TG II Claudia Inafuko - Post Presentation

3
UNIVERSIDADE ESTADUAL PAULISTA

Faculdade de Engenharia
Campus de Bauru
Modelo de Autoprogramação de Geração de um Sistema

Hidrelétrico
Aluna: Cláudia Harumi Saito Inafuko

Orientador: Prof. Dr. Leonardo Nepomuceno
Bauru
2017
4
CLÁUDIA HARUMI SAITO INAFUKO
Modelo de Autoprogramação de Geração de um Sistema

Hidrelétrico
Monografia do Trabalho de Graduação como

exigência para obtenção do grau de Bacharel em
Engenharia Elétrica
Universidade Estadual Paulista “Julio de Mesquita Filho”

Faculdade de Engenharia de Bauru
Orientador: Prof. Dr. Leonardo Nepomuceno
Bauru
2017
5
Inafuko, Cláudia Harumi Saito
Modelo de Autoprogramação de Geração de um Sistema Hidrelétrico / Cláudia Harumi Saito

Inafuko. — 2017.
65 f.
Orientador: Leonardo Nepomuceno
Trabalho de Conclusão de Curso — Universidade Estadual Paulista “Julio de Mesquita Filho”.

Faculdade de Engenharia de Bauru, 2017.
1. Programação Linear Inteira Mista. 2. Mercados de Eletricidade. 3. Autoprogramação de

Sistemas Hidrelétricos. I. Nepomuceno, Leonardo. II. Bacharelado em Engenharia Elétrica, 2017. III.
Título.
6
FOLHA DE APROVAÇÃO
Aluna: Cláudia Harumi Saito Inafuko
Título: Modelo de Autoprogramação de Geração de um Sistema Hidrelétrico
Trabalho de Graduação defendido e aprovado em 09/06/2017, com MÉDIA 10 (dez), pela

comissão julgadora:
_______________________________________
Prof. Dr. Leonardo Nepomuceno (Orientador)
Faculdade de Engenharia de Bauru/DEE/UNESP
_______________________________________
Prof. Dr. André Cristóvão Pio Martins
Faculdade de Engenharia de Bauru/DEE/UNESP
_______________________________________
Profª Drª. Edilaine Martins Soler
Faculdade de Ciências de Bauru/DM/UNESP
___________________________________________
Coordenador do Conselho de Curso de Graduação em
Engenharia Elétrica
7
RESUMO
Este trabalho propõe um modelo de Autoprogramação (AP) para ser utilizado pelos
agentes geradores em um mercado Pool levando em consideração o horizonte de programação de
curtíssimo prazo (a cada hora do dia). Com o propósito de complementar a formação acadêmica,
o trabalho consiste em uma integração de assuntos técnicos e conhecimentos de mercado. O
modelo é formulado como um problema de programação linear inteira-mista (PLIM), e tem como
objetivo a maximização dos lucros de uma companhia do tipo price-maker sujeito ao atendimento
das principais restrições associadas à operação de suas unidades. Uma companhia é dita do tipo
price maker quando esta possui poder de mercado, isto é, quando esta tem a capacidade de alterar
os preços de mercados por meio de suas ofertas aos leilões de energia.
Palavras-chave: Programação Linear Inteira Mista, Mercado Pool de Energia, Autoprogramação

de Sistemas Hidrelétricos.
8
ABSTRACT
This work proposes a self-scheduling model to be used by generating agents in a Pool market
taking into consideration a real-time pool (hourly). With the purpose of complementing the
academic formation, the work consists in an integration of technical subjects and market
knowledge. The model is formulated as an integer-mixed linear programming problem, and aims
to maximize the profits of a price-maker company subject to the main constraints associated with
the operation of its units. A company is said to be a price maker when it has market power, that
is, when it can change market prices through its offers to power auctions.
Keywords: Mixed-Integer Linear Programming, Pool-based Market, Self-scheduling of

Hydroelectric Systems.
9
SUMÁRIO
1 INTRODUÇÃO 11
2 CLASSIFICAÇÃO DE MERCADOS DE ELETRICIDADE 14
2.1 LEILÕES DE ENERGIA 14
2.2 CONTRATOS BILATERAIS 16
2.3 MODELOS CENTRALIZADO E DESCENTRALIZADO 16
3 MERCADO DE ENERGIA NO BRASIL 18
4 RESTRIÇÕES FÍSICAS E OPERATIVAS 21
4.1 RESERVATÓRIO 21
4.2 VAZÃO DE ENTRADA 22
4.3 DEFLUÊNCIA, ENGOLIMENTO E VERTIMENTO 23
4.4 COTA DE MONTANTE E JUSANTE DO RESERVATÓRIO 23
4.5 ALTURA DE QUEDA 24
4.6 CONJUNTOS TURBINA/GERADOR 24
4.7 POTÊNCIA MÁXIMA E ENGOLIMENTO MÁXIMO 25
4.8 FUNÇÃO DE PRODUÇÃO HIDRÁULICA 26
5 OTIMIZAÇÃO LINEAR 28
5.1 DEFINIÇÕES E CONCEITOS - PROGRAMAÇÃO LINEAR (PL) 28
5.2 O MÉTODO SIMPLEX 31
5.3 ALGORITMO SIMPLEX 34
5.4 DEFINIÇÕES E CONCEITOS - PROGRAMAÇÃO INTEIRA-MISTA 35
5.5 MÉTODOS BRANCH-AND-BOUND E BRANCH-AND-CUT 35
6 DESCRIÇÃO DO MODELO 37
10
7 RESULTADOS E DISCUSSÕES 45
8 CONCLUSÃO 52
REFERÊNCIAS 53
APÊNDICE A: DADOS DE ENTRADA 55
APÊNDICE B: CÓDIGO CPLEX 62

11
1 INTRODUÇÃO
No setor elétrico de um país, dois planejamentos são extremamente importantes para o

bom funcionamento do mercado: o planejamento da operação e o planejamento da expansão da
geração. Em um ambiente com predominância de hidrelétricas, o planejamento da operação pode
ser representado por um problema de otimização podendo ser resolvido por diversos métodos.
Devido à característica de interligação do sistema elétrico brasileiro, o denominado
Sistema Interligado Nacional (SIN), a complexidade aumenta, uma vez que deve haver um
acoplamento operativo ótimo entre as unidades dentro de uma mesma bacia hidrográfica, levando
em consideração o comprometimento dos recursos entre o futuro e o presente. Outro fator
importante é a não linearidade das restrições do problema, como por exemplo, a função de
produção e a complementação termelétrica.
Uma das metodologias aplicadas ao planejamento da operação é a decomposição do
problema em etapas de médio, longo e curto prazo. Em alguns países há também as etapas de
curtíssimo prazo ou em tempo real. Desta forma, a função custo futuro, que demonstra esse
comprometimento entre a conjuntura atual e a futura, oferece subsídios para o planejamento de
geração, tendo em vista que pode refletir na real relação de oferta e demanda.
O foco deste trabalho é o modelo de planejamento de curto prazo em um ambiente de
mercado. Neste ambiente, especificamente no mercado pool do dia seguinte, os operadores de
mercados recebem diariamente ofertas de geração e lances de consumo em leilões de energia. Os
modelos de leilão buscam maximizar o consumo dos agentes consumidores com maiores lances
de compra e maximizar a geração das companhias com menores preços das ofertas de venda.
Um dos problemas fundamentais que uma companhia geradora enfrenta consiste em
calcular quais devem ser as ofertas fornecidas ao mercado que irão proporcionar o maior lucro à
companhia, denominado de Cálculo de Lances Estratégicos (CLE). A solução de problemas de
CLE demanda o conhecimento das ofertas e lances dos demais agentes e se constitui em um
problema com incertezas e dificuldades de modelagem e numérica. Assim, em geral, o CLE é
feito em duas etapas de modelagem: na primeira etapa, as companhias buscam calcular a
produção de energia que irá maximizar seus lucros sujeito ao atendimento de suas restrições
operativas, em um modelo denominado de Autoprodução, ou Autoprogramação (AP). Com os
valores de autoprodução ótimos definidos por este modelo, as companhias buscam calcular, em
12
uma segunda etapa, as ofertas no leilão de energia que devem fazer com que sua geração se
aproxime da geração ótima, obtida pelo modelo de AP.
O capítulo 2 apresenta os tipos de mercados de energia de uma forma geral. A abordagem
dessa classificação é feita amplamentede forma ampla, dividindo o mercado entre regulado e não
regulado com níveis diferentes de autonomia. Os tipos de mercado são provenientes da evolução
do setor elétrico sob a perspectiva mundial e a evolução das tecnologias das diversas fontes de
energia existentes. Constituem em uma parte importante deste trabalho para entender a
contextualização do problema de otimização estudado (BARROSO et. al, 2005).publicado na
revista IEEE em 2005, intitulado de “Classification of Electricity Market Models Worldw
Tendo delimitado os tipos de mercado existentes, é apresentada no capítulo 3, a aplicação
dos conceitos de mercado no ao setor elétrico brasileiro. É importante ressaltar que com o
entendimento do capítulo 2 é possível identificar o grau de liberdade e autonomia dos agentes de
mercado no Brasil. Além disso, apresenta-se um breve histórico e resumo do cenário atual do
ponto de vista regulatório, tendo como base as informações da disponíveis em (ABRADEE ,
2017(Associação Brasileira de Distribuidores de Energia Elétrica) e do em (MME, 2017)
(Ministério de Minas e Energia).
A fim de viabilizar o entendimento técnicoa compreensão do modelo matemático
investigado, o capítulo 4 discorre sobre as restrições técnicas de sistemas de geração
hidrelétricos. Esse capítulo fornece uma visão sistêmica e noção de grandezas das variáveis
envolvidas e é está baseado na dissertação de mestrado submetida em 1999, pelo então mestre
Marcelo Augusto Cicogna na Universidade Estadual de Campinas (CICOGNA, 1999).
Uma vez que o problema será tratadoé formulado como como um problema de
programação linear inteira mista linear, o capítulo 5 se dedica a expor os conceitos básicos e as
metodologias de solução de problemas de otimização linear inteira mistalinear, os quais que são
utilizados pelos pelos pacotes computacionais para a obtenção dos resultadosatuais. O capítulo se
inicia apresentando os conceitos básicos de programação linear, e a partir de fatores mais
realistas, os conceitos de programação linear inteira mista são introduzidos, bem como os
métodos de solução branch and bound e branch and cut. O capítulo é fundamentado pelo livro
didático intitulado de “Pesquisa Operacional” Arenales, Armentano, Morabito e Yanasse,
professores renomados de universidades conceituadas do país(ARENALES et al., 2007).
13
O modelo proposto é resultado da combinação de trabalhos que são apresentados no

capítulo 6. As principais restrições técnicas operacionais do sistema de geração hidrelétrica são
baseadas no artigo “Network-Constrained Multiperiod Auction for Pool-Based Electricity
Markets of Hydrothermal Systems”, escrito por Pereira, de Oliveira, Baptista, Balbo, Soler e
Nepomuceno(PEREIRA et al., 2017), publicado aceito para publicação na Revista IEEE
Transactions on Power Systems. em Março de 2017.A função objetivo, por sua vez, é está
baseada na técnica de linearização da função de lucros de uma companhia geradora proveniente
dodescrita em artigo (LA TORRE, et al.,2002) “Price Maker Self-Scheduling in a Pool-Based
Electricity Market: A Mixed-Integer LP Approach” escrito por de La Torre, Arroyo, Conejo e
Contreras, publicado em 2002 na Revista IEEE. O trabalho propõe a utilização da função de
demanda residual, também conhecida como curva cota-preço, que as fornece informações de
mercado são suficientes para prever o poder de mercado que uma companhia geradora tempossa
ter, e assim, converge a um quantitativo e precificação ótimos dos pacotes de energia ofertados
no horizonte de curtíssimo tempo.
Para finalizar, os resultados são apresentados e discutidos no capítulo 7 e as referências
que nortearam e possibilitaram este trabalho são apresentadas em seção própria. No apêndice A,
são apresentados os dados que foram coletados para alimentar o modelo estudado.
14
2 CLASSIFICAÇÃO DE MERCADOS DE ELETRICIDADE
Muitos países tiveram seus mercados de eletricidade desenvolvidos de maneira similar.

Partindo de um modelo mais centralizado e integrado, a segregação entre a geração, transmissão
e distribuição gerou mais competitividade e foi um primeiro passo para a descentralização do
mercado. Apesar de características técnicas, bem como políticas regulatórias diferentes entre os
países, a classificação de modelos de mercado pode ser dividida entre modelo centralizado
(leilões de energia), modelo descentralizado (contratos bilaterais) ou uma proporção combinação
entre os dois.
2.1 LEILÕES DE ENERGIA
No ambiente de leilão, as companhias geradoras dão seus respectivos blocos de ofertas de

energia e preços. A combinação das ofertas de todas as companhias em uma curva do tipo energia
versus preço é denominada de curva de geração (oferta) agregada. No ambiente regulado,
anterior à implantação dos mercados de energia, não havia a concorrência por meio de ofertas de
geração em um mercado. Naquele ambiente, o despacho de geração era feito com base na
minimização de custos variáveis de produção pré-determinados, o que constitui em um modelo
de minimização de custo. Por outro lado, no ambiente de mercados os geradores são livres para
determinar seus suas próprios próprias preçosofertas de preços e quantidade, caracterizando o
Leilão leilão como um Leilão leilão Baseado baseado em Preço (BARROSO et al., 2005).
Do ponto de vista da demanda, em um Leilão leilão Unilateralunilateral, o operador de
mercado, através da previsão de demanda, realiza o despacho somente das unidades geradoras. O
despacho, denominado centralizado, resulta em um preço de equilíbrio de mercado conforme
mostra a Figura 1(b). Por outro lado, em um Leilão leilão Bilateralbilateral, as companhias
distribuidoras, bem como os clientes elegíveis de com liberdade de compra no mercado, podem
determinar seus lances de compra, gerando assim, a curva de demanda agregada.
Este tipo de modelo implica em um processo mais sofisticado de casamento de
ordensmecanismo de casamento (matching engine), no qual as ordens vendedoras (ofertas) se
15
encontram com as compradoras (demandas), formando assim o preço de equilíbrio de mercado

conforme mostra a Figura 1(a) (BARROSO et al., 2005).
Figura 1 - Preço de Equilíbrio de Mercado
(a) Leilão Bilateralbilateral: intersecção das curvas de demanda e oferta agregadas (esquerda); (b)
Leilão Unilateralunilateral: intersecção da curva de geração agregada e a demanda prevista
(esquerda). FONTE: adaptada pela autora de (BARROSO et al., 2005, p. 2).
Em relação ao horizonte de programação, os leilões podem operar ser realizados em

Mercados mercados do Dia dia Seguinte seguinte ou em tempo real, c; como, por exemplo, ao
longo do próprio dia ou cinco minutos a à frente. Usualmente, os lances de compra e ofertas de
venda caracterizam-se por ofertas serem firmes. Porém, em se tratando de leilões em tempo real,
outros leilões podem ocorrer simultaneamente através de ofertas indicativas. Estes leilões
indicativos são dados cruciais para que o lado da demanda não despachada tenha uma resposta
rápida de mercado caso os preços estejam muito altos (BARROSO et al., 2005).
Durante No processo de mecanismo de casamentocasamento de ordens, primeiramente, o
despacho é feito dos geradores mais baratos e em um segundo momento, os aspectos físicos do
sistema de transmissão são analisados. Se há congestionamento do sistema, a ordem é modificada
e é levado em consideração um preço de congestionamento, o qual é rateado entre os agentes de
mercado da zona considerada. Este tipo de processo é denominado de geração “constrained-
on/off” (BARROSO et al., 2005).
Em contrapartida, o processo pode levar em consideração as restrições físicas e
operativastécnicas simultaneamente às restrições econômicas, considerando tanto os aspectos
físicos do sistema de transmissão quanto o preço marginal de geração. O custo marginal de
16
geração corresponde ao incremento de demanda em uma localização específica da rede levando-

se em consideração as características da rede e de geração. Desta forma, o custo de
congestionamento é restringido a regiões da rede e não mais socializado entre os agentes de
mercado (BARROSO et al., 2005).
O modelo de mercado que considera o custo marginal de geração a cada nó do sistema
constituiria em uma situação ideal para sinalizar a necessidade de novos investimentos na rede de
transmissão, uma vez que gerencia o congestionamento. O conceito de zonas também é utilizado,
porém, a vantagem do sistema nodal se perderia, uma vez que os custos de congestionamento
teriam que ser alocados novamente e a sinalização de novos investimentos se diluiria dentro da
região (BARROSO et al., 2005).
2.2 CONTRATOS BILATERAIS
Paralelamente aos leilões de energia podem ocorrer os contratos bilaterais. Os contratos

bilaterais são estabelecidos diretamente entre as companhais geradoras e os consumidores. Nestes
contratos, os preços e quantidades são acertados de forma bilateral, sem a interferência do
operador de mercado. Em geral, estes contratos são estabelecidos no curto, médio e longo prazos.
Como os preços estão estabelecidos nos contratos são fixos (não flutuam com as alterações nos
preços de equíbrio do pool), os contratos bilaterais são uma forma de prevenção (hedging) contra
os riscos assumidos por agentes produtores e consumidores.
Como as quantidades consumidas e geradas estabelecidas nos contratos não nem sempre
se anulam, geradores podem comprar energia do mercado pool a fim de cumprir seus contratos,
bem como as distribuidoras ou consumidores elegíveis podem vender seus excedentes de energia.
Além disso, em mercados mais sofisticados, o operador do sistema pode operar um mercado de
balanceamentoequilíbrio (em tempo real), de modo a estabelecer um ajuste de preço de mercado
para compensar estas diferenças . Similarmente, essa iniciativa pode partir dos próprios agentes
de mercado através de leilões do dia seguinte ou diários (BARROSO et al., 2005).
2.3 MODELOS CENTRALIZADO x E MODELO DESCENTRALIZADO

17
Em termos gerais, ambos ambos os ambientes podem coexistir em diversas proporções.

Em um ambiente de leilão há uma transparência maior de mercado, no que diz respeito a à
relação de oferta e demanda e sinalização de novos investimentos. Além disso, uma vez que os
preços do pool possuem leilão representa uma volatilidade maior nos de preços, os agentes
podem fazer uso de contratos bilaterais a fim de se proteger contra este risco (BARROSO et al.,
2005).
Com o objetivo de melhor ilustrar a diferença entre os dois tipos de mercado, a Figura 2
mostra as ilustra duas situações onde a primeira é o despacho centralizado, e a segunda representa
o despacho descentralizado. Usualmente, o despacho centralizado se dá em um ambiente
reguladocontrolado, e o descentralizado em um ambiente livre.
Figura 2 – Despacho Centralizado e Descentralizado
FONTE: adaptada pela autora de (BARROSO et al., 2005, p. 5).
O despacho centralizado fornece maiores vantagens em relação a integração do sistema de

geração e transmissão. Uma vez integrado, é possível aplicar o conceito de preço marginal local e
consequentemente gerenciar melhor as restrições da transmissão. Adicionalmente, viabiliza uma
gestão melhor de recursos hídricos em países que utilizam energia proveniente de geração
hidrelétrica (BARROSO et al., 2005). Por outro lado, o despacho descentralizado possibilitaria
um ambiente mais competitivo e livre, uma vez que o despacho é feito pelas próprias geradoras.
18
3 MERCADO DE ENERGIA NO BRASIL
O estabelecimento do setor elétrico brasileiro remonta à época da indústria do café, onde

iniciou-se um processo de urbanização levando à necessidade da iluminação pública. Este seria
parte do primeiro período, dos cinco períodos considerados identificados por alguns
pesquisadores, terminando no início da década de 1930 (ABRADEE, 2017).
Em sequência, de 1930 até 1945, com o processo de industrialização, duas ações se
destacam: a denominação de propriedade das quedas d’água à União e assim, a exclusividade de
outorga das concessões para aproveitamento hidráulico; e o estabelecimento de um sistema
tarifário sob o regime de “custo do serviço” (ABRADEE, 2017).
No período pós-guerra até 1970, há uma forte presença do Estado em todos os segmentos
da indústria de energia e um forte investimento no setor. No início da década de 1980, devido à
crise da dívida externa brasileira, as tarifas de energia foram mantidas baixas a fim de conter a
inflação, o que impossibilitava um equilíbrio econômico das empresas do setor. Além disso, para
agravar essa situação, vigorava uma equalização tarifária, e todo custo de ineficiência era rateado
igualmente entre todos os agentes (ABRADEE, 2017).
Neste contexto, o quinto período do desenvolvimento do setor elétrico brasileiro, que se
iniciou na década de 1990, culminou no atual modelo. O papel do Estado passaria de executor
para regulador apenas. Desta forma, autarquias independentes foram criadas e muitas empresas
foram privatizadas levando a uma estrutura de agentes, atualmente representada pela Figura 3
(ABRADEE, 2017).
No período de 2001 a 2002, o país sofreu um grande racionamento de energia devido à
falta de planejamento e monitoramento eficaz centralizado e uma redução significativa no
volume de chuvas. Portanto, novos ajustes no modelo foram introduzidos em 2004, através da
“Proposta do Modelo Institucional do Setor Elétrico” cujos principais objetivos eram a segurança
energética, a modicidade tarifária e a universalização do atendimento (MME, 2003).
Em 2012, através da Medida Provisória 579 que posteriormente converteu-se na Lei
12.783 de 2013, as empresas geradoras e transmissoras tiveram que se submeter à condição de
regulação de seus preços pela ANEEL a fim de ter seus contratos de concessão renovados.
Consequentemente, as geradoras perderam competitividade e o ambiente se tornou ainda mais
19
regulado de maneira semelhante ao que já ocorria com as distribuidoras e transmissoras nos

denominados monopólios naturais (ABRADEE, 2017).
Figura 3 – Organograma do Setor Elétrico Brasileiro
FONTE: (ONS, 2016)
Em linhas gerais, pode-se resumir que atualmente o setor elétrico brasileiro é

caracterizado pelos seguintes itens (ABRADEE, 2017):
 Segregação das atividades de geração, transmissão e distribuição;

 Coexistência de empresas públicas e privadas;
 Planejamento e operação centralizados;
 Regulação das atividades de transmissão e distribuição pelo regime de incentivos;
 Regulação da atividade de geração para empreendimentos antigos;
 Concorrência na atividade de geração para empreendimentos novos;
 Coexistência de consumidores cativos e livres;
 Livres negociações entre geradores, comercializadores e consumidores livres;
20
 Leilões regulados para contratação de energia para as distribuidoras, que fornecem

energia aos consumidores cativos;
 Preços da energia elétrica (commodity) separados dos preços do seu transporte (uso do
fio);
 Preços distintos para cada área de concessão;
 Mecanismos de regulação contratuais para compartilhamento de ganhos de produtividade
nos setores de transmissão e distribuição;
21
4 RESTRIÇÕES TÉCNICASFÍSICAS E OPERATIVAS
Basicamente, a energia gerada por usinas hidrelétricas se dá pela transformação de

energia potencial hidráulica em energia elétrica. A água represada nos reservatórios é conduzida
através de condutos forçados até as turbinas. Este local é denominado de casa de máquinas e é
onde a água movimenta as pás da turbina, que, acoplada a um gerador, em movimento contínuo,
gera energia elétrica (CICOGNA, 1999).
Após a passagem pelas turbinas, a água volta ao rio através do canal de fuga e em uma
situação de cheia do reservatório, pode-se verter a água através do vertedor. Um esquema das
variáveis a serem consideradas em um reservatório é ilustrado na figura abaixo, bem como a
classificação dos volumes de um reservatório (CICOGNA, 1999).
4.1 RESERVATÓRIO
Figura 4 – Esquema de uma Usina Hidrelétrica
(a) Esquema de uma usina hidrelétrica (esquerda); (b) Classificação dos volumes de um
reservatório. FONTE: (CICOGNA, 1999, p. 21-22).
Na Figura 4, identificam-se as seguintes grandezas:

Reservatório:
 x, x e x : volume, volume máximo, volume mínimo operativo do reservatório
[hm³];
 x útil=( x−x): volume útil do reservatório [hm³];
 u : vazão descarregada pela usina (defluência) [m³/s];
22
 q : vazão turbinada pela usina (engolimento) [m³/s];

 v : vazão descarregada pelo vertedor (vertimento) [m³/s];
 ϕ( x) e θ ( u ) : cota de montante (função do volume) e de jusante do reservatório
(função da defluência) [m];
 hb =( ϕ ( x )−θ ( u ) ) : altura de queda bruta [m];
 z op : cota mínima operativa, na qual ocorre a adução à casa de máquinas. Abaixo desta
cota se encontra o volume morto [m];
 z nop e z nop : cota máxima e mínima normal operativa. Entre essas cotas, está
armazenado o volume útil x útil [m];
 z maximorum : a cota maximorum é a cota que ultrapassada sinaliza o estado de colapso do
reservatório. O espaço entre z nop e z maximorum é o volume de segurança que é
utilizado no controle de cheias [m].
Para determinação das cotas de um reservatório, é necessário, em fase de projeto, realizar
um estudo probabilístico de Cheias cheias de Projetoprojeto. As usinas são classificadas em dois
tipos: usinas de acumulação, que possuem reservatório, no qual é possível armazenar energia em
forma de água e as usinas de compensação, onde não é possível armazenar água. Através do
controle de vertimento e turbinagem, as usinas de acumulação são responsáveis pelo controle de
vazão dos rios (CICOGNA, 1999).
4.2 VAZÃO DE ENTRADA
A entrada de água em um determinado reservatório, denominada de afluência, é dividida

em dois tipos: afluência natural e incremental. A afluência natural, como o próprio nome diz, é a
vazão proveniente dos mananciais, rios e lagos conectados ao sistema. Além disso, é importante
ressaltar que a vazão natural é considerada a vazão fictícia em um cenário sem a ação do homem.
Portanto, as vazões históricas são dados que não levam em consideração o controle de vazão dos
reservatórios, a evaporação e sistemas de irrigação, por exemplo (ONS, 2017). Por outro lado, a
afluência incremental é a vazão decorrente do sistema de drenagem a montante que enche a água
do reservatório (CICOGNA, 1999).
23
As usinas dispõem de medições de vazões naturais desde 1931 para algumas bacias
hidrográficas. A maioria das bacias possuem esses dados de vazões históricas apenas
considerando a vazão natural e com periodicidade mensal, algumas específicas possuem vazões
incrementais e naturais diárias. Estes dados são importantes para determinação da programação
de produção (ONS, 2017).
4.3 DEFLUÊNCIA, ENGOLIMENTO E VERTIMENTO
A variável q representa a vazão turbinada, ou seja, a água que é conduzida à casa de

máquinas e que gera energia. Esta variável é limitada a um engolimento máximo q , que
representa a vazão que gera a potência máxima dada uma altura de queda líquida. O vertimento
v , por sua vez, é a vazão que não passa pela casa de máquinas, e a defluência é a soma das
vazões totais ao canal de fuga (CICOGNA, 1999), conforme dado em (1).
u=q+ v [m3 / s] (1)
4.4 COTA DE MONTANTE E JUSANTE DO RESERVATÓRIO
A cota de montante de um reservatório é uma função não linear do volume armazenado.

Usualmente é representada por um polinômio de quarto grau através de estudos topográficos da
região alagada. Utilizando-se de regressão numérica, com os dados de volume em função do
nível de água, é possível obter os coeficientes do polinômio em questão. A cota de jusante ou cota
de canal de fuga também é representada através de polinômios. A cota de jusante é função da
defluência (CICOGNA, 1999).
Um conceito importante a se levar em consideração é o de usinas afogadas. Esse
fenômeno ocorre quando duas usinas estão muito próximas em uma mesma cascata, fazendo com
que haja um afogamento do canal de fuga de uma usina pelo reservatório da usina imediatamente
a jusante conforme ilustra a figura abaixo. Neste caso a cota de jusante da usina afogada é
24
determinada através da interpolação dos polinômios para diferentes níveis de água do

reservatório a jusante da usina afogada (CICOGNA, 1999).
Figura 5 - Esquema do afogamento do Canal de Fuga
FONTE: CICOGNA, 1999, p.30
4.5 ALTURA DE QUEDA
A altura de queda bruta e altura de queda líquida são representadas através da diferença
entre as cotas de montante e jusante, e aplicando-se um fator de perda, respectivamente. Este
fator de perda é atribuído, principalmente, às perdas devido ao atrito entre a água e os dutos de
canalização. A representação da perda de carga é feita através de três maneiras no setor elétrico
brasileiro, a saber: uma porcentagem, uma constante ou uma função da turbinagem da usina
(CICOGNA, 1999).
4.6 CONJUNTOS TURBINA/GERADOR
Os dados a serem considerados referentes aos conjuntos turbina/gerador seguem abaixo:

 N C : número de conjuntos de unidades geradoras da usina;
 N j : número de unidades geradoras do conjunto j ;

 Tipo j : tipo da turbina do conjunto j (Francis, Kaplan ou Pelton);
25
 pef , j : potência efetiva de cada unidade geradora do conjunto j . A potência efetiva é

definida como a máxima potência ativa possível de ser gerada, em regime permanente, na
unidade geradora a partir da sua entrada em operação, e usualmente, difere da potência
nominal definida em fase de projeto;
 hef , j : altura de queda efetiva de cada unidade geradora do conjunto j , definida
como a menor queda líquida sob a qual a unidade desenvolve sua potência efetiva;
 q ef , j : engolimento efetivo de cada unidade geradora do conjunto j , definido como a
vazão turbinada que submetida à queda efetiva produz a potência efetiva.
Um conceito importante de uma turbina é a submotorização, fenômeno que ocorre quando
a vazão de afluência média é menor do que a vazão de engolimento efetivo (CICOGNA, 1999).
4.7 POTÊNCIA MÁXIMA E ENGOLIMENTO MÁXIMO
O conceito de potência máxima está ligado à limitação do par turbina/gerador. O

engolimento máximo representa a vazão máxima, a uma dada altura de queda, que produz a
potência máxima. O gráfico a seguir mostra que uma dada altura de queda, denominada de altura
de queda efetiva, divide a limitação da potência máxima pelo gerador e pela turbina (CICOGNA,
1999).
Para uma altura de queda superior à altura de queda efetiva, a turbina é capaz de produzir
potências mecânicas maiores do que o gerador é capaz de suportar. Portanto, para limitação
mecânica, a turbina possui um processo de fechamento parcial de seus distribuidores de forma a
diminuir seu turbinamento máximo, o que leva ao comportamento ilustrado no gráfico de
turbinagem em função da altura de queda na Figura . Desta forma, há uma economia de água do
reservatório, pois, quanto maior a queda líquida, menor é o engolimento máximo necessário
(CICOGNA, 1999).
Por outro lado, se a altura de queda for inferior à altura de queda efetiva, o par turbina
gerador não alcança a potência efetiva e o engolimento máximo da turbina é menor do que o
engolimento efetivo (CICOGNA, 1999).
Figura 6 – Potência Máxima x Altura de Queda Líquida e Engolimento Máximo x Altura de

Queda Líquida de uma unidade geradora
26
FONTE: (CICOGNA, 1999, p.37)
4.8 FUNÇÃO DE PRODUÇÃO HIDRÁULICA
A função de produção hidráulica é originária da equação de variação de energia potencial

em relação a uma variação de massa de água no reservatório. Esta função exprime a quantidade
de potência gerada em função da turbinagem, altura de queda e da eficiência da usina, como será
explanado através do desenvolvimento das equações a seguir (CICOGNA, 1999):
d e p =dm . g . h[J ] (2)

Onde:
d e p : variação incremental da energia potencial;
dm : variação incremental da massa de água armazenada no reservatório;
g : constante de aceleração da gravidade 9,81 m/s²;
h : altura de queda líquida, diferença entre a altura de queda da montante e jusante.
Utilizando-se o peso específico da água ( ρ = 1000 kg/m³), pode-se escrever a variação
incremental de massa em função da variação incremental de volume:
m
ρ= → dm=ρ . dv
v (3)
A variação de volume, por sua vez, se dá em um determinado intervalo de tempo, logo se

tem a vazão:
dv
q= → dv=q . dt
dt (4)
27
Portanto, substituindo as equações xx (3) e xx (4) em xxx (2) tem-se que:
d e p =ρ . q . dt . g . h (5)
Uma vez que a transformação de energia potencial em energia elétrica depende do

rendimento do processo de conversão, tem-se:
d e e=ηmed . ρ .q . dt . g . h (6)
Integrando xx (6) em função do tempo, a partir do conceito de que potência é a variação

de energia pela variação de tempo tem-se que (7):
p=η med . ρ. q . g . h[W ] (7)
med med MW
Agrupando g , ρ e η , tem-se k =0,00981∙ η [ ], que é a
(m ³/ s)∙ m
produtibilidade específica de uma unidade geradora, cuja função é não linear, uma vez que o
rendimento do processo de conversão de energia potencial em energia elétrica é função da vazão
turbinada e da altura de queda líquida. Porém, para fins de simplificação adota-se um rendimento
med
médio η , uma vez que a região de operação considerando um determinado intervalo de
tempo não varia muito.
28
5 OTIMIZAÇÃO LINEAR
Os modelos de otimização linear são amplamente utilizados em situações práticas e dão

suporte a tomadas de decisão. Calculam o resultado ótimo que se deseja obter, seja maximizando
ou minimizando um determinado valor, que, por sua vez, leva em consideração uma série de
restrições. Desta forma, os modelos de otimização linear muito se aproximam de condições reais,
e sua solução é obtida através de métodos computacionais, como o método simplex e o método
de pontos interiores, principais ferramentas computacionais utilizadas para resolução de
problemas de otimização linear (ARENALES, 2007).
5.1 DEFINIÇÕES E CONCEITOS - PROGRAMAÇÃO LINEAR (PL)
De forma a promover um entendimento mais técnico do texto no que se refere à descrição

do problema estudado, apresentam-se os conceitos e definições utilizados ao longo deste
trabalho. Os conceitos a seguir são básicos da teoria de otimização e estão dispostos conforme
ARENALES (2007).
Descrição do problema:
A forma padrão de um problema de otimização linear é dada em (8)::
Minimizar f ( x 1 , x 2 ,… , x n )=c1 x 1+ c2 x 2+ …+c n x n

a11 x 1+ a12 x 2 +…+a 1 n x n=b 1
a21 x 1+ a22 x 2 +…+ a2 n x n=b 2
⋮
am 1 x 1 +a m 2 x 2+ …+a mn x n=b m
x 1 ≥ 0, x 2 ≥ 0, … , x n ≥ 0 (8)
A função f ( x 1 , x 2 , … , x n ) representa a função objetivo, que neste caso será minimizada.

Seguidas das restrições do problema e as condições de não negatividade.
A forma padrão pode ser representada de forma equivalente pela notação matricial:
29
T
Minimizar f ( x )=c x
Ax=b
x ≥0 (9 )
Em que:
 Vetor de variáveis: x T =( x 1 , x 2 , … , x n )
T
 Vetor de custos: c =(c 1 , c 2 , … , c n)
[ ]
a11 a 12 … a1 n
a21 a 22 … a2 n
 Matriz dos coeficientes: A=
⋮ ⋮ ⋮ ⋮
am 1 am 2 … a mn
T
 Vetor dos recursos ou termos independentes: b =(b1 , b2 ,… , b n)
 Vetor cujos elementos são todos iguais a zero: 0T =( 0,0, … , 0)
Outra forma de representação pode ser utilizada, tal como em (10):

n
Minimizar f ( x 1 , x 2 ,… , x n )=∑ c j x j
j=1
∑ a j x j=b
j=1
x j ≥0, j=1, … ,n (10)
Onde:
[]
a1 j
a j= a2 j : j-ésima coluna da matriz A , que são os coeficientes que multiplicam xj .
⋮
amj
Solução do problema:
Sejam as seguintes definições a seguir:
 Solução Factível: a solução x é dita factível quando satisfaz o conjunto de restrições e
as condições de não negatividade;
 Região Factível: é o conjunto de todas as soluções factíveis;
30
 Solução Ótima: é a solução factível que fornece o valor mínimo para problema na forma
padrão da função objetivo f ( x ) .
Todo problema de otimização linear pode ser representado na forma padrão. Um
problema de Max f (x ) pode ser representado por Min−f (x) .
Em situações reais, as restrições nem sempre são limitadas a recursos absolutos, mas sim
por limites mínimos e máximos, por exemplo. Neste caso, as restrições representariam
inequações e não equações como na forma padrão.
Para isso, adota-se uma variável não negativa que represente a quantidade que falta para
que a desigualdade chegue a uma igualdade. Esta variável recebe o nome de variável de folga ou
de excesso.
No caso de uma inequação com o sinal “maior e igual”, a variável de folga é subtraída
dao lado esquerdo da equação. E para inequação com o sinal “menor e igual”, a variável de
excesso é acrescentada ao lado esquerdo.
Por fim, se o problema apresentar variáveis irrestritas de sinal, denominadas de variáveis
livres, para atender à forma padrão da não negatividade das variáveis, pode-se representar a
variável livre a partir de duas variáveis:
−¿ ≥ 0
¿
+¿ ≥ 0, x i
−¿ , x ¿i
+¿−x ¿i
x i=x ¿i (11)
Supondo um problema de otimização já adequado na forma padrão como apresentado, em

um sistema de m equações com n variáveis onde m=n , a solução é simples de ser
obtida e a solução é única. Quando o problema apresenta m<n , as soluções factíveis são
infinitas e o grau de liberdade é n – m , que, uma vez fixado, passa a ter uma solução única.
Considerando um problema na forma padrão, considere que a matriz A pode ser
representada por uma partição básica [B N ] :
Ax=b↔ B x B + N x N =b (12)
31
Onde:
 B m ×m : Representa uma matriz básica que contém m colunas (índices básicos)
provenientes da matriz A . Esta matriz possui inversa;
 N m ×(n−m) : Representa a matriz não-básica, cujos elementos são as colunas restantes (
n−m ) da matriz A ;
 x B : Vetor de vVariáveis básicas;
 x N : Vetor de vVariáveis não-básicas.
A solução geral a partir da partição básica é, portanto, dada em (13):
−1 −1
x B=B b−B N x N (13)
Fixando-se as variáveis não-básicas em zero, tem-se a solução básica (14):
{
−1
^x = ^x B=B b
^x N =0 (14)
Se ^x B=B−1 b ≥ 0 , em outras palavras, se todas as variáveis básicas são não negativas,
tem-se uma solução básica factível. Se ^x B=B−1 b>0 , ou se todas as variáveis básicas são
positivas, a solução básica factível é dita não degenerada.
Uma vez que a partição básica é feita considerando as n−m variáveis, pode-se dizer
n n!
que as partições possíveis de serem obtidas são limitadas a Cm = .
m! ( n−m ) !
5.2 O MÉTODO SIMPLEX
Seja S a região factível de um problema na forma padrão. Um ponto x∈S é um

vértice de S , se, e somente se x é uma solução básica factível. Se existe uma solução
ótima, então existe uma solução básica factível ótima. O método Simplex testa apenas um
32
subconjunto K dos vértices da região factível S limitado a partições básicas. Com isso,
n!
pode-se notar que K <C nm= .
m! ( n−m ) !
Sendo assim, é testada a condição de otimalidade, e caso a solução não seja ótima,
verifica-se qual é o próximo ponto a ser testado através da estratégia simplex.
Para o teste da condição de otimalidade, considere a partição básica aplicada à função
objetivo:
f ( x )=cT x=[ c TB c TN ]
[ ]
xB
xN
=c TB x B + cTN x N
(15)
Onde:
T
 Coeficientes das variáveis básicas na função objetivo: c B ;
T
 Coeficientes das variáveis não-básicas na função objetivo: c N .
Substituindo (13) em (15):
B
−1 T
T −1 T −1 T
(¿¿−1b−B N x N )+c x N =c B B b−c B B N x N + c N x N
N
T
f ( x )=c B ¿ (16)
Aplicando (14) em (16):
f ( ^x )=cTB B−1 b= λ⏟T b .

(17)
Para fins de simplificação, o vetor acima destacado é denominado de vetor multiplicador

simplex e é dado por λT =c TB B−1 . Assim a função objetivo (16) pode ser representada por:
T T T T
f ( x )=f ( ^x ) −λ N x N + c N x N =f ( x^ ) +(c
⏟ N −λ N ) x N
.
(18)
33
Levando em consideração a forma alternativa de representação, e que a matriz N na

partição básica é formada pelas colunas (n−m) da matriz A , o termo destacado em (18), é
denominado de custos relativos ou custos reduzidoss e é representado como em (19):
c^ N =c N −λT aN .
j j j (19)
Substituindo (19) na função objetivo dada em (18), tem-se:
f ( x )=f ( ^x ) + c^ N x N , j=1, 2,… , n−m .

j j (20)
Considerando uma solução básica factível (isto é, ^x B=B−1 b ≥ 0¿ , se
c N −λT aN ≥ 0 , j=1, 2, … ,n−m

j j
(em outras palavras, se os custos relativos forem não
negativos), então a solução é ótima.
Caso contrário, ou seja, se há pelo menos um custo relativo negativo, a estratégia
simplex é aplicada. Esta consiste em uma perturbação de uma solução básica factível alterando as
variáveis não-básicas de forma que apenas uma variável não-básica x Nk deixe de ser nula. Em
outras palavras, passa-se a ter outra solução não degenerada:
xN =
{
x N =ε ≥0, ( variável com custo relativo negativo )
k
x N =0, j=1,2, … , n−m, i≠ k

j (21)
Aplicando a estratégia simplex na função objetivo, obtém-se (22):
f ( x )=f ( ^x ) + c^ N 0+…+ c^ N ε + c^ N 0=f ( ^x ) + c^ N ε <f ( x^ ) .

1 k n−m k (22)
Uma vez que o custo relativo c^ N <0

k
e a perturbação ε ≥ 0 , a função objetivo (22)
decresce a à medida que ε aumenta, portanto, é necessário encontrar o maior valor possível de
ε . Alterando-se as variáveis não-básicas, é necessário que as variáveis básicas sejam alteradas
também, para que o sistema Ax=b seja satisfeito, desta forma, da solução geral de (13):
x B=B−1 b−B−1 N x N = x^ B−B−1 aN ε= x^ B − yε

k (23)
34
Considerando a equação acima reescrita, tem-se que y=B−1 a N k

representa a variação
que as variáveis básicas sofrem através da estratégia simplex. Este vetor recebe o nome de
direção simplex. Reescrevendo o vetor da solução geral com cada um de seus elementos, tem-se:
x B =^x B − y i ε≥ 0, i=1, … ,m
i i (24)
Se y i ≤ 0, ∀ i=1,2,… , m , então x B ≥ 0 , para todo

i
ε > 0 , e assim a solução é
denominada de solução ótima ilimitada, pois qualquer que seja ε > 0 , a estratégia simplex
sempre levará a função objetivo a uma solução ótima.
x^ B
Se y i >0 , então precisa-se ter ε≤ , logo, para obter o maior valor possível de
i
yi
ε , faz-se:
x^ B ^x B
ε^ =
yl
l
=mínimo
{ yi
i
, tal que y i >0
} (25)
5.3 ALGORITMO SIMPLEX (PIM)
Inicialmente determina-se uma partição básica factível A= [ B N ] com
( B1 , B2 , … , Bm ) e ( N 1 , N 2 , … , N n−m ) . Os vetores das variáveis básicas e não-básicas, são,

respectivamente: x TB=(x B , x B ,… x B ) e
1 2 m
x TN =( x N , x N , … x N ) .
1 2 n−m
Início da iteração simplex

Passo 1: A partir da solução básica ^x resolver o sistema B x B =b
{
−1
^x = ^x B=B b
^x N =0
Passo 2: Cálculo dos custos relativos

2.1) A partir do vetor multiplicador simplex λ
T
resolver o sistema B T λ=c B
λT =c TB B−1
2.2) Calcular custos relativos
35
T
c^ N =c N −λ aN , j=1, 2, … , n−m
j j j
2.3) Determinar a variável x N a entrar na base

k
c^ N =mínimo { c^ N , j=1, n−m}

k j
Passo 3: Teste de otimalidade

Se c^ N ≥ 0 , então: pare {solução na iteração atual é ótima}
k
Passo 4: Cálcular a direção simplex resolvendo o sistema By=a N k
−1
y=B a N k
Passo 5: Determinar o passo e variável a sair da base

Se y ≤ 0 , então: pare {problema não tem solução ótima finita: f ( x ) →−∞
Caso contrário, determinar a variável ^x B l
a sair da base pela razão mínima:
x^ B x^ B
ε^ = l
yl
=mínimo
yi {
, tal que y i >0
i
}
Passo 6: Atualizar nova partição básica trocando a l -ésima coluna de B pela k -ésima
coluna de N
Matriz básica nova: B=[ aB 1

⋯ aB l−1
aN k
aB l+ 1
⋯ aB m
]
Matriz não-básica nova: N=[ a N 1
⋯ aN k−1
aB l
a N +1 ⋯ a N
k n−m
]
iteração = iteração + 1
Retornar ao Passo 1
Fim da iteração simplex
5.4 DEFINIÇÕES E CONCEITOS - PROGRAMAÇÃO INTEIRA-MISTA (PIM)
Um problema de Programação Linear Inteira Mista (PLIM) envolve variáveis que podem
assumir valores inteiros e valores reais. A formulação padrão segue abaixo:
z=max c(1 ×n) x(n ×1) + d(1× p) y( p ×1 )

¿
A (m × n) x(n ×1) + D (m × p) y (p × 1)< b(m× 1)
+¿ n , y ϵ Z +¿ p
x ϵ R¿ (26)
36
n
Onde +¿ representa o espaço de vetores com n componentes reais não-negativas e
R¿
+¿ p representa o espaço de vetores com p componentes inteiras não-negativas.

Z¿
5.5 MÉTODOS BRANCH-AND-BOUND E BRANCH-AND-CUT
Para resolução de problemas de PLIM, os métodos mais utilizados são os métodos de

enumeração implícita, ou branch-and-bound (B&B), e planos de corte. Nos softwares comerciais,
é utilizada a combinação destes métodos, resultando no método branch-and-cut, que fazem uso
do conceito fundamental da relaxação linear (ARENALES, 2007).
A relaxação linear consiste em considerar o problema original (PLIM) sem as restrições
de integralidade das variáveis obtendo-se assim um PL (ARENALES, 2007).
Desta forma, o método branch-and-bound busca implicitamente a solução ótima através
da partição da solução do problema relaxado (PL) em dois subproblemas, como ilustrado na
figura abaixo:
Figura 6 – Árvore Método Branch and Bound (B&B)
FONTE: Elaborada pela autora.

37
Inicialmente, resolve-se o problema relaxado através do método simplex. Se a solução do

problema relaxado for não inteira, então particiona-se a região factível, obtendo-se assim dois
subproblemas como ilustrado na Figura 6. Na Figura 6, x́ ' i é o arredondamento inferior da
variável não inteira na solução ótima do problema relaxado escolhida para ramificação e x́ ' ' i
é o arredondamento superior. Avaliam-se ambas partições e o procedimento é repetido por meio
da ramificação das variáveis até que se obtenha uma solução inteira e a solução ótima seja
alcançada.
O método branch and cut consiste do método branch and B&B associado ao método de
plano de cortes, em que planos de corte são adicionados nos subproblemas relaxados.
38
6 DESCRIÇÃO DO MODELO
O modelo estudado foi obtido através da análise de diferentes e uma combinação de

trabalhos da literatura. A função objetivo, e as restrições relativas a essa função, foram retiradas
do artigode (LA TORRE et al., 2002) “Price Maker Self-Scheduling in a Pool-Based Electricity
Market: A Mixed-Integer LP Approach”. O artigo foi publicado na revista IEEE em novembro de
2002 por Sebastián de la Torre, et. al. Em seuNeste trabalho, consideraos autores consideram-se
um ambiente de mercado de eletricidade do tipo pool, onde o objetivo é a autoprogramação de
uma companhia geradora térmica termelétrica influente no mercado. Esta influência, por sua vez,
pode ser percebida através da curva cota preço ou curva de demanda residual.
Os dados da curva de demanda residual foram retirados do trabalho de monografia
intitulado de (CABANA, 2016)“Modelos de Auto-Produção de Geradores Tipo Price-Makers em
Mercados Pool de Energia”. Escrito e defendido por Tiago Gomes Cabana na Universidade
Estadual Paulista “Julio de Mesquita Filho”. Este, o trabalho detalha como as curvas de demanda
residual são obtidas através dos lancesde lances de compra e ofertas de venda dos geradores e
consumidores envolvidos. Com estes dados, a companhia geradora é capaz de veriﬁcar o quanto é
possível variar o preço de equilíbrio de acordo com a sua cota no sistema.
Por outro lado, uma vez que o objetivo deste trabalho é a autoprogramação ótima de uma
companhia que possui ativos de hidrelétricas, fez-se necessário agrupar as restrições técnicas
físicas e operacionais no que diz respeito às restriçõesdas unidades de geração hidráulicas.
Portanto, as restrições físicas e operacionaistécnicas são resultantes do artigo (PEREIRA et
al., 2017)“Network-Constrained Multiperiod Auction for Pool-Based Electricity Markets of
Hydrothermal Systems”. Publicado em março de 2017 na revista IEEE, o artigo foi elaborado por
Augusto Cesar Pereira et. al, cujoa proposta objetivo é apresentar propor um modelo de leilão do
dia seguinte para sistemas hidrotérmicos com restrições hidráulicas detalhadas.
A nomenclatura utilizada no modelo de autoprodução aqui proposto é descrita na seção a
seguir. Por facilidade são destacadas as constantes, variáveis e funções do problema de
otimização.
Nomenclatura
Constantes:
39
max
o bt ,s : Porção do step s da curva cota preço para a hora t [MWh] ;
o q min
t , s : É a soma dos blocos de energia do step 1 até o step s−1 para a hora t
(note que q min

t ,1 =0, ∀ t [MWh] ;
o λt ,s : Preço correspondente ao step número s da curva cota preço na hora t
[$ /MWh] ;
o Pmin
a : Potência mínima da usina a [MW ] ;
max
o Pa : Potência máxima da usina a [MW ] ;
o MP : Meta de produção, valor percentual para determinação da coordenação de médio
prazo [ ] ;
o α 0 a ,… , α 4 a : Parâmetros da função não linear da cota de montante do reservatório da
usina a ;
o β 0 a ,… , β 4 a : Parâmetros da função não linear da cota do canal de fuga do reservatório
da usina a ;
o ψ t , a : Fluxo de entrada no reservatório da usina a no período t [ m ³/ s ];
ω
o Da : Tempo de atraso da água entre a usina ω e a usina a logo abaixo [h] ;
max min
o VT a , VT a : Vertimento máximo e mínimo de uma usina a [ m ³/ s ];
max min
o Va ,Va : Volume máximo e mínimo do reservatório da usina a [ hm ³ ];
max min
o DF a , DF a : Defluência máxima e mínima da usina a [ hm ³ ];
0
o V a : Volume de água para o reservatório da usina a ao início do período [ hm ³ ];
o A : Conjunto de UHE’s;
o T : Número de períodos considerados;
o nt : Número de steps da curva cota preço na hora t ;
o PC a : Perda de carga da usina a [m] ;
o H 0a : Altura de Queda Líquida fixa da usina a [m] ;
o PTGa : Produtibilidade turbina-gerador das unidades da usina a [MW /m ³/ s/m] .
Variáveis:
40
o bt ,s : Variável real representando o valor fracionário do bloco de energia
correspondente ao passostep s para obter a cota q t [MWh];

o ut ,s : Variável binária que é igual a 1 , se o step s é o último step necessário para
obter a cota q t na hora t , e 0, caso contrário;
o q t : Cota do gerador na hora t [MWh];
o pt , a : Potência produzida pela usina � na hora t [MW];
o df t ,a : Defluência total da usina a no período t [m³/s];
o tb t , a : Turbinagem da usina a no período t [m³/s];
o vt t ,a : Vertimento da usina a no período t [m³/s];
o v t ,a : Volume do reservatório da usina a no período t [hm³];
o z t , a : Variável binária que é igual a 1 se a usina a está ligada no período t ;
o ht ,a : Altura de queda do reservatório da usina a no período t [m];
o h ut , a : Cota de montante do reservatório da usina a no período t [m];
o h d t , a : Cota de jusante do reservatório da usina a no período t [m].
Formulação do problema:
Curvas de Demanda Residual

Para uma dada hora, a cota do produtor é o montante de energia que contribui para servir
a demanda daquela hora. Se o produtor retém a produção, o preço de equilíbrio de mercado
aumenta, pela lei da oferta e da demanda. Dessa forma, a curva cota preço, ou curva de demanda
residual, é uma curva monotonicamente decrescente que expressa o preço de equilíbrio de
mercado em função da cota do produtor (TORRE et al., 2002).
Cada A curva de demanda residual de cada produtor possui uma curva característica e
uma para cada hora do dia. Essas curvas possuem informações suficientes de mercado
necessárias para uma autoprogramação otimizada visando a maximização dos lucros, pois estas
curvas incorporam os efeitos de todasd as interações com os competidores, bem como as regras
de funcionamento de mercado (TORRE et al., 2002).
Função objetivo
41
A função objetivo expressa o lucro do produtor através da receita líquida total e é

calculada a cada hora t . O problema é formulado com a maximização da função objetivo
apresentada abaixo levando em consideração as variáveis pt , i , q t , bt ,s , ut , s :
[ ]
T nt
Max p ,qt , bt, s ,ut ,s ∑ ∑ λt ,s (b t , s +ut ,s q min

t,s )
(27)
t ,a
t =1 s=1
A primeira parcela da função objetivo expressa a receita total através da curva cota preço
e é calculada a cada step passo s . Uma vez que a função λt ( qt ) representa uma função
stepem degrau, é possível fazer-se uso de variáveis real, bt ,s , e binária, ut ,s , da forma como
é ilustrada ilustrado na Figura 7:
Figura 7 – Curva Cota Preço: Ilustração da Formulação Linear por Partes
FONTE: adaptada pela autora de (TORRE et al., 2002, p. 1039).
A variável qt representa a cota do produtor na hora t . Para obter a cota q t , faz-

se uso de duas variáveis, a variável bt ,s que representa a porção no step passo s na no hora
período t que é necessária para obter a cota q t ; e a variável binária ut ,s , que assume
valor de 1 se o step passo s é o último step passo necessário para completar a cota requerida.
42
Desta forma, o somatório dos blocos de energia dos step passos 1 até o step s−1 para a
hora t é adicionado à variável bt ,s , e assim, consequentemente, se obtém a receita total.
Restrições
1. Curva de Demanda Residual

A
q t=∑ pt ,a , t =1, … ,T
a =1 (28)
nt
q t=∑ ( bt ,s +u t , s qmin
t , s ) ,t=1, … , T
s=1 (29)
max
0 ≤ bt , s ≤ut , s b t,s , s=1, … , nt , t=1, … ,T (30)
nt
∑ ut , s=1, t=1,… , T (31)

s=1
(28) determina que a cota do produtor é o somatório da potência gerada por todas as
unidades geradoras de determinada plantausina. Além disso, a cota do produtor é obtida através
da curva de demanda residual conforme (29). demonstra, e a As equações (30) e (31), por sua
vez, são restrições da forma de construção da curva de demanda residual. Os valores deadotados
min max
para qt , s , bt ,s e λt ,s nos testes computacionais são apresentados no Apêndice A e são
provenientes de CABANA (2016).
2. Limites de Potência e Meta de Produção

Os limites de potência, caso a unidade geradora esteja ligada, são determinados pelas
restrições (32) e (33):
max
pt , a ≤ Pa z t , a , ∀ a=1, … , A , t=1, … , T (32)
pt , a ≥ Pmin
a z t ,a , ∀ a=1, … , A ,t=1, … , T . (33)
Os limites de potência, caso a unidade geradora esteja ligada, são determinados pelas
restrições das equações 32 e 33. Os dados de Pmax
a e Pmin
a utilizados nos testes
computacionais são provenientes do programa HydroData XP versão 1.2.0, projetado e
desenvolvido por Marcelo Augusto Cicogna, HydroByte Software Ltda. ME. As considerações
aplicadas são apresentadas no capítulo 7.
43
3. Defluência, Turbinagem e Vertimento

A restrição (34) define a defluência total de uma planta como a soma da água turbinada e
da água vertida. A defluência e o vertimento possuem limites inferiores e superiores os quais são
descritos por (35) e (36):
df t ,a=tbt ,a + v t t , a , ∀ a ϵ A , ∀ t ∈T (34)
DF min max
a ≤ df t ,a ≤ DF a , ∀ a ϵ A , ∀ t ∈T (35)
min max
VT a ≤ vt t ,a ≤VT a , ∀ a ϵ A , ∀ t ∈T (36)
A restrição da equação 34 define a defluência total de uma planta como a soma da água
turbinada e da água vertida. A defluência e o vertimento possuem limites inferiores e superiores e
min max min max
são descritos pelas equações 35 e 36. Os dados de DF a , DF a , VT a e VT a
utilizados nos testes computacionais são provenientes do programa HydroData XP e as
considerações aplicadas são apresentadas no capítulo 7.
4. Volume do Reservatório
Os limites nos volumes dos reservatórios são dados conforme (37):
min max
V a ≤ v t ,a ≤V a , ∀ a ϵ A , ∀ t ϵ T . (37)
A restrição da equação 37 estabeleceOs limites de volume do reservatório que podem não

coincidem coincider com o volume físico, mas sim com um volume pré-estabelecido para a
operação diária, levando-se em consideração a disponibilidade dos recursos hídricos em um
min max
ambiente de médio e longo prazo. Os dados de Va e de Va utilizados nos testes
computacionais são provenientes do programa HydroData XP e as considerações aplicadas são
apresentadas no capítulo 7.
5. Balanço nodal de água

As restrições associadas ao balanço hídrico nodal são dadas de (38) a (40):
v t ,a =v t −1, a+ 0,0036 [ ψ t , a+ ρt , a−df t ,a ] , ∀ a ϵ A , ∀ t ∈ { 2,… , T } , (38)

44
Ondeem que:
ρ t , a=
{ ∑
ω ∈Ωa
uω [ t−D ωa ] , se t−Dωa ≥ 1
0, caso contrário ,
0
(39)
v 1, a=V +0,0036 [ ψ 1,a −df 1,a ] , ∀ a ϵ A
a (40)
A restrição dada em (38) representa o balanço de água entre dois períodos consecutivos e
o atraso da água é levado em consideração em (39). (40) representa38 o balanço hídrico para o
primeiro período do horizonte de programação. Os dados de ψ t , a , Dωa , uω , 0
Va
adotados nos testes computacionais são provenientes do programa HydroData XP e as
6. Cota de Montante e Jusante do Reservatório

As expressões para os polinômios de conta de montante e jusante são fornecidas em (41) e
(42), respectivamente:
V
V
V
V
(¿ ¿ a0 )4
(¿ ¿ a0 )3+ α 4 a ¿
(¿ ¿ a0 )2 +α 3 a ¿
(¿ ¿ a0)+ α 2 a ¿
h ut , a=α 0 a +α 1 a ¿ (41)
h d t , a=β 0 a + β 1 a df t , a+ β2 a df 2t ,a + β 3 a df 3t , a + β 4 a df 4t ,a (42)
A cota de montante é função do volume médio e é determinada pelo polinômio de quarta

ordem expresso em (41). Aqui, para fins de simplificação considera-se o volume médio como o
volume inicial. A cota de jusante, por sua vez, é função da defluência e é representada pelo
polinômio de quarta ordem de (42). Os dados das curvas das cotas de montante e de jusante
adotados nos testes computacionais são provenientes do programa HydroData XP e as
7. Altura de Queda Líquida

45
A função altura de queda líquida é calculada conforme (43):
ht ,a=hu t , a−h d t ,a−P C a , ∀ a ϵ A , t ∈T . (43)
A altura de queda líquida é calculada descontando-se a perda de carga hidráulica PC a

conforme a restrição da equação (43). Os dados de PC a adotodas nos testes computacionais
são provenientes do programa HydroData XP e as considerações aplicadas são apresentadas no
capítulo 7.
8. Função de Produção Hidráulica

A função de produção hidráulica é determinada por:
pt , a=PT Ga tb t , a H 0a , ∀ a ϵ A , ∀ t ∈T (44)
A função de produção hidráulica é determinada pela equação 44 e pPara fins de

simplificação, os termos destacados serão considerados constantes. Os dados de PT Ga e de
0
Ha utilizados nos testes computacionais são provenientes do programa HydroData XP e as
9. Meta de Produção
A restrição dada por (45) estabelece uma meta de produção para cada unidade geradora:
0
v 24,a ≥ MP ∙V a , ∀ a ϵ A , ∀ t ∈ T (45)
A restrição da equação 45 estabelece uma meta de produção para cada unidade

geradoraEsta restrição tem como objetivo representar , de forma que hajauma forma de um
acoplamento entre a programação de curto prazo e o planejamento de médio prazo das
empresausinas da empresa. As considerações aplicadas são apresentadas no capítulo 7
10. Condição de integralidade e não negatividade

46
A restrição de não negatividade das variáveis é fornecida em (48) e as restrições de

integralidade das variáveis z t , a , ut ,s e bt ,s são fornecidas em (46) e (47):
z t , a ∈ { 0,1 } , ∀ a ϵ A , ∀ t ∈T (46)
ut ,s , bt ,s ∈ [ 0, 1 ] , ∀ s ϵ n t , ∀ t ∈ T (47)
ht ,a , tbt ,a , v t ,a , d f t ,a , v t t ,a , p t , a , q t , hu t , a , h d t ,a ≥0 (48)
47
7 RESULTADOS E DISCUSSÕES
Para resolução do modelo, foi utilizado o solver CPLEX no ambiente IBM ILOG CPLEX
Optimization Studio versão 12.6. Todos os testes foram realizados em um computador com o
sistema operacional de 64 bits Windows 8.1, Processador Intel ® Core™ i5-4200U CPU @
1.60GHz 2.30GHz, 4,00 GB de memória instalada (RAM).
Os dados utilizados foram baseados na cascata série localizada na Bacia do Tietê das
usinas Barra Bonita, Bariri, Ibitinga, Promissão e Nova Avanhandava. O diagrama esquemático
das usinas hidrelétricas do SIN pode ser encontrado em ONS, 2016.
A primeira premissa adotada foi a fixação da variável altura de queda líquida na restrição
de função de produção hidráulica dada em (44) como forma de simplificar a não linearidade da
função. Esta suposição levou a utilização do modelo a uma situação mais restritiva de operação,
estabelecendo volumes mínimos e máximos operativos.
Por outro lado, a restrição dada em (43), que define a altura de queda líquida como
diferença entre as cotas de montante e de jusante a um valor constante de perda, é tida como
variável e, logo, fez-se necessária a verificação do desvio entre os valores adotados em (44) e os
valores obtidos em (43).
Com os volumes máximos e mínimos estabelecidos pela fixação da altura de queda
líquida, adotou-se os valores de volume inicial aleatoriamente dentro deste intervalo e para todos
os outros dados referentes às usinas, tomou-se como base os valores provenientes do programa
HydroData XP.
A meta de produção foi estabelecida como porcentagem do volume inicial que resta ao
final do dia e para os valores mais significativos foram coletados os dados resultantes do modelo
para análise e discussão.
A tabela a seguir mostra que a média das alturas de queda líquida variáveis no tempo para
as metas de produção adotadas, apresentam desvios baixos em relação às alturas de queda líquida
adotadas inicialmente na função de produção hidráulica. Portanto, é possível concluir que a
premissa adotada é suficientese mostra boa, na prática. Além disso, através da variável de vazão
turbinada na função de produção hidráulica há a influência da altura de queda líquida variável
através da defluência e volume do reservatório como pode ser observado nas equações que
48
definem o balanço nodal e a equação que estabelece a relação entre as variáveis de defluência,
turbinagem e vertimento (equações 38-40 e 34, respectivamente).
Tabela 1 – Comparação da Altura de Queda Líquida e Variável
Média das Alturas de Queda Líquida Alturas de Queda Líquida Adotadas na Desvio (%)
Variáveis no Tempo (m) Função de Produção Hidráulica (m)
21,43 23,96 12%
22,74 23,33 3%
22,63 23,44 4%
25,49 26,81 5%
30,62 32,76 7%
A altura de queda líquida variável ao longo do dia está condizente com as restrições
relativas a ela, uma vez que com uma coordenação de médio prazo maior (meta de produção
igual a 99,8%), a cota de montante se mantém alta, e com a defluência baixa, a cota de jusante se
mantém baixa. Portanto, a diferença entre elas, a altura de queda líquida, se mantém alta.
Por outro lado, para uma coordenação de médio prazo mais flexível (meta de produção
igual a 98%), a produção é maior, fazendo com que a cota de montante diminua com o uso da
água e a cota de jusante aumente com o aumento da defluência. Dessa forma, a altura de queda
líquida diminui o que pode ser visto na Figura 8, que representa a variação da altura de queda
líquida ao longo do dia para a usina 2 nas três diferentes coordenações de médio prazo.
Figura 8 – Variação da Altura de Queda Líquida (m) ao Longo do Dia (h) da Usina 2
49
FONTE: Elaborada pela autora. Azul: MP = 0,98; Vermelho: MP = 0,994; Verde: MP = 0,998
A partir de uma configuração das condições físicas e operativas das usinas, pode-se obter
os resultados de receita diária obtidos pelo modelo proposto em função de diferentes
coordenações de médio prazo (primeira e segunda colunas da Ttabela 2). Destes dados, foram
calculados os respectivos preços da energia média diária.
Tabela 2 - Meta de Produção em Função da Receita e Preço de Energia
Energia produzida Preço Energia Diária

Meta de Produção % Receita diária ($)
por dia (MWh) ($/MWh)
98,0% $576.407,22 24.078 $23,94
98,5% $550.148,23 22.806 $24,12
99,0% $499.961,74 20.288 $24,64
99,1% $474.061,76 19.068 $24,86
99,2% $446.536,69 17.887 $24,96
99,3% $412.745,83 16.375 $25,21
99,4% $372.991,07 14.649 $25,46
99,5% $330.316,29 12.912 $25,58
99,6% $273.849,64 10.641 $25,74
99,7% $216.262,13 8.345 $25,92
99,8% $156.868,11 6.049 $25,93
Uma vez que o modelo é baseado na curva de demanda residual, ou em outras palavras,
na lei de oferta e demanda, o comportamento teórico (esperado) é que, quanto menor for a oferta,
menor será a receita. Esta relação pode ser observada nas Ffiguras 9 e 10.
50
Figura 9 – Meta de Produção (%) x Receita ($)
Figura 10 – Meta de Produção (%) x Preço Energia ($/MWh)

51
Foram feitas verificações dos dados da curva de demanda residual e observou-se que pela
capacidade de produção das usinas, a quantidade a ser ofertada é limitada a 1200 MWh por hora,
o que leva a um preço de aproximadamente de 24,00 $/MWh conforme pode ser ilustrado
especificamente na hora 8 na Ffigura 11.
Figura 81 – Cota (MWh) x Preço ( λ ): Hora 8
Outra verificação importante foi a média dos preços dados pela curva de demanda
residual por hora do dia. O que é esperado é que o preço seja maior nos horários de pico e menor
nos horários de vale, o que pode ser observado na Ffigura 12, onde claramente há um aumento
dos preços entre 7 e 11 da manhã e 8 e 11 da noite.
52
Figura 92- Média do Preço λ ($) por Hora (h)
A curva da Figuraa 13 seguir mostra a variação da cota do produtor ao longo do dia. É

importante ressaltar que a forma esperada é tal qual que reflita o impacto do preço de equilíbrio
de mercado, dado pelas curvas de demanda residual, e não a curva de consumo típica. Na meta de
produção de 98%, a geradora atinge o máximo de capacidade de produção com todas as
máquinas ligadas.
Foi verificado que o modelo evita que as máquinas sejam desligadas muitas vezes. Pelo
menos quatro usinas são mantidas ligadas para cada hora do dia, distribuindo, dessa forma, a
capacidade de produção entre as usinas.
53
Figura 10 – Variação da Cota (MWh) ao Longo do Dia (h)
Conforme já mencionado, a determinação dos valores fixos das alturas de queda líquida,
resultou em um intervalo específico de volumes máximos e mínimos que diferem dos volumes
físicos do reservatório. Esta faixa de operação pode variar ao longo do dia contanto que ao final
do dia seja respeitado o limite determinado pela meta de produção. A limitação do volume final é
feita em relação ao volume inicial, ou seja, antes da hora 1. A Figura 14 demonstra a variação do
volume ao longo do dia para a usina 3.
Figura 11 – Variação do Volume ao Longo do Dia

54
Tendo em vista todas as condições verificadas conforme descrito acima, pode-se afirmar
que o modelo funciona de forma satisfatória levando em consideração não só a influência da
companhia geradora no mercado de energia, mas como também as restrições hidráulicas. Além
disso, vale ressaltar que o resultado deste trabalho abre oportunidades de desenvolvimento de um
modelo ainda mais abrangente com o aumento das faixas operativas e técnicas mais sofisticadas
de linearização das funções não lineares envolvidas.
55
8 CONCLUSÃO
O trabalho consistiu não apenas no modelo resultante, mas como também todo o contexto
envolvido. A aplicação do objeto de estudo mostrou-se igualmente importante ao estudo da
técnica de solução do problema modelado bem como também do funcionamento de uma usina
hidrelétrica.
O modelo foi satisfatório atendendo às condições de operação específicas aqui
consideradas e abre possibilidades de estudos em diferentes áreas, de modo a levar ao
aperfeiçoamento do modelo tanto no âmbito técnico quanto no econômico.
Do ponto de vista técnico, técnicas de linearização da função de produção hidráulica
podem levar a uma abertura da faixa operativa e a aplicabilidade em outras situações mais
realistas. Além disso, neste trabalho, as metas de produção foram estabelecidas de forma mais
simplificada e podem ser substituídas pela função de custo futuro, que é representada por modelo
específico.
Por outro lado, do ponto de vista econômico, os resultados ótimos do modelo podem levar
a análises de viabilidade econômica da inserção de um ambiente pool de curtíssimo prazo na
conjuntura brasileira através do estudo da correlação entre o planejamento da operação e o
planejamento da expansão.
56
REFERÊNCIAS
ABRADEE - ASSOCIAÇÃO BRASILEIRA DE DISTRIBUIDORES DE ENERGIA

ELÉTRICA. Setor Elétrico: Visão Geral do Setor. Disponível em:
<http://www.abradee.com.br/setor-eletrico/visao-geral-do-setor>. Acesso em: 10 out. 2016.
ARAUJO, S. A. Estudos de Problemas de Dimensionamento de Lotes Monoestágio com

Restrição de Capacidade. 1999. 95 f. Dissertação (Mestrado) - Curso de Ciências da
Computação, Instituto de Ciências Matemáticas e de Computação, Universidade de São Paulo,
São Carlos, 1999.
ARENALES, M. et al. Pesquisa Operacional para Cursos de Engenharia. Rio de Janeiro:

Elsevier, 2007.
BARROSO, L. A. et al. Classification of Electricity Market Models Worldwide. CIGRE/IEEE

PES International Symposium, [S.l.], p. 9-16, 2005.
BRASIL. Lei nº 12.783, de 11 de janeiro de 2013. Dispõe sobre as concessões de geração,

transmissão e distribuição de energia elétrica, sobre a redução dos encargos setoriais e sobre a
modicidade tarifária; altera as Leis nos 10.438, de 26 de abril de 2002, 12.111, de 9 de
dezembro de 2009, 9.648, de 27 de maio de 1998, 9.427, de 26 de dezembro de 1996, e 10.848,
de 15 de março de 2004; revoga dispositivo da Lei no 8.631, de 4 de março de 1993; e dá outras
providências. Diário Oficial da União, Brasília, DF, 14 jan. 2013. Seção 1, p. 1.
CABANA, T. G. Modelos de Auto-Produção de Geradores Tipo Price-Makers em Mercados

Pool de Energia. 2016. 82 f. Trabalho de Conclusão de Curso - Curso de Engenharia Elétrica,
Departamento de Engenharia Elétrica, Universidade Estadual Paulista "Jjúlio de Mesquita
Filho", Bauru, 2016.
CICOGNA, M. A. Modelo de Planejamento de Operação Energética de Sistemas Hidrotérmicos

a Usinas Individualizadas Orientado por Objetos. 1999. 225 f. Dissertação (Mestrado) - Curso
de Engenharia Elétrica, Departamento de Engenharia de Sistemas, Universidade Estadual de
Campinas, Campinas, 1999.
CONEJO, A. J.; CARRIÓN, M.; MORALES, J. M. Decision Making Under Uncertainty in

Electricity Markets. [S.I.]: Springer, 2010.
MME – MINISTÉRIO DE MINAS E ENERGIA. Resolução nº 5, de 21 de Julho de

2003.Aprova as diretrizes básicas para a implementação do novo modelo do Setor Elétrico.
Disponível em:
<http://www.mme.gov.br/documents/10584/1139143/Resolucao05.pdf/55c40dc3-4936-46f5-
aa04-4fc4525a494d>. Acesso em: 20 nov. 2016
ONS - OPERADOR NACIONAL DO SISTEMA ELÉTRICO. Séries Históricas de Vazões.

57
2017. Disponível em: <WWW.ons.org.br/operacao/vazoes_naturais.aspx>. Acesso em: 05 jan.

2017.
ONS – OPERADOR NACIONAL DO SISTEMA ELÉTRICO. Diagrama Esquemático das

Usinas Hidroelétricas do SIN. 2016. Disponível em:
<http://www.ons.org.br/conheca_sistema/pop_diagrama_esquemat_usinas.aspx>. Acesso em:
05 jan. 2017.
PEREIRA, A. C. Modelo de Leilão Multiperíodo para Mercados Pool de Energia de Sistemas

Hidrotérmicos. 2016. 45 f. Trabalho de Conclusão de Curso - Curso de Engenharia Elétrica,
Departamento de Engenharia Elétrica, Universidade Estadual Paulista "Júlio de Mesquita
Filho", Bauru, 2016.
TORRE, S. de la et al. Price Maker Self-Scheduling in a Pool-Based Electricity Market: a

Mixed-Integer LP Approach. IEEE Transactions on Power Systems, v.17, n. 4, p. 1037-1042,
nov. 2002.
58
APÊNDICE A: DADOS DE ENTRADA
A seguir são apresentadas em forma de tabela o conjunto de dados utilizados nos testes
computacionais. As usinas fictícias de 1 a 5 são baseadas nas usinas de Barra Bonita, Bariri,
Ibitinga, Promissão e Nova Avanhandava localizadas no Estado de São Paulo na Bacia do Tietê.
Tabela I – Dados de Restrições Hidráulicas

max min min
0 max min DF a DF a VT a
USINA H (m)
a P a ( MW ) P ( MW )
a
( m3 /s ) (m ³/ s) (m ³/ s)
1 23,96 140,0 2,0 2000 76 76
2 23,33 144,0 1,0 771 103 0
3 23,44 131,2 1,0 702 128 0
4 26,81 264,0 10,0 1293 160 0
5 32,76 347,5 5,0 1431 153 0
FONTE: Elaborado pela autora e adaptado de Hydrodata.
Tabela II – Dados de Restrições Hidráulicas
V max 3
V min 3
V 0a (h m 3 ) 3
USINA a (h m ) a (hm ) PTGa (MW /mψ³/a (m
s/m) /s) PC a (m)
1 3135,5 1778,7 2400,0 0,008633 84 0,25

2 544,2 512,7 530,0 0,008437 25 0,21
3 983,2 953,6 970,4 0,008829 53 0,16
4 7407,0 6290,2 6800,7 0,008829 7 0,21
5 2738,5 2529,5 2618,6 0,008829 0 0,31
FONTE: Elaborado pela autora e adaptado de Hydrodata e ONS OPHEN.
Tabela III – Dados de Restrições Hidráulicas
m
USINA CMb(h m )
*
3 Cma
( m/h m3 )
*
*
3
CJb ( m /s )
Cja( )
m3
s
*
Montante ω
D a (h)
1 439,23 0,00395 426,13 0,0025 - -

2 418,05 0,01729 403,41 0,0018 1 3
3 395,62 0,00851 380,59 0,001 2 8
4 369,24 0,00199 356,00 0,0013 3 14
59
5 344,01 0,0051 325,75 0,0007 4 6

*Dados obtidos a partir da linearização por regressão linear das curvas de montante e jusante.
Tabela IV – Dados da Curva de Demanda Residual ( q min

t , s ) Horas 1 a 12
step T1 T2 T3 T4 T5 T6 T7 T8 T9 T10 T11 T12
1 0 0 0 0 0 0 0 0 0 0 0 0
2 100 100 100 100 100 100 100 100 100 100 100 100
3 200 200 200 200 200 200 200 200 200 200 200 200
4 320 320 320 320 320 320 320 320 320 320 320 320
5 340 340 340 340 340 340 340 340 340 340 340 340
6 360 360 360 360 360 360 360 360 360 360 360 360
7 495 495 495 495 495 495 495 495 495 495 495 495
8 520 520 520 520 520 520 520 520 520 520 520 520
9 550 550 550 550 550 550 550 550 550 550 550 550
10 587 587 587 587 587 587 587 587 587 587 587 587
11 622 622 622 622 622 622 622 622 622 622 622 622
12 667 667 667 667 667 667 667 667 667 667 667 667
13 715 715 715 715 715 715 715 715 715 715 715 715
14 815 815 815 815 815 815 815 815 815 815 815 815
15 950 950 950 950 950 950 950 950 950 950 950 950
16 1070 1070 1070 1070 1070 1070 1070 1070 1070 1070 1070 1070
17 1170 1170 1170 1170 1170 1170 1170 1170 1170 1170 1170 1170
18 1270 1270 1270 1270 1270 1270 1270 1270 1270 1270 1270 1270
19 1370 1370 1370 1270 1370 1370 1370 1370 1370 1370 1370 1370
20 1490 1490 1490 1270 1270 1490 1490 1490 1490 1490 1490 1490
21 1610 1610 1490 1270 1270 1490 1610 1610 1610 1610 1610 1610
22 1730 1730 1490 1270 1270 1490 1730 1730 1730 1730 1730 1730
23 1850 1730 1490 1270 1270 1490 1850 1850 1850 1850 1850 1850
24 1970 1730 1490 1270 1270 1490 1850 1970 1970 1970 1970 1970
25 1970 1730 1490 1270 1270 1490 1850 2095 2095 2095 2095 2095
26 1970 1730 1490 1270 1270 1490 1850 2095 2095 2095 2095 2095
27 1970 1730 1490 1270 1270 1490 1850 2095 2095 2095 2095 2095
28 1970 1730 1490 1270 1270 1490 1850 2095 2095 2095 2095 2095
Tabela V – Dados da Curva de Demanda Residual ( q min

t , s ) Horas 13 a 24
60
1 0 0 0 0 0 0 0 0 0 0 0 0
2 100 100 100 100 100 100 100 100 100 100 100 100
3 200 200 200 200 200 200 200 200 200 200 200 200
4 320 320 320 320 320 320 320 320 320 320 320 320
5 340 340 340 340 340 340 340 340 340 340 340 340
6 360 360 360 360 360 360 360 360 360 360 360 360
7 495 495 495 495 495 495 495 495 495 495 495 495
8 520 520 520 520 520 520 520 520 520 520 520 520
9 550 550 550 550 550 550 550 550 550 550 550 550
10 587 587 587 587 587 587 587 587 587 587 587 587
11 622 622 622 622 622 622 622 622 622 622 622 622
12 667 667 667 667 667 667 667 667 667 667 667 667
13 715 715 715 715 715 715 715 715 715 715 715 715
14 815 815 815 815 815 815 815 815 815 815 815 815
15 950 950 950 950 950 950 950 950 950 950 950 950
16 1070 1070 1070 1070 1070 1070 1070 1070 1070 1070 1070 1070
17 1170 1170 1170 1170 1170 1170 1170 1170 1170 1170 1170 1170
18 1270 1270 1270 1270 1270 1270 1270 1270 1270 1270 1270 1270
19 1370 1370 1370 1370 1370 1370 1370 1370 1370 1370 1370 1370
20 1490 1490 1490 1490 1490 1490 1490 1490 1490 1490 1490 1490
21 1610 1610 1610 1610 1610 1610 1610 1610 1610 1610 1610 1610
22 1730 1730 1730 1730 1730 1730 1730 1730 1730 1730 1730 1730
23 1850 1850 1850 1850 1850 1850 1850 1850 1850 1850 1850 1850
24 1970 1970 1970 1970 1970 1970 1970 1970 1970 1970 1970 1970
25 2095 2095 2095 2095 2095 2095 2095 2095 2095 2095 1970 1970
26 2095 2095 2095 2095 2095 2095 2095 2095 2095 2095 1970 1970
27 2095 2095 2095 2095 2095 2095 2095 2095 2095 2095 1970 1970
28 2095 2095 2095 2095 2095 2095 2095 2095 2095 2095 1970 1970
FONTE: Elaborado pela autora e adaptado de CABANA (2016).
Tabela VI – Dados da Curva de Demanda Residual ( bmax

t ,s ) Horas 1 a 12
1 100 100 100 100 100 100 100 100 100 100 100 100
2 100 100 100 100 100 100 100 100 100 100 100 100
3 120 120 120 120 120 120 120 120 120 120 120 120
4 20 20 20 20 20 20 20 20 20 20 20 20
5 20 20 20 20 20 20 20 20 20 20 20 20
61
6 135 135 135 135 135 135 135 135 135 135 135 135
7 25 25 25 25 25 25 25 25 25 25 25 25
8 30 30 30 30 30 30 30 30 30 30 30 30
9 37 37 37 37 37 37 37 37 37 37 37 37
10 35 35 35 35 35 35 35 35 35 35 35 35
11 45 45 45 45 45 45 45 45 45 45 45 45
12 48 48 48 48 48 48 48 48 48 48 48 48
13 100 100 100 100 100 100 100 100 100 100 100 100
14 135 135 135 135 135 135 135 135 135 135 135 135
15 120 120 120 120 120 120 120 120 120 120 120 120
16 100 100 100 100 100 100 100 100 100 100 100 100
17 100 100 100 100 100 100 100 100 100 100 100 100
18 100 100 100 0 0 100 100 100 100 100 100 100
19 120 120 120 0 0 120 120 120 120 120 120 120
20 120 120 0 0 0 0 120 120 120 120 120 120
21 120 120 0 0 0 0 120 120 120 120 120 120
22 120 0 0 0 0 0 120 120 120 120 120 120
23 120 0 0 0 0 0 0 120 120 120 120 120
24 0 0 0 0 0 0 0 125 125 125 125 125
25 0 0 0 0 0 0 0 0 0 0 0 0
26 0 0 0 0 0 0 0 0 0 0 0 0
27 0 0 0 0 0 0 0 0 0 0 0 0
28 0 0 0 0 0 0 0 0 0 0 0 0
Tabela VII – Dados da Curva de Demanda Residual ( bmax

t ,s ) Horas 13 a 24
1 100 100 100 100 100 100 100 100 100 100 100 100
2 100 100 100 100 100 100 100 100 100 100 100 100
3 120 120 120 120 120 120 120 120 120 120 120 120
4 20 20 20 20 20 20 20 20 20 20 20 20
5 20 20 20 20 20 20 20 20 20 20 20 20
6 135 135 135 135 135 135 135 135 135 135 135 135
7 25 25 25 25 25 25 25 25 25 25 25 25
8 30 30 30 30 30 30 30 30 30 30 30 30
9 37 37 37 37 37 37 37 37 37 37 37 37
10 35 35 35 35 35 35 35 35 35 35 35 35
11 45 45 45 45 45 45 45 45 45 45 45 45
12 48 48 48 48 48 48 48 48 48 48 48 48
62
13 100 100 100 100 100 100 100 100 100 100 100 100
14 135 135 135 135 135 135 135 135 135 135 135 135
15 120 120 120 120 120 120 120 120 120 120 120 120
16 100 100 100 100 100 100 100 100 100 100 100 100
17 100 100 100 100 100 100 100 100 100 100 100 100
18 100 100 100 100 100 100 100 100 100 100 100 100
19 120 120 120 120 120 120 120 120 120 120 120 120
20 120 120 120 120 120 120 120 120 120 120 120 120
21 120 120 120 120 120 120 120 120 120 120 120 120
22 120 120 120 120 120 120 120 120 120 120 120 120
23 120 120 120 120 120 120 120 120 120 120 120 120
24 125 125 125 125 125 125 125 125 125 125 0 0
25 0 0 0 0 0 0 0 0 0 0 0 0
26 0 0 0 0 0 0 0 0 0 0 0 0
27 0 0 0 0 0 0 0 0 0 0 0 0
28 0 0 0 0 0 0 0 0 0 0 0 0
Tabela VIII – Dados da Curva de Demanda Residual ( λt ,s ) Horas 1 a 12
1 25,5 24,5 24,5 24,24 24 24,5 25,5 26 25 26 26,2 26,2

2 25,5 24,5 24,5 24,14 24 24,29 25,5 26 25 26 26,2 26,2
3 25,5 24,5 24,29 24,12 24 24,24 25,5 26 25 26 26,2 26,2
4 25,5 24,5 24,29 23,98 24 24,14 25,5 26 25 26 26,2 26,2
5 25,5 24,5 24,29 23,98 24 24,14 25,5 26 25 26 26,2 26,2
6 25,5 24,32 24,14 22,54 23,4 24,12 24,29 26 25 26 26,2 26,2
7 25,5 24,29 24,12 22,5 23,11 24,12 24,29 26 25 26 26,2 26,2
8 25,5 24,29 24,12 22,5 22,54 23,98 24,29 26 25 26 26,2 26,2
9 25,5 24,29 24,12 22,5 22,3 23,98 24,24 26 25 26 26,2 26,2
10 25,5 24,29 23,98 22 22,3 23,8 24,14 25,5 25 26 26,2 26,2
11 24,32 24,14 23,94 22 22,3 23,11 24,14 25,5 25 26 26,2 26,2
12 24,29 24,14 23,4 21,92 22 22,5 24,12 25,5 25 26 26,2 26,2
13 24,24 24,12 22,5 21,92 21,92 22,5 23,98 25,5 25 24,29 24,29 24,29
14 24,12 23,8 22 21,8 21,9 21,92 23 24,29 24,29 24,14 24,24 24,24
15 23,98 23 21,92 21,8 21,8 21,92 23 24,2 24,14 24,12 24,12 24,12
16 23,11 22,54 21,92 21,69 21,69 21,8 22,5 24,14 24,12 23,98 23,98 23,98
17 23 22 21,8 21,18 21,18 21,8 22 24,12 23,98 23,4 23,8 23,9
18 22,5 21,92 21,69 21,18 21,18 21,69 21,92 23,98 23,4 23,4 23,8 23,9
19 22 21,8 21,33 21,18 21,18 21,33 21,9 23,11 22 23,4 23,8 23,9
63
20 21,92 21,69 21,33 21,18 21,18 21,33 21,8 22 22 22,5 22,83 22,83
21 21,8 21,5 21,33 21,18 21,18 21,33 21,69 21,92 22 22 22 22,54
22 21,69 21,5 21,33 21,18 21,18 21,33 21,57 21,8 21,92 21,92 21,92 21,92
23 21,63 21,5 21,33 21,18 21,18 21,33 21,57 21,8 21,8 21,9 21,9 21,92
24 21,63 21,5 21,33 21,18 21,18 21,33 21,57 21,77 21,8 21,8 21,8 21,8
25 21,63 21,5 21,33 21,18 21,18 21,33 21,57 21,77 21,8 21,8 21,8 21,8
26 21,63 21,5 21,33 21,18 21,18 21,33 21,57 21,77 21,8 21,8 21,8 21,8
27 21,63 21,5 21,33 21,18 21,18 21,33 21,57 21,77 21,8 21,8 21,8 21,8
28 21,63 21,5 21,33 21,18 21,18 21,33 21,57 21,77 21,8 21,8 21,8 21,8
Tabela IX – Dados da Curva de Demanda Residual ( λt ,s ) Horas 13 a 24
1 25 25 25 25 25 26 26,2 27 27 27 26 25
2 25 25 25 25 25 26 26,2 27 27 27 26 25
3 25 25 25 25 25 26 26,2 27 27 27 26 25
4 25 25 25 25 25 26 26,2 27 27 27 26 25
5 25 25 25 25 25 26 26,2 27 27 27 26 25
6 25 25 25 25 25 26 26,2 27 27 27 26 25
7 25 25 25 25 25 26 26,2 27 27 27 26 25
8 25 25 25 25 25 26 26,2 27 27 27 26 25
9 25 25 25 25 25 26 26,2 27 27 27 26 25
10 25 25 25 25 25 26 26,2 27 27 27 26 25
11 25 25 25 25 25 26 26,2 27 27 27 26 25
12 25 25 24,32 25 25 26 26,2 27 27 26,37 26 25
13 24,29 24,29 24,29 25 24,29 24,29 24,29 27 27 25,8 24,29 25
14 24,14 24,14 24,14 24,29 24,14 24,14 24,24 25,8 26,37 25,8 24,14 24,29
15 24,12 24,12 24,12 24,24 24,12 24,12 24,12 25,8 25,8 24,29 24,12 24,14
16 23,94 23,94 23,8 24,14 23,94 23,98 23,98 25,8 24,5 24,24 23,98 24,12
17 22,7 22,7 23 24,12 22,7 23,4 23,9 24,29 24,29 24,14 23,4 23,98
18 22,7 22,7 23 23,8 22,7 23,4 23,9 24,14 24,14 24,12 23,4 23,11
19 22,7 22,7 22 22 22,7 23,4 23,9 24,12 24,12 23,5 22,5 22
20 22 22 22 22 22 22,5 22,83 23,98 23,98 23,5 22 22
21 22 22 21,92 21,92 22 22 22,54 23,5 22,54 22 21,92 21,92
22 21,92 21,92 21,9 21,9 21,92 21,92 21,92 22 22,2 21,92 21,8 21,8
23 21,8 21,8 21,8 21,8 21,8 21,9 21,92 21,92 22 21,9 21,69 21,69
24 21,77 21,77 21,77 21,77 21,77 21,8 21,8 21,9 21,92 21,8 21,69 21,69
25 21,77 21,77 21,77 21,77 21,77 21,8 21,8 21,9 21,92 21,8 21,69 21,69
26 21,77 21,77 21,77 21,77 21,77 21,8 21,8 21,9 21,92 21,8 21,69 21,69
64
27 21,77 21,77 21,77 21,77 21,77 21,8 21,8 21,9 21,92 21,8 21,69 21,69
28 21,77 21,77 21,77 21,77 21,77 21,8 21,8 21,9 21,92 21,8 21,69 21,69
65
APÊNDICE B: CÓDIGO CPLEX
Para reprodução do modelo basta copiar o código abaixo e colar em um arquivo .mod no
software BM ILOG CPLEX Optimization Studio. Os dados da curva de demanda residual
apresentados no Apêndice A devem ser inseridos em um arquivo .dat e os demais dados são
declarados no próprio código conforme descrito abaixo.
/*********************************************
* OPL 12.6.0.0 Model
* Author: Claudia Inafuko
* Creation Date: 10/12/2016 at 10:46:54
*********************************************/
// CONJUNTOS
int NT = ...; // Número de períodos

range T = 1..NT; // Períodos
int NS = ...; // Número de steps
range S = 1..NS; // Steps
int NUH = ...; // Número de usinas hidrelétricas
range UH = 1..NUH; // Usinas hidrelétricas
// DADOS DE ENTRADA
tuple montante {
int USINA;
{int} USINAMONTANTE;
{int} DELAY;
}
montante CASCATA[UH] = [<1,{},{48}>, <2,{1},{3}>, <3,{2},{8}>, <4,{3},{14}>,
<5,{4},{6}>]; // Definição da configuração da cascata
tuple dados {
int USINA; // [ ] ID da usina hidrelétrica
float ALTQ0; // [m] Altura de Queda Líquida Inicial tida como constante
para função de produção e determinação de PMAX e VOLINI
float PMAX; // [MW] Potência Máxima da usina UH determinada pela curva
Potência Máxima x Altura de Queda Líquida
float PMIN; // [MW] Potência Mìnima da usina UH determinada pela colina
Rendimento x Potência x Altura de Queda Líquida
float DEFMAX; // [m³/s] Defluência Máxima da usina UH (adotar
engolimento efetivo*2,5)
float DEFMIN; // [m³/s] Defluência Mínima da usina UH
float VERTMIN; // [m³/s] Vertimento Mínimo da usina UH (Vertimento
Máximo não é limitado pois a Defluência Máxima já limita por baixo) restrições
> formulário
float VOLMAX; // [hm³] Volume Máximo de reservatório da usina UH
determinado como o Volume Máximo Operativo
66
float VOLMIN; // [hm³] Volume Mínimo de reservatório da usina UH

determinado pela cota de montante e adotado uma variação para baixo
float VOL0; // [hm³] Volume Inicial de reservatório da usina UH
determinado por ALT0
float EFFTG; // [MW/m³/s/m] Produtibilidade do par turbina gerador
float FLUXOENT; // [m³/s] Fluxo de Entrada Lateral determinado pela
diferença das defluências das usinas a jusante e a montante
float CMb; // [m] Coeficiente linear da curva linearizada localmente da
cota de montante x volume médio
float CMa; // [m/hm³] Coeficiente angular da curva linearizada
localmente da cota de montante x volume médio
float CJb; // [m] Coeficiente linear da curva linearizada da cota de
jusante x defluência
float CJa; // [m/m³/s] Coeficiente angular da curva linearizada da cota
de jusante x defluência
float HP; // [m] Perda da altura de queda líquida calculada através do
teorema do valor médio aplicado a curva (PEREIRA, 2015, p. 61)
}
dados DADOSUH[UH] =
[<1, 23.96, 140.0, 2.0, 2000.0, 76.0, 76.0, 3135.5, 1778.7, 2400.0, 0.008633,
84.0, 439.23, 0.00395, 426.13, 0.0025, 0.25>,
<2, 23.33, 144.0, 1.0, 771.0, 103.0, 0.0, 544.2, 512.7, 530.0, 0.008437, 25.0,
418.05, 0.01729, 403.41, 0.0018, 0.21>,
<3, 23.44, 131.2, 1.0, 702.0, 128.0, 0.0, 983.2, 953.6, 970.4, 0.008829, 53.0,
395.62, 0.00851, 380.59, 0.0010, 0.16>,
<4, 26.81, 264.0, 10.0, 1293.0, 160.0, 0.0, 7407.0, 6290.2, 6800.7, 0.008829,
7.0, 369.24, 0.00199, 356.00, 0.0013, 0.21>,
<5, 32.76, 347.5, 5.0, 1431.0, 153.0, 0.0, 2738.5, 2529.5, 2618.6, 0.008829,
0.0, 344.01, 0.00510, 325.75, 0.0007, 0.31>]; // dados das usinas
// DADOS DE CURVA DE DEMANDA RESIDUAL
float QMIN[S][T] = ...; // [MWh] Soma dos blocos de energia de S até S-1 na
hora T
float BMAX[S][T] = ...; // [MWh] Porção máxima do step S
float LAMB[S][T] = ...; // [$/MWh] preço da cota[T] no step S
// VARIÁVEIS
dvar float+ b[S][T]; // [MWh] Bloco de energia do step S para obter cota[T]
dvar boolean u[S][T]; // Variável binária 1 se step S é o último pra atingir a
cota[T]
dvar float+ cota[T]; // [MWh] Cota na hora T
dvar float+ pot[UH][T]; // [MW] Potência gerada na usina UH na hora T
dvar float+ def[UH][T]; // [m³/s] Defluência da usina UH na hora T
dvar float+ turb[UH][T]; // [m³/s] Turbinagem da usina UH na hora T
dvar float+ vert[UH][T]; // [m³/s] Vertimento da usina UH na hora T
dvar float+ vol[UH][T]; // [hm³] Volume da usina UH na hora T
dvar boolean zstatuson[UH][T]; // Variável binária 1 se unidade a estiver
ligada na hora T
dvar float+ altliq[UH][T]; // [m] Altura de queda líquida da usina UH na hora
UH
dvar float+ hu[UH][T]; // [m] Cota de montante da usina UH na hora T
dvar float+ hd[UH][T]; // [m] Cota de jusante da usina UH na hora T
67
// FUNÇÃO OBJETIVO
maximize
sum(s in S, t in T)(LAMB[s][t] * (b[s][t] + u[s][t] * QMIN[s][t]));
subject to {
/////// 1. RESTRIÇÕES DA CURVA DE DEMANDA RESIDUAL
// Total da cota[t] é a soma de potência gerada de todas as unidades a

forall(t in T)
cstr_01:
cota[t] == sum(uh in UH) pot[uh][t];
// Total da cota[t] é a soma do bloco de energia da curva na hora t

forall(t in T)
cstr_02:
cota[t] == sum(s in S) (b[s][t] + u[s][t] * QMIN[s][t]);
// A porção b[s][t] é limitada a 0 e porção máxima do step s na hora t

forall(s in S, t in T)
cstr_03:
b[s][t] >= 0;
forall(s in S, t in T)
cstr_04:
b[s][t] <= u[s][t] * BMAX[s][t];
// A variável de decisão u[s][t] só pode ser 1 uma vez

forall(t in T)
cstr_05:
sum(s in S) u[s][t] == 1;
/////// 2. RESTRIÇÕES DE POTÊNCIA MÁXIMA E MÍNIMA
// Potência Máxima
forall(uh in UH, t in T)
cstr_06:
pot[uh][t] <= DADOSUH[uh].PMAX * zstatuson[uh][t];
// Potência Mínima
cstr_07:
pot[uh][t] >= DADOSUH[uh].PMIN * zstatuson[uh][t];
/////// 3. RESTRIÇÕES DE DEFLUÊNCIA, TURBINAGEM E VERTIMENTO
// Defluência = Turbinagem + Vertimento

cstr_08:
def[uh][t] == turb[uh][t] + vert[uh][t];
// Limites de defluência
68
cstr_09:
def[uh][t] >= DADOSUH[uh].DEFMIN;
cstr_10:
def[uh][t] <= DADOSUH[uh].DEFMAX;
// Limites de vertimento
csrt_11:
vert[uh][t] >= DADOSUH[uh].VERTMIN;
///////// 4. VOLUME DO RESERVATÓRIO
// Limite de volume do reservatório

csrt_12:
vol[uh][t] >= DADOSUH[uh].VOLMIN;
cstr_13:
vol[uh][t] <= DADOSUH[uh].VOLMAX;
///////// 5. BALANÇO NODAL DE ÁGUA
forall(uh in UH, t in T: t > 1)

cstr_14:
vol[uh][t] == vol[uh][t - 1] + K1 * (DADOSUH[uh].FLUXOENT + sum(uhm in
CASCATA[uh].USINAMONTANTE, delay in CASCATA[uh].DELAY:
ord(CASCATA[uh].USINAMONTANTE, uhm) == ord(CASCATA[uh].DELAY, delay) && (t -
delay >= 1) ) def[uhm][t - delay] - def[uh][t]);
forall(uh in UH, t in T: t == 1)
cstr_15:
vol[uh][t] == DADOSUH[uh].VOL0 + K1 * (DADOSUH[uh].FLUXOENT - def[uh][t]);
///////// 6. COTA DE MONTANTE E JUSANTE DO RESERVATÓRIO
//Cota de Montante linearização local

cstr_16:
hu[uh][t] == DADOSUH[uh].CMb + DADOSUH[uh].CMa * vol[uh][t];
//Cota de Jusante linearização geral

cstr_17:
hd[uh][t] == DADOSUH[uh].CJb + DADOSUH[uh].CJa * def[uh][t];
/////// 7. ALTURA DE QUEDA LÍQUIDA DO RESERVATÓRIO A

69
cstr_18:
altliq[uh][t] == hu[uh][t] - hd[uh][t] - DADOSUH[uh].HP;
/////// 8. FUNÇÃO DE GERAÇÃO DE ENERGIA HIDRELÉTRICA
cstr_19:
pot[uh][t] == DADOSUH[uh].EFFTG * turb[uh][t] * DADOSUH[uh].ALTQ0;
/////// 9. META DE PRODUÇÃO

forall(uh in UH)
cstr_20:
vol[uh][24] >= 0.985 * DADOSUH[uh].VOL0;
}

TG II Claudia Inafuko - Post Presentation

Загружено:

Сведения о документе

Оригинальное название

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

TG II Claudia Inafuko - Post Presentation

Загружено:

Авторское право:

Доступные форматы

3

UNIVERSIDADE ESTADUAL PAULISTA

Modelo de Autoprogramação de Geração de um Sistema

Aluna: Cláudia Harumi Saito Inafuko

CLÁUDIA HARUMI SAITO INAFUKO

Modelo de Autoprogramação de Geração de um Sistema

Monografia do Trabalho de Graduação como

Universidade Estadual Paulista “Julio de Mesquita Filho”

Orientador: Prof. Dr. Leonardo Nepomuceno

Inafuko, Cláudia Harumi Saito

Modelo de Autoprogramação de Geração de um Sistema Hidrelétrico / Cláudia Harumi Saito

Orientador: Leonardo Nepomuceno

Trabalho de Conclusão de Curso — Universidade Estadual Paulista “Julio de Mesquita Filho”.

1. Programação Linear Inteira Mista. 2. Mercados de Eletricidade. 3. Autoprogramação de

Aluna: Cláudia Harumi Saito Inafuko

Título: Modelo de Autoprogramação de Geração de um Sistema Hidrelétrico

Trabalho de Graduação defendido e aprovado em 09/06/2017, com MÉDIA 10 (dez), pela

Palavras-chave: Programação Linear Inteira Mista, Mercado Pool de Energia, Autoprogramação

Keywords: Mixed-Integer Linear Programming, Pool-based Market, Self-scheduling of

2 CLASSIFICAÇÃO DE MERCADOS DE ELETRICIDADE 14

2.1 LEILÕES DE ENERGIA 14

2.2 CONTRATOS BILATERAIS 16

2.3 MODELOS CENTRALIZADO E DESCENTRALIZADO 16

3 MERCADO DE ENERGIA NO BRASIL 18

4 RESTRIÇÕES FÍSICAS E OPERATIVAS 21

4.2 VAZÃO DE ENTRADA 22

4.3 DEFLUÊNCIA, ENGOLIMENTO E VERTIMENTO 23

4.4 COTA DE MONTANTE E JUSANTE DO RESERVATÓRIO 23

4.5 ALTURA DE QUEDA 24

4.6 CONJUNTOS TURBINA/GERADOR 24

4.7 POTÊNCIA MÁXIMA E ENGOLIMENTO MÁXIMO 25

4.8 FUNÇÃO DE PRODUÇÃO HIDRÁULICA 26

5.1 DEFINIÇÕES E CONCEITOS - PROGRAMAÇÃO LINEAR (PL) 28

5.2 O MÉTODO SIMPLEX 31

5.3 ALGORITMO SIMPLEX 34

5.4 DEFINIÇÕES E CONCEITOS - PROGRAMAÇÃO INTEIRA-MISTA 35

5.5 MÉTODOS BRANCH-AND-BOUND E BRANCH-AND-CUT 35

APÊNDICE A: DADOS DE ENTRADA 55

APÊNDICE B: CÓDIGO CPLEX 62

No setor elétrico de um país, dois planejamentos são extremamente importantes para o

O modelo proposto é resultado da combinação de trabalhos que são apresentados no

2 CLASSIFICAÇÃO DE MERCADOS DE ELETRICIDADE

Muitos países tiveram seus mercados de eletricidade desenvolvidos de maneira similar.

2.1 LEILÕES DE ENERGIA

No ambiente de leilão, as companhias geradoras dão seus respectivos blocos de ofertas de

encontram com as compradoras (demandas), formando assim o preço de equilíbrio de mercado

Figura 1 - Preço de Equilíbrio de Mercado

Em relação ao horizonte de programação, os leilões podem operar ser realizados em

geração corresponde ao incremento de demanda em uma localização específica da rede levando-

2.2 CONTRATOS BILATERAIS

Paralelamente aos leilões de energia podem ocorrer os contratos bilaterais. Os contratos

2.3 MODELOS CENTRALIZADO x E MODELO DESCENTRALIZADO

Em termos gerais, ambos ambos os ambientes podem coexistir em diversas proporções.

Figura 2 – Despacho Centralizado e Descentralizado

FONTE: adaptada pela autora de (BARROSO et al., 2005, p. 5).

O despacho centralizado fornece maiores vantagens em relação a integração do sistema de

3 MERCADO DE ENERGIA NO BRASIL

O estabelecimento do setor elétrico brasileiro remonta à época da indústria do café, onde

regulado de maneira semelhante ao que já ocorria com as distribuidoras e transmissoras nos

Figura 3 – Organograma do Setor Elétrico Brasileiro

FONTE: (ONS, 2016)

Em linhas gerais, pode-se resumir que atualmente o setor elétrico brasileiro é

 Segregação das atividades de geração, transmissão e distribuição;