Escolar Documentos
Profissional Documentos
Cultura Documentos
formado pelas variveis de deciso que otimizam as funes objetivo e
satisfazem as restries.
Valor timo: o valor da funo objetivo ) (
*
x f no ponto timo.
Otimizao Multiobjetivo 29
Soluo tima: A soluo tima para cada funo j o par formado pelo
ponto timo e o valor timo )) ( , (
* *
x f x
j
.
2.1 PROBLEMAS DE OTIMIZAO MULTIOBJETIVO
Um problema de otimizao multiobjetivo (MOOP, do ingls Multi-
objective Optimization Problem), composto por um conjunto de n variveis de
deciso, k funes objetivo, m restries de igualdade e l restries de
desigualdade, pode ser matematicamente definido como:
( ) ( ) ( ) ( ) [ ]
T
k
x f x f x f x f Z , , , Minimizar
2 1
K (3.5)
Sujeito a:
( ) m i x g
i
, , 1 , 0 K (3.6)
( ) l i x h
i
, , 1 , 0 K (3.7)
n
R S S x (3.8)
( ) ( ) ( ) [ ] [ ] 2 , , , , , ,
2 1 2 1
k z z z x f x f x f Z
T
k
T
k
K K (3.9)
Sendo S o espao de decises e Z o conjunto imagem de S denominado
espao objetivo.
Em outras palavras, a definio do problema de otimizao multiobjetivo
significa encontrar um ponto timo
* * * *
1 2
, , ,
T
n
x x x x 1
]
K que otimize as funes
objetivos e satisfaa as restries de igualdade (3.6) e de desigualdade (3.7). O
Otimizao Multiobjetivo 30
vetor
*
x ser reservado para representar as solues timas (que normalmente
um conjunto de solues).
2.2 CONJUNTO DAS SOLUES FACTVEIS E ESPAO OBJETIVO
FACTVEL
O conjunto das solues factveis
*
S definido como o conjunto das
variveis de deciso x que satisfazem as restries de igualdade ( ) x g
i
e
desigualdade ( ) x h
i
.
( ) ( ) { }
*
/ 0 0 S x S g x h x (3.10)
Qualquer ponto x em
*
S define uma soluo factvel. A imagem do
conjunto das solues factveis
*
S denominada Espao Objetivo Factvel. Este
espao representado por
*
Z definido como:
( ) ( ) ( )
{ }
* * *
1 2
( ) , , , ,
T
k
Z f S f x f x f x x S 1
]
K (3.11)
2.3 SOLUES PARETO-TIMAS
Num problema de otimizao multiobjetivo, normalmente os objetivos so
conflitantes, e no existe uma nica soluo que seja tima simultaneamente para
todos os objetivos. Neste caso, tenta-se encontrar solues que so bons
compromissos (trade-off) ao invs de uma nica soluo tima global como no
caso da otimizao mono-objetivo.
Geralmente, a soluo de problemas multiobjetivo caracterizada por um
conjunto de pontos factveis, que denominado conjunto eficiente ou Pareto-
timo. Este conjunto representa uma curva de trade-off entre os objetivos, ou seja,
Otimizao Multiobjetivo 31
todos os valores de funo objetivo que fazem parte desta fronteira so solues
atrativas para o problema multiobjetivo sob anlise, e compete ao tomador de
decises adotar a mais adequada para soluo do problema.
O entendimento de timo mais comumente utilizado na literatura foi
proposto por Francis Ysidro Edgeworth em 1881, e generalizado por Vilfredo
Pareto em 1896. Alguns autores o chamam de Edgeworth-Pareto-timo, porm,
mais comumente conhecido como Pareto-timo [Coello, 1996].
A maioria das tcnicas multiobjetivo utiliza o conceito de Dominncia de
Pareto para a avaliao das solues factveis. Segundo este conceito, todas as
solues (vetor de deciso) so comparadas duas a duas sendo verificada a
dominncia ou no de uma sobre a outra.
Segundo Deb [Deb, 2001], o conceito de dominncia pode ser descrito
como segue:
Definio 1: Dominncia de Pareto
Dados dois vetores de deciso
*
x e
* *
S y , ento, a soluo x
domina a
soluo
*
y (representada como
* *
y x p ) se as seguintes condies so
satisfeitas:
1. A soluo
*
x
no pior que
*
y em todos os objetivos;
2. A soluo
*
x
estritamente melhor que
*
y pelo menos em um
objetivo.
A partir destas condies, tm-se trs possveis critrios de dominncia
para os seus correspondentes vetores objetivos:
i. Dominncia:
* *
* *
domina
x y
x y
'
p
* *
( ) ( ) 1, ,
i i
f x f y i k < K
Otimizao Multiobjetivo 32
ii. Dominncia Fraca:
* *
* *
domina fracamente
x y
x y
'
p
* *
( ) ( ) 1, ,
i i
f x f y i k K
iii. Indiferente (So vetores de deciso no dominados entre si):
* *
* *
~
indiferente a
x y
x y
'
*
( )
i
f x
*
( ) 1, ,
i
f y i k K
Em outras palavras, dizer que o vetor de deciso
*
x indiferente ao
vetor
*
y significa que estes vetores so no dominados entre si mesmos. O
critrio de dominncia analisado numericamente para facilidade de
entendimento atravs do Exemplo 1 a seguir.
Exemplo 1: Dominncia de Pareto
Considere um problema de minimizao com trs funes objetivo. Dados
trs vetores de deciso
* *
1 2
1, 2 1, 2
3, 8 , 4,1
2, 7 2, 7
x x
1 1
1 1
1 1
1 1
] ]
e
* *
3
0 , 3
9 , 3
4 , 2
S x
1
1
1
]
1
e sendo
, 1, 2, 3
i
f i as funes identidade, ento tem-se que:
i.
{
* *
1 3
: x x p pois
1, 2 2, 4
3, 8 3, 9
2, 7 3, 0
<
<
'
<
ii.
{
* *
1 2
x x
p : pois
1, 2 1, 2
3, 8 4,1
2, 7 2, 7
<
'
Otimizao Multiobjetivo 33
iii.
{
* *
2 3
~ x x : pois
1, 2 2, 4
4,1 3, 9
2, 7 2, 7
<
>
'
Na Figura 3.1 tem-se por finalidade ilustrar a dominncia de Pareto no
espao objetivo factvel
*
Z . Nesta figura, o ponto C domina os pontos
pertencentes ao subconjunto do espao objetivo II. Os pontos pertencentes ao
subconjunto III dominam o ponto C e os pontos C, D e G so indiferentes.
I: Indiferente com C
II : Dominados por C
III: Dominam C
IV: Indiferente com C
.
.
.
.
.
.
.
.
.
.
.
.
2
f
1
f
A
B
C
D
E
F
G
I
II
III IV
Figura 3.1: Dominncia de Pareto no espao objetivo factvel.
importante observar que apesar da dominncia ser definida no espao
das variveis de deciso a comparao entre as duas solues (A e B) realizada
no espao das funes objetivo, ou seja, o critrio de dominncia verificado
utilizando-se os resultados da avaliao de cada um dos objetivos. Na Figura 3.2
ilustra-se a diferena entre o espao das variveis de deciso e o espao das
funes objetivo.
Otimizao Multiobjetivo 34
1 2 3
1
2
1 2 3
1
2
3
4
5
6
x
y
1
f
2
f
[ ]
( )
( )
[ ]
( )
( )
B A que temos
6 1 e 2 1 Como
6 1 4 9 2 , 3
2 1 2 3 2 , 3
2 , 3
1 1 1 1 1 , 1
1 1 1 1 1 , 1
1 , 1
2
1
2
1
p
B A B A
f
f
B
f
f
A
< <
+
+
+
+
e
s
o
b
j
e
t
i
v
o
g(x)
h(x)
Figura 3.5: Funes objetivo do problema
2
f [Schaffer,1984].
Otimizao Multiobjetivo 39
0 5 10 15 20
0
2
4
6
8
10
12
14
16
g(x)
h
(
x
)
Solues no-dominadas 1
Fronteira de Pareto
Solues no-dominadas 2
Figura 3.6: Identificao da fronteira Pareto-tima - funo
2
f [Schaffer,1984].
Como este exemplo apresenta apenas dois objetivos fcil identificar a
fronteira de Pareto. Todavia para problemas maiores muitas vezes impossvel
uma anlise grfica do problema sob anlise. Para tal finalidade necessrio o uso
de mtodos computacionais.
2.5 PRINCIPAIS DIFERENAS ENTRE OTIMIZAO MULTIOBJETIVO
E MONO-OBJETIVO
Segundo Deb [Deb, 2001], a otimizao multiobjetivo diferencia da
otimizao mono-objetivo em trs importantes aspectos:
1. Nos problemas de otimizao mono-objetivo tem-se como objetivo
encontrar uma soluo tima global (mximo ou mnimo) enquanto nos
problemas de otimizao multiobjetivo pode existir mais de um timo
global. Na otimizao multiobjetivo encontrar o conjunto de solues da
fronteira de Pareto to importante quanto preservar a diversidade neste
conjunto. Desta forma, um algoritmo eficiente para a otimizao
multiobjetivo deve considerar estes dois aspectos.
Otimizao Multiobjetivo 40
2. Nos problemas de otimizao multiobjetivo trabalha-se com os espaos
das variveis e dos objetivos, enquanto os problemas com um objetivo
trabalham unicamente no espao das variveis j que procuram apenas
uma soluo no espao dos objetivos. Desta forma, manter a diversidade
nos espaos das variveis e dos objetivos torna a soluo dos problemas
multiobjetivo mais complicadas, pois a proximidade de duas solues no
espao das variveis no implica proximidade no espao dos objetivos.
3. TCNICAS PARA OTIMIZAO MULTIOBJETIVO
A soluo dos problemas de otimizao multiobjetivo consiste em
determinar, no espao objetivo factvel, o conjunto eficiente ou um subconjunto
do conjunto eficiente ou ainda, um conjunto de solues prximas da fronteira
Pareto-tima.
A maior dificuldade em otimizao multiobjetivo a existncia de
objetivos conflitantes, isto , nenhuma das solues factveis otimiza
simultaneamente todos os objetivos. As solues timas so, geralmente,
diferentes e no satisfazem as necessidades do tomador de decises (decisor). Na
soluo dos problemas de otimizao multiobjetivo podem-se destacar dois
aspectos importantes:
Busca de solues: Este aspecto refere-se ao processo de otimizao no
qual a regio factvel direcionada para as solues Pareto-timas. Pois a
busca pode se tornar difcil devido a dimenso e a complexidade do espao
de busca, podendo inviabilizar o uso de mtodos exatos.
Tomada de decises: A tomada de deciso envolve a seleo de um
critrio adequado para a escolha de uma soluo do conjunto Pareto-
Otimizao Multiobjetivo 41
timo. necessrio que o tomador de decises ou decisor faa uma
ponderao (trade-off) dos objetivos conflitantes.
Baseado no ponto de vista do decisor, os mtodos de otimizao
multiobjetivo podem ser classificados em trs categorias descritas a seguir:
Mtodos a priori: Estes mtodos so caracterizados pela participao do
decisor antes do processo de busca de soluo, i.e., antes de resolver o
problema.
Mtodos a posteriori: Os mtodos dessa classe so executados sem a
interveno do decisor, com o objetivo de gerar o conjunto de solues
aproximadas ou Pareto-timas. A partir deste conjunto, o decisor deve
selecionar uma soluo de compromisso para o problema.
Mtodos iterativos: Nestes mtodos, o decisor intervm durante o
processo de otimizao (busca da soluo) articulando preferncias e
guiando a busca para regies onde existam solues de interesse.
Desde que o economista Vilfredo Pareto introduziu, em 1896, o conceito
de soluo compromisso, tem-se desenvolvido um grande nmero de tcnicas de
otimizao multiobjetivo, tanto tradicionais como alternativas (Algoritmos
Evolutivos, Simulated Annealing, Busca Tabu, entre outras). Neste captulo,
abordam-se apenas as tcnicas tradicionais.
3.1 MTODOS TRADICIONAIS DE OTIMIZAO MULTIOBJETIVO
A literatura referente aos mtodos de otimizao tradicionais utilizados
para a soluo dos problemas multiobjetivo vasta. Uma boa reviso das tcnicas
de programao matemtica para soluo dos MOOP pode ser encontrada em
[Coello,1996], entre outras.
Otimizao Multiobjetivo 42
Para encontrar as solues timas, os mtodos clssicos convertem o
MOOP original em um problema equivalente com um nico objetivo, reduzindo a
otimizao vetorial a um problema de otimizao escalar. O problema equivalente
possui algumas restries adicionais e para sua soluo faz-se necessria a
definio de alguns parmetros. Estes parmetros so definidos durante a
apresentao de dois mtodos que tm sido muito aplicados para resolver os
problemas de otimizao multiobjetivo de diversas reas. Estes mtodos so
descritos a seguir.
3.1.1 Mtodo da soma ponderada
Este mtodo consiste na adio de todas as funes objetivo
simultaneamente, utilizando diferentes coeficientes ponderados (parmetros) para
cada objetivo. Deste modo, o problema multiobjetivo original transformado em
um problema escalar mono-objetivo como:
) (
1
x f w Min
i
k
i
i
(3.15)
sendo 0
i
w os coeficientes ponderados que representam a importncia relativa
dos objetivos
i
f no problema de otimizao sob estudo. Estes pesos, geralmente,
so normalizados, tal que:
1
1
k
i
i
w
(3.16)
A soluo do novo problema corresponde, sob determinadas condies, a
pontos do conjunto Pareto-timo do problema multiobjetivo original. As
Otimizao Multiobjetivo 43
condies suficientes para que a soluo do problema equivalente seja Pareto-
tima so dadas pelos teoremas
1
apresentados abaixo:
Teorema 1: Se S um conjunto convexo, ( ) ( ) ( )
1 2
, , ,
k
f x f x f x K so funes
convexas definidas em S e
*
x um ponto Pareto-timo. Ento,
existe um vetor de pesos
1
/ 0 1
k
i
i
w W w w e w
' )
tal que
*
x resolve o problema (3.15).
Teorema 2:
*
x uma soluo Pareto-timo para um MOOP convexo se existir
um vetor de pesos w W tal que
*
x resolve o problema (3.15) e,
pelo menos, uma das condies abaixo satisfeita:
i. 0
i
w > , 1, , i k K [Bazaraa, 1993];
ii.
*
x soluo nica do problema (3.15).
O Teorema 2 garante que se um MOOP convexo, ento, qualquer
soluo Pareto-tima pode ser encontrada atravs deste mtodo. Para encontrar as
solues Pareto-timas, necessrio resolver iterativamente o problema (3.15),
considerando 0
i
w > e diferentes valores para
i
w . A definio dos pesos
apropriados, de acordo com a importncia dos objetivos, uma tarefa do tomador
de decises.
Seja um problema multiobjetivo com dois objetivos e um vetor de pesos
( )
1
2
,
T
w w w para minimizar a seguinte funo:
S x x f w x f w y + ) ( ) (
2 2 1 1
(3.17)
1
As provas dos teoremas poder ser encontradas em [Chankong e Haimes, 1983]
Otimizao Multiobjetivo 44
Dividindo a equao (3.17) por
2
w define-se uma reta tangente (ou
suporte) ao espao objetivo factvel em um ponto Pareto-timo. Esta reta
denominada L e descrita como segue:
2
1
2
1
2
) ( ) (
w
y
x f
w
w
x f + (3.18)
sendo
1
2
w
w
a inclinao da reta L e
2
y
w
a interseco da reta L com o eixo
2
f
no ponto
2
y
w
.
Resolver um problema multiobjetivo atravs do mtodo da soma
ponderada consiste em gerar diferentes retas suportes, definidas pelo vetor de
pesos. Em geral, nem todos os pontos Pareto-timos admitem retas tangentes. Na
Figura 3.7, ilustra-se um exemplo de um problema multiobjetivo no-convexo.
Neste exemplo, a fronteira Pareto-tima est dividida em 3 regies (BD, DG e
GH). Na regio DG, os pontos C e F no possuem retas tangentes, i.e., estes
pontos no podem ser encontrados pela minimizao da funo y (equao 3.17).
Em outras palavras, pode-se dizer que, para qualquer reta tangente a um
ponto na regio BC, existir uma outra reta tangente s regies BD ou GH com
um valor menor para a funo y .
A principal desvantagem deste mtodo que ele no consegue gerar todas
as solues Pareto-timas quando o espao objetivo no-convexo, conforme
ilustrado na Figura 3.7.
Otimizao Multiobjetivo 45
F
B
.
D
B
.
G
B
.
C
B
.
B
.
.
L
2
w
y
Espao objetivo
factvel
2
f
E
B
.
H
B
.
1
f
A
.
.
Figura 3.7: Interpretao grfica do mtodo das soma ponderada.
3.1.2 Mtodo das -restries
Haimes e colaboradores [Haimes et al., 1971] apud [Deb, 2001] sugeriram
reformular um problema multiobjetivo considerando qualquer um dos objetivos, e
mantendo restritos os demais objetivos com valores definidos pelo decisor, isto ,
o mtodo consiste na minimizao do objetivo com maior prioridade sujeito
limitao dos demais objetivos. Sendo
1
f o objetivo de maior importncia, o
problema pode ser formulado como segue:
1
*
( )
. .
( ) 2, ,
i i
Min f x
s a
f x i k
x S
K
(3.19)
sendo
i
os limitantes superiores dos objetivos i, k i , . 2 K .
Este mtodo baseia-se nos Teoremas a seguir:
Otimizao Multiobjetivo 46
Teorema 3: Se
*
x uma soluo Pareto-timo para um problema multiobjetivo,
ento, existem inteiros 1, , i k K e reais
i
, tais que
*
x resolvem o
problema (3.19).
Teorema 4: Se
*
x soluo nica de (3.19), para algum 1, , i k K , ento,
*
x
uma soluo Pareto-tima.
Teorema 5: Se
*
x Pareto-tima, ento,
*
x resolve o problema (3.19), i .
Na Figura 3.8 ilustra-se um exemplo hipottico deste mtodo
considerando-se um problema com dois objetivos
( )
1 2
e f f . Neste exemplo,
mostra-se a importncia de uma seleo adequada do limitante superior. A reta
2
k limita o espao das solues e os pontos C, D, E, F, G e H so as solues
factveis do problema.
2
f
1
f
.
.
.
.
.
.
.
.
A
.
B
.
D
B
C
B E
B
F
B
G
B H
B
Espao objetivo
factvel
Espao objetivo
infactvel
k
k
Figura 3.8: Interpretao grfica do mtodo das -restries.
Na Figura 3.8 mostra-se claramente que se o limitante superior no
selecionado adequadamente ( )
2
' k o subespao obtido pelas restries pode ser
vazio, isto , o problema (3.19) no possui soluo.
Otimizao Multiobjetivo 47
3.1.3 Vantagens e Desvantagens das Tcnicas Tradicionais
A principal vantagem das tcnicas tradicionais so as provas de
convergncias que garantem encontrar as solues Pareto-timas. Por outro lado,
verifica-se que nos mtodos apresentados nas sees anteriores, que o problema
multiobjetivo original transformado em um problema de otimizao mono-
objetivo. Esta transformao efetuada atravs da introduo de parmetros
adicionais que afetam diretamente os resultados obtidos. Alm disso, uma
distribuio uniforme destes parmetros adicionais no garante a diversidade das
solues Pareto-timas.
4 CONSIDERAES FINAIS
Neste captulo foram introduzidas as noes bsicas de otimizao
multiobjetivo. Apresentou-se o modelo geral para um problema multiobjetivo e as
principais diferenas entre os problemas de otimizao multiobjetivo e mono-
objetivo, assim como, as tcnicas tradicionais mais utilizadas em diversas reas.
No prximo captulo so apresentados os Algoritmos Evolutivos Multiobjetivo,
enfatizando as caractersticas que permitem empreg-los com sucesso, na
resoluo do problema de Despacho timo de Potncias Ativa e Reativa em
sistemas multimercados.
IV - Algoritmos Evolutivos Para
Otimizao Multiobjetivo
este captulo enfoca-se a aplicao dos Algoritmos Evolutivos, em
particular os Algoritmos Genticos, para a soluo dos problemas
de otimizao multiobjetivo. So apresentados os conceitos e os principais
aspectos prticos para implementao de algoritmos genticos, dedicados
soluo de problemas fsicos reais.
1. Introduo ...................................................................................................49
2. Algoritmos Genticos ..................................................................................50
3. Algoritmos Genticos para a Otimizao Multiobjetivo ...............................63
4. Consideraes Finais ..................................................................................68
N
Algoritmos Evolutivos Multiobjetivos 49
1. INTRODUO
Desde que Rosenberg mencionou em 1967 o potencial dos Algoritmos
Evolutivos (AEs) para resolver os problemas de otimizao multiobjetivo tem-se
observado um grande interesse por parte dos pesquisadores no desenvolvimento
de conceitos tericos de algoritmos evolutivos multiobjetivo. Este interesse
justifica-se devido ao fato de que os problemas do mundo real, normalmente,
admitem diferentes funes objetivo, em geral conflitantes entre si. Por outro
lado, a grande expanso na utilizao dos AEs para resolver os problemas
multiobjetivo garantiu a esta rea uma linha de pesquisa prpria, denominada
otimizao evolutiva multiobjetivo.
Os mtodos baseados em metaheurticas realizam um conjunto de
transies atravs do espao de solues do problema e, nesse processo de
transies, deve-se passar pela soluo tima ou solues quase timas de
problemas complexos. Esta caracterstica torna os AEs apropriados para a
resoluo dos problemas multiobjetivos, principalmente quando se deseja
conhecer o conjunto das solues Pareto-timas, alm disso, estes mtodos so
flexveis, de fcil implementao e tm a capacidade de encontrar solues de boa
qualidade em problemas complexos.
Os principais objetivos das metaheursitcas de otimizao multiobjetivo
so:
Guiar a busca na direo da regio ou conjunto Pareto-timo;
Manter a diversidade da populao na fronteira de Pareto.
A maioria das publicaes envolvendo a soluo de problemas de
otimizao multiobjetivo atravs de metaheursticas so baseadas em Algoritmos
Algoritmos Evolutivos Multiobjetivos 50
Genticos (AGs)
1
. Esta preferncia deve-se ao fato dos AGs trabalharem com uma
populao de solues que podem conter informaes sobre vrias regies do
espao de busca. Desta forma, os AGs oferecem maiores possibilidades para
encontrar o conjunto Pareto-timo ou uma aproximao dele [Arroyo, 2002].
O primeiro algoritmo gentico, para o tratamento de problemas
multiobjetivos (Vector Evaluated Genetic Algorithm, VEGA), foi apresentado por
Schaffer [Schaffer, 1984]. Atualmente existem inmeras trabalhos publicados
envolvendo os Algoritmos Evolutivos Multiobjetivos (MOEA)
2
.
Neste captulo, so apresentadas as caractersticas fundamentais das
principais pesquisas e/ou implementaes desenvolvidas para aplicao de MOEA
em problemas de engenharia. Informaes mais detalhadas sobre cada tcnica
podem ser encontradas no livro publicado por Coello, Van Veldhuizen e Lamont
em 2002 [Coello et al., 2002].
2. ALGORITMOS GENTICOS
Algoritmos Genticos foram introduzidos por John Holland em 1975
[Holland, 1975] e fazem parte da rea de Computao Evolutiva, que constitui
uma famlia de mtodos computacionais inspirados na evoluo natural das
espcies. Os AGs so mtodos flexveis e tm a capacidade de produzir solues
de boa qualidade em problemas complexos e de grande porte. Por esta razo tm
sido aplicados com enorme sucesso em uma grande variedade de problemas em
otimizao combinatria NP-Completos e NP-Difceis [Goldberg, 1989;
Michalewicz, 1996].
1
Segundo [Jones et al., 2002] cerca de 70% das metaheursticas aplicadas ao MOOP apresentadas
na literatura so AEs , enquanto 24 % so baseadas no mtodo Simulated Annealing e apenas 6%
referem-se ao Tabu Search.
2
Do ingls Multiobjective Evolutionary Algorithms (MOEA).
Algoritmos Evolutivos Multiobjetivos 51
Quando utilizados no contexto de otimizao, os Algoritmos Genticos
apresentam as seguintes vantagens em relao s tcnicas clssicas de
programao matemtica:
Trabalham com uma codificao para as solues potenciais;
Empregam tcnicas de transio probabilsticas sobre um conjunto de
solues, diversificando a busca;
No necessitam de informaes adicionais, como derivadas, sobre a
funo objetivo e dessa forma a regio vivel pode ser um conjunto
convexo, ou at mesmo disjunto, e a funo objetivo pode possuir
simultaneamente variveis reais, lgicas e inteiras, ser no-convexa e
no-diferencivel;
Diminuem o risco de apresentar como soluo um ponto timo local e,
portanto, so mais adequados para trabalhar com problemas
multimodais;
So de fcil implementao, possibilitam uma grande flexibilidade em
relao ao tratamento da funo objetivo e apresentam um bom
desempenho para uma grande escala de problemas do mundo real.
Os algoritmos genticos so indicados para problemas complexos de
otimizao, onde existem muitos parmetros e variveis; com condies e
restries de difcil modelagem matemtica (problemas mal estruturados); com
um grande espao de busca; e problemas multiobjetivos, isto , problemas onde
uma coleo de objetivos devem ser minimizados (ou maximizados). Os
Algoritmos Genticos permitem ainda que estes sejam acoplados a qualquer outro
mtodo matemtico que auxilie no processo de busca, originando os chamados
algoritmos hbridos, melhorando seu funcionamento [Glass et al., 1992; Ishibuchi
et al., 2000].
Algoritmos Evolutivos Multiobjetivos 52
As principais desvantagens para a utilizao de Algoritmos Genticos so:
elevado custo computacional, uma vez que necessitam de um grande nmero de
avaliaes da funo objetivo para sua minimizao (ou maximizao);
dificuldade para achar o timo global exato; grandes possibilidades de
configuraes que podem complicar a resoluo do problema sob estudo.
Quando um Algoritmo Gentico (AG) aplicado a um problema de
otimizao, cada soluo do problema deve ser codificada ou representada na
forma de uma estrutura finita (vetor, matriz, etc.). Em seguida, devem ser
definidos os operadores genticos de seleo, recombinao, mutao e
estratgias de elitismo. Estes operadores devem ser escolhidos de acordo com as
caractersticas intrnsecas do problema. Antes de aplicar um algoritmo gentico
para a soluo de problema de otimizao, vrios parmetros devem ser
especificados, tais como tamanho da populao, probabilidade de recombinao e
probabilidade de mutao.
A Figura 4.1 mostra detalhadamente o fluxo de um algoritmo gentico
simples. O critrio de parada alcanado quando um nmero de geraes
previamente definido alcanado, quando uma soluo suficientemente boa
encontrada ou quando o sistema no consegue mais evoluir.
Algoritmos Evolutivos Multiobjetivos 53
no
Incio
Inicializar a Populao
gen = 0
Avaliao Atribui a aptido
Critrio de Parada ?
Seleo/
Recombinao
Cruzamento
Fim
Mutao
gen = gen + 1
sim
Figura 4.1: Estrutura bsica de um Algoritmo Gentico Simples [Deb, 2001].
Nas prximas sees apresentam-se os vrios estgios envolvidos na
implementao de um algoritmo gentico.
2.1 REPRESENTAO E CODIFICAO DO INDIVDUO
Os indivduos com os quais o AG trabalha representam uma soluo
candidata resoluo do problema em questo. Encontrar a melhor representao
para uma soluo candidata de acordo com o problema sempre desejvel.
Existem vrias maneiras de representar um indivduo em um AG. A mais simples
e comumente utilizada a representao binria de tamanho fixo, em que um
indivduo uma cadeia de bits que assumem valores 0 ou 1. Porm, essa
Algoritmos Evolutivos Multiobjetivos 54
representao torna-se problemtica quando as variveis a serem representadas
assumem valores contnuos [Freitas, 2002]. Em casos em que a representao
binria no a mais natural nem a mais apropriada, outros tipos de representao
podem ser utilizados de acordo com a natureza fsica do problema sob anlise,
como sugerido em [Michalewicz, 1996].
2.2 GERAO DA POPULAO INICIAL
A gerao da populao inicial geralmente se d de modo aleatrio.
Eventualmente, pode ser vantajoso utilizar algum tipo de heurstica,
acrescentando alguns indivduos sabidamente bem avaliados ou definindo uma
distncia mnima entre cromossomos. De modo geral, deve-se garantir a
diversidade dos indivduos, isto , garantir que os indivduos estejam
uniformemente distribudos por todo o espao de busca [Telles e Barbosa, 1998].
O tamanho da populao Npop indica o nmero de indivduos em cada populao
e em geral permanece constante durante a evoluo. Quanto maior a populao,
maior a diversidade de solues e maior o custo computacional, em funo do
maior nmero de avaliaes da funo de aptido. Assim, o tamanho da
populao influencia diretamente o desempenho dos algoritmos genticos. Para a
escolha de Npop comum utilizar alguma estratgia que relacione o tamanho da
populao com o tamanho do cromossomo, utilizando populaes maiores para
cromossomos grandes e assim garantindo uma boa diversidade.
2.3 AVALIAO DA POPULAO
A avaliao de um determinado indivduo se d utilizando a funo
aptido, ou de adequabilidade, que fornece uma medida da qualidade da soluo
potencial deste indivduo. Para problemas de otimizao ela est intimamente
ligada funo objetivo do problema. Em problemas de maximizao, por
Algoritmos Evolutivos Multiobjetivos 55
exemplo, a funo de aptido pode ser tomada como uma modificao da funo
objetivo:
f (x) = g (x) + C
sendo C uma constante introduzida para os casos onde o processo de seleo
exige que a aptido seja positiva.
A escolha da funo de aptido para a maioria das aplicaes a etapa
crtica do processo, pois somada forma de codificao do indivduo, esses dois
componentes do algoritmo gentico, normalmente, so os nicos com relao
direta ao domnio do problema. Outro fato interessante que a aptido pode
variar ao longo do processo evolutivo, de maneira dinmica e estocstica.
2.4 MTODOS DE SELEO
Uma vez que AGs baseiam-se no princpio da seleo natural, eles devem
ser capazes de identificar os indivduos mais aptos, para que permaneam na
populao durante o processo de evoluo, e os mais fracos, para que sejam
excludos do processo.
Inmeros mtodos de seleo j foram propostos e implementados na
prtica, entre eles, a seleo proporcional, a seleo por ranking e a seleo por
torneio [Deb, 2001; Freitas, 2002].
2.4.1 Seleo Proporcional
Na seleo proporcional, os indivduos so preservados para a prxima
gerao de acordo com probabilidades proporcionais ao seu valor de funo de
avaliao. A implementao desse mtodo normalmente realizada atravs de um
Algoritmos Evolutivos Multiobjetivos 56
mecanismo de roleta, na qual a roleta dividida em N partes, N correspondendo
ao nmero de indivduos da populao, e o tamanho de cada uma das partes
proporcional funo de adaptao do indivduo que representa. A roleta ento
girada N vezes, e a cada uma delas o indivduo indicado pelo ponteiro
selecionado e inserido na nova populao.
O mtodo da roleta tem a desvantagem de possuir uma alta varincia,
podendo levar a um grande nmero de cpias de um bom cromossomo, o que faz
diminuir a diversidade da populao. Esta falha pode ocasionar uma convergncia
prematura do algoritmo para uma soluo no almejada. Por outro lado, quando a
evoluo est avanada, onde as aptides no diferem muito entre si, observa-se
uma estagnao do algoritmo, isto , uma baixa presso de seleo entre aptides
parecidas.
2.4.2 Seleo por Ranking
A seleo por ranking pode ser dividida em duas etapas. Na primeira, as
solues so ordenadas de acordo com seus valores da funo de avaliao, em
ordem crescente, se o propsito for maximizar a funo de avaliao, ou em
ordem decrescente, caso o objetivo seja minimiz-la.
Estando a lista ordenada, a cada indivduo atribudo um novo valor da
funo de avaliao, equivalente sua posio no ranking. Na segunda fase, um
procedimento similar seleo proporcional aplicado. Quanto melhor a posio
do indivduo no ranking, maior sua chance de ser selecionado.
2.4.3 Seleo por Torneio
Este um dos modelos mais simples para implementao computacional
que apresenta bons resultados. A idia promover um torneio entre um grupo de
N (N > 2) indivduos selecionados aleatoriamente a partir da populao atual.
Algoritmos Evolutivos Multiobjetivos 57
Assim, o indivduo com o maior valor de aptido no grupo selecionado,
enquanto que os demais so descartados.
Dentre suas vantagens citam-se:
No acarreta convergncia prematura;
Combate a estagnao;
Nenhum esforo computacional extra necessrio, tal como
ordenamentos;
Aptido explcita desnecessria;
Inspirao biolgica do processo.
2.5 ELITISMO
Visando preservar e utilizar as melhores solues encontradas na gerao
atual nas prximas geraes, surgiu a estratgia de elitismo. Seja Npop o nmero
mximo de indivduos que compem a populao, em sua verso mais simples, na
estratgia de elitismo conservam-se os Nelit melhores indivduos da populao
atual, copiando-os para a prxima gerao sem nenhuma alterao. Os outros
(Npop Nelit) indivduos da populao so gerados normalmente, atravs do
mtodo de seleo e posterior aplicao dos operadores genticos de
recombinao e mutao.
Assim, as melhores solues no so apenas passadas de uma gerao para
outra, mas tambm participam da criao dos novos membros da nova gerao.
A principal vantagem do elitismo garantir que no se perca o melhor
indivduo durante o processo evolutivo e, com isto, gerar uma seqncia
monotnica, onde o resultado no piora.
Algoritmos Evolutivos Multiobjetivos 58
2.6 OPERADORES GENTICOS
O princpio bsico dos operadores genticos transformar a populao
atravs de sucessivas geraes, para obter um resultado satisfatrio no final do
processo. Deste modo, eles so extremamente necessrios para que a populao se
diversifique e mantenha as caractersticas de adaptao adquiridas pelas geraes
anteriores.
Algoritmos genticos tradicionais so normalmente constitudos de dois
operadores: recombinao e mutao.
2.6.1 Operador Recombinao
O operador de recombinao permite a troca de material gentico entre
dois indivduos denominados pais, combinando informaes de maneira que
exista uma probabilidade razovel dos novos indivduos produzidos serem
melhores que seus pais. Este operador, tambm conhecido como crossover, pode
ser utilizado de vrias maneiras, sendo as mais empregadas:
(a) Recombinao de um nico ponto
a forma mais simples de recombinao. De acordo com esse mtodo, um
ponto do cromossomo sorteado aleatoriamente, e a troca de material gentico
feita na regio a direita do ponto escolhido. A Figura 4.2 mostra um exemplo de
dois cromossomos (escuro e claro) realizando o cruzamento no ponto 4. Assim, os
novos cromossomos substituiro os genitores na nova populao.`
Algoritmos Evolutivos Multiobjetivos 59
011 0100 101 1001
001 0111 011 0110
PAI 1
PAI 2
Ponto de Recombinao
(escolhido aleatoriamente)
{
{
011 0100 101 1001
001 0111 011 0110
011 0100 101 0110
001 0111 011 1001
FILHO 1
FILHO 2
{
{
Figura 4.2: Exemplo de recombinao de um nico ponto de corte.
(b) Recombinao com mltiplos pontos de corte
uma generalizao da idia de troca de material gentico, onde muitos
pontos de cruzamento podem ser utilizados. A Figura 4.3 ilustra o operador de
recombinao com dois pontos.
011 0100 101 1001
001 0111 011 0110
PAI 1
PAI 2
Pontos de Recombinao
(escolhidos aleatoriamente)
011 0100 101 1001
001 0111 011 0110
011 0111 011 1001
001 0100 101 0110
FILHO 1
FILHO 2
{
{
Figura 4.3: Exemplo de recombinao com dois pontos de corte.
(c) Recombinao uniforme
No utiliza pontos de cruzamento, mas determina, atravs de um
parmetro global, a probabilidade de mscara, qual a probabilidade de cada
varivel ser herdada de cada pai [Falkenauer, 1999].
Algoritmos Evolutivos Multiobjetivos 60
2.6.2 Operador Mutao
A operao mutao utilizada para garantir uma maior varredura do
espao de busca e evitar que o algoritmo gentico convirja prematuramente para
mnimos locais. A mutao efetuada alterando-se o valor de um determinado
gene de um indivduo sorteado com uma determinada probabilidade, denominada
probabilidade de mutao, ou seja, vrios indivduos da nova populao podem
ter um de seus genes alterados aleatoriamente.
O operador de mutao aplicado aos indivduos com uma probabilidade
dada pela taxa de mutao Pm. Geralmente utiliza-se uma taxa de mutao
pequena (como na gentica natural), pois um operador gentico secundrio. A
Figura 4.4 apresenta o funcionamento do operador de mutao para codificao
binria.
011 0100 101 1001
Ponto de Mutao
(escolhido aleatoriamente)
1 011 0100 101 1001
Novo Cromossomo
(indivduo)
0
{
Figura 4.4: Exemplo de mutao de um ponto.
2.7 PARMETROS DOS ALGORITMOS GENTICOS
Os parmetros genticos so grandezas que determinam o desempenho dos
AGs, adaptando-os s caractersticas particulares de determinada classe de
problemas. Entre eles os mais importantes so: tamanho da populao (Npop), o
nmero de gerao (Nmax), a probabilidade de recombinao (Pr) e a
probabilidade de mutao (Pm) [Michalewicz, 1996].
Algoritmos Evolutivos Multiobjetivos 61
2.7.1 Tamanho da Populao
O tamanho da populao indica o nmero de cromossomos em cada
populao, normalmente constante durante a evoluo. Uma populao pequena
acarreta um fraco desempenho, podendo conduzir o algoritmo na direo de um
mnimo local, enquanto que uma populao grande dificulta a convergncia
prematura para solues locais, mas pode resultar em um tempo computacional
elevado, levando-se em considerao o nmero de avaliaes necessrias da
funo objetivo.
2.7.2 Taxa ou Probabilidade de Recombinao
A probabilidade de recombinao uma grandeza percentual do nmero
de indivduos que experimentam a recombinao em relao ao nmero total de
indivduos de uma populao. A probabilidade de recombinao afeta
significativamente a convergncia dos Algoritmos Genticos, pois uma alta
probabilidade de recombinao em um algoritmo gentico, sem elitismo, faz com
que indivduos com alto desempenho, sejam eliminados antes de se reproduzirem.
Por outro lado, uma baixa probabilidade de recombinao acarreta numa
convergncia muito lenta devido baixa taxa de explorao das caractersticas
genticas.
Geralmente, a taxa de recombinao varia entre 0,5 e 0,95, mas estes
nmeros indicam apenas uma ordem de grandeza, j que existem inmeros tipos
possveis de recombinao, os quais so limitados pela anlise das caractersticas
fsicas do problema e do comportamento da populao atravs do ciclo geracional
do AG.
Algoritmos Evolutivos Multiobjetivos 62
2.7.3 Taxa ou Probabilidade de Mutao
A mutao empregada para fornecer novas informaes dentro da
populao, prevenindo que a mesma se torne saturada com cromossomos
similares. O objetivo da mutao aumentar a diversidade populacional e
possibilitar ainda uma maior varredura do espao de busca.
A taxa de mutao indica a probabilidade ou taxa em que haver a
mutao de cromossomos nas populaes ao longo da evoluo. Para escolher a
taxa de mutao deve-se tomar alguns cuidados, pois se a taxa escolhida for muito
alta a busca pode se tornar essencialmente aleatria. Alguns pesquisadores
recomendam a escolha da taxa de mutao com base no tamanho dos
cromossomos e das populaes.
Como os demais parmetros, a taxa de mutao ideal depender do
problema a ser resolvido. Todavia, a maioria das taxas utilizadas varia entre 0,001
e 0,1. De Jong [De Jong et al., 1993] sugerem que a taxa de mutao deva ser
inversamente proporcional ao tamanho da populao.
2.8 TRATAMENTO DAS RESTRIES
Na maioria das aplicaes, as restries so tratadas com funes de
penalizao, de modo a combinar as restries com a funo objetivo. Dessa
maneira, aquele indivduo que no atender alguma das restries ser avaliado
como pouco apto (ou inapto), diminuindo (ou excluindo) a probabilidade desse
indivduo ser selecionado para a reproduo. A adoo de funes de penalizao
e a escolha de seus parmetros so dependentes do problema em estudo e
requerem certa experincia prvia [Coello, 2000; Coello, 2002].
O modelo de fluxo de potncia timo, adotado neste trabalho, visa
minimizar o custo da gerao de potncia ativa e obter os ajustes dos controles
Algoritmos Evolutivos Multiobjetivos 63
corretivos de tenso em cada submercado de energia eltrica. Estes objetivos so
conflitantes entre si, pois para obter a gerao a custos mnimos algumas vezes o
mercado de energia eltrica forado a operar em regies prximas a seus limites
fsicos e operacionais, podendo, desta forma, comprometer a qualidade e
confiabilidade de seus servios. Devido a estes fatores, torna-se invivel o
tratamento das restries do problema de FPO abordado, atravs de tcnicas de
penalizao. Uma alternativa para contornar este problema tratar as
infactibilidades das restries como funes objetivos do problema, e resolv-lo
atravs de uma metaheurstica evolutiva.
3 ALGORITMOS EVOLUTIVOS MULTIOBJETIVOS
Nos ltimos anos muitos pesquisadores tm modificado as idias iniciais
sobre AGs propostas por Goldberg [Goldberg, 1989] para tratamento de
problemas multiobjetivos, bem como nas implementaes para soluo de
problemas mais complexos do mundo real. Assim, atualmente existem inmeras
implementaes de algoritmos evolutivos multiobjetivos e, por este motivo, a
enumerao de todas as pesquisas que contriburam para o desenvolvimento desta
rea uma tarefa impossvel. Logo, sero enumeradas e posteriormente sero
apresentadas as caractersticas fundamentais apenas das principais pesquisas e/ou
implementaes no campo dos algoritmos evolutivos multiobjetivo:
- VEGA (Schaffer, 1984);
- MOGA (Fonseca e Fleming, 1993);
- NPGA (Horn e Nafpliotis,1993);
- NSGA (Srinivas e Deb, 1994);
- SPEA (Zitzler e Thiele, 1999);
Algoritmos Evolutivos Multiobjetivos 64
- Outros algoritmos.
3.1 VECTOR EVALUATED GENETIC ALGORITHM - VEGA
Tido como o pioneiro na implementao de algoritmos evolutivos para
soluo de problemas multiobjetivo, Schaffer desenvolveu o chamado Vector
Evaluated Genetic Algorithms, mais conhecido como VEGA. Schaffer
modificou o software de domnio pblico GENESIS atravs da criao de
melhorias no procedimento de seleo original que faz com que o procedimento
seja repetido para cada objetivo separadamente, contemplando desta forma a
natureza multiobjetivo do problema, at atingir-se um determinado nmero
predefinido de indivduos para cada objetivo. Em seguida, estes indivduos so
randomicamente sorteados para as etapas de recombinao e mutao. O mtodo
foi implementado em combinao com o procedimento de seleo proporcional
aptido dos indivduos.
3.2 MULTI-OBJECTIVE OPTIMIZATION GENETIC ALGORITHM -
MOGA
Este algoritmo utiliza um procedimento de ordenamento no-dominado
das funes de adaptido. Este procedimento consiste em avaliar a populao
utilizando os critrios de dominncia apresentados no captulo anterior, como
segue.
i. Os indivduos no-dominados recebem uma posio ou ordem 1;
ii. Os outros indivduos so posicionados segundo as suas ordens de no-
dominncia em relao ao restante da populao, isto , para cada
indivduo, o nmero de solues que o dominam estritamente
Algoritmos Evolutivos Multiobjetivos 65
primeiramente determinado na populao, logo, a posio no ordenamento
deste indivduo ser este nmero acrescido da unidade.
Assim sendo, no final deste procedimento de ordenamento podero existir
muitos indivduos compartilhando a mesma posio no ordenamento. Este
ordenamento utilizado no procedimento de seleo para escolher ou remover
blocos de solues representados pelos indivduos e suas respectivas funes de
aptido, at escolher os indivduos mais aptos para a reproduo. Este tipo de
atribuio de aptido por blocos pode acarretar uma grande presso de seleo
causando convergncia prematura do algoritmo.
Para distribuir a populao, atravs da regio tima de Pareto e
compartilhar os valores da funo de aptido, aplica-se um mtodo de formao
de nichos. Esta estratgia mantm a diversidade nos valores da funo de aptido,
mas pode no garantir a diversidade no conjunto das variveis. Assim, o MOGA
pode no estar apto a achar as mltiplas solues em problemas em que diferentes
pontos timos de Pareto correspondem aos mesmos valores de aptides. O
destaque relevante deste trabalho o ordenamento dos indivduos por critrios de
dominncia.
3.3 NICHED-PARETO GENETIC ALGORITHM - NPGA
O NPGA um algoritmo gentico geracional com sobreposio, isto ,
nem todos os indivduos so substitudos de uma gerao para outra. Este
algoritmo utiliza um esquema de seleo baseada na dominncia de Pareto. Neste
processo de busca de solues no-dominadas, dois indivduos so escolhidos
aleatoriamente e comparados com um subconjunto da populao (usualmente
10% da populao). Quando ambos os competidores so dominados ou no-
dominados, um contador de nicho criado para cada indivduo na populao
inteira. O contador baseado no nmero de solues na populao com uma certa
Algoritmos Evolutivos Multiobjetivos 66
distncia do indivduo. Assim, a soluo que apresentar o menor contador de
nicho selecionada.
3.4 NONDOMINATED SORTING GENETIC ALGORITHM - NSGA
Este algoritmo foi proposto por Srinivas e Deb com o objetivo de trabalhar
com os conceitos de dominncia e manuteno da diversidade da populao
simultaneamente. No NSGA utiliza-se um esquema de seleo baseada por
ordenamento para privilegiar as solues no-dominadas correntes, juntamente
com um mtodo voltado para a criao de nichos para manter a diversidade da
populao. A diferena desta implementao, em relao a um algoritmo gentico
simples, est apenas no modo com que o operador de seleo empregado. Tanto
o operador de recombinao quanto o operador de mutao so normalmente
utilizados nos algoritmos genticos convencionais.
O NSGA difere do algoritmo gentico mono-objetivo apenas na maneira
como o mtodo de seleo trabalha, uma vez que os operadores cruzamento e
mutao permanecem idnticos. Antes do procedimento de seleo ser aplicado, a
populao classificada com base na definio de pontos eficientes (conceito de
Pareto timo, apresentado no captulo anterior). Os indivduos eficientes
presentes na populao corrente so ordenados com base no nvel de no-
dominncia dos indivduos, isto , todas as solues no-dominadas da populao
corrente recebem valores altos de aptido. Esta aptido a mesma para todos os
indivduos no-dominados, garantindo assim que todos possuam um mesmo
potencial reprodutivo.
Para manter a diversidade na populao as solues no-dominadas
compartilham os seus valores de aptido segundo suas distncias Euclidianas
(tambm pode ser adotada a distncia de Hamming - nmero de bits diferentes
entre dois indivduos). Finalmente, divide-se o valor da aptido de cada indivduo
pelo contador de nichos que proporcional ao nmero de vizinhos ao seu redor.
Algoritmos Evolutivos Multiobjetivos 67
Este procedimento proporciona a co-existncia de pontos timos mltiplos na
populao. O pior valor de aptido compartilhada na soluo da primeira fronteira
no-dominada ento guardado para uso posterior.
Aps a execuo do compartilhamento e a modificaes das aptides, os
indivduos no-dominados so ignorados temporariamente para processar o resto
dos indivduos da populao. O procedimento para determinar novas solues
no-dominadas (segundo nvel) novamente executado, sendo que agora eles
recebem um valor de aptido um pouco menor que o pior valor de aptido
compartilhada no nvel anterior. Uma vez mais o procedimento de
compartilhamento executado entre as solues no-dominadas do segundo nvel
e as novas aptides so calculadas como antes. Este processo repetido at que
todos os membros da populao tenham um valor de aptido compartilhada.
A reproduo da populao efetuada utilizando-se a aptido
compartilhada, ou seja, como o primeiro nvel de solues no-dominadas possui
as mais altas aptides, um maior nmero de cpias dos seus indivduos ser
realizado e levar a busca para a fronteira tima de Pareto. A caracterstica mais
importante deste trabalho que praticamente qualquer nmero de objetivos pode
ser usado para os dois tipos de problemas: maximizao ou minimizao,
bastando mudar o modo como os indivduos no-dominados so identificados.
3.5 STRENGTH PARETO EVOLUTIONARY ALGORITHM - SPEA
O SPEA foi proposto por Zitzler e Thiele com o objetivo de introduzir o
elitismo nos algoritmos evolutivos multiobjetivos. Inicialmente gerada uma
populao aleatria (P
0
) de dimenso Npop e um conjunto externo vazio (P
e
). As
melhores solues (solues no-dominadas) de cada gerao, denominadas elite,
so armazenadas no conjunto P
e.
. Em cada gerao, as solues no-dominadas da
populao corrente so copiadas e armazenadas na populao externa P
e
. Nesta
etapa ocorre a unio entre as solues no-dominadas (populao de elite) da
Algoritmos Evolutivos Multiobjetivos 68
gerao corrente e da gerao anterior. Aps a unio das solues no-dominadas,
estas solues so comparadas, de forma que as melhores solues sejam
preservadas. medida que o processo evolui, em alguns problemas, o nmero de
solues contidas no conjunto de elite torna-se elevado e para restringir o aumento
exagerado de solues no-dominadas no conjunto P
e,
determina-se a dimenso
mxima deste conjunto.
4. CONSIDERAES FINAIS
Neste captulo apresentam-se os algoritmos evolutivos e a caractersticas
que permitem os seus empregos na soluo de problemas de natureza
multiobjetivo. Alm disso, relatam-se sucintamente os principais mtodos
evolutivos para a soluo de um MOOP. O algoritmo NSGA utilizado como
base para a implementao da tcnica de soluo para o problema de Fluxo de
Potncia timo Multimercado.
V - Formulao e Soluo do
Problema de Fluxo de Potncia
timo em Sistemas
Multimercados
este captulo o problema de fluxo de potncia timo em sistemas
multimercados modelado como um problema de programao
no-linear inteiro misto multiobjetivo de grande porte. Para soluo deste modelo
proposto um algoritmo evolutivo multiobjetivo. So discutidos todos os aspectos
fsicos e operacionais envolvidos na elaborao de modelos de fluxo de potncia
timo utilizados no planejamento da operao dos sistemas eltricos de potncias.
Detalhes envolvendo a implementao e as caractersticas tericas do algoritmo
evolutivo multiobjetivo especializado, para soluo do modelo de fluxo de
potncia timo proposto, so detalhados e discutidos.
1. Introduo ..................................................................................................70
2. O Problema de Fluxo de Potncia timo .....................................................72
3. Decomposio do Problema de Fluxo de Potncia timo.............................78
4. Soluo do Problema de FPO Multimercados ..............................................83
5. Consideraes Finais sobre o Captulo ........................................................97
N
Formulao e Soluo do Problema de FPO em Sistemas Multimercados 70
1 INTRODUO
O despacho da gerao de potncia ativa em mercados competitivo de
energia eltrica tem sido bastante discutido na literatura, pois afeta diretamente os
custos de operao dos sistemas eltricos de potncia [Ilic et al.,1998; Moreira et
al., 2001; Doorman, 2001; Vargas e Serrano, 2001]. O novo modelo de mercado
de energia eltrica requer livre acesso ao sistema de transmisso por parte dos
agentes participantes, mas por outro lado, permitir que o despacho de energia seja
baseado simplesmente nas foras de mercado pode comprometer a confiabilidade
dos servios de gerao e transmisso, visto que tanto as cargas quantos os
geradores, necessitam de suporte de reativos diferenciados para absorver ou
injetar potncia ativa, em funo do ponto em que esto conectados rede de
transmisso.
De acordo com a formulao do problema de FPO, sua soluo pode
fornecer ao operador do sistema eltrico uma orientao, quanto melhor, ao
despacho de cada unidade geradora, do ponto de vista econmico e/ou de
segurana, garantindo que os limites operacionais do sistema no sejam violados.
O problema de fluxo de potncia timo com nfase no despacho econmico da
gerao de potncia ativa, e nos ajustes dos controles corretivos de tenso, um
problema de programao no-linear inteiro-misto, no-convexo, com variveis
de controle contnuas e discretas. A presena de variveis de controle discretas,
tais como a susceptncia shunt, ligada s barras do sistema e a posio dos taps de
transformadores em fase e dos taps dos transformadores defasadores aumentam a
complexidade do problema e, conseqentemente, dificultam a sua soluo. Por
outro lado, estas variveis so freqentemente utilizadas na operao dos sistemas
eltricos visando-se melhorar as condies de operao. Por exemplo, os
transformadores com regulador automtico de tap so utilizados para controlar a
magnitude das tenses nodais, enquanto os transformadores defasadores com
controle automtico de fase podem ser utilizados para controlar o fluxo de
potncia ativa nas linhas onde esto inseridos. Os bancos de capacitores e reatores
Formulao e Soluo do Problema de FPO em Sistemas Multimercados 71
shunt so capazes de melhorar o perfil de tenso e reduzir as perdas de potncia
ativa na rede de transmisso.
As tcnicas baseadas nos mtodos de programao matemtica clssica
tm sido amplamente utilizadas para a soluo de muitos problemas de fluxo de
potncia timo. Essas tcnicas apresentam limitaes para resolver o problema de
fluxo de potncia timo quando algumas variveis de controle so consideradas
de forma discreta no modelo. Um procedimento adotado, para a soluo de um
problema de fluxo de potncia com variveis discretas, atravs das tcnicas de
otimizao clssicas consiste em relaxar inicialmente a restrio de discretizao
das variveis para evitar as zonas de operao proibidas. Aps encontrar a soluo
contnua, cada varivel discreta movida para o valor discreto mais prximo de
seu valor atual e ento, deve-se processar o fluxo de potncia timo novamente.
Este procedimento gera solues aceitveis, desde que o tamanho do passo para
os controles discretos seja suficientemente pequeno, como o caso dos taps dos
transformadores e defasadores [Liu et al., 1999]. Quanto ao banco de capacitores
e reatores este arredondamento pode conduzir a infactibilidades nas magnitudes
de tenses, especialmente, se o tamanho do passo para o controle discreto
grande [Bakirtzis, 2002].
Uma linha de pesquisa importante na soluo do FPO atravs de tcnicas
metaheursticas com enfoque multiobjetivo, que permitem a utilizao de modelos
realistas de funo objetivo e dos componentes dos sistemas eltricos de potncia
[Iba, 1994]. Atravs das metaheursticas possvel superar as limitaes das
tcnicas de otimizao convencionais na modelagem de funes de custo no-
convexos e no-diferenciveis, variveis de controle discretas, unidades proibidas
da regio de operao e otimizar simultnea e independentemente as diferentes
funes objetivo, que compem este problema. Uma caracterstica desfavorvel
das metaheursticas em comparao com as tcnicas de otimizao clssicas o
elevado tempo computacional exigido para resolver problemas de mdio e de
grande porte.
Formulao e Soluo do Problema de FPO em Sistemas Multimercados 72
2 O PROBLEMA DE FLUXO DE POTNCIA TIMO
Um sistema de energia eltrica tem por objetivo fornecer energia dentro
dos padres de qualidade para seus consumidores. Para isto, faz-se necessrio que
todas as restries operacionais relativas s limitaes fsicas operacionais e de
segurana do sistema estejam dentro de seus limites previamente especificados.
Modificaes na topologia da rede, alterao nos nveis de gerao e/ou de carga,
faz com que o sistema passe a operar em outro estado levando violao de
alguns de seus limites operacionais. Quando estes parmetros so alterados so
necessrios ajustes nos equipamentos (variveis de controle), para satisfazer as
restries de operao do sistema. No modelo de simulao, medida que o
nmero de variveis a serem ajustadas aumenta necessrio se dispor de
ferramentas computacionais capazes de ajustar simultaneamente, e de maneira
tima, todas as variveis de controle do modelo, satisfazendo os critrios
preestabelecidos.
O fluxo de potncia timo uma ferramenta computacional de simulao
muito importante na anlise de planejamento e operao de sistemas eltricos de
potncia. Esta ferramenta descreve uma ampla classe de problemas, nos quais se
procura otimizar uma (ou mais) funo objetivo, enquanto satisfaz um conjunto de
restries fsicas e operacionais da rede eltrica, permitindo determinar o melhor
ponto de operao para o sistema sob diferentes cenrios: topologia, nveis de
carregamento, etc.
2.1 FORMULAO DO PROBLEMA DE FLUXO DE POTNCIA TIMO
O fluxo de potncia timo um problema de otimizao no-linear e no-
convexo, que envolve os centros de gerao, os centros de consumo e os
equipamentos da rede eltrica (transformadores, reatores, capacitores, dispositivos
Formulao e Soluo do Problema de FPO em Sistemas Multimercados 73
FACTS
1
, entre outros), representados por seus limites fsicos de operao. A
utilidade de uma ferramenta de FPO inegvel na operao e planejamento dos
modernos sistemas eltricos intensamente interligados e pesadamente carregados.
Alguns dos principais benefcios obtidos pelo uso de uma ferramenta de fluxo de
potncia timo no planejamento da operao de sistemas de potncia so:
- Otimizao coordenada do despacho reativo, utilizando os recursos do
sistema de forma racional e racionada;
- Operao econmica do sistema pode ser melhorada atravs da
coordenao tima da gerao e melhor uso dos sistemas de gerao e
transmisso;
- Minimizao de critrios cruciais para a operao do sistema, como perdas
na transmisso, custo de gerao, etc.;
- Fornecimento de informaes importantes sobre o custo incremental do
uso de recursos do sistema, teis na anlise de aspectos importantes como
estabilidade de tenso.
O fluxo de potncia timo pode ser representado matematicamente atravs
de um problema geral de otimizao com restries de igualdade e desigualdade
como:
Min ( ) f x,u (5.1)
Sujeito a: ( ) 0, 1, ,
i
g x,u i m L (5.2)
( ) 0, 1, ,
j
h x,u j n L (5.3)
min max
x x x (5.4)
1
Do ingls, Flexible AC Transmission System.
Formulao e Soluo do Problema de FPO em Sistemas Multimercados 74
min max
u u u (5.5)
Sendo: ( ) ,
T
n
x V R o vetor das variveis de estado do modelo, isto , ngulos
de fase ( ) , magnitudes das tenses ( ) V ; ( ) , , ,
T
n
u Pg Qg t Sh R o vetor das
variveis de controle, isto , potncias ativa e reativa gerada ( ) e Pg Qg , tap dos
transformadores ( ) t e os bancos de capacitores e reatores shunts ( ) Sh .
A funo objetivo (5.1) de um problema de FPO representa o recurso
fsico custos de gerao, segurana, qualidade e confiabilidade da operao, etc.
que se deseja otimizar e, desta forma, a sua formulao vai depender do objetivo
de estudo, por exemplo:
Minimizao do custo da gerao de potncia ativa que reflete a operao
econmica da rede;
Minimizao de perdas ativas da transmisso;
Despacho de potncia reativa para manter a qualidade dos servios de
fornecimento e de operao da rede eltrica;
Transferncia de potncia entre reas; entre outras.
As restries de igualdade (5.2) so as equaes no-lineares do fluxo de
potncia correspondente ao balano de potncia ativa e reativa nas m barras do
sistema. As restries de desigualdade (5.3) so as limitaes impostas a uma
varivel ou funo, e podem ser classificadas como segue:
Restries Fsicas e Operacionais: representam os limites de gerao de
potncia ativa e reativa, das magnitudes de tenso nas barras do sistema,
dos fluxos de potncia ativa e reativa nas linhas de transmisso, dos taps
dos transformadores e os limites dos capacitores e reatores shunts.
Formulao e Soluo do Problema de FPO em Sistemas Multimercados 75
Restries de Segurana: so determinadas para a anlise de segurana
em tempo real e esto relacionadas com as possveis contingncias.
Restries de acoplamento: so as restries utilizadas no modelo de
operao de sistemas multireas ou multimercados, para controlar os
intercmbios de potncia entre os diferentes submercados que compem
um sistema de potncia interconectado.
O objetivo do problema de FPO dar uma orientao ao operador ou
planejador do sistema de como determinados controles devem ser ajustados, de
modo que os centros de gerao, consumo e equipamentos da rede eltrica que
participam da transmisso estejam dentro de suas capacidades estabelecidas e um
ou mais objetivos econmicos sejam maximizados ou minimizados. Este
problema consiste em distribuir a gerao de energia eltrica entre as unidades
geradoras disponveis, a fim de minimizar os custos de produo do sistema,
satisfazendo as restries de gerao e transmisso. Este problema pode ser
formulado reescrevendo o problema (5.1)-(5.5) utilizando as equaes de fluxo de
potncia e dos modelos dos componentes do sistema de energia eltrica
[Monticelli, 1993] como segue:
N i
i i
) Pg ( C Min (5.6)
Sujeito a: ( ) , , 0
i i
i
Pg Pc P V t i N (5.7)
( ) , , 0
i i i i
i
Qg Qc Q V t Sc Sr i N + (5.8)
max mim
i i i
Pg Pg Pg i G (5.9)
max mim
i i i
Qg Qg Qg i G (5.10)
Formulao e Soluo do Problema de FPO em Sistemas Multimercados 76
max mim
i i i
V V V i N (5.11)
max
,
ij ij
S S i j N (5.12)
min max
i i i
t t t i T (5.13)
min max
i i i
Sc Sc Sc i Cc (5.14)
min max
i i i
Sr Sr Sr i Cr (5.15)
Sendo:
N : Conjunto das barras do sistema.
G : Conjunto das barras de gerao.
T : Conjunto de taps dos transformadores.
C : Conjunto de banco de capacitores/reatores shunt.
C
i
(Pg
i
) :
Funo de custo da gerao de potncia ativa na barra i, que
dependendo dos tipos de unidades geradoras hidrulicas,
trmicas, nucleares etc, pode assumir diferentes modelos de
funes.
Pg
i
, Qg
i
: Gerao de potncias ativa e reativa na barra i.
Pc
i
, Qc
i
: Demanda de potncias ativa e reativa na barra i.
Pg
i
min
: Capacidade mnima de gerao de potncia ativa na barra i.
Formulao e Soluo do Problema de FPO em Sistemas Multimercados 77
Pg
i
max
: Capacidade mxima de gerao de potncia ativa na barra i.
Qg
i
min
: Capacidade mnima de gerao de potncia reativa na barra i.
Qg
i
max
: Capacidade mxima de gerao de potncia reativa na barra i.
V
i
min
: Mnima magnitude de tenso na barra i.
V
i
max
: Mxima magnitude de tenso na barra i.
( ) , ,
i
P V t : Somatrio dos fluxos de potncia ativa na barra i.
( ) , ,
i
Q V t : Somatrio dos fluxos de potncia reativa na barra i.
ij
S
: Mdulo do fluxo de potncia aparente na linha ij.
max
ij
S : Mximo fluxo de potncia aparente na linha ij.
Com a desverticalizao do setor eltrico, os servios de gerao,
transmisso e distribuio passaram a ser oferecidos por diversas empresas
(submercados) localizadas em diversas regies geogrficas. Inevitavelmente, cada
submercado deve contar com algum procedimento para trocar informaes com os
demais submercados e tomar decises operacionais que no afetem os
submercados vizinhos, e nem com os contratos de compra e venda de energia
entre os submercados adjacentes. Neste caso, uma alternativa para atender as
necessidades de se dispor de uma ferramenta que contemple as estruturas
competitivas nas quais os mercados de energia se encontram, decompor o
problema de fluxo de potncia em vrias reas, e realizar a anlise e controle de
cada rea independentemente.
Formulao e Soluo do Problema de FPO em Sistemas Multimercados 78
3 DECOMPOSIO DO PROBLEMA DE FLUXO DE
POTNCIA TIMO
A motivao para decompor o problema de fluxo de potncia timo de
grande porte em vrios subproblemas atender as necessidades do mercado de
energia eltrica aps a reestruturao e buscar eficincia computacional na
soluo de sistemas eltricos de potncia de grande porte.
Para decompor um sistema de potncia em reas ou regies, necessrio
estabelecer modelos de restries de acoplamento adequados. Nesta pesquisa, o
mtodo de decomposio utilizado permite decompor o problema de fluxo de
potncia timo em vrios subproblemas sem qualquer alterao no modelo de
fluxo de potncia timo original da rede. A potncia gerada pelas cargas originais
do sistema de potncia, assim como, o fluxo de potncia total dentro ou fora de
cada submercado devem ser mantidos em valores especificados, denominado
Intercmbio de Potncia Especificado (SIP)
2
.
Na Figura 5.1 ilustra-se um sistema de potncia composto por 3
submercados interconectados. As barras i , k e l so as barras de fronteiras e as
linhas de transmisso ik , il e lk so as linhas de ligao (tie-line).
ik ik
Q j P +
i
i i
V
k
k k
V
l
k
l
k
Q
j
P
+
l
l l
V
i
l
i
l
Q
j
P
+
C
A B
Figura 5.1: Sistema de potncia composto por trs submercados
interconectados.
Formulao e Soluo do Problema de FPO em Sistemas Multimercados 79
O fluxo de potncia complexa sobre uma linha transmisso (considere a
linha ik ) dado por:
ik ik ik
S P j Q + (5.16)
Sendo
ik
P : Fluxo de potncia ativa sobre a linha ik .
ik
Q
: Fluxo de potncia reativa sobre a linha ik .
Os fluxos de potncias
ik
P e
ik
Q so obtidos identificando as partes reais e
imaginrias da equao (5.16) considerando o modelo , como segue:
2
cos sen
ik i ik i k ik ik i k ik ik
P V g V V g V V b (5.17)
( )
2 sh
cos sen
ik i ik ik i k ik ik i k ik ik
Q V b b V V b V V g + + (5.18)
O intercmbio lquido de um submercado definido como a soma
algbrica dos fluxos de potncias nas linhas e nos transformadores que interligam
esse submercado com os submercados adjacentes. As injees lquidas de
potncias exportadas so admitidas positivas e as importadas negativas.
Seja A o conjunto que contm todos os submercados (reas)
interconectados e a um submercado cujo intercmbio com seus vizinhos deve ser
mantido em um valor especificado preestabelecido. O intercmbio lquido do
submercado a com seus vizinhos definido pela equao (5.19):
2
Do ingls, Scheduled Interchange Power
Formulao e Soluo do Problema de FPO em Sistemas Multimercados 80
F
Ia fj
j
S S
(5.19)
sendo:
j
: ndice da barra de fronteira do submercado a ;
F
: Conjunto das barras de fronteiras;
Ia
S
:
Nvel de intercmbio de potncias ativa e reativa especificado no
submercado a ;
fj
S
: Fluxo de potncia complexa sobre a linha de ligao j.
O submercado que contm a barra de folga (slack) do sistema de potncia
interligado chamado de submercado de referncia. Para analisar
independentemente os demais submercados necessrio deixar uma barra de
gerao com potncias ativa e reativa livre. Em geral, estas barras so
denominadas barras de folga e so classificadas como do tipo V, em que somente
os mdulos das tenses nodais so especificados.
Com exceo da barra de folga do sistema de potncia (barra do
submercado de referncia), as injees de potncia ativa nas barras de folga dos
demais submercados so ajustadas para manter o intercmbio lquido desses
submercados nos valores especificados.
Formulao e Soluo do Problema de FPO em Sistemas Multimercados 81
3.1 FLUXO DE POTNCIA TIMO EM SISTEMAS MULTIMERCADOS
O problema de fluxo de potncia timo, para sistemas de potncia
multimercados, proposto considera o despacho timo de potncias ativa e os
ajustes dos dispositivos de controle de tenso. Trata-se de um problema de
programao no-linear inteiro misto (PNLIM), no-convexo e de grande porte.
Assumindo que as funes objetivos so separveis em relao aos submercados,
ento, o problema de fluxo de potncia timo (5.6)-(5.15) pode ser decomposto
em vrios subproblemas menores, como:
( )
a a
i i
i N
Min C Pg
(5.20)
S. a: ( ) , , 0 ,
a
a a
i i
i
Pg Pc P V t i N a A (5.21)
( ) , , 0 ,
a
a a a a
i i i i
i
Qg Qc Q V t Sc Sr i N a A + (5.22)
, min , max
,
a a a
i i i
Pg Pg Pg i G a A (5.23)
, min , max
,
a a a
i i i
Qg Qg Qg i G a A (5.24)
, min , max
,
a a a
i i i
V V V i N a A (5.25)
, max
, ,
a a
ij ij
S S i j N a A (5.26)
0 ,
F
Ia fj
j
S S f F a A
(5.27)
, min , max
,
a a a
i i i
t t t i T a A (5.28)
, min , max
,
a a a
i i i
Sc Sc Sc i Cc a A (5.29)
Formulao e Soluo do Problema de FPO em Sistemas Multimercados 82
, min , max
,
a a a
i i i
Sr Sr Sr i Cr a A (5.30)
As equaes do problema de fluxo de potncia timo em sistemas
multimercados so similares s equaes de um problema de FPO convencional,
exceto a restrio de acoplamento entre cada submercado (5.27). Esta equao
introduzida no modelo de FPO para controlar os intercmbios de potncias nas
linhas de transmisso entre os submercados. Desta forma, possvel garantir que
os fluxos de potncias, dentro e fora de seu submercado, permaneam dentro dos
limites trmicos operacionais especificados (SIP) e manter as condies ideais do
perfil das magnitudes de tenso do sistema completo. Com esta decomposio do
problema de fluxo de potncia timo pode ser resolvido como:
Operao centralizada (Modelo 1): Todos os submercados interconectados
so considerados como um nico mercado de energia eltrica. A anlise da
operao centralizada pode ser realizada considerando a soluo do FPO de um
sistema multimercado de uma nica vez. Neste caso, as restries (5.27) so
relaxadas. Na simulao do fluxo de potncia timo utilizando-se este tipo de
modelo, pode-se obter solues de melhores qualidades que as encontradas
atravs dos modelos 2 e 3, que so detalhados a seguir. Este um modelo mais
relaxado e os problemas de reativos so mais facilmente controlados.
Operao descentralizada (Modelo 2): Cada submercado individualmente
analisado e os intercmbios de potncias so controlados atravs das potncias
ativa e reativa lquida que cada submercado pode importar dos submercados
vizinhos. O intercmbio lquido de potncia especificado pode ser obtido
atravs da soluo do FPO-DC, contratos entre empresas, etc., e garantido na
soluo do modelo atravs da equao (5.27).
Operao descentralizada sucessiva (Modelo 3): Considerando um sistema
multimercado composto por n submercados, resolve-se sucessivamente o fluxo
de potncia timo para cada submercado, at resolver o problema de fluxo de
Formulao e Soluo do Problema de FPO em Sistemas Multimercados 83
potncia timo multimerecado para o sistema de potncia multimercado
completo, isto , o n submercados.
4. SOLUO DO PROBLEMA DE FPO EM SISTEMAS
MULTIMERCADOS
Na maioria das tcnicas de soluo de problemas com restries de
desigualdade, em particular do fluxo de potncia timo [Dommel e Tinney, 1968;
Granville, 1994] as restries violadas so adicionadas funo objetivo do
problema atravs das tcnicas de penalizao. Todavia, esta abordagem, na
soluo do modelo de FPO atravs de metaheursticas como abordado neste
trabalho, compromete a qualidade das solues encontradas, devido aos conflitos,
sob o aspecto fsico entre os diferentes tipos de variveis envolvidas nos
subproblemas ativo e reativo. Uma alternativa para contornar este problema
tratar as infactibilidades das restries como funes objetivo do problema. Este
tratamento dado s restries violadas do problema transforma-o em um problema
de otimizao multiobjetivo (do ingls Multiobjective Optimization Problem
(MOP)). Desta forma, o problema de controle de potncias ativa e reativa pode ser
modelado como um problema multiobjetivo atravs das seguintes manipulaes
algbricas:
Custo da gerao de potncia ativa:
1
( )
a a
i i
i N
f Min C Pg
, i G a A (5.31)
Infactibilidade da gerao de potncia ativa:
{ }
2 1
max
i
a
f h Pg se i a barra slack e a A (5.32)
Formulao e Soluo do Problema de FPO em Sistemas Multimercados 84
sendo:
, min , min
, max , max
,
,
0, caso contrrio
a a a a
i i i i
a a a a a
i i i i i
Pg Pg Pg Pg
Pg Pg Pg Pg Pg
<
>
'
Infactibilidade da gerao de potncia reativa:
{ }
3 2
max
i
a
f h Qg , i G a A (5.33)
sendo:
, min , min
, max , max
,
,
0, caso contrrio
a a a a
i i i i
a a a a a
i i i i i
Qg Qg Qg Qg
Qg Qg Qg Qg Qg
<
>
'
Infactibilidade da magnitude de tenso:
{ }
4 3
max
a
i
f h V , i N a A (5.34)
sendo:
, min , min
, max , max
,
,
0, casocontrrio
a a a a
i i i i
a a a a a
i i i i i
V V V V
V V V V V
<
>
'
Infactibilidade da capacidade das linhas de transmisso:
{ }
, max
5 4
max 0,
a a
ij ij
f h S S , , i j N a A (5.35)
Formulao e Soluo do Problema de FPO em Sistemas Multimercados 85
Restries de fluxo de carga:
( )
1
, , 0
a
a a
i i
i
g Pg Pc P V T , i N a A (5.36)
( )
2
, , 0
a
a a a a
i i i i
i
g Qg Qc Q V T Sc Sr + , i N a A (5.37)
Restries de acoplamento:
5
0 ,
F
Ia fj
j
h S S f F a A
(5.38)
Para soluo do problema (5.31)-(5.38) propem-se um algoritmo
evolutivo multiobjetivo. Os algoritmos evolutivos permitem originalmente tratar
as variveis contnuas com facilidade e, tambm, podem ser expandidos para
tratar conjuntamente as variveis contnuas e discretas. Alm disso, estes mtodos
trabalham com um conjunto de solues simultaneamente (populao), no
necessitam de informaes adicionais a no ser o valor de aptido de cada
proposta de soluo que compe a populao, e podem escapar de timos locais.
Estas caractersticas fazem dos algoritmos evolutivos tcnicas promissoras a
serem empregadas na soluo de problemas multiobjetivos, principalmente
quando se deseja conhecer o conjunto das solues Pareto-timas. Portanto, estes
algoritmos podem ser aplicados com sucesso na soluo do problema de fluxo de
potncia timo sob estudo.
4.1. ALGORITMO EVOLUTIVO MUTIOBJETIVO
O algoritmo evolutivo multiobjetivo desenvolvido baseado em um
procedimento de ordenao das solues candidatas (indivduos da populao) a
serem pontos eficientes da populao. Este mtodo conhecido na literatura
tcnica como Nondominated Sorting Genetic Algorithm (NSGA). O NSGA foi
Formulao e Soluo do Problema de FPO em Sistemas Multimercados 86
proposto em [Srinivas e Deb, 1994] e difere do algoritmo gentico tradicional
apenas na forma como executada a seleo, uma vez que os operadores
recombinao e mutao permanecem idnticos.
Nesta pesquisa, o algoritmo evolutivo multiobjetivo proposto para soluo
do fluxo de potncia timo multimercado combina algumas estratgias a fim de
realizar uma busca eficaz e obter um bom desempenho. As estratgias utilizadas
so:
- Codificao das variveis de controle em base real;
- Classificao da populao de acordo com a dominncia das solues
(nondominated sorting) para encontrar a melhor soluo a cada gerao;
- Escolha de uma soluo eficiente, da fronteira de Pareto, atravs de funes
de agregao;
- Elitismo;
- Desacoplamento implcito das variveis do problema;
- Seleo e recombinao realizadas simultaneamente;
- Preservao da diversidade.
4.1.1 Codificao, Populao Inicial e Fluxo de Potncia
Na soluo de problemas da vida real usando algoritmos evolutivos, o
esquema de codificao da estrutura cromossmica determina o desempenho
computacional do algoritmo e a qualidade das solues obtidas. Existem diversas
formas para representar as solues candidatas em um algoritmo evolutivo. A
escolha ir depender da natureza das variveis de deciso de cada problema. Nesta
Formulao e Soluo do Problema de FPO em Sistemas Multimercados 87
pesquisa, adotou-se uma representao em base real. As vantagens deste sistema
de codificao so armazenar uma maior quantidade de informaes que a
codificao binria, para um cromossomo de mesmo tamanho e trabalhar com a
representao real das variveis do problema.
Os indivduos (cromossomos) que compem a populao so formados
por quatro subconjuntos de variveis, representadas pelas variveis de controle do
sistema, como ilustrado na Figura 5.2. O conjunto dos bancos de capacitores e
reatores shunts denotado por C Cc Cr .
i
Sh representa os elementos do
conjunto C, que pode ser tanto um capacitor como um reator.
Subconjunto 1 Subconjunto 2 Subconjunto 3 Subconjunto 4
... ... ... ...
1
Pg
m
Pg
1
V
n
V
1
t
k
t
1
Sh
j
Sh
Figura. 5.2: Estrutura do cromossomo da populao do AEMO.
Devido as caractersticas fsicas do problema, para se obter um
desempenho satisfatrio do AEMO sob os aspectos da eficincia computacional e
qualidade das solues otimizadas fornecidas pelo algoritmo, necessrio gerar
uma populao inicial de boa qualidade. As variveis de controle (Pg nas barras
de gerao e V nas barras de tenso controlada) so geradas de forma
aleatoriamente controladas, satisfazendo a regio de factibilidade destas variveis
(5.23 e 5.25). Alm disso, a potncia ativa gerada do submercado em anlise deve
suprir a sua demanda e perdas, como segue:
1 1
i
N N
a a a
i i loss
i i
Pg Pc P
+
(5.39)
sendo:
a
i
Pc : Demanda de potncia ativa do submercado a .
Formulao e Soluo do Problema de FPO em Sistemas Multimercados 88
i
a
loss
P : Perda ativa no submercado a.
Os valores dos taps dos transformadores e dos bancos de capacitores e
reatores shunts so discretizados dentro de seus limites (5.29-5.30).
Aps a gerao da populao resolve-se um fluxo de potncia (5.36) e
(5.37), atravs do mtodo de Newton [Monticelli, 1983], para cada um dos Npop
indivduos da populao.
4.1.2 Classificao da Populao e Estratgia Elitista
Aps os clculos do fluxo de potncia para cada um dos Npop indivduos
da populao, as solues so classificadas com base na definio de pontos
eficientes (conceito de Pareto-timo). Nesta fase, os indivduos eficientes
presentes na populao corrente so primeiramente identificados. Assim, estes
indivduos definiro uma lista de NF fronteiras dominantes
1 2
, ,
NF
F F F L . Os
pontos pertencentes a uma fronteira
i
F possuem o mesmo grau de dominncia,
isto , nenhum ponto domina o outro. Os indivduos da primeira fronteira ( )
1
F
so considerados os mais aptos, pois esto associados aos pontos dominantes da
populao. Os pontos eficientes pertencentes fronteira
2
F dominam os pontos
em
3
F , ou seja, os pontos pertencentes fronteira
i
F dominam os pontos em
1 i
F
+
.
A estratgia elitista, dentro do contexto multiobjetivo, deve ser expandida
para o conjunto das solues no-dominadas da populao corrente. Este
procedimento fundamental na resoluo de problemas multiobjetivos, uma vez
que a soluo destes problemas na verdade um conjunto de solues fronteira
tima de Pareto.
Formulao e Soluo do Problema de FPO em Sistemas Multimercados 89
Aps a classificao da populao, os pontos pertencentes primeira
fronteira ( )
1
F , so retirados da populao e armazenados em um subconjunto
elitista E, para serem utilizados no processo de recombinao, para aumentar a
presso de seleo e ao mesmo tempo acelerar a convergncia do algoritmo.
4.1.3 Desacoplamento Implcito das Variveis de Controle
Durante os procedimentos de recombinao e mutao realizado o
desacoplamento implcito das variveis de controle, para evitar os conflitos entre
as diferentes restries operacionais que esto sendo consideradas na tcnica de
soluo como diferentes funes objetivo. Esta estratgia consiste em separar as
variveis dos subproblemas ativo e reativo de fluxo de potncia timo, como
segue:
Subconjunto 1 (Figura 5.2): Realizam-se os processos de recombinao e
mutao nas variveis deste subconjunto 1 quando o objetivo selecionado refere-
se funo objetivo do problema (5.31), capacidade de gerao de potncia ativa
(5.32) ou capacidade trmica das linhas de transmisso (5.35).
Subconjuntos 2, 3 e 4 (Figura 5.2): Se o objetivo selecionado a funo objetivo
do problema (5.31), capacidade de gerao de potncia reativa (5.33), violaes
de tenso (5.34) ou a capacidade trmica das linhas de transmisso (5.35) os
processos de recombinao e mutao so realizados nestes subconjuntos.
Este procedimento ilustrado na Figura 5.3.
Formulao e Soluo do Problema de FPO em Sistemas Multimercados 90
Selecionar aleatoriamente um objetivo
(S)
(N)
(S)
1 5
, ou ? f f Fim
(N) (S)
Incio
1 2 5
, ou ? f f f
3 4
ou ? f f
Subproblema Reativo
Realizar a recombinao ou
mutao nos subconjuntos:
Subconjunto 2
...
1
V
n
V
Subconjunto 3
...
1
t
k
t
Subconjunto 4
...
1
Sc
h
Sc
Subproblema Ativo
Realizar a recombinao ou
mutao subconjunto:
Subconjunto 1
...
1
Pg
m
Pg
Figura 5.3: Estrutura do desacoplamento implcito das variveis do FPO.
4.1.4 Operadores Genticos
a) Seleo por torneio e recombinao
O procedimento de seleo adotado o de torneio, no qual alguns
indivduos so aleatoriamente escolhidos da populao e, com base em algum
critrio, o indivduo vencedor ento selecionado. Normalmente, o critrio
utilizado pela maioria dos algoritmos evolutivo uniobjetivo o valor da funo de
aptido, j para os algoritmos evolutivos multiobjetivos alguma estratgia de
nicho empregada de forma a modificar as aptides reais dos indivduos
conforme a densidade de vizinhos em sua volta.
Nesta pesquisa, o procedimento de torneio empregado efetuado
diretamente sobre as ordens (fronteiras) recebidas pelos indivduos, deste modo,
os indivduos so selecionados no s pelas suas aptides, mas sim pelas suas
aptides dentro do contexto multiobjetivo de dominncia. Alm disso, este
procedimento realizado em conjunto com o operador de recombinao de um
nico ponto.
Formulao e Soluo do Problema de FPO em Sistemas Multimercados 91
Seja { }
ind
N um conjunto que contm os Npop indivduos da populao e
{ } M um conjunto que contm as solues { } / e
ind
M M N M E para serem
utilizadas nos processos de seleo e recombinao.
A recombinao entre indivduos efetuada atravs do seguinte
procedimento:
i. Selecionar por torneio um indivduo pai, P1, do subconjunto M;
ii. Selecionar aleatoriamente o segundo pai, P2, do subconjunto E;
iii. Selecionar aleatoriamente um dos objetivos do problema e iniciar o
processo de recombinao;
iv. Gerar um nmero aleatrio [ ] 1 , 0 r . Se Pr < r , ento, obter aleatoriamente
o ponto de recombinao. Caso contrrio, voltar ao passo i;
v. Se o objetivo escolhido no passo iii se refere ao custo da gerao, ento, a
recombinao de um nico ponto realizada considerando todos os
subconjuntos de variveis de controle (Figura 5.2). Caso contrrio, o
desacoplamento implcito das variveis do problema realizado;
vi. Repetir os passos i a v at que a nova populao possua o nmero de
indivduos predefinido.
b) Mutao
A mutao um operador de grande importncia para a soluo do
problema de FPO abordado, pois introduz, aleatoriamente, novas informaes na
populao, prevenindo a convergncia prematura do algoritmo. A seqncia deste
procedimento descrita abaixo:
Formulao e Soluo do Problema de FPO em Sistemas Multimercados 92
i. Gerar um nmero aleatrio [ ] 1 , 0 m ;
ii. Se Pm m< , ento, selecionar aleatoriamente um dos objetivos do problema
para realizar a mutao. Caso contrrio, voltar ao passo i;
iii. Se o objetivo escolhido no passo ii diferente do custo da gerao, ento,
deve-se realizar o desacoplamento implcito das variveis do problema.
Caso contrrio, a mutao efetuada em todos os subconjuntos das
variveis de controle (Figura 5.2);
iv. Selecionar o ponto de mutao para a varivel que sofrer mutao.
v. Trocar o valor atual da varivel selecionada por um valor gerado
aleatoriamente no domnio desta varivel;
vi. Repetir os passos i a v at que a nova populao tenha o nmero de
indivduos predefinido.
4.1.5 Diversidade
Geralmente, para preservar a diversidade da populao em algoritmos
evolutivos multiobjetivos, utiliza-se a tcnica de niching [Goldberg, 1987; Deb et
al., 2000]. Esta tcnica tenta evitar a convergncia prematura do AEMO mantendo
subpopulaes estveis de solues de boa qualidade. No AEMO proposto para
preservar a diversidade na populao utilizam-se taxas de recombinao e
mutao atualizadas de forma adaptativa, como segue:
( )
max max min
Pr Pr ig Pr Pr nmax
1
]
(5.40)
( )
max min mim
Pm Pm ig Pm Pm nmax
1
+
]
(5.41)
Formulao e Soluo do Problema de FPO em Sistemas Multimercados 93
sendo: Pr e Pm as taxas de recombinao e mutao, respectivamente;
min max min max
, , e Pr Pr Pm Pm representam os limites inferior e superior das taxas
de recombinao e mutao, respectivamente; ig e nmax o ndice e o nmero
mximo de geraes, respectivamente.
4.1.6 Avaliao da Funo de Aptido e Soluo Incumbente
Os algoritmos multiobjetivos fornecem um conjunto grande de solues
aceitveis. Tais solues esto distribudas em diversas fronteiras, e conforme j
mencionado, todos os pontos em uma fronteira particular possuem o mesmo grau
de dominncia, sendo os pontos da primeira fronteira os mais aptos, porque esto
associados aos pontos dominantes da populao.
Na resoluo do problema de fluxo de potncia timo desejvel
encontrar uma soluo para a qual os valores de todas as funes objetivo so
considerados aceitveis pelo setor de planejamento dos sistemas eltricos. Em
outras palavras, deseja-se determinar, sobre o conjunto Pareto-timo um conjunto
particular de variveis de controle (Figura 5.2) que permitam atingir valores
eficientes de todas as funes objetivos baseado em algum critrio de deciso.
Nesta pesquisa, para determinar uma soluo particular, a cada gerao, aplicou-
se uma tcnica de escalarizao nas solues pertencentes a primeira fronteira
( )
1
F , como segue:
( ) ( )
1
k
best i i
i
f x w f x
sendo: ( )
best
f x a funo de adaptao (fitness); 0
i
w os coeficientes ponderados
que representam a importncia relativa dos objetivos
i
f , e k o nmero mximo
de objetivos que compem o problema. Na Figura. 5.4 ilustram-se os conceitos de
Formulao e Soluo do Problema de FPO em Sistemas Multimercados 94
fronteira de Pareto, solues dominadas e no dominadas, considerando um
problema de otimizao biobjetivo (
1
f ) e (
2
f ).
0 0.5 1 1.5 2 2.5 3 3.5 4
0
0.5
1
1.5
2
2.5
3
3.5
4
f1
f
2
Solues
Dominadas
Solues no
Dominadas Primeira Fronteira
x1
x3
x2
Figura 5.4: Fronteira de Pareto, solues dominadas e no dominadas,
caso biobjetivo.
Os pontos
1
x e
2
x , nessa figura, representam algumas das solues no-
dominadas da primeira fronteira, nas quais se aplica a tcnica de escalarizao. A
soluo eficiente que apresentar o menor valor para ( )
best
f x denominada
soluo incumbente.
4.1.7 Critrios de Parada
O critrio de parada escolhido para o algoritmo evolutivo multiobjetivo o
nmero mximo de geraes ( ) nmax . Considera-se que as equaes de fluxo de
potncia (5.36) e (5.37) esto convergidas quando seus mdulos forem menores
ou iguais a um determinado .
Para modelo de operao 3 (descentralizado sucessivo), alm dos critrios
de paradas do AEMO e Mtodo de Newton [Monticelli, 1983], necessrio
Formulao e Soluo do Problema de FPO em Sistemas Multimercados 95
definir o nmero de submercados a ser analisado, que ser mais um critrio de
parada para este modelo.
4.1.8 Diagrama de Blocos da Tcnica de Soluo
Na Figura 5.5 ilustra-se o processo iterativo da tcnica de soluo adotada
para a soluo do problema de fluxo de potncia timo multimercados (5.31)-
(5.38), considerando os trs modelos de operao possveis para o sistema
interligado, composto por n submercados de energia eltrica.
Formulao e Soluo do Problema de FPO em Sistemas Multimercados 96
Definir o modelo de Simulao
Gerar a populao inicial
para o submercado escolhido
Atualizar as variveis de
controle para o
submercado analisado
Fim
(S)
Selecionar o novo
submercado para ser
analisado
(N)
Estratgia elitista
Todos os
submercados foram
analisados?
modelo - 1
Centralizado
modelo -2
Descentralizado
modelo - 3
Descentralizado
Sucessivo
Selecionar o
subsistema para ser
analisado
Definir o nmero de
subsistemas para serem
analisados
Leitura dos nveis de SIP para
todos os submercados
Avaliao do
NSGA
ig = ig + 1
ig < nmax
(N)
(S)
Gerar a populao inicial
para o sistema de
potncia completo
Solues no dominadas
(Algortimo de busca)
Modelo - 3?
(S) (N)
Seleo e recombinao
Mutao
ig = 1
Processar o FP para o
submercado escolhido
Classificao das
Solues
Solues incumbentes
(Tcnica de Escalarizao)
Nova Populao
Figura 5.5: Diagrama de blocos do AEMO implementado.
Formulao e Soluo do Problema de FPO em Sistemas Multimercados 97
5. CONSIDERAES FINAIS SOBRE O CAPTULO
Neste captulo foram apresentadas a formulao do problema de fluxo de
potncia timo multimercados e a tcnica utilizada para decompor este problema
em vrios subproblemas menores. O problema de fluxo de potncia timo em
sistemas multimercados que tem como funo objetivo o despacho econmico de
gerao de potncia ativa e os ajustes dos dispositivos de controles de tenso foi
apresentado e discutido. Alm disso, apresentou-se a tcnica de soluo adotada
para este problema e os modelos de operao que o algoritmo de decomposio
permite resolver.
VI - Testes e Resultados
este captulo o modelo de decomposio do problema de fluxo de
potncia timo e a eficincia e robustez da tcnica de soluo
adotada so testadas atravs de simulaes com dois sistemas testes. Os resultados
obtidos, considerando-se os modelos de operao apresentados no captulo
anterior, so detalhados e discutidos.
1. Introduo ..................................................................................................99
2. Sistema RTS-96.........................................................................................101
3. Sistema IEEE-354 .....................................................................................121
4. Discusso dos Resultados ..........................................................................140
5. Consideraes Finais sobre o Captulo ......................................................146
N
Testes e Resultados 99
1 INTRODUO
A tcnica de soluo adotada foi avaliada utilizando dois sistemas teste
(RTS-96 e IEEE-354) e trs modelos de operao: centralizado (modelo 1),
descentralizado (modelo 2) e descentralizado sucessivo (modelo 3). Os dois
sistemas-teste so compostos por trs submercados (A, B e C).
O nvel de intercmbio especificado (SIP) foi considerado igual ao nvel
de intercmbio obtido atravs da soluo do Fluxo de Potncia convencional (FP)
usando as bases de dados padres dos sistemas analisados e considerando o
sistema multimercado completo como sendo um nico mercado de energia
eltrica. Esse intercmbio tambm poderia ter sido especificado atravs de
contratos bilaterais com base nos valores de custos marginais de potncia ativa
nas barras de fronteira obtidos com a soluo de um FPO-DC, ou com a soluo
do problema de FPO considerando-se as restries de acoplamento (restrio
(5.26) apresentada no captulo anterior) livres.
Como nos dois testes apresentados, neste captulo, o nvel de intercmbio
entre os submercados vizinhos foi especificado com base nos estados obtidos com
a soluo de fluxo de potncia convencional, os resultados obtidos com as
simulaes dos modelos descentralizado (modelo 2) e descentralizado sucessivo
(modelo 3) so comparados com os resultados do FP convencional para mostrar a
validade da tcnica de decomposio proposta. Esta comparao tem como
objetivo mostrar que ao otimizar um determinado submercado, aplicando a
metodologia proposta, os outros submercados permanecem inalterados.
Os testes realizados visam mostrar o desempenho da metodologia e da
tcnica de soluo abordada em relao aos seguintes aspectos:
- Desempenho do AEMO proposto e implementado;
Testes e Resultados 100
- Minimizao do custo operacional da gerao de potncia ativa do sistema
multimercado completo (fluxo de potncia timo multimercado, simulado
de modo centralizado Modelo 1);
- Minimizao do custo operacional da gerao de potncia ativa em cada
submercado (fluxo de potncia timo multimercado, simulado de modo
descentralizado Modelo 2);
- Minimizao do custo operacional da gerao de potncia ativa para o
sistema completo, atravs da anlise de cada submercado (fluxo de
potncia timo multimercado, simulado sucessivamente de modo
descentralizado Modelo 3);
- Eficincia operacional.
Em todos os testes apresentados, a funo objetivo
1
f (Equao (5.30)) foi
tratada como uma funo quadrtica. As equaes de fluxo de carga foram
calculadas atravs do mtodo de Newton [Monticelli, 1983]. Nos dois sistemas-
teste, o primeiro dgito que aparece na numerao das barras refere-se ao
submercado em que uma determinada barra est localizada e os dgitos seguintes
representam o nmero da barra ou linha. Neste trabalho, os ndices dos
submercados so:
- ndice 1: Submercado A;
- ndice 2: Submercado B;
- ndice 3: Submercado C.
A representao numrica dos ndices das barras dos sistemas teste
utilizados ilustrada na Figura 6.1.
Testes e Resultados 101
1 1 3
Submercado A
{ {
Barra 13
Figura 6.1 Representao dos ndices das barras dos sistemas teste.
2. SISTEMA RTS-96
Este sistema composto por 72 barras, 96 geradores, 119 linhas de
transmisso e 5 linhas de ligao. A base de dados deste sistema encontra-se em
[Grigg et al., 1999].
Nos testes realizados, a linha de transmisso que liga a barra 325
(pertencente ao submercado 3) com a barra 121 (pertencente ao submercado 1) foi
retirada, porque esta linha contm um transformador defasador e este
equipamento no est incluso na modelagem do problema (5.30)-(5.37). Nas
simulaes com este sistema foram utilizados os seguintes parmetros:
- Nmero mximo de submercados para anlise
(Narea)
: 3
- Nmero mximo de geraes (Nmax) para os
Modelos 2 e 3
:
500
- Nmero mximo de geraes (Nmax) para o
Modelo 1
:
850
- Tamanho da populao (Npop) para os
Modelos 2 e 3
: 300
Testes e Resultados 102
- Tamanho da populao (Npop) para o
Modelo 1
: 600
- Magnitude mnima de tenso (
min
V ) : 0,94 pu
- Magnitude mxima de tenso (
max
V ) : 1,06 pu
- Limite inferior da taxa de recombinao (
min
Pr )
: 0,1
- Limite superior da taxa de recombinao (
max
Pr )
: 0,9
- Limite inferior da taxa de mutao (
min
Pm ) : 0,01
- Limite superior da taxa de mutao (
max
Pm ) : 0,8
- Tolerncia usada no mtodo de Newton ( ) :
4
10
- Convergncia do modelo 3 : Narea
- Barras slack; : 113, 213, 313
- Tamanho do passo para a gerao dos taps ( t ) : 0, 01
- Tamanho do passo para a gerao dos shunts ( Sc ) : 0,125
Para determinar uma soluo particular, a cada gerao, aplicou-se uma
tcnica de escalarizao nas solues pertencentes primeira fronteira (
1
F ). Esta
tcnica exige a especificao de coeficientes ponderados que representam a
importncia relativa de cada uma das funes objetivos consideradas no problema
(Equaes (5.30)-(5.34) e da restrio de acoplamento. A restrio de
acoplamento (5.37) dividida em duas restries, uma para o subproblema ativo e
outra para o subproblema reativo. As infactibilidades destas duas restries so
agregadas na funo objetivo original do problema (5.30). Os coeficientes
ponderados para as funes objetivos do problema e para as restries de
acoplamento so apresentados na Tabela 6.1.
Testes e Resultados 103
Tabela 6.1: Coeficientes ponderados utilizados para a determinao de ( )
best
f x .
Coeficientes
Custo da Gerao
Infactibilidade da gerao de potncia ativa
Funes Objetivos
1
25
1000
100
( )
1
f
( )
2
f
Infactibilidade da gerao de potncia reativa( )
3
f
Infactibilidade da magnitude de tenso( )
4
f
Infactibilidade da capacidade das linhas de
transmisso
( )
5
f
( )
i
f
( )
i
w
100
Coeficientes
Subproblema ativo
Restries de acoplamento
1000
adaptativo
( )
i
Subproblema reativo
1
2
( )
max max min
2
y ig y y nmax
1
]
max min
sendo: 10000, 9900 y y
2.1. MINIMIZAO DO CUSTO DA GERAO DE POTNCIA ATIVA
Na Tabela 6.2 apresentam-se os custos e a capacidade fsica de
cada gerador, assim como, as geraes de potncia ativa obtidas atravs das
simulaes com os trs modelos de operao. Os resultados apresentados para o
modelo 2, referem-se as simulaes de cada um dos submercados. Neste caso, os
submercados, que no esto sendo analisados, permanecem inalterados, isto , as
suas variveis de controle so fixas. Para o modelo 3, os valores da potncia ativa
gerada em cada gerador, referem-se ao estado final, aps a convergncia do
modelo (nmero mximo de submercados para serem analisados).
Testes e Resultados 104
Tabela 6.2: Detalhes das simulaes com o sistema RTS-96.
Geradores
Potncia Ativa Gerada
11
Modelo 1
Modelo 3
12
17
113
115
Subm.
116
118
121
122
123
197,752
1,839
295,012
257,459
246,325
189,927
475,548
478,048
199,796
492,868
198,783
2,697
299,349
583,770
120,958
189,599
326,299
478,937
199,222
492,333
A
Modelo 2
198,142
2,455
298,528
580,296
75,551
189,484
474,882
376,588
197,437
499,438
min
i
Pg
max
i
Pg
1,00
1,00
1,00
1,00
1,00
1,00
1,00
1,00
1,00
1,00
200,00
200,00
300,00
600,00
250,00
190,00
480,00
480,00
200,00
500,00
Custos
1 0
C C
21
22
27
213
215
216
218
221
222
223
199,180
2,062
297,284
516,175
249,737
187,411
479,264
475,825
197,236
496,649
199,477
1,559
299,285
539,900
29,405
188,838
478,045
479,078
197,447
484,993
B
199,228
1,295
298,471
244,571
184,906
258,206
477,466
198,782
481,758
1,00
1,00
1,00
1,00
1,00
1,00
1,00
1,00
1,00
1,00
200,00
200,00
300,00
600,00
250,00
190,00
480,00
480,00
200,00
500,00
31
32
37
313
315
316
318
321
322
323
198,616
2,282
298,660
199,931
239,157
185,745
477,299
196,778
499,413
199,722
3,913
299,897
614,410
140,255
1,030
479,340
479,922
198,519
479,141
C
198,408
3,337
299,028
325,921
246,568
188,930
479,385
476,995
199,637
485,624
1,00
1,00
1,00
1,00
1,00
1,00
1,00
1,00
1,00
1,00
200,00
200,00
300,00
600,00
250,00
190,00
480,00
480,00
200,00
500,00
0,2174
2,2174
0,3086
1,3086
1,0526
0,4348
0,2494
0,1900
0,6061
0,2053
0,2174
3,2174
0,2986
1,3086
1,0526
0,3748
0,2494
0,1900
0,3541
0,2053
0,2174
3,2174
0,3086
1,3086
1,0526
0,4348
0,4494
0,1900
0,3061
0,2053
479,232
549,885
( )
2
1 2 1 0 2
, 0, 00
i i
f C Pg C Pg C C + + ;
Custo da gerao (US$/MWh);
Potncia ativa gerada (MW).
Testes e Resultados 105
Na Figura 6.2 apresentam-se os custos da gerao de potncia ativa
obtidos atravs da soluo dos trs modelos de operao e atravs da soluo do
fluxo de potncia convencional, para cada um dos submercados.
0
200
400
600
800
1000
1200
1400
1600
1800
2000
Subm. A Subm. B Subm. C
FP Modelo 2 Modelo 3 Modelo 1
Subm. A Subm. B Subm. C
Figura 6.2 Custo da gerao de potncia ativa (US$/h) RTS-96.
Comparando os resultados obtidos utilizando-se o modelo 2 (Figura 6.2)
com os resultados obtidos atravs da soluo do fluxo de potncia convencional
(FP), observa-se que ao aplicar a metodologia proposta o submercado escolhido
para anlise apresenta os custos operacionais reduzidos enquanto os demais
permanecem com os seus custos inalterados. Na Tabela 6.3 apresentam-se os
custos de operao obtidos para este sistema, atravs do fluxo de potncia e da
aplicao do modelo 2. As regies sombreados apresentadas na Tabela 6.3
referem-se aos submercados sob anlise.
Testes e Resultados 106
Tabela 6.3: Custo da gerao (US$/h) Modelo 2.
FP
A
B
C
Submercados
Operao descentralizada
(Modelo 2)
1733,10
1813,57
1887,86
5344,71
1480,93
1813,57
1887,86
5182,36
1733,10
1514,83
1887,86
5135,79
1733,10
1813,57
1388,91
4935,58
Subm. A Subm. B Subm. C
A reduo dos custos da gerao de cada submercado ilustrada na Tabela
6.4.
Tabela 6.4: Reduo dos custos da gerao em cada submercado (%) Modelo 2.
FP
A
B
C
Submercados
Descentralizado
(Modelo 2)
Reduo dos
Custos (%)
1733,10
1813,57
1887,86
1480,93
1514,83
1388,91
14,55
16,47
26,43
Analisando os custos da gerao de potncia ativa, obtidos para cada
submercado (Tabela 6.4), tem-se que ao utilizar o modelo 2 para o submercado A
os custos da gerao de potncia ativa desse submercado so reduzidos em
aproximadamente 14,55% em relao ao caso base (fluxo de potncia
convencional). Nas simulaes com os submercados B e C os custos so
reduzidos em aproximadamente 16,47% e 26,43%, respectivamente. Deve-se
ressaltar que esta comparao est sendo realizada em relao ao FP porque os
intercmbios especificados que foram usados nas simulaes com os modelos 2 e
Testes e Resultados 107
3 so obtidos a partir do estado operacional fornecido pela soluo do fluxo de
potncia convencional.
Na Tabela 6.5 so apresentados os custos da gerao obtidos com as
simulaes para os modelos de operao centralizada (modelo 1) e
descentralizada sucessiva (modelo 3). Comparando os resultados mostrados na
Tabela 6.5 observam-se que os custos operacionais obtidos com a aplicao do
modelo 3 so maiores do que os obtidos atravs do modelo 1. A diferena entre os
custos operacionais obtidos para a soluo do modelo centralizado (modelo 1) do
sistema completo ( ) e os custos operacionais para soluo de cada um dos
submercados sucessivamente (modelo 3) mostrado na Tabela 6.6.
Tabela 6.5: Comparao entre os modelos de operao centralizada e
descentralizada sucessiva - Custo da gerao (US$/h).
FP
A
B
C
Submercados
Modelos de operao
Centralizado
(Modelo 1)
Descentralizado
sucessivo
(Modelo 3)
1733,10
1813,57
1887,86
5434,53
1255,40
1536,52
1213,33
4005,25
1516,27
1333,21
1574,11
4423,59
Testes e Resultados 108
Tabela 6.6: Diferena entre os custos operacionais obtido para o sistema completo
() com os Modelos 1 e 3.
Acrscimo dos
Custos
(%)
4005,25 10,44
Centralizado
(modelo1)
4423,59
Descentralizado
Sucessivo
(modelo3)
Comparando-se os custos da gerao de potncia ativa, obtidos com os
modelos de operao 1 e 3 (Tabela 6.6), observa-se que os custos obtidos com o
modelo 3 aproximadamente 10,44% maior do que os custos obtidos como
modelo 1. Esta diferena se justifica devido ao fato das variveis do problema de
fluxo de potncia tima multimercado estar restrita ao submercado em anlise,
quando o problema de FPO multimercado resolvido atravs do modelo de
operao descentralizada. Por outro lado, trata-se de dois problemas fisicamente
diferentes. Deve-se tambm levar em considerao que as sementes utilizadas no
processamento de cada um dos algoritmos evolutivos so aleatrias e, desta
forma, cada vez que o problema resolvido efetua-se uma busca aleatria no
espao de solues do problema.
Ao se comparar os custos da gerao de potncia ativa do sistema
completo ( ), verifica-se que para as solues obtidas com os modelos 1 e 3 os
seus custos so reduzidos em 26,30% e 18,60% em relao ao FP. Estes
resultados so apresentados na Tabela 6.7.
Testes e Resultados 109
Tabela 6.7: Reduo dos custos operacionais, obtido para o sistema completo (),
com os Modelos 1 e 3.
FP
Modelos de
Operao
Reduo dos
Custos (%)
5434,53
Descentralizado
Sucessivo
(Modelo 3)
Centralizado
(Modelo 1)
4005,25
4423,59
26,30
18,60
Os detalhes dos custos operacionais obtidos para cada submercado em
anlise, quando aplicado o modelo 3 para a soluo do problema de FPO
multimercado, so mostrados na Tabela 6.8 e na Figura 6.3.
Tabela 6.8: Detalhes do modelo de operao descentralizado sucessivo - Custo da
gerao (US$/h).
A
B
C
Submercados
1516,27
1813,57
1887,86
5217,70
1516,27
1333,21
1887,86
4737,34
1516,27
1333,21
1574,11
4423,59
Subm. A Subm. B Subm. C
Testes e Resultados 110
0
200
400
600
800
1000
1200
1400
1600
1800
2000
Modelo 3
FP Subm. A Subm. A e B Subm. A, Be
C
Subm. A Subm. B Subm. C
Figura 6.3 Custo da gerao de potncia ativa obtido com o modelo 3 (US$/h)
RTS-96.
Nas simulaes com o modelo de operao 3, aps a soluo do FPO para
o submercado escolhido, as variveis de controle deste subsistema so fixadas nos
valores otimizados encontrados e, ento, seleciona-se outro submercado para
anlise at que o nmero mximo de submercado predefinido para anlise seja
satisfeito. Observando os custos operacionais mostrados na Tabela 6.8, conclui-se
que a metodologia foi inicialmente aplicada ao submercado A e,
conseqentemente, o custo operacional deste submercado foi reduzido. Aps a
convergncia do algoritmo evolutivo multiobjetivo os valores otimizados das
variveis de controle obtidos para este submercado so fixados, e escolhe-se um
novo submercado para resolver o FPO, neste caso, o submercado B. Este processo
segue at que o critrio de convergncia adotado para o modelo 3 seja satisfeito.
Como o critrio de convergncia adotado foi o nmero mximo de submercados,
aps a anlise dos 3 submercados tem-se a otimizao do sistema multimercado
completo.
Testes e Resultados 111
2.2. COMPORTAMENTO DA CONVERGNCIA DO AEMO
O desempenho do AEMO desenvolvido e implementado para soluo do
modelo de FPO ilustrado nas Figuras 6.4-6.7.
Na Figura 6.4 mostrado o comportamento dos custos da gerao de
potncia ativa, para a melhor soluo encontrada em cada gerao. Estes
resultados foram obtidos atravs das simulaes com o Modelo 1.
O comportamento dos custos da gerao de potncia ativa dos
submercados A, B e C, para a melhor soluo encontrada em cada gerao com as
simulaes do Modelo 2, so ilustrados nas Figuras 6.5-6.7.
0 100 200 300 400 500 600 700 800 900
4000
4200
4400
4600
4800
5000
5200
5400
5600
5800
Geraoes
C
u
s
t
o
d
a
G
e
r
a
a
o
Figura 6.4 Comportamento do custo da gerao de potncia ativa (US$/h)
obtido com o modelo 1.
Testes e Resultados 112
0 50 100 150 200 250 300 350 400 450 500
1400
1600
1800
2000
2200
2400
2600
Custo da Geraao
G
e
r
a
o
e
s
Figura 6.5 Comportamento do custo da gerao de potncia ativa (US$/h) do
submercado A obtido com o modelo 2.
0 50 100 150 200 250 300 350 400 450 500
1300
1400
1500
1600
1700
1800
1900
2000
2100
2200
2300
Geraoes
C
u
s
t
o
d
a
G
e
r
a
a
o
Figura 6.6 Comportamento do custo da gerao de potncia ativa (US$/h) do
submercado B obtido com o modelo 2.
Testes e Resultados 113
0 50 100 150 200 250 300 350 400 450 500
1200
1400
1600
1800
2000
2200
2400
2600
2800
3000
Geraoes
C
u
s
t
o
d
a
g
e
r
a
a
o
Figura 6.7 Comportamento do custo da gerao de potncia ativa (US$/h) do
submercado C obtido com o modelo 2.
Analisando-se as Figuras 6.4-6.7, verifica-se que o custo da gerao de
potncia ativa no possui um comportamento montono decrescente. Este fato se
justifica devido o uso da tcnica de escalarizao utilizada e ao operador de
mutao. Nesta tcnica de escalarizao utilizam-se coeficientes ponderados que
representam a importncia de cada uma das funes objetivo do problema e, na
maioria das vezes, uma soluo no dominada com menor custo pode no ser a
mais vivel para o decisor ou operador.
Testes e Resultados 114
2.3. QUALIDADE DOS SERVIOS OFERECIDOS E EFICINCIA
OPERACIONAL
No novo cenrio de competio do mercado de energia eltrica objetiva-se
obter continuamente os menores custos operacionais com os melhores ndices de
qualidade de operao da rede. Para isso, so necessrias ferramentas
computacionais capazes de fornecer suporte para os engenheiros e tcnicos
detectarem eventuais problemas fsicos e operacionais. Neste trabalho, a
metodologia abordada e a tcnica de soluo proposta so testadas em relao a
estes requisitos como segue.
2.3.1 Ajustes dos Dispositivos de Controles de Reativos
Na Figura 6.8 ilustra-se as infactibilidades da gerao de potncia reativa.
Analisando-se esta figura percebe-se que a capacidade de gerao de potncia
reativa sofrer pequenas alteraes devido a no-linearidade do subproblema
reativo e a dificuldade de atender a restrio de acoplamento, em relao ao
subproblema reativo, com preciso. Na Tabela 6.9 apresentam-se os valores das
infactibilidades da gerao de potncia reativa, obtidas com as simulaes dos trs
modelos de operao e com o fluxo de potncia convencional.
Tabela 6.9: Infactibilidades na gerao de potncia reativa (MVAr).
FP Modelo 2
A
B
C
Submercados
Modelos de Operao
Modelo 1 Modelo 3
41,024
38,072
37,694
116,790
0,00
0,000
0,000
0,000
0,000
39,466
37,694
77,160
41,101
0,000
37,833
78,934
41,167
38,300
0,000
79,467
0,000
0,000
0,000
0,000
Subm. A Subm. B Subm. C
Testes e Resultados 115
0
0,1
0,2
0,3
0,4
0,5
0,6
0,7
0,8
0,9
1
Subm. A Subm. B Subm. C
FP Modelo 2 Modelo 3 Modelo 1
Subm. A Subm. B Subm. C
Figura 6.8 Infactibilidades na gerao de potncia reativa (pu) RTS-96.
Analisando-se os resultados obtidos atravs das simulaes utilizando-se
os modelos de operao centralizada (1) e descentralizada sucessiva (3) (Tabela
6.9 e Figura 6.8), conclui-se que o modelo de decomposio proposto alm de ser
capaz de minimizar os custos de gerao de potncia ativa com eficincia,
tambm uma ferramenta eficiente para simular os ajustes dos controles de fontes
reativas, atendendo os limites operacionais das fontes e dos dispositivos de
controle de potncia reativa.
Na Tabela 6.10 apresentam-se os valores obtidos para os taps dos
transformadores, atravs das simulaes utilizando os modelos de operao
centralizada (1) e descentralizada sucessiva (3). Na Tabela 6.11 mostram-se os
valores do taps de transformadores obtidos com a simulao do modelo 2
(descentralizado).
Testes e Resultados 116
Tabela 6.10: Taps dos transformadores (pu) Modelos 1 e 3.
Linhas
Modelos de Operao
107-103
Centralizado
Descentralizado
Sucessivo
115-109
116-109
117-110
118-110
Subm.
B
C
0,95
0,96
0,94
0,94
1,03
0,97
0,96
0,97
0,94
1,01
0,98
1,03
0,94
1,02
0,95
0,99
0,94
0,94
0,94
1,04
0,94
0,94
0,96
1,02
1,04
0,95
0,95
0,97
0,97
1,01
A
207-203
215-209
216-209
217-210
218-210
307-303
315-309
316-309
317-310
318-310
Tabela 6.11: Taps dos transformadores (pu) Modelo 2.
Linhas
Operao Descentralizada
(Modelo 2)
107-103, 207-203, 307-303
Subm. A Subm. C
115-109, 215-209, 315-309
116-109, 216-209, 316-309
117-110, 217-210, 317-310
118-110, 218-210, 318-310
1,00
0,97
1,03
1,01
1,02
0,97
0,94
0,94
0,94
0,99
Subm. B
0,96
0,95
0,95
0,99
0,95
Testes e Resultados 117
Os ajustes obtidos para os capacitores e reatores shunts so apresentados
nas Tabelas 6.12 e 6.13. Os resultados obtidos com as simulaes utilizando-se os
modelos 1 e 3 esto representados na Tabela 6.12, e os resultados obtidos com as
simulaes utilizando-se o modelo 2 encontram-se na Tabela 6.13.
Tabela 6.12: Capacitores/reatores shunts (pu) Modelos 1 e 3.
Barras
Modelos de Operao
106
Centralizado
Descentralizado
Sucessivo
206
306
Subm.
A
B
C
-0,375
-0,500
-0,500
0,000
-0,750
-0,375
Tabela 6.13: Capacitores/reatores shunts (pu) Modelo 2.
Barras
Modelo de Operao
106
Descentralizado
206
306
Subm.
A
B
C
-0,125
-1,000
-1,000
Nas Tabelas 6.10-6.13 verifica-se a capacidade e eficincia tanto do
modelo matemtico como da tcnica de soluo implementada em tratar com as
variveis discretas envolvidas no problema de fluxo de potncia timo
multimercado.
Testes e Resultados 118
2.3.2 Magnitudes de Tenses
Os perfis das magnitudes de tenses obtidas com os modelos de operao
centralizada (1) e descentralizada sucessiva (3) so mostrados nas Figuras 6.9 e
6.10, respectivamente. Na Figura 6.11 apresentam-se as magnitudes de tenses
obtidas para os submercados A, B e C aps a aplicao do modelo de operao
descentralizada (2) para soluo do problema de fluxo de potncia timo
multimercado. Os resultados das simulaes com a metodologia proposta so
comparados com os resultados do caso base (FP), obtidos atravs do mtodo de
Newton [Monticelli, 1983]. Deve-se ressaltar que originalmente este sistema no
apresenta problemas de violaes das magnitudes das tenses, considerando-se os
limites especificados nas simulaes. Aps a aplicao da tcnica de soluo, a
restrio de tenso continua sendo devidamente atendida em todas as barras do
sistema.
101 112 124 212 224 312 324
0.92
0.94
0.96
0.98
1
1.02
1.04
1.06
1.08
1.1
Barras
V
Vmin
FP
Modelo 1
Vmax
Figura 6.9 Magnitudes das tenses (pu) obtidas para a operao centralizada.
Testes e Resultados 119
101 112 124 212 224 312 324
0.92
0.94
0.96
0.98
1
1.02
1.04
1.06
1.08
1.1
Barras
V
Vmin
FP
Modelo 3
Vmax
Figura 6.10 Magnitudes das tenses (pu) obtidas para a operao
descentralizada sucessiva.
101 106 112 118 124
0.9
1
1.1
V
201 206 212 218 224
1
1.2
V
301 306 312 318 324
1
1.2
Barras
Vmin
FP
Modelo 2
Vmax
Vmin
FP
Modelo 2
Vmax
Vmin
FP
Modelo 2
Vmax
Submercado A
Submercado B
Submercado C
Figura 6.11 Magnitudes das tenses (pu) obtidas para a operao
descentralizada.
Testes e Resultados 120
2.3.3 Gerao da Potncia Ativa na Barra de Referncia
Os limites operacionais para capacidade de gerao de potncia ativa para
a barra de referncia do sistema e de cada um de seus submercados foram
devidamente satisfeitos em todas as simulaes realizadas com os trs modelos de
operao.
Com a retirada da linha de transmisso que tinha um transformador
defasador, o problema de FPO multimercado apresentou problemas de
convergncia, nas simulaes com o modelo de operao centralizada (Modelo 1).
Para contornar esta dificuldade, a capacidade de gerao de potncia ativa dos
geradores para gerar a populao inicial teve que ser reduzida. O limite mximo
de potncia ativa gerada no foi alterado, mas o limite inferior utilizado, apenas
para a gerao da populao inicial foi alterado como segue:
min
0, 85
i i
Pg Pg
Aps a gerao da populao inicial o limite inferior da gerao de
potncia ativa voltou a ser 1 MW, como apresentado na Tabela 6.8, mas para
obter solues de boa qualidade, o nmero de geraes e o tamanho da populao
tiveram que ser aumentados, como apresentado na Seo 2.
2.3.4 Limites Trmicos das Linhas de Transmisso
Os limites trmicos de linhas de transmisso foram satisfeitos em todos os
testes realizados considerando-se todos os modelos de operao possveis atravs
da metodologia proposta.
Testes e Resultados 121
3. SISTEMA IEEE-354
Este sistema composto por 354 barras, 162 geradores, 558 linhas de
transmisso e 6 linhas de interligaes entre os submercados adjacentes. Os
parmetros utilizados nos testes com este sistema so:
- Nmero mximo de submercados para anlise
(Narea)
:
3
- Nmero mximo de geraes (Nmax) : 1600
- Tamanho da populao (Npop) : 800
- Mnima magnitude de tenso (
min
V ) : 0,94 pu
- Mxima magnitude de tenso (
max
V ) : 1,06 pu
- Limite inferior da taxa de recombinao (
min
Pr )
: 0,001
- Limite superior da taxa de recombinao (
max
Pr ) : 0,9
- Limite inferior da taxa de mutao (
min
Pm ) : 0,01
- Limite superior da taxa de mutao (
max
Pm ) : 0,9
- Convergncia do mtodo de Newton ( ) :
6
10
- Convergncia do modelo 3 : Narea
- Barras slack : 169, 269, 369
- Tamanho do passo para a gerao dos taps ( t ) : 0, 01
- Tamanho do passo para a gerao dos shunts ( Sc ) : 0,125
Testes e Resultados 122
Os coeficientes ponderados utilizados na tcnica de escalarizao para a
escolha de uma soluo particular da fronterira Pareto-tima so apresentados na
Tabela 6.14.
Tabela 6.14: Coeficientes ponderados utilizados para a determinao de ( )
best
f x .
Coeficientes
Custo da Gerao
Infactibilidade da gerao de potncia ativa
Funes Objetivos
1
50
adaptativo
1000
( )
1
f
( )
2
f
Infactibilidade da gerao de potncia reativa ( )
3
f
Infactibilidade da magnitude de tenso ( )
4
f
Infactibilidade dos fluxos das linhas de transmisso
( )
5
f
( )
i
f
( )
i
adaptativo
Coeficientes
Subproblema ativo:
Restries de acoplamento
adaptativo
adaptativo
( )
i
Subproblema reativo:
1
2
( )
max max min
adapt
f y ig y y nmax
1
]
max min
sendo: 10000, 9900 y y
( )
adapt
f
( )
adapt
f
( )
adapt
f
( )
adapt
f
3.1. MINIMIZAO DO CUSTO DA GERAO DE POTNCIA ATIVA
Para cada submercado, os custos da gerao de potncia ativa obtidos com
as simulaes considerando-se os trs modelos de operao e para o fluxo de
potncia convencional so apresentados na Figura 6.12.
Testes e Resultados 123
0
500
1000
1500
2000
2500
3000
3500
Subm. A Subm. B Subm. C
FP Modelo 2 Modelo 3 Modelo 1
Subm. A Subm. B Subm. C
Figura 6.12 - Custos da gerao de potncia ativa (US$/h) IEEE354.
Os resultados numricos obtidos com as simulaes dos modelos de
operao centralizada e descentralizada sucessiva so mostrados na Tabela 6.15.
Nestas tabelas so apresentados tambm os custos da gerao de potncia ativa
obtidos atravs do fluxo de potncia convencional (FP).
Tabela 6.15: Custos da gerao de potncia ativa do FP e para os modelos de
operao centralizado e descentralizado sucessivo - (US$/h).
FP
A
B
C
Submercados
Modelos de operao
Centralizado
(Modelo 1)
Descentralizado
sucessivo
(Modelo 3)
3111,20
3202,43
3192,34
9505,97
517,17
449,58
283,17
1249,92
477,04
431,95
481,07
1390,06
Testes e Resultados 124
Analisando-se os resultados numricos apresentados na Tabela 6.16 e
comparando-os com o fluxo de potncia convencional (FP), tem-se que no modelo
de operao centralizado (modelo 1) os custos da gerao de potncia ativa do
sistema inteiro ( ) so reduzidos em aproximadamente 86,85% e para o
descentralizado sucessivo (modelo 3) os custos so reduzidos em
aproximadamente 85,37%.
Tabela 6.16: Reduo dos custos da gerao de potncia ativa (%) em relao
ao fluxo de potncia convencional (FP).
FP
Modelos de
Operao
Reduo dos
Custos (%)
9505,97
Descentralizado
Sucessivo
(Modelo 3)
Centralizado
(Modelo 1)
1249,92
1390,06
86,85
85,37
Comparando-se os modelos de operao 1 e 3 (Tabela 6.17) tem-se que,
devido as variveis do modelo de operao 3 estarem restritas a cada um dos
submercados, os custos operacionais para este modelo so aproximadamente
35,34% maiores do que os custos operacionais obtidos para o modelo 1. Esta
diferena tambm est relacionada com a caracterstica intrnseca do Algoritmo
Evolutivo que utiliza semente aleatria toda vez que processado, e tambm ao
fato de que trata-se de dois problemas fisicamente diferentes.
Testes e Resultados 125
Tabela 6.17: Comparao entre os custos da gerao de potncia ativa dos
modelos 1 e 3 (%).
Acrscimo dos
Custos
(%)
1249,25 11,27
Centralizado
(modelo1)
1390,06
Descentralizado
Sucessivo
(modelo3)
Os custos da gerao de potncia ativa obtidos atravs do modelo de
operao descentralizado sucessivo so apresentados na Figura 6.13. Esta figura
mostra o custo da gerao obtido para cada submercado, at que o modelo atinja o
critrio de convergncia especificado (nmero mximo de submercados para
anlise).
0
500
1000
1500
2000
2500
3000
3500
Subm. A Subm. A e B Subm. A, B e
C
FP Modelo 3
Subm. A Subm. B Subm. C
Figura 6.13 Custo da gerao de potncia ativa obtido com o modelo de
operao descentralizado sucessivo - (US$/h).
Testes e Resultados 126
Na Tabela 6.18 so apresentados os custos da gerao de potncia ativa,
para cada submercado, obtidos atravs de simulaes com o modelo 2
(descentralizado). As regies sombreadas apresentadas na Tabela 6.18 referem-se
aos submercados em que o FPO multimercado foi resolvido atravs da tcnica
proposta neste trabalho.
Tabela 6.18: Custos da gerao de potncia ativa (US$/h).
FP
A
B
C
Submercados
Operao descentralizada
(Modelo 2)
3111,20
3202,43
3192,34
9505,97
457,34
3202,43
3192,34
3111,20
463,18
3192,34
3111,20
3202,43
492,80
Subm. A Subm. B Subm. C
6852,11 6766,72 6806,43
A reduo dos custos da gerao de cada submercado (Modelo 2) em
relao aos custos obtidos atravs do fluxo de potncia convencional ilustrada
na Tabela 6.19.
Tabela 6.19: Reduo dos custos da gerao em cada submercado (%).
FP
A
B
C
Submercados
Descentralizado
(Modelo 2)
Reduo dos
Custos (%)
3111,20
3202,43
3192,34
457,34
463,18
492,80
85,30
85,53
84,56
Testes e Resultados 127
Analisando os custos da gerao de potncia ativa, obtidos para cada
submercado (Tabela 6.19), tem-se que ao utilizar o modelo 2, para o submercado
A os custos da gerao de potncia ativa desse submercado so reduzidos em
aproximadamente 85,30% em relao ao caso base (fluxo de potncia
convencional).
Nas simulaes com os submercados B e C os custos so reduzidos em
aproximadamente 85,53% e 84,56%, respectivamente. Deve-se ressaltar que esta
comparao est sendo realizada em relao ao FP porque os intercmbios
especificados utilizados nas simulaes com os modelos 2 e 3 so obtidos a partir
do estado operacional fornecido pela soluo do fluxo de potncia convencional.
No despacho timo de potncia ativa utilizou-se uma funo quadrtica,
dada por:
( )
2
1 2 1 0 i i
f C Pg C Pg C + +
Nas simulaes com este sistema teste considerou-se o coeficiente de
custo
2
C igual a zero e os demais coeficiente, para cada submercados, so
apresentados nas Tabelas 6.20 (a), 6.20 (b) e 6.20 (c). Nestas Tabelas tambm se
apresentam os custos (US$) e a capacidade fsica de cada gerador (MW), assim
como, as geraes de potncia ativa (MW) obtidas atravs das simulaes com os
trs modelos de operao. Os resultados apresentados para o modelo 2, referem-se
s simulaes de cada um dos submercados. Para o modelo 3, os valores de
potncia ativa gerada em cada gerador referem-se ao estado final aps a
convergncia do modelo (nmero mximo de submercados para serem
analisados).
Testes e Resultados 128
Tabela 6.20 (a): Detalhes das simulaes do submercado A (IEEE-354).
Geradores
Potncia Ativa Gerada (MW)
11
Modelo 1
Modelo 3
14
16
18
110
SUBMERCADO A
112
115
118
119
124
197,752
1,839
295,012
257,459
246,325
189,927
475,548
478,048
199,796
492,868
198,783
2,697
299,349
583,770
120,958
189,599
326,299
478,937
199,222
492,333
Modelo 2
198,142
2,455
298,528
580,296
75,551
189,484
474,882
376,588
197,437
499,438
min
i
Pg
max
i
Pg
1,00
1,00
1,00
1,00
1,00
1,00
1,00
1,00
1,00
1,00
200,00
200,00
300,00
600,00
250,00
190,00
480,00
480,00
200,00
500,00
Custos
( )
1 0
C C
125
126
127
131
132
136
140
142
146
149
199,180
2,062
297,284
516,175
249,737
187,411
479,264
475,825
197,236
496,649
199,477
1,559
299,285
539,900
29,405
188,838
478,045
479,078
197,447
484,993
199,228
1,295
298,471
244,571
184,906
258,206
477,466
198,782
481,758
1,00
1,00
1,00
1,00
1,00
1,00
1,00
1,00
1,00
1,00
200,00
200,00
300,00
600,00
250,00
190,00
480,00
480,00
200,00
500,00
154
155
156
159
161
162
165
166
169
170
198,616
2,282
298,660
199,931
239,157
185,745
477,299
196,778
499,413
199,722
3,913
299,897
614,410
140,255
1,030
479,340
479,922
198,519
479,141
198,408
3,337
299,028
325,921
246,568
188,930
479,385
476,995
199,637
485,624
1,00
1,00
1,00
1,00
1,00
1,00
1,00
1,00
1,00
1,00
200,00
200,00
300,00
600,00
250,00
190,00
480,00
480,00
200,00
500,00
0,2174
2,2174
0,3086
1,3086
1,0526
0,4348
0,2494
0,1900
0,6061
0,2053
0,2174
3,2174
0,2986
1,3086
1,0526
0,3748
0,2494
0,1900
0,3541
0,2053
0,2174
3,2174
0,3086
1,3086
1,0526
0,4348
0,4494
0,1900
0,3061
0,2053
479,232
549,885
172
173
174
176
177
180
185
187
189
190
198,616
2,282
298,660
199,931
239,157
185,745
477,299
196,778
499,413
199,722
3,913
299,897
614,410
140,255
1,030
479,340
479,922
198,519
479,141
198,408
3,337
299,028
325,921
246,568
188,930
479,385
476,995
199,637
485,624
1,00
1,00
1,00
1,00
1,00
1,00
1,00
1,00
1,00
1,00
200,00
200,00
300,00
600,00
250,00
190,00
480,00
480,00
200,00
500,00
0,2174
3,2174
0,3086
1,3086
1,0526
0,4348
0,4494
0,1900
0,3061
0,2053
479,232
191
192
199
1100
1103
1104
1105
1107
1110
1111
198,616
2,282
298,660
199,931
239,157
185,745
477,299
196,778
499,413
199,722
3,913
299,897
614,410
140,255
1,030
479,340
479,922
198,519
479,141
198,408
3,337
299,028
325,921
246,568
188,930
479,385
476,995
199,637
485,624
1,00
1,00
1,00
1,00
1,00
1,00
1,00
1,00
1,00
1,00
200,00
200,00
300,00
600,00
250,00
190,00
480,00
480,00
200,00
500,00
0,2174
3,2174
0,3086
1,3086
1,0526
0,4348
0,4494
0,1900
0,3061
0,2053
479,232
1107
1110
1111
477,299
196,778
499,413
479,922
198,519
479,141
476,995
199,637
485,624
1,00
1,00
1,00
480,00
200,00
500,00
0,1900
0,3061
0,2053
Testes e Resultados 129
Tabela 6.20 (b): Detalhes das simulaes com o sistema IEEE-354.
Geradores
Potncia Ativa Gerada (MW)
21
Modelo 1
Modelo 3
2
26
28
210
SUBMERCADO B
212
215
218
219
224
95,779
92,991
97,546
98,791
547,092
2,965
96,489
97,273
98,775
96,888
Modelo 2
90,378
96,697
98,550
90,980
512,916
9,142
35,352
86,681
97,760
97,559
min
i
Pg
max
i
Pg
2,00
2,00
2,00
2,00
2,00
2,00
2,00
2,00
2,00
2,00
100,00
100,00
100,00
100,00
550,00
185,00
100,00
100,00
100,00
100,00
Custos
( )
1 0
C C
225
226
227
231
232
236
240
242
246
249
2,496
27,184
96,317
2,250
95,835
9,850
24,060
23,414
2,354
6,119
2,089
5,976
97,202
97,508
15,606
13,959
18,830
2,287
7,585
2,00
2,00
2,00
2,00
2,00
2,00
2,00
2,00
2,00
2,00
320,00
414,00
100,00
107,00
100,00
100,00
100,00
100,00
119,00
304,00
254
255
256
259
261
262
265
266
269
270
2,784
6,395
16,947
3,345
3,328
18,097
52,956
123,990
39,470
96,167
3,405
7,210
12,440
7,468
5,044
14,564
140,432
128,644
115,173
95,699
2,00
2,00
2,00
2,00
2,00
2,00
2,00
2,00
2,00
2,00
148,00
100,00
100,00
255,00
260,00
100,00
491,00
492,00
805,00
100,00
0,0100
0,0100
0,0100
0,0100
0,1174
1,0526
0,0100
0,0100
0,0100
0,0100
0,4348
0,3086
0,0100
5,8823
0,0100
0,0100
0,0100
0,0100
3,4483
0,4673
1,7241
0,0100
0,0100
0,6061
0,5882
0,0100
0,2494
0,2488
0,2900
0,0100
2,462
272
273
274
276
277
280
285
287
289
290
92,369
71,725
97,282
98,354
98,011
322,140
93,415
2,039
622,653
98,531
96,691
98,212
98,059
99,032
97,138
217,200
94,688
2,129
540,202
97,540
2,00
2,00
2,00
2,00
2,00
2,00
2,00
2,00
2,00
2,00
100,00
100,00
100,00
100,00
100,00
577,00
100,00
104,00
707,00
100,00
0,0100
0,0100
0,0100
0,0100
0,0100
0,2053
0,0100
7,1429
0,1621
0,0100
291
292
299
2100
2103
2104
2105
2107
2110
2111
90,240
62,954
99,289
11,258
97,094
98,908
98,133
96,987
97,248
2,000
95,101
98,950
95,423
4,556
93,218
96,817
99,337
95,475
97,541
4,171
2,00
2,00
2,00
2,00
2,00
2,00
2,00
2,00
2,00
2,00
100,00
100,00
100,00
352,00
100,00
100,00
100,00
100,00
100,00
136,00
0,0100
0,0100
0,0100
0,5817
0,0200
0,0100
0,0100
0,0100
0,0100
2,1739
2112
2113
2116
87,059
98,550
97,285
92,021
96,810
80,799
2,00
2,00
2,00
100,00
100,00
100,00
0,0100
0,0100
0,0100
94,056
99,759
99,998
98,921
535,553
3,552
95,416
99,134
97,100
99,378
6,108
2,272
97,709
99,693
9,538
3,856
12,699
2,676
3,882
2,198
10,507
17,361
2,696
4,053
7,319
21,586
144,293
11,628
98,151
2,033
98,877
99,108
98,151
96,825
99,490
550,558
95,038
2,729
596,956
98,740
92,649
99,074
97,357
3,344
97,150
99,885
98,910
96,381
98,977
4,420
96,859
99,527
98,892
Testes e Resultados 130
Tabela 6.20 (c): Detalhes das simulaes com o sistema IEEE-354.
Geradores
Potncia Ativa Gerada (MW)
31
Modelo 1
Modelo 3
34
36
38
310
SUBMERCADO C
312
315
318
319
324
94,583
94,911
95,005
99,960
387,023
2,211
92,671
94,689
99,776
98,351
Modelo 2
99,516
99,631
99,733
259,304
5,345
90,371
90,857
98,111
98,075
min
i
Pg
max
i
Pg
2,00
2,00
2,00
2,00
2,00
2,00
2,00
2,00
2,00
2,00
100,00
100,00
100,00
100,00
550,00
185,00
100,00
100,00
100,00
100,00
Custos
( )
1 0
C C
325
326
327
331
332
336
340
342
346
349
9,761
5,323
99,939
2,288
99,990
10,210
14,822
6,571
2,348
8,240
2,210
6,785
99,991
97,428
98,990
95,248
98,268
3,580
6,052
2,00
2,00
2,00
2,00
2,00
2,00
2,00
2,00
2,00
2,00
320,00
414,00
100,00
107,00
100,00
100,00
100,00
100,00
119,00
304,00
354
355
356
359
361
362
365
366
369
370
2,240
3,208
25,517
8,898
3,552
12,131
175,258
222,957
20,142
97,612
4,737
97,880
99,420
5,292
4,022
97,722
56,816
16,541
99,087
94,874
2,00
2,00
2,00
2,00
2,00
2,00
2,00
2,00
2,00
2,00
148,00
100,00
100,00
255,00
260,00
100,00
491,00
492,00
805,00
100,00
0,0100
0,0100
0,0100
0,0100
0,2174
1,0526
0,0100
0,0100
0,0100
0,0100
0,4348
0,3086
0,0100
5,8823
0,0100
0,0100
0,0100
0,0100
3,4483
0,4673
1,7241
0,0100
0,0100
0,6061
0,5882
0,0100
0,2494
0,2488
0,2900
0,0100
2,173
372
373
374
376
377
380
385
387
389
390
99,973
96,408
88,345
97,520
98,864
510,714
92,985
2,024
311,020
94,406
94,807
96,220
99,830
98,930
512,580
99,834
2,402
279,290
98,519
2,00
2,00
2,00
2,00
2,00
2,00
2,00
2,00
2,00
2,00
100,00
100,00
100,00
100,00
100,00
577,00
100,00
104,00
707,00
100,00
0,0100
0,0100
0,0100
0,0100
0,0100
0,2053
0,0100
7,1429
0,1621
0,0100
391
392
399
3100
3103
3104
3105
3107
3110
3111
97,580
97,680
98,129
15,909
86,517
90,194
97,373
95,894
91,852
2,000
98,520
89,620
96,358
2,315
99,511
82,679
45,491
97,894
93,815
2,000
2,00
2,00
2,00
2,00
2,00
2,00
2,00
2,00
2,00
2,00
100,00
100,00
100,00
352,00
100,00
100,00
100,00
100,00
100,00
136,00
0,0100
0,0100
0,0100
0,3817
0,0200
0,0100
0,0100
0,0100
0,0100
2,1739
3112
3113
3116
97,080
97,961
98,707
96,059
96,724
61,672
2,00
2,00
2,00
100,00
100,00
100,00
0,0100
0,0100
0,0100
96,431
98,514
94,440
96,864
21,517
6,443
99,118
96,788
99,998
96,334
7,080
16,194
99,390
98,251
7,695
16,860
15,719
2,034
4,083
2,390
14,300
4,783
3,963
4,233
8,270
15,650
23,480
15,441
96,751
2,213
99,642
98,957
99,427
97,334
93,654
360,840
97,477
2,158
350,128
98,231
99,356
99,491
99,540
5,143
97,701
99,360
98,417
98,187
97,319
2,504
99,896
97,901
94,298
96,001
20,754
Testes e Resultados 131
3.2. ANLISE DO COMPORTAMENTO DO AEMO
O desempenho do AEMO desenvolvido e implementado para soluo do
modelo com o sistema IEEE354 ilustrado nas Figuras 6.14-6.17.
Na Figura 6.14 mostra-se o comportamento dos custos da gerao de
potncia ativa, para a melhor soluo encontrada em cada gerao do AEMO.
Estes resultados foram obtidos atravs das simulaes com o Modelo 1. O
comportamento dos custos da gerao de potncia ativa dos submercados A, B e
C, para a melhor soluo encontrada em cada gerao com as simulaes do
Modelo 2, so ilustrados nas Figuras 6.15-6.17.
0 200 400 600 800 1000 1200 1400 1600
1000
2000
3000
4000
5000
6000
7000
Geraoes
C
u
s
t
o
d
a
G
e
r
a
a
o
(
U
S
$
/
h
)
Figura 6.14 Comportamento do custo da gerao de potncia ativa do modelo
centralizado.
Testes e Resultados 132
0 200 400 600 800 1000 1200 1400 1600
400
600
800
1000
1200
1400
1600
1800
2000
2200
2400
Geraoes
C
u
s
t
o
d
a
g
e
r
a
a
o
(
U
S
$
/
h
)
Submercado A
Figura 6.15 Comportamento do custo da gerao de potncia ativa do modelo
descentralizado Submercado A.
0 200 400 600 800 1000 1200 1400 1600
400
600
800
1000
1200
1400
1600
1800
2000
2200
Geraoes
C
u
s
t
o
d
a
g
e
r
a
a
o
(
U
S
$
/
h
)
Submercado B
Figura 6.16 Comportamento do custo da gerao de potncia ativa do modelo
descentralizado Submercado B.
Testes e Resultados 133
0 200 400 600 800 1000 1200 1400 1600
0
500
1000
1500
2000
2500
Geraoes
C
u
s
t
o
d
a
g
e
r
a
a
o
(
U
S
$
/
h
)
Submercado C
Figura 6.17 Comportamento do custo da gerao de potncia ativa do modelo
descentralizado Submercado C.
Devido o uso da tcnica de escalarizao os custos da gerao de potncia
ativa para a melhor soluo encontrada (Figuras 6.14-6.17) no possui um
comportamento montono decrescente.
3.3 AJUSTES DOS DISPOSITIVOS DE CONTROLES DE REATIVOS
As infactibilidades de gerao de potncia reativa para as simulaes com o
sistema IEEE 354, considerando-se os diferentes modelos de simulaes, so
mostradas na Tabela 6.21 e na Figura 6.18. Devido a no-linearidade do
subproblema reativo muito difcil atender com preciso as restries de
acoplamento, referente ao subproblema reativo. Este fato pode ser observado,
comparando-se os resultados obtidos pela soluo do FP convencional pelo
Testes e Resultados 134
mtodo de Newton (FP) com os resultados do FPO obtidos das simulaes atravs
do modelo 2, apresentados na Tabela 6.21.
Tabela 6.21: Infactibilidades na gerao de potncia reativa (pu) IEEE-354.
FP Modelo 2
A
B
C
Submercados
Modelos de Operao
Modelo 1 Modelo 3
4,187
3,099
2,758
10,044
0,155
0,863
0,703
1,721
0,131
2,717
2,762
5,610
5,427
0,459
2,811
8,697
4,892
3,489
0,461
8,842
2,170
0,859
0,041
3,070
Subm. A Subm. B Subm. C
0
1
2
3
4
5
6
Subm. A Subm. B Subm. C
FP Modelo 2 Modelo 3 Modelo 1
Subm. A Subm. B Subm. C
Figura 6.18 Infactibilidades na gerao de potncia reativa ( pu) IEEE-354.
Os valores do taps de transformadores e dos capacitores/reatores shunts
obtidos com as simulaes utilizando-se o modelo 2 (descentralizado) so
mostrados na Tabela 6.22 e 6.23, respectivamente.
Testes e Resultados 135
Tabela 6.22: Taps dos transformadores (pu) Modelo 2.
Linhas
Operao Descentralizada
(Modelo 2)
138-137, 238-237, 338-337
Subm. A Subm. C
163-159, 263-259, 363-359
164-161, 264-261, 364-361
165-166, 265-266, 365-366
168-169, 268-269, 368-369
181-180, 281-280, 381-380
18-15, 28-25, 38-35
126-125, 226-225, 326-325
130-117, 230-217, 330-317
1,02
1,08
0,93
1,05
1,03
1,03
1,06
0,99
1,03
0,94
1,02
1,09
0,98
0,99
1,10
0,97
1,00
1,08
Subm. B
1,00
0,96
0,99
0,98
0,99
1,04
1,08
1,01
1,07
Tabela 6.23: Capacitores/reatores shunts (pu) Modelo 2.
Barras
Operao Descentralizada
(Modelo 2)
15, 25, 35
Subm. A Subm. C
134, 234, 334
137, 237, 337
144, 244, 344
145, 245, 345
146, 246, 346
148, 248, 348
174, 274, 374
179, 279, 379
-0,125
0,125
-0,250
0,100
0,100
0,100
0,000
0,000
0,000
Subm. B
-0,400
0,140
0,000
0,000
0,100
0,000
0,150
0,000
0,200
182, 282, 382
183, 283, 383
1105, 2105, 3105
1107, 2107, 3107
1110, 2110, 3110
0,000
0,000
0,000
0,000
0,000
0,200
0,100
0,125
0,060
0,060
0,000
0,125
-0,125
0,100
0,000
0,100
0,150
0,120
0,000
0,200
0,000
0,125
0,000
0,060
Testes e Resultados 136
Nas Tabelas 6.24 e 6.25 apresentam-se os taps dos transformadores e os
capacitores/reatores shunts obtidos atravs das simulaes com os modelos de
operao centralizada (1) e descentralizada sucessiva (3).
Tabela 6.24: Taps dos transformadores (pu) Modelos 1 e 3.
Linhas
Modelos de Operao
138-137
Centralizado
Descentralizado
Sucessivo
163-159
164-161
165-166
168-169
Subm.
181-180
18-15
126-125
130-117
B
C
238-237
263-259
264-261
265-266
268-269
281-280
28-25
226-225
230-217
338-337
363-359
364-361
365-366
368-369
381-380
38-35
326-325
330-317
1,01
0,92
1,00
0,99
0,97
1,00
1,00
0,91
0,92
1,02
0,97
1,00
0,96
1,08
1,03
1,00
0,91
0,90
1,10
1,08
0,91
0,91
0,94
0,90
1,05
0,90
1,08
1,02
0,95
0,95
1,04
1,03
1,00
1,02
1,01
1,04
1,01
0,95
0,93
0,93
1,00
1,07
1,01
0,97
1,02
1,07
0,96
0,98
1,05
0,98
0,99
0,98
1,01
0,93
A
Testes e Resultados 137
Tabela 6.25: Capacitores/reatores shunts (pu) Modelos 1 e 3.
Barras
Modelos de Operao
15
Centralizado
Descentralizado
Sucessivo
134
137
144
145
Subm.
146
148
174
179
183
1105
1107
1110
A
25
234
237
244
245
246
248
274
279
283
2105
2107
2110
B
35
334
337
344
345
346
348
374
379
383
3105
3107
3110
C
0,000
0,140
0,000
0,000
0,000
0,100
0,125
0,000
0,200
0,125
0,100
0,200
0,060
0,000
182
282
382
-0,250
0,000
0,000
0,100
0,000
0,000
0,125
0,120
0,200
0,200
0,100
0,125
0,060
0,000
-0,125
0,140
-0,250
0,000
0,100
0,100
0,000
0,000
0,200
0,200
0,100
0,125
0,000
0,000
0,000
0,000
0,000
0,100
0,100
0,100
0,150
0,000
0,125
0,000
0,100
0,000
0,060
0,000
-0,375
0,125
-0,250
0,000
0,000
0,000
0,125
0,000
0,000
0,000
0,000
0,000
0,000
0,060
0,000
0,140
-0,125
0,100
0,000
0,000
0,125
0,000
0,125
0,200
0,100
0,125
0,600
0,000
Testes e Resultados 138
3.4 MAGNITUDES DE TENSES
O perfil das magnitudes das tenses obtido atravs de simulaes
utilizando-se os modelos de operao centralizada (1) e descentralizada sucessiva
(3) so mostrados nas Figuras 6.19 e 6.20, respectivamente. Na Figura 6.21
apresentam-se os resultados das magnitudes de tenses para os submercados A, B
e C obtidos atravs de simulaes utilizando-se o modelo de operao
descentralizada (2). Os resultados das simulaes com a metodologia proposta so
comparados com os resultados do caso base (FP), obtidos atravs do mtodo de
Newton. Nas Figuras 6.19 e 6.20 apresentam-se as magnitudes de tenses para
cada submercados, porque desta forma possvel verificar com clareza o perfil de
tenso do sistema inteiro.
11 120 140 160 180 1100 1118
0.8
1
1.2
V
21 220 240 260 280 2100 2118
0.8
1
1.2
V
31 320 340 360 380 3100 3118
0.8
1
1.2
Barras
V
Vmin
FP
Modelo 1
Vmax
Vmin
FP
Modelo 1
Vmax
Vmin
FP
Modelo1
Vmax
Subsistema A
Subsistema B
Subsistema C
Figura 6.19 Magnitudes das tenses (pu) obtidas para a operao centralizada.
Testes e Resultados 139
11 120 140 160 180 1100 1118
0.8
1
1.2
V
21 220 240 260 280 2100 2118
0.8
1
1.2
V
31 320 340 360 380 3100 3118
0.8
1
1.2
Barras
Vmin
FP
Modelo 3
Vmax
Vmin
FP
Modelo 3
Vmax
Vmin
FP
Modelo 3
Vmax
Figura 6.20 Magnitudes das tenses (pu) obtidas para o modelo de operao
descentralizado sucessivo.
11 120 140 160 180 1100 1118
0.8
1
1.2
V
21 220 240 260 280 2100 2118
0.8
1
1.2
V
31 320 340 360 380 3100 3118
0.8
1
1.2
Barras
Vmin
FP
Modelo 2
Vmax
Vmin
FP
Modelo 2
Vmax
Vmin
FP
Modelo 2
Vmax
Figura 6.21 Magnitudes das tenses (pu) obtidas para a operao
descentralizada.
Testes e Resultados 140
Conforme apresentado nas Figuras 6.19-6.21, as magnitudes das tenses
do sistema completo (nos modelos 1 e 3) e de cada um dos submercados
analisados (modelo 2) permaneceram dentro dos limites preestabelecidos nas
simulaes com todos os modelos de operao.
3.5 GERAO DA POTNCIA ATIVA NA BARRA DE REFERNCIA E
LIMITES TRMICOS DAS LINHAS DE TRANSMISSO
Os limites da gerao de potncia ativa (nas barras de referncia) e os
limites trmicos das linhas de transmisso foram devidamente satisfeitos nas
simulaes atravs de todos os modelos de operao.
4. DISCUSSO DOS RESULTADOS
Para todos os modelos de planejamento simulados utilizando-se os dois
sistemas-testes, o AEMO implementado convergiu para solues otimizadas de
boa qualidade tanto com relao aos custos de gerao (parte ativa do problema
de FPO), como com relao aos ajustes dos controles de potncia reativa
disponveis, melhorando o perfil de tenso. Em todos os modelos de operao as
magnitudes de tenses permaneceram dentro dos limites especificados.
4.1. INTERCMBIO DE POTNCIA ESPECIFICADO (SIP)
No modelo descentralizado os controles dos intercmbios lquidos de
potncias entre os submercados, isto , as injees de potncias ativa e reativa nas
linhas de ligao so ajustadas para manter estes intercmbios lquidos dos
submercados nos seus valores especificados. Para ilustrar esta condio de
operao, considere o sistema de potncia RTS-96 ilustrado na Figura 6.22. Nesta
Testes e Resultados 141
figura as barras e linhas mostradas so as barras de fronteira e as linhas que fazem
o acoplamento entre os submercados adjacentes (linhas de ligao). O
submercado A o submercado de referncia, isto , o submercado que contm a
barra de referncia. Os sentidos dos intercmbios esto representados pelas setas.
Sistema RTS-96
Subm. A
Subm. B
Subm. C
107
113
123
203
215
217
121
323
223
318
Figura 6.22 Sistema de potncia RTS-96.
Na Tabela 6.26 apresentam-se os intercmbios especificados e os
intercmbios obtidos com a simulao do modelo 2, considerando-se a aplicao
deste modelo para o submercado A.
Testes e Resultados 142
Tabela 6.26: Intercmbios de potncias entre os submercados.
A -B
A - C
B - C
Submercados
Modelos 2 - Subsitema A
Intercmbio de
Potncia
Especificado
(MW)
- 45,91
44,24
- 45,20
-46,21
44,58
- 45,54
Intercmbio de
Potncia Obtido
(MW)
Conforme j mencionado, os intercmbios de potncias especificados entre
os subsistemas so obtidos atravs do fluxo de potncia convencional.
importante enfatizar que em todos os testes executados, com os modelos
descentralizados (2 e 3) as restries de acoplamento entre os submercados so
satisfeitas. As pequenas alteraes ocorridas nos intercmbios de potncias entre
os submercados so devido um pequeno aumento nas perdas de cada
submercado. Ressalta-se que a reduo das perdas no faz parte explicitamente do
modelo de funo objetivo utilizado e, desta forma, pode ocorrer que em algumas
condies de operao para aliviar sobrecargas em linhas de transmisso e
transformadores, pode ser necessrio o redirecionamento de fluxo de potncia, e
ocorrer eventuais aumentos de perdas na rede de transmisso.
4.2. GERAO DE POTNCIA ATIVA NOS SUBMERCADOS
A potncia ativa gerada em cada submercado deve ser capaz de suprir as
suas respectivas cargas e as perdas. Para mostrar a eficincia da tcnica de na
Tabela 6.27 apresenta-se a potncia ativa gerada de cada submercado. Os
resultados numricos presentes nesta tabela foram obtidos da aplicao do modelo
de operao descentralizado no submercado A do sistema RTS-96.
Testes e Resultados 143
Tabela 6.27: Gerao de potncia ativa dos submercados.
A
B
C
Submercados
Demanda de
Potncia Ativa
( MW)
2850,10
2850,10
2850,10
Potncia Ativa Gerada
(MW)
FP
2886,59
2889,90
2889,90
2892,80
2889,90
2889,90
Modelo 2
(Submercado A)
Perdas (MW)
FP
39,20
39,02
39,22
45,03
39,05
39,29
Modelo 2
(Submercado A)
Os resultados apresentados na Tabela 6.27 evidenciam que o modelo de
decomposio utilizado capaz de alterar os custos da gerao de potncia ativa
do submercados sob anlise (neste caso o submercado A) sem alterar a gerao de
potncia ativa nos geradores dos submercados adjacentes. A pequena alterao
ocorrida na gerao de potncia ativa do sumercado A devido s perdas deste
subsistema, que passou de 39,20 MW para 45,03 MW. Este aumento se justifica
devido ao fato da funo objetivo referente minimizao das perdas no estarem
inclusas no modelo de FPO abordado. Ressalta-se que na maioria dos testes
realizados as perdas existentes nos dois subsistemas foram reduzidas.
4.3. MODELO DE OPERAO DESCENTRALIZADO SUCESSIVO
No modelo de operao descentralizado sucessivo os subproblemas de
FPO multimercado so resolvidos, para cada submercado, at satisfazerem o seu
critrio de convergncia do modelo. A escolha do submercado para anlise
independente e fica a critrio do planejador. Este aspecto mostrado nas Figuras
6.23-6.26. Nas Figuras 6.23 e 6.24 apresentam-se os custos da gerao de
potncia ativa e as infactibilidades na gerao de potncia reativa, obtidos para o
sistema teste RTS-96, considerando-se que inicialmente o submercado C foi
escolhido para anlise, depois escolheu-se o submercado B e finalmente o
submercado A selecionado para anlise. J na Figura 6.25 e 6.26 apresentam-se
os custos da gerao de potncia ativa e as infactibilidades na gerao de potncia
Testes e Resultados 144
reativa respectivamente. Estes resultados referem-se s anlises sucessivas dos
submercados B, A e C, respectivamente.
0
200
400
600
800
1000
1200
1400
1600
1800
2000
Subm. C Subm. C e B Subm. C, B e
A
FP Modelo 3
Subm. A Subm.B Subm. C
Figura 6.23 Custo da gerao de potncia ativa (US$/h) para o sistema RTS-96,
considerando o modelo 3 Submercados C, B e A.
0
5
10
15
20
25
30
35
40
45
Subm. C Subm. C e B Subm. C, B e
A
FP Modelo 3
Subm. A Subm.B Subm. C
Figura 6.26 Infactibilidades na gerao de potncia reativa (MVAr) para o
sistema RTS-96, considerando o modelo 3 Submercados C, B e A.
Testes e Resultados 145
0
200
400
600
800
1000
1200
1400
1600
1800
2000
Subm. B Subm. B e A Subm. B, A e
C
FP Modelo 3
Subm. A Subm.B Subm. C
Figura 6.25 Custo da gerao de potncia ativa (US$/h) para o sistema RTS-96,
considerando o modelo 3 Submercados B, A e C.
0
10
20
30
40
50
60
Subm. B Subm. B e A Subm. B, A e
C
FP Modelo 3
Subm. A Subm.B Subm. C
Figura 6.26 Infactibilidades na gerao de potncia reativa (MVAr) para o
sistema RTS-96, considerando o modelo 3 Submercados B, A e C.
Testes e Resultados 146
5. CONSIDERAES FINAIS SOBRE O CAPTULO
Neste captulo so apresentados os resultados numricos das simulaes
com os sistemas testes RTS-96 e IEEE-354. Estes resultados mostram a eficincia
e robustez da tcnica de soluo para resolver o problema de fluxo de potncia
timo multimercado, considerando os modelos de operao centralizada,
descentralizada e descentralizada sucessiva.
VII - Concluses e Trabalhos
Futuros
este captulo apresentam-se as concluses gerais da pesquisa de
doutorado desenvolvida e sugestes de outras pesquisas envolvendo
a formulao e soluo do problema de fluxo de potncia timo, atravs de
tcnicas metaheursticas, em particular, os algoritmos evolutivos multiobjetivo.
1. Concluses ..............................................................................................148
2. Sugestes de Trabalhos Futuros ................................................................149
N
Concluses e Trabalhos Futuros 148
1. CONCLUSES
Nesta pesquisa apresentou-se uma metodologia eficiente, baseada nos
conceitos de AEMO, para soluo do problema de fluxo de potncia timo em
sistemas multimercados. O uso de algoritmos evolutivos multiobjetivos para
soluo do problema de fluxo de potncia timo permite que as variveis discretas
envolvidas no problema sejam incorporadas no modelo matemtico que
formulado como um problema de programao no-linear inteiro misto.
Os resultados obtidos com os sistemas testes da literatura mostram que a
tcnica de soluo proposta verstil. Alm disso, permite determinar solues
timas ou otimizadas de boa qualidade, para cada um dos submercados que
compem os sistemas testes, permitindo atender diferentes objetivos de acordo
com as necessidades do usurio despacho timo de potncias ativa e reativa,
ajustes do controle corretivos de tenses e atender um conjunto de restries
fsicas, operacionais e de acoplamento entre as reas do sistema.
A decomposio do problema de fluxo de potncia timo em vrios
subproblemas de FPO independentes, isto , um para cada submercado, contribui
para a reduo dos problemas computacionais existentes, para anlise de sistemas
de grande porte, que envolvem um grande nmero de variveis. Tambm se
apresenta como uma possibilidade para o desenvolvimento de uma ferramenta
para a anlise e para o controle dos sistemas de potncia interconectados de
grande porte. Alm disso, capaz de detectar os problemas de cada um dos
submercados que compem o mercado de energia eltrica. Este aspecto torna a
metodologia apresentada de grande utilidade para as concessionrias de energia
eltrica, que se encontra em um mercado altamente competitivo, e com a
obrigao de oferecer seus servios a preos mnimos, mas com qualidade e
segurana.
Na metodologia proposta, os problemas de preciso e convergncia do
FPO, devido o mau condicionamento do subproblema reativo, aumentam as
Concluses e Trabalhos Futuros 149
possibilidades de encontrar solues otimizadas de boa qualidade, considerando-
se a multimodalidade do problema de FPO. A abordagem do problema de FPO
como um problema multiobjetivo, atravs de manipulaes algbricas e que se
agregam as restries como sendo termos de funes objetivo, permite resolver
com eficincia e preciso o problema de FPO atravs de AEMO.
O modelo proposto neste trabalho permite desenvolver, com segurana e
economia, o planejamento da operao de sistemas eltricos de potncia
interligados. Tambm uma ferramenta de anlise para estudos das condies de
operao do sistema para detectar problemas de falta de suporte de reativos, e
problemas operacionais, em cada um dos subsistemas isoladamente.
Os resultados obtidos com os testes efetuados mostram a viabilidade do
modelo, que apresenta solues confiveis e tecnicamente viveis. Em todos os
testes realizados com as simulaes dos dois sistemas testes da literatura o
algoritmo evolutivo multiobjetivo apresentou desempenho satisfatrio, robustez e
convergiu para solues otimizadas de boa qualidade.
2. SUGESTES DE TRABALHOS FUTUROS
Para desenvolvimentos futuros deste trabalho, dentre outros aspectos,
prope-se que devem ser pesquisados e abordados os seguintes itens:
1. Estudar os principais aspectos envolvidos no problema de fluxo de
potncia timo multiobjetivo para propor um modelo que considere o
despacho timo de potncia ativa, reduo de perdas na rede, restries de
segurana e de confiabilidade. Obter informaes importantes sobre o
custo incremental do uso de recursos do sistema, tais como fontes reativas
de respostas rpidas, teis na anlise de aspectos importantes de segurana
e confiabilidade da operao, como a estabilidade de tenso, por exemplo.
Concluses e Trabalhos Futuros 150
2. Desenvolver e implementar um algoritmo gentico multiobjetivo (AGMO)
para soluo do modelo de fluxo de potncia timo que possa contemplar,
de forma eficiente, as restries e objetivos envolvidos no modelo. Neste
algoritmo evolutivo deve-se utilizar com mais critrio os conceitos de
soluo dominada e no-dominada juntamente com um processo de
deciso baseada em conceitos de lgica nebulosa.
3. Para simulao do fluxo de potncia timo de sistemas de mdio e grande
porte, desenvolver um modelo de programao assncrono para ser
implementado em arquiteturas distribudas atravs de programas de
simulao tipo PVM (Parallel Virtual Machine) ou outros programas
similares MPI (Message-Passing Interface), por exemplo.
ABIDO, M. A., (2001). A new multiobjective evolutionary algorithm for
environmental/economic power dispatch; Paper 0-7803-7173-9/01, IEEE,
pp. 1263-1268.
ABIDO, M. A., (2002). Optimal power flow using particle swarm optimization;
International Journal of Electrical Power and Energy Systems, 2002 -
ingentaconnect.com.
AGUADO, J. A. and QUINTANA, V. H., (2001). Inter-utilities power-exchange
coordination: A market-oriented approach, IEEE Trans. Power Syst., vol.
16, pp.513-519.
AGUADO, J. A., QUINTANA, V. H. and CONEJO, A. J., (1999). Optimal
power flows of interconnected power systems; IEEE Power Eng. Soc.
Summer Meeting, vol. 2, pp. 814-819.
ARROYO, J. E. C., (2002). Heursticas e metaheursticas para otimizao
combinatria multiobjetivo; Tese (Doutorado em Engenharia Eltrica)
Faculdade de Engenharia Eltrica e de Computao, Universidade
Estadual de Campinas.
Referncias Bibliogrficas
Referncias Bibliogrficas 152
BAKIRTZIS, A. G. and BISKAS, P. N., (2003). A decentralized solution to the
DC-OPF of interconnected power systems; IEEE Trans. Power Syst., vol.
18, pp.1007-1013.
BAKIRTZIS, G.; BISKAS, P. N.; ZOUMAS, C. E. and PETRIDIS, V., (2002).
Optimal power flow by enhanced genetic algorithm, IEEE Trans. Power
Syst., vol. 17, no. 2, pp.229-236.
BALDICK, R.; KIM, B.H.; CHASE, C. and YUFENG LUO, (1999). A fast
distributed implementation of optimal power flow; IEEE Transactions on
Power Systems, vol. 14, N0. 3, pp. 858-864.
BARN, B.; VALLEJOS, J.; RAMOS, R. and FERNNDEZ, U., (2001).
Reactive power compensation using a multi-objective evolutionary
algorithm; PPT2001 IEEE Porto Power Teach Conference 10
th
13
th
September, Porto, Portugal.
BAZARAA, M. S.; SHERALI, H. D. & SHETTY, C. M. (1993). Nonlinear
programming, theory and algorithms; 2 ed. John Wiley & Sons, Inc.
BISKAS, P. N and BAKIRTZIS, A. G., (2004). Decentralized security
constrained DC-OPF of interconnected power systems; IEE Proc.-Gener.
Transm. Distrib., vol. 151, No. 6, pp.745-754.
BISKAS, P. N, BAKIRTZIS, A. G, MACHERAS, N. I. and PASIALIS, N. K.
(2005). A decentralized implementation of DC optimal power on a
network of computers; IEEE Trans. Power Syst., vol. 20, pp.25-33.
BURCHETT, R.C.; HAPP, H. H.; VIERTH, D. R.; WIRGAU, K. A. A., (1984).
Quadratically Convergent Optimal Power Flow; IEEE Transactions on
Power Apparatus and Systems, vol. 103, n. 11 (Nov), p. 3267-3275.
Referncias Bibliogrficas 153
CARPENTIER, J. L., (1962). Contribution a l'etude du dispatching economique.
Bull-Soc. Fr Elec., Ser. B3, 431-447.
CARRIJO, I. B, (2004), Extrao de regras operacionais timas de sistemas de
distribuio de gua, atravs de algoritmo gentico multiobjetivo e
aprendizagem de mquina; Tese de doutorado, USP So Carlos.
CHANKONG and HAIMES, Y.Y., (1983). Multiobjective decision making
theory and methodology. Elsevier Science Publishing Co..
COELLO, C. A. C., (2002). Theoretical and numerical constraint-handling
techniques used with evolutionary algorithms: a survey of the state of the
art, Computer Methods in Applied Mechanics and Engineering, v.191,
pp.1245-1287.
COELLO, C. A. C.; Veldhuizen, D. A. V. and Lamont, G. B., (2002).
Evolutionary algorithms for solving multi-objective problems, Kluwer
cademic Publishers, New York.
COELLO, C. A., (2000). Use of a self-adaptive penalty approach for engineering
optimization problems, Computers in Industry, v.43, pp.113-127.
COELLO, C.A.C, (1996). An empirical study of evolutionary techniques for
multiobjective optimization in engineering design; PhD. Thesis,
Department of Computer Science, Tulane University, New Orleans,
Louisiana.
CONEJO, A. J. and AGUADO, J. A. (1998). Multi-area coordinated
decentralized DC optimal power systems; IEEE Trans. Power Syst., vol.
13, pp.1272-1278, (Sistema teste IEEE-354).
Referncias Bibliogrficas 154
DE JONG, K. A., (1975). An analysis of the behavior of a class of genetic
adaptive system;.Ph.D. dissertation, University of Michigan, ANN Arbor,
MI.
DE TUGLIE, E.; DICORATO, M.; LA SCALA, M., (1999). Dynamic security
preventive control in a deregulated electricity market; POWER
SYSTEMS COMPUTATION CONFERENCE - PSCC (13.: Jun. 1999 :
Trondheim). Proceedings. Trondheim, 1999. p. 125-131.
DEB, K. (2001). Multi-objective optimization using evolutionary algorithms,
editora Wiley & Sons.
DEB, K.; PRATAP, A.; AGARWAL, S. and MEYARIVAN, T., (2000). A fast
and elitist non dominated sorting genetic algorithm for multiobjective
optimization: NSGA-II; Kan Gal report.
DOMMEL, H.W. and TINNEY, W.F., (1968). Optimal power flow solutions;
IEEE Trans. on Power Apparatus and Systems, No. 87, pp. 1866-1876.
DOORMAN, G. L., (2001). Optimal System Security Under Capacity
Constrained Conditions, IEEE Porto Power Tech Proceeding, Vol.2, 6 pp.
FALKENAUER, E., (1999). The worth of uniform; Proc. IEEE Congress on
Evolutionary Computation, pp 776-782.
FONSECA, C. M., FLEMING, P. J., (1993). Genetic algorithms for
multiobjective optimization: formulation, discussion and generalization.
Proceedings of the Fifth International Conference on Genetic Algorithms,
pp. 416-423.
FREITAS, A. A., (2002) Data mining and knowledge discovery with evolutionary
algorithms, Berlin: Springer-Verlag.
Referncias Bibliogrficas 155
GLASS, C.A.; POTTS, C.N. and SHADE, P., (1992) Genetic algorithms and
neighborhood search for scheduling unrelated parallel machines, Preprint
series No.OR47, University of Southampton, UK.
GOLDBERG, D. and RICHARDSON, J., (1987). Genetic algorithms with
sharing for multimodal function optimization. Genetic algorithms and
their applications: Proceedings of the Second International Conference on
Genetic Algorithms, pp. 41-49.
GOLDBERG, D. E., (1989). Genetic Algorithms in Search, Optimization, and
Machine Learning. Adison-Wesley, USA.
GRANVILLE, S., (1994). Optimal reactive dispatch through interior point
methods, IEEE Trans. Power Syst., vol. 9, no. 1, pp. 136146.
GRIGG, C., WONG, P., ALBRECHT, P., ALLAN, R., BHAVARAJU, M.,
BILLINTON, R., CHEN, Q., FONG, C., HADDAD, S., KURUGANTY,
S., LI, W., MUKERJI, R., PATTON, D., RAU,N., REPPEN, D.,
SCHNEIDER, A., SHAHIDEHPOUR, M. and SINGH, C. (1999). The
reliability test system-1996; IEEE Trans. Power Syst, Vol. 14, pp.1010-
1020.
HAIMES, Y., LASDON, L. and WISMER, D., (1971). On a bicriterion
formulation of the problems of integrated system identification and system
optimization; IEEE Transactions on Systems, Man, and Cybernetics
1(3), pp. 296297.
HOLLAND, J. H., (1975). Adaptation in natural and artificial system;
University of Michigan Press, Ann Arbor.
HORN, J. and NAFPLIOTIS, N., (1993). Multiobjective optimization using the
niched Pareto genetic algorithm;. IlliGAL Report No. 93005, Illinois
Referncias Bibliogrficas 156
Genetic Algorithms Laboratory, University of Illinois, Urbana,
Champaign.
IBA, K., (1994). Reactive power by genetic algorithm, IEEE Trans. Power
Syst., vol. 9, no. 2, pp. 685-692.
ILIC, M.; GALIANA, F. and FINK, L., (1998). Power systems restructuring:
engineering and economics, Kluwer Academic Publishers.
ISHIBUCHI, H. and NAKASHIMA, T., (2000). Multi-objective pattern and
feature selection by a genetic algorithm, Proc. GECCO2000, pp. 1069-
1076.
JONES D.F., MIRRAZAVI S.K. and TAMIZ M. (2002) Multi-objective meta-
heuristics: An overview of the current state-of-art, European Journal of
Operational Research vol.137, pp. 1-19.
KIM, B. H. and BALDICK, R., (1997). Coarse-grained distributed optimal
solution flow; IEEE Trans. Power Syst., vol. 12, pp.932-939.
LEBOW, W. M.; MEHRA, R. K.; NADIRA, R.; ROUHANI, R. and USORO,
P.B., (1984). "Optimization of reactive volt-amperes (VAR) sources in
system planning" EPRI Report El-3729, vol I, Project 2109-1.
LEE, K.; PARK, Y. and ORTIZ, J., (1985). A united approach to optimal real
and reactive power dispatch; IEEE Trans. Power Apparatus. Syst, 104(5),
pp. 1147-1153.
LIU, E.; PAPALEXOPOULOS, A. D. and TINNEY, W. F., (1999). Discrete
shunt controls in a Newton optimal power flow, IEEE Trans. Power
Syst., vol. 7, pp. 15191528.
Referncias Bibliogrficas 157
MICHALEWICZ, Z., (1996)., Genetic algorithms + data structures : Evolution
programs, Springer, 3rd Ed, New York.
MOMOH, A.; GUO; S. X. and OGBUOBIRI, C. E. and ADAPA, R., (1993). A
review of selected optimal power flow literature to 1993; IEEE/PES 1993
summer Meeting. Paper no. 93 SM 4T5-BC.
MOMOH, J. A. and ZHU, J. Z., (1999). Improved interior point method for OPF
problems.; IEEE Trans. Power Syst., vol. 14, pp. 1114-1120.
MONTICELLI, A., (1983). Fluxo de carga em redes de energia eltrica;
Editora Edgard Blcher Ltda.
MOREIRA, F. S.; DA SILVA, L.C.P.; DA COSTA, V.F. e OHISHI, T., (2001).
Um procedimento para programao da operao incluindo restries de
estabilidade de tenso, SNPTEE - Seminrio Nacional de Produo e
Transmisso de Energia Eltrica, Campinas, SP, Brasil.
NOGALES, F. J., PRIETO, F. J. and CONEJO, A. J. (1999). Multi-area AC
optimal power flow: A new decomposition approach, Proc. Power Syst.
Comput. Conf., Trondheim, Norway, pp.1201-1206.
NUMNONDA, T. and ANNAKKAGE, U. D., (1999). Optimal power dispatch
in multinode electricity market using genetic algorithm, Elec. Power Syst.
Res., vol. 49, pp.211-220.
OSYCZKA, A. (1984). Multicriterion optimization in engineering with
FORTRAN programs; Ellis Horwood, Chichester.
PAPALEXOPOULOS, A. D.; IMPARATO, C. F. and WU, F. F, (1989). Large-
scale optimal power flow: Effects of initialization decoupling and
discretization, IEEE Trans. Power Syst., vol. 4, pp.748-759.
Referncias Bibliogrficas 158
ROSEHART, W. D; CAIZARES, C. A and QUINTANA, V. H., (2003).
Multiobjective optimal power flow to evaluate voltage security costs in
power networks; IEEE Trans. Power Syst., vol. 18, N0. 2, pp.578-587.
ROSENBERG, R. S., (1967) Simulation of genetic populations with biochemical
properties. PhD thesis, University of Michigan, Ann Harbor, Michigan.
SASSON, A. M.; VILORIA, F. and ABOYTES, F., (1973). Optimal load flow
solution using the Hessian matrix, , IEEE Trans. Power Apparatus.
Syst., vol. PAS-92, pp. 31-41.
SCHAFFER, J. D., (1984). Multiple Objective Optimization with Vector
Evaluated Genetic Algorithms, Ph.D. dissertation, Vanderbilt University.
SRINIVAS, N. and DEB, K. (1994). Multi-objective function optimization using
non-dominated sorting genetic algorithm; Evolutionary Computation,
2(3), pp. 221-248.
STOTT, B. and ALSAC, O., (1983). Experience with linear programming for
optimal rescheduling of active and reactive power, CIGRE/IFAC
Symposium on Control Applications to Power System Security, Florena.
STOTT, B. and HOBSON, E., (1978). Power system security control calculation
using linear programming; IEEE Trans. Power Apparatus. Syst., pt. I and
II, vol. PAS-97, pp.1713-1731.
STOTT, B. and MARINHO, J. L., (1979). Linear programming for power
system network security applications; IEEE Trans. Power Apparatus
Syst., vol. PAS-98, pp.837-848.
SUN, D.I.; ASHLEY, B.; BREWER, B.; HUGHES, B.A. & TINNEY, W.F.
(1984). Optimal power flow by Newton approach. IEEE Transactions on
Power Apparatus and Systems, 103, 2864-2875.
Referncias Bibliogrficas 159
TELLES, T. S. and BARBOSA, H. J. C., (1998). Inicializao da populao em
algoritmos genticos com codificao real; V Seminrio sobre Elementos
Finitos e Mtodos Numricos em Engenharia da UFJF, Juiz de Fora.
VARGAS, L. and SERRANO, B.R., (2001). Active-Reactive Power Economic
Dispatch of Very Short Term in Competitive Electric Markets, PPT 2001,
2001 IEEE Porto Power Tech Conference.
VARGAS, L. S.; QUINTANA, V. H. and VANNELLI, A., (1992). A tutorial
description of an interior point method and its application to security-
constrained economic dispatch, IEEE/PES 1992 summer Meeting.
WU, YU-CHI Y.; DEBS, A. S. and MARSTEN, R. E., (1994). A direct
nonlinear predictor-corrector primal-dual interior point algorithm for
optimal power flows; IEEE Transactions on Power Systems, vol. 9, pp.
876-883.
ZITZLER, E. and. THIELE, L, (1999). Multi-objective evolutionary algorithms:
A comparative case study and the strength Pareto approach; IEEE
Transactions on Evolutionary Computation, Vol. 3, N0. 4, pp. 257-271.