Escolar Documentos
Profissional Documentos
Cultura Documentos
ESCOLA DE ENGENHARIA
PROGRAMA DE PÓS-GRADUAÇÃO EM EM ENGENHARIA ELÉTRICA
Belo Horizonte
2020
LIVIA MARIA LEITE DA SILVA
Versão original
Belo Horizonte
2020
Agradecimentos
SILVA, Lı́via Maria Leite da. Modelos e Métodos para Análise Multicritério e
Tomada de Decisão Espacial em Ambiente de Incertezas e suas Aplicações.
2020. 167 f. Tese (Doutorado em Engenharia Elétrica) – Escola de Engenharia, Programa
de Pós-graduação em Engenharia Elétrica, Universidade Federal de Minas Gerais, Minas
Gerais, 2020.
SILVA, Lı́via Maria Leite da. Models and Methods for Multicriteria Analysis and
Spatial Decision Making in Uncertainty Environment and their Applications.
2020. 167 p. Thesis’s Project (Doctorate in Electrical Engineering) – Graduate Program
in Electrical Engineering, Universidade Federal de Minas Gerais, Minas Gerais, 2020.
The present work reflects the results of research related to decision making in spatially
explicit problems, proposing and presenting the adaptation, improvement, and application
of general approaches and methods for the treatment of uncertainties in analyzes of spatial
problems with many criteria. In a special manner, it is proposed to integrate a Geographic
Information System to a multicriteria decision-making system in a fuzzy environment.
The application of this integration for the analysis of spatial problems is associated with
two fundamental stages. The first stage includes a survey of the criteria of interest and
its spatial modeling. Here, we pointed out models that allow quantifying the relative
importance of these criteria according to the evaluations, generally, of a group of decision-
makers, who can reflect their preferences through the construction, transformation, and
processing of preference relations based on the methodological foundations of the method
Analytic Hierarchy Process. The normalization of these criteria is realized through the
application of techniques based on the theory of fuzzy sets. Alternative solutions are
generated by means of the aggregation of the criteria based on the Ordered Weighted
Averaging operator. Adjusting the weights of this operator allows controlling the levels
of mutual compensation between the criteria and also incorporating the attitude of
decision-makers in natural language, for example, through the use of linguistic terms and
their corresponding fuzzy sets. The evaluations of alternative solutions for considered
decision criteria have high levels of uncertainty. Taking this into account, it is proposed
the adaptation of the general scheme of multicriteria decision-making under conditions of
uncertainty. This scheme adapts and generalizes the classical possibilistic-based approach
to decision making under conditions of uncertainty for multicriteria analysis. Such an
approach requires the construction and analysis of payoff matrices for the generation of
robust multicriteria solutions. For that, fuzzy aggregations of the choice criteria of Wald,
Laplace, Savage, and Hurwicz are used, considered as objective functions in the analysis
of models < X, F > (multiobjective models). The proposed second stage aims at the
evaluation, comparison, choice, prioritization, and/or ordering of the alternatives raised by
the first stage, through the use of preference modeling techniques in a fuzzy environment,
based on the methodological principles of the analysis of the < X, R > models, which
allows the inclusion of additional analysis criteria, of quantitative and/or qualitative nature.
The proposed procedures have a general character and can be applied to different types of
spatial decision problems. In this work, they are applied to the problem of determining
locational alternatives for the installation of electricity generation plants of renewable
sources in the State of Minas Gerais. In addition, the problem of analyzing and prioritizing
investment alternatives in electricity transmission at the prospective stage is also addressed,
as a tool to assist concessionaires and companies participating in transmission auctions.
EF Estimativas Fuzzy
FU Função de Utilidade
OA Ordenação de Alternativas
QL Quantificadores Linguı́sticos
xk Alternativa de solução k
xl Alternativa de solução l
min µAi (x) Nı́vel mı́nimo da i -ésima função de pertinência do conjunto fuzzy A
max µAi (x) Nı́vel máximo da i -ésima função de pertinência do conjunto fuzzy A
yS Cenário de análise S
0
ct Limite inferior de um intervalo de incerteza
00
ct Limite superior de um intervalo de incerteza
x0 Solução ótima
F cb Estimativa fuzzy
P
A
Energia disponı́vel por área
ρ Densidade do ar
E Grupo de especialistas
ei i -ésimo especialista
Sumário
1 Introdução . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23
1.1 Apresentação . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23
1.2 Estudo de caso 1: análise de alternativas locacionais para empreendi-
mentos de geração de energia renovável . . . . . . . . . . . . . . . . . 25
1.3 Estudo de caso 2: análise de alternativas de investimento em trans-
missão na fase preparatória para participação em leilões . . . . . . . . 27
1.4 Conclusão . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 29
1.5 Objetivos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 30
1.6 Contribuições . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 30
1.7 Publicações . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 31
1.8 Organização do trabalho . . . . . . . . . . . . . . . . . . . . . . . . . 32
5 Construção de preferências . . . . . . . . . . . . . . . . . . . . . 64
5.1 Modelagem de preferências . . . . . . . . . . . . . . . . . . . . . . . . 64
5.1.1 Ordenação de alternativas (OA) . . . . . . . . . . . . . . . . . . . . 64
5.1.2 Função de utilidade (FU) . . . . . . . . . . . . . . . . . . . . . . . 65
5.1.3 Estimativas fuzzy (EF) . . . . . . . . . . . . . . . . . . . . . . . . . 65
5.1.4 Relações de preferência multiplicativa (RPM) . . . . . . . . . . . . 65
5.1.5 Relações de preferência fuzzy (RPF) . . . . . . . . . . . . . . . . . 67
5.2 Funções de transformação: uniformização dos formatos . . . . . . . . 70
5.2.1 Transformações para RPFNR . . . . . . . . . . . . . . . . . . . . . 70
5.2.2 Transformações para RPM . . . . . . . . . . . . . . . . . . . . . . . 71
5.2.3 Transformação da informação quantitativa . . . . . . . . . . . . . . 71
Referências1 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 146
1
De acordo com a Associação Brasileira de Normas Técnicas. NBR 6023.
23
1 Introdução
1.1 Apresentação
bastante claras as oportunidades que o cenário atual tem traçado com relação a geração
renovável, o que reforça a importância da realização de estudos da natureza deste.
A literatura correlata aponta para outros trabalhos que analisam e aplicam modelos
de tomada de decisão espacial em ambiente de incertezas na prospecção de fontes renováveis
de energia, como Baban e Parry (2011), Janke (2010), Haaren e Fthenakis (2011), Charabi
e Gastli (2011), Omitaomu et al. (2012), Aydin, Kentel e Duzgun (2010), Asakereh et al.
(2014), Feizizadeh, Jankowski e Blaschke (2014), Latinopoulos e Kechagia (2015), Cradden
et al. (2016), Rodriguez, Gauthier-Maradei e Escalante (2017), Amirinia, Mafi e Mazaheri
(2017), Garni e Awasthi (2018), e Ghorbani, Makian e Breyer (2019). Tais pesquisas
realizam o tratamento das incertezas por meio da utilização da abordagem probabilı́stica
e da aplicação da teoria fuzzy. Neste sentido, o principal fator de originalidade do presente
trabalho está relacionado a aplicação em problemas espaciais da abordagem possibilı́stica,
baseada na generalização da abordagem clássica para tomada de decisões em condições de
incerteza. De modo particular, são aplicados os resultados apresentados por Pereira (2014)
e Pereira et al. (2015), já utilizados na resolução de problemas de sistemas de potência,
contudo, sem a consideração de fatores espaciais. A principal vantagem da abordagem
possibilı́stica é a de que, em problemas reais, geralmente, é possı́vel encontrar-se diferentes
tipos de informações: determinı́sticas, probabilı́sticas e incertas, e, uma forma natural de
tratar este tipo de situação é por meio da construção de cenários de análise. Esta é uma
abordagem universal, uma vez que, em seu processo de construção é possı́vel refletir, por
exemplo, distribuições de probabilidades conhecidas. Além disso, outro aspecto original,
consiste na realização da análise, ordenação e priorização de alternativas de solução
espaciais por meio da construção e processamento de preferências em ambiente fuzzy,
norteados pelos princı́pios metodológicos dos modelos < X, R >, apresentados em Pedrycz,
Ekel e Parreiras (2011). Tais modelos também já foram utilizados para o tratamento de
problemas relacionados, por exemplo, a sistemas de potência e planejamento estratégico,
porém ainda não haviam sido realizadas aplicações a problemas espaciais.
Outro aspecto original da pesquisa é a adaptação e melhoria dos modelos propostos
em Ramalho (2017) e Ramalho et al. (2019) que permitem considerar a questão da
quantificação dos nı́veis de importância relativa dos critérios espaciais, considerando que
esses nı́veis podem ser bastante diferentes para decisores também diferentes. Assim, os
modelos permitem que os decisores expressem suas preferências por meio de diferentes
27
modelos de representação, que são transformados e processados por meio do método AHP
e da utilização do operador OWA.
O método AHP é vastamente utilizado pela bibliografia correlacionada para atribuir
pesos aos critérios espaciais que são agregados por meio de média aritmética ponderada,
como em Garni e Awasthi (2018), Merrouni et al. (2018), Yushchenko et al. (2018), Li (2018),
Vasileiou, Loukogeorgaki e G.Vagiona (2017), Garni e Awasthi (2017), Doorga, Rughooputh
e Boojhawon (2019), Ali et al. (2019), Aly, Jensen e Pedersen (2017). Nos trabalhos citados
as Relações de Preferência Multiplicativa (RPM) são a única forma utilizada para realizar a
modelagem de preferências e avaliações em grupo não são realizadas. Em Diaz-Cuevas et al.
(2018) consideram-se avaliações realizadas por um grupo de especialistas, porém é utilizada
apenas uma matriz de RPM, e a geração de preferências individuais não é abordada. Desta
forma, o caráter coletivo das avaliações possui natureza totalmente subjetiva.
Os trabalhos mais semelhantes a este são Marques-Perez et al. (2020) e Giamalaki
e Tsoutsos (2019) que consideram a avaliação dos critérios espaciais por um grupo de
especialistas, onde cada um expressa suas preferências por meio de RPM e o método AHP
é utilizado para a obtenção do vetor de pesos individuais, que são agregados por meio
do operador média geométrica para geração do vetor de pesos do grupo. Contudo, os
trabalhos não utilizam diferentes formatos de preferências e funções de transformação,
admitindo que as RPM são capazes de refletir as preferências de todos os especialistas do
grupo.
AYDIN, 2015), (LIMA, 2015), (LIMA et al., 2017). Os autores Nascimento et al. (2009),
Belem et al. (2009) apresentam uma ferramenta computacional para a determinação dos
corredores ótimos das LTs, baseada na construção de superfı́cies de custos e agregação por
meio de soma ponderada e determinação de rotas preferenciais por meio da utilização de
algoritmos de busca em grafos, no caso, Dynamic Programming, algoritmo A* e Dijkstra.
Logo, é possı́vel concluir que existem abordagens aplicadas à análise de investimentos e
técnicas para análise de muitos critérios espaciais para roteirização de LTs. Contudo, existe
uma demanda por abordagens que formalizem, tornem mais objetivo e fundamentado o
estudo de novos empreendimentos de transmissão, bem como os procedimentos de tomada
de decisão que apoiam estudos técnicos, considerando aspectos de natureza espacial e
não-espacial e as diversas incertezas envolvidas nestes processos, sendo neste sentido que
se encontram importantes aspectos originais da pesquisa proposta.
1.4 Conclusão
Nota-se que o presente trabalho possui caráter geral pois os modelos e métodos
apontados e discutidos podem ser estendidos a problemas de localização de uma forma
geral, aumentando o arcabouço teórico disponı́vel relacionado às técnicas de tomada de
decisão espacial. Neste sentido, o aspecto geral e flexı́vel desta pesquisa pode ser verificado,
inclusive, pelos estudos de caso realizados, onde a mesma análise em duas etapas permitiu
a determinação de alternativas de localização para duas entidades espaciais distintas,
representadas por pontos (localização da usinas) e por linhas (corredores das LTs).
Além disso, esse estudo engloba a aplicação dos métodos a problemas atuais e
pertinentes ao setor elétrico nacional, o que está alinhado aos interesses da sociedade de
um modo geral, notadamente a necessidade de proposição de mecanismos de incentivo à
geração de energia por meio das fontes renováveis e a expansão da capacidade de geração
e transmissão de energia elétrica.
30
1.5 Objetivos
1.6 Contribuições
• Proposição de uma análise em dois estágios para problemas espaciais, que permite o
tratamento de incertezas internas e externas, além da consideração de critérios de
caráter espacial, não espacial, quantitativo e qualitativo;
• Adaptação da abordagem possibilı́stica para análise de problemas espaciais;
• Construção de relações preferências fuzzy e modelos de ordenação para avaliação
de alternativas de solução espaciais, com posterior conversão para Relações de
Preferências Fuzzy Não-Recı́procas;
• Aplicação dos modelos < X, R > para tomada de decisão multiatributo em ambiente
fuzzy para avaliação, comparação, escolha, priorização, e ordenação de alternativas
de solução espaciais;
• Criação de mapas de potencial de complementaridade entre as diferentes fontes de
energia renovável, e em particular, eólicas e solares;
• Determinação de alternativas locacionais para a geração renovável em Minas Gerais;
• Análise em duas etapas do problema de priorização de investimentos em transmissão
no estágio prospectivo.
1.7 Publicações
• Petr Ekel, Adriano Chaves Lisboa, Joel Gomes Pereira Jr., Douglas Alexandre
Gomes Vieira, Lı́via Maria Leite da Silva, Marcos Flávio S. V. D’Angelo. “Two-stage
multicriteria georeferenced express analysis of new electric transmission line projects”.
International Journal of Electrical Power and Energy Systems, v. 108, pp. 415-431,
2019.
• Lı́via Maria Leite da Silva, Petr Ekel, Douglas Alexandre Vieira, Gustavo Luı́s Soares.
“Multiattribute Spatial Decision-Making for Qualitative Information Processing as
Applied to the Renewable Energy Generating Sites Prospection”. IEEE Access, vol.
8, pp. 137745-137757, 2020.
• Petr Ekel, Adriano Chaves Lisboa, Joel Gomes Pereira Jr., Douglas Alexandre
Gomes Vieira, Lı́via Maria Leite da Silva, Marcos Flávio S. V. D’Angelo. “Análise
multicritério e tomada de decisão espacial aplicada à análise de alternativas de
32
2.1 Definições
Os critérios são padrões de julgamento ou regras com base nas quais, soluções
alternativas podem ser avaliadas, comparadas, ordenadas e escolhidas de acordo com
a sua conveniência ou com as suas consequências (PEDRYCZ; EKEL; PARREIRAS,
2011), (EKEL; PEDRYCZ; PEREIRA, 2020). Na literatura relacionada aos SIGs este
termo possui um caráter geral e é utilizado para incluir os conceitos de “objetivo”e
“atributo”(MALCZEWSKI, 2000). Um objetivo é uma afirmação acerca de um estado
desejado para um sistema real (por exemplo, uma alternativa locacional de custo mı́nimo
para recepção de uma subestação). Ele indica as direções de melhorias que devem ser
tomadas pelas variáveis de um sistema. O atributo, por sua vez, é utilizado para medir-
se o desempenho de uma alternativa com relação a um objetivo. Por exemplo, se o
objetivo buscado for uma alternativa locacional de custo mı́nimo para uma subestação,
um atributo relacionado pode ser a distância com relação a LTs existentes. Para atingir-se
um determinado objetivo, a avaliação de vários atributos pode ser necessária, de modo
a medir-se o grau em que o objetivo pode ser implementado. Neste sentido, aparecem
também os critérios que se caracterizam como restrições, que são aqueles que devem ser,
obrigatoriamente observados. A violação de uma restrição por uma alternativa, torna esta
solução inviável ou infactı́vel.
As alternativas podem ser definidas em termos de, pelo menos, duas caracterı́sticas
(MALCZEWSKI, 2011):
Uma alternativa é caracterizada por meio da definição dos valores das variáveis de
decisão. Estas variáveis podem ser binárias, discretas e contı́nuas. Decisões mais simples
36
envolvem realizar ou não uma determinada ação e podem ser representadas por uma
variável binária, representada por 0 ou 1, onde realizar a ação corresponde ao valor unitário
e não realizar nada corresponde ao valor igual a zero. As variáveis binárias são casos
especiais das variáveis discretas. Estas últimas podem receber qualquer valor numérico
finito e inteiro. Um exemplo de uma variável discreta é, por exemplo, a quantidade de
usinas existentes em uma determinada localidade. Uma variável contı́nua pode assumir um
conjunto infinito de valores dentro de um intervalo especificado. Um exemplo deste tipo
de variável é a disponibilidade de radiação solar em um dado território (MALCZEWSKI;
RINNER, 2015).
Dentro do conjunto das alternativas de solução é possı́vel diferenciar as soluções
chamadas “factı́veis”das soluções “infactı́veis”. A determinação destes dois tipos de al-
ternativas pressupõe o estabelecimento das chamadas “restrições”, que impõem limites e
condições sobre as alternativas e que devem ser, obrigatoriamente, observadas. Caso uma
alternativa não atenda à todas as restrições, ela é considerada infactı́vel ou inaceitável.
Em análises espaciais, geralmente as restrições são representadas como variáveis binárias
(MALCZEWSKI, 1999). O conjunto das soluções factı́veis, por sua vez, pode ser dividido
em duas categorias: as alternativas dominadas e não dominadas. Neste sentido, uma solução
x1 domina uma solução x2 se (EKEL; PEDRYCZ; PEREIRA, 2020):
DECISOR(ES)
Neste exemplo, cada
CRITÉRIOS pixel (ponto) pode ser
considerado como uma
Distância de estradas alternativa de solução,
Distância de estradas (km) [0, 1] onde as melhores
avaliadas possuem
tonalidades em azul.
MÉTODOS DE NORMALIZAÇÃO
Contudo, em problemas
REGRA DE DECISÃO
espaciais, alternativas
Declividade (%) Declividade [0, 1]
de solução podem ser
caracterizadas por
pontos, linhas ou
polígonos obtidos a
partir do geocampo
Potencial energético Potencial energético final.
(kWh/m²) [0,1] O formato das soluções
Geocampo final [0,1]
depende do problema
sob análise e da
ALTERNATIVAS DE
modelagem da
SOLUÇÃO
informação geográfica.
Min Max
Baixa aptidão Alta aptidão
40
• Nı́vel conceitual, no qual são definidos os conceitos formais para modelar as entidades
geográficas, em um alto nı́vel de abstração. Classes básicas a serem criadas na base
de dados, contı́nua ou discreta, são definidos neste nı́vel;
• Nı́vel de representação, no qual as entidades formais definidas no nı́vel conceitual
são associadas às classes de representação espacial. As diferentes representações
geométricas podem variar conforme a escala, a projeção cartográfica escolhida ou a
visão do usuário do sistema computacional;
• Nı́vel de implementação, no qual são definidos padrões, formas de armazenamento e
estruturas de dados para implementar cada tipo de representação.
3.1 Teoria dos conjuntos nebulosos e sua aplicação para a Análise Multicritério Espacial
A lógica fuzzy é uma ferramenta para tratar e manipular dados gerados com algum
tipo de imprecisão, o que é particularmente importante sob o ponto de vista da tomada
de decisão, uma vez que esta envolve as preferências e julgamentos de decisores, que não
possuem caráter preciso. O conjunto fuzzy é caracterizado por uma função de pertinência -
ou função caracterı́stica - que associa cada objeto de interesse a um valor de pertinência
inserido em uma escala definida no intervalo unitário.
Assim, dado um conjunto X, o grau com que um elemento x ∈ X pertence a
um conjunto fuzzy A é definido pela função de pertinência µA (x) : X → [0, 1]. Esta
representação possibilita a transição gradual entre a pertinência completa µA (x) = 1 e a
ausência completa de pertinência µA (x) = 0 (ZADEH, 1965).
45
µ(x)
Wh/m²
Radiação solar Alta aptidão: 1
máxima: 8.000
Radiação solar
mínima: 4.000 Baixa aptidão: 0
Geocampo de radiação Geocampo de radiação
solar disponível por área solar disponível por
(Wh/m²) área [0, 1]
1
µAi (x) = −sp (3)
gi (x)
1+ md
1
µAi (x) = sp (4)
gi (x)
1+ md
para cada alternativa xi , i = 1, ..., k (MALCZEWSKI, 2006a). Para isso Bellman e Zadeh
(1970) e Bellman e Zadeh apud Yager (1996) sugeriram a seguinte abordagem:
Agg(g1 (xk ), ..., gn (xk )) = Min[(g1 (xk ), ..., gn (xk )]. (5)
Tal abordagem assume que todos os critérios devem ser atendidos para que uma
solução seja considerada aceitável. Aqui, cada alternativa de solução recebe como avaliação
final o valor de seu pior desempenho entre os critérios. Seleciona-se como melhor alternativa
aquela com maior valor agregado. Trata-se portanto, de uma atitude de decisão pessimista
e avessa ao risco.
Também a fim de realizar a agregação entre os critérios Yager (1988) e Yager (1996)
sugeriram a utilização do operador OWA de dimensão n, definido como:
Um operador OWA de dimensão n é uma função tal que: F : Rn → R que associa
a i-ésima localização (alternativa) a um vetor de pesos ordenados w = (w1 , ..., wn )T , tal
que wi ∈ [0, 1] e ni=1 wi = 1. Assim,
P
n
X
OWA(g1 (xk ), ..., gn (xk )) = wj bj ∀i = 1, ..., n (6)
j=1
1: Max
0: Min
0,187 0,288
0,210 0,271 0,362
0,213 0,331 0,304
0,381 0,330
0,317 0,313
0,351 0,412
0,360
0,371 0,401 0,513
0,346
0,455 0,506 0,462
0,510 Vetores com os valores
0,413 0,452
0,561 0,442 0,419 0,440 de desempenho de
0,528 0,530 0,524 0,545 cada alternativa em
0,605 0,470 0,454 0,480 cada critério.
0,661 0,482 0,463 0,470
0,617 0,574 0,549 0,583 Vetores ordenados.
0,505 0,466 0,480
Vetores com os pesos
0,661
0,574 0,549 ligados a cada posição
0,617 0,583
0,505 0,466 ordenada.
0,605 0,480
* 0,561 0,482 0,463 0,470
* * 0,524 * 0,545 Exemplo utilizado de
0 0,528 0,530
0 0 0,454 0 0,480 Agregação: OWA MIN.
0 0,510 0,470
* 0,360 0 0,442 0 0,419 0 0,440
1 0,513 O resultado final é uma
0 0,346 1 1 * 1 *
* 0,455 0,506 0,462 soma ponderada do tipo:
0 0,317 0 0
0 0,413 0,452 0,412
1 * 0 0
0,213 0 0,371 0,401 * (0,661 × 0) + (0,617 × 0) +
1 1
0 0,210 1 * 0,331 * 0 0,362 + (0,605 × 1) = 0,605
0 0,187 0 0,313 0 0,381 0 0,330
1 0 0,271 0 0,351 0,288
* 1
1 * 1 0,304 *
0
0 *
0 0
0 0
1 0
1 0
1
1
Malczewski (2006b), com diferentes pesos de ordenação pode-se gerar uma vasta gama de
operadores OWA, incluindo aqueles mais frequentemente utilizados em análises de muitos
critérios em SIG (JIANG; EASTMAN, 2000), que são a média aritmética e as operações
booleanas como a interseção (AND) e a união (OR).
Alguns casos particulares do vetor de pesos ordenados valem a pena serem destacados
(XU, 2005). O vetor de pesos ordenados definido tal que:
w1 = 1 & wi = 0, ∀i 6= 1 (7)
implementa a operação de união (OR), fornecendo o resultado Maxi [bi ]. Esta operação
reflete uma atitude otimista do decisor, uma vez que este considera uma solução adequada
desde que ela atenda a qualquer critério de análise. Assim, uma má avaliação em um ou
vários critérios é compensada por uma boa avaliação em outro critério, ou seja, é uma
operação totalmente compensatória.
O vetor de pesos ordenados definido tal que:
wn = 1 & wi = 0, ∀i 6= n (8)
implementa a operação de interseção (AND), fornecendo o resultado Mini [bi ]. Neste caso, é
refletida a atitude pessimista do decisor, onde ele somente considera adequadas as soluções
que atendam a todos os critérios. Logo, uma boa avaliação em um determinado critério
não contribui para a solução caso algum outro tenha sido mal avaliado, ou seja, é uma
operação totalmente não compensatória (equivalente a Equação 5).
O vetor de pesos ordenados definido tal que:
1
wi = , ∀i (9)
n
implementa a operação de média aritmética, onde o decisor possui uma atitude neutra
quanto aos riscos da decisão. No caso da média aritmética existe a compensação entre
critérios. Uma má avaliação em um critério pode ser compensada por uma boa avaliação em
outro. Contudo, não é possı́vel ao decisor mensurar o grau de compensação implementado
por essa operação. Neste sentido, uma das principais vantagens do operador OWA é que
ele torna possı́vel “controlar”o grau de compensação entre os critérios por meio da variação
do seu vetor de pesos ordenados.
51
Exemplos:“cerca de α”.
O processo de agregação por quantificadores possui as seguintes etapas:
Na última expressão, agg é um operador de agregação OWA que utiliza os pesos encontrados
na etapa (1).
O procedimento realizado para a geração dos pesos depende do quantificador
utilizado. No caso em que este é um quantificador RIM, os pesos são gerados por meio da
relação (YAGER; FILEV, 1994), (YAGER, 1996), (AYDIN; KENTEL; DUZGUN, 2010):
i i−1
wi = Q −Q para i = 1, ..., n. (10)
n n
Zadeh apud Xu (2005) define Q como:
0, se r < a
r − a
Q(r) = , se a ≤ r ≤ b (11)
b−a
1, se r > b
Pi ! Pi−1 !
j=1 vj j=1 vj
wi = Q −Q para i = 1, ..., n (12)
T T
Pn
onde T = j=1 vj é a soma total dos pesos de importância. Aqui não existe restrição
quanto a soma dos pesos de importância (a soma não precisa ser igual a um). O desempenho
geral de cada alternativa continua sendo determinado pela Equação 6.
54
Destaca-se ainda uma outra classe de operadores OWA proposta por Yager e Filev
(1994), os operadores S -OWA. Eles fornecem os pesos de ordenação para duas famı́lias
diferentes chamadas de operadores Or − Like e And − Like. Os resultados do operador
Or − Like (definido aqui como FSO ) são obtidos por meio das seguintes correlações:
1
(1 − α) + α, i = 1;
wi = n (13)
1
(1 − α), i = 2, ..., n;
n
n
1 X
FSO (b1 , ..., bn ) = αMaxi (bi ) + (1 − α) bi . (14)
n i=1
Para os operadores do tipo And − Like (definido como FSA ) são utilizadas as
seguintes expressões:
1
(1 − β), i 6= n;
wi = n (15)
1 (1 − β) + β, i = n;
n
n
1 X
FSA (b1 , ..., bn ) = βMini (bi ) + (1 − β) bi . (16)
n i=1
1
(1 − (α + β)) + α, i = 1
n
1
wi = (1 − (α + β)), i = 2, ..., n − 1 (17)
n
1
(1 − (α + β)) + β, i = n
n
e
n
X
FS (b1 , ..., bn ) = αMaxi (bi ) + βMini (bi ) + (1 − (α + β) bi ), (18)
i=1
Uma forma de tratar a incerteza dos dados e informações iniciais (os dados de
entrada), é por meio da abordagem possibilı́stica, baseada na construção e análise de
matrizes payoff construı́das para diferentes alternativas de solução de um problema em
diferentes cenários. Uma generalização desta abordagem permite realizar a construção e
análise multicritério de matrizes payoff para a solução de problemas de tomada de decisões
com muitos critérios ou objetivos. As etapas gerais são as seguintes (BELYAEV, 1977):
Ekel et al. (2010) , Pedrycz, Ekel e Parreiras (2011), Pereira et al. (2015), utilizam a
técnica das chamadas LPτ − sequences, ressaltando que estas possuem caracterı́sticas
superiores de uniformidade entre outras sequências uniformemente distribuı́das (SOBOL,
1979). Deste modo, os resultados do trabalho de Sobol (1979) permitem determinar pontos
qs , s = 1, ..., S com coordenadas qst , t = 1, ..., T no hipercubo unitário correspondente q t .
Por exemplo, para o caso de quatro critérios (ou quatro variáveis sob incerteza: t = 4) e
onde devem-se criar 6 cenários, as coordenadas qst , s = 1, ..., 6 t = 1, ..., 4 determinadas
por meio das LPτ − sequences são apresentadas pela Tabela 3:
Assim, cada cenário representa uma versão distinta de solução do problema espacial
multicritério com os valores de critérios correspondentes. Lembrando que deve-se construir
uma matriz payoff para cada critério ou objetivo sob análise.
57
4.2 Análise das matrizes payoff com base nos critérios de escolha
Esta é a estimativa mais otimista para critérios que devem ser maximizados e a mais
pessimista para critérios a serem minimizados, para uma dada alternativa xk .
• Nı́vel mı́nimo do critério - f min (xk )
Esta é a estimativa mais otimista para critérios que devem ser minimizados e a mais
pessimista para critérios a serem maximizados, para uma dada alternativa xk .
• Nı́vel médio do critério - f (xk )
S
1X
f (xk ) = f (xk , ys ) (22)
S s=1
Caso o critério seja de minimização, é natural que deva-se estimar o valor mı́nimo
da função para toda combinação do cenário Ys :
Este critério gera soluções alternativas assumindo uma combinação não favorável
dos dados iniciais, visando garantir que o nı́vel do critério (objetivo) não seja maior
do que um determinado valor, para nenhuma condição futura. É uma abordagem
considerada conservadora ou pessimista.
• O critério de escolha de Laplace permite escolher a alternativa xL que minimiza o
valor médio da função objetivo f (xk ), ou seja
S
1X
min f (xk ) = min f (xk , ys ) (29)
1≤k≤K 1≤k≤K S
s=1
Este critério assume que não existem informações suficientes para se distinguir
os resultados em cada cenário, assim, é aconselhável agir-se de forma igualmente
provável.
• O critério de escolha de Savage é associado com o uso da estimativa de risco rmax (xk ),
apontando alternativas xS cujos riscos associados são mı́nimos:
• O critério de escolha de Hurwicz utiliza uma combinação linear dos nı́veis máximos
e mı́nimos (f max (xk ) e f min (xk )) determinando soluções xH para as quais a seguinte
combinação é mı́nima:
min [αh f max (xk )+(1−αh )f min (xk )] = min [αh max f (xk , ys )+(1−αh ) min f (xk , ys )]
1≤k≤K 1≤k≤K 1≤s≤S 1≤s≤S
(31)
onde αh ∈ [0, 1] é um ı́ndice de “otimismo-pessimismo”cujo valor deve ser definido
pelo decisor. Se αh = 1 o critério de escolha de Hurwicz se transforma no critério de
escolha de Wald, se αh = 0 ele se transforma num critério de “extremo otimismo”para
o qual as combinações mais favoráveis das informações iniciais são assumidas. Quando
0 ≤ αh ≤ 1, obtem-se algo em torno da média. Belyaev (1977) recomenda a utilização
de valores entre 0,5 e 1.
S
1X
fiL (xk ) = f i (xk ) = fi (xk , ys ) (33)
S s=1
fiH (xk ) = αfimax (xk ) + (1 − α)fimin (xk ) = α max fi (xk , ys ) + (1 − α) min fi (xk , ys ) (35)
1≤s≤S 1≤s≤S
Aplicando as equações (32)-(35) às n matrizes payoff sob análise é possı́vel construir
n matrizes com as estimativas dos critérios de escolha (uma para cada critério espacial),
61
que refletem o desempenho de cada alternativa frente aos critérios de Wald, Laplace,
Savage e Hurwicz, conforme apresentado pela Tabela 6.
Tabela 6 – Matriz com as estimativas dos critérios de escolha para o i-ésimo objetivo
fiW (xk ) fiL (xk ) fiS (xk ) fiH (xk )
x1 fiW (x1 ) fiL (x1 ) fiS (x1 ) fiH (x1 )
... ... ... ... ...
xk fiW (xk ) fiL (xk ) fiS (xk ) fiH (xk )
... ... ... ... ...
xK fiW (xK ) fiL (xK ) fiS (xK ) fiH (xK )
... ... ... ... ...
... min fiW (xk ) min fiL (xk ) min fiS (xk ) min fiH (xk )
1≤k≤K 1≤k≤K 1≤k≤K 1≤k≤K
max fiW (xk ) max fiL (xk ) max fiS (xk ) max fiH (xk )
1≤k≤K 1≤k≤K 1≤k≤K 1≤k≤K
onde as funções objetivos são: f1,i (x) = fiW (xk ), f2,i (x) = fiL (xk ), f3,i (x) = fiS (xk ) e
f4,i (x) = fiH (xk ).
Deste modo, os critérios de escolha (32) - (35) são aplicados para a resolução deste
problema multiobjetivo (36). Para tal resolução pode-se apontar a validade da utilização da
Abordagem de Bellman & Zadeh para tomada de decisão em ambiente fuzzy (BELLMAN;
ZADEH, 1970) (em conformidade com os trabalhos de Ekel et al. (2010), Alves et al.
(2013), Ekel et al. (2016)).
A abordagem de Bellman-Zadeh (BELLMAN; ZADEH, 1970), (DURBACH; STEWART,
2012), baseia seu conceito de “solução ótima” de acordo com o máximo “grau de imple-
mentação de todos os objetivos”que é seu critério de otimalidade e que concorda com o
princı́pio da garantia do resultado, constituindo uma linha efetiva na obtenção de soluções
harmoniosas (EKEL et al., 2010). Na utilização da abordagem de Bellman e Zadeh, um
vetor de funções objetivo da forma fi (x), i = 1, ..., n é considerado, e o problema consiste
na necessidade de otimização simultânea de todos esses objetivos, da mesma forma que
em (36). Para isso, cada função objetivo fi (x) deve ser substituı́da por um conjunto fuzzy
Ai = {x, µAi (x)}, x ∈ L, i = 1, ..., n onde µAi (x) é a função de pertinência de Ai . A solução
fuzzy D é definida como D = ni=1 Ai com a função de pertinência:
T
Tabela 7 – Matriz modificada das estimativas dos critérios de escolha para o i-ésimo
objetivo
µWAi (xk ) µLAi (xk ) µSAi (xk ) µHAx (xk )
W
x1 µAi (x1 ) µLAi (x1 ) µSAi (x1 ) µHAi (x1 )
... ... ... ... ...
xk µWAi (xk ) µLAi (xk ) µSAi (xk ) µHAi (xk )
... ... ... ... ...
xK µWAi (xK ) µLAi (xK ) µSAi (xK ) µHAi (xK )
Ressalta-se que nem sempre a análise realizada pelo método apresentado é capaz
de diferenciar todas as alternativas de solução. Quando, por exemplo, uma alternativa
63
Por exemplo:
Solução dos 𝑠 problemas multicritério, aplicação do
de forma a obter k ≤ s alternativas de operador OWA,
soluções. abordagem de
Bellman-Zadeh.
Por exemplo:
aplicação do
Construção da matriz agregada das
operador OWA,
estimativas dos critérios de escolha.
abordagem de
Bellman-Zadeh.
5 Construção de preferências
onde ocb (xk ) é uma função de permutação que atua sobre um conjunto de ı́ndices 1, ..., k
expressando a preferência do decisor sobre a alternativa xk de acordo com o critério cb .
65
As RPM são construı́das por meio de comparações realizadas par a par entre as
alternativas do conjunto x, de acordo com um determinado critério cb , utilizando-se uma
66
escala de razões (Tabela 9) (SAATY, 1990), que serve de base para a construção de uma
matriz recı́proca M .
1 mcb (x1 , x2 ) ... mcb (x1 , xk )
1/mcb (x1 , x2 ) 1 ... mcb (x2 , xk )
Mcb =
(43)
... ... ... ...
1/mcb (x1 , xK ) 1/mcb (x2 , xk ) ... 1
As entradas dessa matriz, mcb (xk , xl ) representam uma intensidade de preferência,
que pode ser interpretada como xk é mcb (xk , xl ) vezes melhor do que xl de acordo com
o critério cb . Além disso, os elementos da matriz mcb devem satisfazer a condição de
reciprocidade multiplicativa mcbj,i = 1/mcbi,j e possuir a diagonal principal unitária
(QUEIROZ, 2009).
As RPM acomodam intransitividade. Neste sentido, é desejável formarem-se julga-
mentos que sejam os mais consistentes possı́veis, de modo a gerarem-se resultados de boa
qualidade. Para tanto, é usual assumir-se a propriedade de transitividade multiplicativa (44)
cujo atendimento garante a perfeita consistência das relações de preferência multiplicativa
(PEDRYCZ; EKEL; PARREIRAS, 2011):
Mcb (xk , xj ) = Mcb (xk , xl ).Mcb (xl , xj ), ∀j, k, l ∈ [1, ..., K] (44)
Uma relação de preferência fuzzy não estrita Rne pode ser representada por uma
matriz quadrada com função de pertinência µRne : x × x → [0, 1]. Essas relações associam
com cada par ordenado de elementos, no caso, com cada par de alternativas xk , xl ∈ x, um
número Rne (xk , xl ) pertencente ao intervalo unitário que representa o grau da preferência
da alternativa xk com relação a alternativa xl para um determinado critério cb (QUEIROZ,
2009). Essencialmente, a função de pertinência da i-ésima relação de preferência fuzzy
indica, no intervalo unitário, o grau em que a alternativa xk é pelo menos tão boa quanto
xl , quando o critério cb é considerado por um decisor em particular. Durante o processo
de comparação de alternativas, o decisor pode assumir pontos de vista variados, gerando
diferentes relações de preferência (PEDRYCZ; EKEL; PARREIRAS, 2011):
• Indiferença (I(xk , xl )): O decisor presume que ambas as alternativas avaliadas aten-
dem igualmente aos critérios.
• Preferência estrita (P (xk , xl )): O decisor identifica uma alternativa como claramente
melhor em comparação com a outra.
• Preferência não-estrita (Rne (xk , xl )): Determina o grau em que xk é “pelo menos tão
boa”quanto xl com relação ao critério cb .
• Incomparabilidade (J(xk , xl )): O decisor não consegue expressar sua opinião a respeito
das alternativas, devido a falta de informações ou conhecimento.
As relações P (xk , xl ) e I(xk , xl ) podem ser obtidas a partir de Rne conforme aponta
Orlovsky apud Pedrycz, Ekel e Parreiras (2011):
A relação J pode ser obtida a partir de Rne conforme aponta Parreiras e Ekel
(2013):
J(xk , xl ) = min(1 − Rne (xk , xl ), 1 − Rne (xl , xk )) (47)
ao intervalo unitário a cada par de alternativas. Para isso, diferentes esquemas podem ser
utilizados para representar o grau de preferência de uma alternativa sobre a outra. Este
estudo destaca dois esquemas principais: As Relações de Preferência Fuzzy Não Recı́procas
(RPFNR, aqui chamadas de NR) e as Relações de Preferência Fuzzy Reciprocas Aditivas
(RPFRA, aqui chamadas de RA). As RPFNR possuem uma correspondência com a noção
de Rne , e sua construção deve respeitar as seguintes propriedades (PEDRYCZ; EKEL;
PARREIRAS, 2011), (PARREIRAS; EKEL, 2013):
µRi (xk , xl ) = sup min{µ(Fi (xk )), µ(Fi (xl ))} (50)
xk ,xl ∈x
Fi (xk )≤Fi (xl )
µRi (xk , xl ) = sup min{µ(Fi (xk )), µ(Fi (xl ))} (51)
xk ,xl ∈x
Fi (xl )≤Fi (xk )
70
• Ordenação de alternativas
1 O(xl ) − O(xk )
+
, se O(xk ) > O(xl )
NR(xk , xl ) = H1 (O(xk ), O(xl )) = 2 2(K − 1) (52)
1, se O(xk ) ≤ O(xl )
1 + RA(xk , xl ) − RA(xl , xk ), se RA(xk , xl ) < 0, 5
(55)
1, se RA(xk , xl ) ≥ 0, 5
• Ordenação de alternativas
O(xl ),O(xk )
RPM(xk , xl ) = H5 (O(xk ), O(xl )) = (ls) K−1 , k, l = 1, ..., K (56)
Para RPFRA, as seguintes condições (EKEL, 2001) devem ser observadas: µ̄R (xk , xk ) =
0, 5 (gerando β = 0, 5) e µ̄R (xk , xl ) + µ̄R (xl , xk ) = 1, o que permite obter
De modo particular, as expressões (45), (62)-(63) podem servir como base para a
aplicação da primeira técnica de análise de modelos < X, R > para tomada de decisão
multiatributo, considerando R = ∩qi=1 Ri , ou seja:
2. Função de Orlovski
RPFNR RPFE
Equação (45)
0 0,60 0,18
𝜇 𝑥 ,𝑥 = 0 0 0
0 0,14 0
3. Complemento
Equação (62)
𝜇 𝑥 = 1 0,40 0,82
𝑥 ≻𝑥 ≻𝑥
75
A segunda técnica para análise dos modelos < X, R > possui caráter lexicográfico
e está associada com a introdução passo-a-passo de critérios para comparações entre alter-
nativas (exemplos numéricos podem ser consultados em (PEDRYCZ; EKEL; PARREIRAS,
2011) (EKEL et al., 2016)).
a fim de obter xN D .
A Figura 10 apresenta uma ilustração com as etapas gerais da terceira técnica.
A primeira técnica pode gerar soluções diferentes dos resultados obtidos com base
na segunda técnica. Além disso, soluções baseadas na primeira e terceira técnicas, que
possuem a mesma base genérica, podem também ser diferentes. Ao mesmo tempo, a
terceira técnica é preferı́vel de um ponto de vista substancial. Especificamente, o uso da
primeira técnica pode direcionar a escolha para alternativas com o grau de não-dominância
igual a um, mesmo que essas alternativas não sejam as melhores do ponto de vista de
todas as relações de preferência. O terceiro procedimento pode dar esse resultado apenas
para alternativas que são as melhores soluções do ponto de vista de todas as relações de
preferência fuzzy. Considerando o exposto acima, é a prerrogativa do decisor a escolha da
abordagem mais adequada.
76
1. RPFNR
𝜇 𝑥 ,𝑥 ,𝜇 𝑥 ,𝑥 ,…,𝜇 𝑥 ,𝑥
𝜇 𝑥 = 1 − max 𝜇 𝑥 ,𝑥 .
4. Interseção
Equação (66)
𝜇 𝑥 ∩𝜇 𝑥 ∩ … ∩𝜇 𝑥
Além disso, Pedrycz, Ekel e Parreiras (2011) incluem a descrição de outras técnicas.
Uma delas é baseada na abordagem de ordenação (Outranking Approach) (por meio da
versão fuzzy do método PROMETHE (BRANS; VINCKE, 1985)).
6.4 Técnica baseada no operador OWA para análise de Modelos < X, R >
Outra técnica proposta pelos autores utiliza alguns conceitos já abordados neste
trabalho, relacionados a aplicação do operador OWA (YAGER, 1988) e de suas modificações.
De modo particular, esta abordagem permite ajustar o nı́vel de otimismo e pessi-
mismo das decisões por meio da aplicação do operador OWA. Neste sentido, é possı́vel
reescrever a Equação 6 como:
q
X
µR (xk , xl ) = OWA(µR1 (xk , xl ), ..., µRq (xk , xl )) = w i bi (67)
i=1
77
onde bi é o i-ésimo maior elemento de µR1 (xk , xl ), ..., µRq (xk , xl ). Novamente, o conjunto
de pesos w1 , ..., wq deve satisfazer a condição wq ∈ [0, 1] e qi=1 wi = 1.
P
Considerando a escolha das melhores alternativas por meio do nı́vel mais alto de
não dominância, as alternativas xN D podem ser determinadas por meio de uma expressão
similar a Equação (63).
A Figura 11 apresenta um esquema ilustrativo com as principais etapas da técnica
baseada no operador OWA. É possı́vel notar que, neste esquema, o cálculo do QGDD e do
QGNDD apresentam o mesmo resultado, apontando que a alternativa x1 é a pior, porém
não é possı́vel distinguir entre as alternativas x2 e x3 . Em casos como este, para obter a
ordenação das alternativas, o decisor pode gerar uma nova matriz global de RPFNR, por
meio de outros quantificadores lı́nguı́sticos, menos compensatórios, e repetir os cálculos
(PEDRYCZ; EKEL; PARREIRAS, 2011).
Todas as técnicas para modelagem de preferências em ambiente fuzzy discutidas
acima também podem ser utilizadas para a tomada de decisão multicritério em grupo
(PEDRYCZ; EKEL; PARREIRAS, 2011).
78
𝑥 e 𝑥 dominam
𝑥 , porém não é
3. Cálculo do QGNDD possível distinguir
entre as duas.
Obtenção da RPE
Equação (45)
0 0 0
1
11 𝜇 𝑥 ,𝑥 = 0 0 0
0,60 Argumentos
1 11 0,60 0,40 0 0
0,2 0 × 1 0,32
ordenados
0,14 × 1 0,91 1 × Equação (69)
0 1 1 1
× 1 1
0,60 0,94 1
0 0 × 0,86 0 QGDND(𝑥 ) = 𝜇 𝑥 , 𝑥 = 1 1 1
1 1
0 0 1 1
1 0 1 ×
0 0,60 1 1
0 1 Pesos ordenados do
× 0 1 1
1 0
1 1 operador OWA
×
0 × 0 Nova agregação baseada 1 1 1
1 Agregação MAX
0 0 1 no operador OWA: 0,60 1 1
0
0 × × ×
0 Agregação MIN Novamente, 𝑥 e
0 0 0
𝑥 dominam 𝑥 ,
1 1 1
porém não é
possível distinguir
0,60 1 1 entre as duas.
Figura 12 – Fluxograma com as etapas gerais da aplicação dos modelos < X, R > de
decisão.
SECOND STAGE OF THE PROPPOSED METHOD
Alternativas de solução.
e the 𝑋 , 𝑘 = 1, … , 𝐾
tives in accordance of
= 1, … , 𝑞 quantitative
qualitative criteria. Determinação dos critérios relevantes
para a análise multiatributo.
ct the fuzzy preference
s to the all alternatives.
y (50) for numerical
es and (32) (33) for fuzzy Obtenção das preferências (quantitativas
alternatives. e qualitativas) representadas de acordo
m them in a same format.
com algum formato pertinente.
e, in nonreciprocal fuzzy
rence relations. For
al alternatives, use (51). Transformação das preferências para um
mesmo formato. No caso, Relações de
, for example, a First
Technique. Preferência F𝑢𝑧𝑧𝑦 Não Recíprocas.
No
dd more criteria
79
disponı́vel neste Estado, porém nenhum deles aborda aspectos ligados à complementaridade
sazonal (CEMIG, 2012), (CEMIG, 2010), (CEMIG, 2017).
O segundo estudo de caso trata de um problema bastante novo, ligado a análise de
alternativas de investimento em transmissão na fase preparatória para participação em
leilões. A principal vantagem da aplicação da análise em dois estágios a este problema é a
possibilidade da consideração de uma ampla gama de critérios (inclusive preferências de
decisores) no processo decisório, o que, dado o contexto de carência de informações em
que esse problema geralmente se situa, é bastante relevante (EKEL et al., 2019).
82
Aplicação da
Construção da matriz agregada
abordagem de Conversão das preferências
das estimativas dos critérios de
Bellman- em Relações de Preferência
escolha.
Zadeh. Fuzzy Não Recíprocas.
Não
Construção e análise dos Sim
A solução do
Modelos <X, R>. FIM
problema foi
obtida?
ABORDAGEM POSSIBILÍSTICA
Não
Inclusão de novos critérios.
83
• Na diferença de fase entre os valores de disponibilidade das duas fontes (que caracte-
rizam a complementaridade temporal). Considerando a complementaridade anual,
no perı́odo do ano em que um dos recursos apresentar sua disponibilidade total, o
outro recurso deverá disponibilizar sua capacidade mı́nima de geração e vice-versa.
Neste caso, diz-se que a complementaridade no tempo é total. Em casos onde as
disponibilidades não apresentam seus valores máximos e mı́nimos instantaneamente,
porém ainda assim apresentam perfis de disponibilidade defasados, diz-se que a
complementaridade no tempo é parcial.
• Na relação entre os valores médios de disponibilidade energética das fontes (que
caracterizam a complementaridade energética). No caso desses valores serem iguais,
diz-se que as fontes são perfeitamente complementares, a medida que a diferença
entre os valores aumenta, a complementaridade torna-se parcial, tendendo a zero;
• Na variação das amplitudes das disponibilidades energéticas das fontes, caracterizadas
como a diferença entre os valores mı́nimos e máximos (que caracterizam a comple-
mentaridade em amplitude). Novamente, quando os valores são iguais, diz-se que a
complementaridade é total. Valores intermediários caracterizam a complementaridade
imperfeita.
1,2
As amplitudes das
variações da
1 disponibilidade
Disponibilidade de energia
0,2
Energia da primeira fonte
Energia da segunda fonte
|d1i − d2i |
Itempo = p (71)
|D1i − d1i ||D2i − d2i |
onde D1i e D2i são o número do dia de máxima disponibilidade de energia da fonte 1
e da fonte 2 para a i-ésima coordenada espacial, respectivamente, assim como d1i e d2i
são o número do dia de mı́nima disponibilidade da fonte 1 e da fonte 2, para a i-ésima
coordenada espacial. Se o intervalo entre os valores mı́nimos for metade do perı́odo de
tempo considerado, o ı́ndice deverá ser igual a 1. Caso os mı́nimos sejam coincidentes, o
ı́ndice será igual a zero.
De modo a simplificar as estimativas, a equação (71) pode ser reescrita como:
|E1i − E2i |
Ienergia = 1 − (73)
|E1i + E2i |
onde E1i e E2i são as quantidades totais de energia da fonte 1 e 2, respectivamente,
disponibilizadas durante o ano. Se os valores médios forem iguais, o ı́ndice deve ser igual
a 1. Se estes valores forem diferentes, o ı́ndice se torna menor que 1, tendendo a zero
conforme as diferenças aumentem.
O ı́ndice parcial de complementaridade em amplitude, Iamplitude , é definido pela
equação
h i
1− (δ1i −δ2i )2
, para δ1i ≤ δ2i
(1−δ2i )2
Iamplitude = h i (74)
(1−δ2i )2
para δ1i ≥ δ2i .
(1−δ2i )2 +(δ1i −δ2i )2
Este ı́ndice é obtido a partir de uma manipulação adequada entre os parâmetros δ1i e δ2i ,
que são definidos como:
Edmini
δ =2− (75)
Edmaxi
87
onde Edmini e Edmaxi são a mı́nima e a máxima disponibilidade energética diária de cada
fonte avaliada no perı́odo de tempo considerado, para a i-ésima localização. Tal ı́ndice
avalia a relação entre os valores de disponibilidade máxima e mı́nima (amplitude) das
duas funções de disponibilidade energética. Se a razão entre os valores de disponibilidade
máxima e mı́nima da fonte 1 for igual ao valor da mesma razão calculada para a fonte 2
(ou seja, δ1i = δ2i = 1), o ı́ndice (74) será igual a 1. Se estes valores foram diferentes, o
ı́ndice tende a se tornar menor e tender a zero, conforme as diferenças aumentem.
Além do caráter estocástico das fontes renováveis, estas também apresentam como
caracterı́stica a sua dispersão irregular ao longo do globo terrestre. Os recursos renováveis
muitas vezes estão disponı́veis em locais que impossibilitam ou dificultam seus aproveita-
mentos energéticos devido ao risco que isso poderia representar para patrimônios ambientais
ou mesmo culturais (AYDIN; KENTEL; DUZGUN, 2013). Sistemas renováveis são fre-
quentemente vistos como um empreendimento de risco. Eles envolvem altos investimentos
iniciais e longos perı́odos de retorno (longos perı́odos de payback ), que correspondem a
décadas, onde o lucro é acumulado pela venda de energia ou pela redução com os gastos
com eletricidade (no caso de sistemas de auto-produção).
Desta forma, no que tange a investimento em geração, os cenários descritos exigem
dos empreendedores um cuidadoso processo de tomada de decisão. Não se trata apenas
do conhecimento da disponibilidade dos recursos energéticos, mas de todas as exigências
técnicas, ambientais e sociais envolvidas no processo de decisão, que, por vezes, são confli-
tantes entre si. Nesse contexto, insere-se com êxito a adoção da AMCE, uma ferramenta
que possibilita a tomada de decisão consistente, pautada por uma análise que contempla
as dimensões e critérios mais relevantes do problema, e que, aliada aos estágios da análise
proposta, permite o tratamento eficiente de incertezas e a incorporação de dados objetivos
e juı́zos de natureza subjetiva envolvidos no problema tratado.
A base de dados criada para a realização dos Estudos de Caso foi gerada por meio
de arquivos (formato shapefile) livres, disponibilizados ao público em geral, (NASA, 2014),
(NASA, 2005), (CEPEL, 2004), (CEPEL, 2009), (CPRM, 2010), (IBGE, 2015b), (IBGE,
2015a), (IBGE, 2015c), (IBGE, 2014), (IBGE, 2018), (ANEEL, 2018b), (EMATER-MG,
2019).
Os arquivos foram processados por softwares especı́ficos de geoprocessamento:
ArcGis e QGis, que permitiram converter todos os arquivos para um mesmo sistema de
91
projeção, para o formato raster, e exportar esses arquivos no formato ASCII. Este último
foi importado para o software MatLab, onde foram implementados os modelos de decisão.
Os geocampos gerados pelo MatLab foram salvos também no formato ASCII, de modo
a possibilitar sua visualização e edição em outros softwares. Para tanto, foi utilizada a
função disponibilizada em (LANGELLA, 2008).
Neste trabalho, as análises baseadas em informações geográficas devem incluir
elementos bem delimitados e discretos como rios, lagos e elementos artificiais tais como
LTs, municı́pios, áreas de preservação ambiental, etc. São incluı́dos também fenômenos
geográficos contı́nuos como declividade e potencial energético. Enquanto os primeiros são
tratados como geo-objetos e armazenados vetorialmente, os segundos são tratados como
geocampos e armazenados matricialmente (formato raster).
Para a utilização dos métodos adotados, toda a base de dados foi convertida para
o formato raster. Além disso, o processamento de dados espaciais exige que todos estes
dados estejam num mesmo sistema de coordenadas ou projeção geográfica. Existem vários
sistemas e, para cada aplicação é importante determinar-se o mais adequado, visando
minimizar as distorções das informações. Aqui, todos os dados foram convertidos para o
sistema de projeção Continental Cônica Conforme de Lambert especial para a América do
Sul.
A resolução dos rasters foi determinada mediante o procedimento enunciado por
(TOBLER, 1988). Este autor utiliza uma relação em que deve-se dividir o denominador
da escala das bases de dados por 1.000, para encontrar-se o menor tamanho detectável
em metros, do raster gerado. A resolução deste raster, por sua vez, deve ser metade desse
valor. Para um conjunto de dados, deve-se considerar a menor escala dentre todas as bases,
que, no caso deste estudo é utiliza a Carta Internacional ao Milionésimo, de 1:1.000.000.
Assim, utilizou-se uma resolução de 500 metros × 500 metros.
disponibilizados por (NASA, 2014) e (NASA, 2005) para a determinação dos ı́ndices
de complemetaridade parcial no tempo (Itempo ), complementaridade parcial energética
(Ienergia ), complementaridade parcial em amplitude (Iamplitude ) e complementaridade total
(Itotal ). A construção destes geocampos para o Estado de Minas Gerais é um dos aspectos
originais deste trabalho. Atualmente, existem estudos publicados sobre o potencial solar
(CEMIG, 2012), eólico (CEMIG, 2010) e até de biomassa (CEMIG, 2017) deste Estado,
porém, tratam-se de estudos independentes, que não levam em consideração nenhuma
caracterı́stica de complementaridade existente entre as fontes e nem outros critérios
importantes para a instalação de usinas.
Uma dificuldade ligada a realização de estudos para avaliação espacial de recursos
energéticos é a disponibilidade de dados georreferenciados de qualidade. A base de dados
utilizada possui formato espacializado (arquivo shapefile) com uma resolução espacial de
células de um grau (aproximadamente, 100 km) e fornece valores de disponibilidade médios
mensais de radiação solar e velocidade de ventos calculados com base em séries históricas
de 10 anos ((NASA, 2014), (NASA, 2005)). Ressalta-se que a precisão dessa base de dados
é baixa, e é utilizada aqui para uma avaliação de grande escala, no caso, realizada para
o Estado de Minas Gerais. Resultados mais precisos poderiam ser obtidos a partir de
mapeamentos realizados em uma escala maior e com registros de medição diários. Contudo,
este tipo de base de dados não possui acesso aberto ao público. As informações utilizadas
possuem, portanto, altos nı́veis de incertezas associadas, o que evidencia a importância do
emprego de mecanismos para a consideração da mesma.
Visando simular melhor a disponibilidade anual das fontes energéticas eliminando
valores extremos e fora de tendência, os valores mensais registrados foram aproximados
por um polinômio de quarto grau, ajustado por meio do emprego do Método de Mı́nimo
Quadrados de acordo com Beluco, Souza e Krenzinger (2008). De modo a melhorar o efeito
dessa aproximação, esse processo de interpolação foi realizado considerando a série de
dados como tendo 14 meses, onde o mês 1 considerado foi o mês de dezembro e o mês 14 o
mês de janeiro. Esta consideração teve o intuito de evitar valores fora de tendência nos
extremos da série temporal, o que seria causado apenas pela indisponibilidade de dados.
As análises posteriores foram realizadas considerando o ano com 12 meses, normalmente.
A Figura 15 apresenta o resultado desse processo de interpolação para uma localidade
arbitrária do território mineiro, exibindo os resultados para os valores de radiação solar e
velocidade de ventos.
93
Figura 15 – Perfis anuais originais e ajustados: Radiação solar (esq.) e velocidade de ventos
(dir.)
Fonte: Elaborado a partir dos dados disponibilizados por (NASA, 2014) e (NASA, 2005)
P 1
= .ρ.v 3 .Cp .ηeolica .h (76)
A 2
P
onde A
é igual a energia disponı́vel por área (kWh/m2 ); ρ é a densidade do ar, con-
siderada igual a 1.225 kg/m3 ; v é a velocidade dos ventos (m\s); Cp é o coeficiente
aerodinâmico de potência do rotor, considerado como 0,45; ηeolica é a eficiência do conjunto
gerador/transmissões elétricas considerada 0,98 e h são as horas mensais, iguais a 720.
Ressalta-se que as conversões utilizadas são apenas aproximações, uma vez que
a indisponibilidade de dados impede a construção de distribuições de probabilidades e
estimativas mais precisas.
A Figura 16 apresenta alguns perfis anuais de localidades do território de Minas
Gerais amostradas a partir da base de dados tratada. É possı́vel perceber que os dados
relacionados a disponibilidade solar anual (esq.) apresentam uma clara tendência sazonal,
94
Fonte: Elaborado a partir dos dados disponibilizados por (NASA, 2014) e (NASA, 2005)
Fonte: Elaborado a partir dos dados disponibilizados por (NASA, 2014) e (NASA, 2005) aplicando
a metodologia proposta por (BELUCO; SOUZA; KRENZINGER, 2003), (BELUCO; SOUZA;
KRENZINGER, 2008)
O critério relacionado ao valor econômico das áreas foi modelado por meio das
informações disponibilizadas pela Empresa de Assitência Técnica e Extensão Rural de
Minas Gerais (EMATER-MG, 2019) e pelo Instituto Brasileiro de Geografia e Estatı́stica
(IBGE, 2018).
Em EMATER-MG (2019) são disponibilizados os custos de aquisição de terras
nuas para os municı́pios de Minas Gerais, de acordo com quatro principais tipos de
ocupação do solo: terras com aptidão para a agricultura, pastagem plantada, silvicultura
ou pastagem natural e áreas de preservação da fauna e da flora. Contudo, informações
espaciais relacionadas a localização de cada um desses tipos de cobertura dentro dos
municı́pios não são disponibilizadas. Assim, a fim de refinar a espacialização dos custos, foi
utilizado o mapa de uso e ocupação do solo em Minas Gerais (IBGE, 2018), que pemitiu
gerar um geocampo onde foram atribuı́dos os valores de custo das terras (de acordo com
EMATER-MG (2019)) por tipo de ocupação/cobertura da mesma (de acordo com IBGE
(2014)). Contudo, as classes de ocupação do solo destas bases de dados são diferentes.
A base disponibilizada pela IBGE (2018) apresenta as seguintes classes: áreas agrı́colas,
pastagem com manejo, mosaico com ocupações em área florestal, silvicultura, vegetação
florestal, vegetação campestre e mosaico com ocupações em área campestre.
Neste sentido, cada uma dessas tipologias de cobertura recebeu o custo médio de
aquisição de acordo com os valores estabelecidos para as classes definidas pela Emater-MG,
conforme ilustrado pela Tabela 11.
demandar menores custos associados com a adequação de terreno. De acordo com o Atlas
Solarimétrico de Minas Gerais (CEMIG, 2012), centrais solares fotovoltáicas podem ser
instaladas em regiões com declividades entre 3 a 8%. Deste modo, o critério em questão
foi normalizado por meio do conjunto fuzzy expresso pela equação (4), com os parâmetros
de sp igual a 20 e md igual a 5. As restrições foram modeladas por meio de geocampos
binários, que atribuem 0 às áreas restritivas e 1 às demais áreas do território. Neste
sentido, a presença de áreas urbanizadas foi modelada neste trabalho como um geocampo
de restrição, uma vez que entende-se que tais áreas significariam um fator dificultador à
geração centralizada, devido aos maiores custos envolvidos com a aquisição de terreno e
aos possı́veis efeitos nocivos que este tipo de empreendimento poderia significar para as
populações.
A Tabela 12 resume os critérios analisados, os geocampos gerados para cada critério
e os modelos de normalização utilizados.
Tabela 13 – Coordenadas encontradas por meio das LPτ −sequences no Q2 para o problema
01
s=1 s=2 s=3 s=4 s=5
t = 1 (c1 : radiação solar) 0,500 0,7500 0,2500 0,3750 0,8750
t = 2 (c1 : velocidade de ventos) 0,500 0,2500 0,7500 0,3750 0,8750
t = 3 (c2 ) 0,500 0,7500 0,2500 0,6250 0,1250
De posse das matrizes payoff para cada critério, é possı́vel determinar-se as matrizes
com as estimativas dos critérios de escolha, também criadas para cada critério espacial.
Esta análise foi realizada considerando-se 4 critérios: Wald, Laplace, Savage e Hurwicz.
O critério de Savage pressupõe a criação das matrizes de risco para cada critério, que
expressam o risco associado a escolha de cada possı́vel solução alternativa com relação
à melhor alternativa, em um determinado cenário. Este risco é calculado como sendo a
diferença entre o valor de cada alternativa em um determinado cenário e o valor máximo
(no caso de critérios de maximização) ou mı́nimo (no caso de critérios de minimização)
da melhor alternativa no referido cenário. As tabelas 20, 22 apresentam as matrizes de
risco obtidas para os critérios c1 e c2 . Devido a sua simplicidade e de modo a simplificar a
descrição dos resultados, as matrizes de risco obtidas para os demais critérios não serão
apresentadas. As tabelas 21, 23, 24, 25, 26 e 27 apresentam as matrizes com as estimativas
dos critérios de escolha.
Tabela 23 – Matriz com as estimativas dos critérios de escolha: Valor econômico das áreas
fW (xk ) fL (xk ) fS (xk ) fH (xk )
x1 1.485 1.485 435 1.485
x2 2.750 2.100 1.575 2.437,5
x3 5.106,7 5.106,7 4.056,7 5.106,7
x4 3.812,5 3.325 2.637,5 3.578,1
x5 4.433,3 4.433,3 3.383,3 4.433,3
x6 1.175 1.110 0 1.143,8
x7 1.586 1.586 536 1.586
x8 2.312,5 1.825 1.137,5 2.078,1
x9 2.875 2.550 1.700 2.718,8
x10 5.150 3.980 3.975 4.587,5
Max f (xk ) 1.175 1.110 0 1.143,75
Min f (xk ) 5.150 5.106,67 4.056,67 5.106,67
111
Tabela 25 – Matriz com as estimativas dos critérios de escolha: Áreas de baixa declividade
fW (xk ), fL (xk ), fH (xk ) fS (xk )
x1 2,81 2,19
x2 0,62 0
x3 1,39 0,77
x4 5,12 4,50
x5 3,95 3,33
x6 1,39 0,77
x7 9,54 8,91
x8 1,06 0,44
x9 4,39 3,77
x10 1 0,38
Max f (xk ) 0,62 0
Min f (xk ) 9,54 8,91
O novo conjunto de soluções alternativas será agora avaliado por meio dos seguintes
critérios adicionais:
1. Distância de LTs planejadas: é a distância de LTs que não estão em operação, mas
estão previstas no Plano de Expansão da Transmissão Nacional. É um critério de
caráter espacial e quantitativo, que deve ser minimizado.
2. Potencial social: pode ser definido como um conjunto de condições, medidas pelas
dimensões humana, natural e produtiva, que determinam o estágio em que um
municı́pio se encontra na busca pelo desenvolvimento sustentável. Neste sentido,
regiões com um alto potencial social possuem uma infra-estrutura de transportes
bem desenvolvida, assim como atividades econômicas, condições sociais, entre outros.
Assim, poderia fazer mais sentido priorizar áreas com os nı́veis mais altos de potencial
social para a recepção de plantas de geração. Contudo, a instalação de uma usina
pode ser justamente, um mecanismo impulsionador do potencial social das regiões,
116
formadas para RPFNR para serem processadas pelos modelos < X, R >. Assim, para o
primeiro critério é possı́vel aplicar a Equação 60 a fim de obter-se a seguinte RPFRA:
0, 5 1 0, 93
µR1 (xk , xl ) = (77)
0 0, 5 0, 43
0, 07 0, 57 0, 5
A aplicação da função de transformação (55) permite converter (77) na RPFNR:
1 1 1
µR1 (xk , xl ) = (78)
0 1 0, 86
0, 14 1 1
Com relação ao segundo e terceiro critério, é possı́vel aplicar (50) e (51), definidas
para F (xk ) ≤ F (xl ) e F (xl ) ≤ F (xk ), respectivamente, para construir as seguintes RPFNR:
1 0, 60 0, 60
µR2 (xk , xl ) = 1 (79)
1 1
1 1 1
1 0, 91 0, 60
µR3 (xk , xl ) = 1 (80)
1 0, 94
1 1 1
Conforme mencionado anteriormente, a escolha da técnica para análise dos Modelos
< X, R > é uma prerrogativa dos decisores. Em particular, utilizando (64) é possı́vel
construir:
1 0, 60 0, 60
µR (xk , xl ) = (81)
0 1 0, 86
0, 14 1 1
Aplicando (45) é possı́vel obter a seguinte RPFE:
0 0, 60 0, 46
µE
R (xk , xl ) = 0 (82)
0 0
0 0, 14 0
Finalmente, a aplicação de (62) gera o conjunto de alternativas não-dominadas
com as seguintes funções de pertinência: µN D
R (xk ) = [1 0,40 0,54]. Portanto, a análise
118
Atualmente, Minas Gerais não possui usinas hı́bridas em operação, o que dificulta a
utilização de modelos para validar os resultados da AMCE. Portanto, neste trabalho foram
utilizadas as usinas solares fotovoltaicas e eólicas existentes no Estado para comparação
dos resultados (Figura 24). Para tanto, foram utilizados os procedimentos propostos
em Firozjaei et al. (2019), que analisam a porcentagem de plantas existentes em áreas
classificadas como mais adequadas pelos mapas de decisão gerados. A Figura (25) apresenta
as porcentagens de plantas existentes em diferentes faixas de aptidão dos mapas de decisão
gerados em cada um dos cinco cenários de análise. As faixas utilizadas são: 0 - 0,2; 0,2 - 0,4;
0,4 - 0,6; 0,8 - 1. Os autores Firozjaei et al. (2019) consideram como “áreas ótimas”para a
119
instalação de possı́veis usinas aquelas cujos valores de aptidão situam-se nas faixas entre
0,6 - 0,8 e 0,8 - 1. Levando em consideração que neste trabalho estão sendo utilizadas
usinas solares fotovoltáicas e eólicas para validar os resultados obtidos para usinas hı́bridas,
foi considerado aceitável que áreas classificadas com valores de aptidão entre 0,4 - 0,6
também fossem consideradas como “ótimas”.
Figura 24 – Distribuição espacial das usinas existentes em Minas Gerais com capacidade
instalada maior que 5 MW (ANEEL, 2018b)
É possı́vel observar que, nas áreas classificadas com os maiores valores de ap-
tidão/pertinência (na faixa entre 0,8 e 1) não existem usinas em operação, em nenhum
cenário. Contudo, isso pode ser considerado aceitável, uma vez que tratam-se de usinas
eólicas e fotovoltaı́cas e não usinas hı́bridas, conforme é proposto neste trabalho. Por
outro lado, não existem plantas localizadas em regiões com os menores valores de ap-
tidão/pertinência (na faixa entre 0 e 0,2). Este fato pode indicar que os modelos utilizados
possuem uma boa capacidade em identificar as piores regiões para a recepção das usinas
hı́bridas, além das áreas proibitivas.
A maioria das usinas solares existentes estão situadas em regiões com valores de
aptidão situados na faixa 0,4 - 0,6 para todos os cenários analisados (Figura 25 (A)).
As usinas eólicas existentes estão igualmente distribuı́das (33%) em regiões com valores
de aptidão/pertinência iguais a 0,2 e 0,4; 0,4 e 0,6; 0,6 e 0,8; no caso do cenário 1. Em
todos os outros cenários, a maioria das usinas estão localizadas em regiões com valores de
aptidão/pertinência iguais a 0,4 e 0,6 (Figura 25 (B)).
120
Figura 25 – Porcentagem de usinas existentes por faixa de aptidão (pertinência) dos mapas
de decisão obtidos
Assim, apesar das limitações dos dados utilizados para comparação dos resultados
obtidos, pode-se considerar que existem evidências de que os mapas de decisão obtidos
possuem boa qualidade.
Também vale a pena mencionar que os parâmetros utilizados na agregação imple-
mentam uma atitude de decisão pessimista (α = 0,4 e β = 0,6). Logo, uma mudança nos
nı́veis de otimismo/pessimismo conduziria a geração de mapas de decisão diferentes, que
poderiam refletir atitudes de decisão mais compensatórias.
Nesta seção será realizada novamente uma análise de alternativas locacionais para
a geração renovável em Minas Gerais, baseada nas fontes solar fotovoltaica e eólica.
Aqui será considerada uma questão importante relacionada a problemas que envolvem
121
1. Potencial solar c1 ;
2. Potencial eólico c2 ;
3. Valor econômico das áreas c3 ;
4. Áreas de baixa declividade c4 ;
5. Conexão ao sistema de transmissão c5 ;
6. Acessibilidade c6 ;
7. Proximidade de corpos hı́dricos c7 .
Figura 26 – Potencial solar e velocidade de ventos em Minas Gerais (valores médios anuais)
9.6.2 Avaliação dos critérios espaciais de acordo com as preferências de diferentes decisores
1 1, 442 2, 080 4, 327 3 6, 240 9
0, 693 1 1, 442 3 2, 080 4, 327 6, 240
0, 481 0, 693 1 2, 080 1, 442 3 4, 327
RPMe2 (ck , cl ) = (87)
0, 333 0, 481 0, 693 1, 442 1 2, 080 3
0, 231 0, 333 0, 481 1 1 1, 442 2, 080
0, 160 0, 231 0, 333 0, 693 0, 481 1 1, 442
0, 111 0, 160 0, 231 0, 481 0, 333 0, 693 1
124
0, 5 0, 084 0, 917 0, 917 0, 917 1 1
0, 917 0, 5 0, 917 0, 917 0, 917 1 1
0, 084 0, 084 0, 5 0, 5 0, 5 0, 917 0, 917
RPFRAe3 (ck , cl ) = (88)
0, 084 0, 084 0, 5 0, 5 0, 5 0, 917 0, 917
0, 084 0, 084 0, 5 0, 5 0, 5 0, 917 0, 917
0 0 0, 084 0, 084 0, 084 0, 5 0, 5
0 0 0, 084 0, 084 0, 084 0, 5 0, 5
que pode ser transformada na seguinte RPM por meio da aplicação da Equação (58):
1 0, 160 6, 236 6, 236 6, 236 9 9
6, 236 1 6, 236 6, 236 6, 236 9 9
0, 160 0, 160 1 1 1 6, 236 6, 236
RPMe3 (ck , cl ) = (89)
0, 160 0, 160 1 1 1 6, 236 6, 236
0, 160 0, 160 1 1 1 6, 236 6, 236
0, 111 0, 111 0, 160 0, 160 0, 160 1 1
0, 111 0, 111 0, 160 0, 160 0, 160 1 1
O cálculo dos máximos autovalores das relações (84), (87) e (89) permite verificar que
λmax ≈ 7, ou seja, é próximo a dimensionalidade das matrizes, o que atesta a consistência
dos julgamentos (SAATY, 1990) (RAMALHO et al., 2019). Assim, os vetores individuais
gerados pelos autovetores correspondentes são os seguintes:
ve1 = [0, 331 0, 331 0, 134 0, 068 0, 068 0, 038 0, 028] (90)
ve2 = [0, 331 0, 230 0, 159 0, 110 0, 080 0, 053 0, 037] (91)
ve3 = [0, 259 0, 481 0, 073 0, 073 0, 073 0, 020 0, 020] (92)
possı́vel realizar a agregação dos vetores individuais por meio do operador OWA (6). Assim,
a utilização deste operador juntamente com o quantificador linguı́stico “Todos”permite
gerar o seguinte vetor de pesos
OWAv = [0, 259 0, 230 0, 073 0, 068 0, 068 0, 020 0, 020] (93)
Vale a pena ressaltar que este vetor foi obtido por meio de uma abordagem total-
mente não compensatória (QL “Todos”). A utilização de abordagens mais compensatórias
(caracterizadas por variações dos pesos do operador OWA) geraria vetores finais diferentes.
Este trabalho considera que os decisores possuem o mesmo nı́vel de importância no
grupo.
2008). Aqui são utilizados os valores de disponibilidade médios mensais, solar e eólico,
como dois critérios individuais.
Apesar das diferenças, aqui também é possı́vel notar a predominância de áreas
melhor avaliadas nas regiões Norte e Noroeste do Estado, aparecendo agora áreas melhor
avaliadas nas regiões Oeste e Central do Estado.
Os mapas de decisão obtidos aqui também podem ser comparados com a distri-
buição espacial das usinas existentes no Estado, ilustrada pela Figura 24. De maneira
semelhante ao realizado anteriormente, a porcentagem de usinas existentes por faixa de
aptidão/pertinência podem ser verificadas por meio das tabelas (36) e (37) (FIROZJAEI
et al., 2019).
A observação das tabelas permite concluir que a porcentagem de usinas em nı́veis
de aptidão classificados como “ótimos”aumenta conforme o nı́vel de compensação entre
127
Os fatores espaciais que influenciam a decisão são considerados sob duas perspectivas
principais: técnica-econômica e sócio-ambiental. Os critérios técnico-econômicos estão
relacionados a aspectos espaciais que podem prejudicar a instalação dos empreendimentos,
ou incutir custos extras aos serviços de operação e de manutenção. Os critérios sócio-
ambientais estão ligados a áreas que possuem algum tipo de limitação sob o uso da terra
devido a algum processo de ocupação e/ou utilização já existente, como a existência de
quilombos, terras indı́genas, áreas de conservação ambiental, ou por alguma atividade
que imponha limitações relacionadas à segurança, como presença de aeroportos, áreas de
mineração, etc.
Novamente, os cenários foram gerados por meio da utilização das LPτ -sequences.
Foram estabelecidos intervalos de incerteza relacionados aos valores de custos de cada
critério e áreas de influência para cada critério, em cada cenário de análise. Foram gerados
quatro cenários de análise conforme descrito a seguir:
Distância de rodovias
Áreas urbanizadas
Mosaico de ocupações em área campestre
Mosaico de ocupações em área florestal
Silvicultura
Vegetação florestal
Rodovias 18 (km) Pastagem com manejo
Corpo hídrico
0 Área agrícola
Vegetação campestre
considerou-se que as áreas com valores de declividade superiores a 40, 35, 30 e 20%
incutiriam custos adicionais de 10 a 15% à passagem de LTs, nos cenários 1, 2, 3 e 4,
respectivamente.
131
Após a conversão de todos os critérios para valores monetários e sua agregação para
as perspectivas técnico-econômica e sócio-ambiental, as perspectivas foram combinadas
por meio do emprego do operador OWA, cujos pesos foram determinados de acordo com
o operador linguı́stico “Maioria” (Figura 7). O intuito da agregação é o de gerar uma
superfı́cie de custo (em cada cenário), em que o caminho de custo mı́nimo seja identificado
como o corredor de LT mais adequado. Para a determinação deste caminho foram utilizadas
as ferramentas do software (ESRI, 2018a). Tais ferramentas, basicamente, criam a partir
da superfı́cie fornecida, uma superfı́cie de custo acumulado considerando um ponto de
origem e um ponto final, identificando a rota com os menores valores acumulados.
133
y1 y2 y3 y4
x1 130.973,64 143.600,96 135.271,79 148.394,98
x2 129.631,09 140.020,50 134.204,14 146.589,81
x3 132.043,76 145.206,27 134.350,02 147.626,33
x4 133.134,89 146.807,48 135.208,97 145.601,67
y1 y2 y3 y4
x1 328,95 4.680,19 420,32 283,26
x2 4.868,42 4.680,19 6.220,76 4.192,26
x3 296,05 5.274,12 378,29 254,93
x4 592,11 5.012,79 756,58 509,87
136
y1 y2 y3 y4 rmax
x1 1.342,55 3.580,46 1.067,65 2.793,32 3.580,46
x2 0 0 0 988,15 988,15
x3 2.412,67 5.185,78 145,88 2.024,67 5.185,78
x4 3.503,81 6.786,98 1.004,84 0 6.786,98
y1 y2 y3 y4 rmax
x1 32,89 0,00 42,03 28,33 42,03
x2 4.572,37 0,00 5.842,47 3.937,33 5.842,47
x3 0,00 593,93 0,00 0,00 593,93
x4 296,05 332,60 378,29 254,93 378,29
A observação da Tabela 48 permite verificar que, sob o ponto de vista dos critérios
de Wald e Hurwicz, a melhor alternativa de solução seria a solução x4 . Já sob o ponto de
vista dos critérios de Laplace e Savage, a melhor solução seria a solução x1 . Do ponto de
vista formal, essas duas alternativas não podem ser distinguidas. Assim, é necessário, neste
momento, aplicar técnicas para construção e processamento de preferências por meio dos
Modelos < X, R > de decisão, que permitem avaliar novamente essas duas alternativas
por meio de critérios adicionais, que podem ter caráter qualitativo e/ou quantitativo.
Contudo, de modo a simplificar este estudo de caso, será considerado que o decisor,
de posse dos resultados obtidos até aqui e analisando as matrizes payof f determinou que
o mais razoável seria a escolha da solução x1 .
As matrizes obtidas para cada um dos demais lotes analisados são apresentadas
pelo Apêndice C.
As matrizes payof f para as duas perspectivas e para os lotes 2, 3 e 4 são apresentadas
pelas tabelas 50-51, 59-60, 68-69. As matrizes com as estimativas dos critérios de escolha
são apresentadas para cada uma das perspectivas e para os lotes 2, 3 e 4 pelas tabelas 52-53,
61-62, 70-71. De maneira semelhante, as matrizes de risco são apresentadas pelas tabelas
54-55, 63-64, 72-73 e as matrizes modificadas dos critérios de escolha são apresentadas
pelas tabelas 56-57, 65-66, 74-75.
A matriz agregada para o lote 2 é apresentada pela tabela 58. É possı́vel perceber
que, de acordo com os critérios de Wald, Savage e Hurwicz, a melhor alternativa de solução
138
• x1 → alternativa x1 do lote 1;
• x2 → alternativa x2 do lote 2;
• x3 → alternativa x2 do lote 3;
• x4 → alternativa x1 do lote 4;
xk f1 (xk ) f2 (xk )
Lote 1 139.560,34 1.428,18
Lote 2 133.123,06 1.264,14
Lote 3 137.034,52 1.339,74
Lote 4 133.463,28 2.084,21
essas estimativas as correlações (50) e (51), definidas para fi (xk ) ≥ fi (xl ) e fi (xl ) ≥ fi (xk ),
é possı́vel obter a seguinte RPFNR:
1 0, 25 0, 77 0, 17
1 1 1 0, 89
µN R3 (xk , xl ) =
.
(98)
1 0, 44 1 0, 33
1 1 1 1
Figura 34 – Funções de pertinência das estimativas fuzzy para o critério adicional qualita-
tivo Lucro Esperado
De tal forma, a análise das alternativas, aplicando três critérios, com base na
primeira técnica permite elaborar a seguinte recomendação: x2 x3 x4 x1 .
Neste momento, pode-se incluir na análise a consideração do critério adicional
“Dano ambiental”, que também possui natureza qualitativa. As funções de pertinência dos
valores fuzzy que refletem as avaliações deste critério são apresentadas pela Figura 35.
Figura 35 – Funções de pertinência das estimativas fuzzy para o critério adicional qualita-
tivo Dano ambiental
11 Conclusões
representada pelo ponto (sem grandes modificações na análise, estas alternativas poderiam
ter sido consideradas como polı́gonos), que caracteriza a área de instalação de uma usina.
No segundo estudo, as etapas gerais da análise foram aplicadas a um problema cuja
entidade espacial procurada é representada pela linha, ou seja, pelo corredor de uma LT.
Em ambos os problemas é possı́vel:
Referências1
ALI, S.; TAWEEKUN, J.; TECHATO, K.; WAEWSAK, J.; GYAWALI, S. GIS based site
suitability assessment for wind and solar farms in Songkhla, Thailand. Renewable Energy,
Elsevier, v. 132, p. 1360–1372, 2019. Citado 2 vezes nas páginas 27 e 79.
AMIRINIA, G.; MAFI, S.; MAZAHERI, S. Offshore wind resource assessment of Persian
Gulf using uncertainty analysis and GIS. Renewable Energy, ELSEVIER, v. 113, p.
915–929, 2017. Citado na página 26.
AYDIN, N. Y.; KENTEL, E.; DUZGUN, H. S. GIS-based site selection methodology for
hybrid renewable energy systems: A case study from western Turkey. Energy Conversion
and Management, ELSEVIER, v. 70, p. 90–106, 2013. Citado na página 87.
BAHARUDDIN, I. N. Z.; OMAR, R. C.; USMAN, F.; MEJAN, M. A.; HALIM, M. K. A.;
ZAINOL, M. A.; ZULKARNAIN, M. S. Regional analysis assessment of landslide hazard
1
De acordo com a Associação Brasileira de Normas Técnicas. NBR 6023.
147
and zoning map for transmission line route selection using GIS. IOP Conference Series:
Earth and Environmental Science, IOP Publishing, v. 16, p. 1–4, 2013. Citado na página
28.
BARANES, E.; JACQMIN, J.; POUDOU, J.-C. Non-renewable and intermittent
renewable energy sources: Friends and foes? Energy Policy, ELSEVIER, v. 111, p. 58–67,
2017. Citado na página 83.
BELEM, F. L.; PIMENTA, L. C. A.; FONSECA, A. R.; REZENDE, D. T.; ROCHA, F. T.;
BOSQUE, M. M.; MESQUITA, R. C.; TAVARES, T. H. B. C.; SOUZA, A. R. Ferramenta
para seleção de corredor de linha aérea de transmissão utilizando geoprocessamento. XIV
Simpósio Brasileiro de Sensoriamento Remoto, 2009. Citado na página 29.
BELLMAN, R. E.; ZADEH, L. A. Decision-making in a fuzzy environment. Management
Science, InformsPubsOnline, v. 14, n. 4, p. B–141–B–164, 1970. Citado 3 vezes nas
páginas 48, 61 e 75.
BELUCO, A.; SOUZA, P. K. de; KRENZINGER, A. A complementariedade no tempo
entre as energias hidrelétrica e fotovoltaica. Revista Brasileira de Recursos Hı́dricos, v. 8,
n. 1, p. 99–109, 2003. Citado 4 vezes nas páginas 85, 91, 94 e 95.
BELUCO, A.; SOUZA, P. K. de; KRENZINGER, A. A dimensionless index evaluating
the time complementarity between solar and hydraulic energies. Renewable Energy,
ELSEVIER, v. 33, p. 2157–2165, 2008. Citado 7 vezes nas páginas 84, 85, 91, 92, 94, 95
e 126.
BELUCO, A.; SOUZA, P. K. de; LIVI, F. P.; CAUX, J. Energetic complementarity with
hydropower and the possibility of storage in batteries and water reservoirs. In: .
Solar Energy Storage. [S.l.]: Bent Sørensen, 2015. cap. 7, p. 155–188. Citado na página 85.
BELYAEV, L. S. A Practical Approach to Choosing Alternative Solutions to Complex
Optimization Problems under Uncertainty. [S.l.], 1977. Citado 4 vezes nas páginas 43, 55,
57 e 60.
BORBA, E. M.; BRITO, R. M. An index assessing the energetic complementarity in
time between more than two energy resources. Energy and Power Engineering, Scientific
Research Publishing Inc, v. 9, p. 505–514, 2017. Citado na página 85.
BORGES, K. A. V.; DAVIS, C. A.; LAENDER, A. H. F. OMT-G: An object-oriented
data model for geographic applications. Geoinformatica, v. 5, n. 3, p. 221–260, 2001.
Citado na página 40.
BRANS, J. P.; VINCKE, P. A preference ranking organisation method: the PROMETHEE
method for multiple criteria decision-making. Management Science, v. 31, n. 6, p. 647–656,
1985. Citado na página 76.
CEMIG, C. E. de M. G. Atlas Eólico de Minas Gerais. 2010. Citado 5 vezes nas páginas
25, 81, 92, 104 e 121.
CEMIG, C. E. de M. G. Atlas Solarimétrico de Minas Gerais. 2012. Citado 5 vezes nas
páginas 25, 81, 92, 101 e 121.
CEMIG, C. E. de M. G. Atlas de Biomassa de Minas Gerais. 2017. Citado 3 vezes nas
páginas 25, 81 e 92.
148
CEPEL, C. de Pesquisa em E. E. Brazil Wind Data: Annual average of the aeolic potential
at 50m. Content: wind speed in m/s, power class (7 classes), power density in W/m2 and
Weibull k value. Cells measure 10km. 2004. Citado na página 90.
CEPEL, C. de Pesquisas de E. E. OpenEI Brazil Wind Data 40 km from CEPEL. 2009.
Citado 2 vezes nas páginas 90 e 121.
CHARABI, Y.; GASTLI, A. PV site suitability analysis using GIS-based spatial fuzzy
multi-criteria evaluation. Renewable Energy, Elsevier, v. 36, p. 2554–2561, 2011. Citado
na página 26.
CPRM, C. de Pesquisa de R. M. Mapa de Declividade em Percentual do Relevo Brasileiro.
2010. Citado 3 vezes nas páginas 41, 90 e 128.
CRADDEN, L.; KALOGERI, C.; BARRIOS, I. M.; GALANIS, G.; INGRAM, D.;
KALLOS, G. Multi-criteria site selection for offshore renewable energy platforms.
Renewable Energy, Elsevier, n. 87, p. 791–806, 2016. Citado na página 26.
CROSETTO, M.; TARANTOLA, S.; SALTELLI, A. Sensitivity and uncertainty analysis
in spatial modelling based on GIS. Agriculture, Ecosystems and Environment, ELSEVIER,
n. 81, p. 71–79, 2000. Citado 3 vezes nas páginas 42, 80 e 105.
DEDEMEN, Y. A Multi-criteria Decision Analysis Approach to GIS-based Route Selection
for Overhead Power Transmission Lines. Tese (Doutorado) — The Graduate School of
Natural and Applied Sciences of Middle East Techical University, 2013. Citado na página
28.
DEFESA, M. D. Comando da Aeronáutica, Departamento de Controle do Espaço Aéreo.
ICA 63-19 de 2011. 2011. Citado na página 129.
DIAZ-CUEVAS, P.; BIBERACHER, M.; DOMINGUEZ-BRAVO, J.; SCHARDINGER,
I. Developing a wind energy potential map on a regional scale using GIS and
multi-criteria decision methods: the case of Cadiz (south of Spain). Clean Technologies
and Environmental Policy, Springer, v. 20, p. 1167–1183, 2018. Citado 2 vezes nas
páginas 27 e 79.
DOORGA, J. R.; RUGHOOPUTH, S. D.; BOOJHAWON, R. Multi-criteria GIS-based
modelling technique for identifying potential solar farm sites: A case study in Mauritius.
Renewable Energy, Elsevier, v. 133, p. 1201–1219, 2019. Citado 2 vezes nas páginas 27
e 79.
DROBNE, S.; LISEC, A. Multi-attribute decision analysis in GIS: Weighted linear
combination and ordered weighted averaging. Informatica, n. 33, p. 459–474, 2009. Citado
na página 34.
DURBACH, I. N.; STEWART, T. J. Modeling uncertainty in multi-criteria decision
analysis. European Journal of Operational Research, Elsevier, n. 223, p. 1–14, 2012.
Citado 5 vezes nas páginas 23, 42, 55, 61 e 80.
EKEL, P. Y. Methods of decision making in fuzzy environment and their applications.
Nonlinear Analysis 4, v. 47, n. 5, p. 979–990, 2001. Citado 3 vezes nas páginas 70, 72 e 73.
EKEL, P. Y. Fuzzy sets and models of decision making. Computers and Mathematics with
Applications, PERGAMON, v. 44, p. 863–875, 2002. Citado na página 70.
149
GARNI, H. Z. A.; AWASTHI, A. Solar PV power plants site selection: A review. In:
. Advances in Renewable Energies and Power Technologies. [S.l.]: ELSEVIER, 2018.
cap. 2, p. 57–70. Citado 4 vezes nas páginas 26, 27, 43 e 79.
GHORBANI, N.; MAKIAN, H.; BREYER, C. A GIS-based method to identify potential
sites for pumped hydro energy storage: Case of Iran. Energy, ELSEVIER, n. 169, p.
854–867, 2019. Citado na página 26.
GIAMALAKI, M.; TSOUTSOS, T. Sustainable siting of solar power installations in
mediterranean using a GIS/AHP approach. Renewable Energy, Elsevier, v. 141, p. 64–75,
2019. Citado 2 vezes nas páginas 27 e 79.
GOODCHILD, M. F. Geographical data modeling. Computers Geosciences, v. 18, n. 4, p.
401–408, 1992. Citado na página 40.
GREENE, R.; DEVILLERS, R.; LUTHER, J. E.; EDDY, B. G. GIS-based multiple-criteria
decision analysis. Geography Compass, v. 5, n. 6, p. 412–432, 2011. Citado 2 vezes nas
páginas 23 e 34.
HAAREN, R. V.; FTHENAKIS, V. GIS-based wind farm site selection using spatial
multi-criteria analysis (SMCA): Evaluating the case for New York state. Renewable and
Sustainable Energy Reviews, Elsevier, n. 15, p. 3332–3340, 2011. Citado na página 26.
IBGE, I. B. de Geografia e E. Mapa de Cobertura e Uso da Terra do Brasil 2014. 2014.
Citado 3 vezes nas páginas 90, 99 e 128.
IBGE, I. B. de Geografia e E. Base cartográfica Nacional IBGE – Escala 1:250 mil de
2017: Hidrografia v2015. 2015. Citado na página 90.
IBGE, I. B. de Geografia e E. Base cartográfica Nacional IBGE – Escala 1:250 mil de
2017: Localidades v2015. 2015. Citado na página 90.
IBGE, I. B. de Geografia e E. Base cartográfica Nacional IBGE – Escala 1:250 mil de
2017: Transporte v2015. 2015. Citado 2 vezes nas páginas 90 e 128.
IBGE, I. B. de Geografia e E. Monitoramento da cobertura e uso da terra do Brasil -
2014-2016. 2018. Citado 2 vezes nas páginas 90 e 99.
INPE, I. N. de P. E. OpenEI Brazil Global Horizontal Solar Radiation Model 10 km. 2009.
Citado na página 121.
JANKE, J. R. Multicriteria GIS modeling of wind and solar farms in Colorado. Renewable
Energy, Elsevier, n. 35, p. 2228–2234, 2010. Citado na página 26.
JIANG, H.; EASTMAN, J. R. Application of fuzzy measures in multi-criteria evaluation
in GIS. International Journal of Geographical Information Science, v. 2, n. 14, p. 173–184,
2000. Citado na página 50.
JURASZ, J.; CANALES, F.; KIES, A.; GUEZGOUZE, M.; BELUCO, A. A review on the
complementarity of renewable energy sources: Concept, metrics, application and future
research directions. Solar Energy, Elsevier, n. 195, p. 703–724, 2020. Citado na página 85.
LAMADRID, A. J. Optimal use of energy storage systems with renewable energy sources.
International Journal of Electrical Power Energy Systems, Elsevier, v. 71, p. 101–111,
2015. Citado na página 83.
151
MMA, M. do M. A. Download de dados geográficos. 2010. Citado 3 vezes nas páginas 41,
90 e 128.
NASA, N. A. S. A. Solar GHI Polygon Global 1 Degree. 2014. Disponı́vel em: hhttp:
//www.webservice-energy.org/record/d5c614c49bac10a42fe212baeab1bc64c319d776/i.
Citado 9 vezes nas páginas 90, 92, 93, 94, 95, 155, 156, 157 e 158.
OMITAOMU, O. A.; BLEVINS, B. R.; JOCHEM, W. C.; MAYS, G. T.; BELLES, R.;
HADLEY, S. W.; HARRISON, T. J.; BHADURI, B. L.; NEISH, B. S.; ROSE, A. N.
Adapting a GIS-based multicriteria decision analysis approach for evaluating new power
generating sites. Applied Energy, Elsevier, v. 96, p. 292–301, 2012. Citado na página 26.
SAATY, T. L. How to make a decision: The analytic hierarchy process. European Journal
of Operational Research, v. 48, p. 9–26, 1990. Citado 3 vezes nas páginas 37, 66 e 124.
SEMC, S. de Energia Minas e C. Atlas eólico: Rio Grande do Sul. 2002. Citado na página
93.
Fonte: Elaborado a partir dos dados disponibilizados por (NASA, 2014) e (NASA, 2005)
156
Fonte: Elaborado a partir dos dados disponibilizados por (NASA, 2014) e (NASA, 2005)
157
Fonte: Elaborado a partir dos dados disponibilizados por (NASA, 2014) e (NASA, 2005)
158
Fonte: Elaborado a partir dos dados disponibilizados por (NASA, 2014) e (NASA, 2005)
159
Lote 2
y1 y2 y3 y4
x1 126.005,43 136.631,04 128.069,45 143.918,21
x2 126.283,25 136.164,09 128.010,28 142.034,61
x3 127.181,88 138.153,87 125.742,83 142.714,69
x4 127.883,52 139.298,74 126.596,14 139.187,06
y1 y2 y3 y4
x1 0 1.809,12 0 0
x2 1.173,20 1.374,01 1.499,08 1.010,25
x3 31,71 4.007,54 40,52 27,30
x4 634,16 3.457,93 810,32 546,08
y1 y2 y3 y4 rmax
x1 0 466,94 2.326,62 4.731,15 4.731,15
x2 277,82 0 2.267,45 2.847,55 2.847,55
x3 1.176,45 1.989,77 0 3.527,63 3.527,63
x4 1.878,09 3.134,64 853,31 0 3.134,64
y1 y2 y3 y4 rmax
x1 0 435,10 0 0 435,10
x2 1.173,20 0 1.499,08 1.010,25 1.499,08
x3 31,71 2.633,53 40,52 27,30 2.633,53
x4 634,16 2.083,92 810,32 546,08 2.083,92
Lote 3
y1 y2 y3 y4
x1 130.093,18 142.686,37 132.696,39 145.564,54
x2 129.092,30 140.660,95 132.695,85 145.688,97
x3 132.224,75 147.374,51 127.593,12 144.992,19
x4 132.604,63 146.823,30 133.408,80 143.564,17
y1 y2 y3 y4
x1 584,83 4.684,55 747,28 503,60
x2 975,14 2.298,13 1.246,01 839,70
x3 409,84 6.252,85 523,68 352,92
x4 747,15 4.509,61 954,70 643,38
y1 y2 y3 y4 rmax
x1 1.000,89 2.025,42 5.103,27 2.000,37 5.103,27
x2 0 0 5.102,73 2.124,80 5.102,73
x3 3.132,45 6.713,57 0 1.428,02 6.713,57
x4 3.512,33 6.162,36 5.815,68 0 6.162,36
y1 y2 y3 y4 rmax
x1 174,99 2.386,42 223,60 150,69 2.386,42
x2 565,30 0 722,33 486,79 722,33
x3 0 3.954,72 0 0 3.954,72
x4 337,32 2.211,48 431,02 290,47 2.211,48
Lote 4
y1 y2 y3 y4
x1 127.226,74 139.076,79 125.339,09 142.210,49
x2 126.747,73 137.167,09 125.303,18 142.434,51
x3 128.430,21 140.671,24 124.182,10 143.784,54
x4 130.301,61 143.281,46 125.987,50 138.382,09
y1 y2 y3 y4
x1 1.065,86 4.991,21 1.361,93 917,83
x2 3.335,12 3.575,79 4.261,54 2.871,91
x3 408,10 2.382,48 521,46 351,42
x4 1.100,24 6.282,47 1.405,87 947,43
166
y1 y2 y3 y4 rmax
x1 479,01 1.909,69 1.156,99 3.828,40 3.828,40
x2 0 0 1.121,08 4.052,42 4.052,42
x3 1.682,48 3.504,15 0 5.402,45 5.402,45
x4 3.553,88 6.114,36 1.805,40 0 6.114,36
y1 y2 y3 y4 rmax
x1 657,76 2.608,73 840,47 566,41 2.608,73
x2 2.927,01 1.193,31 3.740,07 2.520,49 3.740,07
x3 0 0 0 0 0
x4 692,14 3.899,99 884,40 596,01 3.899,99
167