefa, desde que seja familiar com a tarefa. Alm disto, algumas tarefas so necessrias ou mesmo vitais para a sobrevivncia do enxame. A nuvem de partculas mostra sinais da auto-organizao. As interaes entre os componentes de baixo nvel (partculas) resultam em estruturas complexas no nvel global (nuvem) que faz com que seja possvel a otimizao das funes. De acordo com Milonas (1994), cinco princpios bsicos definem a inteligncia coletiva: Primeiramente o princpio da proximidade: a nuvem deve poder realizar computaes simples do espao e do tempo. Segundo o princpio da qualidade: a nuvem deve poder responder aos fatores de qualidade no ambiente. Terceiro o princpio da resposta diversa: a nuvem no deve executar suas atividades ao longo de campos excessivamente estreitos. 69

Princpio da estabilidade: a nuvem no deve mudar sua modalidade do comportamento cada vez que o ambiente muda.

Quinto o princpio do adaptabilidade: a nuvem deve poder mudar de comportamento quando vale a pena o preo computacional.

Note que os princpios quatro e cinco so princpios opostos. A PSO parece aderir a todos os cinco princpios. Descrevendo a PSO dentro dos termos da computao evolutiva a diferena ao algoritmo evolucionrio pequena. A diferena entre algoritmos evolutivos e PSO est definida no ponto de vista de como mudada a populao de uma iterao. Conceitualmente existem algumas diferenas entre o PSO e os AGs: As partculas permanecem vivas e habitam o espao da busca durante o funcionamento, visto que em Ags os indivduos so substitudos a cada gerao (Vesterstrom & Riget, 2002). No enxame de partculas o objetivo alcanado com a busca cooperativa da partcula sendo diferente do que nos AGs que a busca competitiva (Vesterstrom & Riget, 2002). O modelo bsico da PSO consiste em uma nuvem de partculas que se movimentam em um espao n-dimensional, reavaliando o espao da busca de possveis solues do problema. Para o espao da busca, em geral, utilizada uma determinada medida da qualidade, a aptido (funo objetivo), que e definida fazendo-se com que as partculas comparem solues diferentes do problema. Cada partcula tem um vetor xi da posio e um vetor vi da velocidade. Alm disso, cada partcula contm uma pequena memria que armazena sua melhor posio no vetor pi , e a melhor posio global g i obtido com uma comunicao com suas partculas vizinhas.

70

Este fluxo de informao obtido definindo uma topologia da vizinhana na nuvem sobre vizinhos imediatos (Ursem, 2002). A Figura 4.2 demonstra a estrutura bsica de um algoritmo da PSO.

Figura 4.2 : Estrutura bsica de um algoritmo PSO.

71

4.4 - Operaes bsicas Compreendendo a base conceitual do PSO, as atividades ficam resumidas em desenvolver as ferramentas algortmicas necessrias a executar a otimizao.

4.4.1 - Definir o espao da soluo A primeira etapa para a execuo do PSO escolher os parmetros que necessitam ser otimizados e d-lhes uma escala razovel para a procura pela soluo tima. Isto requer a especificao de um valor mnimo e mximo para cada dimenso dentro do otimizador no espao n-dimensional. Isto definido com sendo X min e X max onde podem variar de 1 at N.

4.4.2 - Definir uma funo objetivo Esta etapa muito importante, pois fornece a ligao entre o algoritmo e o mundo fsico. crtico e indispensvel que a funo objetivo escolhida represente exatamente, em um nico nmero, a melhor soluo. A funo objetivo deve exibir uma dependncia funcional que seja relativo importncia de cada caracterstica a ser otimizada. A funo da aptido e o espao da soluo devem especificamente ser desenvolvidos para cada otimizao; o resto da execuo, entretanto, independente do sistema fsico otimizado.

72

4.4.3 - Iniciar a posio e velocidades aleatrias Para comear a procurar pela posio tima no espao da soluo, cada partcula comea em sua prpria posio aleatria com uma velocidade que seja aleatria em ambos as direes e valor. Desde que sua posio inicial a nica posio encontrada por cada partcula no comeo do funcionamento, esta posio transforma-se no melhor pbest respectivo de cada partcula. O primeiro melhor gbest selecionado ento entre destas posies iniciais. Algumas atividades devem ser realizadas para que se consiga varrer o espao de busca e encontrar a melhor soluo para o problema a ser otimizado, onde: Caminhar as partculas atravs do espao da soluo: Cada partcula deve ento ser movida atravs do espao da soluo como se fosse uma abelha em um enxame. O algoritmo age em cada partcula movendo uma por uma e dando um ciclo atravs da nuvem de partculas inteira. Avaliar a aptido da partcula comparando com o gbest e pbest: A funo objetivo, usando as coordenadas da partcula no espao da soluo, retorna um valor da aptido a ser atribudo posio atual. Se esse valor for maior do que o valor pbest respectivo para essa partcula, ou maior que o gbest global, ento os valores so atualizados segundo a posio atual. Atualizar a velocidade da partcula: A manipulao da velocidade de uma partcula o elemento do ncleo de toda a otimizao. A compreenso cuidadosa da equao utilizada determina como a atualizao deve ser realizada. A velocidade da partcula mudada de acordo com as posies relativas do melhor pbest e do melhor gbest. A partcula acelerada nos sentidos destas posies de melhor aptido de acordo com a equao 4.5.

73

Mover a partcula: Uma vez que a velocidade foi determinada simples mover a partcula para sua posio seguinte. A velocidade aplicada para um perodo dado t , sendo geralmente escolhido 1, e a nova coordenada x n , ento computado para cada uma das n dimenses. A partcula movida ento para a posio calculada por pela equao 4.6.

xi = ( xi1 , xi 2 ,..........., xin )

(4.1)

vi = (vi1 , vi 2 ,..........., vin )

(4.2)

pi = ( pi1 , pi 2 ,..........., pin ) )

(4.3)

g i = ( g i1 , g i 2 ,......... .., g in )

(4.4)

v n = w * v n + c1 Rand 1 ()* ( pbest n x ) + c 2 Rand 2 ()* ( gbest n x )

(4.5)

x n = x n + t * v n

(4.6)

onde v n a velocidade da partcula no espao de busca e xn a posio da partcula no espao n-dimensional. Analisando a equao (4.5), a nova velocidade modificada de acordo com a direo do gbest e do pbest para cada partcula. As constantes c1 e c 2 so os fatores de escalonamento que determinam a "trao relativa" do melhor pbest e do melhor gbest, e so definidas como s taxas cognitivas e sociais,

respectivamente: 74

c1 o fator que determina quanto a partcula influenciada pela

memria de sua melhor posio.

c 2 o fator que determina quanto a partcula influenciada pelo resto

da nuvem.

A funo rand () entre 0,0 e 1,0.

gera um nmero aleatrio com distribuio uniforme

Acrescentando c1 incentiva-se a explorao do espao da soluo enquanto cada partcula se move para seu prprio melhor pbest; resumindo , como cada partcula se move para seu prprio mais pbest. J acrescentando c 2 incentiva a explorao do mximo global proposto. A maioria das implementaes utiliza dois nmeros aleatrios independentes para garantir as variaes do melhor gbest e do melhor pbest. Esta introduo de um elemento aleatrio na otimizao necessria para simular o componente imprevisvel do comportamento natural da nuvem.

w definido como "o peso inercial" (escolhido estar entre 0,0 e 1,0),
este nmero determina a que extenso a partcula permanece ao longo de seu curso original no afetado pela trao do melhor gbest e do melhor pbest.

A equao (4.6) monstra o movimento da partcula. As melhores partculas do gbest ou pbest sentem a maior atrao das posies respectivas, e conseqentemente movem-se para eles mais rapidamente do que uma partcula que seja mais prxima. A partcula continua a ganhar a velocidade no sentido das melhores posies da aptido at que passem sobre elas. Nesse ponto comeam a ser puxados para trs no sentido oposto. As partculas sobrevoam os mximos locais e os mximos globais que muitos acreditam ser um segredo ao sucesso da PSO.

75

O movimento das partculas pode ser visualizado na Figura 4.3 apresentada logo abaixo.

Figura 4.3 : Movimento de partculas.

Pela Figura 4.3 pode-se verificar que a velocidade da partcula influenciada pela sua prpria velocidade original, pela sua melhor posio encontrada e pela melhor posio encontrada por toda a nuvem. A direo tomada pela partcula se deve ao resultado da soma destas velocidades, que faz com que as partculas percorram o espao de busca em diversas direes, podendo assim encontrar novas solues, novos pontos que possam ser o gbest e assim influenciando o movimento de todo a nuvem. As partculas individuais (1 e 2) so aceleradas para a posio da melhor soluo com melhor gbest, e a posio do seu prprio melhor pbest pessoal.

76

Captulo 5 - Anlise dos resultados de simulao

5.1 - Estudo de caso O mtodo proposto foi codificado utilizando-se o ambiente computacional MATLAB, da MathWorks, instalado em um computador pessoal. Para ilustrar a aplicao e demonstrar a efetividade do mtodo proposto, segue o detalhamento do estudo de caso desenvolvido. Para nosso estudo de caso utilizada uma rede eltrica de 23 KV, nove e quinze pontos de carga, como monstrado na Figura 5.1 e Figura 5.2. A Tabela 5.1 ilustra a impedncia de cada linha assim como a Tabela 5.2 informa os dados de potncias ativas e reativas das cargas. O custo anual equivalente por unidade e perda de potncia definido em 168 (KW por ano), e os limites de tenso na barra so:

Vmin = 0,90
Vmax = 1,10

pu
pu

O tamanho de capacitores disponveis e seus correspondentes custos anuais esto listados na Tabela 5.3, (Lee, 2002). A Tabela 5.4 mostra os 27 possveis tamanhos de capacitores, onde S a subestao.

Figura 5.1 : Diagrama de ponto de carga 9 barras.

77

Figura 5.2 : Diagrama de ponto de carga 15 barras.

Para ilustrar o algoritmo desenvolvido e demonstrar a sua aplicabilidade foi utilizado o estudo de caso e a funo objetivo dada por:

Funo _ Objetivo =

1 (1 + CUSTO)

(5.1)

onde

CUSTO = PERDAS + COMPENSAO

(5.2)

Para compensao em apenas 3 barras (Lee, 2002):

Funo _ Objetivo = (1 +

1 K p Pt , perdas 1000 + C capacitor ( i ,1) + C capacitor ( i , 2 ) + C capacitor ( i ,3) )

(5.3)

Para compensao em todas as 9 barras:

Funo _ Objetivo = (1 +

1 K p Pt , perdas 1000 + C ic )
i =1 9

(5.4)

78

Para compensao em todas as 15 barras:

Funo _ Objetivo = (1 +

1 K p Pt , perdas 1000 + C ic )
i =1 15

(5.5)

Foram realizadas simulaes para os trs casos, com trs barras, com nove barras e com 15 barras, avaliando-se a necessidade de alocao de capacitores. Para as simulaes do caso com trs barras, a otimizao ficou restrita as cargas 4, 5 e 9, enquanto que nos casos com nove e quinze barras todas as posies foram analisadas. Nas Tabelas 5.1 a 5.6 so representados os dados referentes a rede a ser simulada. Estes referem-se a impedncia do alimentador, dados das cargas a serem analisados, tamanhos de capacitores e seus custos anuais, melhores escolhas de tamanhos de capacitores (Lee, 2002).

Tabela 5.1 : Dados de impedncia do alimentador 9 barras.

Barramento i 0 1 2 3 4 5 6 7 8 Barramento i+1 1 2 3 4 5 6 7 8 9

Ri ,i +1 ()
0,1233 0,0140 0,7463 0,6984 1,9831 0,9053 2,0552 4,7953 5,3434

X i ,i +1 ()
0,4127 0,6051 1,2050 0,6084 1,7276 0,7886 1,1640 2,7160 3,0264

79

Tabela 5.2 : Dados das cargas do sistema com 9 barras.

Barramento 1 2 3 4 5 6 7 8 9 Total

PL

(Kw)

QL (Kvar)
460 340 446 1840 600 110 60 130 200 4186

1840 980 1790 1598 1610 780 1150 980 1640 12368

Tabela 5.3 : Tamanho dos capacitores e custos anuais.

Tamanho (Kvar) Custo 150 75 300 97,5 450 114 600 132 900 165 1200 204

Tabela 5.4 : Possveis escolhas de tamanhos de capacitores.

j 1
C

2 300

3 450

4 600

5 750

6 900

7 1050

Qj
j

150

8
C

9 1350

10 1500

11 1650

12 1800

13 1950

14 2100

Qj
j

1200

15
C

16 2400

17 2550

18 2700

19 2850

20 3000

21 3150

Qj
j

2250

22
C

23 3450

24 3600

25 3750

26 3900

27 4050

Qj

3300

80

Tabela 5.5 : Dados de impedncia do alimentador com 15 barras.

Barramento i 0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 Barramento i+1 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15

Ri ,i +1 ()
0,1233 0,4899 0,8899 0,0140 0,2560 0,1233 0,7463 0,2560 0,3000 0,0140 0,7463 2,0552 4,7953 5,3434 5,9899

X i ,i +1 ()
0,4127 0,8004 0,4990 0,6051 0,7890 0,4127 1,2050 0,7890 0,8906 0,6051 1,2050 1,1640 2,7160 3,0264 3,0001

Tabela 5.6 : Dados das cargas das 15 barras.

Barramento 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 Total

PL

(Kw)

QL (Kvar)
460 560 550 340 550 590 446 550 600 800 825 1840 600 110 250 9071

1840 1359 1500 980 980 1300 1790 1890 1400 1590 1658 1598 1610 780 150 20425

81

5.1.1 - Simulao usando AG Conforme descrito anteriormente os AGs possuem alguns parmetros denominados parmetros genticos que servem como forma de auxlio e orientao na busca pelo valor timo desejado seguindo os valores obtidos atravs da funo objetivo. Os parmetros utilizados na configurao do algoritmo gentico desenvolvido foram: tamanho da populao: 5; probabilidade de cruzamento: 0,5; probabilidade de mutao: 0,3.

Para critrio de parada foi utilizado o nmero mximo de geraes. nmero mximo de geraes: 200.

Como forma de garantir que o melhor indivduo sobrevivesse foi inserido uma abordagem que garante o elitismo. Esta operao reinsere o melhor indivduo para populao no lugar de um com pior fitness, como forma de direcionar a otimizao para um mnimo global, no ficando presa em mnimos locais. Para estrutura do algoritmo desenvolvido segue um diagrama explicativo apresentado na Figura 5.3, onde esto representadas as variveis utilizadas na simulao. A execuo do algoritmo desenvolvido inicia-se com a insero dos dados referentes rede de distribuio a ser simulada. Estes dados so a caracterizao fsica do problema, a forma de modelar o problema dentro do ambiente computacional. Estes dados so a resistncia ri , reatncia xi , potncia ativa pi e potncia indutiva qi .

82

Figura 5.3 : Diagrama do AG desenvolvido.

Aps a definio destas caractersticas, foram definidas as configuraes iniciais, valores necessrios utilizao dos parmetros genticos. Os parmetros necessrios para a simulao dentro dos conceitos de algoritmos genticos foram,
tam _ pop que o tamanho da populao,

pc que a probabilidade de

cruzamento, pm que a probabilidade de mutao, max_ gen que define o nmero mximo de geraes, sendo que estes valores foram definidos no incio deste captulo.

83

Assim que estes dados foram inseridos, assegurando-se os limites e restries existentes, realizado o clculo das perdas iniciais da rede sem a compensao de banco capacitivo. Estas informaes so armazenadas nas variveis Ploss i e Vi , que servem como parmetros de comparao da eficincia do mtodo proposto, conseguindo assim a visualizao de vantagens e desvantagens do mtodo proposto. ento criada a populao inicial, denominada fgen , sendo constituda de valores binrios. Junto criao da populao alguns parmetros so inicializados, isto , xopt limite superior do espao de busca, bestf o melhor fitness iniciado como menos infinito e new _ gen = fgen . Possuindo todos estes valores ento realizada a primeira iterao da simulao, para isso realizada converso dos valores binrios para valores decimais, ento inserido a compensao capacitiva e calculado o valor da funo objetivo (fitness), calculando tambm as perdas existentes pelo clculo de fluxo de potncia. Aps este clculo realizado uma avaliao sobre o valor contido na varivel
geraes , e caso a condio de parada no tenha ainda sido atingida, so

realizados procedimentos relacionados aos operadores genticos, seleo, cruzamento e mutao, agora sendo avaliada a nova rede, j com a compensao dos capacitores inseridos. O procedimento de seleo, utilizando-se o mtodo da roleta, verifica o valor do fitness de cada indivduo e os reordena, selecionando os indivduos que sofrero o cruzamento e a mutao. O procedimento de cruzamento ou crossover faz com que a populao contida em new _ gen seja cruzada, neste momento um par de indivduos escolhido aleatoriamente um ponto de corte e o material gentico permutado entre os dois, levando-se em conta o valor definido para a probabilidade de cruzamento pc . Ento os indivduos da populao passam pelo procedimento de mutao , sendo regido pela probabilidade de mutao pm . 84

Um ponto importante que nem todas as partculas selecionadas sero cruzadas ou sofrero mutao, isso depende de pc e de pm . Estas operaes alteram a populao, inserindo e trocando material gentico, e percorrendo o espao de busca, fazendo com que o espao de busca seja varrido da melhor forma possvel. No decorrer da simulao durante as iteraes, o valor da varivel bestf atualizado. Assim que o valor limite de geraes obtido o algoritmo gera os resultados referentes a cada gerao.

85

5.1.2 - Anlise estatstica usando AG As tabelas a seguir representam os resultados obtidos aps as simulaes. Na primeira coluna esto inseridos os experimentos realizados, tambm apresentado o custo mnimo, mximos e mdio obtido para cada experimento. Na ltima coluna apresentado o nmero de geraes para se obter o menor custo.

Tabela 5.7 : Resultados das abordagens de AG 3 barras (30 experimentos).

CUSTO PARA 3 Barras EXPER 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 Mximo 122.991,54 130.138,66 120.548,63 124.310,90 125.654,87 128.305,06 138.631,20 123.152,35 123.745,68 126.732,85 143.140,45 123.548,04 120.015,58 125.361,77 122.915,42 120.304,61 127.637,12 128.149,55 120.501,82 128.053,91 122.723,79 123.867,44 120.800,07 120.756,74 132.905,12 130.551,18 122.606,01 133.867,92 129.232,71 128.487,83 143.140,45 Mnimo 118.914,19 118.926,28 118.713,61 119.013,09 118.713,61 118.763,64 118.683,02 119.351,08 118.763,64 118.763,64 118.683,02 118.923,78 118.538,53 118.914,19 119.351,08 119.225,72 119.267,40 118.763,64 118.914,19 118.538,53 118.865,29 119.861,21 118.923,78 118.923,78 118.916,33 118.683,02 119.485,56 118.784,98 119.043,80 118.926,28 118.538,53 Mdio 119.236,58 119.567,83 118.874,21 119.571,07 119.267,60 119.073,97 119.530,75 119.589,29 118.964,06 119.215,23 119.799,61 119.492,36 119.440,46 119.669,77 119.969,05 119.717,45 119.638,88 119.573,53 119.386,15 119.919,86 119.422,22 120.004,38 119.784,92 119.064,53 119.532,24 119.631,43 119.893,92 119.032,21 119.124,42 119.794,49 119.492,75 Desvio Padro 879,57 846,54 484,92 785,55 1.198,17 1.164,09 1.720,58 657,65 688,52 1.604,37 2.751,33 625,70 339,23 1.361,01 850,79 186,13 999,44 1.254,61 519,67 1.407,41 1.158,09 678,22 742,33 295,31 1.148,50 963,01 664,40 1.136,78 776,53 1.663,34 985,06 Geraes para obter o custo mnimo em cada experimento Geraes 28 161 21 100 67 17 176 43 86 17 132 167 197 91 162 190 194 107 159 163 169 11 26 100 183 190 150 32 4 136 109,30

86

Tabela 5.8 : Mdia da simulao AG 3 barras (30 experimentos).

CUSTOS MDIOS 3 Barras Mximo 119.861,21 Mnimo 118.538,53 Mdio 118.938,00 Desvio Padro 291,83 Geraes para obter o custo mnimo em cada experimento Desvio Mnimo Mximo Mdio Padro 197 4 109,3 67,13

Tabela 5.9 : Resultados da otimizao para o problema de 3 barras.

Com compensao Parmetros Sem compensao Heurstica Evoluo Anlise de diferencial + sensibilidade anlise de sensibilidade 705,875 119910 3600 1650 900 1,002 (barra 2) 0,905 0,901 (barra 9) 698,14 118538 4050 1650 750 1,001 (barra 2) 0,9 (barra 9) Busca Exaustiva 698,14 118538 4050 1650 750 1,0001 (barra 2) 0,9 (barra 9)

AG

Total de Perdas (KW) Custo Anual ($)

C Q 4 KVar

787,778 131675 0,9929 (barra 1) 0,8375 (barra 9)

704,3 119513 2700 2850 900 1000

700,37 118.158,53 3750 2250 600 0,9967 (barra 1) 0,9234 (barra 1)

Compensao

C Q 5 KVar

Q 9C KVar
Max -(pu)

Vi Vi

Min -(pu)

Cada simulao composta por 200 geraes e 30 experimentos. As Tabelas 5.7, 5.8 e 5.9 mostradas refletem os dados obtidos na otimizao gerada pelo algoritmo gentico desenvolvido para a otimizao em apenas 3 barras. Os dados demonstram que a tcnica utilizada obteve resultados satisfatrios, avaliando-se que no caso sem nenhum tipo de compensao o total de perdas se encontrava na ordem de 790 KW e no caso com a compensao dos capacitores fornecidos por este trabalho na ordem de 700,00 KW. A Tabela 5.9 tambm mostra resultados obtidos por outros mtodos de otimizao, sendo todos eles aplicados ao mesmo estudo de caso e utilizando-se

87

de tcnicas de otimizao e estratgias diferentes. Estes resultados esto bastante prximos, o que valida a utilizao deste tipo de compensao. O custo da implementao dos capacitores foi bastante satisfatrio, ficou entre os menores custos das otimizaes comparadas. Os dados referentes a tempo de processamento do algoritmo deste trabalho no devem ser analisados criticamente com relao aos outros, visto que no possvel garantir que tais resultados foram obtidos em uma mesma infra-estrutura computacional, ou em uma similar. Os dados mostrados na tabela 5.7 apresentam os melhores resultados obtidos pela simulao a cada experimento. Pode-se verificar que todos os 30 experimentos apresentam resultados prximos, mas distintos, percebe-se que o algoritmo buscou varrer a maior parcela do espao de busca definido. Estas caractersticas so devidas a utilizao dos parmetros genticos, que fazem com que a populao, a cada gerao, tenda a trazer novas informaes, e a cada experimento, as variveis so limpas e novamente iniciadas. A tabela 5.8 refora estas informaes, pois nela esto contidos os valores relacionados aos melhores valores dos 30 experimentos. Verifica-se que o desvio padro mdio pequeno, o que demonstra que, mesmo possuindo variveis do problema sendo aleatrias, o algoritmo converge os resultados para um melhor global, no ocorrendo desvios para mnimos locais. Ainda nesta tabela pode-se verificar que a convergncia para o timo global no ocorreu de forma prematura, visto que o valor mdio para obteno do melhor custo foi de 109,3 iteraes. Ainda pode ser observado uma melhora nos valores de mximo e mnimo de tenso Vi nas barras, no caso sem compensao o valor mximo e mnimo respectivamente foram de 0,9929 e 0,8375, j no caso com a compensao foram de 0,9967 e 0,9234.

88

Tabela 5.10 : Resultados das abordagens de AG 9 barras (30 experimentos).

CUSTOS 9 Barras EXPER 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 Mnimo 137.111,13 133.294,25 127.887,96 136.402,36 128.970,28 172.275,11 129.820,90 130.221,95 142.209,78 140.895,98 129.559,49 153.189,92 142.892,87 127.883,89 136.728,42 121.674,11 137.304,61 125.246,19 128.153,14 137.071,10 124.636,42 137.561,71 130.243,74 131.843,57 139.667,10 127.105,09 122.997,86 126.308,61 135.365,20 128.100,34 172.275,11 Mximo 118.632,07 120.497,10 120.157,53 119.866,77 120.582,88 120.013,32 119.972,28 120.059,28 119.332,09 120.568,46 119.364,56 119.729,20 119.959,63 119.918,59 121.259,17 119.752,87 119.818,66 120.261,45 120.452,82 119.695,78 121.721,93 119.348,17 120.489,56 120.415,91 121.830,97 119.675,33 118.986,89 119.357,83 118.932,01 119.033,71 118.632,07 Mdio 120.793,95 120.842,99 121.262,96 121.080,44 121.625,30 121.963,98 121.047,04 120.792,26 119.611,76 121.197,95 121.202,33 122.098,75 121.731,51 120.389,91 122.023,18 120.735,56 120.885,44 120.964,72 121.180,93 120.969,94 122.170,09 119.764,69 121.378,29 121.138,26 123.024,02 120.360,60 119.224,92 119.934,52 120.325,17 121.014,24 121.024,52 Desvio Padro 2.187,39 1.253,82 2.227,63 2.353,37 1.613,99 4.074,15 1.477,08 974,54 1.718,54 2.223,26 2.278,99 2.660,07 2.400,10 1.308,82 1.575,28 927,27 1.412,54 1.128,98 1.378,32 2.235,09 826,62 1.778,49 1.488,86 936,33 1.747,77 990,55 912,00 1.140,75 1.945,14 2.177,99 1.711,79 Geraes para obter o custo mnimo em cada experimento Geraes 192 21 52 196 72 96 140 156 133 24 119 166 189 184 144 183 146 186 187 79 163 55 158 160 168 125 14 63 135 100 126,87

Tabela 5.11 : Mdia da simulao AG 9 barras (30 experimentos).

CUSTOS MDIOS PARA 9 Barras Mximo 121.830,97 Mnimo 118.632,07 Mdio 120.022,52 Desvio Padro 747,14 Geraes para obter o custo mnimo em cada experimento Desvio Mximo Mnimo Mdio Padro 196 14 127,79 56,84

89

Tabela 5.12 : Resultados da otimizao para o problema de 9 barras.

Parmetros Total de Perdas (KW) Custo Anual ($) barra 1 barra 2 barra 3 barra 4 Compensao barra 5 barra 6 barra 7 barra 8 barra 9 Max -(pu) Min -(pu) Sem Compensao 787,778 131.675,00 0,9929 (barra 1) 0,8375 (barra 9) Com Compensao AG 688,15 118.632,02 2250 2250 3600 3000 450 3000 1350 1800 600 0.9965 (barra 1) 0.8516 (barra2)

Vi

As Tabelas 5.10, 5.11 e 5.12 demonstram os resultados para a simulao com todas as 9 barras sendo analisadas. O comportamento do algoritmo se manteve e os ganhos proporcionados pela otimizao so demonstrados. A convergncia mdia para o timo global foi de 127,79, valor um pouco maior que o caso com trs barras, mas previsvel , visto que o problema se torna muito mais complexo com 9 barras, sendo necessrio uma maior procura dentro do espao de busca. Os valores de tenso nas barras pioraram quando comparados aos resultados obtidos com o caso de 3 barras, mas o valor mximo Vi de

comparado ao caso sem compensao melhorou, como demonstrado na Tabela 5.12. O custo anual caiu de 131675,00 para 118632,02, gerando uma economia de aproximadamente 10% e conseqentemente o valor das perdas calculadas caiu de 787,778 para 688,15. Verificando o desvio padro dos custos mdios de cada experimento na Tabela 5.9, verifica-se que o valor teve um acrscimo quando comparada ao caso com trs barras, de 291,83 para 747,14.

90

Tabela 5.13 : Resultados das abordagens de AG 15 barras (30 experimentos).

CUSTOS 15 Barras EXPER 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 Mnimo 458.049,09 481.441,35 420.300,23 402.200,97 422.968,62 423.468,28 453.068,65 387.485,41 360.713,63 448.902,67 446.155,34 409.809,01 384.977,55 388.933,63 420.724,55 435.453,06 517.328,32 386.016,60 476.255,46 442.195,80 413.828,12 389.634,70 458.753,47 426.761,53 510.032,79 447.446,19 395.809,45 453.726,55 438.716,00 477.440,35 517.328,32 Mximo 336.491,84 345.560,40 339.318,27 344.943,17 337.391,86 335.620,42 337.516,59 338.174,37 344.789,23 340.780,26 343.096,46 341.525,37 340.382,02 344.020,54 339.879,21 339.458,32 344.118,13 344.990,87 338.107,74 343.038,02 333.050,54 336.657,39 335.452,56 337.764,04 341.182,66 338.335,15 336.454,30 336.130,00 342.368,70 342.681,91 333.050,54 Mdio 341.604,57 347.375,36 357.917,02 349.507,11 344.685,79 349.632,27 347.473,53 349.536,07 349.873,33 341.535,73 344.864,37 354.050,09 344.960,66 344.709,67 344.141,76 344.151,06 350.801,11 348.698,91 345.047,04 351.253,11 338.294,30 343.019,39 361.560,03 343.544,24 343.434,02 345.187,18 345.396,34 341.354,01 352.700,48 346.007,79 347.077,21 Desvio Padro 9.961,02 11.499,22 16.044,86 11.160,97 17.604,89 11.894,15 15.710,81 11.427,14 5.167,96 8.212,13 8.615,74 11.546,37 12.462,02 3.378,00 9.498,73 16.265,88 21.193,35 5.968,85 18.034,79 11.108,26 14.152,95 13.041,56 23.410,54 16.088,19 16.685,32 11.188,06 12.085,66 12.376,70 15.865,94 17.800,34 12.981,68 Geraes para obter o custo mnimo em cada experimento Geraes 118 18 129 63 39 178 130 170 102 3 19 184 26 73 78 20 26 84 109 136 30 43 149 78 6 124 189 41 155 12 84,40

Tabela 5.14 : Mdia da simulao AG 15 barras (30 experimentos).

CUSTOS MDIOS 15 Barras Mximo 345.560,40 Mnimo 333.050,54 Mdio 339.668,77 Desvio Padro 3.424,14 Geraes para obter o custo mnimo em cada experimento Desvio Mximo Mnimo Mdio Padro 189 3 84,40 59,71

Tabela 5.15 : Resultados da otimizao para o problema de 15 barras. 91

Com Compensao Parmetros Total de Perdas (KW) Custo Anual ($) barra 1 barra 2 barra 3 barra 4 barra 5 barra 6 barra 7 Compensao barra 8 barra 9 barra 10 barra 11 barra 12 barra 13 barra 14 barra 15 Max -(pu) Min -(pu) Sem Compensao 3.630,01 606.211,67 0,9825 (barra 1) 0,6171 (barra 9) AG 2.017,00 333.050,54 2800 300 1500 300 3600 1350 900 450 450 900 1050 1350 900 1050 900 1 (barra 1) 1,1 (barra 15)

Vi Vi

As Tabelas 5.13, 5.14 e 5.15, mostram os resultados obtidos na simulao do caso com 15 barras, sendo todas elas analisadas quanto compensao capacitiva. Para este caso o total de perdas sem compensao de 606211, e com compensao pelo AG foi de 333050, demonstrando uma economia de aproximadamente 50%, isto tambm se reflete no total de perdas, que para sem compensao foi de 3630 KW e com compensao foi para 2017 KW. O nmero mdio de geraes para a obteno do custo mnimo foi de 59,71, o que demonstra que o espao de busca foi bastante rastreado, conseguindo assim um resultado muito bom. Este resultado nos leva a analisar que para problemas mais robustos, maior quantidade de variveis, maiores configuraes o algoritmo AG pode ser aplicado. Um dado extrado da simulao que deve ser analisado neste caso o desvio padro dos custos mdios que foi de 3424, um valor bastante alto numericamente, mas percentualmente manteve-se em torno de 1%, muito prximo ao percentual do desvio padro das outras simulaes.

92

5.1.3 - Simulao usando PSO Para a simulao do estudo de caso com PSO foi desenvolvido um algoritmo em MATLAB capaz de realizar os passos computacionais necessrios otimizao (Coelho & Sandrini, 2005). A Figura 5.4 demonstra o diagrama da PSO desenvolvida para o estudo de caso a ser simulado. Para a simulao foram definidos alguns parmetros: A rede a ser simulada de 23 KV, contendo nove e quinze pontos de carga, conforme as Figuras 5.1 e 5.2; As Tabelas 5.1 e 5.5 apresentam a impedncia de cada linha para os casos de 9 e 15 barras; As Tabelas 5.2 e 5.6 informam os valores de potncias ativas e reativas das respectivas cargas para os casos de 9 e 15 barras; O custo anual equivalente por unidade e perda de potncia definido em 168 (KW ano); Os limites de tenso na barra so:
Vmin = 0,90 pu Vmax = 1,10 pu

O tamanho de capacitores disponveis e seus correspondentes custos anuais esto listados na Tabela 5.3;

A Tabela 5.4 mostra os 27 possveis tamanhos de capacitores; S a subestao.

Adotou-se, para as simulaes uma PSO com c1 = 2,0 , c2 = 2,0 e ponderao

w = 0,9 . O Vmax configurado para 20% do intervalo da varivel de cada

dimenso e tamanho de populao de 10 partculas.

93

O critrio de parada foi de 200 geraes. Foram realizados 30 experimentos com esta configurao. As simulaes foram realizadas em um computador com processador AMD Athon 1,8 Ghz e memria de 256 MB RAM. Foram definidos trs casos de simulao: Caso 1: restrito a trs localizaes (barras 4, 5 e 9) para alocao de capacitores, onde a aptido calculada pela equao 5.3; Caso 2: Todas as 9 barras so avaliadas para alocao de capacitores, onde a aptido calculada pela equao 5.4; Caso 3: Todas as barras, mas agora o barramento possui 15 barras, sendo todas elas analisadas quanto insero de capacitores, onde a aptido calculada pela equao 5.5;

O algoritmo da PSO desenvolvido mostrado na Figura 5.4. O funcionamento inicia-se com a insero dos dados referentes rede de distribuio a ser simulada. Estes dados so a caracterizao do problema, a definio do problema dentro do ambiente computacional. Estes dados so a resistncia ri , reatncia xi , potncia ativa pi e potncia indutiva qi . Aps a definio destas caractersticas, foram definidas as configuraes iniciais, os parmetros necessrios para a simulao dentro dos conceitos do enxame de partculas, tais valores esto descritos neste captulo, sendo a varivel

c1 , que determina quanto a partcula sofre influncia de sua melhor posio,

tambm denominada taxa cognitiva. A varivel c2 , que determina a influncia do melhor global, tambm denominada taxa social. E finalmente w que determina quanto a partcula permanece em seu curso original, tambm denominada peso inercial. Os valores de tenso Vi e perdas nas barras Ploss i so calculados seguindo os valores iniciais da rede. Logo aps, ento criada a populao inicial,

94

composta pelo vetor posio yi e vetor velocidade Vy i , seguindo os limites de tenso na barra anteriormente definidos no estudo de caso.

Figura 5.4 : Diagrama da PSO desenvolvido.

95

Assim que a primeira populao definida, realiza-se a primeira iterao da simulao, para isso ento inserida a compensao capacitiva nas barras, de acordo com os valores da populao criada. novamente calculado o valor da funo objetivo (fitness) f g , e calculado os novos valores de tenso nas barras Vi e as perdas existentes Ploss i pelo clculo de fluxo de potncia. O valor f g ento comparado ao primeiro valor existente do gbest , caso este valor seja melhor ento o valor do gbest substitudo pelo novo valor. O mesmo procedimento realizado para o valor do pbest . Assim que estas adequaes nos valores de gbest e pbest so realizadas, os valores referentes a velocidade e posio so atualizados. Estes procedimentos so realizados at que se atinja o critrio de parada, que nesta simulao foi adotada ser o nmero de geraes Geraes = 200 , e que foi definida junto ao estudo de caso. Estas simulaes forneceram valores referentes movimentao das partculas em busca de uma melhor configurao para o banco de capacitores. Na prxima seo poderemos visualizar melhor o resultado obtido com as simulaes realizadas com esta metodologia e com o algoritmo desenvolvido.

96

5.1.4 - Anlise estatstica usando PSO A tabelas 5.16 a 5.24 representam os resultados obtidos aps as simulaes. Cada simulao foi composta por 200 geraes e 30 experimentos, sendo cada populao formada de 10 possveis solues para o problema de alocao dos capacitores.

Tabela 5.16 : Resultados das abordagens de PSO 3 barras (30 experimentos).

CUSTOS - 3 barras EXPER 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 Mximo 123.032,99 131.674,69 123.601,97 123.824,86 121.991,84 121.247,15 119.637,53 126.992,40 120.509,71 129.365,89 123.346,53 122.390,73 124.747,34 131.674,69 127.865,95 123.374,95 131.674,69 122.130,94 123.876,88 131.674,69 123.363,68 121.333,29 126.049,42 131.674,69 120.742,63 119.444,04 125.654,87 126.694,65 128.004,30 131.674,69 131.674,69 Mnimo 118.683,02 119.451,27 118.763,64 119.422,78 118.865,29 118.538,53 118.865,29 118.784,98 118.992,65 118.538,53 118.992,65 118.538,53 119.205,57 118.538,53 119.043,80 118.923,78 118.784,98 118.683,02 119.803,72 118.865,29 118.923,78 119.123,58 118.683,02 118.538,53 118.923,78 119.284,55 118.683,02 118.865,29 118.992,65 118.923,78 118.538,53 Mdio 118.879,86 119.805,74 118.996,56 119.582,83 119.124,48 118.751,53 118.957,96 119.100,48 119.098,85 118.874,16 119.208,86 118.760,55 119.312,31 118.806,91 119.224,13 119.279,73 119.189,49 118.876,60 120.010,11 119.860,65 119.011,52 119.218,52 118.779,06 118.761,31 119.031,85 119.296,98 118.778,15 119.194,27 119.208,90 119.153,61 119.137,87 Desvio Padro 810,31 1.322,79 867,12 634,85 783,33 725,91 251,58 1.188,05 388,04 1.152,43 748,56 655,20 657,99 1.281,93 808,29 976,06 1.958,53 652,46 788,27 2.689,29 556,75 321,55 749,17 1.284,36 307,69 42,05 513,48 1.147,97 790,73 1.365,07 880,66 Geraes para obter o custo mnimo em cada experimento Geraes 36 33 15 20 24 17 25 19 15 29 24 27 7 35 19 32 26 20 36 48 26 32 7 21 30 23 28 27 34 32 25,57

97

Tabela 5.17 : Mdia da simulao PSO 3 barras (30 experimentos).

Custo Mdio 3 barras Mximo 119.803,72 Mnimo Mdio Desvio Padro 300,78 Geraes para obter o custo mnimo em cada experimento Desvio Mximo Mnimo Mdio Padro 48 17 14,95 13,5

118.538,53 118.907,60

Tabela 5.18 : Resultados da otimizao para o problema de 3 barras.

Com Compensao Parmetros Sem Compensao Heurstica 787,778 131675 0,9929 (barra 1) 0,8375 (barra 9) 0,905 704,3 119513 2700 2850 900 1000 Evoluo Anlise de diferencial + sensibilidade anlise de sensibilidade 705,875 698,14 119910 3600 1650 900 1,002 (barra 2) 0,901 (barra 9) 118538 4050 1650 750 1,001 (barra 2) 0,9 (barra 9) Busca Exaustiva 698,14 118538 4050 1650 750 1,0001 (barra 2) 0,9 (barra 9)

PSO 698,14 118538 3600 1650 900 0,9975 (barra 1) 0,901 (barra 10)

Total de Perdas (KW) Custo Anual ($)

C Q 4 KVar

Compensao

C Q 5 KVar

Q 9C KVar
Max -(pu)

Vi Vi

Min -(pu)

As Tabelas 5.16, 5.17 e 5.18 refletem os dados obtidos na otimizao gerada pelo algoritmo desenvolvido para a otimizao usando PSO em apenas 3 barras. Como mencionado anteriormente, a configurao da rede, Figura 5.1, constituda de 9 barras, mas nesta simulao apenas as barras 4, 5 e 9 foram abordadas . Os dados mostram que a tcnica utilizada obteve resultados satisfatrios, analisados junto aos resultados do AG, avaliando-se que no caso sem nenhum tipo de compensao o total de perdas se encontrava na ordem de 790 KW e no caso com a compensao dos capacitores fornecidos por este trabalho na ordem

98

de 700,00 KW, valor prximo ao valor encontrado com do AG apresentado na seo 5.1.1. A tabela 5.18 ilustra que os resultados obtidos por outros mtodos de otimizao, sendo todos eles aplicados ao mesmo estudo de caso e utilizando-se de tcnicas de otimizao e estratgias diferentes. Estes resultados esto bastante prximos, o que valida a utilizao deste tipo de compensao, valores prximos aos valores obtidos com o AG. O custo da implementao dos capacitores foi satisfatrio, ficou entre os menores custos das otimizaes comparadas na Tabela 5.16. Os dados referentes a tempo de processamento do algoritmo desta simulao no devem ser analisados criticamente com relao aos outros, visto que no possvel garantir que tais resultados foram obtidos em uma mesma infra-estrutura computacional, ou em uma similar, como mencionado anteriormente na simulao do AG. Os dados demonstrados na Tabela 5.14 apresentam os melhores resultados obtidos pela simulao a cada experimento. Os dados apresentados mostram que realizando diversas experincias o algoritmo conseguiu uma convergncia com valores prximos aos atingidos pelo AG. No esquecendo que parmetros como tamanho de populao, geraes so os mesmos. Estas caractersticas so devidas a utilizao do c1 , do c 2 e pelo w , que direcionam s partculas no decorrer da simulao. Estes fatores fazem com que as solues sejam analisadas e encontradas dentro do espao de busca, modificando a posio e velocidade das partculas, influenciando a movimentao da populao. A Tabela 5.17 refora estas informaes, pois nela esto contidos os valores relacionados aos melhores valores dos 30 experimentos, verifica-se que o desvio padro mdio bastante pequeno, o que demonstra que mesmo tendo algumas variveis do problema aleatrias, o algoritmo converge os resultados para um melhor global, no ocorrendo desvios para mnimos locais. Ainda nesta tabela pode ser verificado que a convergncia para o timo global no ocorreu de forma 99

prematura, visto que o valor mdio para obteno do melhor custo foi de 25,56 iteraes, mesmo sendo este valor bem menor que o valor obtido pelo AG tambm apresentado. Usando como base estes valores percebe-se que a PSO conseguiu encontrar bons resultados mais rapidamente com relao ao AG. Ainda pode ser observado uma melhora nos valores de mximo e mnimo de tenso Vi nas barras, no caso sem compensao o valor mximo e mnimo respectivamente foram de 0,9929 e 0,8375, j no caso com a compensao foram de 0,9975 e 0,9010. Alm dos valores de tenso devemos salientar os ganhos relacionados ao custo anual, que para o caso sem compensao era de 131675 e com a compensao capacitiva passou para 118538, gerando uma economia de aproximadamente 10%, sendo igual ao mtodo de busca exaustiva e evoluo diferencial + anlise de sensibilidade. As Tabelas 5.19, 5.20 e 5.23 mostram os resultados para a simulao com todas as 9 barras sendo analisadas. O comportamento do algoritmo se manteve e os ganhos proporcionados pela otimizao so demonstrados. A convergncia mdia para o timo global foi de 29,63, valor um pouco maior que o caso com trs barras, mas previsvel , visto que o problema se torna muito mais complexo com 9 barras, sendo necessrio uma maior procura dentro do espao de busca. Os valores de tenso nas barras melhoraram, como demonstrado na Tabela 5.23. O custo anual caiu de 131675,00 para 115765,06 conforme Tabela 5.23, gerando uma economia de aproximadamente 12%. Analisando os resultados junto ao AG, percebe-se que PSO obteve um resultado melhor, em relao ao tempo de convergncia e em relao ao resultado final, pois o AG obteve um valor de custo anual de 118632,02 e a PSO obteve o valor de 115765,06, demonstrando uma melhora de aproximadamente 2,5%.

100

Tabela 5.19 : Resultados das abordagens de PSO 9 barras (30 experimentos).

CUSTOS 9 Barras EXPER 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 Mdia Mnimo 131.674,69 131.674,69 129.004,86 131.674,69 131.674,69 130.597,41 131.674,69 131.674,69 131.674,69 131.674,69 131.674,69 131.674,69 123.273,42 127.291,24 131.674,69 131.674,69 131.674,69 131.674,69 131.674,69 131.674,69 131.674,69 131.674,69 131.674,69 131.674,69 131.674,69 131.674,69 124.889,43 131.674,69 131.674,69 131.674,69 131.674,69 Mximo 118.375,06 118.135,67 116.359,40 116.569,43 118.496,99 116.980,09 116.721,67 116.249,50 121.499,49 116.173,66 118.004,92 117.444,24 116.337,90 118.573,23 118.492,89 117.352,24 118.747,86 117.855,14 117.139,37 117.456,89 116.541,48 116.415,39 117.005,98 118.534,20 117.616,39 115.765,06 117.188,46 116.605,70 117.465,85 117.501,26 115.765,06 Mdio 119.044,64 118.701,00 116.669,44 117.217,26 119.071,53 117.524,45 117.377,38 116.960,02 122.559,50 116.646,30 118.675,17 117.885,22 116.670,93 118.799,78 119.011,91 117.892,66 119.325,84 118.297,78 117.567,55 118.260,13 117.027,90 117.042,39 117.632,85 119.025,62 118.262,68 116.127,60 117.688,51 117.040,03 117.955,35 117.841,10 117.993,42 Desvio Padro 2.127,77 2.369,17 1.477,42 2.647,53 2.036,92 2.013,82 2.943,48 3.061,09 2.291,50 2.459,47 2.785,56 2.222,27 1.167,14 1.314,39 2.503,14 2.601,43 2.170,75 2.298,27 2.067,37 3.217,55 2.550,30 2.664,34 2.869,71 2.455,75 2.459,87 2.186,43 1.702,60 2.253,01 2.443,96 2.034,21 2.313,21 Geraes para obter o custo mnimo em cada experimento Geraes 38 44 23 34 43 37 32 20 47 27 26 39 31 8 12 11 41 17 64 54 21 21 14 9 44 22 26 40 23 21 29,63

Tabela 5.20 : Mdia da simulao PSO 9 barras (30 experimentos).

CUSTOS MDIOS 9 Barras EXPER 1 Mximo 121.499,49 Mnimo 115.765,06 Mdio 117.993,42 Desvio Padro 1.135,24 Geraes para obter o custo mnimo em cada experimento Desvio Mnimo Mximo Mdio Padro 64 8 29,63 13,88

101

Tabela 5.21 : Resultados das abordagens de PSO 15 barras (30 experimentos).

CUSTOS 15 Barras EXPER 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 Mdia Mnimo 448.616,55 476.122,59 386.123,28 423.643,74 431.749,09 463.491,76 419.339,99 426.809,56 484.596,09 390.881,99 383.839,94 409.436,12 438.882,27 391.106,22 384.161,99 462.386,22 417.275,06 609.840,20 410.448,33 361.012,49 477.108,45 483.620,74 393.899,72 380.349,15 396.256,09 400.028,14 399.879,33 413.866,69 502.476,25 381.777,70 609.840,20 Mximo 342.609,49 342.142,99 344.934,60 347.397,18 346.260,63 344.368,85 344.788,84 350.467,63 341.776,19 342.953,86 345.418,77 342.792,77 341.925,50 340.689,64 341.014,75 344.886,41 341.372,30 343.621,03 340.248,83 340.914,62 341.758,44 339.357,09 341.657,46 352.046,56 341.748,77 339.167,65 343.718,88 338.215,54 340.713,82 346.914,61 338.215,54 Mdio 344.950,57 344.720,15 346.905,63 349.821,95 348.468,04 347.231,94 346.841,06 354.951,02 344.304,61 344.817,92 346.889,56 346.011,13 344.556,10 341.895,53 343.518,91 348.425,14 343.512,81 349.589,18 343.444,15 341.600,53 344.980,71 341.980,79 343.260,22 353.441,60 345.895,75 340.897,87 346.443,86 340.800,30 345.091,01 347.941,72 345.772,99 Desvio Padro 11.825,15 14.141,32 6.282,72 12.777,99 11.012,11 16.985,21 8.440,45 16.684,43 15.396,08 7.919,31 5.650,44 11.568,83 11.708,40 5.749,09 7.155,36 13.948,05 7.348,55 3.420,62 12.215,31 3.442,97 17.811,89 13.946,48 8.271,09 5.433,30 14.036,20 8.533,38 9.425,58 10.238,35 22.182,50 4.754,84 10.610,20 Geraes para obter o custo mnimo em cada experimento Geraes 22 53 35 10 41 9 44 29 12 38 63 57 82 49 159 77 131 28 40 23 39 48 13 21 22 29 81 38 21 66 46,00

Tabela 5.22 : Mdia da simulao PSO 15 barras (30 experimentos).

CUSTOS MDIOS 15 Barras EXPER 1 Mximo 352.046,56 Mnimo 338.215,54 Mdio 343.196,13 Desvio Padro 3.158,38 Geraes para obter o custo mnimo em cada experimento Desvio Mnimo Mximo Mdio Padro 159 9 46 33,96

102

Tabela 5.23 : Resultados da otimizao para o problema de 9 barras.

Com Compensao Parmetros Total de Perdas (KW) Custo Anual ($) barra 1 barra 2 barra 3 barra 4 Compensao barra 5 barra 6 barra 7 barra 8 barra 9 Max -(pu) Min - (pu) Sem Compensao PSO 787,778 131.675,00 0,9929 (barra 1) 0,8375 (barra 9) 689,03 115.765,06 0 3300 1050 4050 0 0 0 1200 0 1 (barra 1) 0.9001 (barra 9)

Vi Vi

Tabela 5.24 : Resultados da otimizao para o problema de 15 barras.

Com Compensao Parmetros Total de Perdas (KW) Custo Anual ($) barra 1 barra 2 barra 3 barra 4 barra 5 barra 6 barra 7 barra 8 Compensao barra 9 barra 10 barra 11 barra 12 barra 13 barra 14 barra 15 Max -(pu) Min - (pu) Sem Compensao 3.630,01 606.211,67 0,9825 (barra 1) 0,6171 (barra 9) PSO 2.045,66 338.215,54 0 4050 0 2550 0 0 1350 1200 1800 0 4050 0 2700 0 0 0,9988 (barra 1) 0.9014 (barra 9)

Vi Vi

103

As Tabelas 5.21, 5.22 e 5.24, mostram os resultados obtidos na simulao do caso com 15 barras, sendo todas elas analisadas quanto compensao capacitiva. Para este caso o total de perdas sem compensao de 606211,67, e com compensao pelo PSO foi de 338215,54, demonstrando uma economia de aproximadamente 50%, isto tambm se reflete no total de perdas, que para sem compensao foi de 3630,01 KW e com compensao foi para 2045,66 KW. O nmero mdio de geraes para a obteno do custo mnimo foi de 46, o que demonstra que o espao de busca foi bastante rastreado, conseguindo assim um resultado bom. Este resultado nos leva a analisar que para problemas mais robustos, maior quantidade de variveis, maiores configuraes o algoritmo PSO pode ser aplicado. Um dado extrado da simulao que deve ser analisado neste caso o desvio padro dos custos mdios que foi de 3158,38, um valor bastante alto numericamente, mas percentualmente manteve-se em torno de 1%, muito prximo ao percentual do desvio padro das outras simulaes.

104

Captulo 6 - Concluso e pesquisa futura

A utilizao de AGs e PSO na resoluo do problema de alocao de capacitores em um sistema de distribuio de energia eltrica se mostrou satisfatrio, reduzindo assim o custo de instalao e manuteno junto a outros mtodos utilizados e comparados, apresentados no captulo 5. Foram abordados trs estudos de casos, o primeiro contendo 9 barras, sendo apenas 3 barras analisadas, e o segundo sendo analisadas todas 9 barras e o terceiro, um caso com 15 barras sendo todas elas analisadas quanto a compensao capacitiva. Tambm foi de grande avalia a anlise dos capacitores existentes no comrcio de forma a diminuir o custo da operao do sistema, visto que valores de KVar tm custos diferentes quando necessrio montagem de associaes entre eles. O mtodo de alocao de capacitores desenvolvido emprega os parmetros inseridos em AGs e PSO desenvolvidos, utilizando uma formulao simplificada do clculo de fluxo de potncia para reduzir as perdas e assegurar o nvel de potencia do sistema de distribuio de energia eltrica. O mtodo demonstra as barras efetivas para a instalao dos capacitores de compensao de acordo com o custo anual determinado. Os resultados obtidos demonstram que o mtodo utilizado em algumas barras se torna o mais rentvel enquanto que em outras o seu custo maior. Como forma de melhoria, futuramente utilizar estratgias hbridas (utilizao de vrias tcnicas evolutivas juntas para a resoluo de um mesmo problema) para um melhor desempenho. Esta dissertao utilizou tcnicas e mtodos de otimizao diferentes para trs estudos de caso, de forma a se obter um melhor resultado na compensao dos capacitores, utilizando-se de um menor tempo computacional e assim diminuir os custo da empresas distribuidoras de energia eltrica. Dentro dos resultados obtidos pode-se comentar que para o caso de 3 barras as duas tcnica obtiveram um valor de custo mnimo igual de 118538, possuindo 105

diferenas nos valores de tenso das barras,

favorecendo o AG, que obteve

melhores valores de tenso, mas tempo de processamento maior. Para as simulaes com 9 barras sendo todas elas analisadas quando a compensao capacitiva, as duas tcnicas tiveram resultados diferentes para os valores mnimos de custo, sendo de 118632 para o AG e de 115765 para a PSO. Os valores de tenso mximo e mnimo de cada tcnica foram de 0,9965 e 0,8516 para AG e 1 e 0,9001 para PSO, sendo os valores da PSO melhores quando comparados aos valores obtidos pelo AG. O valor do custo mnimo da PSO quando comparado ao caso sem compensao gerou uma economia de aproximadamente 12%. Para o caso com 15 barras, simulado em PSO, o total de perdas sem compensao foi de 606211, e com compensao pelo PSO foi de 338215, demonstrando uma economia de aproximadamente 50%, isto tambm se reflete no total de perdas, que para sem compensao foi de 3630 KW e com compensao foi para 2045 KW. A proposta do trabalho futuro se baseia no desenvolvimento de outras alternativas e tcnicas para a resoluo deste mesmo problema focando-se na instalao de bancos de capacitores para a compensao da rede, utilizao de outras tcnicas e at mesmo aprimoramentos, utilizando-se de estratgias hbridas, configurar tcnicas de PSO e AG hbridas com mtodos de busca local do tipo simulated annealing. Comparar os resultados a outros mtodos de otimizaes da computao evolutiva e configurar problemas com mltiplos objetivos utilizando a alocao de banco de capacitores ou problema de telecomunicaes As duas tcnicas utilizadas so apropriadas para problemas de otimizao complexos, que envolvem muitas variveis e um espao de solues de dimenso elevada. Abrangem um grande nmero de aplicaes. Tambm foi verificada que a PSO tem uma grande vantagem com relao aos AGs, pois os AG's possuem um custo computacional mais elevado quando comparado ao PSO,

aproximadamente de 10% a mais do tempo de execuo. 106

Referncias
ANEEL, Agncia Nacional de Energia Eltrica. Informaes do Setor Eltrico. Disponvel em: <www.aneel.com.br> , Acesso em: 03 nov. 2003. ANEEL, Agncia Nacional de Energia Eltrica. Informaes do Setor Eltrico. Disponvel em: <www.aneel.com.br> , Acesso em: 21 mar. 2004. vila, S. L., Algoritmos genticos aplicados na otimizao de antenas refletoras, Dissertao de Mestrado, Programa de Ps Graduao em Engenharia Eltrica, UFSC Santa Catarina, pp. 11-20, 2002. Barreto, A. M. S., Algoritmo gentico dos mnimos quadrados ortogonal para o treinamento de redes RBF, Dissertao de Mestrado, Programa de PsGraduao de Engenharia Civil, UFRJ Rio de Janeiro, pp. 94-117, 2003. Bazan, A., Mantovani, J. R. S.; Romero, R. A.. Expanso de sistemas de distribuio de energia eltrica usando busca-tabu. XV Seminrio Nacional de Distribuio de Energia Eltrica SENDI, 2002. Brady, T., Using computer simulation to mitigate risk in electricity generation/consumption collaboration policies, Purdue University North Central, Westvillo, 2002. Castro, R. E., Otimizao de algoritmos multi-objetivos via algoritmos genticos de pareto, Tese de Doutorado, Programa de Engenharia Civil, UFRJ Rio de Janeiro, 2000. Coelho, L. S., Sandrini, F. T., Otimizao de banco de capacitores em sistemas secundrios de distribuio de energia eltrica usando abordagens de enxame de partculas, VII Congresso Brasileiro de Redes Neurais, Natal, RN 2005. Cossi, A. M.; Mantovani, J. R., Planejamento de circuitos secundrios de distribuio usando algoritmo evolutivo especializado, Dissertao de Mestrado, Departamento de Engenharia Eltrica UNESP, Ilha Solteira, SP, 2003.

107

Costa, A. M., Otimizao do planejamento de rede secundria de distribuio de energia eltrica, Faculdade de Engenharia Eltrica e de Computao, Departamento de Engenharia de Sistemas, Universidade Estadual de Campinas, pp. 71-82, 2002. Eberhart R. C., Shi Y., Evolving artificial neural networks in Proceeding of International Conference Neural Networks and Brain, Beijing, P.R.China, 1998. Eberhart, R. C., Shi, Y., "Tracking and optimizing dynamic system whih particles swarms", IEEE Evolutionary Computation, pp. 94-100, 2001. Ferreira, S. M., Algoritmos de otimizao para redes de telecomunicaes, Dissertao de Mestrado, Centro de Pesquisa e Desenvolvimento em Engenharia Eltrica, UFMG, Minas Gerais, 2000. Goldberg, D. E., Genetic algorithms in search, optimization and machine learning, Addison-Wesley Wesley Longman Inc., New York, 1989. Gmez, J. F., Khodr, H. M., Ant colony system algorithm for the planning of primary distribution circuits, IEEE Transactions on power systems, 2004. Holland, J. H., Adaptation in natural and artificial systems .Ann Arbor:University of Michigan Press, 1975. Jingdong, X.; Guoqing, T., The application of genetic algorithms in the multi-objective transmission network planning, Department of Electrical

Engineering, Southeast University, China, 1997. Kennedy J., Eberhart R.C., Particle swarm optimization. Proceedings of IEEE International Conference on Neural Networks, IV: pp. 19421948, 1995. Kitagawa, S., Fukuyama, Y., Comparison of particle swarm optimizations for optimal operational planning of energy plants, Information & Control Technology Department, Fuji Electric Advanced Technology Co., Tokyo, 2005. Laughton, M.A., Genetic algorithms in power system planning and operation, Department of Electronic Engineering, Queen Mary e Westfield College, University of London, 1995.

108

Leite, P.; Carneiro, A., Energetic operation planning using genetic algorithmos, IEEE Transactions on Power Systems, vol17, n.1, pp. 173-179, 2002. Milonas, M. M., Swarms, phase transitions, and collective intelligence, In C. G. Langton, Ed., Arti_cial Life III, Addison Wesley, Reading,MA, 1994. Miranda, M. N., Algoritmos genticos: fundamentos e aplicaes, Grupo de Teleinformtica e Automao, UFRJ, 1998, disponvel em:

<www.gta.ufrj.br/~marcio/genetic.html >, Acesso em: 10 dez 2003. Naka, S., Fukuyama, Y., Pratical distribution state estimation using hibrid particle swarm optimization, IEEE Power Engineering Sociey Winter Meeting, Columbus, Ohio, 2001. Parada, V., Ferland, A. J., Arias, M., Optimization of electrical distribution feeders using simulated annealing, IEEE Transactions on Power Delivery, vol 19, pp. 1135-1141, 2004. Parsopoulos, K. E., Vrahatis, M. N.. Recent approaches to global optimization problems through aarticle swarm optimization, Department of Mathematics, University of Patras Artificial Intelligence Research Center, Greece, 2002. Pinheiro, F. P., Aplicao de um algoritmo gentico no estudo das perdas e do controle de tenso em sistemas eltricos de potncia, Dissertao de Mestrado, Centro de Pesquisas e Desenvolvimento em Engenharia Eltrica, UFMG, Minas Gerais, 1998. Robinson J., Sinton S., Rahmat-Samii Y., Particle swarm, genetic algorithm, and their hybrids: optimization of a profiled corrugated horn antenna, in Proc. IEEE Int. Symp. Antennas Propagation, vol. 1, San Antonio, TX, pp. 314 317, 2002. Robinson, J., Rahmat, S. Y., "Particle Swarm Optimization in

Electromagnetics", IEEE Transactions on Antennas and Propagation, vol 52, n 2, 2004.

109

Selow, R.; Lopes, H.; Neves, F. Algoritmos genticos para o problema de aninhamento na indstria de embalagens: um estudo com modelos reduzidos, Programa de Ps Graduao em Engenharia Eltrica e Informtica IndustrialCPGEI, CEFET-PR, Curitiba,PR. Sierakowski, C. A., Coelho, L. E., "Otimizao por enxame de partculas aplicadas ao planejamento de trajetrias de robs mveis: Novas Abordagens e Comparativo", XXIV Congresso Brasileiro da Sociedade Brasileira de

Computao, 2004. Siqueira, M.; Sanches, J. R.; Lzaro, R. A., Planejamento da expanso em sistemas de distribuio de energia eltrica usando um algoritmo de branch-and bound Especializado, Dissertao de Mestrado, Departamento de Engenharia Eltrica - UNESP, Ilha Solteira, SP, 2001. Soares, M., MySpace - Eletricidade e eletromagnetismo. Disponvel em: <http://www.myspace.eng.br/eng/enel/enel1A.asp> , Acesso em: 14 mar. 2005. Su, C. T.; Chang, C.; Chiou, J. Distribution network reconfiguration for loss reduction by ant colony search algorithm, Elservier, Electric Power Systems Research, vol 75, pp. 190-199. 2005. Su, C. T., Lee, C. S., Ho, C. S.. Optimal selection of capacitors in distribution systems, IEEE Power Tech Conf, National Chang Cheng University, Chiayi, Taiwan, P 301, 1999. Su, C. T.; Lee, C. S.. Modified Differential Evolution Method for Capacitor Placement of Distribution System, IEEE/PES , Transmission and Distribution Conference and Exhibition, pp. 208-213, 2002. Su, C. T.; Tsai, C. C.. A new fuzzy reasoning approach to optimum capacitor allocation for primary distribution systems, IEEE Transactions on Industrial Technology Conference, Cheng University, Taiwan, China, pp. 237-241, 1996.

110

Sundhararajan, S.; Pahwa, A., Optimal selection of capacitors for radial distribution systems using a genetic algorithms, Department of Electrical and Computer Engineering, Kansas State University, Manhattan, 1994. Tanomaru, J., Motivao, fundamentos e aplicaes de algoritmos genticos, Congresso Brasileiro de Redes Neurais, Curitiba, PR, 1995. Ursem, K. R., "Diversity-guided evolutionary algorithms", Department of Computer Science, University of Aarhus, Denmark, 2002. Valente S.A., Lopes, H.S., Arruda, L.V.R. Algoritmos genticos no problema de balanceamento de linhas de montagem: uma aplicao real numa linha automotiva. Anais do V Simpsio Brasileiro de Automao Inteligente - SBAI, Canela, RS, 2001. Vesterstrom, S. J., Riget J., "Particle swarms - extensions for improved local, multi-modal, and dynamic search in numerical optimization", Department of Computer Science, University of Aarhus, 2002 Yoshida, H., Fukuyama, Y., "A Particle swarm optmization for reactive power and voltage control considering voltage security assessment", IEEE Transactions on power systens, vol 15, n4, pp. 1232-1239, 2001.

111