Dissertação - Roberto Menezes - Versão Final

Universidade Federal de Sergipe
PROGRAMAO DIRIA DA OPERAO DE SISTEMAS

TERMELTRICOS UTILIZANDO ALGORITMO GENTICO
ADAPTATIVO E MTODO DE PONTOS INTERIORES
Roberto Felipe Andrade Menezes
2017
PROGRAMAO DIRIA DA OPERAO DE SISTEMAS TERMELTRICOS
UTILIZANDO ALGORITMO GENTICO ADAPTATIVO E
MTODO DE PONTOS INTERIORES
Dissertao de Mestrado apresentada ao Pro-

grama de Ps-graduao em Engenharia El-
trica - PROEE, da Universidade Federal de
Sergipe, como parte dos requisitos neces-
srios obteno do ttulo de Mestre em
Engenharia Eltrica.
Orientadora: Profa . Dra. Andra Arajo

Sousa
So Cristvo - SE, Brasil

Janeiro de 2017
DISSERTAO SUBMETIDA AO CORPO DOCENTE DO PROGRAMA DE PS-GRADUAO

EM ENGENHARIA ELTRICA - PROEE DA UNIVERSIDADE FEDERAL DE SERGIPE
COMO PARTE DOS REQUISITOS NECESSRIOS PARA A OBTENO DO GRAU DE
MESTRE EM ENGENHARIA ELTRICA.
Examinada por:
Profa . Dra. Andra Arajo Sousa

Orientadora - PROEE - UFS
Prof. Dr. Oscar Alberto Zanabria Sotomayor

Membro Interno - PROEE - UFS
Prof. Dr. ngelo Mrcio Formiga de Almeida

Membro Externo - UFS
Prof. Dr. Rmulo Alves de Oliveira

Membro Externo - IFS
SO CRISTVO - SE, BRASIL

JANEIRO DE 2017
MENEZES, Roberto F. A.
PROGRAMAO DIRIA DA OPERAO DE SISTEMAS TERMELTRICOS UTILI-
ZANDO ALGORITMO GENTICO ADAPTATIVO E MTODO DE PONTOS INTERIORES
/ Roberto Felipe Andrade Menezes; orientadora Andra Arajo Sousa
So Cristvo-SE, 2016
120 f. : il.
Dissertao (Mestrado em Engenharia Eltrica) Universidade Federal de Sergipe

(UFS), Programa de Ps-Graduao em Engenharia Eltrica (PROEE), 2016.
1. Operao Energtica. 2. Alocao de Unidades Geradoras. 3. Despacho Econmico.

4. Sistemas Termeltricos. 5. Algoritmo Gentico. 6. Mtodo de Pontos Interiores. I.
SOUSA, Andra Arajo, orient. II. Ttulo.
Este trabalho dedicado minha av Thomasita.
[In Memoriam]
Agradecimentos
Agradeo aos meus pais por todo apoio incondicional desde o incio, alm do carinho,
ensinamentos, incentivo e torcida pela minha realizao profissional e pessoal.
Aos meus familiares que de alguma forma participaram de todo esse processo atravs
de palavras de incentivo. Em especial ao meu tio Roberto, o qual tenho grande admirao, e
minha av Thomasita [In Memoriam].
minha orientadora, Profa . Dra. Andra Arajo Sousa que contribuiu, com dedicao e
pacincia, para o desenvolvimento dos resultados apresentados. Mais que tudo, por me ajudar a
trilhar o caminho das pedras na vida acadmica.
Aos colegas mestrandos do PROEE pelo apoio e pela troca de conhecimentos.
Aos meus amigos e irmos de vida que me apoiaram durante todo o curso nos momentos
de descontrao e naquilo que fosse preciso.
Aos membros da banca por terem gentilmente aceito o convite para a participao da
avaliao deste trabalho.
UFS por ceder o espao de trabalho, aos funcionrios do DEL, da graduao e da
ps-graduao, pelo apoio constante durante o mestrado, e aos professores da ps-graduao
pelos ensinamentos recebidos.
FAPITEC pelo apoio financeiro por meio do edital FAPITEC/SE/FUNTEC No
03/2014.
A todos que contriburam de alguma forma para a execuo deste trabalho e aos que
criticaram e me fizeram melhorar e ter mais vontade de chegar at aqui.
Resumo da Dissertao apresentada ao PROEE/UFS como parte dos requisitos necessrios para
a obteno do grau de Mestre (Me.)


Janeiro/2017
Orientadora: Profa . Dra. Andra Arajo Sousa

Programa: Engenharia Eltrica
O crescimento do consumo de energia eltrica nos ltimos anos vem gerando a necessidade de um
aumento na quantidade de fontes geradoras, fazendo com que o setor eltrico passe por grandes
mudanas. Isso tem proporcionado a busca por ferramentas que ofeream maior eficincia
e segurana aos sistemas de potncia. Um problema considerado de extrema importncia na
operao diria dos sistemas eltricos o planejamento da Alocao das Unidades Geradoras,
onde define-se a programao horria das unidades do sistema, determinando quais mquinas
devero estar ligadas ou desligadas, e quais sero seus respectivos pontos de operao. Essas
unidades geradoras devem operar de forma eficaz, mediante a variao da carga, respeitando
restries operativas e de segurana do sistema. Este trabalho prope a resoluo do problema
para o planejamento de curto prazo, levando em considerao uma srie de restries relacionadas
a gerao trmica e ao sistema eltrico. Entre elas, podemos destacar as restries de variao de
potncia de sada das mquinas e as restries de segurana do sistema de transmisso, evitadas
na maioria dos estudos de Alocao de Unidades Geradoras. Este problema tem caracterstica
no-linear, inteiro-misto e de grande escala. A metodologia utilizada para resoluo do problema
envolve a utilizao de um Algoritmo Gentico Adaptativo, para Alocao das Unidades, e
o Mtodo de Pontos Interiores Primal-Dual Preditor-Corretor, para a resoluo do Fluxo de
Potncia timo DC no problema do Despacho Econmico. Alm disso, este trabalho prope
a implementao dos operadores de cross-over e mutao do Algoritmo Gentico com base
em uma metodologia anelar aplicada na matriz de alocao de unidades. Os resultados foram
obtidos atravs de simulaes em um software de simulao matemtica, utilizando os sistemas
testes do IEEE de 30 barras com 9 geradores e 24 barras com 26 geradores, e a validao do
algoritmo foi feita comparando os resultados obtidos com os outros trabalhos da literatura.
Palavras-chave: Operao Energtica, Alocao de Unidades Geradoras, Despacho Econmico,
Sistemas Termeltricos, Algoritmo Gentico, Mtodo de Pontos Interiores.
Abstract of Dissertation presented to PROEE/UFS as a partial fulfillment of the requirements for
the degree of Master


January/2017
Advisor: Profa . Dra. Andra Arajo Sousa

Department: Engenharia Eltrica
The growth of the electric energy consumption in the last years has generated the need of
the increase in the amount of power sources, making the electricity sector undergo some large
changes. This has provided the search for tools that promotes a better efficiency and security to the
electrical power systems. A planning problem that is considered important in the daily operation
of the power systems is the Unit Commitment, where the time schedule of the operation is
defined, determining which machines will be online or offline, and which are the operating points.
Those units must operate by load variation, respecting the operative and security constraints.
This research proposes the resolution of the problem for the short-term planning, taking a set
of constraints associated with the thermal generation and the power system. Among them, we
can highlight the output power variation constraints of the machines and the security restrictions
of the transmission system, avoided in most Unit Commitment studies. This problem is non-
linear, mixed-integer and has a large scale. The methodology used involves the utilization of an
Adaptive Genetic Algorithm, for the Unit Commitment problem, and the Interior-Point Primal-
Dual PredictorCorrector Method, for DC power flow resolution in economic dispatch problem.
Furthemore, this research proposes the implementation of cross-over and mutation operators of
Genetic Algorithm based on a ring methodology applied in Unit Commitment matrix. The results
were obtained through simulations in a mathematical simulation software, using the IEEE test
systems with 30 bus and 9 generators, and another with 24 bus and 26 generators. The validation
of the algorithm was done by comparing the results with other works in the literature.
Keywords:Energetic Operation, Unit Commitment, Economic Dispatch, Thermal Systems,
Genetic Algorithm, Interior-Point Method.
Sumrio
1 INTRODUO . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19
1.1 Objetivo da Pesquisa . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 22
1.2 Publicaes Decorrentes da Pesquisa . . . . . . . . . . . . . . . . . . . . 23
1.3 Organizao do Trabalho . . . . . . . . . . . . . . . . . . . . . . . . . . 23
2 O PROBLEMA DA PROGRAMAO DIRIA DA OPERAO ENER-

GTICA EM SISTEMAS TERMELTRICOS . . . . . . . . . . . . . . 24
2.1 Horizontes de Planejamento . . . . . . . . . . . . . . . . . . . . . . . . . 24
2.2 Curva de Demanda Diria . . . . . . . . . . . . . . . . . . . . . . . . . . 26
2.3 Necessidade da Alocao de Unidades Geradoras . . . . . . . . . . . . . 26
2.4 Unidades Termeltricas . . . . . . . . . . . . . . . . . . . . . . . . . . . 27
2.4.1 Termeltricas com Combusto Externa . . . . . . . . . . . . . . . . . . . 28
2.4.2 Termeltricas com Combusto Interna . . . . . . . . . . . . . . . . . . . 31
2.4.3 Termeltricas Nucleares . . . . . . . . . . . . . . . . . . . . . . . . . . . 32
2.5 Programao Diria da Operao Energtica de Sistemas Termeltricos 32
2.5.1 Definio do Problema . . . . . . . . . . . . . . . . . . . . . . . . . . . . 32
2.5.2 Modelagem do Problema . . . . . . . . . . . . . . . . . . . . . . . . . . . 34
2.5.2.1 Balano de Potncia Ativa do Sistema . . . . . . . . . . . . . . . . . . . . . 34
2.5.2.2 Limites de Gerao das Unidades Trmicas . . . . . . . . . . . . . . . . . . 34
2.5.2.3 Reserva Girante . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 35
2.5.2.4 Tempo de Permanncia e Sada de Operao das Mquinas . . . . . . . . . . 35
2.5.2.5 Variao de Potncia de Sada (Rampa) . . . . . . . . . . . . . . . . . . . . 35
2.5.2.6 Restries da Capacidade do Sistema de Transmisso . . . . . . . . . . . . . 36
2.6 Consideraes Finais do Captulo . . . . . . . . . . . . . . . . . . . . . . 36
3 MTODOS DE PONTOS INTERIORES E SUA APLICAO NO PRO-

BLEMA DE FLUXO DE POTNCIA TIMO . . . . . . . . . . . . . . 38
3.1 Programao Linear . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 39
3.1.1 Problema Primal . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 39
3.1.2 Problema Dual . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 41
3.1.3 Condies de Otimalidade . . . . . . . . . . . . . . . . . . . . . . . . . . 41
3.2 Mtodo de Newton . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 41
3.3 Mtodos de Pontos Interiores Primal-Dual . . . . . . . . . . . . . . . . . 42
3.3.1 Mtodo Primal Dual Afim-Escala . . . . . . . . . . . . . . . . . . . . . . 43
3.3.2 Mtodo Primal-Dual Seguidor de Caminho . . . . . . . . . . . . . . . . 44
3.3.3 Mtodo Primal-Dual Preditor-Corretor . . . . . . . . . . . . . . . . . . 45
3.3.4 Ponto Inicial e Critrio de Convergncia . . . . . . . . . . . . . . . . . . 47
3.4 Extenso do Mtodo de Pontos Interiores para o Problema de Progra-
mao Quadrtica . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 49
3.5 Modelo Linearizado do Fluxo de Potncia timo . . . . . . . . . . . . . 50
3.6 Formulao do Problema Primal . . . . . . . . . . . . . . . . . . . . . . 54
3.7 Formulao do Problema Dual . . . . . . . . . . . . . . . . . . . . . . . 55
3.8 Condies de Otimalidade . . . . . . . . . . . . . . . . . . . . . . . . . . 56
3.9 Aplicao do Mtodo de Newton . . . . . . . . . . . . . . . . . . . . . . 57
4 REVISO BIBLIOGRFICA . . . . . . . . . . . . . . . . . . . . . . . . 61
5 ALGORITMOS GENTICOS . . . . . . . . . . . . . . . . . . . . . . . 64
5.1 Codificao dos Indivduos . . . . . . . . . . . . . . . . . . . . . . . . . . 64
5.2 Populao Inicial . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 66
5.3 Funo de Avaliao ou Fitness . . . . . . . . . . . . . . . . . . . . . . . 66
5.4 Elitismo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 66
5.5 Seleo dos Pais . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 67
5.6 Operador Cross-Over . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 67
5.7 Operador Mutao . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 70
5.8 Parmetros dos Algoritmos Genticos . . . . . . . . . . . . . . . . . . . 70
5.9 Critrios de Parada . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 71
5.10 Adaptabilidade . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 71
5.11 Algoritmos Memticos . . . . . . . . . . . . . . . . . . . . . . . . . . . . 72
6 FORMULAO DO PROBLEMA E METODOLOGIA PROPOSTA

PARA SOLUO . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 73
6.1 Formulao do Problema . . . . . . . . . . . . . . . . . . . . . . . . . . 73
6.2 Metodologia Proposta para Soluo . . . . . . . . . . . . . . . . . . . . . 75
6.2.1 Codificao . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 75
6.2.2 Populao Inicial . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 75
6.2.3 Funo de Avaliao ou Fitness . . . . . . . . . . . . . . . . . . . . . . . 76
6.2.4 Seleo e Elitismo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 77
6.2.5 Cross-Over . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 78
6.2.6 Mutao . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 78
6.2.7 Adaptabilidade . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 80
6.2.8 Busca Local . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 80
6.2.9 Critrio de Parada . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 80
6.3 Algoritmo Proposto . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 81
7 ANLISE DE RESULTADOS . . . . . . . . . . . . . . . . . . . . . . . . 83
7.1 Sistemas Testes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 83
7.1.1 Sistema Teste 1 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 83
7.1.2 Sistema Teste 2 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 84
7.1.3 Sistema Teste 3 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 84
7.2 Resultados Obtidos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 84
7.3 Validao do Algoritmo Proposto . . . . . . . . . . . . . . . . . . . . . . 88
7.4 Anlise da Incluso do Sistema Transmisso ao Problema . . . . . . . . 91
7.5 Consideraes Finais . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 94
8 CONCLUSES . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 95
8.1 Perspectivas de Trabalhos Futuros . . . . . . . . . . . . . . . . . . . . . 96
REFERNCIAS . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 97
APNDICE A RESULTADOS DO DESPACHO ECONMICO . . . 104
APNDICE B RESULTADOS DO FLUXO DE POTNCIA . . . . . 109
ANEXO A DADOS DOS SISTEMAS TESTES . . . . . . . . . . . . . 114

Lista de ilustraes
Figura 2.1 Horizontes de planejamento do ONS. . . . . . . . . . . . . . . . . . . . . . 25

Figura 2.2 Exemplo de uma curva de demanda diria. . . . . . . . . . . . . . . . . . . 26
Figura 2.3 Fluxograma resumido de uma usina termeltrica que utiliza combusto externa. 28
Figura 2.4 Curva caracterstica do custo incremental de uma termeltrica. . . . . . . . 29
Figura 2.5 Fluxograma resumido de uma usina termeltrica que utiliza combusto interna. 31
Figura 2.6 Resumo do problema da PDO para sistemas termeltricos. . . . . . . . . . . 33
Figura 2.7 Exemplo de funo com regio de soluo no convexa. . . . . . . . . . . . 33
Figura 2.8 Ilustrao da restrio de rampa em uma termeltrica. . . . . . . . . . . . . 36
Figura 3.1 Busca da soluo tima pelo (a) Mtodo Simplex e (b) MPI. . . . . . . . . . 38
Figura 3.2 Exemplo de sistema eltrico. . . . . . . . . . . . . . . . . . . . . . . . . . 51
Figura 3.3 Representao da 1a Lei de Kirchhoff para o Exemplo do Sistema Eltrico. . 52
Figura 3.4 Representao da 2a Lei de Kirchhoff para o Exemplo do Sistema Eltrico. . 53
Figura 5.1 Fluxograma da estrutura bsica do AG. . . . . . . . . . . . . . . . . . . . . 65
Figura 5.2 Indivduos com codificao binria em formato (a) Vetorial e (b) Matricial. . 65
Figura 5.3 Exemplo do mtodo da roleta. . . . . . . . . . . . . . . . . . . . . . . . . . 68
Figura 5.4 Exemplo de cross-over de um ponto. . . . . . . . . . . . . . . . . . . . . . 69
Figura 5.5 Exemplo de cross-over de multipontos. . . . . . . . . . . . . . . . . . . . . 69
Figura 5.6 Exemplo de cross-over uniforme. . . . . . . . . . . . . . . . . . . . . . . . 69
Figura 5.7 Exemplo de Mutao. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 70
Figura 6.1 Resumo do problema da PDO com a metodologia proposta para soluo. . . 73
Figura 6.2 Codificao de um cromossomo do AG proposto. . . . . . . . . . . . . . . 76
Figura 6.3 Representao da populao formada por cromossomos matriciais. . . . . . 76
Figura 6.4 Representao da populao composta por um grupo elite. . . . . . . . . . . 78
Figura 6.5 Exemplo de cross-over com tcnica anelar. . . . . . . . . . . . . . . . . . . 79
Figura 6.6 Exemplo de mutao com tcnica anelar. . . . . . . . . . . . . . . . . . . . 79
Figura 6.7 Fluxograma da aplicao do AG proposto. . . . . . . . . . . . . . . . . . . 82
Figura 7.1 Evoluo do fitness no Sistema Teste 1. . . . . . . . . . . . . . . . . . . . . 86
Figura 7.2 Alocao final das UGs para o Sistema Teste 1. . . . . . . . . . . . . . . . 86
Figura 7.7 Alocao final das UGs do Sistema Teste 1, desconsiderando o sistema de
transmisso. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 92
Figura 7.8 Alocao final das UGs do Sistema Teste 2, desconsiderando o sistema de
transmisso. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 93
Figura A.1 Sistema IEEE30 barras. . . . . . . . . . . . . . . . . . . . . . . . . . . . . 115
Figura A.2 Sistema IEEE24 barras. . . . . . . . . . . . . . . . . . . . . . . . . . . . . 117
Lista de tabelas
Tabela 1.1 Consumo de eletricidade no Brasil [GWh]. . . . . . . . . . . . . . . . . . . 19

Tabela 1.2 Capacidade instalada de gerao eltrica no Brasil - Dezembro 2016. . . . . 20
Tabela 2.1 Natureza combinatria do problema de AUGT. . . . . . . . . . . . . . . . . 34
Tabela 7.1 Parmetros utilizados para o AG proposto. . . . . . . . . . . . . . . . . . . 85
Tabela 7.2 Resultados encontrados para o Sistema Teste 1. . . . . . . . . . . . . . . . 85
Tabela 7.5 Resultados encontrados na literatura para o Sistema Teste 3. . . . . . . . . . 91
Tabela 7.6 Resultados encontrados para o Sistema Teste 1, considerando f Max inativa e
ativa. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 92
Tabela 7.7 Resultados encontrados para o Sistema Teste 2, considerando f Max inativa e
ativa. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 93
Tabela A.1 Despacho econmico do Sistema Teste 1 [MW]. . . . . . . . . . . . . . . . 105
Tabela A.2 Despacho econmico do Sistema Teste 1, desconsiderando o sistema de
transmisso [MW]. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 105
Tabela A.4 Despacho econmico do Sistema Teste 2, desconsiderando o sistema de
transmisso [MW]. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 107
Tabela A.1 Demanda e reserva girante do Sistema Teste 1. . . . . . . . . . . . . . . . . 115
Tabela A.2 Caractersticas das UGTs do Sistema Teste 1. . . . . . . . . . . . . . . . . 116
Tabela A.3 Resistncia e reatncia das linhas de transmisso do Sistema Teste 1. . . . . 116
Tabela A.4 Localizao da demanda do Sistema Teste 1. . . . . . . . . . . . . . . . . . 116
Tabela A.5 Demanda e reserva girante do Sistema Teste 2. . . . . . . . . . . . . . . . . 117
Tabela A.6 Caractersticas das UGTs do Sistema Teste 2. . . . . . . . . . . . . . . . . 118
Tabela A.7 Resistncia e reatncia das linhas de transmisso do Sistema Teste 2. . . . . 118
Tabela A.8 Localizao da demanda do Sistema Teste 2. . . . . . . . . . . . . . . . . . 119
Tabela A.9 Limites de fluxo de potncia das linhas de transmisso do Sistema Teste 2. . 119
Tabela A.10Demanda e reserva girante do Sistema Teste 3. . . . . . . . . . . . . . . . . 120
Tabela A.11Caractersticas das UGTs do Sistema Teste 3. . . . . . . . . . . . . . . . . 120
Lista de abreviaturas e siglas
AG Algoritmo Gentico.
ANEEL Agncia Nacional de Energia Eltrica.
AUGT Alocao de Unidades Geradoras Trmicas.
Cepel Centro de Pesquisas de Energia Eltrica.
DE Despacho Econmico.
EPE Empresa de Pesquisa Energtica.
FPO Fluxo de Potncia timo.
GHP Grau de Homogeneidade da Populao.
GW Gigawatt.
IEEE Institute of Electrical and Electronics Engineers.
KKT Karush-Kuhn-Tucker.
MN Mtodo de Newton.
MPI Mtodo de Pontos Interiores.
MPIPD Mtodo de Pontos Interiores Primal-Dual.
MW Megawatt.
ONS Operador Nacional do Sistema Eltrico.
PDO Planejamento Dirio da Operao.
PEN Planejamento Anual da Operao Energtica.
PL Programao Linear.
PMO Programa Mensal da Operao Energtica.
PNLQ Programao No-Linear Quadrtica.
SEP Sistemas Eltricos de Potncia.
SIN Sistema Interligado Nacional.
UG Unidade Geradora.
UGT Unidade Geradora Trmica.

Lista de smbolos
a0 Coeficiente quadrtico da funo custo.
a1 Coeficiente linear da funo custo.
a2 Coeficiente independente da funo custo.
a0i Coeficiente quadrtico da funo custo da UGT i.
a1i Coeficiente linear da funo custo da UGT i.
a2i Coeficiente independente da funo custo da UGT i.
CMax Custo mximo possvel para o problema da programao diria de operao.
CP Custo de Partida da UGT.
CPi (t) Custo de partida da UGT i no instante t.

f
CP Custo de Partida a frio da UGT.
q
CP Custo de Partida a quente da UGT.
CT Custo de produo total para o perodo de anlise.
D Matriz de incidncia da rede.
E Matriz formada por vetores cannicos correspondentes s barras de gerao

do sistema eltrico.
fkm (t) Fluxo de potncia na linha entre as barras k e m no instante t.

Max
fkm Capacidade mxima da linha de transmisso que liga a barra k e m.
f Max Capacidade mxima da linha de transmisso.
FBL Frequncia de realizao de busca local.
FC Funo custo.
FGHP Frequncia de verificao do GHP.
g Nmero de barras de gerao.
k Nmero de arcos do sistema eltrico.
l Vetor de demanda em cada barra de carga do sistema eltrico.

L(t) Demanda no instante t.
LH Limite de homogeneidade permitido.
Lk (t) Demanda localizada na barra k no instante t.
m Nmero de ns do sistema eltrico.
NB Nmero de barras do sistema.
NE Nmero de indivduos do grupo elite.
NG Total de unidades geradoras.

Max
NGr Nmero Mximo de geraes do AG.
NP Tamanho da populao do algoritmo gentico proposto.
NR Nmero de restries obedecidas pelo indivduo.
NT Total de horas da anlise da operao.
P Potncia gerada pela UGT.
P(t) Potncia gerada pela UGT no tempo t.
PC Probabilidade de ocorrncia de cross-over.
Pi (t) Potncia gerada pela UGT i no tempo t.
Pi,k (t) Potncia gerada pela UGT i localizada na barra k no tempo t.
PMax Limite mximo de gerao de potncia da UGT.
PiMax Limite mximo de gerao de potncia da UGT i.
PMin Limite mnimo de gerao de potncia da UGT.
PiMin Limite mnimo de gerao de potncia da UGT i.
PM Probabilidade de ocorrncia de mutao.

Max
PM Probabilidade mxima de ocorrncia de mutao.
Min
PM Probabilidade mnima de ocorrncia de mutao.
PR (t) Reserva girante prevista para o instante t.
Q Matriz diagonal da componente quadrtica do custo de gerao.
R Matriz diagonal das resistncias das linhas de transmisso do sistema el-

trico.
RP Variao mxima permitida de gerao de potncia (Rampa).
RPi Variao mxima permitida de gerao de potncia da UGT i.
T Matriz de reatncia do sistema eltrico.
TMD Tempo mnimo de sada de operao.
TMDi Tempo mnimo de sada de operao da UGT i.
TML Tempo mnimo de permanncia em operao.
TMLi Tempo mnimo de permanncia em operao da UGT i.
TXM Taxa de decaimento da probabilidade de ocorrncia de mutao.
Ui (t) Estado da UGT i no tempo t.
Ui,k (t) Estado da UGT i localizada na barra k no tempo t.
v Vetor da componente linear do custo de gerao.
X0 Condio inicial de operao da UGT.
Xof f Tempo que a UGT encontra-se fora de operao.

of f
Xi Tempo que a UGT i est fora de operao.
X on Tempo que a UGT est em operao.
Xion Tempo que a UGT i est em operao.
Constante de custo de manuteno.
Constante relacionada com a velocidade de resfriamento da caldeira.
k Conjunto de de barras vizinhas barra k.
Constante de custo nas condies de resfriamento da caldeira.

Lista de Algoritmos
1 Mtodo de Pontos Interiores Primal-Dual Afim-Escala para Programao Linear 44

2 Mtodo de Pontos Interiores Primal-Dual Seguidor de Caminho para Programao
Linear . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 45
3 Mtodo de Pontos Interiores Primal-Dual Preditor-Corretor para Programao
Linear . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 48
4 Mtodo de Pontos Interiores Primal-Dual Preditor-Corretor para Programao
Quadrtica . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 60
1 Introduo
O aumento do consumo de energia eltrica, atrelado ao crescimento demogrfico nos

ltimos anos, resultou na necessidade do setor eltrico buscar ferramentas que sejam capazes
de suprir a demanda energtica da populao de forma eficiente e segura. Algumas dessas
ferramentas se destacam no mbito da operao energtica diria.
No Brasil, por exemplo, estima-se que at 2023 haver um crescimento de quase 50%
no consumo de eletricidade com relao ao consumo que foi registrado em 2013, segundo o
cenrio proposto pela Empresa de Pesquisa Energtica (EPE) (1). Na Tabela 1.1 exibido esse
crescimento com variao anual mdia de 4,03%, passando de 522,657 GWh em 2016 para
688,990 GWh em 2023.
Tabela 1.1 Consumo de eletricidade no Brasil [GWh].
Ano Residencial Industrial Comercial Outros Total

2016 142,078 205,600 97,179 77,800 522,657
2017 148,390 213,401 102,605 80,487 544,884
2018 154,879 222,148 108,359 83,271 568,657
2019 161,535 228,866 114,455 86,152 591,009
2020 168,368 236,013 120,914 89,131 614,426
2021 175,378 243,211 127,755 92,211 638,556
2022 182,568 250,009 134,997 95,395 662,969
2023 189,934 257,714 142,660 98,682 688,990
(%) 4,23% 3,28% 5,64% 3,45% 4,03%
Variao mdia anual. Fonte: EPE-BRASIL (1)
O setor eltrico brasileiro encontra-se impulsionado a investimentos em seu parque

gerador de modo a atender essa demanda crescente. No final de 2016, a capacidade instalada
de gerao de energia eltrica no Brasil atingiu o montante de 161,48 GW, segundo a Agncia
Navional de Energia Eltrica (ANEEL), com destaque para as hidreltricas, com 106.573 MW
(66% do total), seguida pelas termeltricas, com 42.724 MW (26,46% do total), sendo 2948
usinas instaladas. Na Tabela 1.2 mostrada a capacidade instalada de gerao eltrica no Brasil
no final de 2016 (2).
Aps o racionamento ocorrido nos anos 2001 e 2002, o Brasil comeou a incentivar o
uso da gerao trmica como forma mais imediata de aumentar a oferta de energia, devido ao
fato do custo de instalao e manuteno das usinas ser bem menor, se comparado ao custo
de empreendimentos hidreltricos. De acordo com o Programa de Investimento em Energia
Eltrica publicado pela EPE, entre 2015 e 2018 o Brasil poder investir cerca de R$116 bilhes
em empreendimentos ligados a gerao de energia. Desse investimento podero ser inseridos
matriz energtica brasileira 7 GW a 10 GW somente em usinas trmicas (3). Nesse contexto de
19
Captulo 1. Introduo 20
Tabela 1.2 Capacidade instalada de gerao eltrica no Brasil - Dezembro 2016.
Tipo No de usinas Potncia instalada [MW] Estrutura

Hidreltrica 1.243 106.573 66%
Termeltrica Convencional 2.948 42.724 26,46%
Nuclear 2 1.990 1,23%
Elica 413 10.168 6,3%
Solar 42 27 0,01%
Total 4.648 161.482 100,00%
Fonte: ANEEL (2)
expanso de gerao, destaca-se o empreendimento da termeltrica Porto de Sergipe I que ser

construda at 2020 no estado de Sergipe e ter capacidade de gerao de 1,5 GW (a maior da
Amrica Latina).
Com os investimentos feitos na gerao termeltrica passou-se a dar mais importncia
questo relacionada operao dessas usinas como uma opo de soluo para o problema
em curto prazo. Dentre as iniciativas mais imediatas destacam-se os estudos e pesquisas na rea
de otimizao do planejamento, que tem o objetivo de aproveitar de forma eficiente os recursos
energticos disponveis.
O Sistema Interligado Nacional (SIN), possui muitas complexidades, dentre as quais o
grande porte do sistema e as no-linearidades implcitas aos problemas de operao eletroenerg-
tica. A fim de contornar essas complexidades, a Programao Diria da Operao Energtica
(PDO) tem o objetivo de estabelecer os programas dirios de gerao para o atendimento da
carga demandada do dia seguinte, com horizonte de uma semana, visando garantir a otimizao
energtica dos recursos de gerao e a segurana operacional do sistema. Porm, essa etapa
composta por um problema complexo e desafiante que ainda no est consolidado, e vrias
pesquisas tem concentrado esforos para definir esse modelo (4, 5, 6).
O problema de otimizao da PDO tem em vista a diminuio dos custos relacionados a
gerao de energia eltrica para suprir a demanda de um sistema, respeitando limites operacionais
e de segurana. Alm disso, a modelagem da gerao deve explorar criteriosamente os fenmenos
e propriedades que auxiliem a compreenso do problema real.
Na presente dissertao, aborda-se o problema da PDO com horizonte de operao dirio,
com discretizao horria, e o mesmo modelado com as seguintes restries:
Balano de potncia;
Limite de gerao das unidades;
Reserva girante;
Tempo mnimo de permanncia e sada de operao das mquinas;

Variao da potncia de sada (rampa);
Capacidade do sistema de transmisso.
Neste contexto, os problemas de Despacho Econmico (DE), de Fluxo de Potncia

timo (FPO) e de Alocao de Unidades Geradoras Trmicas (AUGT), tambm conhecido como
Thermal Unit Commitment, devem ser resolvidos.
Na operao energtica diria a AUGT define quais as unidades que estaro operando
online e offline ao longo do dia, de modo a buscar uma melhor configurao de acordo com
a variao da carga. Esse problema precede o DE, que determina quais sero as potncias
ativas fornecidas pelas Unidades Geradoras (UGs), de modo a minimizar a soma dos custos
operacionais ao mesmo tempo em que a demanda do sistema e as restries operacionais so
atendidas (7).
No problema de DE mais simples utilizado o modelo barra nica para representar o
sistema eltrico, desconsiderando o sistema de transmisso. Porm, possvel representar o
modelo de forma mais detalhada, levando em considerao o sistema de transmisso, e com isso
as equaes de fluxo de potncia. Apesar do modelo barra nica ser mais simples, ele pode no
atender importantes requisitos operacionais do sistema de transmisso, fazendo com que alguns
resultados provoquem uma sobrecarga no sistema. Embora a sua resoluo seja mais complexa e
demorada, os modelos que levam em considerao as restries de capacidade do sistema de
transmisso podem representar com mais fidelidade a operao do sistema (8).
A introduo da restrio de capacidade das linhas de transmisso ao problema de DE
pode torn-lo um problema de FPO, podendo assim ser usado o modelo deste ltimo (9). A
representao linearizada do fluxo de potncia tem sido adotada nos estudos de DE devido a sua
simplicidade e ao grau de preciso satisfatrio. Assim, o modelo do problema de DE pode ser
formulado considerando os limites de potncia dos geradores e o fluxo nas linhas (10). Nesse
trabalho o problema de DE resolvido atravs do Mtodo de Pontos Interiores (MPI) com base
no trabalho de Oliveira e Filho (11).
O problema de AUGT um problema de otimizao no-linear, inteira-mista e de
grande escala. Nesse tipo de problema, a soluo tima pode ser encontrada checando todas as
combinaes possveis, tornando-se invivel em algumas aplicaes. Desta forma, necessrio o
uso de tcnicas eficientes de meta-heurstica, como por exemplo o Algoritmo Gentico (AG), para
contornar a natureza combinatria do problema e encontrar solues viveis. Como em outras
tcnicas de meta-heurstica, o AG utiliza a combinao de escolhas aleatrias e o conhecimento
do histrico dos resultados adquiridos para se guiar e realizar a busca pelo espao de solues, o
que evita paradas prematuras em timos locais. Nos ltimos anos, com o rpido desenvolvimento
da teoria evolutiva, o AG tornou-se uma ferramenta de busca muito poderosa e de larga aplicao
em problemas complexos de sistemas de engenharia (12).
Os AGs tm sido usados com bastante sucesso na soluo de problemas anlogos ao

trabalho aqui proposto. Entretanto, no presente trabalho, a metodologia desenvolvida aplicada
aos sistemas termeltricos leva em considerao o conjunto das seis restries anteriormente
descritas, que na maioria dos casos so negligenciadas e no so usadas em conjunto. Com este
propsito, usa-se um AG com caracterstica adaptativa contendo operadores de cross-over e
mutao modificados, com metodologia anelar, baseado no trabalho de Pavez-Lazo e Soto-Cartes
(13), e um mtodo de busca local, com intuito de evitar a estagnao do processo de busca, como
descrito no trabalho de Valenzuela e Smith (14).
Os resultados foram obtidos atravs de simulaes em um software de simulao mate-
mtica, utilizando como benchmark os sistemas testes encontrados na literatura especializada.
1.1 Objetivo da Pesquisa

Considerando as caractersticas intrnsecas ao problema da PDO, este trabalho tem como
objetivo principal a elaborao de uma ferramenta para encontrar a melhor soluo para esse
problema, atravs da aplicao de um AG robusto e eficiente, para resoluo do problema
de AUGT, sustentado pelo MPI, para resoluo do problema de DE. A partir disso, pode-se
mencionar os seguintes objetivos especficos:
Estudar detalhadamente o problema de AUGT e DE, contendo todas as restries que

sero levadas em considerao;
Incluir o sistema de transmisso e suas restries ao modelo do problema em questo, uma

vez que sua abordagem na literatura ainda incipiente;
Implementar o MPI para a resoluo do DE, quando as restries de segurana das linhas
de transmisso forem negligenciadas, e para a resoluo do FPO, caso a rede eltrica seja
levada em conta no problema;
Desenvolver, a partir dos estudos dos itens anteriores, um AG com tcnicas de adaptao e
busca local para resolver o problema de AUGT para a PDO;
Realizar simulaes em sistemas testes para verificar a eficcia do algoritmo proposto e o

impacto do uso das tcnicas de adaptao e busca local;
Propor uma metodologia que possa ser usada para auxiliar um agente de gerao a deter-
minar a programao tima e nveis de gerao para as usinas termeltricas, considerando
uma modelagem mais detalhada do problema.
1.2 Publicaes Decorrentes da Pesquisa

Alocao de Unidades Geradoras Trmicas via Algoritmo Gentico Adaptativo. XXI
Congresso Brasileiro de Automtica (CBA). Vitria-ES, 2016 (15).
1.3 Organizao do Trabalho

Esta dissertao encontra-se organizada em:
Captulo 1 apresentada a motivao para a pesquisa, a reviso bibliogrfica, atravs da
anlise de alguns trabalhos relacionados com o tema da dissertao, e os principais objetivos do
trabalho proposto.
Captulo 2 so abordados alguns aspectos importantes referentes ao problema de planeja-
mento da operao energtica em sistemas termeltricos, tais como os horizontes de planejamento
e a definio de curva de carga diria. Alm disso, se aborda a necessidade da alocao das UGs,
detalhes sobre as unidades termeltricas e como so calculados os custos operativos das mesmas.
Captulo 3 apresenta os conceitos bsicos da programao linear e o desenvolvimento
do MPI, e suas variaes, para resoluo deste tipo de programao. Tambm apresentado os
conceitos bsicos do problema da programao quadrtica e a aplicao do MPI para solucionar
este tipo de problema. Por fim descrito o problema de FPO linearizado, apresentando as
restries do sistema de transmisso que esto sendo includas no modelo, e sua resoluo via
MPI.
Captulo 4 traz a reviso bibliogrfica feita sobre os pontos mais relevantes para a
compreenso e desenvolvimento deste trabalho.
Captulo 5 aborda a teoria de AGs e fala sobre as tcnicas de adaptao e busca local.
Captulo 6 expe a formulao do problema da PDO e a metodologia proposta para a
resoluo do mesmo.
Captulo 7 apresenta os resultados numricos obtidos com o algoritmo proposto, e faz-se
uma discusso detalhada dos resultados encontrados.
Captulo 8 so apresentadas as concluses e as propostas para trabalhos futuros.
2 O Problema da Programao Diria da
Operao Energtica em Sistemas Ter-
meltricos
A operao energtica dos Sistemas Eltricos de Potncia (SEP) um dos problemas

mais relevantes do setor de energia eltrica. Nela deve ser realizado um controle complexo
de equipamentos e de variveis relacionadas com o problema analisado. Nessa tarefa, uma
das principais metas o atendimento da demanda diria, ao menor custo possvel, atravs da
otimizao dos recursos disponveis e obedecendo os limites tolerveis.
Quando a operao energtica realizada de forma eficiente, o sistema atua de forma
econmica e segura. Ela capaz de decidir os momentos de ligamento e desligamento das
instalaes geradoras, o que promove ganhos financeiros que se tornaro economicamente
relevantes no custo final da produo de energia.
Considerando o aumento da demanda nos prximos anos e um possvel aumento das
UGTs, como discutido no captulo anterior, faz-se necessrio entender esse tipo de gerao e
definir o problema a ser enfrentado.
2.1 Horizontes de Planejamento

A complexidade do sistema eltrico brasileiro torna invivel a adoo de um nico tipo de
estudo para realizar o planejamento da operao energtica. Nesse sentido o Operador Nacional
do Sistema Eltrico (ONS) utiliza uma cadeia de estudos coordenados entre si com diferentes
horizontes de planejamento e distintos graus de detalhamento na modelagem matemtica do
sistema, de tal forma que, medida que a modelagem do sistema se aproxima da operao em
tempo real, a representao do mesmo requer mais nveis de detalhes.
Na Figura 2.1 ilustrado como esses estudos esto encadeados de acordo com o detalha-
mento do sistema e com o horizonte de planejamento.
Essa cadeia tem como etapas principais o Planejamento Anual da Operao Energtica
(PEN) o Programa Mensal da Operao Energtica (PMO) e a PDO.
No PEN o horizonte de planejamento de 5 anos, discretizado em base mensal. A
principal ferramenta computacional utilizada o modelo NEWAVE, o qual define o despacho de
gerao para cada subsistema. Esse modelo foi criado devido elevada capacidade de gerao
hidreltrica do sistema eltrico brasileiro e sua caracterstica essencialmente estocstica. Dessa
forma preciso realizar uma deciso operativa em funo dos possveis estados do sistema,
24
Captulo 2. O Problema da Programao Diria da Operao Energtica em Sistemas Termeltricos 25
Fonte: Elaborada pelo autor.
Figura 2.1 Horizontes de planejamento do ONS.
principalmente prevendo o armazenamento dos reservatrios e a tendncia hidrolgica futura do

sistema (16, 17).
Por sua vez, no PMO so definidas as polticas operativas com horizonte de at 12 meses,
discretizados em etapas semanais e mensais. A principal ferramenta computacional utilizada
o modelo computacional DECOMP que determina as metas individuais de gerao das usinas
do sistema. Para manter a coordenao da cadeia, o DECOMP leva em considerao a previso
fornecida pelo NEWAVE (16, 17).
Finalizando a cadeia, a PDO tem como objetivo estabelecer as metas de gerao horria
para cada usina do sistema para o dia que antecede a operao, com base nas metas estabelecidas
pelo modelo DECOMP e com um horizonte de at 14 dias. A ferramenta computacional utilizada
para a PDO o DESSEM, que resolve o problema por meio da tcnica de Relaxao Lagrangeana.
Essa ferramenta possui modelagem linear da rede eltrica que inclui a restrio de limites de
fluxos nos circuitos. Outras restries tambm consideradas so o tempo mnimo de permanncia
e sada de operao das mquinas, e a variao da potncia de sada (rampa) (16, 17).
Essas ferramentas (NEWAVE, DECOMP e DESSEM) so desenvolvidas pelo Centro
de Pesquisas de Energia Eltrica (Cepel), no Rio de Janeiro, para aplicao no planejamento
da operao de sistemas hidrotrmicos, e so utilizadas pelo ONS para o planejamento e a
programao da operao do SIN, com nfase na minimizao de custos.
O principal foco desta dissertao a PDO, onde um programa horrio de gerao
definir a AUGT e os valores de potncia que cada gerador dever produzir nas prximas 24
horas. importante destacar que o Cepel possui um campo de pesquisa criado para aperfeioar a
resoluo do problema de AUGT.
2.2 Curva de Demanda Diria

Na PDO, as usinas devem operar com uma certa quantidade de UGs online para atender
demanda requerida pelo sistema para o prximo dia. Normalmente, o consumo dirio de energia
apresenta uma curva de demanda caracterstica, como mostrado na Figura 2.2.
Figura 2.2 Exemplo de uma curva de demanda diria.
Essa curva pode ser segmentada em trs faixas distintas. A primeira faixa representaria o
consumo no incio do dia, apresentando um consumo baixo, a segunda faixa seria um consumo
de nvel mdio, e a terceira faixa compreenderia o perodo de consumo de energia mais elevado.
Essa curva ser essencial para a definio do nmero de UGs que estaro em operao e quais
sero as potncias fornecidas pelas mesmas.
2.3 Necessidade da Alocao de Unidades Geradoras

A alocao de UGs uma das principais atividades nos SEPs para o atendimento da
demanda de forma econmica. Essa ao est diretamente relacionada com a variao da
demanda de energia eltrica durante o dia (curva de demanda diria) que afeta diretamente a
operao energtica. Isso pode ser explicado pelo fato da entrada, ou sada, de operao das UGs
ter que acompanhar a alterao de carga da forma mais econmica possvel. Da mesma forma,
as UGs que estiverem online tero que fornecer potncia ao sistema em um ponto de operao
timo atravs do DE. Em suma, a estratgia decidir por manter unidades de menor custo em
operao e desligar outras com custo mais elevado.
Para problemas reais de grande porte, a soluo do problema da alocao de UGs no
trivial, devido dinmica da carga, que se altera a cada perodo de tempo, e grande quantidade
de unidades que compe o parque gerador dos sistemas eltricos. Alm do custo de gerao,
tambm preciso representar o custo de ligamento e desligamento das mquinas, que depende
do estado das mesmas no perodo analisado. A medida que uma UG varia de estado (online ou
offline), durante determinado perodo, preciso adicionar o custo de ligamento e desligamento
ao custo final de operao.
Outro ponto importante se refere ao tempo que cada UG permanece em operao, onde
cada uma tem um tempo mnimo para ficar online que deve ser respeitado e, da mesma forma,
quando a UG estiver fora de operao, a unidade tem um tempo mnimo para ficar offline. Essas
caractersticas so relacionadas as questes operativas das mquinas, e so mais notrias em
sistemas termeltricos, devido a problemas de aquecimento e resfriamento. Tais caractersticas
introduzem interdependncia entre os perodos de tempo no horizonte de estudo, pois decises
futuras de alocao das UGs dependem de decises tomadas no passado.
2.4 Unidades Termeltricas

A insero da gerao trmica no sistema eltrico brasileiro tornou-se fundamental para
o aumento da sua confiabilidade. Esse tipo de gerao apresenta-se como uma opo atrativa
devido aos seguintes fatores:
Possibilidade de implantao em reas mais prximas aos centros de carga, dispensando

grandes investimentos em linhas de transmisso;
Baixo impacto geogrfico;
Flexibilidade de operao emergencial;
Independncia de condies meteorolgicas.
Como desvantagens as termoeltricas apresentam:
Altos custos operacionais, devido ao consumo de combustvel;
Maior risco cambial, por conta da importao de gs natural;
Poluio ambiental.
A operao dessas UGs baseada na converso de energia trmica em mecnica, e desta

em energia eltrica. Elas so geralmente divididas em convencionais (com combusto externa ou
interna) e nucleares. As unidades convencionais utilizam combustveis fsseis, como carvo, leo
combustvel e gs natural, ou biocombustveis, fabricados a partir de vegetais e lixo orgnico. As
unidades nucleares utilizam combustveis fsseis, como o urnio.
2.4.1 Termeltricas com Combusto Externa

A combusto externa acontece quando o combustvel no entra em contato com o fluido
de trabalho (geralmente gua). O ciclo compreende quatro passos: a bomba de alimentao leva
a gua at a caldeira; os gases de combusto do combustvel fornecem calor para a caldeira,
produzindo vapor superaquecido; a expanso do vapor na turbina produz trabalho mecnico,
acionando o gerador eltrico; o vapor passa pelo condensador onde vai retornar a forma lquida,
reiniciando o ciclo (18). ilustrado na Figura 2.3 esse ciclo atravs de um fluxograma resumido.
Fonte: Adaptada de Tolmasquim (18)
Figura 2.3 Fluxograma resumido de uma usina termeltrica que utiliza combusto externa.
No Brasil, mais de 90% das usinas utilizam esse tipo de combusto (2). Entre os com-
bustveis mais utilizados esto o leo combustvel, leo diesel, carvo mineral e biomassa, e,
dependendo do combustvel utilizado, as taxas de emisso de poluentes podem se tornar relevan-
tes, sendo necessrio a instalao de equipamentos para diminuir esse efeito, encarecendo ainda
mais os custos de gerao. Alm disso, na maioria dos casos, o leo combustvel sujeito s
variaes do preo do barril de petrleo.
Um importante parmetro de caracterizao operativa de uma termeltrica com combus-
to externa o seu custo incremental. Esse parmetro representa a taxa de aumento do custo de
operao em funo de um incremento no seu nvel de gerao. Seu modelo dado por uma
funo quadrtica convexa como descrito na Equao (2.1):
FC (P) = a0 P2 + a1 P + a2 (2.1)
em que:
FC (P) : Funo custo;
P : Potncia gerada pela UGT;

a0 : Coeficiente quadrtico da funo custo;
a1 : Coeficiente linear da funo custo;
a2 : Coeficiente independente da funo.
A curva caracterstica que ilustra o custo incremental de operao de uma termeltrica

com combusto externa apresentada na Figura 2.4.
Fonte: Adaptada de Wood e Wollenberg (7)
Figura 2.4 Curva caracterstica do custo incremental de uma termeltrica.
O nvel mnimo de potncia, mostrado no grfico da Figura 2.4, pode estar relacionado
aos seguintes fatores (18):
Manuteno da estabilidade do ciclo termodinmico;
Problemas de estabilidade na rede eltrica;
Consumo mnimo de combustvel contratado com seu fornecedor.
O nvel mximo de potncia refere-se a operao forada das partes mecnicas da

mquina devido a trepidao e aquecimento excessivo quando a mesma opera alm de certo
limite de gerao (18).
Outra caracterstica importante de uma usina termeltrica com combusto externa est
relacionada com os custos associados partida das mesmas, que leva em considerao, em
alguns casos, o tempo que a unidade permaneceu desligada (7). Porm importante destacar que
em alguns sistemas esse tempo que a mquina est offline desconsiderado e inferido um custo
de partida fixo para unidade que est entrando em atividade, independente de quanto tempo a
mesma permaneceu fora de operao.
A relao entre o custo de partida e o tempo que a mquina ficou desligada tem a ver
com a temperatura da caldeira, pois a quantidade de combustvel necessria para elevar a sua
temperatura at o patamar de operao proporcional ao tempo que a unidade foi resfriada,
ou seja, quanto maior o tempo de desligamento maior ser o custo para promover a partida da
unidade. Na prtica assume-se que a caldeira se resfria a uma taxa inversamente proporcional
respectiva constante relacionada com a velocidade de resfriamento (18). Matematicamente, o
custo de partida da unidade termeltrica pode ser descrito pela Equao (2.2):
X o f f
CP = + (1 exp ) (2.2)

em que:
CP : Custo de Partida da UGT;
: Constante de custo de manuteno;
: Constante de custo nas condies de resfriamento da caldeira;
: Constante relacionada com a velocidade de resfriamento da caldeira;
X o f f : Tempo que a UGT encontra-se fora de operao.
Portanto, conforme se pode notar nas Equaes (2.1) e (2.2), o custo total de operao de
uma termeltrica com combusto externa inclui custos de combustveis associados aos processos
de partida e de operao nominal da usina. Alm disso, importante destacar que em alguns
sistemas o custo de desligamento pode ser includo no problema.
Outras caractersticas operativas das termeltricas com combusto externa tornam a
sua operao uma tarefa um tanto complexa. As caldeiras dessas usinas devem ser submetidas
sempre a variaes graduais de temperaturas. Esse detalhe se traduz nas restries operativas
modeladas matematicamente como restries de Tempo Mnimo de Permanncia em Operao
(TML ), Tempo Mnimo de Sada da Operao (TMD ) e Rampa (RP ).
Cabe mencionar que, em alguns estudos, o custo de partida das unidades geradoras
depende do tempo que a unidade esteve parada anteriormente e do fato de se manter ou no
as caldeiras quentes durante o perodo de parada. O custo de partida dado pelas seguintes
condies descritas na Equao (2.3):

C = Cq , T X o f f T +
P P MD MD
(2.3)
f
C = C , X o f f
P P > TMD +
em que:
q
CP : Custo de partida a quente da UGT;
f
CP :Custo de partida a frio da UGT.
2.4.2 Termeltricas com Combusto Interna

Na combusto interna o ar atmosfrico continuamente succionado pelo compressor,
onde comprimido para uma alta presso. O ar comprimido entra na cmera de combusto (ou
combustor), onde misturado ao combustvel e ocorre a combusto, resultando em gases com
alta temperatura. Os gases provenientes da combusto se expandem atravs da turbina e so
descarregados na atmosfera. Parte do trabalho desenvolvido pela turbina usado para acionar o
compressor, o restante utilizado para acionar o gerador eltrico (18). Na Figura 2.5 mostrado
esse ciclo atravs de um fluxograma resumido. As UGs que usam o gs como combustvel
utilizam esse tipo de combusto para gerao de energia.
Fonte: Adaptada de Tolmasquim (18)
Figura 2.5 Fluxograma resumido de uma usina termeltrica que utiliza combusto interna.
A perspectiva do aumento de consumo do gs natural, devido principalmente necessi-

dade de aumentar a participao da gerao trmica na matriz energtica brasileira, tem feito
esse combustvel ficar mais competitivo no mercado de gerao de energia. Alm disso, as UGs
a gs apresentam algumas vantagens em relao as que utilizam combusto externa. Por serem
unidades mais leves e compactas seu investimento por kW instalado tem custo reduzido e o
tempo de resposta entre o acionamento e a entrada em operao dado em segundos (18).
Apesar dessas vantagens, esse trabalho foca apenas nas UGs com combusto externa por
conta do nmero superior de unidades instaladas e a dificuldade de achar trabalhos de otimizao
relacionados a AUGT com combusto interna (a maioria envolve controle de processos qumicos).
Porm, importante destacar que as termeltricas convencionais, seja as que utilizam combusto
interna ou externa, tm importncia estratgica ao integrar de forma mais expressiva a matriz

energtica brasileira.
2.4.3 Termeltricas Nucleares

A gerao de energia termonuclear utiliza a reao nuclear de fisso como fonte para
gerao de energia. As centrais nucleares apresentam um ou mais reatores, que so comparti-
mentos impermeveis radiao, cujo interior preenchido de minerais com algum elemento
radioativo especfico. No processo de decomposio radioativa se estabelece uma reao em
cadeia que sustentada e moderada mediante o uso de elementos auxiliares, dependendo do tipo
de tecnologia empregada.
A energia nuclear responsvel por 11% da eletricidade consumida no mundo (19). No
Brasil, apenas 1,23% do total de energia eltrica disponvel produzido em instalaes nucleares
(Angra I e Angra II, em conjunto, fornecem aproximadamente 1,99 GW) (2). Porm, a ltima
crise energtica em que o pas enfrentou reacendeu a discusso sobre o trmino de Angra III.
Uma vez concluda, a mesma adicionar 1,35 GW ao SIN.
2.5 Programao Diria da Operao Energtica de Siste-

mas Termeltricos
O objetivo bsico da PDO em sistemas puramente trmicos obter as metas de gerao
de cada usina do sistema de forma a atender a demanda e minimizar o valor esperado do custo
de operao ao longo do perodo de planejamento. Nesse estudo, as unidades termeltricas
so representadas atravs de caractersticas fsicas, econmicas e operativas. A seguir sero
apresentadas a definio, a modelagem e a formulao do problema.
2.5.1 Definio do Problema

A representao da PDO deve ser a mais realista possvel, havendo a necessidade
de considerar a maioria das restries na modelagem do problema. Em sistemas de gerao
compostos somente de unidades termeltricas, o custo de cada usina depende basicamente do
custo de combustvel. Portanto, deve-se encontrar uma estratgia de operao cujo objetivo seja
indicar, dentre todas as UGs existentes no sistema, quais devem ser colocadas em operao e suas
respectivas potncias horrias de sada, de modo a atender a demanda de energia, satisfazendo as
restries operacionais do sistema, minimizando o custo total de combustvel.
Esse problema pode ser dividido em dois subproblemas:
Alocao de Unidades Geradoras: determina as unidades que devem estar em operao

mediante a demanda solicitada;
Despacho Econmico: determina a potncia que ser gerada ao sistema eltrico por cada
uma das unidades colocadas em servio pelo subproblema de alocao.
Em resumo, o DE que ser realizado depende da resposta fornecida pelo subproblema de

AUGT. Na Figura 2.6 ilustrado como o problema de PDO funciona.
Fonte: Elaborada pelo autor
Figura 2.6 Resumo do problema da PDO para sistemas termeltricos.
Algumas dificuldades so encontradas para a resoluo do subproblema de AUGT. Ele

classificado matematicamente como um problema de programao no-linear inteira mista de
grande porte e possui as seguintes caracterticas (7, 14):
Regio de soluo multimodal, no convexa, o que permite a existncia de vrias solues

e conduz grande parte dos algoritmos a convergirem em direo de mnimos locais. Na
Figura 2.7 exibida a funo Rastrigin para exemplificar esse problema.
Figura 2.7 Exemplo de funo com regio de soluo no convexa.
Natureza combinatria do processo de deciso, que aumenta o nmero de alternativas de

operao, proporcionando um tempo de processamento computacional elevado. Na Tabela
2.1 apresentado o nmero total de combinaes em relao a um determinado nmero
de UGs para um perodo de vinte e quatro horas de operao.
Por conta dessas dificuldades, a obteno da soluo exata para este tipo de problema
pode no ser simples. Desta forma conveniente a utilizao de mtodos de busca para a sua
Tabela 2.1 Natureza combinatria do problema de AUGT.
No de Geradores No de Combinaes *
10 1, 7272
20 3, 12144
40 9, 74288
100
Valor aproximado. Fonte: Wood e Wollenberg (7)
soluo, como por exemplo o AG, que tem sido aplicado com sucesso em diversos trabalhos,
como descrito anteriormente.
2.5.2 Modelagem do Problema

Os componentes da PDO (parque gerador e sistema de transmisso) possuem caracte-
rsticas que so modeladas com o intuito de aproximar as condies simuladas com as reais. A
seguir sero apresentadas de forma detalhada as restries utilizadas na PDO que, junto com
o custo de operao das termeltricas (2.1) e com o custo de partida das mquinas (2.2), iro
compor o modelo final do problema.
2.5.2.1 Balano de Potncia Ativa do Sistema
Essa restrio responsvel pelo atendimento da demanda de energia e definida

matematicamente na Equao (2.4):
P(t) L(t) = 0 (2.4)
em que:
P(t) : Potncia gerada pela UGT no tempo t;
L(t) : Demanda no instante t;
2.5.2.2 Limites de Gerao das Unidades Trmicas
Nessa restrio so definidos os limites operativos para as UGs, modelados por meio de
seus limites mximos e mnimos de fornecimento de potncia ativa. Essa restrio de desigual-
dade mostrada na Inequao (2.5):
PMin P(t) PMax (2.5)
em que:
PMin : Limite mnimo de gerao de potncia da UGT;

PMax : Limite mximo de gerao de potncia da UGT.
2.5.2.3 Reserva Girante
Essa restrio prev uma folga entre a demanda prevista e a potncia total disponvel entre
as UGs em operao. Essa folga permite suprir o sistema mesmo com um aumento inesperado
de carga ou com a perda da UG de maior capacidade, ou dos circuitos de transmisso. Esta folga
representada pela restrio de desigualdade representada na Inequao (2.6):
PMax L(t) + PR (t) (2.6)
em que:
PR (t) : Reserva girante prevista para o instante t.
Geralmente considerado o valor de 10% da carga horria para a reserva girante.
2.5.2.4 Tempo de Permanncia e Sada de Operao das Mquinas
O motivo de utilizao dessa restrio est relacionado com questes de ordem tcnica,
fadiga do material e gradientes trmicos inerentes s unidades geradoras, como descrito na Seo
2.4.1. Ela evita que as UGs sejam ligadas e desligadas frequentemente ao longo do horizonte de
planejamento. Essa restrio podem ser escrita como mostrado nas Inequaes (2.7):

X on T
ML
(2.7)
X o f f T
MD
em que:
X on : Tempo que a UGT est em operao;
2.5.2.5 Variao de Potncia de Sada (Rampa)
A restrio de rampa acopla o nvel de gerao de uma unidade termeltrica entre

dois perodos consecutivos da programao, onde no possvel admitir variaes abruptas da
potncia gerada nesse intervalo de tempo. Esse valor conhecido como limite de Rampa, devido
ao fato das variaes de potncia seguirem o formato de uma rampa. Na Figura 2.8 ilustrado
como a restrio de rampa funciona para uma UG no decorrer do perodo de anlise.
Matematicamente a restrio de rampa modelada como na Inequao (2.8):
|P(t) P(t 1)| RP (2.8)

Fonte: Adaptada de Lpez (20)
Figura 2.8 Ilustrao da restrio de rampa em uma termeltrica.
2.5.2.6 Restries da Capacidade do Sistema de Transmisso
Como discutido anteriormente, a considerao da rede de transmisso na modelagem do

problema no comum na literatura, sendo o SEP geralmente modelado como modelo barra
nica. A adio da rede de transmisso traz fatores complicadores anlise do problema pois
os limites de capacidade das linhas passam a influenciar diretamente as decises de operao.
A restrio de desigualdade que define os limites da capacidade do sistema de transmisso
descrita na Inequao (2.9):
| f (t)| f Max (2.9)
em que:
f Max : Capacidade mxima da linha de transmisso.
2.6 Consideraes Finais do Captulo

Neste captulo foram apresentados os horizontes de planejamento utilizados pelo sistema
eltrico brasileiro para o estudo do planejamento da operao energtica, e, mais precisamente, a
modelagem do problema da PDO, que ser o foco desse trabalho. Esse problema ser resolvido
considerado um horizonte de planejamento de vinte e quatro horas, onde ser definida a AUGT e
os valores de potncia fornecidos ao SEP, com base em curvas de demanda diria encontradas
em trabalhos publicados que abordam o mesmo tema.
No tocante a AUGT, foi apresentada sua importncia para a PDO e a complexidade

matemtica do problema. Alm disso foram mostradas as caractersticas das UGTs e como o
custo de gerao est relacionado com a potncia ativa produzida pelas mesmas.
A modelagem do problema da PDO foi apresentada destacando a necessidade de conside-
rar os limites de capacidade das linhas de transmisso no modelo do problema para que o mesmo
possa ser o mais realista possvel. Esse fator possui bastante relevncia pelo fato dessa restrio
ser desconsiderada na maioria dos trabalhos devido a grande complexidade de implementao
computacional.
No prximo captulo sero estudadas as Programaes Linear e Quadrtica, e os conceitos
do MPI com suas variaes aplicadas ao problema de FPO.
3 Mtodos de Pontos Interiores e sua Apli-
cao no Problema de Fluxo de Potn-
cia timo
Na dcada de 1980 foram descobertos mtodos que solucionavam eficientemente proble-

mas de programao linear atravs de algoritmos criados para resolver problemas de programao
no-linear. Um desses mtodos tinha como caracterstica o fato da soluo percorrer a regio de
soluo estritamente dentro dos limites impostos pelo problema. Esse mtodo ficou conhecido
como MPI. Por volta do comeo dos anos 1990, uma subclasse desse mtodo, conhecida como
Mtodo de Pontos Interiores Primal-Dual (MPIPD), foi descoberta e sua eficincia comprovada
ao bater o mtodo Simplex (mais utilizado at aquele momento) em problemas de larga escala.
Teoricamente, o mtodo Simplex pode percorrer todas as solues bsicas do problema
no processo de busca de solues timas. No entanto, na prtica, o esforo de clculo desse
mtodo proporcional ao nmero de restries do problema, o que pode levar a dificuldade de
convergncia (21). Esse fator serviu para incentivar o estudo de novos mtodos, sendo MPI o
que obteve o maior sucesso, como pode ser visto no trabalho de Karmarkar (22).
Na Figura 3.1 mostrada a diferena de como o mtodo Simplex e o MPI buscam sua
soluo tima. No mtodo Simplex, a soluo movimenta-se de um vrtice a outro do politopo
do problema, melhorando o valor da funo objetivo at encontrar uma soluo que no possua
solues vizinhas melhores que ela. No MPI, a soluo movimenta-se no interior da regio
vivel e a mesma guiada atravs do Mtodo de Newton aplicado s condies de otimalidade
do problema (23).
Figura 3.1 Busca de soluo pelo (a) Mtodo Simplex e (b) MPI.
38
Captulo 3. Mtodos de Pontos Interiores e sua Aplicao no Problema de Fluxo de Potncia timo 39
O DE pode ser formulado como um modelo matemtico de FPO com restries adicionais,
onde ser realizada a minimizao de uma funo objetivo quadrtica, correspondente aos custos
de gerao e perdas na transmisso do sistema de potncia, considerando os limites de gerao
das unidades e a capacidade de transmisso do sistema eltrico (10, 11).
A representao linearizada do FPO tem sido utilizada, pois obtm-se maior simplicidade
com grau de preciso dos resultados satisfatrio. Nessa representao, o sistema de gerao
composto por um conjunto de unidades geradoras, enquanto que o sistema de transmisso
representado por um modelo de fluxo de potncia de corrente contnua (DC). Neste modelo, as
leis de Kirchhoff so representadas independentemente (11).
Este captulo traz os conceitos de Programao Linear (PL) e Programao No-Linear
Quadrtica (PNLQ), atravs de uma viso geral sobre o assunto, e apresenta o MPI, que ser a
ferramenta utilizada para a resoluo do problema do FPO e, consequentemente, do DE. Alm
disso, apresentado no captulo o modelo matemtico linearizado a ser utilizado pelo FPO e
o MPIPD que adequado para a resoluo desse problema. A abordagem utilizada combina as
vantagens da formulao do modelo linear do fluxo de potncia com eficincia e robustez do
MPI. O texto apresentado neste captulo tem como referncia os trabalhos (11), (24), (25), (26) e
(27).
3.1 Programao Linear

Os problemas de PL derivam da construo de uma representao matemtica para um
problema real em que se quer minimizar ou maximizar uma funo objetivo linear, ao mesmo
tempo em que as variveis de deciso esto sujeitas a determinadas restries tambm lineares.
3.1.1 Problema Primal

Um problema de PL onde se quer minimizar uma funo objetivo na forma padro
definido como na Equao (3.1):
Min cT x
s.a: Ax = b (3.1)
x0
em que c Rn1 ; x Rn1 ; A Rmn ; b Rm1 ; T o prefixo indicando transposta.
Os problemas de PL em geral no esto na forma padro, podendo envolver tambm
desigualdades, como mostrado na Formulao (3.2):
Min cT x
s.a: Ax b
(3.2)
Ax b
x0
Nesses casos faz-se necessria a introduo de variveis de excesso e folga. Se o problema

original apresenta uma restrio de desigualdade como mostrado nas Inequaes (3.3) e (3.4), a
restrio de desigualdade pode ser substituda por uma restrio de igualdade:
a j1 x1 + a j2 x2 + + a jn xn b j , j = 1, 2, ..., m (3.3)
a j1 x1 + a j2 x2 + + a jn xn b j , j = 1, 2, ..., m (3.4)
Essa substituio pode ser feita introduzindo uma varivel adicional s, no-negativa,
conhecida como varivel de excesso quando a desigualdade do tipo , e varivel de folga
quando a desigualdade do tipo . Assim, as restries de desigualdade (3.3) e (3.4) se
transformam nas restries de igualdade (3.5) e (3.6), respectivamente:
a j1 x1 + a j2 x2 + + a jn xn s = b j , j = 1, 2, ..., m (3.5)
a j1 x1 + a j2 x2 + + a jn xn + s = b j , j = 1, 2, ..., m (3.6)
O nmero de variveis de excesso e/ou de folga igual ao nmero de restries de

desigualdade presentes no modelo original. Um novo conjunto de variveis ser formado pelas
variveis originais mais as de excesso e folga. Assim, o problema (3.2) pode ser colocado na
forma padro acrescentando as variveis de excesso s e de folga s, como mostrado na Formulao
(3.7):
Min cT x
s.a: Ax I s = b
(3.7)
Ax + Is = b
x0
3.1.2 Problema Dual

Com o problema primal na forma padro (3.1) possvel encontrar o problema dual
(3.8), como definido em Nocedal e Wright (28):
Max bT
s.a: AT c = AT + s = c
(3.8)
s0
livre
em que Rm1 ; s Rn1 .
Por definio, x 0 um ponto interior para o problema primal e s 0 um ponto
interior para o problema dual. Por estarem dentro dos limites impostos pelas restries, ambos
os pontos so factveis.
Outro conceito importante a definio gap (). Esse elemento encontrado atravs do
resultado da diferena entre os valores das funes objetivo do problema primal e do problema
dual (28). A formulao do gap pode ser vista em (3.9):
= cT x bT = xT s (3.9)
Por meio da manipulao de variveis, o valor do gap tambm pode ser definido por
= xT s.
3.1.3 Condies de Otimalidade

Para que (x , , s ) seja uma soluo tima para os problemas (3.1) e (3.8) preciso
obedecer as condies de otimalidade de Karush-Kuhn-Tucker (KKT), definidas por (28):
Factibilidade Primal: Ax b = 0 , x 0
Factibilidade Dual: AT + s c = 0 , s 0, livre
Complementaridade: XSe = 0 = xi si = 0 , i = 1, 2, ..., n
em que X igual a diag(x), S igual a diag(s), e o elemento e um vetor coluna de dimenso n

com todos os elementos iguais a 1.
3.2 Mtodo de Newton

A apresentao do Mtodo de Newton (MN) necessria pois a essncia do MPIPD
consiste em aplic-lo nas condies de otimalidade de KKT do problema de PL, como descrito
em Vanderbei et al. (29).
A descrio do mtodo comea a partir de uma funo dada

F1 (x) x1
F2 (x)

x2
F(x) = .. , x= ..
. .

Fn (x) xn
de F : Rn Rn , onde deseja-se encontrar um ponto x Rn tal que F(x ) = 0, ou seja,
encontrar uma raz de F. O MN um mtodo iterativo para resolver este problema. Dado
qualquer x Rn , o objetivo encontrar uma direo de busca d tal que F(x + d) = 0. Assim,
busca-se aproximar o valor desta direo pelos dois primeiros termos da expanso da Srie de
Taylor, como definido na Equao (3.10):
F(x + d) F(x) + F 0 (x)d (3.10)
em que:
F1 F1 F1
x1 x2 xn

F 0 (x) = x12
F F2
F2
. x2 xn
.. .. .. .
. . ..
Fn Fn Fn
x1 x2 xn
A aproximao linear em d. Logo, igualando (3.10) a zero, tem-se um sistema linear

para obter a direo de busca, como mostrado na Equao (3.11):
J(x)d = F(x) (3.11)
em que J(x) o Jacobiano de F no ponto x.

Calculado d = [J(x)]1 F(x), o MN atualiza a soluo substituindo x por x + d. Este
processo continua at que a soluo atual esteja suficientemente prxima de uma raiz (F(x) 0).
Assim tem-se um mtodo iterativo da forma descrita na Equao (3.12):
xk+1 = xk [J(xk )]1 F(xk ) (3.12)
Esta ideia leva ao MPIPD e suas variaes, descritos nas prximas sees.
3.3 Mtodos de Pontos Interiores Primal-Dual

Nessa sesso so apresentados os MPIPDs Afim-Escala, Seguidor de Caminho e MPIPD
Preditor-Corretor.
3.3.1 Mtodo Primal Dual Afim-Escala

Seja o problema com a formulao Primal e Dual dada por (3.1) e (3.8), respectivamente,
e as condies de otimalidade de KKT definidas pela funo:

Ax b b Ax r1
F(x, , s) = AT + s c = c AT s = r2

XSe XSe r3
sendo X = diag(x) e S = diag(s). Aplica-se o MN considerando um ponto inicial (x0 , 0 , s0 ):
(x1 , 1 , s1 ) = (x0 , 0 , s0 ) [J(x0 , 0 , s0 )]1 F(x0 , 0 , s0 )
em que:
A 0 0
J(x0 , 0 , s0 ) = 0 AT I

S0 0 X 0
assim, d 0 ser dado por:
1 0 0
A 0 0 r1 dx
0
I r2 = d0
T 0
d = 0 A

S0 0 X 0 r30 ds0
A frmula geral para encontrar a direo de busca no MPIPD para PL definida em

(3.13):
1 k k
A 0 0 r1 dx
k T I r2 = dk
k
d = 0 A (3.13)

Sk 0 X k r3k dsk
O tamanho do passo dado deve assegurar que os pontos nunca deixem de ser interiores.
Os tamanhos dos passos primais ( p ) e duais (d ) podem ser calculados como mostrado nas
Equaes (3.14) e (3.15), respectivamente:
n o
kp = min 1, kp (3.14)
n o
kd = min 1, kd (3.15)
em que:
xk

kp = min ik
dxik <0 dxi
sk

kd = min ik
dski <0 dsi
Para garantir que x e s continuem interiores utiliza-se (0, 1). Um valor tpico utilizado
na literatura = 0, 9995. O pseudocdigo que resume o MPIPD Afim-Escala aplicado a PL
apresentado no Algoritmo 1 (24, 25, 26, 27).
Algoritmo 1: Mtodo de Pontos Interiores Primal-Dual Afim-Escala para Programao

Linear
Entrada: (x0 ,s0 ,0 ) interiores e (0,1)
1 para k=0,1,2,..., faa
2 r1k = b Axk ;
3 r2k = c AT k sk ;
4 r3k = X k Sk e;
5 Dk = (X k )1 Sk ;
6 dk = [A(Dk )1 AT ]1 [r1k + A(Dk )1 r2k A(Dk )1 (X k )1 r3k ];
7 dxk = (Dk )1 [AT dk r2k + (X k )1 r3k ];
8 dsk = (X k )1 [r3k Sk dxk ];
xk
n o
9 kp = min dxi k , dxik < 0 ;
i o
ski
n
10
k
d = min dsk , dski < 0 ;
i
kp = min 1, kp ;

11
kd = min 1, kd ;

12
13 xk+1 = xk + kp dxk ;
14 k+1 = k + kd dk ;
15 sk+1 = sk + kd dsk ;
16 fim
3.3.2 Mtodo Primal-Dual Seguidor de Caminho

Na maioria das vezes, o MPIPD Afim Escala no obtm bons resultados devido veloci-
dade com que os pontos (x, s) se aproximam de seus limites, ou seja, de zero. Consequentemente,
as direes calculadas nessas condies so muito distorcidas, pois o valor de alguns pares xi si
se torna prximo de zero rapidamente, fazendo com que o mtodo progrida muito lentamente,
podendo, inclusive, no convergir. Para evitar essa dificuldade, acrescentada uma perturbao
condio de complementaridade (28):
r3k = k e X k Sk e
O valor de definido como na Equao (3.16). Na sua formulao, o valor de n

corresponde dimenso do vetor x, o parmetro de centragem e o gap.
k
k = (3.16)
n
em que:
k = (xk )T sk
1
=
n
O pseudocdigo que resume o MPIPD Seguidor de Caminho aplicado a PL apresentado
no Algoritmo 2 (24, 25, 26, 27).
Algoritmo 2: Mtodo de Pontos Interiores Primal-Dual Seguidor de Caminho para Progra-

mao Linear
1
Entrada: (x0 ,s0 ,0 ) interiores, (0,1) e = n
1 para k=0,1,2,..., faa
2 k = (xk )T sk ;
k
3 k = n ;
4 r1k = b Axk ;
5 r2k = c AT k sk ;
6 r3k = k e X k Sk e;
7 Dk = (X k )1 Sk ;
9 dxk = (Dk )1 [AT dk r2k + (X k )1 r3k ];
10 dsk = (X k )1 [r3k Sk dxk ];
xik
n o
11
k
p = min dxk , dxik < 0 ;
i o
ski
n
12 d = min dsk , dski < 0 ;
k
i
kp = min 1, kp ;

13
kd = min 1, kd ;

14
15 xk+1 = xk + kp dxk ;
16 k+1 = k + kd dk ;
17 sk+1 = sk + kd dsk ;
18 fim
3.3.3 Mtodo Primal-Dual Preditor-Corretor

O mtodo Preditor-Corretor desenvolvido por Mehrotra (30) consiste em utilizar uma
direo que contempla trs componentes:
Direo afim-escala (direo preditora ou de Newton);
Direo de centragem, cujo tamanho determinado pela perturbao ;
Direo de correo, que compensa a aproximao linear do MN.
Ao calcular a direo preditora ( = 0), verifica-se o progresso do mtodo ao longo desta

direo. Se o progresso for grande, a perturbao pequena. Caso contrrio, conveniente
aumentar o peso da direo de centragem, tal que a perturbao seja grande.
Uma vez que uma segunda direo calculada, tambm calcula-se a correo no-linear
utilizando o mesmo Jacobiano, para que o esforo computacional por iterao no duplique.
d,
Calculando a direo de predio (dx, ds)
no ponto (x, , s), tem-se:
1

dx A 0 0 r1

d = 0 AT I r2

ds S 0 X r3
s):
Considerando = 1, encontra-se (x, ,

x x + dx

= + d
s
s + ds
d,
Calculando a direo de correo (dx, ds) s):
no ponto (x, ,
1

dx A 0 0 r1

d = 0 AT I r2

ds S 0 X r3
Aqui preciso aproximar o sistema substituindo x por x e s por s na matriz, afim de se

obter a mesma matriz com os pontos iniciais, e calcular r1 , r2 e r3 :
= r1 r1 = 0
r1 = b A(x + dx)
(s + ds)
r2 = c AT ( + d) = r2 r2 = 0
T (s + ds)
r3 = (x + dx) = r3 r3 + DxDse = DxDse
sendo Dx = diag(dx) e Ds = diag(ds). Logo em seguida acrescenta-se a perturbao (que

definir a direo de centragem) a r3 :
1

dx A 0 0 0

d = 0 AT I 0

ds S 0 X e DxDse
importante destacar que para acelerar a convergncia do mtodo so definidos os

seguintes parmetros (30):

3
, se 1

=
, se < 1

n
= xT s

= (x + p dx)(s
+ d ds)
A direo final escolhida do MPIPD Preditor-Corretor a partir de (x, , s) dada pela

d,
soma de (dx, ds)
com (dx, d,
ds),
como definido no Sistema (3.17):
+ dx

A 0 0 dx r1

0 AT I d + d = r2 (3.17)

S 0 X + ds
ds r3 + e DxDse
O mtodo Preditor-Corretor necessita de um processamento computacional maior, se

comparado com os outros dois mtodos, mas o mesmo ganha com um nmero de iteraes
menor.
O pseudocdigo que resume o MPIPD Preditor-Corretor aplicado a PL apresentado no
Algoritmo 3 (24, 25, 26, 27).
3.3.4 Ponto Inicial e Critrio de Convergncia

Para a utilizao do MPI com sucesso preciso estabelecer um ponto inicial que esteja
dentro dos limites impostos pelo problema e o critrio de convergncia.
No trabalho de Mehrotra (30) descrita a sensibilidade do MPIPD Preditor-Corretor com
relao a escolha dos pontos iniciais. Os valores de x e s no podem ser prximos da fronteira da
regio factvel (vivel). O ponto inicial primal x pode ser definido como na Equao (3.18):
x0 = max{x, 2 } (3.18)
em que:
||b||1
2 = max min{x}, 1 ,
1 ||A||1
x = AT (AAT )1 b
1 > 0
O valor de 1 deve ser suficientemente grande para que x inicie longe da fronteira da
regio factvel. Geralmente utiliza-se 1 = 100. Os pontos iniciais duais e s so definidos como
nas Equaes (3.19) e (3.20), respectivamente:
0 = 0 (3.19)

c + 3 ,
c0
0
s = c , c 3 (3.20)

, 3 < c < 0

3
em que:
3 = 1 + ||c||1
Algoritmo 3: Mtodo de Pontos Interiores Primal-Dual Preditor-Corretor para Programa-

o Linear
1 para k=0,1,2,..., faa
2 r1k = b Axk ;
3 r2k = c AT k sk ;
4 r3k = X k Sk e;
5 Dk = (X k )1 Sk ;
7 dx k = (Dk )1 [AT d k rk + (X k )1 rk ];
2 3
8 ds k = (X k )1 [rk Sk dx k ];
3 o
xik
n
9
k
p = min dx k<0;
, dx
k i
i
n
s k o
10 kd = min dsi k , ds k<0;
i
i
k k

11 p = min 1, p ;
kd = min 1, kd ;

12
13 k = (xk )T sk ;
14 k )(sk + k ds
k = (xk + kp dx k );
d
15 se k 1 ento
k 3
16 k = k ;
17 seno
k
18 k =
n
;
19 fim
k
20 k = n ;
21 r4k = r3k + k e Dxk Dsk e ;
22 dk = r3k + k e Dxk Dsk e;
23 dxk = (Dk )1 [AT dk + r2k + (X k )1 r4k ];
24 dsk = (X k )1 [r4k Sk dxk ];
xik
n o
25 p = min dxk , dxik < 0 ;
k
i o
ski
n
26 d = min dsk , dski < 0 ;
k
i
kp = min 1, kp ;

27
kd = min 1, kd ;

28
29 xk+1 = xk + kp dxk ;
30 k+1 = k + kd dk ;
31 sk+1 = sk + kd dsk ;
32 fim
Dessa forma, os pontos iniciais utilizados costumam reduzir o nmero de iteraes

necessrias para a convergncia do mtodo.
O critrio que define a convergncia baseado nas condies de otimalidade. Assim,
diz-se que o mtodo convergiu se satisfizer as seguintes condies (28):
Factibilidade Primal:
||b Ax||

||b|| + 1
Factibilidade Dual:
||c AT + s||

||c|| + 1
Complementaridade:
||cT x bT ||

||cT x|| + ||bT || + 1
em que geralmente tem o valor de 105 .
3.4 Extenso do Mtodo de Pontos Interiores para o Problema

de Programao Quadrtica
A Programao Quadrtica classe de problemas mais simples na rea de Otimizao
no-linear. Esse tipo de programao tem o objetivo de minimizar ou maximizar uma funo
quadrtica sujeita a restries lineares. A mesma abordada neste trabalho por ser utilizada para
a resoluo do problema de FPO. Neste caso, o problema primal na forma padro escrito como
na Equao (3.21):
1
Min cT x + xT Qx
2
s.a: Ax = b (3.21)
x0
em que Q Rnn e simtrica definida positiva. No problema de FPO a matriz Q diagonal e
essa hiptese ser assumida a partir de agora.
A partir da formulao primal dada em (3.21), possvel escrever o problema dual como
em (3.22):
1
Max bT xT Qx
2
T
s.a: A Qx + s = c (3.22)
(x, s) 0
De posse das formulaes primal (3.21) e dual (3.22) do problema, obtm-se as condies
de otimalidade de KKT:
Factibilidade Primal: Ax b = 0 , x 0
Factibilidade Dual: AT Qx + s c = 0 , (x, s) 0, livre
Complementaridade: XSe = 0
Aplicando o MN s condies de otimalidade, obtm-se a frmula geral (3.23) para

encontrar a direo de busca do MPIPD para a PNLQ:
1 k k
A 0 0 r1 dx
k T I r2 = dk
k
d = Q A (3.23)

Sk 0 Xk r3k dsk
em que:
r1k = b Axk
r2k = c AT k + Qxk sk
r3k = k e X k Sk e
Pelo fato de as variveis primais aparecem no conjunto de restries do problema dual,

considera-se a utilizao do mesmo tamanho de passo para atualizao das variveis primais e
duais (o menor deles), como mostrado na Equao (3.24):
n o
k = min 1, kp , kd (3.24)
O pseudocdigo que resume o MPIPD Preditor-Corretor aplicado a PNLQ apresentado

no Algoritmo 4 (24, 25, 26, 27).
3.5 Modelo Linearizado do Fluxo de Potncia timo

Visando a melhor compreenso de cada etapa do processo de construo do modelo
linearizado do FPO e de sua estrutura matricial, optou-se por utilizar um exemplo de sistema
eltrico, conforme pode ser visto na Figura 3.2.
Considerando o grafo que representa o sistema da Figura 3.2, dizemos que os ns so as
barras, e os arcos so as linhas de transmisso. Assim, este sistema possui um nmero de ns (m)
igual a 8, um nmero de arcos (k) igual a 10, e um nmero de barras de gerao (g) igual a 2. As
variveis de deciso do problema sero os vetores p e f , onde p representa o vetor (g 1) de
gerao de potncia ativa em cada barra de gerao e f representa o vetor (k 1) de fluxo de
potncia ativa.
A 1a Lei de Kirchhoff, ou lei dos ns, expressa o balano de potncia entre os ns, isto ,
a quantidade de potncia que entra ou produzida em cada n deve ser igual a potncia que sai
Fonte:Adaptada de Lima (24)
Figura 3.2 Exemplo de sistema eltrico.
ou consumida. Ao aplicar essa lei no sistema da Figura 3.2, esta relao pode ser escrita como
descrito na Equao (3.25):
Df = Epl (3.25)
em que D representa a matriz (m k) de incidncia da rede, E representa a matriz (m g)

formada por vetores cannicos correspondentes s barras de gerao, e l representa o vetor
(m 1) de demanda em cada barra de carga.
A representao da 1a Lei de Kirchhoff para o exemplo do sistema eltrico pode ser vista
na Figura 3.3. O sentido do fluxo escolhido de forma aleatria.
Para esse exemplo so encontrados os seguintes valores para D e E:

1 1 0 0 0 0 0 0 0 0

1 0 1 1 0 0 0 0 0 0

0
0 1 0 1 1 0 0 0 0

0 0 0 1 1 0 0 0 0 0
D=
0
0 0 0 0 0 0 0 1 1

0 1 0 0 0 0 0 1 1 0

0
0 0 0 0 0 1 1 0 1

0 0 0 0 0 1 1 0 0 0
" #T
1 0 0 0 0 0 0 0
E=
0 1 0 0 0 0 0 0
Fonte: Adaptade de Lima (24)
Figura 3.3 Representao da 1a Lei de Kirchhoff para o Exemplo do Sistema Eltrico.
Alm do atendimento da demanda, preciso levar em considerao a 2a Lei de Kirchhoff,

ou das malhas, onde a soma das tenses em cada um dos percursos fechados existentes na rede
eltrica deve ser igual a zero, conforme exibido na Equao (3.26):
Tf =0 (3.26)
em que T a matriz ((k m + 1) k) de reatncia da rede.

A representao da 2a Lei de Kirchhoff para o exemplo de sistema eltrico pode ser vista
na Figura 3.4. Nesse trabalho a malha percorrida no sentido horrio.
Para esse exemplo encontrado o seguinte valor para T :

x1 x2 x3 0 0 x6 x7 x8 0 0
T = 0 0 x3 x4 x5 0 0 0 0 0

0 0 0 0 0 0 0 x8 x9 x10
Alm disso, preciso considerar as restries de limites da capacidade de transmisso de

energia eltrica, e de gerao, representadas pelas Inequaes (3.27) e (3.28), respectivamente:
f Min f f Max (3.27)
pMin p pMax (3.28)

Fonte: Adaptada de Lima (24)
Figura 3.4 Representao da 2a Lei de Kirchhoff para o Exemplo do Sistema Eltrico.
em que f Min e f Max representam os vetores de limites da capacidade de transmisso das linhas,
e pMin e pMax representam os vetores de limites de gerao.
A funo-objetivo que fornecer o critrio para a determinao dos valores timos dos
fluxos de potncia f e dos valores de gerao p expressa como uma ponderao entre os dois
objetivos. A formulao dessa funo pode ser vista na Expresso (3.29):
f T R f + pT Qp + vT p

(3.29)
em que f T R f representa a parcela referente ao valor econmico das perdas na transmisso,

pT Qp + vT p representa a parcela referente ao custo de gerao, R a matriz diagonal (k k)
das resistncias das linhas, Q a matriz diagonal (g g) da componente quadrtica do custo de
gerao, e v o vetor (g 1) da componente linear do custo de gerao. Estes custos de gerao
modelam o custo do combustvel para as usinas termeltricas, como visto no Captulo 2.
As ponderaes e dos objetivos a minimizar devem ser aferidas de forma a levar
em considerao a diferena de unidades entre os objetivos. Porm, nesse trabalho as perdas
na transmisso sero desconsideradas, fazendo com que na implementao do modelo = 0 e
= 1.
Assim, o modelo matemtico do problema linearizado de FPO a ser considerado dado
pela Formulao (3.30):
Min f T R f + pT Qp + vT p

s.a: Df = Epl
Tf =0 (3.30)
f Min f f Max
pMin p pMax
3.6 Formulao do Problema Primal

Para simplificar o desenvolvimento da formulao do Problema Primal, as seguintes
alteraes sero feitas no modelo matemtico com objetivo dos limites inferiores serem iguais a
zero:
f = f f Min = f = f + f Min
p = p pMin = p = p + pMin
fMax = f Max f Min = f Max = fMax + f Min
pMax = pMax pMin = pMax = pMax + pMin
Com estas alteraes realizadas, o modelo matemtico descrito na formulao (3.30) se

torna o seguinte:
Min ( f + f Min )T R( f + f Min ) + ( p + pMin )T Q( p + pMin ) + vT ( p + pMin )

s.a: D( f + f Min ) = E( p + pMin ) l

T ( f + f Min ) = 0
0 f + f Min fMax + f Min
0 p + pMin pMax + pMin
preciso acrescentar as variveis de folga (s p e s f ) ao problema, para retirar as desigual-

dades nas restries, e o mesmo fique na forma padro:
h i
Min f R f + c f f + pT Q p + cTp p
T T

s.a: D f E p = l1
T f = l2
f + s f = fMax
p + s p = pMax
( f, p, s p , s f ) 0
em que:
cTf = 2( f Min )T R
cTp = 2(pMin )T Q + vT
l1 = E pMin D f Min l
l2 = T f Min
Os termos ( f Min )T R f Min e (pMin )T QpMin foram temporariamente desconsiderados da

funo objetivo por se tratarem de constantes. No final, sero acrescentados funo objetivo.
Parte das restries do problema pode ser colocada na forma matricial, com o objetivo
de facilitar o desenvolvimento da formulao do Problema Primal:
" # " # " #
D E l1
B= E = l =
T 0 l2
Assim, os dois primeiros conjuntos de restries podem ser escritos como:

" #" # " # " #
D E f l1 h i f
= l

= = B E
T 0 p l2 p
Eliminando os tils para simplificar a notao, o Problema Primal na forma padro fica
como mostrado na Formulao (3.31):
Min f T R f + cTf f + pT Qp + cTp p

s.a: B f E p = l
f + s f = f Max (3.31)
p + s p = pMax
( f , p, s f , s p ) 0
3.7 Formulao do Problema Dual

Para facilitar o desenvolvimento da formulao do Problema Dual, primeiramente
escrito o sistema de restries do Problema Primal, encontrado anteriormente na Seo 3.6, na
forma matricial:
f
l

B E 0 0
p Max
I 0 I 0 s = f

f
0 I 0 I pMax
sp
Assim, a forma matricial para o sistema de restries do Problema Dual ser:

BT I 0 (c f + R f )

E 0 I (c p + Qp)
0 I 0 f

0

p
0 0 I 0
Dessa forma possvel escrever o Problema Dual como na Formulao (3.32):
Max lT + ( f Max )T f + (pMax )T p f T R f pT Qp

s.a: BT + f R f c f
E T + p Qp c p (3.32)
( f , p ) 0
livre
Acrescentando as variveis de folga z f e z p , e modificando as variveis:
f = w f p = w p
tem-se o Problema Dual na forma padro como descrito na Formulao (3.33):
Max lT ( f Max )T w f (pMax )T w p f T R f pT Qp

s.a: BT w f + z f R f = c f
E T w p + z p Qp = c p (3.33)
(w f , w p , z f , z p ) 0
livre
3.8 Condies de Otimalidade

As condies de otimalidade de KKT so dadas pela factibilidade primal, dual e pelas
condies de complementaridade:

B f E p = l

f + s = f Max

f
Factibilidade Primal:

p + s p = pMax

( f , p, s , s ) 0

f p

BT w f + z f R f = c f

Factibilidade Dual: E T w p + z p Qp = c p

(w , w , z , z ) 0

f p f p

FZ f e = e

PZ e = e
p
Complementaridade:

S f W f e = e

S W e = e
p p
em que as variveis F, P, Z f , Z p , S f , S p , W f e Wp so da forma diag( f ), diag(p), diag(z f ),

diag(z p ), diag(s f ), diag(s p ), diag(w f ) e diag(w p ), respectivamente.
3.9 Aplicao do Mtodo de Newton

Seja o problema de FPO com a formulao Primal e Dual dada por (3.31) e (3.33),
respectivamente, e as condies de otimalidade de KKT definidas pela funo:
B f E p l

f + s f f Max

p + sp p Max

T
B w f + z f R f c f

T
E w p + z p Qp c p =
F( f , p, s f , s p , , z f , w f , z p , w p ) =
FZ f e e

PZ p e e

S f W f e e

S pWp e e
l B f + E p

r1
f Max f s f r2

pMax p s p

r3

c f BT + w f z f + R f r4

c p + E T + w p z p + Qp =
r5

e FZ f e r6

e PZ p e

r7

e S f W f e r8

e S pWp e r9
aplica-se o MN considerando um ponto inicial ( f 0 , p0 , s0f , s0p , 0 , z0f , w0f , z0p , w0p ):
( f 1 , p1 , s1f , s1p , 1 , z1f , w1f , z1p , w1p ) = ( f 0 , p0 , s0f , s0p , 0 , z0f , w0f , z0p , w0p )
[J( f 0 , p0 , s0f , s0p , 0 , z0f , w0f , z0p , w0p )]1 F( f 0 , p0 , s0f , s0p , 0 , z0f , w0f , z0p , w0p )
em que a matriz Jacobiana J definida por:

B E 0 0 0 0 0 0 0
I 0 I 0 0 0 0 0 0

0 I 0 I 0 0 0 0 0

R

0 0 0 B T I I 0 0

J( f , p, s f , s p , , z f , w f , z p , w p ) = 0 R 0 0 E T 0 0 I I

Zf 0 0 0 0 F 0 0 0

0 Z p 0 0 0 0 0 P 0

0 0 Wf 0 0 0 Sf 0 0

0 0 0 Wp 0 0 0 0 Sp
Assim, possvel descrever a frmula geral (3.34) para encontrar a direo de busca no
MPIPD aplicado ao problema de FPO:
1 k
d fk B E 0 0 0 0 0 0 0 r1
k 0 0 0 0 0 0 0 r2
k
dp I I

dsk 0 I 0 I 0 0 0 0 0 rk
f 3
BT
k
ds p R 0 0 0 I I 0 0 r4k

dk = 0 R 0 0 E T 0 0 I I rk (3.34)
5
k k 0 0 0 0 k k
0 0 0 r6
dz f Z f F

dwk 0 Z k 0 0 0 0 0 P k 0 rk
f p 7
k
0 0 W k 0 0 0 S k 0 0
k
dz p f f r8
dwkp 0 0 0 Wpk 0 0 0 0 Skp r9k

Neste captulo foram apresentados os conceitos bsicos do MPIPD e suas variaes. O
desenvolvimento do mtodo foi aplicado na PL e na PNLQ com o objetivo de dar uma viso
geral sobre a tcnica de otimizao.
Alm disso, foi mostrado como se modela linearmente o problema de FPO atravs da
ponderao entre dois objetivos, de tal forma que o problema encontre os valores timos dos
fluxos de potncia e de gerao. importante destacar que, a partir da desconsiderao das
perdas de transmisso, a formulao do FPO se torna a mesma que a mostrada na Equao
(2.1) para a modelagem do custo operativo das termeltricas, ou seja, o MPIPD ir realizar
o DE das mquinas considerando as restries de balano de potncia, limite de gerao das
unidades e capacidade do sistema de transmisso. As outras restries do problema da PDO
sero verificadas atravs do AG.
Este captulo tambm apresentou a metodologia para a resoluo do problema de FPO
linearizado atravs do MPIPD. A partir da mesma, a aplicao do mtodo Preditor-Corretor pode
ser feita encontrando uma direo que contenha as componentes Direo Afim-Escala, Direo
de Centragem e Direo de Correo.
No prximo captulo ser apresentada a reviso bibliogrfica feita para o desenvolvimento
deste trabalho.
Algoritmo 4: Mtodo de Pontos Interiores Primal-Dual Preditor-Corretor para Programa-

o Quadrtica
1 para k=0,1,2,..., faa
2 r1k = b Axk ;
3 r2k = c AT k sk + Qxk ;
4 r3k = X k Sk e;
5 Dk = Q + (X k )1 Sk ;
7 dx k = (Dk )1 [AT d k rk + (X k )1 rk ];
2 3
8 ds k = (X k )1 [rk Sk dx k ];
3 o
xik
n
9
k
p = min dx k<0;
, dx
k i
i o
n
s k
10 kd = min dsi k , ds k<0;
i
i
k k

11 p = min 1, p ;
kd = min 1, kd ;

12
k = min 1, kp , kd ;

13
14 k = (xk )T sk ;
15 k = (xk + k dx k )(sk + k ds k );
16 se k 1 ento
k 3
17 k = k ;
18 seno
k
19 k =
n
;
20 fim
k
21 k = n ;
22 r4k = r3k + k e Dxk Dsk e ;
23 dk = r3k + k e Dxk Dsk e;
24 dxk = (Dk )1 [AT dk + r2k + (X k )1 r4k ];
25 dsk = (X k )1 [r4k Sk dxk ];
xik
n o
26 p = min dxk , dxik < 0 ;
k
i o
ski
n
27
k
d = min dsk , dski < 0 ;
i
kp = min 1, kp ;

28
kd = min 1, kd ;

29
k = min 1, kp , kd ;

30
31 xk+1 = xk + k dxk ;
32 k+1 = k + k dk ;
33 sk+1 = sk + k dsk ;
34 fim
4 Reviso Bibliogrfica
Nos ltimos anos os problemas de AUGT e DE tm sido bastante estudados ao redor do

mundo, motivado pelo aperfeioamento das tcnicas de otimizao para aplicao em pesquisas
acadmicas e indstrias. Uma tcnica de otimizao eficaz deve ser capaz de fornecer um
conjunto de solues factveis com flexibilidade e facilidade de adaptao a novas situaes.
Todas estas caractersticas muitas vezes so mais desejveis do que apenas uma soluo tima.
Com o objetivo de satisfazer essas condies, neste trabalho fez-se uma ampla investi-
gao na literatura para apresentar uma metodologia de busca a partir das variaes existentes
do AG, proposto inicialmente nos trabalhos de Holland (31) e Goldberg (32), para resoluo do
problema de AUGT, e das variaes do MPI, proposto a partir do trabalho Karmarkar (22), para
resoluo do problema de DE.
O problema de DE teve incio em 1922, quando os engenheiros estavam preocupados
em dividir de forma eficiente o montante de energia gerada por cada gerador para suprir a
demanda do sistema. Destaca-se o trabalho de Happ (33) que fez uma pesquisa minuciosa sobre
os primeiros trabalhos publicados. Nesses trabalhos so levadas em considerao as restries
de balano de potncia, limite de gerao das UGs e reserva girante. Essa ltima restrio
proporciona uma folga em relao ao limite mximo de gerao de energia das UGs. Dessa
forma as solues encontradas passaram a planejar a ocorrncia de algumas contingncias como,
por exemplo, a perda de uma UG ou aumento de carga.
Considerando apenas o problema de DE, diferentes mtodos de soluo tm sido extensi-
vamente estudados. Tradicionalmente so usados os mtodos de Programao Quadrtica (34),
de Funo Quadrtica Definida em Trechos (35), Projeo do Gradiente (36) e Programao
Dinmica (37). O trabalho de Wong e Fung (38) introduziu as meta-heursticas para resolver o
problema de DE aplicando a tcnica de Simulated Annealing. Posteriormente, outras tcnicas
como a de Algoritmo Gentico (39), Colnia de Formigas (40) e Enxame de Partculas (41)
foram utilizadas. Vrias dessas tcnicas foram comparadas no trabalho de Jeronymo (42).
A partir do trabalho de Carpentier (43) o problema de DE teve a possibilidade de
ser estudado como um problema de FPO junto com a restrio de capacidade do sistema de
transmisso. A considerao do modelo linear para o FPO veio a partir do trabalho de Carvalho,
Soares e Ohishi (10), proporcionando maior simplicidade com grau de preciso dos resultados
satisfatrio, e teve como consequncia a aplicao do MPI, como descrito no trabalho de Oliveira
e Filho (11).
O problema de alocao de UGs comeou a ser resolvido nos trabalhos de Kerr et al.
(44) e Hara, Kimura e Honda (45) pela tcnica de busca exaustiva. Por se tratar de um problema
de grande escala, vrias tcnicas de busca so aplicadas para tentar resolv-lo. Destacam-se
61
Captulo 4. Reviso Bibliogrfica 62
a Programao Dinmica (46), a Relaxao Lagrangeana (47), o Branch-and-Bound (48) e a

Lista de Prioridade (49), alm de diversas meta-heursticas como o Simulated Annealing (50), o
Algoritmo Gentico (51), a Colnia de Formigas (52) e o Enxame de Partculas (53).
Todas essas tcnicas utilizadas para o problema de DE e AUGT, e outras hbridas, so
registradas nas revises de Shebl e Fahd (54), Sen e Kothari (55), Padhy (56), Yamin (57),
Soliman e Mantawy (58), Saravanan et al. (59) e Ongsakul e Dieu (60).
Os efeitos das restries de rampa e do tempo mnimo de permanncia e sada de
operao das mquinas foram descritas pela primeira vez no problema de AUGT em Wang e
Shahidehpour (61) e foram detalhadas na dissertao de Lpez (20).
Os trabalhos de Senjyu et al. (62) e Swarup e Yamashiro (63) comearam a codificar
cada indivduo do AG de forma matricial, de tal forma que o mesmo pode trazer as informaes
de quantas mquinas o problema possui, perodo de anlise, qual o seu estado (online ou offline)
e mostrar de forma mais clara como o processo se comporta a medida que as geraes vo
avanando.
Com base na representao matricial, o trabalho de Damousis, Bakirtzis e Dokopoulos
(64) faz a codificao dos indivduos atravs de nmeros inteiros. A ideia nessa tcnica
representar o indivduo atravs de vetores, onde cada posio ser uma coluna da matriz de
alocao convertida de binrio para um nmero inteiro. Essa metodologia promove maior
agilidade, alm de tornar uma populao completa de indivduos mais fcil de ser analisada.
Porm, preciso destacar que essa tcnica no se torna vivel em casos onde h muitas UGs. Por
exemplo, em um sistema que possui 50 UGs, o nmero inteiro que vai representar a alocao das
mquinas em uma determinada hora pode variar de 0 a (250 1), o que pode no ser interessante
j que a maioria das ferramentas computacionais no conseguem armazenar valores to grandes
para nmeros inteiros.
A grande sensibilidade da matriz de alocao pode trazer um pssimo desempenho no
uso das tcnicas clssicas de cross-over e de mutao, principalmente devido restrio de
tempo mnimo de permanncia e sada de operao das mquinas. No trabalho de Pavez-Lazo
e Soto-Cartes (13) proposta uma tcnica de uso do cross-over em que a troca da informao
gentica realizada de forma anelar. Essa tcnica foi replicada na presente dissertao e, de
forma semelhante, sua metodologia foi utilizada para resolver o problema da sensibilidade
relacionado mutao.
Alm dessa tcnica, o ltimo estgio para tentar buscar uma soluo ainda melhor foi
baseado no trabalho de Valenzuela e Smith (14), que mostra a eficcia das tcnicas 1-OPT e
2-OPT para a busca local. Essa tcnica foi aplicada por Croes (65) no Problema do Caixeiro
Viajante, onde demonstrado que possvel sair de mnimos locais atravs da aplicao de
pequenas excitaes, na tentativa de achar melhores respostas na vizinhana do ponto onde
a busca est presa. Desta forma, o AG utilizado no presente trabalho tem caracterstica de
Captulo 4. Reviso Bibliogrfica 63
Algoritmo Memtico pois utiliza outra tcnica para a busca local.

Os trabalhos de Lima (24), Probst (25), Coelho (26), Casacio (27) e Kleina (66) mostram
como o MPI e suas derivaes tm respostas bastante eficazes para aplicao no problema de
DE quando acrescentada a restrio de capacidade do sistema de transmisso.
A dificuldade de achar sistemas testes que contenham todas as restries do problema
levou a necessidade de, em alguns casos, utilizar mais de uma referncia para agrupar as
restries. Os sistemas testes com as caractersticas das UGs e das linhas de transmisso foram
retiradas dos trabalhos de Wang et al. (8), Wang e Shahidehpour (61), Ma, Shahidehpour e
Marwali (67), Ma e Shahidehpour (68).
Assim, o presente trabalho se justifica pelo que foi, at aqui, apresentado e pela necessi-
dade de promover novas tcnicas para melhorar o desempenho das estratgias de busca.
A reviso bibliogrfica realizada mostra que por um lado o algoritmo pode ser simples e
rpido, mas acabam encontrado solues que ficam presas em timos locais de baixa qualidade
(longe do timo global), e por outro lado tm-se algoritmos complexos e lentos, mas que
apresentam solues de alta qualidade (prximo ao timo global). Nos trabalhos pesquisados
destacam-se o uso do AG nos problemas de busca em larga escala envolvendo a AUGT e, da
mesma forma, o uso do MPI para resoluo do DE com bastante eficincia. Porm, importante
destacar que tanto a restrio de rampa quanto a restrio de capacidade do sistema de transmisso
so fortemente negligenciadas nesses problemas, de tal forma que so poucos os trabalhos que
trazem as duas restries juntas. Com isso, a pesquisa realizada mostra que a modelagem mais
precisa do problema tem grande importncia devido a sua proximidade com o problema real, e
tanto o AG quanto o MPI so excelentes tcnicas para encontrar solues de qualidade.
No prximo captulo sero estudados os conceitos bsicos de AG.
5 Algoritmos Genticos
O interesse humano pelo desenvolvimento de processos de imitao da natureza pro-

porcionou o surgimento de tcnicas de Inteligncia Artificial capazes de reproduzir sistemas
computacionais inspirados na natureza. Pesquisas utilizando essas tcnicas tm sido amplamente
intensificadas ao longo das ltimas dcadas, gerando ferramentas poderosas para soluo de
problemas dos dias atuais.
Uma das tcnicas heursticas mais frequentemente utilizadas em aplicaes da engenharia
so os Algoritmos Genticos. Essa ferramenta usa um modelo computacional que simula os
processos naturais de evoluo (seleo, reproduo e mutao) para solucionar problemas de
busca de forma eficiente varrendo o espao de solues at encontrar uma soluo prxima da
tima (12, 69, 70).
O primeiro trabalho de destaque utilizando o AG foi publicado em 1975 por Holland
(31). A metodologia foi desenvolvida com mais detalhes por Goldberg (32), que promoveu a
aplicao do AG em problemas de busca, otimizao e aprendizagem de mquina.
O AG possui uma estrutura bsica que segue o seguinte padro: um conjunto de solues,
denominado populao, criado aleatoriamente para se iniciar o algoritmo. Cada indivduo desta
populao representado por um cromossomo (string de valores) e ter a codificao de uma
possvel soluo do problema. Esta populao avaliada a cada iterao atravs da funo de
avaliao do indivduo (fitness), tratando o objetivo do problema a ser otimizado. Depois disto,
so selecionados alguns indivduos de acordo com algum critrio proposto no algoritmo. Por
exemplo, em algoritmos tradicionais, os que possuem melhor fitness tm maior probabilidade
de serem selecionados para que sejam modificados atravs de operadores genticos (cross-over
e mutao). Com isto, gerado um novo conjunto de solues candidatas que so avaliadas
e geram novos descendentes. Dessa forma, o ciclo se mantm at que seja encontrada uma
condio de parada satisfatria. Na Figura 5.1 ilustrado o fluxograma de todo o processo
descrito da estrutura bsica do AG.
Neste captulo sero apresentados conceitos bsicos sobre AGs para prover um melhor
entendimento do algoritmo proposto nesta dissertao. O texto apresentado tem como referncia
a literatura de Goldberg (32), Linden (12), Mitchell (69) e Haupt e Haupt (70).
5.1 Codificao dos Indivduos

O mecanismo de codificao tem uma importncia vital no AG, pois a forma como o
indivduo codificado pode facilitar o processo de busca ou dificultar o mesmo. O AG codifica as
solues de um problema atravs de valores binrios, inteiros ou reais, que iro trazer informaes
64
Captulo 5. Algoritmos Genticos 65
Figura 5.1 Fluxograma da estrutura bsica do AG.
sobre determinadas caractersticas do indivduo. Essas informaes genticas so armazenadas

em forma de vetor ou matriz. Alm disso, as particularidades de cada problema podem ser
consideradas na codificao, evitando que a gerao de dados aleatrios no algoritmo fornea
muitas solues inviveis, dificultando a convergncia (12). A seguir a Figura 5.2 exemplifica
dois indivduos codificados atravs de valores binrios em formato vetorial e matricial.
Figura 5.2 Indivduos com codificao binria em formato (a) Vetorial e (b) Matricial.
A representao binria historicamente importante. O trabalho de Goldberg (32) destaca

que atravs desse tipo de codificao os operadores genticos atuam com maior eficincia nos
cromossomos. Contudo, se um problema tem parmetros contnuos e o usurio desejar trabalhar

com maior preciso, provavelmente acabar utilizando longos cromossomos com representao
binria para encontrar solues, necessitando de uma grande quantidade de memria.
O conjunto de todas as configuraes que o cromossomo pode assumir forma o seu
espao de busca.
5.2 Populao Inicial

O primeiro passo para a implementao de um AG a gerao da populao inicial
composta por um nmero predefinido N de indivduos candidatos soluo do problema.
Essa populao geralmente gerada de forma aleatria, porm, dependendo da aplicao do
problema, podem existir formas heursticas de selecionar indivduos mais favorveis para formar
a populao inicial.
Em geral, importante que essa populao esteja muito bem dispersa pelo espao de
busca e que os indivduos possam ter uma boa diversidade gentica, pois o AG necessita de uma
grande diversidade de combinaes para ter um bom funcionamento.
5.3 Funo de Avaliao ou Fitness

Os AGs promovem uma forma de determinar a qualidade de um indivduo atravs de um
valor numrico associado ao seu nvel de adaptao. Esse valor obtido pela funo de avaliao
ou fitness, geralmente determinada pelo clculo da funo objetivo, levando em considerao as
restries do problema.
Cada indivduo avaliado por essa funo, a cada gerao, e recebe uma nota para o seu
desempenho. Dependendo do valor do seu fitness, o indivduo tem ou no maiores chances de
influenciar nas prximas geraes.
Uma das formas de inserir a violao das restries avaliao a penalizao, isto ,
uma rotina que verifica se as restries foram ou no violadas pela soluo que est sob avaliao.
Caso alguma restrio seja violada, uma penalizao deve ser aplicada.
Notadamente, v-se como uma prtica comum a normalizao do fitness no intervalo
[0, 1].
5.4 Elitismo
O Elitismo uma tcnica que consiste em manter pelo menos uma cpia do melhor
indivduo para a nova populao, preservando, desta forma, o material gentico de boa qualidade
com o passar das geraes.
Ao levar o melhor indivduo (indivduo elite) para a prxima gerao, garante-se que o
melhor valor de fitness encontrado nessa nova gerao ser pelo menos igual ao do indivduo
elite. Essa tcnica utilizada devido possibilidade de, durante o processo de seleo, ocorrer a
perda de indivduos com aptido alta, tornando-se, assim, muito significativa para o desempenho
do AG.
5.5 Seleo dos Pais

A seleo realizada para escolha dos indivduos Pai e Me que iro gerar os indiv-
duos descendentes, pertencentes a prxima gerao, simula o mecanismo de seleo natural. Essa
etapa feita de forma probabilstica, a partir da aptido de cada indivduo, sendo os mais aptos
os que tero maior probabilidade de serem escolhidos para aplicao dos operadores genticos,
no excluindo os pais menos aptos.
Os mtodos de seleo so utilizados para direcionar o processo do AG pelo melhor
caminho de busca. Os mais conhecidos so:
Roleta;
Ranking;
Torneio;
Amostragem estocstica Uniforme.
Cabe destacar aqui o mtodo da Roleta, proposto por Goldberg (32), pelo fato de ser
utilizado nesse trabalho. Nessa tcnica os indivduos so dispostos numa roleta onde o tamanho
da rea ocupada por cada indivduo ser proporcional ao seu fitness. Assim, o indivduo com
maior valor de fitness (mais adaptado ao ambiente) tem maior chance (maior probabilidade) de
ser selecionado. Para um melhor entendimento, na Figura 5.3 mostrado um exemplo de roleta
com cinco indivduos.
Os valores assumidos pelo fitness devem ser sempre positivos, caso contrrio deve-
se utilizar algum mecanismo de escalamento. Alm disso, a roleta deve ser girada quantas
vezes forem necessrias para obter um nmero par de indivduos requeridos para realizao do
cross-over e mutao.
5.6 Operador Cross-Over

O operador de cross-over inspirado na ideia de recombinao de material gentico
atravs da reproduo sexuada entre indivduos pais. Esse operador aplicado de forma probabi-
lstica, de modo que nem todos os pais que passaram na seleo participaro da recombinao.
Figura 5.3 Exemplo do mtodo da roleta.
Porm, os pais que forem de fato realizar o cruzamento iro gerar descendentes com caractersti-
cas genticas de ambos os genitores.
Este mtodo ajuda a propagar as caractersticas positivas dos indivduos mais aptos,
atravs da troca de informaes entre diferentes solues candidatas, para originar novas possveis
solues.
Diversos tipos de cross-over tm sido propostos na literatura. A seguir, so apresentados
os tipos mais clssicos utilizados no AG:
Cross-over de um ponto;
Cross-over de multipontos;
Cross-over Uniforme
De forma resumida, no cross-over de um ponto, um ponto do cromossomo escolhido,

de forma aleatoria, como ponto de corte, e a partir dele as informaes genticas dos pais sero
trocadas, como mostra a Figura 5.4.
O cross-over de multipontos utiliza a mesma idia que o cross-over de um ponto porm,
neste caso, vrios pontos de corte podem ser utilizados. Na Figura 5.5 mostrado um exemplo
de cross-over de multipontos.
O cross-over uniforme no utiliza a demarcao aleatria de pontos de corte e sim uma
mscara pr-estabelecida que determina quais os genes de cada cromossomo que cada filho
herdar do pai e da me. Na Figura 5.6 mostrado um exemplo de cruzamento uniforme.
Fonte: Adaptada de Neto (71)
Figura 5.4 Exemplo de cross-over de um ponto.
Figura 5.5 Exemplo de cross-over de multipontos.
Figura 5.6 Exemplo de cross-over uniforme.

5.7 Operador Mutao

A mutao induz o aumento da diversidade gentica da populao alm da renovao do
material gentico, alterando a estrutura do cromossomo e criando indivduos com propriedades
diferentes daquelas encontradas na maior parte da populao. O processo geralmente controlado
por um parmetro fixo que indica a probabilidade de um cromossomo sofrer mutao. Ela um
operador unrio cuja aplicao ocorre menos frequentemente que o cross-over.
Em termos do espao de busca, a mutao permite que o processo de busca no fique
preso em um timo local, alterando a direo de busca atravs de uma perturbao. Desta forma,
a mutao assegura que a probabilidade de se chegar a qualquer ponto do espao de busca nunca
seja nula.
Basicamente, seleciona-se uma posio num cromossomo, de forma aleatria, e muda-se
o valor do gene correspondente. Na Figura 5.7 exibido um exemplo de mutao na estrutura de
um cromossomo.
Figura 5.7 Exemplo de Mutao.
5.8 Parmetros dos Algoritmos Genticos

Existem parmetros importantes que influenciam no desempenho do AG como o tamanho
da populao, nmero de indivduos selecionados para aplicao dos operadores genticos, o
nmero de geraes e as taxas de probabilidade de cross-over e mutao.
O tamanho da populao afeta o desempenho global e a eficincia do AG por estarem
relacionados com o tamanho do espao de busca. Usualmente a literatura traz valores na faixa
de 50 a 100 indivduos para a populao. Se a populao for pequena (<< 50 indivduos), o
desempenho do AG pode no ser satisfatrio, pois ele ir convergir mais facilmente para mnimos
locais e no ir explorar suficientemente o espao de busca. Uma populao grande (>> 100
indivduos) requer um maior recurso computacional, sob pena de o AG consumir um perodo de
tempo muito maior que o esperado, prevenindo a convergncia prematura para solues locais
ao invs de globais do algoritmo.
O nmero de indivduos selecionados que iro receber a aplicao dos operadores

genticos e participar da prxima gerao depende do problema trabalhado. Esse parmetro est
relacionado com a aplicao da tcnica de Elitismo.
Outro parmetro que deve ser destacado o nmero de geraes. O valor do mesmo deve
ser escolhido de tal forma que o AG consiga equilibrar o tempo de durao da busca e a eficcia
do resultado final. A escolha errada pode ocasionar um processo de busca de curta durao com
um resultado final pouco satisfatrio, para o projetista, ou uma busca com longa durao mas
com um resultado bastante satisfatrio.
Em relao s taxas de probabilidade, na literatura os valores encontrados esto na faixa
de 60% a 95%, para o cross-over, e entre 0,1% e 5% para a mutao. No caso do cross-over,
quanto maior for a taxa, mais novas estruturas sero introduzidas na populao, aumentando a
variabilidade gentica. Se a taxa for baixa (<< 60%), a evoluo da populao tender a ficar
presa em um timo local. No caso da mutao, ao adotar uma taxa baixa evita-se que certa
posio no cromossomo fique inerte a um valor. Se essa taxa for alta (>> 5%), a busca pela
soluo tima do problema torna-se altamente aleatria.
importante destacar que outros parmetros adicionados pelo projetista, a fim de melho-
rar o desempenho do AG, podem influenciar no desempenho do algoritmo.
5.9 Critrios de Parada

Nos problemas cujo o espao de busca muito amplo, no se capaz de reconhecer o
timo global do problema devido inviabilidade de se conhecer todas as possveis solues
dentro do mesmo espao. Desse modo, necessrio estabelecer critrios de parada para o AG,
onde o mesmo s ser interrompido se um destes critrios for atendido.
No existe um critrio exato para determinar o fim do AG, variando de acordo com o
problema a ser resolvido. Os critrios mais simples e mais frequentemente empregados no AG
so os de estipular um nmero mximo de geraes, fixar um determinado nvel de diversidade
da populao e determinar um tempo mximo de processamento. Alm desses, outro critrio
bastante utilizado o da estagnao dos resultados encontrados, ou seja, parar o AG quando no
houver melhoria dos resultados depois de vrias geraes consecutivas.
5.10 Adaptabilidade
A efetividade de um AG para a resoluo de um problema diretamente ligada aos
valores utilizados pelos seus parmetros durante a sua execuo. Observa-se que depois de
um grande nmero de geraes ocorre uma convergncia gentica, o que implica na pouca
diversidade da populao, tornando extremamente interessante que o operador de mutao seja
escolhido com maior frequncia para reinserir diversidade gentica dentro dessa populao.
Uma das ideias aplicadas para encontrar o conjunto de parmetros do AG, que possa agir
de forma razoavelmente eficiente, usar tcnicas de adaptao cujos valores dos parmetros
mudaro de acordo com o progresso do algoritmo. Nos livros de Soliman e Mantawy (58) e de
Linden (12) proposta uma tcnica de mutao adaptativa que medida que as geraes vo
avanando e a populao vai ficando mais homognea, a probabilidade de ocorrncia de mutao
se torna alta, promovendo assim o aumento da variabilidade gentica dessa populao. Isso faz
com que o processo de busca no fique preso a apenas um grupo especfico de solues.
5.11 Algoritmos Memticos

Os Algoritmos Memticos so aqueles que utilizam o AG mais alguma outra tcnica de
busca local com o objetivo de o melhor indivduo da populao percorrer a funo de avaliao
na direo de um timo local. Geralmente so aplicadas pequenas perturbaes no cromossomo
do indivduo de forma a tentar melhorar sua avaliao.

Os AGs fazem parte de uma classe de algoritmos heursticos que vm sendo estudados
h alguns anos e cada vez mais esto sofrendo modificaes em relao sua concepo
original. Foram descritos neste captulo os conceitos e as caractersticas gerais dos AGs que
sero importantes para a resoluo do problema de AUGT.
Neste trabalho, optou-se pela utilizao de um AG modificado, com tcnicas diferentes
das clssicas para realizao dos operadores de cross-over e mutao, alm de aplicar uma
tcnica de adaptao para variao do parmetro de mutao.
No prximo captulo ser apresentada a metodologia proposta para resoluo do problema
de AUGT, detalhando o AG implementado e como foram realizadas modificaes para obter os
resultados esperados.
6 Formulao do Problema e Metodolo-
gia Proposta para Soluo
O problema da PDO em sistemas puramente termeltricos compreende os subproblemas

de AUGT e DE, com o objetivo de alcanar a minimizao do custo de operao dirio, con-
siderando restries relacionadas s mquinas de gerao e capacidade do sistema eltrico.
Solucionar este problema envolve determinar quais as UGTs estaro em operao durante o
perodo de anlise, e qual ser a potncia ativa fornecida pelas mesmas.
A natureza combinatria e no-linear do problema dificulta a obteno de uma soluo
tima para sistemas de grande porte, e avaliar todas as alternativas individualmente demandaria
muito tempo. Utilizando AGs possvel avaliar diversas alternativas e escolher a mais adequada
dentre as avaliadas. Para alcanar a melhor soluo, neste trabalho proposta a resoluo do
problema atravs de um AG mais eficiente que possui caractersticas modificadas da verso
clssica. Para tanto, so utilizados operadores genticos modificados, tcnicas de adaptao dos
parmetros do algoritmo e uma busca local para o auxlio de melhores solues.
O resumo do problema da PDO com a metodologia proposta para sua soluo pode ser
visto na Figura 6.1.
Figura 6.1 Resumo do problema da PDO com a metodologia proposta para soluo.
6.1 Formulao do Problema

O problema da PDO tem o objetivo de minimizar os custos totais associados operao
das UGs. A formulao desse problema dada por:
73
Captulo 6. Formulao do Problema e Metodologia Proposta para Soluo 74
NT NG
Min CT = {[a0iPi2(t) + a1iPi(t) + a2i]Ui(t) + [1 Ui(t 1)]CPiUi(t)}
t=1 i=1
s.a: Ui,k (t)Pi,k (t) Lk (t) fkm (t) = 0

mk
PiMin Pi (t) PiMax

NG NB
Ui (t)PiMax Lk (t) + PR (t)
i=1 k=1
Xion TMLi
of f
Xi TMDi
|Pi (t) Pi (t 1)| RPi
Max
| fkm (t)| fkm
em que:
CT : Custo de produo total para o perodo de anlise;
NT : Total de horas da anlise da operao;
NG : Total de unidades geradoras;
a0i , a1i , a2i : Coeficientes da funo custo da UGT i;
Pi (t) : Potncia gerada pela UGT i no tempo t;
Ui (t) : Estado da UGT i no tempo t;
CPi (t) : Custo de partida da UGT i no instante t;
Ui,k (t) : Estado da UGT i localizada na barra k no tempo t;
Pi,k (t) : Potncia gerada pela UGT i localizada na barra k no tempo t;
Lk (t) : Demanda localizada na barra k no instante t;
fkm (t) : Fluxo de potncia na linha entre as barras k e m no instante t;
k : Conjunto de de barras vizinhas barra k;
PiMin : Limite mnimo de gerao de potncia da UGT i;
PiMax : Limite mximo de gerao de potncia da UGT i;
NB : Nmero de barras do sistema;

PR (t) : Reserva girante prevista para o instante t;
Xion : Tempo que a UGT i est em operao;

of f
Xi : Tempo que a UGT i est fora de operao;
TMLi : Tempo mnimo de permanncia em operao da UGT i;
TMDi : Tempo mnimo de sada de operao da UGT i;
RPi : Variao mxima permitida de gerao de potncia da UGT i;

Max : Capacidade mxima da linha de transmisso que liga a barra k e m.
fkm
Esta modelagem mostra como o problema possui uma complexidade matemtica, onde
so encontradas variveis relacionadas com as termeltricas, com a representao da rede de
transmisso e com o estado de operao das UGs.
6.2 Metodologia Proposta para Soluo

A metodologia proposta para resoluo do problema da PDO a de usar um AG adap-
tativo para definir quais sero as mquinas que estaro em operao, realizando o DE atravs
do MPIPD Preditor-Corretor para encontrar o ponto de operao de cada mquina. A seguir
detalhado o processo.
6.2.1 Codificao
A codificao utilizada neste trabalho foi adotada para atender os requisitos exigidos
do problema. Os cromossomos do AG criado foram codificados como matrizes de dimenso
(NG NT ). Essas matrizes so preenchidas com o estado de cada unidade, sendo representado por
1 quando a UG est em operao, e por 0 caso contrrio. Na Figura 6.2 mostrada a codificao
de um cromossomo do AG proposto, aplicado a um problema que envolve 4 UGs em um perodo
de anlise de 8 horas.
6.2.2 Populao Inicial

A populao inicial do AG proposto composta por um nmero predefinido de NP
indivduos independentes que tero seus cromossomos iniciados de forma aleatria, ou seja,
cada elemento das matrizes ter um nmero binrio gerado atravs do arredondamento do valor
adquirido por uma distribuio uniforme U {0, 1}. Na Figura 6.3 representada a populao
formada por cromossomos codificados de forma matricial.
Com essa inicializao de forma aleatria, possvel obter uma boa disposio das
solues no espao de busca. Assim, os indivduos das primeiras geraes podem encontrar
Alocao de Unidades Geradoras
1 1 1 0 1 1 1 1 0
2 1 1 0 1 1 0 0 1
Unidades
3 0 1 0 0 0 1 0 0
4 0 1 0 1 0 0 1 0
1 2 3 4 5 6 7 8
Hora
Figura 6.2 Codificao de um cromossomo do AG proposto.
Figura 6.3 Representao da populao formada por cromossomos matriciais.
dificuldade para achar solues que obedeam todas as restries. Porm, com o avano do
processo de busca possvel observar que o AG consegue achar solues viveis, demonstrando
sua eficcia.
6.2.3 Funo de Avaliao ou Fitness

A avaliao de cada indivduo leva em considerao se o mesmo est obedecendo s
restries do problema. Caso isso ocorra, o indivduo ser avaliado como descrito na Equao
(6.1):
CT
f itness = (6.1)
CMax
em que CMax o custo mximo possvel para o problema da programao diria de operao.
Esse valor adquirido realizando o DE com todas as UGTs ligadas em potncia mxima, durante
todo o perodo analisado. Com esse valor possvel garantir que haver uma normalizao do
fitness.
Atravs da formulao do problema da PDO, observa-se que o CT depende do custo
operativo das mquinas que esto ligadas e do custo de partida das mesmas. Logo, o MPIPD
Preditor-Corretor ser o responsvel por fornecer DE das mquinas online atravs da resoluo
da funo quadrtica, presente na formulao, obedecendo as restries de balano de potncia,
limites de gerao e de capacidade das linhas de transmisso. Ou seja, o subproblema de DE
resolvido na seguinte passagem:
NG
Min [a0iPi2 + a1iPi + a2i]Ui
i=1
s.a: Ui,k Pi,k Lk fkm = 0

mk
PiMin Pi PiMax
Max
| fkm | fkm
Aps ser realizado o DE para todo o perodo analisado, o custo de partida adicionado ao
custo operativo das mquinas e as outras restries so verificadas. Caso essas outras restries do
problema no sejam obedecidas, a avaliao ser feita com base na quantidade de restries que
aquele indivduo conseguiu obedecer. Quanto maior o nmero de restries obedecidas, melhor
ser a avaliao do indivduo. Dessa forma, o indivduo que no obedece todas as restries tem
sua avaliao descrita pela Equao (6.2):
f itness = (CMax 0, 001NRCMax ) (6.2)
em que NR o nmero de restries obedecidas pelo indivduo.
6.2.4 Seleo e Elitismo

A tcnica de seleo utilizada no trabalho foi a da Roleta. Nessa tcnica os espaos da
roleta possuem tamanho proporcional ao valor do fitness do indivduo. Indivduos que possuem
as melhores avaliaes ocuparo uma rea maior na roleta, da mesma forma que indivduos com
valor de fitness ruim ocuparo lugares menores na roleta.
Paralelamente seleo, foi aplicada a tcnica de Elitismo para garantir que as caracte-
rsticas de alguns indivduos que tenham boa avaliao se propaguem nas prximas geraes.
Essa tcnica garante que os melhores indivduos sejam mantidos na populao com o passar das
geraes, sendo substitudos somente no caso de aparecerem indivduos melhores no decorrer do
processo de busca.
Dessa forma, a nova populao gerada ser formada em parte pelo grupo elite, de tamanho
NE , e a outra parte, de tamanho (NP NE ), pelos indivduos que foram selecionados pela Roleta
e passaram pelos operadores de cross-over e mutao, onde NE NP . Na Figura 6.4 mostrado
um exemplo da populao formada pelo grupo elite e pelos indivduos selecionados pela Roleta.
Figura 6.4 Representao da populao composta por um grupo elite.
6.2.5 Cross-Over
No problema de AUGT, as matrizes de alocao tm grande sensibilidade com relao
s restries que envolvem as variveis X on e X o f f . Com os testes feitos foi constatado que as
tcnicas clssicas de cross-over e mutao, descritas no Captulo 5, no so viveis devido
lentido do processo de busca para sair de mnimos locais ou, em alguns casos, no conseguir sair.
Para reverter esse problema, foi aplicada a tcnica anelar proposta em Pavez-Lazo e Soto-Cartes
(13) para esses operadores.
O cross-over realizado a partir de uma probabilidade de ocorrncia PC onde, primei-
ramente, so escolhidas, de forma aleatria, as unidades u1 e u2 de cada um dos indivduos
selecionados pela roleta. As duas linhas escolhidas contendo os estados operativos de cada uma
das mquinas so transformadas em um anel e logo depois so escolhidos os pontos de corte pc e
o tamanho do semi-anel ts , ambos de forma aleatria. Por fim, o cruzamento pode ser realizado.
Essa tcnica ilustrada na Figura 6.5, onde criado um anel com pc = 22, para a unidade
u1 , e outro com pc = 18, para a unidade u2 . J o tamanho do semi-anel escolhido tem o total de
9h do perodo de operao, ou seja ts = 9.
6.2.6 Mutao
A mutao aplicada no AG proposto utiliza os mesmos princpios de tratamento anelar
que foi utilizado no operador de cross-over. Embora no tenha sido aplicada em Pavez-Lazo e
Soto-Cartes (13), essa tcnica apresentou resultados melhores em relao a mutao clssica de
um ponto.
De forma semelhante ao que foi feito no operador de cross-over, a mutao realizada a
partir de uma probabilidade de ocorrncia PM . Na metodologia proposta, criado um anel com
uma linha contendo os estados operativos de uma unidade, escolhida aleatoriamente. Logo depois
escolhido o ponto de corte pc e o tamanho do semi-anel ts , ambos de forma aleatria. Nesse
Fonte: Adaptada de Pavez-Lazo e Soto-Cartes (13)
Figura 6.5 Exemplo de cross-over com tcnica anelar.
semi-anel ser verificado se a maioria dos estados possuem o valor 0 ou 1. Caso a maioria dos
valores sejam 0, a mutao provocar uma espcie de contaminao no semi-anel, modificando
todos os valores para 1 e vice-versa.
Na Figura 6.6 mostrado um exemplo do operador de mutao anelar criado, aplicado a
uma UG que tem o perodo de operao de 8h.
Figura 6.6 Exemplo de mutao com tcnica anelar.

6.2.7 Adaptabilidade
Nesse trabalho foi implementado um processo de adaptabilidade baseado nas observa-
es dos experimentos, onde foi constatada a importncia do operador de mutao em alguns
momentos do processo de busca. Por conta disso, foi utilizada uma tcnica que varia o valor de
PM de acordo com o Grau de Homogeneidade da Populao (GHP).
O GHP mede o quanto os indivduos da populao so semelhantes. A verificao do
mesmo feita a partir de uma frequncia FGHP de geraes, ou seja, analisado se o GHP
ultrapassou o limite estabelecido de homogeneidade LH de forma peridica. Caso esse limite
tenha sido ultrapassado, a probabilidade de ocorrncia do operador de mutao passa de um valor
mnimo inicial PM Min para um valor mximo PMax que ir decaindo a uma taxa T
M XM , a medida
que as geraes vo avanando, at voltar ao valor mnimo inicial.
Essa estratgia promove maior diversidade a populao, alm de evitar que o processo
possa ficar preso em um mnimo local.
6.2.8 Busca Local

A tcnica de busca local incorporada ao AG criado baseada no trabalho de Valenzuela
e Smith (14). Nesse trabalho so propostos dois tipos de busca local denominados 1 OPT e
2 OPT que so aplicados melhor soluo encontrada.
A busca do tipo 1 OPT modifica o estado de cada uma das unidades para todo o perodo
de operao analisado, ou seja, cada elemento da matriz de alocao ter seu valor alterado.
A busca do tipo 2 OPT modifica, primeiramente, o estado de duas unidades para cada hora,
e, posteriormente, o estado de cada unidade para duas horas diferentes. Nesse ltimo tipo, a
alterao do estado feita atravs de uma combinao simples dos elementos de cada linha ou
coluna da matriz de alocao.
Nessa tcnica, a avaliao do indivduo deve ser feita a cada modificao realizada. A
busca s ir parar caso encontre uma soluo melhor que a da ltima gerao ou caso no ache
nenhuma soluo melhor.
Cabe destacar que a busca local s ser requisitada no AG proposto quando no houver
mudana do melhor indivduo encontrado aps um nmero FBL de geraes.
6.2.9 Critrio de Parada

Como dito anteriormente, no h critrio exato para determinar o fim do processo de
busca. Neste trabalho, alm da estagnao dos resultados encontrados, que desencadeia no
processo de busca local, outro critrio utilizado como deciso de parada o nmero mximo de
Max .
geraes NGr
6.3 Algoritmo Proposto

Para solucionar o problema da PDO em sistemas termeltricos prope-se o uso de um
AG adaptativo que ter como fitness o clculo do FPO atravs do MPIPD.
Em resumo, o AG proposto inicia gerando um conjunto de solues (populao inicial)
de forma aleatria. Essas solues sero avaliadas atravs do FPO resolvido pelo MPIPD, capaz
de realizar o DE horrio de cada UGT respeitando seus limites de gerao, o balano de potncia
e os limites de capacidade das linhas de transmisso do sistema eltrico. Logo aps, a partir
da codificao matricial feita de cada indivduo, o AG ir verificar a obedincia das outras
restries a fim de verificar a validade da soluo. Assim, a seleo e os operadores de cross-over
e mutao sero aplicados para que o processo de busca seja realizado. A medida que a busca
vai avanando, a probabilidade de realizao de mutao do AG ir sendo modificada de forma
adaptativa com relao ao GHP. Ao fim, quando a melhor soluo fica estagnada, aplicada a
busca local do tipo 1 OPT e 2 OPT para que o AG tente encontrar uma nova soluo, e d
continuidade ao processo de busca, ou ento tenha seu processo interrompido. Essa interrupo
tambm pode ser alcanada caso o nmero de geraes atinja o valor mximo preestabelecido.
Na Figura 6.7 mostrado o fluxograma da metodologia proposta, com as aes e decises
que devem ser tomadas para a soluo do problema da PDO atravs do AG adaptativo.
Os parmetros do AG utilizados nas aplicaes sero detalhados junto com os resultados
de cada um dos casos de estudo.

Neste captulo foi apresentada a metodologia utilizada neste trabalho para solucionar o
problema da PDO. O mesmo foi tratado como um problema de busca e resolvido por um AG
adaptativo que possui caractersticas diferentes do modelo clssico.
No captulo a seguir sero apresentados os resultados obtidos e as anlises dos casos
estudados.
Figura 6.7 Fluxograma da aplicao do AG proposto.

7 Anlise de Resultados
Neste captulo sero apresentados os sistemas testes obtidos da literatura especializada,

os parmetros utilizados para o AG adaptativo proposto, e os resultados encontrados atravs de
simulaes realizadas. A implementao do algoritmo foi feita em um software de simulao
matemtica, em uma plataforma computacional com processador Intel Core i5-4570, CPU 3.20
GHz, memria de 8 GB com sistema operacional Windows de 64 bits.
Os resultados que sero exibidos na primeira anlise so baseados na formulao proposta
na Seo 6.1, onde so consideradas todas as restries do problema da PDO. Posteriormente,
um sistema teste bastante utilizado na literatura foi utilizado com intuito de validar o algoritmo
proposto diante das outras metodologias existentes. Nessa anlise, a rede de transmisso e a
restrio ligada a varivel de rampa foram retiradas da formulao do problema pelo fato de a
literatura no as levar em considerao. Por ltimo, ser feita anlise do impacto da incluso da
rede de transmisso ao problema, comparando os resultados encontrados com e sem a restrio
ligada a capacidade mxima das linhas de transmisso.
7.1 Sistemas Testes

Na pesquisa realizada, a ausncia da rede de transmisso na modelagem do problema
observada na maioria dos estudos, sendo esses sistemas puramente termeltricos modelados
atravs do modelo barra nica. A PDO considerando somente as restries tcnicas e econmicas
das UGTs talvez no satisfaa s restries de transmisso, podendo conduzir a uma operao
insegura do SEP. A obteno de solues viveis na prtica deve considerar tanto as restries
das UGTs quanto as restries de transmisso.
Esse problema torna difcil a obteno de casos para fins de comparao de resultados.
Essa constatao foi feita tambm no trabalho de Neto (71), onde o mesmo relata o problema da
falta de mais trabalhos que consideram as restries ligadas ao sistema de transmisso.
7.1.1 Sistema Teste 1

O Sistema Teste 1 caracterizado por utilizar a rede de transmisso baseado no SEP com
trinta barras, disponibilizado pelo Institute of Electrical and Electronics Engineers (IEEE) em
(72). Na Figura A.1 (Encontrada no Anexo A) ilustrado esse sistema.
Esse sistema foi proposto por Ma, Shahidehpour e Marwali (67) e os dados tcnicos das
UGTs, a demanda horria solicitada pelo sistema e as caractersticas do SEP podem ser vistos no
Anexo A. O limite de fluxo de potncia de todas as linhas de transmisso de 90 MW.
83
Captulo 7. Anlise de Resultados 84
O sistema composto por trinta barras, quarenta e uma linhas de transmisso, nove
UGTs, e o perodo de anlise da operao de vinte e quatro horas.

O Sistema Teste 2 tambm utiliza a rede de transmisso. Esse sistema baseado no SEP
com vinte e quatro barras, disponibilizado pelo IEEE em (72). Na Figura A.2 (Encontrada no
Anexo A) ilustrado esse sistema.
Esse sistema foi proposto por Wang e Shahidehpour (61) e os dados tcnicos das UGTs
e de demanda horria solicitada pelo sistema podem ser vistos no Anexo A. Cabe destacar que
as caractersticas do SEP e os limites de fluxo de potncia das linhas de transmisso foram
obtidos no trabalho (8), dos mesmos autores, que utiliza o mesmo conjunto de UGTs porm no
considera a restrio de rampa, sendo esta adquirida no trabalho de Ma e Shahidehpour (68), que
tambm utiliza as UGTs em questo.
O sistema composto por vinte e quatro barras, trinta e quatro linhas de transmisso,
vinte e seis UGTs, e o perodo de anlise da operao de vinte e quatro horas.

O Sistema Teste 3 o principal sistema puramente termeltrico de gerao analisado
pela literatura, onde a rede de transmisso no considerada. Ele foi proposto por Kazarlis (73)
e os dados tcnicos das UGTs e a demanda horria solicitada pelo sistema so apresentados no
Anexo A.
Esse sistema foi utilizado aqui para validao do AG adaptativo proposto, devido a
grande quantidade de trabalhos encontrados. Ele constitudo originalmente por dez UGTs e o
perodo de anlise da operao de vinte e quatro horas.
7.2 Resultados Obtidos

Nesta seo so apresentados e analisados os resultados obtidos pela aplicao do AG
adaptativo proposto nos sistemas testes, descritos anteriormente. Como os algoritmos genticos
so no-determinantes, ou seja, apresentam diferentes resultados a cada execuo, comum
comparar as vrias respostas de diferentes execues para a escolha da melhor soluo. Desta
forma, cada um dos casos foi simulado dez vezes.
Os parmetros do AG foram sintonizados medida que o estudo foi avanando. Houve
uma preocupao em utilizar o mnimo de geraes possveis no processo de busca, sem
depreciar os resultados obtidos quando ao objetivo pretendido. Os parmetros para o AG proposto,
utilizados em todos os testes realizados, podem ser vistos na Tabela 7.1.
Tabela 7.1 Parmetros utilizados para o AG proposto.
Parmetro Valor
Tamanho da populao 50 indivduos
Tamanho do grupo elite 5 indivduos
Probabilidade de ocorrncia de cross-over 70%
Probabilidade mnima de ocorrncia de mutao 5%
Probabilidade mxima de ocorrncia de mutao 80%
Taxa de decaimento da probabilidade de ocorrncia de mutao 10%
Frequncia de verificao do grau de homogeneidade da populao 20 geraes
Limite de homogeneidade permitido 80%
Nmero mximo de geraes 5000 geraes
Frequncia de realizao de busca local 100 geraes
Para o primeiro caso, onde aplicado o AG proposto para resoluo da PDO no Sistema
Teste 1, os resultados encontrados podem ser vistos na Tabela 7.2.
Tabela 7.2 Resultados encontrados para o Sistema Teste 1.
Mdia dos resultados $148936,47

Melhor resultado $146961,34
Pior resultado $150973,60
O desempenho do algoritmo proposto at encontrar o melhor resultado, mostrado na

Tabela 7.2, pode ser visto na curva de evoluo do fitness, ilustrada na Figura 7.1.
Nessa curva, destaca-se o fato de que a populao inicial, por ser gerada de forma
randmica, no possui indivduos que obedecem todas as restries estabelecidas pelo problema,
fazendo com que o processo de busca comece com os valores de fitness altos. A partir do
momento que encontrado um indivduo que obedea a todas as restries, o valor do melhor
fitness sofre uma queda abrupta. Alm disso, possvel observar como a ao de busca local
tambm foi importante para achar melhores resultados quando os valores do fitness no sofrem
melhoria no decorrer do processo.
A alocao das UGs, encontrada pelo melhor resultado, pode ser vista na Figura 7.2.
Nela, verifica-se que as unidades 1, 3 e 4 esto sempre em operao, as unidades 7, 8 e 9 so
evitadas durante o perodo analisado, e as unidades 2, 5 e 6 so requisitadas em momentos
diferentes do dia.
Com os estados de cada uma das mquinas definido, possvel encontrar o DE e o fluxo
de potncia nas linhas de transmisso. Na Tabela A.1 (encontrada no Apndice A) apresentada
a potncia ativa gerada por cada UG durante o dia, e na Tabela B.1 (encontrada no Apndice B)
exibido o resultado do fluxo de potncia do Sistema Teste 1.
Como descrito anteriormente, as unidades 1, 3 e 4 estaro sempre em operao e sero
elas que daro a base da potncia ativa que ser fornecida ao sistema. Sendo assim, as unidades
0, 9
0, 8
fitness
0, 7
0, 6
0, 5
0, 433844
0, 4
0 100 200 300 400 500 600 700 800 900 1000 1100
Geraes
Figura 7.1 Evoluo do fitness no Sistema Teste 1.

1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
2 1 1 1 1 0 0 0 0 0 0 0 0 0 0 0 0 0 1 1 1 1 1 0 0
3 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
4 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
Unidades
5 0 0 0 0 0 0 0 0 1 1 1 1 1 1 1 1 1 1 1 1 0 0 1 1
6 0 0 0 0 0 0 1 1 1 1 1 1 1 1 1 1 1 0 0 0 1 1 1 0
7 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
8 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
9 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24
Hora
Figura 7.2 Alocao final das UGs para o Sistema Teste 1.
2, 5 e 6 serviro apenas como complemento para o DE.

Na anlise do fluxo de potncia do Sistema Teste 1, verifica-se que durante o perodo de
operao, duas linhas de transmisso (1 2 e 9 11) atingiram o limite mximo de transmisso
de 90MW .
Para o segundo caso, onde o AG proposto foi aplicado para a resoluo da PDO no
Sistema Teste 2, os resultados podem ser vistos na Tabela 7.3.

O desempenho do algoritmo proposto at chegar no melhor resultado encontrado pode

ser visto atravs da curva de evoluo do fitness, ilustrada na Figura 7.3.
Da mesma forma que a curva apresentada no sistema teste anterior, o processo de busca
comea com os valores de fitness altos e, aps encontrar um indivduo que obedea a todas as
restries, o valor do melhor fitness sofre uma queda abrupta. Alm disso, possvel observar
como a ao de busca local continuou sendo importante para achar melhores resultados quando
os valores do fitness ficaram estagnados.
A alocao das UGs, encontrada pelo melhor resultado, pode ser vista na Figura 7.4. Nela,
verifica-se que as unidades 13, 17, 18, 19, 20, 24, 25 e 26 esto sempre em operao, a unidade 9
a nica evitada durante o perodo de anlise, e todas as outras unidades so requisitadas em
momentos diferentes do dia.
Na Tabela A.3 (encontrada no Apndice A) apresentada a potncia ativa gerada por
cada UG durante o dia, e na Tabela B.3 (encontrada no Apndice B) exibido o resultado do
fluxo de potncia do Sistema Teste 2.
0, 95
0, 9
0, 85
fitness
0, 8
0, 75
0, 7
0, 658130
0, 65
0 500 1000 1500 2000 2500 3000 3500 4000 4500 5000
Geraes

1 0 0 0 0 1 1 1 0 1 0 1 0 0 0 1 1 0 0 0 1 1 1 1 1
2 0 0 0 0 0 1 0 0 0 0 1 0 0 0 1 0 0 0 0 1 1 1 0 0
3 0 0 0 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0 0 1 0 0 0
4 0 0 0 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0
5 0 0 0 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0
6 0 0 0 0 0 1 0 0 0 0 1 0 0 0 0 1 0 1 0 1 1 1 0 0
7 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0 0 0 0 1 0 0 0
8 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 1 0 0
9 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
10 0 0 0 0 0 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 0 0
11 1 1 0 0 0 0 0 0 0 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
Unidades
12 0 0 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 0 0
13 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
14 0 0 0 0 0 0 0 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 0 0
15 0 0 0 0 0 0 0 0 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
16 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 1 1 1 1 0 0 0
17 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
18 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
19 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
20 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
21 0 0 0 0 0 0 1 1 1 1 1 1 1 1 1 1 1 0 0 0 0 0 0 0
22 0 0 0 0 0 0 0 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 0
23 0 0 0 0 0 0 0 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 0
24 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
25 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
26 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24
Hora
Nesse sistema, as UGs 13, 17, 18, 19, 20, 24, 25 e 26 estaro em operao e sero a base
do fornecimento da potncia ativa para o sistema. O restante das unidades, quando em operao,
serviro apenas como complemento para o DE, destacando-se as unidades 1 a 8 e 21 a 24 que
sempre operaro com sua potncia mxima.
No caso dos resultados encontrados para o fluxo de potncia nas linhas de transmisso,
verificou-se que apenas uma linha de transmisso (7 8) atingiu o valor mximo admissvel.
7.3 Validao do Algoritmo Proposto

Para a validao do algoritmo proposto e para mostrar sua eficcia perante os outros
mtodos existentes, o mesmo foi utilizado para encontrar a PDO do Sistema Teste 3. Os resultados
alcanados foram comparados com os resultados obtidos por algumas metodologias encontradas
na literatura especializada.
Os parmetros utilizados para o AG proposto foram os mesmos que os descritos na
Tabela 7.1.
Cabe destacar que esses trabalhos no consideram a restrio de rampa e o sistema de
transmisso, logo, os seus limites foram retirados do problema da PDO, sendo a formulao do
problema a seguinte:
NT NG
Min CT = {[a0iPi2(t) + a1iPi(t) + a2i]Ui(t) + [1 Ui(t 1)]CPiUi(t)}
t=1 i=1
s.a: Ui,k (t)Pi,k (t) Lk (t) = 0
PiMin Pi (t) PiMax
NG NB
Ui(t)PiMax

Lk (t) + PR(t)
i=1 k=1
Xion TMLi
of f
Xi TMDi
Para essa formulao, os resultados encontrados da aplicao do AG adaptativo proposto

no Sistema Teste 3 podem ser vistos na Tabela 7.4. Observa-se que o pior resultado encontrado
pelo AG adaptativo ainda consegue ser melhor que a verso do AG que no utiliza adaptao.

AG no-adaptativo $566703,38
As curvas que descrevem a evoluo dos valores do fitness no decorrer das geraes para
os casos do AG com e sem adaptao podem ser vistas na Figura 7.5. Essas curvas so oriundas
da melhor soluo encontrada para ambos os casos.
Nas simulaes realizadas, observou-se que, na verso que no utiliza a adaptao, a
busca feita pelo AG atinge sempre o nmero mximo de geraes. J para o AG adaptativo, a
busca interrompida antes da metade desse nmero.
A alocao final das UGs encontrada no melhor resultado pode ser vista na Figura 7.6.
Observa-se que apenas as unidades 1 e 2 operam durante todo o dia, e todas as outras unidades
so requisitadas em momentos diferentes.
A partir dessa alocao, possvel definir o DE do Sistema Teste 3. Esses valores so
encontrados na Tabela A.5 (presente no Apndice A). Para esse sistema, as UGs 1 e 2 estaro
sempre em operao e sero a base do fornecimento da potncia ativa para o sistema, sendo
que a unidade 1 operar sempre com sua potncia mxima. O restante das unidades, quando em
operao, serviro apenas como complemento para o DE, destacando-se as unidades 3 e 4 que
sempre operaro com sua potncia mxima, e as unidades 7, 9 e 10 que sempre operaro com
sua potncia mnima. Outro ponto a se observar que a unidade 10 s requisitada quando a
1
AG adaptativo
0, 95 AG no-adaptativo
0, 9
0, 85
fitness
0, 8
0, 75
0, 7
0, 65
0, 612471 0, 615475
0, 6
0 500 1000 1500 2000 2500 3000 3500 4000 4500 5000
Geraes

1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
2 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
3 0 0 0 0 0 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 0 0 0
4 0 0 0 0 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 0 0 0
Unidades
5 0 0 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 0 0
6 0 0 0 0 0 0 0 0 1 1 1 1 1 1 0 0 0 0 0 1 1 1 1 0
7 0 0 0 0 0 0 0 0 1 1 1 1 1 1 0 0 0 0 0 1 1 1 0 0
8 0 0 0 0 0 0 0 0 0 1 1 1 1 0 0 0 0 0 0 1 0 0 0 0
9 0 0 0 0 0 0 0 0 0 0 1 1 0 0 0 0 0 0 0 0 0 0 0 0
10 0 0 0 0 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24
Hora
demanda chega ao seu valor mximo do perodo analisado, mostrando que ela, mesmo operando
com sua potncia mnima, melhor do que desligada.
Na Tabela 7.5 so mostrados os principais resultados encontrados na literatura. O mesmo
resultado encontrado no trabalho de Roy e Sarkar (74) foi obtido com a metodologia proposta do
AG adaptativo.
Apesar de a maior diferena econmica ser de apenas $2556, 31, a medida que o nmero
de mquinas aumentar essa diferena tender a ficar mais evidente.

Tabela 7.5 Resultados encontrados na literatura para o Sistema Teste 3.
Metodologia Resultado [ $ ]
Algoritmo Gentico (73) 565825,00
Relaxao Lagrangeana (73) 565825,00
Programao Evolutiva (75) 564551,00
Algoritmo Gentico Baseado nas Caractersticas das UGs (62) 563977,00
Colnia de Formigas (76) 564049,00
Relaxao Lagrangeana Adaptativa (77) 564049,00
Algoritmo Gentico com Codificao Inteira (64) 566494,00
Lista de Prioridades Baseada em um Algoritmo Evolucionrio (78) 563977,00
Enxame de Partculas (79) 563954,00
Simulated Annealing (80) 565828,00
Enxame de Partculas Combinado com Relaxao Lagrangeana (81) 565869,00
Enxame de Partculas Hbrido (82) 563940,00
Enxame de Partculas Baseado em Simulated Annealing (83) 563938,00
Lgica Fuzzy Controlada por Enxame de Patculas (84) 563947,02
Colnia de Vaga-lumes (85) 563938,00
Busca Gravitacional (86) 563938,00
Algoritmo Quasi-oppositional Baseado em Aprendizagem (74) 563937,69
Com essa constatao, o AG adaptativo proposto pde ser aplicado para as resolues
dos problemas da PDO que considerem os limites de rampa e do carregamento do sistema de
transmisso.
7.4 Anlise da Incluso do Sistema Transmisso ao Problema

Esta seo ir analisar os impactos provocados pela incluso do sistema de transmisso
no problema da PDO, comparando os resultados encontrados na Seo 7.2 com os mesmos
sistemas sendo resolvidos atravs do modelo clssico de barra nica.
Na Tabela 7.6 so mostrados os resultados encontrados considerando o sistema de
transmisso no problema ( f Max ativa) e desconsiderando-o ( f Max inativa), para o Sistema Teste
1. possvel notar que quando a linha de transmisso considerada no problema pode causar
um impacto significativo no valor final do custo da operao. A diferena entre os melhores
resultados encontrados nas duas situaes foi de $7922, 57, e o pior resultado encontrado com
f Max inativa tambm acabou sendo menor at mesmo que o melhor resultado com f Max ativa.
Esse aumento encontrado proporcionado pelo fato de a restrio da capacidade das linhas,
quando ativa, restringir o espao de busca do problema.
A alocao final das UGs para o Sistema Teste 1, onde as linhas de transmisso so
desconsideradas no problema, mostrada na Figura 7.7 e o seu respectivo DE pode ser visto na
Tabela A.2 (encontrada no Apndice A).
Tabela 7.6 Resultados encontrados para o Sistema Teste 1, considerando f Max inativa e ativa.
f Max inativa f Max ativa

Mdia dos resultados $139720,12 $148936,47
Melhor resultado $139038,77 $146961,34
Pior resultado $140675,81 $150973,60
1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
2 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 1 1 1 0 0 0 0
3 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
4 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
Unidades
5 1 1 1 1 0 0 0 0 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
6 0 0 0 0 0 0 0 1 1 1 1 1 1 1 1 1 0 0 0 0 1 1 1 0
7 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
8 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
9 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24
Hora
Figura 7.7 Alocao final das UGs do Sistema Teste 1, desconsiderando o sistema de transmisso.
possvel observar que ao ignorar as linhas de transmisso no problema, as unidades

1, 3, 4, 7, 8 e 9 permaneceram com o mesmo estado de operao. A partir das tabelas de DE,
observou-se que, com a retirada das linhas de transmisso, a UG 1 passou a operar em potncia
mxima durante o perodo de anlise; a UG 2 ficou menos requisitada; as UGs 3 e 4 passaram a
operar com seu valor mximo, na maior parte do tempo; a UG 5 comeou a operar durante 20h;
a UG 6 teve uma diminuio no seu intervalo de operao, ficando offline 2h a mais do que no
caso de f Max ativa, operando com sua potncia mnima, na maior parte do tempo; as UGs 7, 8 e
9 continuaram fora de operao.
A partir da alocao encontrada, mostrada na Figura 7.7, foi possvel verificar qual seria
o resultado do fluxo de potncia se o sistema de transmisso fosse considerado no modelo e no
existisse um limite para a capacidade das linhas. O resultado para essa anlise pode ser visto na
Tabela B.2 (encontrada no Apndice B). Observa-se nessa tabela que as linhas 1 2 e 9 11
tem seus limites extrapolados, ou seja, caso essa alocao de mquinas fosse utilizada, essas
linhas estariam comprometidas.
Para o Sistema Teste 2, os resultados encontrados para f Max ativa e inativa podem ser
vistos na Tabela 7.7. Foi possvel observar que o fato de ativar a restrio ligada a capacidade das
linhas de transmisso, continuou causando impacto no valor final encontrado como melhor res-
posta. A diferena entre os melhores resultados encontrados na duas situaes foi de $71277, 17,
e o pior resultado encontrado com f Max inativa continuou sendo menor que o melhor resultado
com f Max ativa.
Tabela 7.7 Resultados encontrados para o Sistema Teste 2, considerando f Max inativa e ativa.
f Max inativa f Max ativa

Mdia dos resultados $699386,51 $770736,33
Melhor resultado $688295,66 $759572,83
Pior resultado $730153,88 $781730,96
A alocao final das UGs para o Sistema Teste 2, onde as linhas de transmisso so
desconsideradas no problema, mostrada na Figura 7.8 e o seu respectivo DE pode ser visto na
Tabela A.4 (encontrada no Apndice A).
1 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
2 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
3 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
4 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
5 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
6 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
7 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
8 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
9 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
10 0 0 0 0 0 0 0 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
11 0 0 0 0 0 0 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
Unidades
12 1 1 0 0 0 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
13 1 1 0 0 0 0 0 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
14 0 0 0 0 0 0 0 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 0 0
15 0 0 0 0 0 0 0 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 0 0
16 0 0 0 0 0 0 0 0 1 1 1 1 1 1 1 1 1 1 1 1 1 1 0 0
17 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
18 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
19 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 0
20 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 0
21 0 0 0 0 0 0 0 0 1 1 1 1 1 1 1 1 1 1 1 1 1 0 0 0
22 0 0 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
23 0 0 0 0 0 0 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
24 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
25 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
26 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24
Hora
Figura 7.8 Alocao final das UGs do Sistema Teste 2, desconsiderando o sistema de transmisso.
Nesse caso, foi possvel observar que oito UGs ficaram sempre offline, e cinco UGs
permaneceram sempre online. A partir das tabelas de DE, observou-se que, com a retirada
das linhas de transmisso, as oito primeiras unidades deixaram de operar, sendo a primeira
mquina requisitada somente durante 1h; a UG 9 continuou fora de operao; as UGs de 10 16
continuaram com os pontos de operao com seu valor mximo, ou prximo dele, na maior parte
do tempo, sendo que a UG 16 foi mais requisitada; as UGs de 17 20 e de 24 26 passaram a
operar em potncia mxima, na maior parte do tempo; as UGs 21, 22 e 23 operaram, a maior
parte do tempo, prximo das suas potncias mnimas.
Com a alocao encontrada, mostrada na Figura 7.8, foi feita a anlise para o caso de
o sistema de transmisso ser considerado no modelo e no existir um limite da capacidade das
linhas. O resultado encontrado para essa anlise pode ser visto na Tabela B.4 (encontrada no
Apndice B). Nessa tabela, observa-se que a linha 7 8 tem seu limite extrapolado, podendo
comprometer as linhas, caso essa alocao de mquinas seja utilizada.
7.5 Consideraes Finais

Os testes utilizando o AG adaptativo para a resoluo da AUGT, e MPIPD Preditor-
Corretor para a resoluo do DE, foram capazes de mostrar sua eficcia perante o problema da
PDO e suas restries.
Os resultados encontrados demonstraram como o processo de adaptao do AG proposto
importante para achar solues de forma mais rpida, alm de mostrar como a utilizao de
uma busca local pode trazer benefcios para achar a melhor soluo.
Foi possvel observar como as linhas de transmisso impactam no custo da operao
diria, elevando o seu valor consideravelmente, devido a restrio no espao de busca ser ainda
maior.
No prximo captulo sero apresentadas as principais concluses e sugestes para traba-
lhos futuros.
8 Concluses
Nesta dissertao foi proposta uma metodologia para resoluo do problema da PDO
para sistemas puramente termeltricos. Esse problema foi dividido nos subproblemas de AUGT,
resolvido atravs de um AG adaptativo, e de DE, resolvido pelo MPIPD Preditor-Corretor. Na
anlise realizada foram estudados os casos que levam em conta o sistema de transmisso no
modelo do problema, e um caso clssico que no leva, objetivando validar o algoritmo proposto,
comparando-o com outras metodologias. No total, foram utilizados trs estudos de caso para o
levantamento de performance.
O algoritmo proposto neste trabalho teve o objetivo de minimizar o custo de operao
das UGTs, tendo a preocupao de obedecer todas as restries propostas pelo problema da
PDO.
A pesquisa realizada para verificao do estado-da-arte das tcnicas utilizadas para a
AUG e para o DE mostrou a existncia de diversas formas de resolver o problema, porm
a grande maioria dos casos no utiliza as restries de rampa e a que envolve o sistema de
transmisso. Alm do fato dessas restries precisarem ser amadurecidas, a proposta de criar um
AG robusto e eficiente para a resoluo da PDO, com tais restries, foi a motivao e diferencial
para estudar e desenvolver este trabalho.
O algoritmo criado a partir das tcnicas apresentadas nos Captulos 3, 4 e 5 foi implemen-
tado computacionalmente. O processo foi simulado 10 vezes para cada um dos casos analisados.
Os testes foram realizados nos sistemas testes com 9, 10, e 26 UGs.
Inicialmente, as simulaes foram feitas nos sistemas com 9 e 26 UGs, considerando o
sistema de transmisso, com o objetivo de coletar os melhores resultados e verificar se os mesmos
estavam de acordo com as restries impostas. A validao do algoritmo proposto foi feita com
o sistema teste clssico de 10 UGs, onde o melhor resultado encontrado foi comparado com os
obtidos na literatura especializada. Por ltimo, as simulaes foram realizadas nos sistemas com
9 e 26 UGs para as situaes em que as restries de linha foram retiradas do problema, de modo
a poder fazer a anlise do impacto da introduo do sistema de transmisso no problema. Os
resultados numricos apresentados no Captulo 7 demonstram o desempenho bastante satisfatrio
do algoritmo proposto, mostrando que o AG adaptativo e o MPIPD Preditor-Corretor obtiveram
sucesso para resoluo da AUGT e do DE, respectivamente.
Foi notria a dificuldade em desenvolver um algoritmo para a resoluo do FPO que
reunisse preciso e velocidade. O MPIPD Preditor-Corretor destacou-se por sua robustez no
caso em que o modelo do problema considerava o sistema de transmisso e no caso contrrio.
Mesmo para problemas que envolviam um nmero elevado de restries de desigualdade, o
mtodo convergiu de forma rpida e com boa preciso. Essas restries adicionais ao problema
95
Captulo 8. Concluses 96
reduziram o universo de solues, fazendo com que os valores das melhores solues ficassem
mais altos em relao s solues do problema sem as restries de linha.
A principal vantagem do AG adaptativo criado a forma com que ele consegue sair de
situaes onde a soluo encontra-se estagnada, motivado pela variao da probabilidade de
ocorrncia do operador de mutao e pela busca-local. Esta ltima encontrou solues ainda
melhores quando o processo de busca no conseguia faz-lo apenas variando a probabilidade de
mutao.
Pode-se citar como a principal dificuldade na elaborao desta dissertao a escassez de
trabalhos que utilizem as restries de rampa e dos limites do sistema de transmisso no modelo
do problema da PDO. Apesar disso, os resultados das simulaes apresentam-se coerentes com
o que se espera da operao energtica diria.
O algoritmo desenvolvido demonstrou coerncia na busca pelas solues do problema,
apresentando resultados compatveis com os encontrados na literatura, de maneira que pode-se
afirmar que esta dissertao alcanou satisfatoriamente os objetivos pretendidos.
8.1 Perspectivas de Trabalhos Futuros

Este trabalho, ao propor um algoritmo para resoluo do problema da operao energtica
diria, no teve inteno de esgotar o tema, portanto, apresentam-se a seguir algumas sugestes
para trabalhos futuros:
Utilizao de UGTs baseada em combusto interna para verificao das vantagens das
mesmas em relao s baseadas em combustveis fsseis no problema da PDO;
Anlise do impacto da insero da energia elica no sistema de gerao e verificao da

reduo dos gases poluentes produzidos pelas UGTs;
Implementao de um AG adaptativo em um problema multiobjetivo que envolva a

economia da operao das UGTs e a reduo de gases poluentes;
Utilizao de estratgias para inicializao da populao do AG proposto de modo a tornar

o processo de busca mais rpido;
Elaborao de novas estratgias para obteno da programao final de operao que seja
ainda melhor que a apresentada neste trabalho;
Considerao de um modelo probabilstico para a curva de demanda diria;
Estudo das ponderaes e , aplicadas na formulao do FPO, para anlise econmica

das perdas simultaneamente com o custo gerao.
97
Referncias
1 EPE-BRASIL. Projeo da demanda de energia eltrica para os prximos 10 anos (2014-

2023). Rio de Janeiro, Brasil: Empresa de Pesquisa Energtica, Ministrio de Minas e Energia,
2013. Citado na pgina 19.
2 ANEEL. Banco de Informaes de Gerao: BIG. 2016. Disponvel em: <http://www2.aneel.

gov.br>. Citado 4 vezes nas pginas 19, 20, 28 e 32.
3 EPE-BRASIL. Programa de investimento em energia eltrica (2015-2018. Rio de Janeiro,

Brasil: Empresa de Pesquisa Energtica, Ministrio de Minas e Energia, 2015. Citado na pgina
19.
4 SILVA, E. L. da. Formao de preos em mercados de energia eltrica. [S.l.]: Sagra Luzzatto,
5 FINARDI, E. C.; SILVA, E. L. da. Solving the hydro unit commitment problem via dual
decomposition and sequential quadratic programming. IEEE transactions on Power Systems,
IEEE, v. 21, n. 2, p. 835844, 2006. Citado na pgina 20.
6 FINARDI, E. C.; SCUZZIATO, M. R. Hydro unit commitment and loading problem for
day-ahead operation planning problem. International Journal of Electrical Power & Energy
Systems, Elsevier, v. 44, n. 1, p. 716, 2013. Citado na pgina 20.
7 WOOD, A. J.; WOLLENBERG, B. F. Power generation, operation, and control. [S.l.]: John
Wiley & Sons, 2012. Citado 4 vezes nas pginas 21, 29, 33 e 34.
8 WANG, S. et al. Short-term generation scheduling with transmission and environmental

constraints using an augmented lagrangian relaxation. Power Systems, IEEE Transactions on,
IEEE, v. 10, n. 3, p. 12941301, 1995. Citado 4 vezes nas pginas 21, 63, 84 e 117.
9 SUN, D. I. et al. Optimal power flow by newton approach. power apparatus and systems,
ieee transactions on, IEEE, n. 10, p. 28642880, 1984. Citado na pgina 21.
10 CARVALHO, M. F.; SOARES, S.; OHISHI, T. Optimal active power dispatch by network
flow approach. Power Systems, IEEE Transactions on, IEEE, v. 3, n. 4, p. 16401647, 1988.
Citado 3 vezes nas pginas 21, 39 e 61.
11 OLIVEIRA, A. R. L.; FILHO, S. S. Mtodos de pontos interiores para problema de fluxo de

potncia timo dc. Sba: Controle & Automao Sociedade Brasileira de Automatica, SciELO
Brasil, v. 14, n. 3, p. 278284, 2003. Citado 3 vezes nas pginas 21, 39 e 61.
12 LINDEN, R. Algoritmos genticos (3a ediao). [S.l.]: Editora Cincia Moderna, 2012.
Citado 4 vezes nas pginas 21, 64, 65 e 72.
13 PAVEZ-LAZO, B.; SOTO-CARTES, J. A deterministic annular crossover genetic algorithm

optimisation for the unit commitment problem. Expert Systems with Applications, Elsevier, v. 38,
n. 6, p. 65236529, 2011. Citado 4 vezes nas pginas 22, 62, 78 e 79.
Referncias 98
14 VALENZUELA, J.; SMITH, A. E. A seeded memetic algorithm for large unit commitment
problems. Journal of Heuristics, Springer, v. 8, n. 2, p. 173195, 2002. Citado 4 vezes nas
pginas 22, 33, 62 e 80.
15 MENEZES, R. F. A.; SOUSA, A. A. Alocao de unidades geradoras trmicas via algoritmo

gentico adaptativo. XXI Congresso Brasileiro de Automtica, Vitria-ES, 2016. Citado na
pgina 23.
16 FINARDI, E. C. Investigao do modelos de precificao para minimizar a volatilidade do

pld. Florianpolis, Brasil: Universidade Federal de Santa Catarina, 2010. Citado na pgina 25.
17 DAHER, M. Produo de energia eltrica em sistemas hidrotrmicos. Rio de Janeiro, Brasil:

Operador Nacional do Sistema Eltrico, 2015. Citado na pgina 25.
18 TOLMASQUIM, M. T. Gerao de energia eltrica no Brasil. [S.l.]: Editora Intercincia,

2005. Citado 4 vezes nas pginas 28, 29, 30 e 31.
19 MME-BRASIL. Capacidade instalada de gerao eltrica no brasil e no mundo (2015).

Braslia, Brasil: Ministrio de Minas e Energia, 2015. Citado na pgina 32.
20 LPEZ, M. G. M. Programao dinmica para unit commitment trmico com ou sem

restries de Rampa. Dissertao (Mestrado), 2007. Citado 2 vezes nas pginas 36 e 62.
21 DANTZIG, G. B. Maximization of a linear function of variables subject to linear inequalities,

in activity analysis of production and allocation. Wiley, 1951. Citado na pgina 38.
22 KARMARKAR, N. A new polynomial-time algorithm for linear programming. In: ACM.

Proceedings of the sixteenth annual ACM symposium on Theory of computing. [S.l.], 1984. p.
302311. Citado 2 vezes nas pginas 38 e 61.
23 ADLER, I. et al. An implementation of karmarkars algorithm for linear programming.

Mathematical programming, Springer, v. 44, n. 1-3, p. 297335, 1989. Citado na pgina 38.
24 LIMA, A. M. de. Comparao entre diferentes abordagens do problema de fluxo de potncia

timo utilizando o mtodo de pontos interiores. Dissertao (Mestrado) Universidade de So
Paulo, 2004. Citado 9 vezes nas pginas 39, 43, 44, 47, 50, 51, 52, 53 e 63.
25 PROBST, R. W. Mtodos de pontos interiores aplicados ao problema de pr-despacho de

um sistema hidrotrmico. Dissertao (Mestrado) Universidade Estadual de Campinas, 2006.
Citado 6 vezes nas pginas 39, 43, 44, 47, 50 e 63.
26 COELHO, M. V. Mtodo de pontos interiores aplicados ao problema de fluxo de potncia

timo com restries de reserva de potncia operacional. Dissertao (Mestrado) Universi-
dade Estadual de Campinas, 2008. Citado 6 vezes nas pginas 39, 43, 44, 47, 50 e 63.
27 CASACIO, L. Mtodos de pontos interiores aplicados ao pr-despacho com restries de

segurana. Dissertao (Mestrado) Universidade Estadual de Campinas, 2010. Citado 6
vezes nas pginas 39, 43, 44, 47, 50 e 63.
28 NOCEDAL, J.; WRIGHT, S. Numerical optimization. [S.l.]: Springer Science & Business
Media, 2006. Citado 3 vezes nas pginas 41, 44 e 49.
29 VANDERBEI, R. J. et al. Linear programming. [S.l.]: Springer, 2015. Citado na pgina 41.
Referncias 99
30 MEHROTRA, S. On the implementation of a primal-dual interior point method. SIAM

Journal on optimization, SIAM, v. 2, n. 4, p. 575601, 1992. Citado 3 vezes nas pginas 45, 46
e 47.
31 HOLLAND, J. H. Adaptation in natural and artificial systems: an introductory analysis

with applications to biology, control, and artificial intelligence. [S.l.]: U Michigan Press, 1975.
Citado 2 vezes nas pginas 61 e 64.
32 GOLDBERG, D. E. Genetic Algorithms in Search, Optimization and Machine Learning.

[S.l.]: Addison-Wesley, 1989. Citado 4 vezes nas pginas 61, 64, 65 e 67.
33 HAPP, H. Optimal power dispatch - a comprehensive survey. IEEE Transactions on Power

Apparatus and Systems, IEEE, v. 96, n. 3, p. 841854, 1977. Citado na pgina 61.
34 REID, G. F.; HASDORFF, L. Economic dispatch using quadratic programming. IEEE

Transactions on Power Apparatus and Systems, IEEE, n. 6, p. 20152023, 1973. Citado na
pgina 61.
35 LIN, C.; VIVIANI, G. Hierarchical economic dispatch for piecewise quadratic cost functions.
IEEE Transactions on Power Apparatus and Systems, IEEE, n. 6, p. 11701175, 1984. Citado
na pgina 61.
36 GRANELLI, G. et al. Fast and efficient gradient projection algorithm for dynamic generation
dispatching. In: IET. IEE Proceedings C-Generation, Transmission and Distribution. [S.l.], 1989.
v. 136, n. 5, p. 295302. Citado na pgina 61.
37 TRAVERS, D. L.; KAYE, R. J. Dynamic dispatch by constructive dynamic programming.

IEEE Transactions on Power Systems, IEEE, v. 13, n. 1, p. 7278, 1998. Citado na pgina 61.
38 WONG, K.; FUNG, C. Simulated annealing based economic dispatch algorithm. In: IET.
IEE Proceedings C-Generation, Transmission and Distribution. [S.l.], 1993. v. 140, n. 6, p.
39 CHEN, P.-H.; CHANG, H.-C. Large-scale economic dispatch by genetic algorithm. IEEE
transactions on power systems, IEEE, v. 10, n. 4, p. 19191926, 1995. Citado na pgina 61.
40 SONG, H.; CHOU, C. S. V.; MIN, Y. Large-scale economic dispatch by artificial ant colony
search algorithms. Electric Machines &Power Systems, Taylor & Francis, v. 27, n. 7, p. 679690,
41 GAING, Z.-L. Particle swarm optimization to solving the economic dispatch considering
the generator constraints. IEEE transactions on power systems, IEEE, v. 18, n. 3, p. 11871195,
42 JERONYMO, D. C. Metaheursticas aplicadas ao problema de despacho econmico de

energia eltrica. Dissertao (Mestrado) Universidade Federal do Paran, 2011. Citado na
pgina 61.
43 CARPENTIER, J. Contribution a letude du dispatching economique. Bulletin de la Socit

franaise des lectriciens, v. 8, p. 431447, 1962. Citado na pgina 61.
44 KERR, R. H. et al. Unit commitment. IEEE Transactions on Power Apparatus and Systems,
IEEE, n. 5, p. 417421, 1966. Citado na pgina 61.
Referncias 100
45 HARA, K.; KIMURA, M.; HONDA, N. A method for planning economic unit commitment
and maintenance of thermal power systems. IEEE Transactions on Power Apparatus and Systems,
v. 5, n. PAS-85, p. 427436, 1966. Citado na pgina 61.
46 LOWERY, P. Generating unit commitment by dynamic programming. IEEE Transactions

on Power Apparatus and Systems, v. 5, n. PAS-85, p. 422426, 1966. Citado na pgina 62.
47 MUCKSTADT, J. A.; KOENIG, S. A. An application of lagrangian relaxation to scheduling

in power-generation systems. Operations research, INFORMS, v. 25, n. 3, p. 387403, 1977.
Citado na pgina 62.
48 COHEN, A.; YOSHIMURA, M. A branch-and-bound algorithm for unit commitment. IEEE

Transactions on Power Apparatus and Systems, v. 2, n. PAS-102, p. 444451, 1983. Citado na
pgina 62.
49 LEE, F. N. Short-term thermal unit commitment-a new method. IEEE Transactions on

Power Systems, IEEE, v. 3, n. 2, p. 421428, 1988. Citado na pgina 62.
50 ZHUANG, F.; GALIANA, F. Unit commitment by simulated annealing. IEEE Transactions

on Power Systems, IEEE, v. 5, n. 1, p. 311318, 1990. Citado na pgina 62.
51 DASGUPTA, D.; MCGREGOR, D. R. Thermal unit commitment using genetic algorithms.

IEE Proceedings-Generation, Transmission and Distribution, IET, v. 141, n. 5, p. 459465, 1994.
Citado na pgina 62.
52 SISWORAHARDJO, N.; EL-KEIB, A. Unit commitment using the ant colony search algo-
rithm. In: IEEE. Power Engineering 2002 Large Engineering Systems Conference on, LESCOPE
02. [S.l.], 2002. p. 26. Citado na pgina 62.
53 GAING, Z.-L. Discrete particle swarm optimization algorithm for unit commitment. In:
IEEE. Power Engineering Society General Meeting, 2003, IEEE. [S.l.], 2003. v. 1. Citado na
pgina 62.
54 SHEBL, G. B.; FAHD, G. N. Unit commitment literature synopsis. IEEE Transactions on

Power Systems, IEEE, v. 9, n. 1, p. 128135, 1994. Citado na pgina 62.
55 SEN, S.; KOTHARI, D. Optimal thermal generating unit commitment: a review. Interna-
tional Journal of Electrical Power & Energy Systems, Elsevier, v. 20, n. 7, p. 443451, 1998.
Citado na pgina 62.
56 PADHY, N. P. Unit commitment - a bibliographical survey. IEEE Transactions on power

systems, IEEE, v. 19, n. 2, p. 11961205, 2004. Citado na pgina 62.
57 YAMIN, H. Y. Review on methods of generation scheduling in electric power systems.

Electric Power Systems Research, Elsevier, v. 69, n. 2, p. 227248, 2004. Citado na pgina 62.
58 SOLIMAN, S. A.-H.; MANTAWY, A.-A. H. Modern optimization techniques with appli-

cations in electric power systems. [S.l.]: Springer Science & Business Media, 2011. Citado 2
vezes nas pginas 62 e 72.
59 SARAVANAN, B. et al. A solution to the unit commitment problem - a review. Frontiers in

Energy, Springer, v. 7, n. 2, p. 223236, 2013. Citado na pgina 62.
Referncias 101
60 ONGSAKUL, W.; DIEU, V. N. Artificial intelligence in power system optimization. [S.l.]:

CRC Press, 2013. Citado na pgina 62.
61 WANG, C.; SHAHIDEHPOUR, S. Effects of ramp-rate limits on unit commitment and

economic dispatch. IEEE Transactions on Power Systems, IEEE, v. 8, n. 3, p. 13411350, 1993.
Citado 5 vezes nas pginas 62, 63, 84, 117 e 118.
62 SENJYU, T. et al. A unit commitment problem by using genetic algorithm based on unit
characteristic classification. In: IEEE. Power Engineering Society Winter Meeting, 2002. IEEE.
[S.l.], 2002. v. 1, p. 5863. Citado 2 vezes nas pginas 62 e 91.
63 SWARUP, K.; YAMASHIRO, S. Unit commitment solution methodology using genetic

algorithm. IEEE Transactions on Power Systems, IEEE, v. 17, n. 1, p. 8791, 2002. Citado na
pgina 62.
64 DAMOUSIS, I. G.; BAKIRTZIS, A. G.; DOKOPOULOS, P. S. A solution to the unit-

commitment problem using integer-coded genetic algorithm. IEEE Transactions on Power
Systems, IEEE, v. 19, n. 2, p. 11651172, 2004. Citado 2 vezes nas pginas 62 e 91.
65 CROES, G. A. A method for solving traveling-salesman problems. Operations research,

INFORMS, v. 6, n. 6, p. 791812, 1958. Citado na pgina 62.
66 KLEINA, M. O mtodo de pontos interiores aplicado ao problema do despacho hidrotrmico.

Dissertao (Mestrado) Universidade Federal do Paran, 2012. Citado na pgina 63.
67 MA, H.; SHAHIDEHPOUR, S.; MARWALI, M. Transmission constrained unit commitment

based on benders decomposition. In: IEEE. American Control Conference, 1997. Proceedings of
the 1997. [S.l.], 1997. v. 4, p. 22632267. Citado 4 vezes nas pginas 63, 83, 115 e 116.
68 MA, H.; SHAHIDEHPOUR, S. Unit commitment with transmission security and voltage
constraints. IEEE transactions on power systems, IEEE, v. 14, n. 2, p. 757764, 1999. Citado 2
vezes nas pginas 63 e 84.
69 MITCHELL, M. An introduction to genetic algorithms. [S.l.]: MIT press, 1998. Citado na

pgina 64.
70 HAUPT, R. L.; HAUPT, S. E. Practical genetic algorithms. [S.l.]: John Wiley & Sons, 2004.
Citado na pgina 64.
71 NETO, O. N. Sistemas inteligentes hbridos baseados em redes neurais recorrentes e regras

heursticas aplicados ao despacho timo de gerao. Tese (Doutorado) Universidade Federal
de Pernambuco, 2010. Citado 3 vezes nas pginas 69, 70 e 83.
72 ITI-ILINOIS. IEEE 30 - Bus System. 2016. Disponvel em: <http://icseg.iti.illinois.edu/

ieee-30-bus-system/>. Citado 3 vezes nas pginas 83, 84 e 116.
73 KAZARLIS, S. A.; BAKIRTZIS, A.; PETRIDIS, V. A genetic algorithm solution to the unit
commitment problem. IEEE transactions on power systems, IEEE, v. 11, n. 1, p. 8392, 1996.
Citado 3 vezes nas pginas 84, 91 e 120.
74 ROY, P. K.; SARKAR, R. Solution of unit commitment problem using quasi-oppositional

teaching learning based algorithm. International Journal of Electrical Power & Energy Systems,
Elsevier, v. 60, p. 96106, 2014. Citado 2 vezes nas pginas 90 e 91.
Referncias 102
75 JUSTE, K. et al. An evolutionary programming solution to the unit commitment problem.

IEEE Transactions on Power Systems, IEEE, v. 14, n. 4, p. 14521459, 1999. Citado na pgina
91.
76 SUM-IM, T.; ONGSAKUL, W. Ant colony search algorithm for unit commitment. In: IEEE.
Industrial Technology, 2003 IEEE International Conference on. [S.l.], 2003. v. 1, p. 7277.
Citado na pgina 91.
77 ONGSAKUL, W.; PETCHARAKS, N. Unit commitment by enhanced adaptive lagrangian

relaxation. IEEE Transactions on Power Systems, IEEE, v. 19, n. 1, p. 620628, 2004. Citado
na pgina 91.
78 SRINIVASAN, D.; CHAZELAS, J. A priority list-based evolutionary algorithm to solve

large scale unit commitment problem. In: IEEE. Power System Technology, 2004. PowerCon
2004. 2004 International Conference on. [S.l.], 2004. v. 2, p. 17461751. Citado na pgina 91.
79 ZHAO, B. et al. An improved particle swarm optimization algorithm for unit commitment.
International Journal of Electrical Power & Energy Systems, Elsevier, v. 28, n. 7, p. 482490,
80 SIMOPOULOS, D. N.; KAVATZA, S. D.; VOURNAS, C. D. Unit commitment by an

enhanced simulated annealing algorithm. IEEE Transactions on Power Systems, IEEE, v. 21,
n. 1, p. 6876, 2006. Citado na pgina 91.
81 BALCI, H. H.; VALENZUELA, J. F. Scheduling electric power generators using particle

swarm optimization combined with the lagrangian relaxation method. International Journal of
Applied Mathematics and Computer Science, University of Zielona Gora Press, v. 14, n. 3, p.
411422, 2004. Citado na pgina 91.
82 TING, T.; RAO, M.; LOO, C. A novel approach for unit commitment problem via an
effective hybrid particle swarm optimization. IEEE Transactions on Power Systems, IEEE, v. 21,
n. 1, p. 411418, 2006. Citado na pgina 91.
83 SADATI, N.; HAJIAN, M.; ZAMANI, M. Unit commitment using particle swarm-based-
simulated annealing optimization approach. In: IEEE. 2007 IEEE Swarm Intelligence Symposium.
[S.l.], 2007. p. 297302. Citado na pgina 91.
84 CHAKRABORTY, S. et al. Unit commitment strategy of thermal generators by using

advanced fuzzy controlled binary particle swarm optimization algorithm. International Journal
of Electrical Power & Energy Systems, Elsevier, v. 43, n. 1, p. 10721080, 2012. Citado na
pgina 91.
85 CHANDRASEKARAN, K.; SIMON, S. P. Network and reliability constrained unit com-

mitment problem using binary real coded firefly algorithm. International Journal of Electrical
Power & Energy Systems, Elsevier, v. 43, n. 1, p. 921932, 2012. Citado na pgina 91.
86 ROY, P. K. Solution of unit commitment problem using gravitational search algorithm.

International Journal of Electrical Power & Energy Systems, Elsevier, v. 53, p. 8594, 2013.
Citado na pgina 91.
87 JUNIOR, I. C. da S. Planejamento da operao de sistemas termoeltricos utilizando anlise

de sensibilidade associada a procedimentos heursticos. Tese (Doutorado) Universidade
Federal do Rio de Janeiro, 2008. Citado na pgina 115.
88 ITI-ILINOIS. IEEE 24 - Bus System. 2016. Disponvel em: <http://icseg.iti.illinois.edu/
ieee-24-bus-system/>. Citado 2 vezes nas pginas 118 e 119.
APNDICE A Resultados do Despacho
Econmico
Neste apndice so apresentados os resultados do despacho econmico para os sistemas

testes utilizados.
104
Sistema Teste 1
Na Tabela A.1 apresentado o DE do Sistema Teste 1, onde foi considerado o sistema de transmisso.
Tabela A.1 Despacho econmico do Sistema Teste 1 [MW].
Horas
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24
1 118,26 107,71 101,04 93,99 129,00 129,00 104,37 118,12 96,96 114,15 118,74 122,00 118,74 114,15 112,19 112,19 122,00 122,97 120,44 116,61 130,82 124,76 112,19 126,00
2 87,02 80,16 75,82 71,23 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 90,08 88,43 85,95 95,18 91,24 0,00 0,00
3 75,60 70,47 66,94 63,22 76,00 76,00 68,70 75,84 64,79 73,87 75,90 76,00 75,90 73,87 72,84 72,84 76,00 75,98 75,88 75,18 76,00 76,00 72,84 76,00
4 74,12 68,66 65,20 61,56 76,00 76,00 66,93 74,04 63,10 71,99 74,36 76,00 74,36 71,99 70,97 70,97 76,00 75,96 75,24 73,26 76,00 76,00 70,97 76,00
UGT
5 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 89,15 90,00 90,00 90,00 90,00 90,00 90,00 90,00 90,00 90,00 90,00 90,00 0,00 0,00 90,00 90,00
6 0,00 0,00 0,00 0,00 0,00 0,00 50,00 50,00 50,00 50,00 50,00 50,00 50,00 50,00 50,00 50,00 50,00 0,00 0,00 0,00 50,00 50,00 50,00 0,00
7 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00
8 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00
9 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00
Na Tabela A.2 apresentado o DE do Sistema Teste 1, onde no foi considerado o sistema de transmisso.
Tabela A.2 Despacho econmico do Sistema Teste 1, desconsiderando o sistema de transmisso [MW].
Horas
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24
1 155,00 155,00 155,00 155,00 155,00 155,00 155,00 155,00 155,00 155,00 155,00 155,00 155,00 155,00 155,00 155,00 155,00 155,00 155,00 155,00 155,00 155,00 155,00 155,00
2 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 25,00 48,00 43,00 34,00 0,00 0,00 0,00 0,00
3 76,00 75,04 65,94 56,34 64,43 64,43 68,98 76,00 76,00 76,00 76,00 76,00 76,00 76,00 76,00 76,00 76,00 76,00 76,00 76,00 76,00 76,00 76,00 76,00
4 76,00 71,96 63,06 53,66 61,57 61,57 66,02 76,00 76,00 76,00 76,00 76,00 76,00 76,00 76,00 76,00 76,00 76,00 76,00 76,00 76,00 76,00 76,00 76,00
UGT
5 48,00 25,00 25,00 25,00 0,00 0,00 0,00 0,00 47,00 83,00 92,00 97,00 92,00 83,00 79,00 79,00 82,00 100,00 100,00 100,00 100,00 100,00 79,00 61,00
6 0,00 0,00 0,00 0,00 0,00 0,00 0,00 11,00 10,00 10,00 10,00 10,00 10,00 10,00 10,00 10,00 0,00 0,00 0,00 0,00 21,00 11,00 10,00 0,00
7 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00
8 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00
9 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00
Sistema Teste 2
Na Tabela A.3 apresentado o DE do Sistema Teste 2, onde foi considerado o sistema de transmisso.

Horas
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24
1 0,00 0,00 0,00 0,00 12,00 12,00 12,00 0,00 12,00 0,00 12,00 0,00 0,00 0,00 12,00 12,00 0,00 0,00 0,00 12,00 12,00 12,00 12,00 12,00
2 0,00 0,00 0,00 0,00 0,00 12,00 0,00 0,00 0,00 0,00 12,00 0,00 0,00 0,00 12,00 0,00 0,00 0,00 0,00 12,00 12,00 12,00 0,00 0,00
3 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 12,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 12,00 0,00 0,00 0,00
4 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 12,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00
5 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 12,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00
6 0,00 0,00 0,00 0,00 0,00 20,00 0,00 0,00 0,00 0,00 20,00 0,00 0,00 0,00 0,00 20,00 0,00 20,00 0,00 20,00 20,00 20,00 0,00 0,00
7 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 20,00 0,00 0,00 0,00 0,00 20,00 0,00 0,00 0,00
8 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 20,00 20,00 0,00 0,00
9 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00
10 0,00 0,00 0,00 0,00 0,00 76,00 75,99 75,91 76,00 76,00 75,99 76,00 76,00 76,00 76,00 76,00 73,67 76,00 76,00 76,00 76,00 76,00 0,00 0,00
11 76,00 76,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 76,00 75,95 76,00 76,00 75,83 75,99 76,00 71,79 76,00 76,00 76,00 75,99 76,00 75,92 76,00
12 0,00 0,00 76,00 76,00 76,00 76,00 76,00 75,94 76,00 76,00 75,73 75,99 75,99 74,59 75,92 75,94 70,35 76,00 76,00 75,99 75,96 75,99 0,00 0,00
UGT
13 75,99 76,00 75,98 75,99 76,00 76,00 75,97 75,31 75,30 75,10 74,51 74,56 74,56 72,47 74,87 74,95 68,33 75,86 75,73 75,67 75,43 75,62 75,47 76,00
14 0,00 0,00 0,00 0,00 0,00 0,00 0,00 100,00 100,00 100,00 100,00 100,00 100,00 100,00 100,00 100,00 93,26 93,00 92,55 93,31 94,10 100,00 0,00 0,00
15 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 100,00 100,00 100,00 100,00 100,00 100,00 100,00 100,00 95,38 95,12 94,66 95,44 96,25 100,00 100,00 100,00
16 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 98,20 97,85 97,44 98,09 98,68 0,00 0,00 0,00
17 132,39 135,86 131,23 132,39 136,78 135,86 134,13 128,21 127,96 127,52 126,47 126,43 126,43 122,23 127,10 127,32 113,90 129,87 128,88 129,32 128,87 128,97 131,77 135,62
18 128,44 131,84 127,31 128,44 132,74 131,84 130,14 124,35 124,11 123,68 122,65 122,61 122,61 118,50 123,26 123,48 110,34 125,97 125,01 125,44 125,00 125,09 127,83 131,61
19 125,40 128,74 124,29 125,40 129,63 128,74 127,08 121,38 121,14 120,72 119,71 119,67 119,67 115,63 120,31 120,52 107,61 122,98 122,02 122,45 122,02 122,11 124,80 128,52
20 123,19 126,49 122,09 123,19 127,37 126,49 124,84 119,22 118,98 118,56 117,57 117,53 117,53 113,53 118,16 118,37 105,61 120,79 119,85 120,28 119,85 119,94 122,60 126,27
21 0,00 0,00 0,00 0,00 0,00 0,00 197,00 197,00 197,00 197,00 197,00 197,00 197,00 197,00 197,00 197,00 197,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00
22 0,00 0,00 0,00 0,00 0,00 0,00 0,00 197,00 197,00 197,00 197,00 197,00 197,00 197,00 197,00 197,00 197,00 197,00 197,00 197,00 197,00 197,00 197,00 0,00
23 0,00 0,00 0,00 0,00 0,00 0,00 0,00 197,00 197,00 197,00 197,00 197,00 197,00 197,00 197,00 197,00 197,00 197,00 197,00 197,00 197,00 197,00 197,00 0,00
24 350,00 350,00 350,00 350,00 350,00 350,00 350,00 349,99 350,00 350,00 350,00 350,00 350,00 350,00 350,00 350,00 350,00 350,00 350,00 350,00 350,00 350,00 350,00 350,00
25 345,43 353,70 342,68 345,43 355,91 353,70 349,58 335,46 334,87 333,82 331,31 331,21 331,21 321,19 332,81 333,33 301,30 339,41 337,05 338,12 337,04 337,26 343,94 353,15
26 343,15 351,38 340,41 343,15 353,57 351,38 347,28 333,22 332,64 331,59 329,10 329,00 329,00 319,03 330,59 331,11 299,25 337,16 334,81 335,87 334,80 335,02 341,67 350,83
Na Tabela A.4 apresentado o DE do Sistema Teste 2, onde no foi considerado o sistema de transmisso.
Tabela A.4 Despacho econmico do Sistema Teste 2, desconsiderando o sistema de transmisso [MW].
Horas
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24
1 0,00 0,00 0,00 0,00 0,00 0,00 0,00 2,40 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00
2 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00
3 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00
4 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00
5 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00
6 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00
7 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00
8 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00
9 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00
10 0,00 0,00 0,00 0,00 0,00 0,00 0,00 76,00 76,00 76,00 76,00 76,00 76,00 76,00 76,00 76,00 76,00 76,00 76,00 76,00 76,00 76,00 76,00 76,00
11 0,00 0,00 0,00 0,00 0,00 0,00 53,83 76,00 76,00 76,00 76,00 76,00 76,00 76,00 76,00 76,00 76,00 76,00 76,00 76,00 76,00 76,00 76,00 71,16
12 15,20 15,20 0,00 0,00 0,00 15,20 38,27 76,00 76,00 76,00 76,00 76,00 76,00 76,00 76,00 76,00 76,00 76,00 76,00 76,00 76,00 76,00 76,00 55,31
UGT
13 15,20 15,20 0,00 0,00 0,00 0,00 0,00 76,00 76,00 76,00 76,00 76,00 76,00 76,00 76,00 76,00 76,00 76,00 76,00 76,00 76,00 76,00 64,10 39,63
14 0,00 0,00 0,00 0,00 0,00 0,00 0,00 100,00 100,00 100,00 100,00 100,00 100,00 100,00 100,00 100,00 100,00 100,00 100,00 100,00 100,00 100,00 0,00 0,00
15 0,00 0,00 0,00 0,00 0,00 0,00 0,00 100,00 100,00 100,00 100,00 100,00 100,00 100,00 100,00 100,00 100,00 100,00 94,15 100,00 100,00 100,00 0,00 0,00
16 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 59,15 100,00 100,00 100,00 100,00 69,15 100,00 100,00 69,15 49,15 25,00 69,15 100,00 68,10 0,00 0,00
17 155,00 155,00 155,00 155,00 155,00 155,00 155,00 155,00 155,00 155,00 155,00 155,00 155,00 155,00 155,00 155,00 155,00 155,00 155,00 155,00 155,00 155,00 155,00 155,00
18 155,00 155,00 155,00 155,00 155,00 155,00 155,00 155,00 155,00 155,00 155,00 155,00 155,00 155,00 155,00 155,00 155,00 155,00 155,00 155,00 155,00 155,00 155,00 155,00
19 155,00 155,00 155,00 155,00 155,00 155,00 155,00 155,00 155,00 155,00 155,00 155,00 155,00 155,00 155,00 155,00 155,00 155,00 155,00 155,00 155,00 155,00 155,00 0,00
20 155,00 155,00 155,00 155,00 155,00 155,00 155,00 155,00 155,00 155,00 155,00 155,00 155,00 155,00 155,00 155,00 155,00 155,00 155,00 155,00 155,00 155,00 155,00 0,00
21 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 68,95 88,10 158,10 78,10 78,10 68,95 108,10 138,10 68,95 68,95 68,95 68,95 88,10 0,00 0,00 0,00
22 0,00 0,00 68,95 68,95 68,95 68,95 68,95 84,65 68,95 68,95 68,95 68,95 68,95 68,95 68,95 68,95 68,95 68,95 68,95 68,95 68,95 68,95 68,95 68,95
23 0,00 0,00 0,00 0,00 0,00 0,00 68,95 68,95 68,95 68,95 68,95 68,95 68,95 68,95 68,95 68,95 68,95 68,95 68,95 68,95 68,95 68,95 68,95 68,95
24 249,60 279,60 201,05 211,05 261,05 345,85 350,00 350,00 350,00 350,00 350,00 350,00 350,00 350,00 350,00 350,00 350,00 350,00 350,00 350,00 350,00 350,00 350,00 350,00
25 400,00 400,00 400,00 400,00 400,00 400,00 400,00 400,00 400,00 400,00 400,00 400,00 400,00 400,00 400,00 400,00 400,00 400,00 400,00 400,00 400,00 400,00 400,00 400,00
26 400,00 400,00 400,00 400,00 400,00 400,00 400,00 400,00 400,00 400,00 400,00 400,00 400,00 400,00 400,00 400,00 400,00 400,00 400,00 400,00 400,00 400,00 400,00 400,00
Sistema Teste 3
Na Tabela A.5 apresentado o DE do Sistema Teste 3, utilizado para validao do AG adaptativo proposto.
Horas
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24
1 455 455 455 455 455 455 455 455 455 455 455 455 455 455 455 455 455 455 455 455 455 455 455 455
2 245 295 370 455 390 360 410 455 455 455 455 455 455 455 455 310 260 360 455 455 455 455 425 345
3 0 0 0 0 0 130 130 130 130 130 130 130 130 130 130 130 130 130 130 130 130 0 0 0
4 0 0 0 0 130 130 130 130 130 130 130 130 130 130 130 130 130 130 130 130 130 0 0 0
UGT
5 0 0 25 40 25 25 25 30 85 162 162 162 162 85 30 25 25 25 30 162 85 145 0 0

6 0 0 0 0 0 0 0 0 20 33 73 80 33 20 0 0 0 0 0 33 20 20 20 0
7 0 0 0 0 0 0 0 0 25 25 25 25 25 25 0 0 0 0 0 25 25 25 0 0
8 0 0 0 0 0 0 0 0 0 10 10 43 10 0 0 0 0 0 0 10 0 0 0 0
9 0 0 0 0 0 0 0 0 0 0 10 10 0 0 0 0 0 0 0 0 0 0 0 0
10 0 0 0 0 0 0 0 0 0 0 0 10 0 0 0 0 0 0 0 0 0 0 0 0
APNDICE B Resultados do Fluxo de
Potncia
Neste apndice so apresentados os resultados do fluxo de potncia nas linhas de trans-

misso para os sistemas testes utilizados.
109
ANEXO A Dados dos Sistemas Testes
Neste anexo so apresentados os dados dos sistemas testes utilizados neste trabalho.
Assim, sero apresentados os seguintes dados:
Dados das unidades geradoras termeltricas;
Dados de demanda e reserva solicitados pelos sistemas;
Dados da rede de transmisso, caso o sistema considere.
114
ANEXO A. Dados dos Sistemas Testes 115
Sistema Teste 1
Fonte: Junior (87)
Figura A.1 Sistema IEEE30 barras.
Tabela A.1 Demanda e reserva girante do Sistema Teste 1.
t L(t) PR (t) t L(t) PR (t) t L(t) PR (t)

[horas] [MW] [MW] [horas] [MW] [MW] [horas] [MW] [MW]
1 355 17 9 364 18 17 414 21
2 327 16 10 400 20 18 455 22
3 309 15 11 409 21 19 450 22
4 290 14 12 414 21 20 441 22
5 281 14 13 409 21 21 428 21
6 281 14 14 400 20 22 418 21
7 290 14 15 396 19 23 396 20
8 318 16 16 396 19 24 368 18
Fonte: Ma, Shahidehpour e Marwali(67)
Tabela A.2 Caractersticas das UGTs do Sistema Teste 1.
UGT PMax PMin a0 a1 a2 TML TMD CP X0 RP Barra

[MW] [MW] [$/MW2 h] [$/MWh] [$/h] [h] [h] [$] [h] [MW]
1 155 54 0,00463 10,694 142,735 5 3 200 5 78 1
2 100 25 0,00712 19,100 230,000 4 2 115 -3 50 2
3 76 15 0,00876 13,327 81,1360 3 2 80 3 38 5
4 76 15 0,00895 13,354 81,2980 3 2 80 3 38 8
5 100 25 0,00612 18,100 218,335 4 2 100 -3 50 11
6 50 10 0,01036 19,327 87,1360 3 2 80 3 25 13
7 20 4 0,01433 37,890 118,821 1 1 30 -1 20 15
8 20 4 0,01633 39,890 128,821 1 2 30 -1 20 24
9 50 10 0,02436 49,327 187,364 3 2 70 3 25 30
X : Condio inicial de operao da UGT, onde (+) online e (-) offline. Fonte: Ma, Shahidehpour e Marwali(67)
0
Tabela A.3 Resistncia e reatncia das linhas de transmisso do Sistema Teste 1.
No Linha r x No Linha r x No Linha r x

[pu] [pu] [pu] [pu] [pu] [pu]
1 1-2 0,0192 0,0575 16 9-10 0,0000 0,1100 31 19-20 0,0340 0,0680
2 1-3 0,0452 0,1652 17 9-11 0,0000 0,2080 32 21-22 0,0116 0,0236
3 2-4 0,0570 0,1737 18 10-17 0,0324 0,0845 33 22-24 0,1150 0,1790
4 3-4 0,0132 0,0379 19 10-20 0,0936 0,2090 34 23-24 0,1320 0,2700
5 2-5 0,0472 0,1983 20 10-21 0,0348 0,0749 35 24-25 0,1885 0,3292
6 2-6 0,0581 0,1763 21 10-22 0,0727 0,1499 36 25-26 0,2544 0,3800
7 4-6 0,0119 0,0414 22 12-13 0,0000 0,1400 37 25-27 0,1093 0,2087
8 4-12 0,0000 0,2560 23 12-14 0,1231 0,2559 38 27-29 0,2198 0,4153
9 5-7 0,0460 0,1160 24 12-15 0,0662 0,1304 39 27-30 0,3202 0,6027
10 6-7 0,0267 0,0820 25 12-16 0,0945 0,1987 40 28-27 0,0000 0,3960
11 6-8 0,0120 0,0420 26 14-15 0,2210 0,1997 41 29-30 0,2399 0,4533
12 6-9 0,0000 0,2080 27 15-18 0,1073 0,2185
13 6-10 0,0000 0,5560 28 15-23 0,1000 0,2020
14 6-28 0,0169 0,0599 29 16-17 0,0524 0,1923
15 8-28 0,0636 0,2000 30 18-19 0,0639 0,1292
Potncia base=100MVA. Fonte: ITI-Ilinois(72)
Tabela A.4 Localizao da demanda do Sistema Teste 1.
Barra L [%] Barra L [%] Barra L [%]

2 7,66 12 3,95 20 0,78
3 0,85 14 2,19 21 6,17
4 2,68 15 2,89 23 1,13
5 33,24 16 1,23 24 3,07
7 8,04 17 3,18 26 1,23
8 10,59 18 1,13 29 0,85
10 2,05 19 3,35 30 3,74
Fonte: ITI-Ilinois(72)
Sistema Teste 2
Fonte: Adaptado de Wang et al. (8)
Figura A.2 Sistema IEEE24 barras.

1 1700 170 9 2540 254 17 2550 255
2 1730 173 10 2600 260 18 2530 253
3 1690 169 11 2670 267 19 2500 250
4 1700 170 12 2590 259 20 2550 255
5 1750 175 13 2590 259 21 2600 260
6 1850 185 14 2550 255 22 2480 248
7 2000 200 15 2620 262 23 2200 220
8 2430 243 16 2650 265 24 1840 184
Fonte: Wang e Shahidehpour(61)
UGT PMax PMin a0 a1 a2 TML TMD X0 RP Barra

[MW] [MW] [$/MW2 h] [$/MWh] [$/h] [h] [h] [$] [$] [h] [h] [MW]
1 12 2,4 0,02253 25,5472 24,3891 0 0 0 0 1 -1 12 15
2 12 2,4 0,02649 25,6753 24,4110 0 0 0 0 1 -1 12 15
3 12 2,4 0,02801 25,8027 24,6382 0 0 0 0 1 -1 12 15
4 12 2,4 0,02842 25,9318 24,7605 0 0 0 0 1 -1 12 15
5 12 2,4 0,02855 26,0611 24,8882 0 0 0 0 1 -1 12 15
6 20 4 0,01199 37,5510 117,7551 0 0 20 20 2 -1 20 1
7 20 4 0,01261 37,6637 118,1083 0 0 20 20 2 -1 20 1
8 20 4 0,01359 37,7770 118,4576 0 0 20 20 2 -1 20 2
9 20 4 0,01433 37,8896 118,8206 0 0 20 20 2 -1 20 2
10 76 15,2 0,00876 13,3272 81,1364 3 2 50 50 3 3 38 1
11 76 15,2 0,00895 13,3538 81,2980 3 2 50 50 3 3 38 1
12 76 15,2 0,00910 13,3805 81,4641 3 2 50 50 3 3 38 2
13 76 15,2 0,00932 13,4073 81,6259 4 2 50 50 3 3 38 2
14 100 25 0,00623 18,0000 217,8952 4 2 70 70 4 -3 50 7
15 100 25 0,00612 18,1000 218,3350 4 2 70 70 4 -3 50 7
16 100 25 0,00598 18,2000 218,7752 5 2 70 70 4 -3 50 7
17 155 54,25 0,00463 10,6940 142,7348 5 2 150 150 6 5 77,5 15
18 155 54,25 0,00473 10,7154 143,0288 5 2 150 150 6 5 77,5 16
19 155 54,25 0,00481 10,7367 143,3179 5 2 150 150 6 5 77,5 23
20 155 54,25 0,00487 10,7583 143,5972 5 2 150 150 6 5 77,5 23
21 197 68,95 0,00259 23,0000 259,1310 5 2 200 200 8 -4 98,5 13
22 197 68,95 0,00260 23,1000 259,6490 5 4 200 200 8 -4 98,5 13
23 197 68,95 0,00263 23,2000 260,1760 5 4 200 200 8 -4 98,5 13
24 350 140 0,00153 10,8616 177,0575 8 5 300 300 8 10 175 23
25 400 100 0,00194 7,4921 310,0021 8 5 500 500 10 10 200 18
26 400 100 0,00195 7,5031 311,9102 8 5 500 500 10 10 200 21
X : Condio inicial de operao da UGT, onde (+) online e (-) offline. Fonte: Wang e Shahidehpour(61)
0
Tabela A.7 Resistncia e reatncia das linhas de transmisso do Sistema Teste 2.
No Linha r x No Linha r x No Linha r x

[pu] [pu] [pu] [pu] [pu] [pu]
1 1-2 0,0026 0,0139 13 8-10 0,0427 0,1651 25 15-21 0,00315 0,0245
2 1-3 0,0546 0,2112 14 9-11 0,0023 0,0839 26 15-24 0,0067 0,0519
3 1-5 0,0218 0,0845 15 9-12 0,0023 0,0839 27 16-17 0,0033 0,0259
4 2-4 0,0328 0,1267 16 10-11 0,0023 0,0839 28 16-19 0,003 0,0231
5 2-6 0,0497 0,192 17 10-12 0,0023 0,0839 29 17-18 0,0018 0,0144
16 3-9 0,0308 0,119 18 11-13 0,0061 0,0476 30 17-22 0,0135 0,1053
7 3-24 0,0023 0,0839 19 11-14 0,0054 0,0418 31 18-21 0,00155 0,01295
8 4-9 0,0268 0,1037 20 12-13 0,0061 0,0476 32 19-20 0,00255 0,0198
9 5-10 0,0228 0,0883 21 12-23 0,0124 0,0966 33 20-23 0,0014 0,0108
10 6-10 0,0139 0,0605 22 13-23 0,0111 0,0865 34 21-22 0,0087 0,0678
11 7-8 0,0159 0,0614 23 14-16 0,005 0,0389
12 8-9 0,0427 0,1651 24 15-16 0,0022 0,0173
Potncia base=100MVA. Fonte: ITI-Ilinois(88)
Tabela A.8 Localizao da demanda do Sistema Teste 2.
Barra L [%] Barra L [%] Barra L [%]

1 3,79 7 4,39 15 11,12
2 3,40 8 6,00 16 3,51
3 6,32 9 6,14 18 11,68
4 2,60 10 6,84 19 6,35
5 2,49 13 9,30 20 4,49
6 4,77 14 6,81
Tabela A.9 Limites de fluxo de potncia das linhas de transmisso do Sistema Teste 2.
No Linha f Max No Linha f Max No Linha f Max

[MW] [MW] [MW]
1 1-2 175 13 8-10 175 25 15-21 500
2 1-3 175 14 9-11 400 26 15-24 500
3 1-5 175 15 9-12 400 27 16-17 500
4 2-4 175 16 10-11 400 28 16-19 500
5 2-6 175 17 10-12 400 29 17-18 500
6 3-9 175 18 11-13 500 30 17-22 500
7 3-24 400 19 11-14 500 31 18-21 500
8 4-9 175 20 12-13 500 32 19-20 500
9 5-10 175 21 12-23 500 33 20-23 500
10 6-10 175 22 13-23 500 34 21-22 500
11 7-8 175 23 14-16 500
12 8-9 175 24 15-16 500
Sistema Teste 3

1 700 70 9 1300 130 17 1000 100
2 750 75 10 1400 140 18 1100 110
3 850 85 11 1450 145 19 1200 120
4 950 95 12 1500 150 20 1400 140
5 1000 100 13 1400 140 21 1300 130
6 1100 110 14 1300 130 22 1100 110
7 1150 115 15 1200 120 23 900 90
8 1200 120 16 1050 105 24 800 80
Fonte: Kazarlis, Bakirtzis e Petridis(73)
q f
UGT PMax PMin a0 a1 a2 TML TMD CP CP X0
[MW] [MW] [$/MW2 h] [$/MWh] [$/h] [h] [h] [$] [$] [h] [h]
1 455 150 0,00048 16,19 1000 8 8 4500 9000 5 8
2 455 150 0,00031 17,26 970 8 8 5000 10000 5 8
3 130 20 0,00200 16,60 700 5 5 550 1100 4 -5
4 130 20 0,00211 16,50 680 5 5 560 1120 4 -5
5 162 25 0,00398 19,70 450 6 6 900 1800 4 -6
6 80 20 0,00712 22,26 370 3 3 170 340 2 -3
7 85 25 0,00079 27,74 480 3 3 260 520 2 -3
8 55 10 0,00413 25,92 660 1 1 30 60 0 -1
9 55 10 0,00222 27,27 665 1 1 30 60 0 -1
10 55 10 0,00173 27,79 670 1 1 30 60 0 -1
X : Condio inicial de operao da UGT, onde (+) online e (-) offline. Fonte: Kazarlis, Bakirtzis e Petridis(73)
0

Dissertação - Roberto Menezes - Versão Final

Загружено:

Сведения о документе

Авторское право

Доступные форматы

Поделиться этим документом

Поделиться или встроить документ

Параметры публикации

Этот документ был вам полезен?

Это неприемлемый материал?

Авторское право:

Доступные форматы

Dissertação - Roberto Menezes - Versão Final

Загружено:

Авторское право:

Доступные форматы

Universidade Federal de Sergipe

PROGRAMAO DIRIA DA OPERAO DE SISTEMAS

Roberto Felipe Andrade Menezes

Roberto Felipe Andrade Menezes

Dissertao de Mestrado apresentada ao Pro-

Orientadora: Profa . Dra. Andra Arajo

So Cristvo - SE, Brasil

Roberto Felipe Andrade Menezes

DISSERTAO SUBMETIDA AO CORPO DOCENTE DO PROGRAMA DE PS-GRADUAO

Profa . Dra. Andra Arajo Sousa

Prof. Dr. Oscar Alberto Zanabria Sotomayor

Prof. Dr. ngelo Mrcio Formiga de Almeida

Prof. Dr. Rmulo Alves de Oliveira

SO CRISTVO - SE, BRASIL

Dissertao (Mestrado em Engenharia Eltrica) Universidade Federal de Sergipe

1. Operao Energtica. 2. Alocao de Unidades Geradoras. 3. Despacho Econmico.

PROGRAMAO DIRIA DA OPERAO DE SISTEMAS TERMELTRICOS

Roberto Felipe Andrade Menezes

Orientadora: Profa . Dra. Andra Arajo Sousa

PROGRAMAO DIRIA DA OPERAO DE SISTEMAS TERMELTRICOS

Roberto Felipe Andrade Menezes

Advisor: Profa . Dra. Andra Arajo Sousa

2 O PROBLEMA DA PROGRAMAO DIRIA DA OPERAO ENER-

3 MTODOS DE PONTOS INTERIORES E SUA APLICAO NO PRO-

6 FORMULAO DO PROBLEMA E METODOLOGIA PROPOSTA

APNDICE A RESULTADOS DO DESPACHO ECONMICO . . . 104

APNDICE B RESULTADOS DO FLUXO DE POTNCIA . . . . . 109

ANEXO A DADOS DOS SISTEMAS TESTES . . . . . . . . . . . . . 114

Figura 2.1 Horizontes de planejamento do ONS. . . . . . . . . . . . . . . . . . . . . . 25

Tabela 1.1 Consumo de eletricidade no Brasil [GWh]. . . . . . . . . . . . . . . . . . . 19

ANEEL Agncia Nacional de Energia Eltrica.

AUGT Alocao de Unidades Geradoras Trmicas.

Cepel Centro de Pesquisas de Energia Eltrica.

EPE Empresa de Pesquisa Energtica.

FPO Fluxo de Potncia timo.

GHP Grau de Homogeneidade da Populao.

IEEE Institute of Electrical and Electronics Engineers.

MPI Mtodo de Pontos Interiores.

MPIPD Mtodo de Pontos Interiores Primal-Dual.

ONS Operador Nacional do Sistema Eltrico.

PDO Planejamento Dirio da Operao.

PEN Planejamento Anual da Operao Energtica.

PMO Programa Mensal da Operao Energtica.

PNLQ Programao No-Linear Quadrtica.

SEP Sistemas Eltricos de Potncia.

SIN Sistema Interligado Nacional.

UGT Unidade Geradora Trmica.

a0 Coeficiente quadrtico da funo custo.

a1 Coeficiente linear da funo custo.

a2 Coeficiente independente da funo custo.

a0i Coeficiente quadrtico da funo custo da UGT i.

a1i Coeficiente linear da funo custo da UGT i.

a2i Coeficiente independente da funo custo da UGT i.

CMax Custo mximo possvel para o problema da programao diria de operao.

CP Custo de Partida da UGT.

CPi (t) Custo de partida da UGT i no instante t.

CT Custo de produo total para o perodo de anlise.

D Matriz de incidncia da rede.

E Matriz formada por vetores cannicos correspondentes s barras de gerao

fkm (t) Fluxo de potncia na linha entre as barras k e m no instante t.

f Max Capacidade mxima da linha de transmisso.

FBL Frequncia de realizao de busca local.

FGHP Frequncia de verificao do GHP.

g Nmero de barras de gerao.