CENTRO FEDERAL DE EDUCAÇÃO TECNOLÓGICA DE MINAS GERAIS Diretoria de Pesquisa e Pós-Graduação Programa de Mestrado em Modelagem Matemática e Computacional Otimização de um Sistema de Controle Conjunto de Geração de Energia Hidrelétrica com o emprego de Inteligência Computacional Dissertação de Mestrado, submetida ao Programa de Pós-Graduação em Modelagem Matemática e Computacional, como parte dos requisitos exigidos para a obtenção do título de Mestre em Modelagem Matemática e Computacional. Aluna: Carolina Gil Marcelino Orientador: Prof. Dr. Paulo Eduardo Maciel de Almeida Belo Horizonte - MG Dezembro de 2012 Folha de aprovação. Será fornecida pelo Programa de Pós-Graduação e deverá substituir esta página. ii A474m Marcelino. Carolina Gil, 1984Otimização de um Sistema de Controle Conjunto de Geração de Energia Hidrelétrica com o emprego de Inteligência Computacional/ Carolina Gil Marcelino - Belo Horizonte: CEFET-MG, 2012. f. : il. Inclui Bibliografia. Dissertação (Mestrado em Modelagem Matemática e Computacional) - Centro Federal de Educação Tecnológica de Minas Gerais Orientador: Paulo Eduardo Maciel de Almeida. 1 - Otimização. 2 - Usinas Hidrelétricas. 3 - Inteligência Computacional. 4 - Algoritmos Evolutivos. 5 - Metaheurísticas. E.M. Almeida, Paulo. II. Centro Federal de Educação Tecnológica de Minas Gerais. III. Título. CDU 657.31 iii “Não há maior demonstração de insanidade do que fazer a mesma coisa, da mesma forma, dia após dia, e esperar resultados diferentes”. (Albert Einstein) iv A Deus, o autor da vida. A meus pais Herbert e Marília, que me deram direito a vida. Aos meus irmãos e amigos, que trazem alegria a vida. v Agradecimentos Agradeço a Deus, pelas suas infinitas misericórdias que se renovam a cada manhã, por ter me guardado até aqui, e me agraciado com pessoas maravilhosas no caminho. Aos meus pais Herbert e Marília pelo investimento de amor incondicional, carinho e confiança dedicados à mim em todos estes anos. Ao meu irmão Herbert Filho por estar comigo me alegrando nos momentos difíceis. Aos meus irmãos Camila e Thiago pelo incentivo e carinho, mesmo estando distantes fisicamente. A minha irmã de coração Débora, pelas aulas de inglês, traduções, revisões, carinho e amizade. Aos meus amigos Elisângela, Armando, Ana Paula, Poliana, Johnathan, Gabriela, Marcos, Amanda, Iuri, Daniel e Katiúscia por todo incentivo e carinho. Aos meus familiares. Ao singular Prof. Paulo Eduardo Maciel de Almeida, pela excelente orientação, paciência e confiança depositada no desenvolvimento deste trabalho. Por ter sido mais que orientador, por ter sido como um pai, por ter me cobrado em muitos momentos e me encorajando a seguir em frente transmitindo conhecimentos não só teóricos, como também de vida. Às professoras Hersília de Andrade e Santos e Elizabeth Fialho Wanner, pelos conhecimentos transmitidos referentes a hidráulica e estatística, respectivamente. Aos demais professores do PPGMMC, por transmitirem conhecimentos valiosos, em cada disciplina vista no decorrer do curso. À Lenise, por toda atenção e carinho. Aos companheiros de projeto de Pesquisa & Desenvolvimento Daniel Pereira e Pedro Abrão, por todos os dias dedicados ao P&D, sobretudo pela amizade concretizada neste tempo. À CEMIG, na pessoa de Marcelo Abrantes e equipe, pela confiança depositada, envio de dados e apoio financeiro. À ORTENG, na pessoa de Pedro Lopes e equipe, por todo auxílio e tempo dedicados. Aos novos amigos conquistados no CEFET-MG, Juliana, Flávia, Nilmar, José Maurício, Sophia, Giselle Paranhos, Lillia, Gisele Xavier, Sílvia e Francielly, por todos os momentos de apoio mútuo. Aos professores e servidores do DECOM, Thiago Souza, João Sarubbi, Adelson de Paula, Claudia Reis e Natália Vasconcelos pelo apoio incondicional. Aos meus alunos do médio integrado, pelo respeito e carinho. À todos, o meu muitíssimo obrigada. vi Resumo O avanço do situação economica no Brasil, embasado no aumento da demanda interna e na perspectiva de maior volume de investimentos, juntamente com o crescimento da população, o consumo das famílias e as oportunidades ligadas aos setores de infraestrutura, fazem com que a necessidade de uma maior demanda de energia elétrica seja produzida a cada ano. Em produção de energia é comum usar o termo "despacho elétrico". Neste contexto, uma programação de despacho ótimo de unidades de geração hidrelétrica, cujo objetivo é a maximização da produção de energia satisfazendo as condições de operação do sistema, faz com que uma maior quantidade de potência elétrica possa ser gerada com o mínimo de vazão de água possível em cada unidade produtiva. Esta é uma situação onde se busca obter eficiência energética. O escopo deste trabalho é o estudo de uma usina hidrelétrica de grande porte, a modelagem matematica da geração hidrelétrica e a incorporação das perdas hidráulicas inerentes aos condutos forçados. São obtidos os coeficientes operativos das unidades geradoras por meio da técnica estatística de regressão não-linear multivariável. Além disto, são obtidas soluções de otimização com uso de técnicas de computação evolutiva e são identificadas as melhores soluções por meio de inferência estatística. Os algoritmos evolutivos geram populações de vazões, nas quais cada indivíduo representa uma vazão factível para cada unidade geradora. São apresentadas as análises dos resultados dos experimentos realizados em que o melhor algoritmo, o DE/rand/1/bin, obteve 0,37% de economia de recursos hídricos em simulação para uma projeção mensal. A porcentagem apresentada equivale a uma economia de 6,3 milhões de m3 de água em um mês. Finalmente é discutida a generalidade da modelagem proposta e as soluções encontradas pelos algoritmos evolutivos, contemplando a possibilidade de sua utilização na solução deste mesmo problema em usinas hidrelétricas similares ao caso de estudo aqui abordado. PALAVRAS-CHAVE: Otimização, Inteligência Computacional, Usinas Hidrelétricas. vii Abstract The increasing economic situation in Brazil, based on domestic demand rising and prospect of more investment, together with growth population, household consumption and opportunities related to infrastructure sectors, causes a needing of a increase of electricity demand that is produced each year. In energy production is common to use the term "electric dispatch". In this context, a scheduling optimal dispatch of hydroelectric generation units, whose goal is to maximize energy production satisfying the conditions of system operation, makes a larger amount of electric power to be generated with minimal water flow, in each production unit. This is a situation which seeks to obtain energy efficiency. The scope of this work is the study of a a large hydroelectric plant, the mathematical modeling of hydroelectric generation and the incorporation of hydroelectric losses inherent to penstocks. The operative coefficients of the generating units are obtained through the statistical technique of nonlinear regression multivariable. Moreover, optimization solutions a found by means of evolutive computation techniques and the best techniques to solve the problem are identified by statistics inference solutions. The evolutionary algorithms generate populations of flows, in which each individual represents a feasible flow for each generating unit. The analysis of the experiments results are displayed, in which the best algorithm, DE/rand/1/bin, obtained 0,37% of saving in water resource simulation for a monthly projection. The percentage shown is equivalent to a saving of 6,3 million m3 of water in a month. Finally we discuss the generality of the proposed modeling and the solutions found by evolutionary algorithms, contemplating the possibility of its use in solving this same problem in hydropower plants similar to the case study discussed here. KEYWORDS: Optimization, Computational Intelligence, Power Plants. viii Lista de Abreviaturas e Siglas AG Algoritmo Genético AGB Algoritmo Genético Binário AGR Algoritmo Genético Real ANEEL Agência Nacional de Energia Elétrica ANOVA Analise de Variância DE Algoritmo de Evolução Diferencial GMDH do inglês - Algorithm the Group Method of Data Handlind GNU do inglês - General Public Licence IA Inteligência Artificial IC Inteligência Computacional MLP do inglês - Multlayer Perceptron MO Multiobjetivo MW do inglês - Megawatt ONS Operador Nacional do Sistema Elétrico PSO do inglês - Particle Swarm Optimization RNA Redes Neurais Artificiais SBX do inglês - Simulated Binary Crossover SIN Sistema Interligado Nacional UHE Usina Hidrelétrica ix Sumário 1 Introdução 1.1 Contextualização . . . . . . . . . . . . 1.1.1 Planejamento da Operação . . . 1.1.2 Despacho Elétrico . . . . . . . . 1.2 Objetivos . . . . . . . . . . . . . . . . 1.2.1 Objetivo Geral . . . . . . . . . 1.2.2 Objetivos Específicos . . . . . . 1.3 Metodologia . . . . . . . . . . . . . . . 1.3.1 Hipótese . . . . . . . . . . . . . 1.3.2 Planejamento dos Experimentos 1.4 Organização do Trabalho . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2 Fundamentação Teórica 2.1 Usina Hidrelétrica . . . . . . . . . . . . . . . . . . . . . . 2.1.1 Descrição dos Componentes . . . . . . . . . . . . 2.2 Otimização . . . . . . . . . . . . . . . . . . . . . . . . . 2.2.1 Otimização Mono-Objetivo . . . . . . . . . . . . . 2.3 Inteligência Computacional . . . . . . . . . . . . . . . . . 2.4 Regressão Não-Linear Multivariável . . . . . . . . . . . . 2.5 Redes Neurais Artificiais . . . . . . . . . . . . . . . . . . 2.6 Algoritmo de Levenberg-Marquardt . . . . . . . . . . . . 2.7 Algoritmos de Otimização . . . . . . . . . . . . . . . . . 2.7.1 Algoritmos Genéticos . . . . . . . . . . . . . . . . 2.7.2 Operadores do Algoritmo Genético . . . . . . . . 2.7.3 Algoritmos de Evolução Diferencial . . . . . . . . 2.7.4 Operadores do Algoritmo de Evolução Diferencial 2.7.5 Estratégias Evolutivas do Algoritmo de Evolução Diferencial . . . . . . . . . . . . . . . 2.8 Considerações Finais . . . . . . . . . . . . . . . . . . . . 3 Modelagem do Problema 3.1 Caracterização do Problema . . . . . 3.2 Estado da Arte . . . . . . . . . . . . 3.3 Escopo do Trabalho . . . . . . . . . . 3.4 Modelagem Matemática . . . . . . . 3.4.1 Modelo de Perdas Hidráulicas 3.4.2 Cálculo de Queda de Líquida x . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1 2 3 4 5 5 5 6 7 7 8 . . . . . . . . . . . . . 10 10 11 14 15 16 17 18 19 20 20 23 26 27 . . . . . . . 29 . . . . . . . 30 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 31 31 31 36 36 42 44 3.5 3.4.3 Modelo de Rendimento 3.4.4 Modelo de Produção . 3.4.5 Modelo de Otimização Considerações Finais . . . . . de Turbina . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4 Estudo de Caso: UHE Instalada no Brasil 4.1 Dados reais da UHE . . . . . . . . . . . . . . 4.1.1 Vazão Turbinada . . . . . . . . . . . . 4.1.2 Potência Ativa . . . . . . . . . . . . . 4.1.3 Demanda Média do Período . . . . . . 4.1.4 Limites nas variáves do Sistema . . . . 4.2 Algoritmos Propostos . . . . . . . . . . . . . . 4.2.1 Algoritmo Genético Binário Proposto . 4.2.2 Algoritmo Genético Real Proposto . . 4.3 Algoritmos de Evolução Diferencial Propostos 4.4 Modelo de Simulação Proposto . . . . . . . . 4.5 Experimentos Realizados . . . . . . . . . . . . 4.5.1 Demanda Diária variada . . . . . . . . 4.5.2 Demanda Diária única . . . . . . . . . 4.5.3 Demanda Horária . . . . . . . . . . . . 4.6 Considerações Finais . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5 Análise Comparativa dos Algoritmos 5.1 Comparação estatística com gráfico de caixa . . . . . . 5.2 Método de Tukey . . . . . . . . . . . . . . . . . . . . . 5.3 Análise multiobjetivo de um problema mono-objetivo . 5.4 Projeção de economia e de aumento na geração elétrica 5.4.1 Economia de recursos hídricos . . . . . . . . . . 5.4.2 Aumento na Geração Hidrelétrica . . . . . . . . 5.5 Considerações Finais . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 45 53 54 56 . . . . . . . . . . . . . . . 57 57 58 58 58 58 59 59 60 61 61 62 63 66 75 79 . . . . . . . 80 80 81 84 89 89 90 91 6 Conclusões e Trabalhos Futuros 92 Referências 95 A Dados dos Experimentos 100 A.1 Experimentos de Demanda Diária . . . . . . . . . . . . . . . . . . . . 100 A.2 Experimentos de Demanda Horária . . . . . . . . . . . . . . . . . . . 113 xi Lista de Tabelas 3.1 3.2 3.3 Parâmetros para exemplo de cálculo de perdas . . . . . . . . . . . . . 43 Coeficientes da Função dados pela RNA . . . . . . . . . . . . . . . . 47 Coeficientes operativos . . . . . . . . . . . . . . . . . . . . . . . . . . 50 4.1 4.2 4.3 4.4 4.5 Parâmetros do AGB . . . . . . . . . . . . . . . . Parâmetros do AGR . . . . . . . . . . . . . . . . Parâmetros de Inicialização dos Algoritmo DE . . Resultados do Experimento Demanda diária única Resultados do Experimento Demanda Horária . . 5.1 Tabela ANOVA . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 83 A.1 Resultados - AGB . . . . . . . . . . . . . A.2 Resultados - AGR . . . . . . . . . . . . . A.3 Resultados - DE/best/1/bin . . . . . . . A.4 Resultados - DE/rand/1/bin . . . . . . . A.5 Resultados - DE/rand-to-best/2/bin . . A.6 Resultados - Algoritmo DE/best/2/bin . A.7 Resultados - Algoritmo DE/rand/2/bin . A.8 Resultados - Algoritmo DE/best/1/exp . A.9 Resultados - DE/rand/1/exp . . . . . . . A.10 Resultados - DE/rand-to-best/2/exp . . A.11 Resultados - Algoritmo DE/best/2/exp . A.12 Resultados - DE/rand/2/exp . . . . . . . A.13 Resultados Função Objetivo - Algoritmos A.14 Tempo de Execução por Algoritmo . . . xii . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 60 61 61 66 77 101 102 103 104 105 106 107 108 109 110 111 112 113 114 Lista de Figuras 1.1 1.2 Oferta interna de Energia Elétrica por fonte no Brasil . . . . . . . . . Planejamento da Operação . . . . . . . . . . . . . . . . . . . . . . . . 2.1 2.2 2.3 2.4 2.5 2.6 2.7 2.8 2.9 2.10 2.11 2.12 Usina Hidrelétrica de Três Marias . . . . . . . . . . . UHE Itaipu - Corte lateral . . . . . . . . . . . . . . Turbina Kaplan . . . . . . . . . . . . . . . . . . . . . Curva de Rendimento de unidade geradora . . . . . . Taxonomia da Inteligência Artificial (Almeida, 2011) RNA em formato de árvore binária . . . . . . . . . . Esquema de execução do Algoritmo Genetico . . . . . Representação gráfica do Método da Roleta . . . . . Ideia geral do Método do Torneio . . . . . . . . . . . Exemplo de Cruzamento binário de corte único . . . Exemplo de operação de Mutação binária . . . . . . . Estratégias de Evolução Diferencial . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10 12 12 13 16 19 21 23 24 24 25 30 3.1 3.2 3.3 3.4 3.5 3.6 3.7 3.8 3.9 3.10 3.11 3.12 Corte em usina, com tubulações expostas à jusante da barragem . . Aumento da perda de carga em tubulações com curvas poligonais . Exemplo de Conduto Forçado . . . . . . . . . . . . . . . . . . . . . Processo de Vetorização da Curva de Colina . . . . . . . . . . . . . Gráfico dos pontos vetorizados . . . . . . . . . . . . . . . . . . . . . Curva de Rendimento - Usando parâmetros da RNA . . . . . . . . . Resultado da Regressão Linear Multivariável . . . . . . . . . . . . . Gráfico dos pontos calculados . . . . . . . . . . . . . . . . . . . . . Superposição entre pontos vetorizados e pontos calculados . . . . . Generalização da Regressão . . . . . . . . . . . . . . . . . . . . . . Superposição: Generalização X Vetorização . . . . . . . . . . . . . . Processo de obtenção de um modelo matemático a partir de dados construtivos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 37 41 42 46 47 48 49 49 50 51 51 Exemplo de Alelo . . . . . . . . . . . . . . Modelo de Simulação Proposto . . . . . . Gráfico Típico de Potência Variada Gerada Gráfico Típico de Vazão Turbinada . . . . Gráfico Típico de Potência Gerada (UN) . Gráfico Típico de Vazão Turbinada (UN) . AGB - Potência Gerada . . . . . . . . . . AGB - Vazão Turbinada . . . . . . . . . . . . . . . . . . 4.1 4.2 4.3 4.4 4.5 4.6 4.7 4.8 xiii . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1 3 . 52 60 62 63 64 64 65 67 67 4.9 4.10 4.11 4.12 4.13 4.14 4.15 4.16 4.17 4.18 4.19 4.20 4.21 4.22 4.23 4.24 4.25 4.26 5.1 5.2 5.3 5.4 5.5 5.6 5.7 AGB - Potência Gerada(UN) . . . . . . . . . . . . . . . . . . . . . . AGB - Vazão Turbinada (UN) . . . . . . . . . . . . . . . . . . . . . . AGR - Potência Gerada . . . . . . . . . . . . . . . . . . . . . . . . . AGR - Vazão Turbinada . . . . . . . . . . . . . . . . . . . . . . . . . AGR - Potência Gerada(UN) . . . . . . . . . . . . . . . . . . . . . . AGR - Vazão Turbinada (UN) . . . . . . . . . . . . . . . . . . . . . . DE/rand/1/bin - Potência Gerada . . . . . . . . . . . . . . . . . . . . DE/rand/1/bin - Vazão Turbinada . . . . . . . . . . . . . . . . . . . DE/rand/1/bin - Potência Gerada(UN) . . . . . . . . . . . . . . . . . DE/rand/1/bin - Vazão Turbinada (UN) . . . . . . . . . . . . . . . . DE/best/1/bin - Potência Gerada . . . . . . . . . . . . . . . . . . . . DE/best/1/bin - Vazão Turbinada . . . . . . . . . . . . . . . . . . . . DE/best/1/bin - Poteência Gerada(UN) . . . . . . . . . . . . . . . . DE/best/1/bin - Vazão Turbinada (UN) . . . . . . . . . . . . . . . . Evolução da Função de Produtividade com emprego de AGB . . . . Evolução da Função de Produtividade com emprego de AGR . . . . . Evolução da Função de Produtividade com emprego de DE/best/1/bin Evolução da Função de Produtividade com emprego de DE/rand/1/bin . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 68 68 69 69 70 70 71 71 72 72 73 73 74 74 75 75 76 Gráfico de caixa da Função Objetivo . . . . . . . . . . . . . Teste de Tukey . . . . . . . . . . . . . . . . . . . . . . . . . Fronteira de Pareto AGB - pontos não dominados . . . . . . Fronteira de Pareto AGR - pontos não dominados . . . . . . Fronteira de Pareto DE/best/1/bin - pontos não dominados Fronteira de Pareto DE/rand/1/bin - pontos não dominados Comparação das Fronteiras de Pareto dos Algoritmos . . . . 81 82 85 85 86 86 87 xiv . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 76 Capítulo 1 Introdução Energia é um insumo necessário para o desenvolvimento social e econômico. Como resultado da produção agrícola, atividades industriais e domésticas, a demanda por energia aumenta consideravelmente, especialmente em países emergentes (Baños, 2011). Dentre as diversas formas de energia está a elétrica, que é a energia baseada na geração de diferenças de potencial elétrico entre dois pontos, que permitem estabelecer uma corrente elétrica entre ambos. Existem diversas tecnologias capazes de gerar energia elétrica, as quais são: por meio do ar, por meio da radiação solar, por meio nuclear, via calor, via água, entre outras. No Brasil, a forma mais utilizada para geração é por meio da utilização da água, ou seja, energia hidrelétrica. Figura 1.1: Oferta interna de Energia Elétrica por fonte no Brasil FONTE - Tolmasquim (2011). Como mostrado na Figura 1.1, o Brasil apresenta uma matriz de geração elétrica de origem predominantemente renovável, sendo que a geração interna hidráulica responde por montante superior a 74% da oferta. Segundo Tolmasquim (2011) houve uma elevação na produção hidrelétrica de 4% em relação a 2010, e a tendência é de que a demanda por energia aumente em torno de 5% a cada ano. 1 1.1 Introdução 2 Uma usina hidrelétrica aproveita o potencial hidráulico de um rio, para a geração de energia. A operação de um sistema de geração hidrelétrico, deve realizar um planejamento de operação que seja capaz de atender uma determinada demanda solicitada a ele pelo Operador Nacional do Sistema Elétrico - ONS. Este é o órgão responsável pela coordenação e controle da operação da geração e transmissão de energia elétrica no Sistema Interligado Nacional - SIN, sob a fiscalização e regulação da Agência Nacional de Energia Elétrica - ANEEL. A demanda a ser entregue, deve respeitar as restrições operativas visando determinar uma produtividade ótima economizando matéria prima e reduzindo custos (ONS, 2012). Grande parte das usinas instaladas no território brasileiro possuem sistema automatizado de controle para geração de energia, comumente chamado de controle conjunto. Tais sistemas recebem a demanda de geração de energia e a divide para cada unidade de geração composta pelo conjunto de turbina-gerador. No entanto, não se pode afirmar que tal divisão é a melhor forma de geração, ou seja, se o conjunto gerador está atuando no seu ponto ótimo de operação, pois esta forma não leva em conta as caracteristicas operativas de rendimento em particular de cada conjunto turbina-gerador (Almeida, 2007). O problema, ao se trabalhar com produtividade, é o de aumentar a eficiência na utilização de potencial hidráulico. Para tanto é necessário o levantamento de um modelo matemático que caracterize a operação de uma usina hidrelétrica, em termos de produção de potência. Posteriormente aplicar ao modelo, técnicas de otimização baseadas em ferramentas de inteligência computacional, visando a minimização de vazão de água para produção, maximizando então, a produção elétrica, ou seja, produzir mais utilizando menos. 1.1 Contextualização O objetivo do planejamento da operação de um sistema de energia elétrica é atender os requisitos do mercado com confiabilidade e com custo mínimo por consumo de combustível nas usinas (Rodrigues, 2003). Durante o ano há o período de chuvas, no qual o nível do reservatório de água é completamente ocupado, ao ponto de algumas vezes a água ser escoada pelo vertedouro. No decorrer deste período, o recurso hídrico é utilizado para geração, levando à baixa do nível do reservatório. Em alguns casos o nível do reservatório pode baixar muito, ao ponto de em casos extremos inviabilizar a operação das máquinas. 1.1 Introdução 3 Em outros casos, no mesmo curso de um rio, pode haver mais de uma usina, e a decisão da utilização da água em uma usina não pode impactar a produção de outra. Garantir a operação do sistema da energia demandada com uso de recurso mínimo e levando em conta todas as restrições produtivas é uma tarefa complexa. Porém, ela garante que, mesmo no período da seca, uma usina terá insumos suficientes para a produção da energia necessária. 1.1.1 Planejamento da Operação A energia em uma usina hidrelétrica está disponível no potencial existente do volume de água em um reservatório, ou seja, a energia potencial é tão maior quanto maior for o volume armazenado levando em conta também em consideração a diferença de alturas entre o nível montante e o nível à jusante da barragem (Provençano, 2003). A cadeia de planejamento deve levar em conta o fato de que a disponibilidade de energia de recursos hidroenergéticos é variável ao longo do tempo. Um acúmulo de recursos em períodos chuvosos, para que posteriormente possam ser utilizados em períodos de estiagem, pode ser necessário. Este gerenciamento determina a operação energética de um conjunto de usinas. De acordo com Arce (2006), as etapas do planejamento da operação são: de longo, médio e curto prazo e podem ser observadas na Figura 1.2. Figura 1.2: Planejamento da Operação Extraído de Arce (2006). No Brasil, o planejamento a longo prazo tem em vista o horizonte de vários anos. 1.1 Introdução 4 Para este horizonte, os sistemas hidrelétricos e termoelétricos são representados de modo agregado. O principal objetivo é estabelecer a proporção entre a geração hidrelétrica e a termoelétrica, de modo a manter requisitos de mercado com nível mínimo e confiabilidade (Araújo, 2010; Provençano, 2003). No planejamento a médio prazo, voltado a usinas hidrelétricas, é criada uma política de armazenamento em cada reservatório que compõe o sistema. O horizonte varia de alguns meses até um ano, com discretização mensal conforme a Figura 1.2. Nesta etapa, as usinas já possuem sua representação individualizada com as respectivas metas semanais de geração. O objetivo principal do planejamento da operação de curto prazo é procurar compatibilizar a operação do sistema hidrelétrico ao longo do dia ou da semana, com as metas energéticas estabelecidas pelo planejamento de médio prazo (Araújo, 2010). A operação de tempo real caracteriza-se em uma determinada usina atender a uma demanda solicitada online pelo ONS. Nesta operação, o ONS estabelece um tempo máximo aproximado de 10 (s) para que uma determinada usina, comece a entregar uma demanda solicitada para aquela hora, ou períodos de horas. Segundo Muller (2010), a supervisão da operação é uma gama de ações associadas ao acompanhamento e possíveis correções das condições operativas do sistema, assegurando a continuidade e qualidade do suprimento de energia elétrica. Entre as principais ações determinadas pela supervisão da operação estão: previsão de carga em curto prazo, controle de cheias e controle de tensão. 1.1.2 Despacho Elétrico Segundo Araújo (2010), dentro do planejamento de curto prazo é observado o problema de programação diária. Tal problema trata do atendimento da demanda e geração de energia para o período de 24 horas. De acordo com o planejamento de curto prazo, uma estimativa de produção por hora é fornecida e cabe ao sistema de controle da usina, determinar quais e quanto cada unidade geradora devem produzir. Assim, o despacho elétrico é definido como a atribuição de valores de operação para cada conjunto turbina-gerador de uma usina, dados alguns critérios a serem atendidos como a demanda de energia a ser produzida, limites operativos destes conjuntos etc. 1.2 Introdução 5 Atualmente o modo controle conjunto recebe uma determinada demanda e a divide igualmente pelo número de máquinas disponíveis para operação. No entanto, não se pode afirmar que tal divisão representa os melhores pontos de operação, ou seja, se o conjunto gerador está atuando no seu ponto ótimo de operação. O problema tratado neste trabalho se resume nas práticas de geração hidrelétrica adotadas atualmente no país, que não exibem preocupação com os aspectos de sustentabilidade e uso racional de recursos, como por exemplo, a eficiência energética e a economia de água. Para avançar em sua solução é proposta uma programação de despacho ótimo de unidades de geração hidrelétrica, cujo objetivo é a maximização da produção de energia satisfazendo as condições de operação do sistema, fazendo com que uma maior quantidade de potência elétrica possa ser gerada com o mínimo de vazão de água possível em cada unidade. 1.2 1.2.1 Objetivos Objetivo Geral O objetivo geral do projeto é desenvolver um modelo matemático e sua implementação na forma de um algoritmo capaz de aumentar a produtividade, em tempo de operação, da geração hidrelétrica, em uma usina real com relação aos conjuntos turbina-gerador existentes na mesma. O tema da dissertação trata então da eficiência na utilização de recursos hídricos para geração de energia elétrica. 1.2.2 Objetivos Específicos Os objetivos específicos a serem alcançados são: • Caracterizar os dados históricos de uma usina real e dos sistemas envolvidos na geração hidrelétrica de energia como forma de obtenção de um modelo matemático, que aborde a realidade do processo; • Modelar matematicamente o processo de geração de energia elétrica, do ponto de vista da eficiência do mesmo, com o propósito de subsidiar estudos sobre as possibilidades de aumento da eficiência; • Obter matematicamente, a partir de curvas de rendimento fornecidas, os coeficientes do modelo matemático de rendimento das unidades geradoras de uma usina real; 1.3 Introdução 6 • Implementar e realizar experimentos para otimização da eficiência dos conjuntos turbina-gerador para uma usina real, incorporando as perdas hidráulicas inerentes aos condutos forçados ligados aos conjuntos turbina-gerador, com uso de técnicas de otimização; • Avaliar os resultados obtidos e efetuar uma comparação objetiva dos resultados obtidos pelos vários algoritmos de otimização utilizados. 1.3 Metodologia O objeto de pesquisa desse trabalho pode ser classificado, em relação à sua natureza, como sendo do tipo aplicada, pois tem como objetivo gerar conhecimentos práticos à solução de problemas específicos. A seguir são apresentadas as etapas de metodologia realizadas para o cumprimento dos objetivos deste projeto: 1. Revisão de Literatura: inicialmente a metodologia utilizada se baseou na revisão da literatura que trata do problema proposto. Tal revisão fez com que as inserções de novas restrições ao modelo possam ser realizadas. Além disso, essa revisão identificou o estado da arte de sistemas de controle conjunto e de otimização; 2. Análise de Dados: após a revisão da literatura, se iniciou a verificação dos dados que serão concedidos pela usina real adotada como estudo de caso deste trabalho. Estes dados contemplarão o estado da usina em duas épocas do ano para avaliação do nível de água do reservatório após o período de chuva e durante o inicio da operação no período de estiagem; 3. Modelagem do Problema: modelar matematicamente o sistema de geração de potência elétrica, tendo como base o modelo utilizado por Araújo (2010). Após o estudo do modelo base, os seguintes modelos foram gerados e aplicados neste trabalho: • Modelo de Perdas Hidráulicas nos Condutos Forçados; • Modelo de Rendimento de Turbina; • Modelo de Produção de Potência Elétrica; • Modelo de Otimização de Eficiência Produtiva ; • Modelo de Simulação; 1.3 Introdução 7 4. Definição de Parâmetros de entrada: definir os parâmetros de entrada para funcionamento dos modelos de otimização e de simulação na etapa de modelagem. 5. Definição dos parâmetros de saída: definir os parâmetros de saída a serem entregues pelos modelos de otimização e de simulação na etapa de modelagem; 6. Implementações: definir e implementar as técnicas de inteligência computacional para otimização do sistema de geração de potência elétrica, em laboratório; 7. Testes: definir os experimentos a serem realizados para testar as soluções implementadas; 8. Avaliação preliminar dos resultados dos experimentos: verificar se cada algoritmo de otimização cumpriu o atendimento da demanda solicitada, respeitando os limites operativos impostos; 9. Avaliação estatística para comparação dos resultados obtidos por cada algoritmo implementado, visando encontrar qual obteve melhor desempenho de acordo com os critérios comparativos estabelecidos; 10. Análise global dos resultados; 11. Conclusão e trabalhos futuros. 1.3.1 Hipótese Espera-se que a conclusão desta pesquisa venha contribuir para a desconstrução da hipótese levantada por Ribas (2002), de que: "O ótimo operacional de uma usina hidrelétrica é atingido somente quando a demanda de geração é dividida igualmente pelo número de unidades geradoras". 1.3.2 Planejamento dos Experimentos 1.3.2.1 Coleta de dados reais A coleta de dados reais aconteceu em um período distinto do ano de 2011. Isto se faz necessário para que sejam realizados testes em dois momentos: quando o reservatório estiver cheio em sua totalidade e quando o mesmo estiver em uma época de seca. 1.4 Introdução 8 Isto vai identificar as características operativas de cada época possibilitando assim verificar em qual delas há uma maior eficiência e por sua vez economia. 1.3.2.2 Despacho Horário e Despacho Diário O experimento “Despacho Horário” se baseia na comparação entre a demanda solicitada ao algoritmo e o resultado que o mesmo informar. Por exemplo, se a demanda que atende a geração da usina no horário de 13:00h é 320MW, o algoritmo deverá escalonar a mesma para o número de unidades geradoras disponíveis de forma a encontrar o ponto eficiente de cada uma delas. Ao final será observado se a soma da geração de cada unidade atingiu a demanda total de maneira eficiente identificando se houve economia de recursos hídricos. O experimento “Despacho Diário” pretende avaliar o comportamento diário de despacho da usina real. Dadas como entrada diferentes demandas horárias no período de 24 horas, pretende-se avaliar o comportamento do algoritmo em atendê-las a ponto de garantir a eficiência. 1.3.2.3 Validação Os experimentos práticos realizados são necessários para validar o modelo proposto, bem como verificar a eficiência dos algoritmos implementados comparando-os visando averiguar qual foi a melhor técnica para solução do problema. 1.4 Organização do Trabalho O trabalho está dividido em sete capítulos. Este capítulo apresenta uma introdução ao projeto desenvolvido e retratado nesta dissertação, contextualiza o processo de planejamento e geração de energia hidrelétrica necessários a um entendimento amplo do objeto deste estudo. O Capítulo 2 descreve a fundamentação teórica básica de um sistema de geração e abrange todos os conceitos necessários para o entendimento aprofundado do projeto, trata aspectos de geração de energia bem como as técnicas de inteligência computacional adotadas para solução de regressão não linear multivariável. O Capitulo 3 contempla a caracterização do problema, o estado da arte, bem como a modelagem matemática adotada para resolução do mesmo, contendo exemplo de cálculos para cada modelo apresentado. 1.4 Introdução 9 O Capítulo 4 descreve algoritmos de otimização estudados para solução do problema incluindo os operadores utilizados. Neste capítulo também é apresentado o modelo de simulação da solução. O Capítulo 5 descreve o estudo de caso e apresenta os algoritmos de otimização propostos contemplando também os experimentos realizados para validação da solução. Nele se encontra uma analise estatística preliminar que classifica os quatro melhores algoritmos a serem analisados com maior critério estatístico. O Capítulo 6 contempla uma analise estatística mais robusta para comparação dos melhores algoritmos classificados no capítulo anterior. Entre as técnicas utilizadas estão a análise de caixas por meio de gráficos boxplot, a análise de variância com método de Tukey e finalmente uma análise multiobjetivo para um problema mono-objetivo é proposta. Além disto é feita uma projeção de economia de recursos hídricos e ganho na produção elétrica com o algoritmo classificado como melhor solução geral. O Capítulo 7 trata das conclusões do trabalho e apresenta possibilidades de trabalhos futuros. Capítulo 2 Fundamentação Teórica 2.1 Usina Hidrelétrica Uma usina hidrelétrica (UHE) é um complexo de engenharia, um conjunto de obras e de equipamentos, que tem por finalidade produzir energia elétrica utilizando o potencial hidráulico existente em um rio. A Figura 2.1 mostra o esquema estrutural de uma UHE contemplando seus principais componentes. Estes componentes serão descritos na Seção 2.1.1. Figura 2.1: Usina Hidrelétrica de Três Marias FONTE - Cachapuz (2006). Segundo Arce (2006), “a produção da energia elétrica é o resultado de um processo de transformação potencial e cinético. A energia potencial da água armazenada no reservatório é transformada pela turbina em energia mecânica que através de um eixo é transmitida ao gerador. No gerador, a energia mecânica é transformada em 10 2.1 Fundamentação Teórica 11 energia elétrica que, após passar por uma subestação elevadora de tensão, é injetada no sistema de transmissão para a sua entrega aos centros de consumo”. 2.1.1 Descrição dos Componentes Os setores que compõem uma usina hidrelétrica são basicamente: barragem, reservatório, vertedouro, tomadas d’água, condutos forçados, casa de força e conjuntos de turbina-gerador. A barragem é uma barreira artificial, responsável por reter grandes quantidades de água. A maior parte das barragens no Brasil são construídas geralmente em terra e concreto armado em cursos d’água. Os reservatórios de água são unidades hidráulicas de acumulação e passagem de água, para atender a quantidade de água necessária para geração, bem como a vazão ou o escoamento da mesma quando necessário. O vertedouro é basicamente um orifício controlado por comportas cuja função é escoar o excesso de água descarregando-a para a jusante de forma segura. Ele é uma estrutura que pode ser utilizada para diferentes finalidades, como por exemplo, medição e controle de vazão sendo estes os principais. A tomada d’água é a estrutura ou o local cuja finalidade é controlar, regular, derivar e receber água diretamente da fonte por uma entrada d’água construída a montante . Os condutos forçados são tubos ou tubulações nos quais o fluido, neste caso a água, escoa em plena seção e sob pressão. Schreiber (1981) descreve que: “a casa de força tem a finalidade de alojar as máquinas e os equipamentos, possibilitar sua montagem ou eventual desmontagem e a sua operação e manutenção”. Nela estão a caixa espiral, os conjuntos de turbinagerador, o sistema de excitação e o regulador de velocidade, conforme Figura 2.2. Nela é mostrado o corte lateral da UHE Itaipu incluindo a casa de força, na qual podem ser identificados seus principais componentes. Dentre eles a unidades de geração (turbina-gerador), o conduto forçado, o pórtico das comportas da tomada d’água e demais equipamentos. As turbinas hidráulicas usadas nas usinas podem ser de dois tipos: turbinas de reação e turbinas de ação. De acordo com Schreiber (1981), “a turbina hidráulica de reação é aquela em que o trabalho mecânico é obtido pela transformação de energia cinética e de pressão da água, enquanto a de ação transforma apenas a energia cinética da água”. Entre as turbinas existentes estão as de reação Pelton e as de ação Francis e Kaplan. 2.1 Fundamentação Teórica 12 Figura 2.2: UHE Itaipu - Corte lateral FONTE - Itaipu (2012) A escolha da turbina deve levar em conta a queda líquida e a vazão disponíveis ao longo de um período. A turbina a ser levada em conta neste projeto é a turbina Kaplan, pelo fato de a UHE, estudo de caso deste projeto, possuir em sua casa de força tal turbina. A Figura 2.3 é o corte lateral de uma turbina Kaplan. Figura 2.3: Turbina Kaplan FONTE - Schreiber (1981). 2.1 Fundamentação Teórica 13 Victor Kaplan construiu uma turbina semelhante à do tipo Francis, na qual a água penetra na direção radial. As turbinas Kaplan diferem em essência, das turbinas Francis, pelo fato de terem as pás do rotor móveis. Como mostrado a turbina é um equipamento composto de várias componentes, entre eles se destacam o distribuidor, o rotor e a pá. O distribuidor é o órgão fixo constituídos por pás (móveis em torno de seu eixo) que formam canais, através dos quais se conduz a vazão turbinada para o rotor. O rotor da turbina é o órgão giratório sobre o qual age a água que foi conduzida a ele pelo distribuidor. A turbina Pelton é um tipo de turbina moderna, que precisa de grandes quedas e pequenas vazões. A turbina Francis é uma típica turbina de reação, na qual o rotor recebe a água sob pressão na direção radial e a descarrega numa direção axial, havendo transformação tanto de energia cinética como de energia de pressão em trabalho. Segundo Schreiber (1981) “os geradores são máquinas destinadas a converter energia mecânica, produzida pela turbina, em energia elétrica”. Fisicamente o gerador é composto da parte fixa, o estator e da parte rotativa, o rotor, que por sua vez compõe-se do cubo com o eixo, que está diretamente acoplado ao eixo da turbina. Os conjuntos turbina-gerador possuem uma curva específica que caracteriza o seu rendimento dada uma vazão (unit discharge) e uma queda líquida (net head ) específica. Tal curva pode ser encontrada na literatura como Curva de Colina ou Curva de Rendimento. A Figura 2.4 caracteriza uma típica curva de rendimento de uma unidade geradora de turbina Francis instalada na usina de Itaipu. Figura 2.4: Curva de Rendimento de unidade geradora FONTE - Finardi (2005). 2.2 Fundamentação Teórica 14 Segundo Finardi (2005), o rendimento de uma turbina é dado por uma quadrática na qual possui como parâmetros um conjunto de variáveis denominadas coeficientes operativos. Tais parâmetros são obtidos por meio da técnica de regressão não-linear multivariável, que será abordada na Seção 2.4 deste capítulo e com demostração da utilização das abordagens utilizadas na Seção 3.4.3. 2.2 Otimização A apuração da eficiência pode ser modelada, por exemplo, por meio de uma função objetivo. De acordo com Konar (2005) normalmente busca-se maximizar ou minimizar os valores destas funções usando algoritmos de otimização, sempre respeitando restrições impostas pelo problema. Porém, as funções objetivo em um sistema de otimização devem ser modeladas buscando-se representar o sistema que será otimizado. Muitas vezes isto se torna um trabalho difícil, dependendo da complexidade deste sistema. A existência ou não de restrições define uma classificação do problema de otimização. São pesquisados tanto problemas irrestritos quanto problemas com restrições. Deve-se levar em conta que esta área é vasta podendo ser agrupada em subáreas: • Otimização Linear: usado quando as variáveis geralmente são contínuas e apresentam comportamento linear, tanto em relação às restrições como à função objetivo; • Otimização Não-Linear: usado quando o problema exibe qualquer tipo de nãolinearidade, seja na função objetivo ou em qualquer uma das suas restrições; De acordo com Souza (2009) outras classificações são comumente empregadas: 1. Natureza das variáveis de projeto: • Problema de Otimização Estática e Paramétrica; • Problema de Otimização Dinâmica ou Otimização de Trajetórias; 2. Valores permitidos para as variáveis de projeto: • Problema de Programação Inteira; • Problema de Programação Real; 3. Natureza determinística dos termos: • Problema de Programação Determinística; 2.2 Fundamentação Teórica 15 • Problema de Programação Estocástica; 4. Número de objetivos a serem definidos: • Problema de Programação Mono-Objetivo; • Problema de Programação Multi-Objetivo. Considerando a última classificação, embora a formulação mono-objetivo represente uma gama enorme de problemas, frequentemente observa-se situações que possuem múltiplos objetivos. Estas situações geralmente possuem várias soluções que ponderam sobre os objetivos individuais. Uma análise de qual a melhor solução dado o contexto é capaz de gerar a melhor situação para o problema. 2.2.1 Otimização Mono-Objetivo O problema apresentado neste projeto é um típico problema de Otimização NãoLinear Mono-Objetivo, pelo fato da função de produção elétrica ser uma função não-linear das variáveis de projeto. Assim, esta seção é destinada para explicar brevemente, como é caracterizado um problema mono-objetivo. Para a busca de uma solução ótima, uma abordagem que pode ser utilizada é a escalar. Quando um problema de otimização envolve apenas uma função objetivo ele é caracterizado como problema mono-objetivo, caracterizando assim seu modo de otimização. Uma função do tipo escalar tem a forma f : Rn → R. Além de minimizar ou maximizar uma determinada função objetivo, a otimização deve também atender as restrições impostas à função objetivo. Tais restrições podem ser por exemplo, limitações físicas ou tecnológicas do problema. Um problema de otimização monoobjetivo que busca a minimização de uma função, pode ser expresso como: x∗ = arg min f (x), x ( sujeito a : gi (x) ≤ 0 i = 1, ..., r, hj (x) = 0 j = 1, ..., p. (2.1) na qual: • x∗ é o vetor de variáveis de otimização e f (x) é a função objetivo ; • gi (x) ≤ 0, i = 1, · · · , r e hj (x) = 0, j = 1, · · · , p e são as restrições de desigualdade e igualdade impostas ao problema, respectivamente; 2.3 Fundamentação Teórica 16 A primeira linha do problema (2.1) indica que é necessário encontrar o vetor x ∈ Rn que minimize o valor da função f (x). A segunda linha mostra que uma solução para este problema deve satisfazer as restrições impostas a ele. ∗ 2.3 Inteligência Computacional A Inteligência Computacional (IC) é uma área da Inteligência Artificial (IA) que busca, por meio de técnicas inspiradas na natureza, o desenvolvimento de sistemas inteligentes que imitem aspectos do comportamento humano, tais como: aprendizado, percepção, raciocínio, evolução e adaptação. Existem diversas técnicas em IC como pode ser visto por meio da Figura 2.5. Figura 2.5: Taxonomia da Inteligência Artificial (Almeida, 2011) A seguir são descritos os conceitos básicos referentes a algumas técnicas de IC apresentadas na Figura 2.5. • A lógica fuzzy do inglês Fuzzy Logic. Basicamente a lógica fuzzy é uma extensão da lógica boolena que adimite valores lógicos intermediários entre falso (0) e verdadeiro (1). Em seu trabalho, Almeida (2003) apresenta os modelos de Mandani e de Takagi-Sugeno-Kang para definição e processamento de regras de produção fuzzy; 2.4 Fundamentação Teórica 17 • Segundo Braga (2003), as Redes Neurais Artificiais (RNA) são modelos matemáticos que se assemelham às estruturas neurais biológicas e que tem capacidade computacional adquirida por meio de aprendizado e generalização; • Segundo Carvalho (2003), Computação Evolutiva trata de sistemas para a resolução de problemas que utilizam modelos computacionais baseados na teoria da evolução natural; • Os sistemas especialistas são sistemas construídos de posse de informações de especialistas de uma certa área. O sistema é alimentado com a experiência de um ser humano e se torna capaz de auxiliar na tomada de decisões dado um certo problema. Neles são implementados agentes inteligentes com capacidade de que adotar a melhor ação possível diante de uma situação. Estão presentes na resolução de uma infinidade de problemas. Neste trabalho foram abordadas as seguintes técnicas de Computação Evolutiva, para solução do problema de otimização: Algoritmos Genéticos e Algoritmos de Evolução Diferencial (com uso de Estratégias Evolutivas diversas). Para solução da regressão não-linear multivariável este trabalho abordou as técnicas: Algoritmo de Levenberg-Marquardt e RNA. As seções 2.4, 2.5, 2.6 e 2.7 irão abordar tais técnicas, para um melhor entendimento da aplicação das mesmas neste trabalho. 2.4 Regressão Não-Linear Multivariável Quando os dados se afastam da linearidade, deve-se cogitar o ajuste de uma outra curva que não seja uma linha reta, no caso de uma função real de uma variável. Em estatística, a regressão não-linear é uma forma de análise observacional em que os dados são modelados por uma função que é uma combinação não-linear de parâmetros do modelo e depende de uma ou mais variáveis independentes (Freund, 2000). Neste tipo de regressão, os dados são ajustados geralmente pelo método dos mínimos quadrados ou por algum método de aproximações sucessivas. Em busca de se realizar uma regressão em uma determinada função, foi encontrado na literatura o trabalho de Cogger (2012), no qual são abordadas diversas técnicas, entre elas o Algoritmo de Hudson, o Algoritmo MARS (do inglês Multivariate Adaptive Regression Spline) e o Algoritmo HHP (do inglês Hinged Hyperplanes), para realização de regressão não-linear multivariável. 2.5 Fundamentação Teórica 18 Além das já citadas a que se destacou para solução do problema específico é um algoritmo denominado Algorithm the Group Method of Data Handlind (GMDH), proposto por Ivakhnenko (1968) e aprimorado por Farlow (1984). Como outra abordagem, este trabalho também utilizou o algoritmo de Levenberg-Marquardt (Levenberg, 1944; Marquardt, 1963). Ambas as técnicas utilizadas neste trabalho empregam o método de mínimos quadrados para realizar a regressão não-linear multivariável numa função, como por exemplo a apresentada pela Equação 2.2. y(χ1 , χ2 ) = β0 + β1 χ1 + β2 χ2 + β3 χ1 χ2 + β4 χ21 + β5 χ22 , (2.2) na qual • y é a variável dependente ; • χ1 e χ2 são as variáveis independentes ; • β0 a β5 são os coeficientes da função. Esta função foi adotada como exemplificação, pelo fato de possuir características equivalentes a função de rendimento de uma unidade geradora apresentada na Seção 3.4.3. Nas seções seguintes, a técnica RNA será abordada como uma possível solução de regressão, bem como o algoritmo de Levenberg-Marquardt, que é um algoritmo de otimização baseado no método de mínimos-quadrados para minimização de funções. A realização desta regressão específica se fez necessária para obtenção de parâmetros usados na função de rendimento das unidades turbina-gerador instaladas. 2.5 Redes Neurais Artificiais Segundo Braga (2003), as RNA são modelos matemáticos não lineares generalizados, cujos parâmetros são identificados a partir de um conjunto de dados e por meio de algoritmos eficientes. Pelos conceitos apresentados, podemos dizer que uma RNA pode ser treinada da fins de realização de determinadas tarefas, pois as mesmas podem ser programadas para tanto. Em busca de se realizar a obtenção de coeficientes de uma determinada função de rendimento conjuntos turbina-gerador, foi adotada como abordagem a solução de Farlow (1984) com uso do Algoritmo GMDH. 2.6 Fundamentação Teórica 19 Este algoritmo foi implementado com uso de RNA pela National Academy of Sciences the Ucraine (www.gmdh.net), e possui licença de código aberto General Public Licence (GNU). A demonstração da utilização desta técnica se encontra na Seção 3.4.3. Tal solução dispõe de uma RNA Multlayer Perceptron (MLP) com backpropagation. Uma MLP apresenta um poder computacional maior do que aquele apresentado pelas redes de uma única camada. O processamento realizado por cada neurônio de uma determinada camada é definido pela combinação dos processamentos realizados pelos neurônios da camada anterior que estão conectados a ele. Quando se segue da primeira camada intermediária em direção a camada de saída, as funções implementadas se tornam cada vez mais complexas (Braga, 2007). A RNA de Farlow (1984) pode ser caracterizada pela Figura 2.6. Figura 2.6: RNA em formato de árvore binária A rede é uma estrutura de árvore binária com a entrada variáveis sendo os nós folha. A estrutura binária da rede significa que cada nó tem exatamente duas entradas, mas cada nó pode ser ligado a qualquer número de nós da camada seguinte. Os três nós acima da camada de entrada são, cada um multinomiais completas de 2o grau de dois nós na camada anterior. Nós da segunda camada são, portanto, da forma da Função 2.2. Tal rede pode ser caracterizada por uma RNA do tipo MLP. 2.6 Algoritmo de Levenberg-Marquardt Em diversas aplicações da visão computacional é necessário estimar os parâmetros de um determinado modelo que melhor se ajustam a um conjunto de dados experimentais. Normalmente, para uma melhor exatidão, um algoritmo de minimização não-linear pode ser utilizado. 2.7 Fundamentação Teórica 20 A maioria dos algoritmos utilizados é baseada no Método de Newton. Entre eles, salienta-se o Método de Levenberg-Marquardt (Levenberg, 1944; Marquardt, 1963), bastante utilizado na visão computacional sempre que se deseja ajustar um modelo a um conjunto de dados experimentais. Este método é uma derivação do Método de Newton que é de convergência mais rápida. Como forma de se diversificar a abordagem para obtenção dos coeficientes de uma determinada função de rendimento de conjuntos turbina-gerador, também foi utilizada uma classe específica contida na toolbox estatística do software MATLAB Versão 2012. Esta toolbox contém uma classe específica para realização de regressão não linear multivariável, chamadaNonLinearModel.fit. Tal classe incorpora o algoritmo Levenberg-Marquardt. 2.7 Algoritmos de Otimização Um algoritmo é uma sequência de ações executáveis para a obtenção de uma solução para um determinado tipo de problema. Um algoritmo pode também ser definido como um mapeamento recursivo ou ainda com base no conceito de mapeamento de um ponto para um conjunto (Takahashi, 2007). Os algoritmos serão as implementações práticas dos métodos de otimização, cujo objetivo é determinar as soluções do problema. Esses algoritmos irão chamar subrotinas que executam a avaliação das funções objetivo, funções de cálculo de perdas e rendimento, bem como as restrições. Os algoritmos propostos para otimização do problema são: Algoritmos Genéticos (AG) e Algoritmos de Evolução Diferencial (DE) do inglês Differential Evolution. 2.7.1 Algoritmos Genéticos Um Algoritmo Genético (AG) é uma técnica de busca utilizada na ciência da computação para achar soluções aproximadas em problemas de otimização e busca. AG são uma classe particular de algoritmos evolutivos que usam técnicas inspiradas pela biologia evolutiva como hereditariedade, mutação, seleção natural e cruzamento (Goldberg, 1999). AG são implementados como uma simulação de computador em que uma população de representações abstratas de solução é selecionada em busca de soluções melhores. A evolução geralmente se inicia a partir de um conjunto de soluções criado 2.7 Fundamentação Teórica 21 aleatoriamente e é realizada por meio de gerações. A cada geração, a adaptação de cada solução na população é avaliada. Alguns indivíduos são selecionados para a próxima geração, e recombinados ou mutados para formar uma nova população. A nova população é utilizada como entrada para a próxima iteração do algoritmo. Este ciclo é executado até que se encontre soluções candidatas, que atendam o resultado esperado pela função objetivo implementada, dado um critério de parada, o que é exemplificado pela Figura 2.7. Figura 2.7: Esquema de execução do Algoritmo Genetico FONTE - Adaptado de Souza (2009). É importante ressaltar que a representação de um cromossomo é fundamental para um algoritmo genético. A representação binária é a maneira básica de traduzir a informação do problema em uma maneira viável de tratamento pelo computador, porém muitas vezes não é a melhor opção. Em alguns casos, o mais natural seria representar diretamente os parâmetros a serem otimizados como números reais, pois deste modo espera-se maior desempenho computacional. Assim eliminaria a necessidade de conversão de dados reais para binários (para o cruzamento e mutação) e vice-versa. De acordo com Carvalho (2003), as operações realizadas são definidas da seguinte forma: Seleção: é realizada uma seleção de M < N indivíduos dentre os N indivíduos existentes, sendo que cada indivíduo pode ser selecionado mais de uma vez. A probabilidade de um indivíduo ser selecionado a cada vez é proporcional ao valor da fração de sua função de ajuste em relação à soma das funções de ajuste de todos os indivíduos. 2.7 Fundamentação Teórica 22 Elitismo: caso o melhor indivíduo não tenha sido selecionado para a nova população, ele é nela introduzido, com a exclusão de um elemento qualquer, escolhido aleatoriamente. Cruzamento: operador responsável pela recombinação de características dos indivíduos pais durante a reprodução, permitindo que as próximas gerações herdem estas características. Mutação: é o operador responsável pela introdução e manutenção da diversidade genética da população, alterando arbitrariamente um ou mais componentes de uma estrutura escolhida, o que fornece meios para introdução de novos elementos na população. Avaliação: para que o processo de seleção privilegie indivíduos mais aptos, a cada cromossomo da população é atribuído um valor dado por uma função denominada função de aptidão. A aptidão pode ser vista como uma nota que mede o quão boa é a solução codificada por um indivíduo, e é baseada no valor da função objetivo do problema. No Algoritmo 1 é apresentado o fluxo geral do ciclo de vida de um Algoritmo Genético. Algoritmo 1: Algoritmo Genético Canônico início t=0; Gerar População Inicial P (0); para cada indivíduo i da população atual P (t) faça Avaliar aptidão do individuo i; fim enquanto Critério de parada não for satisfeito faça t = t + 1; Selecionar população P (t) a partir de P (t − 1); Aplicar operadores de cruzamento sobre P (t); Aplicar operadores de mutação sobre P (t); Avaliar P (t); fim fim FONTE - Carvalho (2003). 2.7 Fundamentação Teórica 2.7.2 23 Operadores do Algoritmo Genético Como na seção anterior, um conjunto de operadores é necessário para que em uma determinada população, seja possível gerar populações sucessivas, melhorando sua aptidão com o tempo. Nesta sessão, serão abordados os operadores utilizados nos AG implementados. 2.7.2.1 Operadores de Seleção O princípio básico para funcionamento do AG é que um critério de Seleção vai fazer com que, após muitas gerações, sejam gerados indivíduos mais aptos à solução do problema. Entre os métodos de seleção, destacam-se neste trabalhos os Métodos da Roleta e o Método do Torneio. O método da roleta é o método de seleção mais simples e mais usado (Carvalho, 2003). Os indivíduos de uma população são selecionados para a próxima geração utilizando uma “roleta”. Cada indivíduo é representado na roleta por uma fatia proporcional a seu índice de aptidão. Assim, os indivíduos que possuem maior aptidão ocupam maiores fatias na roleta e os com pouca aptidão, fatias menores, o que está representado na Figura 2.8. Figura 2.8: Representação gráfica do Método da Roleta FONTE - Carvalho (2003). No método do torneio, dado N indivíduos em uma população, onde os mesmos são escolhidos aleatoriamente e com a mesma probabilidade, o cromossomo com maior aptidão dentre estes N cromossomos é selecionado para população intermediária, repetindo-se este processo até que a mesma seja preenchida. Este método pode der exemplificado pela Figura 2.9. 2.7 Fundamentação Teórica 24 Figura 2.9: Ideia geral do Método do Torneio FONTE - Carvalho (2003). 2.7.2.2 Operadores de Cruzamento O cruzamento é a operação responsável pela recombinação de características de indivíduos pais durante a reprodução, fazendo com que as próximas gerações herdem estas características. Entre os diversos operadores de cruzamento, se destacam neste trabalho o cruzamento de ponto único, aqui usado na representação binária de indivíduos e o cruzamento binário simulado (SBX) do inglês Simulated Binary Crossover ), aqui usado para cruzamento na representação real de indivíduos. O cruzamento de ponto único se caracteriza na escolha de um único ponto de corte no indivíduo para cruzamento, assim as informações genéticas são trocadas. As informações anteriores a este ponto em um dos pais são ligadas às informações posteriores a este ponto no outro pai. Segundo Takahashi (2010), no cruzamento binário com um ponto de corte, um índice ic é aleatoriamente sorteado no intervalo [1, l − 1]. As cadeias binárias dos pais são divididas neste índice ic e os filhos são criados a partir destes fragmentos. Este processo é exemplificado pela Figura 2.10, para o caso l = 8 e ic = 3. O filho (1) é formado pelos primeiros ic bits do primeiro pai e os bits de ic + 1 até l do segundo pai. Figura 2.10: Exemplo de Cruzamento binário de corte único FONTE - Takahashi (2010). 2.7 Fundamentação Teórica 25 Segundo Takahashi (2010), uma abordagem para o cruzamento real é definir operadores que produzam uma distribuição dos filhos centrada nos pais. Dessa forma, os filhos tendem a se parecer com um dos pais. Alguns autores dedicam esforços na definição de operadores que apresentem essa característica. Um dos operadores mais conhecidos, que possuem esta característica é o cruzamento SBX proposto por Deb (1995) e segundo ele, dado dois pais p1 e p2 , o cruzamento gera dois filhos q 1 e q 2 a partir de 1 q 1 = ((1 + α)p1 + (1 − α)p2 ), 2 (2.3) 1 q 2 = ((1 − α)p1 + (1 + α)p2 ), 2 em que α é um número aleatório dado por ( α= 1 2u ηc −1 1 2(1−u) 1 ηc −1 se u ≤ 0, 5, caso contrario, (2.4) na qual, • u é um número aleatório entre 0 e 1 e, • ηc é um valor positivo que define o quão próximo dos pais serão criados os novos indivíduos. 2.7.2.3 Operadores de Mutação Entre os métodos de mutação, destacam-se neste trabalho a mutação binária e a mutação polinomial. A mutação binária se dá por meio da alteração arbitraria de um ou mais componentes de um indivíduo, conforme Figura 2.11 . Este operador consiste em aplicar aos indivíduos uma taxa de probabilidade de mutação (0 ≤ Pm ≤ 1). Geralmente se utiliza uma taxa de mutação pequena (0, 001 ≤ Pm ≤ 0, 1). Figura 2.11: Exemplo de operação de Mutação binária Adaptado de Carvalho (2003). 2.7 Fundamentação Teórica 26 A mutação polinomial foi descrita por Deb (1995, 2002) e utilizada no trabalho de Leidemer (2009). Dados indivíduos com representação real, tal mutação é realizada em cada parâmetro do indivíduo com uma probabilidade pm . Dado um parâmetro v com valores máximos e mínimos (v max e v min ), o parâmetro v ∗ criado pela mutação é dado por, v ∗ = v + (v max − v min )τ, (2.5) em que τ tem distribuição da densidade polinomial conforme, ( τ= 1 2r ηm +1 − 1 se r ≤ 0, 5, 1 1 − [2(1 − r)] ηm +1 se r ≥ 0, 5, (2.6) na qual • r é um número aleatório, e; • ηm é o índice de distribuição da mutação. 2.7.3 Algoritmos de Evolução Diferencial O algoritmo de evolução diferencial (DE), proposto por Storn (1995), consiste em gerar aleatoriamente uma população de indivíduos, onde cada um representa um ponto de busca no espaço de soluções potenciais de um dado problema. Em geral, esta população inicial é criada aleatoriamente a partir de uma distribuição de probabilidade uniforme, quando não há nenhum conhecimento sobre o problema. A população inicial sofre modificações dando lugar a uma nova população de mesmo tamanho, gerando uma nova população, até que o procedimento de otimização seja encerrado, por exemplo, ao se atingir um número máximo de iterações. As modificações ocorrem com a geração de novos indivíduos, denotados vetores modificados ou doadores, por intermédio da adição da diferença ponderada entre dois indivíduos aleatórios da população a um terceiro indivíduo também escolhido aleatoriamente. Esta operação é chamada mutação. Em seguida é escolhido aleatoriamente outro vetor, denominado vetor alvo, cujas componentes são misturadas com as componentes do vetor doador, resultando no vetor experimental. Este processo é conhecido por cruzamento. 2.7 Fundamentação Teórica 27 Se o valor da função objetivo aplicada ao vetor experimental for menor do que o valor dela aplicada ao vetor alvo, então o vetor experimental substitui o vetor alvo na geração seguinte; caso contrário, o vetor alvo é mantido na próxima geração, caracterizando assim a operação de seleção. O Algoritmo 2 mostra o ciclo de execução do DE. Algoritmo 2: Algoritmo DE/x/y/z início Inicializar D, NP, CR, F e GenMax; Gerar uma população inicial aleatória com m indivíduos; Avaliar cada indivíduo da população; enquanto Critério de parada não for satisfeito faça para Cada indivíduo faça Selecionar randomicamente cada 3 indivíduos da população; Usar uma estratégia evolutiva conforme DE/x/y/z; Comparar indivíduo com sua versão experimental e selecionar o de menor custo para a nova população; Avaliar custo do indivíduo selecionado; O melhor segue para próxima geração; fim fim fim Onde se lê DE/x/y/z, indica que o pseudo-código apresentado está fazendo menção as estratégias evolutivas utilizadas. Tais estratégias serão discutidas no decorrer do texto. 2.7.4 Operadores do Algoritmo de Evolução Diferencial Em seu trabalho, Bergamashi (2010) propôs um estudo geral sobre o algoritmo de Storn (1995). Tal estudo colaborou fortemente para o entendimento das funcionalidades dos operadores de seleção, mutação e cruzamento dos Algoritmos DE implementados neste trabalho. Assim como nos AG, também nos algoritmos DE são necessários um conjunto de operadores para que a partir de uma determinada população, seja possível gerar populações sucessivas, melhorando sua aptidão com o tempo. Nesta sessão, serão abordados os operadores utilizados nos algoritmos DE implementados. 2.7.4.1 Operadores de Mutação O processo de mutação proposto por Storn (1995), pode ser descrito matematicamente como, V q+1 = Xθq + Fp (Xβq − Xγq ) ou (2.7) 2.7 Fundamentação Teórica 28 q V q+1 = Xbest + Fp (Xβq − Xγq ). O parâmetro V q+1 identifica o vetor doador criado. Os parâmetros Xθq , Xβq e q Xγq são vetores distintos sorteados aleatoriamente na população. O parâmetro Xbest é o melhor vetor da q-ésima população e o parâmetro Fp é fator de perturbação q aplicado. O vetor Xθq ou o vetor Xbest sofre uma perturbação da diferença ponderada resultante da multiplicação da diferença vetorial entre Xβq e Xγq , pelo fator de perturbação, gerando assim o vetor doador V q+1 . Caso o numero de indivíduos da população seja relativamente grande, podese melhorar a diversidade da população perturbando o vetor com duas diferenças ponderadas na criação do vetor doador, conforme V q+1 = Xθq + Fp (Xβq − Xγq + Xδq − Xµq ) ou (2.8) q V q+1 = Xbest + Fp (Xβq − Xγq + +Xδq − Xµq ). Neste caso são selecionados cinco vetores distintos da q-ésima população. 2.7.4.2 Operadores de Cruzamento Na operação de cruzamento é escolhido outro vetor distinto aleatoriamente, chamado de vetor alvo (Xaq ). Em Storn (1995) é apresentado um tipo de cruzamento, denominado binomial (devido a experimentos binomiais independentes), que consiste em misturar as componentes do vetor alvo com as do vetor doador, gerando assim o vetor experimental (U q+1 ). O vetor experimental é obtido conforme a regra apresentada, i Uq+1 i Vq+1 , se ri ≤ Pc = i = 1, 2, ..., n, Xqa,i , seri > Pc (2.9) O parâmetro ri é composto por números aleatórios no intervalo [0,1]. Os parâi i metros Uq+1 , Vq+1 e Xqa,i , são as respectivas componentes dos vetores experimental, doador e alvo para i = 1, 2, ..., n. O parâmetro Pc é a probabilidade de cruzamento informada pelo usuário e deve estar no intervalo [0,1]. Um outro operador de cruzamento foi desenvolvido por Storn (1997), denominado cruzamento exponencial. Neste operador o vetor experimental (U q+1 ) é obtido realizando a troca de variáveis entre o vetor doador V q+1 e o vetor alvo Xqa,i . 2.7 Fundamentação Teórica 2.7.4.3 29 Operadores de Seleção No operador de seleção os custos (valor da função objetivo) do vetor experimental e do vetor alvo são calculados e comparados conforme, Se f (U q+1 ) ≤ f (Xaq ), entao Xaq+1 sera substituido por U q+1 ; (2.10) Se f (U q+1 ) > f (Xaq ), entao Xaq+1 sera substituido por Xaq ; . Num problema de minimização, aquele que tiver o menor custo segue na próxima geração, por exemplo, se o vetor de menor custo no caso for o vetor experimental ele substitui o vetor alvo e vice-versa. O procedimento é realizado até que se atinja o critério de parada. 2.7.5 Estratégias Evolutivas do Algoritmo de Evolução Diferencial O algoritmo DE pode variar conforme a escolha do usuário. Tal algoritmo depende do tipo de indivíduo a ser modificado na constituição do vetor doador, do número de indivíduos considerados nesta constituição e, também do tipo de cruzamento a ser utilizado no procedimento. Estas diferentes maneiras são chamadas de estratégias da Evolução Diferencial e podem ser escritas como DE/x/y/z, sendo que: • x especifica o vetor a ser perturbado, podendo ser rand (um vetor da população escolhido aleatoriamente) ou best (o vetor de menor custo da população); • y determina o número de diferenças ponderadas usadas para a perturbação do vetor definido por x, e; • z determina o tipo de cruzamento (exp: exponencial; bin: binomial). Desta forma é possível estabelecer dez formas de estratégias evolutivas para uso de algoritmos DE. A Figura 2.12 apresenta a tabela que contém estas dez estratégias evolutivas. 2.8 Fundamentação Teórica 30 Figura 2.12: Estratégias de Evolução Diferencial Adaptado de Bergamashi (2010). 2.8 Considerações Finais Este capítulo apresentou a fundamentação teórica necessária para o conhecimento básico de uma usina hidrelétrica, a definição de um problema de otimização, bem como a definição de IC. Estabeleceu um estudo sobre regressão não-linear multivariável, apresentando duas possíveis metodologias para a obtenção dos coeficientes operativos de uma unidade geradora, assim possibilitando o desenvolvimento da modelagem matemática do problema. Por fim expôs os algoritmos evolutivos a serem implementados para fins de otimização. Uma vantagem do uso de algoritmos evolutivos está no fato da independência de domínio, pois é possível elaborar um algoritmo geral para resolução de problemas de otimização distintos. Além disto, tais algoritmos são métodos de busca aleatória, proporcionando melhores soluções do que heurísticas comuns quando se dispõe de pouca informação sobre o espaço de busca. O problema tratado neste trabalho não é simples de se resolver com técnicas convencionais, devido à não linearidade do mesmo. Uma vez que se encontrou resultados satisfatórios na literatura, para o problema de despacho de energia, com a utilização de algoritmos evolutivos observados nos trabalhos de Dudek (2004), França (2010), Araújo (2010) e Baños (2011), este trabalho considerou o uso de algoritmos evolutivos como uma estratégia de solução para o problema. Capítulo 3 Modelagem do Problema 3.1 Caracterização do Problema Um sistema de potência é constituído essencialmente de três partes: os centros geradores, os centros consumidores e o sistema de escoamento de fluxo de potência. Este último, por sua vez é dividido entre os sistemas de transmissão, subtransmissão e distribuição. Em cada uma destas partes existem limites de operação dos equipamentos elétricos de tal forma a assegurar a geração de energia de forma limpa e segura determinando assim a qualidade no fornecimento de energia elétrica aos centros consumidores. Garantir a geração de potência com a utilização mínima de recursos hídricos, levando em conta as restrições operativas de uma usina hidrelétrica, e de todo sistema de potência conectado é um grande desafio. O Problema caracteriza-se em otimizar a eficiência produtiva de energia elétrica, ou seja, gerar maior potência com o mínimo de recurso hídrico necessário. 3.2 Estado da Arte Diversos trabalhos sobre despacho otimizado de geração em usinas, tanto termoelétricas, quanto hidrelétricas podem ser encontrados na literatura. Dentre estes, alguns podem ser destacados por sua relevância e modo com que o problema foi tratado. Utilizando RNA de fluxo não-linear, Heredia (1995) formulou um modelo para otimização de produção térmica de eletricidade em curto prazo, um sistema de energia, a fim de obter o mínimo custo de geração térmica ao longo do período diário. 31 3.2 Modelagem do Problema 32 Os resultados obtidos indicam que a solução para este problema é possível, e que os recursos computacionais necessários são moderados. A formulação é mais vantajosa do que a uma dissociação, porque uma única iteração leva a otimização do ideal e, não ser nescessário repetir com otimizações e atualizações dos multiplicadores de Lagrange ou de hidro gerações, o que poderia não convergir para o ótimo do problema. Segundo Carneiro (1999), “ em geração de energia, coordenar a operação de um sistema hidrelétrico consiste em determinar quanto cada usina deve gerar a cada instante, a fim de que o sistema consiga atender à carga que lhe é solicitada, a um mínimo custo, respeitando critérios de confiabilidade. Trata-se de uma tarefa bastante complexa, principalmente porque estes sistemas usualmente são altamente interligados, tanto elétrica quanto hidraulicamente”. Carneiro (1999) procura por meio de RNA solucionar o problema de operação de usinas em conjunto, localizadas no sudeste do país. Os testes realizados mostraram que a RNA conseguiu convergir para o comportamento ótimo da operação do sistema teste implementado, porém o tempo computacional foi de custo elevado. Segundo Arce (1999), o problema do despacho de máquinas numa hidrelétrica surge quando os estudos do planejamento de curto prazo, a programação e mesmo a operação em tempo real define a quantidade de energia que a usina deve produzir ao longo do período de planejamento ou da programação. Seu trabalho propõe um algoritmo capaz de encontrar o número mínimo ou máximo de unidades geradoras, a fim de se atender uma demanda de geração informada. Os resultados obtidos foram satisfatórios. Arce (2002) propôs uma solução para despacho ótimo de unidades geradoras usando um modelo de programação dinâmica. O estudo de caso abordado foi a UHE de Itaipú. O modelo foi desenvolvido para otimizar o número de unidades geradoras em operação em cada hora do dia visando atingir o agendamento de geração total da planta, da forma mais econômica. Os resultados obtidos mostram que o número de conjuntos turbina-gerador despachados tem uma grande influência sobre a eficiência hidrelétrica em geral, e, portanto, é um aspecto fundamental a ser considerado no despacho de unidades de geração hidrelétrica. No caso de Itaipú, a economia esperada em termos de uma maior eficiência, em relação a melhor faixa operativa, estão na faixa de milhões de dólares por ano. 3.2 Modelagem do Problema 33 Por meio de métodos convencionais de Otimização Não-Linear: relaxação Lagrengeana, método do gradiente, Provençano (2003) formulou sua solução de despacho econômico. Porém ele concluiu que o modelo implementado demonstrou-se ineficiente do ponto de vista computacional, ou seja, seu algoritmo obteve um alto custo de execução inviabilizando seu uso prático em ambientes reais de operação em tempo real. Dudek (2004) utilizou algoritmos genéticos como abordagem para solucionar o problema de despacho diário de produção de energia. Seu trabalho levou em conta os custos operativos de ligar/desligar unidades geradoras mostrando que a ocorrência deste evento traz prejuízos financeiros para a produção. O algoritmo proposto dá uma solução estável e aceitável para o problema perto do ótimo, porém o custo computacional de execução do mesmo é alto até mesmo utilizando processadores paralelos. Finardi (2005) propôs uma modelagem matemática para resolver o problema despacho de unidades geradoras hidrelétricas. A modelagem desenvolvida utiliza uma meta de quantidade de água a ser descarregado por cada usina hidrelétrica do sistema de energia. Considerando a não-linearidade da função de produção das unidades geradoras e a presença de zonas proibidas de operação, a metodologia proposta define a geração ótima para cada unidade geradora. Os resultados deste trabalho mostram que a modelagem adotada cumpriu a meta de otimização desejada, tornando-a um excelente referencial para o problema proposto neste projeto. Takigawa (2010) usou como estratégia de otimização metodologias da Relaxação Lagrangeana e do Lagrageano Aumentado. O autor constatou que o uso de Relaxação Lagrangeana obteve inviabilidade operativa da solução primal, assim inseriu as heurísticas de princípio do Problema Auxiliar e o Método Não-Linear de Gauss Seidel para recuperar a solução do problema. Como outra abordagem para otimização de unidades geradoras de energia, Liu (2010) fez uso da técnica de computação evolucionária Particle Swarm Optimization - PSO. O problema da geração por unidade hidrelétrica foi transformado em um problema de otimização sem restrições por meio do método da função penalidade. Para melhorar a diversidade e capacidade de busca ao PSO foi incorporado um operador de cruzamento genético e uma inércia auto-adaptativa para diminuir o peso. Esta medida trouxe um bom desempenho para minimizar o custo da geração. A modelagem matemática abordada e o algoritmo obtiveram excelentes resultados. 3.2 Modelagem do Problema 34 França (2010) utilizando algoritmos genéticos propôs um modelo para despacho ótimo em sistemas hidrotérmicos bem como hidráulicos considerando custos de partida/parada de geradores, por meio de um operador genético que objetiva a minimização. O modelo adota um esquema de decomposição que permite apenas a utilização de variáveis da parte elétrica da formulação, sendo que as variáveis hidráulicas são representadas de forma indireta usando simulação hidráulica (não tratada no artigo). Os resultados obtidos em sistema de teste destacam a importância da representação de custos de partida/parada nos sistemas hidrotérmicos, e os experimentos realizados indicam que utilizando o operador se obteve 78,6% de diminuição de paradas e partidas de máquina. Em seu trabalho de dissertação, Araújo (2010) fez uso da modelagem matemática elaborada e descrita em Finardi (2005), que simplifica a geração de energia num polinômio de grau sete em função da vazão turbinada. Araújo (2010) também utilizou todos parâmetros de inicialização de sua solução extraídos de Finardi (2005), bem como os parâmetros referentes aos coeficientes operativos de um conjunto gerador. Com a aplicação de técnicas de Inteligência computacional foi possível obter uma solução factível para o problema de otimização para uma usina hidrelétrica fictícia. Na busca de encontrar o melhor algoritmo para satisfazer a solução, foram implementados diversos algoritmos entre eles: Algoritmo Busca Gradiente, Algoritmo Correção de Posto1, Algoritmo Quasi-Newton, Algoritmo elipsoidal, Algoritmo Genético. Araújo (2010) concluiu que os algoritmos de busca (gradiente, correção de posto e Quase-Newton) não conseguiram soluções factíveis para o problema. O Algoritmo Elipsoidal apresentou um desempenho melhor em relação aos de direção de busca, mas ainda assim encontrou soluções locais e nem sempre conseguiu atender a restrição de demanda. O Algoritmo Genético de Araújo (2010) apresentou o melhor resultado de implementação, conseguindo atender a demanda solicitada em alguns casos. Tal trabalho aborda apenas experimentos para o planejamento de operação no contexto diário. É notado que a solução permite que as máquinas sejam desligadas, o que pode comprometer o funcionamento de uma usina real. A modelagem matemática adotada é simplista, não contemplando estudos sobre perdas hidráulicas ou até mesmo obtenção dos coeficientes de produção de uma unidade geradora. O custo computacional da melhor solução obtida pelo Algoritmo Genético apresentado está em torno de 95s a cada hora de geração. Os testes foram gerados com a utilização de uma máquina Intel Dual Core 2.10 GHz, com 3 GB de memória RAM, em ambiente Windows. Os testes apontam a utilização de 100% de memória e CPU respectivamente. 3.2 Modelagem do Problema 35 Baños (2011) realizou uma revisão das técnicas até então efetuadas para otimização aplicada à geração de energia renovável e sustentável. Este estudo cita as diversas formas de energia, dentre elas a hidrelétrica. Como solução de despacho ótimo, os artigos por ele visitados apresentam as técnicas: Algoritmos Genéticos e Particle Swarm Optimization. A primeira conclusão desta revisão é que o número de trabalhos de pesquisa que utilizam métodos de otimização para resolver problemas de energia renováveis tem aumentado dramaticamente nos últimos anos, porém na maioria dos casos o custo computacional é elevado até mesmo utilizando processamento paralelo. Rajan (2011) apresentou uma abordagem para resolver o problema de despacho utilizando Simulated Anneling. Seu objetivo foi encontrar o escalonamento para geração de tal modo que o custo operacional total viesse a ser minimizado. Obteve sucesso em suas simulações com desempenho computacional satisfatório. Pezzini (2011) enuncia em seu artigo técnicas de otimização para melhorar a eficiência energética em sistemas de energia. Tal estudo foi motivado pelo fato de a união européia assinar o tratado de Kyoto, em Maio de 2002 e desde então estudiosos vem buscando encontrar novas técnicas para redução em 20% de produção energética até 2020, que é um dos objetivos de tal tratado. As técnicas citadas são: Algoritmos de busca, Algoritmos Evolucionários, Simulated Anneling , Busca Tabu, Ant Colony Optimization, Particle Swarm Optimization, Algoritmos Genéticos, Redes Neurais e Técnicas de Programação Evolucionária. Entre elas, Algoritmos Genéticos são recomendados para minimização de perdas e maximização de eficiência. Algoritmos PSO são recomendados para geração ótima de potência. No entanto, a partir da revisão bibliográfica realizada, foi possível observar que nenhuma técnica é ideal para o tratamento de problemas complexos como controle de tensão e despacho ótimo e que na maioria das vezes o usual é a combinação de várias técnicas a fim de se chegar ao objetivo final. Nesta revisão foi perceptível notar que a maioria dos trabalhos trataram o problema de despacho a nível do planejamento diário, e que não é interessante para uma usina parar/iniciar unidades geradoras durante a produção energética. Além disto, os trabalhos relacionados indicam que as soluções encontradas possuem entre médio/alto custo computacional para a solução, até mesmo com uso de metaheurísticas relativamente rápidas. Este trabalho abordou o problema de despacho em duas fazes de operação, o despacho diário e o despacho horário em tempo 3.4 Modelagem do Problema 36 real. A abordagem de otimização de despacho elétrico em tempo real é pouco difundida na literatura. Esta maneira de tratar o problema possibilita além de estudos do comportamento de uma usina para medidas de planejamento futuro, a operação em tempo real de uma usina otimizando o sistema de geração economizando insumos, neste caso a água. 3.3 Escopo do Trabalho Araújo (2010) utilizou o modelo matemático proposto por Finardi (2005) e implementou soluções por meio de técnicas de determinísticas de inteligência computacional e Algoritmos Genéticos, para um problema fictício de geração de energia conforme detalhamento descrito na Seção 3.2. O escopo deste trabalho se baseia inicialmente em estudar uma UHE de grande porte real e em operação, modelar matematicamente a geração hidrelétrica incorporando as perdas inerentes aos condutos forçados, obter os coeficientes operativos das unidades geradoras por meio da técnica estatística de regressão não-linear multivariável. Realizar também a implementação de soluções de otimização e identificar por meio de análise estatística as melhores soluções. Este trabalho apresenta uma abordagem distinta para o tratamento do problema de despacho ótimo de usinas hidrelétricas brasileiras, diferenciando-se dos trabalhos correlacionados encontrados na literatura apresentados na Seção 3.2. Propõe ainda uma nova e melhor abordagem de solução para o problema, com relação ao trabalho base realizado por Araújo (2010), o que pode ser comprovado nos capítulos 4 e 5 deste texto. Nas seções seguintes é apresentada a modelagem matemática proposta por este trabalho, com exemplos de cálculo para cada modelo exposto. 3.4 Modelagem Matemática Nesta seção é descrita a modelagem matemática proposta para solução do problema de despacho elétrico. A função que calcula a produção de energia de uma unidade hidrelétrica em megawatt - MW, segundo Schreiber (1981), é dada pela Equação 3.1, phjt = g · ηjt · hljt · qjt , na qual (3.1) 3.4 Modelagem do Problema 37 • phjt é a potência gerada pela unidade geradora (j) no estágio de tempo (t); • g é a aceleração da gravidade (9, 8 · 10−3 kg/m2 s2 ). A gravidade aqui é apresentada desta maneira a fim de se converter automaticamente kilowatts para megawatts; • ηjt é o rendimento da unidade geradora (j) no estágio de tempo (t); • hljt é a queda líquida na unidade geradora (j) no estágio de tempo (t) e • qjt é vazão turbinada na unidade geradora (j) no estágio de tempo (t). A queda bruta (Hb) de uma barragem se da pela subtração do valor de nível montante pelo valor de nível jusante da mesma, este dado é facilmente medido e entregue pelo sistema de controle-conjunto de uma usina. Logo, a queda liquida (hljt ) nada mais é que a subtração da queda bruta pelas perdas hidráulicas totais. Neste trabalho, considerou-se como parâmetro de perdas totais, as perdas relativas ao atrito nos condutos forçados. Nas usinas hidrelétricas, as tubulações que ligam a tomada d’água às turbinas na casa de força são comumente condutos forçados, (Quintela, 1981; Schreiber, 1981). Entende-se por condutos forçados aquele no qual o fluido escoa à plena seção e sob pressão. A Figura 3.1 apresenta, dentre outros componentes da casa de força tais como tomada d’água, gerador, turbina e canal de fuga, a imagem de um conduto forçado. Figura 3.1: Corte em usina, com tubulações expostas à jusante da barragem FONTE - Schreiber (1981) 3.4 Modelagem do Problema 38 De modo geral, o escoamento de um fluido não é descrito pelo movimento individual de cada uma de suas partículas, mas é especificado por sua densidade (ρ) e velocidade de escoamento numa determinada posição e num determinado instante. Segundo Fox (2006), a área que estuda este fenômeno é a Mecânica dos Fluidos que define dois tipos de escoamento, o escoamento laminar e o escoamento turbulento. Em tubulações, a variação na velocidade de escoamento está associada as diferentes áreas das seções transversais dos tubos e ao grau de aspereza de sua superfície interna. Essa variação na velocidade provoca uma perda de energia hidráulica, denominada de perda de carga, que pode ser dividida em: • Perda distribuída (∆Hd ), devido ao atrito do fluido com as paredes do conduto, ao longo de toda a sua extensão, com área transversal constante; • Perda localizada (4Hl ), devido a singularidades, tais como ampliações, reduções, curvas, válvulas com área transversal não constante. Os cálculos hidráulicos têm a finalidade de determinar as perdas de carga na tubulação. O modelo de cálculo de perdas hidráulicas totais apresentado no decorrer do texto tem como base teórica as obras de Schreiber (1981), Porto (2004) e Netto (1998). As perdas totais (∆Hjt ), referentes ao atrito do fluido nos condutos forçados são calculadas pela Equação 3.2, ∆Hjt = ∆Hd + ∆Hl , (3.2) na qual • ∆Hd são as perdas de carga da tubulação (m); • ∆Hl são as perdas de carga nas curvas (m). As perdas distribuídas (∆Hd ) são uniformes em qualquer trecho de uma tubulação (com diâmetro constante), independente da posição da tubulação. As perdas de carga distribuídas, devido ao atrito do fluido com as paredes do conduto ao longo de toda a sua extensão, são obtidas pela Equação 3.3, ∆Hd = F na qual L V2 , D 2g (3.3) 3.4 Modelagem do Problema 39 • F é o fator de perda na tubulação; • L é o comprimento da tubulação (m); • D é diâmetro da tubulação (m); • V é a velocidade do fluido (m/s); • g é a aceleração da gravidade. Aqui considerada igual a (9.8 m/s2 ). O fator de perda da tubulação (F ) é obtido pela Equação 3.4, F = {( ξ 5.74 64 8 2500 6 −16 ) + 9.5[ln( + ) ] }, )−( 0.9 Rey 3.7D Rey Rey (3.4) na qual • D é o diâmetro da tubulação (m); • ξ é a rugosidade relativa da tubulação (k/D); • Rey é o Número de Reynolds. O valor de ξ é estimado pela razão entre uma constante k, que representa a rugosidade absoluta da tubulação, e o seu diâmetro (Porto, 2004). Segundo Schreiber (1981), o valor aproximado de k, para tubulações antigas é 0,2. Osborne Reynolds (1883) procurou observar o comportamento dos líquidos em escoamento. Reynolds observou e definiu que quando as partículas do fluido apresentam trajetórias bem definidas que não se cruzam, tal regime de escoamento é definido como laminar. Quando as partículas do fluido se misturam de forma não linear, isto é, de forma caótica com turbulência e redemoinhos, o escoamento é definido como turbulento. O número de Reynolds é um parâmetro que leva em conta a velocidade entre o fluido que escoa e o material que o envolve. A velocidade do fluido é dada pela Equação 3.5, V = na qual Q , A (3.5) 3.4 Modelagem do Problema 40 • Q é a vazão turbinada no instante t; • A é a área total da tubulação. Por sua vez a área total da tubulação é obtida pela Equação 3.6, A=π D4 , 4 (3.6) na qual • D é o diâmetro da tubulação (m); • π = 3,14. Reynolds, após suas investigações, concluiu que o melhor critério para se determinar o tipo de escoamento de uma determinada tubulação, não se prende exclusivamente da velocidade do fluido, mas ao valor de uma expressão sem dimensões conforme Equação 3.7, Rey = ρV D , µ (3.7) na qual • ρ é a massa especifica do fluido; • V é a velocidade do fluido (m3 /s2 ); • µ é a viscosidade dinâmica do fluido (m3 /s2 ). Se o escoamento verificar um Rey superior a 4000, o movimento nas condições correntes será turbulento, enquanto no regime laminar estável ocorre com Rey inferior a 2000 (Netto, 1998). As perdas de carga localizadas (4Hl ), ou locais, são assim determinadas pelo fato de decorrerem especificamente de pontos ou partes da tubulação, e são obtidas pela Equação 3.8, ∆Hl = λ na qual • λ é o fator de perda nas curvas; V2 , 2g (3.8) 3.4 Modelagem do Problema 41 • V é a velocidade do fluido; • g é a aceleração da gravidade. Aqui considerada igual a (9.8 m/s2 ). Segundo Schreiber (1981), com suficiente aproximação as condições naturais os valores do coeficiente (λ) podem ser obtidos por meio de observação do gráfico expresso pela Figura 3.2, no qual se compara os valores dos eixos x (valor de λ) e y (ângulo da curva em graus). O autor sugere que se faça isto, uma vez que o texto não demonstra nenhuma equação para obtenção do valor de λ. Via de regra, nas tubulações de usinas hidrelétricas as curvas não são circulares, mas sim poligonais, compostas de pequenos trechos retos com ângulos de desvio de o 10 a 25 (Schreiber, 1981). Neste caso, os valores obtidos do gráfico da Figura 3.2 devem ser aumentados da seguinte forma para ângulos até 45o : • Ângulo de desvio de 10 a 15 %: Aumento de 2% ; • Ângulo de desvio de 15 a 22 %: Aumento de 3%. Figura 3.2: Aumento da perda de carga em tubulações com curvas poligonais FONTE - Schreiber (1981). Por exemplo, o ponto referenciado por uma seta na Figura 3.2 indica que uma curva de aproximadamente 40o possui um valor de λ igual a 0,10 para o caso de valor de a aproximadamente igual a 2. O parâmetro a é obtido pela razão entre o raio da tubulação e diâmetro da mesma. No caso desta curva específica, o valor de λ sofrerá um percentual de acréscimo de 3%, se tornando então igual a 0,103. 3.4 Modelagem do Problema 3.4.1 42 Modelo de Perdas Hidráulicas Para melhor entendimento do estudo de perdas hidráulicas inerentes dos condutos forçados, apresentado anteriormente, é estabelecido neste trabalho um modelo de cálculo de perdas. Como mostrado um conduto possui divisões, onde aqui elas são representadas pelas seções retas e pelas curvas existentes no mesmo. Assim a perda total (∆Hjt ) pode ser modelada matematicamente conforme a Equação 3.9, C(n) S(n) ∆Hjt L V2 X V2 λ , F + = D 2g 2g c=1 s=1 X (3.9) na qual é apresentado o somatório das perdas da tubulação reta com o somatório das perdas nas curvas. Logo, ao aplicar as equações 3.4, 3.5 e 3.6 na Equação 3.3 é obtida a Equação 3.10 para cálculo de perdas distribuídas, S(n) ∆Hd = X s=1 {( 64 8 ξ 5.74 2500 6 −16 L Q2 ) + 9.5[ln( + ) − ( ) ] } · . (3.10) Rey 3.7D Rey 0.9 Rey D 2(πgA2 ) Da mesma forma, ao aplicar as equações 3.5 e 3.6 na Equação 3.8, é obtida a Equação 3.11, C(n) ∆Hl = X c=1 λ· Q2 . 2(πgA2 ) (3.11) Desta forma, o modelo de perdas apresentado neste trabalho pode ser aplicado para cálculo de perdas devido ao atrito de condutos forçados semelhantes ao apresentado na Figura 3.3. Figura 3.3: Exemplo de Conduto Forçado FONTE - Imagem cedida pela concessionária de energia Para interpretação da Figura 3.3 são usadas as seguintes legendas: 3.4 Modelagem do Problema 43 • TD: Tomada d’água; • S1: Seção 1 da tubulação reta. Comprimento: 91,60m; • S2: Seção 2 da tubulação reta. Comprimento: 86,26m; • S3: Seção 3 da tubulação reta. Comprimento: 13,40m; • C1: Curva hidráulica. Ângulo: 24o ; • C2: Curva hidráulica. Ângulo: 24o ; 3.4.1.1 Exemplo de Cálculo de Perdas Hidráulicas Para exemplo de aplicação do modelo de perdas apresentado anteriormente, se levará em conta o conduto apresentado pela Figura 3.3. Neste exemplo foram considerados constantes os parâmetros apresentados pela Tabela 3.1, obtidos pelo estudo de um conduto específico contido na planta baixa referente aos condutos forçados de uma usina. Tabela 3.1: Parâmetros para exemplo de cálculo de perdas Parâmetro Valor Parâmetro Valor Q (m3 /s) 135,00 g (m/s2 ) 9,8 S1 (m) 91,60 S2 (m) 86,26 S3 (m) 13,40 D (m) 6,60 C1 (o ) 24 C2 (o ) 24 Parâmetro Valor Rey 4000 k 0,082 ξ 0,030 π 3,14 Como observado na Figura 3.3, o conduto possui três seções de tubulação reta (S1, S2, S3 respectivamente) e duas curvas (C1 e C2 respectivamente). O parâmetro (λ) é dado em relação ao ângulo da curva. A seguir são apresentados os cálculos de perdas nestes trechos. • Perda distribuída no trecho S1, com uso da Equação 3.10: ∆Hd = {( ( 64 8 0, 030 5, 74 ) + 9, 5 · [ln( + )− 4000 3, 7 · 6, 6 40000,9 2500 6 −16 160 (135, 00)2 ) ] }· · = 0, 1501. 4000 6, 6 2 · (9, 8 · (3, 14 · (6,6)4 ) 4 • Perda distribuída no trecho S2, com uso da Equação 3.10: ∆Hd = {( 0, 030 5, 74 64 8 ) + 9, 5 · [ln( + )− 4000 3, 7 · 6, 6 40000,9 3.4 Modelagem do Problema ( 44 (135, 00)2 2500 6 −16 86, 26 ) ] }· · = 0, 0859. 4000 6, 6 2 · (9, 8 · (3, 14 · (6,6)4 ) 4 • Perda distribuída no trecho S3, com uso da Equação 3.10: ∆Hd = {( ( 0, 030 5, 74 64 8 ) + 9, 5 · [ln( + )− 4000 3, 7 · 6, 6 40000,9 2500 6 −16 13, 40 (135, 00)2 ) ] }· · = 0, 0126. 4000 6, 6 2 · (9, 8 · (3, 14 · (6,6)4 ) 4 • Perda localizada da curva hidráulica C1, com uso da Equação 3.11: ∆Hl = 0, 082 · (135, 00)2 2 · (3, 14 · 9, 8 · (6,6)4 ) 4 = 0, 0525. • Perda localizada da curva hidráulica C2, com uso da Equação 3.11: ∆Hl = 0, 082 · (135, 00)2 2 · (3, 14 · 9, 8 · (6,6)4 ) 4 = 0, 0525. Logo, as perdas totais do conduto apresentado neste exemplo, em metros calculadas pela Equação 3.9, são ∆Hjt S(3) X C(2) L V2 X V2 λ , + F = D 2g 2g c=1 s=1 ∆Hjt ' 0, 1501 + 0, 0859 + 0, 0126 + 0, 0525 + 0, 0525, ∆Hjt ' 0, 30635(m). 3.4.2 Cálculo de Queda de Líquida Como já informado, o parâmetro de queda líquida (hljt ) é obtido pela subtração do valor de queda bruta (Hbjt ) pelas perdas hidráulicas totais referentes ao atrito nos condutos forçados (∆Hjt ). Logo, a obtenção do valor de queda líquida é dada pela Equação 3.12, hljt = Hbjt − ∆Hjt , (3.12) 3.4 Modelagem do Problema 3.4.2.1 45 Exemplo de Cálculo Queda Líquida Para exemplo, seja considerado que o sistema de geração mediu os níveis montante e jusante, e constatou um valor de queda bruta (Hbjt ) igual a 50 (m) em dado instante (t). Se a vazão vertida neste instante for 135,00 (m3 /s) conforme o exemplo de cálculo de perdas apresntado, a perda hidráulica seria de 0,30635 (m). Logo, a queda líquida (hljt ) no instante (t) calculada pela Equação 3.12 é hljt = Hbjt − ∆Hjt , hljt = 50 − 0, 30635, hljt = 49, 6465(m). 3.4.3 Modelo de Rendimento de Turbina Embora Finardi (2005) tenha afirmado que a eficiência global de uma unidade de produção hidrelétrica pode ser computada como o produto das eficiências do gerador e turbina, esta abordagem não leva em consideração as perdas hidráulicas e o derramamento de água na turbina. A modelagem da eficiência de uma unidade de produção é descrita pela função quadrática apresentada pela Equação 3.13, 2 2 ηjt = ρ0j + ρ1j hljt + ρ2j qjt + ρ3j hljt qjt + ρ4j hljt + ρ5j qjt , (3.13) na qual • ηjt é o rendimento de uma unidade geradora (j) nos estágio de tempo (t) (%); • ρ0j , ... , ρ5j são coeficientes obtidos da curva de rendimento por meio da técnica de regressão não-linear multivariável; • hljt é a queda líquida na unidade geradora (j) no estágio de tempo (t); • qjt é vazão turbinada na unidade geradora (j) no estágio de tempo (t). Levando em conta de que a usina estudada, possui apenas uma curva de rendimento característica para todas os conjuntos-geradores, o modelo de perdas abordado neste trabalho se torna justificado não somente para o cálculo do rendimento dos conjuntos-geradores, bem como diferenciá-los, uma vez que cada máquina receberá então uma queda líquida específica. 3.4 Modelagem do Problema 3.4.3.1 46 Obtenção dos coeficientes operativos Para encontrar um conjunto de pontos, a fim de se realizar a regressão não-linear multivariável, foi realizada uma vetorização da curva de rendimento fornecida pela usina estudada. Usando técnicas de programação, um algoritmo foi implementado para a leitura das imagens. O algoritmo lê cada curva em separado identificando os pontos do gráfico, que são os pixeis positivos da imagem. Cada pixel carrega a informação de um ponto do eixo X, Y e Z da curva de rendimento, gerando assim uma matriz de 6969 pontos (Vazão X Queda Liquida X Rendimento) com relação aos níveis de rendimento do conjunto-gerador. A curva de rendimento foi redesenhada no software GIMP, e de posse dos pontos entregues pelo algoritmo gerador da matriz de parâmetros foi possível refazer a curva em ambiente MATLAB. Os intervalos respeitados pela vetorização, respeitando a curva de rendimento foram: • Variável independente: Vazão [50, 150] (m3 /s) ; • Variável independente: Queda Líquida [32, 56] (m) ; • Variável dependente: Rendimento [83, 93] (%). A Figura 3.4 apresenta as imagens do processo de vetorização citado. Figura 3.4: Processo de Vetorização da Curva de Colina 3.4 Modelagem do Problema 47 Como resultado, a Figura 3.5 apresenta os pontos reais gerados por meio da vetorização da imagem da curva de rendimento fornecida pela concessionária de energia. Nela estão presentes os 6969 pontos referentes a queda líquida, vazão e rendimento da turbina. Figura 3.5: Gráfico dos pontos vetorizados Após a obtenção dos pontos foi realizada a regressão não-linear multivariável. Para tal realização da regressão foram abordadas duas técnicas distintas, uma com uso de RNA e outra com uso do Algoritmo de Levenberg-Marquardt. A seguir serão apresentados os resultados obtidos por meio destas técnicas. 3.4.3.2 Coeficientes Obtidos com uso de RNA A RNA utilizada é a descrita na Seção 2.5 deste trabalho. Para entrada da RNA foram informados mil pontos dos 6969 pontos adquiridos na vetorização realizada. Ao utilizar a RNA de Farlow (1984), os parâmetros da Tabela 3.2 foram encontrados. Tabela 3.2: Coeficientes da Função dados pela RNA Parâmetro Valor ρ0 0,783931013 ρ1 0,003723267 ρ2 -0,005387764 ρ3 0,000101871 ρ4 -6,70E-07 ρ5 1,43E-09 3.4 Modelagem do Problema 48 Ao aplicar tais parâmetros com intervalos de queda liquida [32:0.1:56] e vazão [50:0.1:150], caracterizados por hljt e qjt respectivamente na Equação 3.13, obteve-se o seguinte resultado comparativo em relação a curva dos pontos vetorizados, visto pela Figura 3.6 Figura 3.6: Curva de Rendimento - Usando parâmetros da RNA A Figura 3.6 mostra que a regressão, embora tenha atingido vários pontos da curva vetorizada, não apresentou uma boa exatidão dada a amostra de pontos de entrada na RNA. Assim, se conclui que esta abordagem não é eficiente para esta quantidade de pontos. Uma amostra menor poderia invalidar a regressão, pois não atingiria pontos suficientes no intervalo de rendimento [83, 93] %. 3.4.3.3 Coeficientes Obtidos com uso do Algoritmo Levenberg-Marquardt Após a verificação do resultado da regressão realizada com a RNA, foi necessário encontrar uma melhor abordagem. Como segunda opção para realização da regressão foi utilizada a clase NonLinearModel.fit da toolbox estatística do MATLAB 2012. Tal classe tem implementada em seu núcleo o Algoritmo de Levenberg-Marquardt citado na Seção 2.6 deste trabalho. Como parâmetros de entrada foram utilizados aproximadamente mil pontos referentes, dos 6969 adquiridos pela vetorização, onde foram consideradas como variáveis independentes (queda liquida e vazão) e variável dependente (rendimento). Os pontos foram escolhidos num intervalo de 7 pontos, visando obter uma margem satisfatória de pontos no intervalo de rendimento [83, 93] %. 3.4 Modelagem do Problema 49 A seguir são apresentados os resultados da regressão, onde são estimados os coeficientes e apresentados, os resíduos (SE) e o p-valor (pValue) para cada coeficiente, que representam a probabilidade de se obter uma estatística de teste igual ou mais extrema quanto aquela observada em uma amostra, assumindo verdadeira a hipótese nula (FREUND, 2000). A Figura 3.7 mostra a saída da regressão. Figura 3.7: Resultado da Regressão Linear Multivariável Como mostrado, os resíduos da aproximação foram irrisórios enquanto o p-valor foi nulo, atendendo a premissa de sua característica. Com a utilização da toolbox estatística do MATLAB 2012 foi possível uma aproximação de 99% da regressão. Para validação da aproximação segue o resultado gráfico apresentado pelas figuras, 3.8, 3.9 e 3.10. A Figura 3.8 apresenta o cálculo de rendimento por meio dos 6969 pontos de vazão e queda liquida vetorizados, pelos coeficientes operativos encontrados aplicados à Equação 3.13. Figura 3.8: Gráfico dos pontos calculados 3.4 Modelagem do Problema 50 O comportamento do gráfico de pontos calculados apresentado pela Figura 3.8 é similar ao comportamento do gráfico de vetorização apresentado pela Figura 3.5, isto valida a regressão realizada e pode ser confirmada pela superposição destes dois gráficos gerando a Figura 3.9. Figura 3.9: Superposição entre pontos vetorizados e pontos calculados O gráfico da Figura 3.9 apresenta a validação da regressão realizada. Nela é apresentada a interposição dos gráficos contidos nas figuras 3.5 e 3.8. A fim de se verificar a generalização dos coeficientes operativos foi gerado um gráfico de meshgrid 3D com a utilização dos parâmetros da Tabela 3.3, que detalha os coeficientes obtidos por meio do algoritmo de Levenberg-Marquardt. Foram utilizados intervalos de queda liquida [32:0.1:56] e vazão [50:0.1:150] aplicados a Equação 3.13 juntamente com coeficientes operativos informados na Tabela 3.3. Como saída gráfica obteve-se o gráfico apresentado pela Figura 3.10. Tabela 3.3: Coeficientes operativos Coeficiente ρ0j ρ1j ρ2j ρ3j ρ4j ρ5j Valor 0,1463 0,018076 0,0050502 -3,5254e-05 -0,00112337 -1,4507e-05 3.4 Modelagem do Problema 51 Figura 3.10: Generalização da Regressão O gráfico da Figura 3.10 apresenta claramente a visualização da colina característica do conjunto gerador de uma usina. Para validar o gráfico de generalização, o mesmo foi superposto ao gráfico de vetorização apresentado pela Figura 3.5. Finalmente é apresentado pela Figura 3.11 o gráfico de interposição dos gráficos de vetorização e generalização apresentados anteriormente. Figura 3.11: Superposição: Generalização X Vetorização 3.4 Modelagem do Problema 52 Os gráficos comprovam que a aproximação realizada é satisfatória dando credibilidade aos coeficientes estimados pela técnica de regressão não-linear multivariável aqui abordada. A Figura 3.12 resume o processo de realização da regressão nãolinear multivariável. Figura 3.12: Processo de obtenção de um modelo matemático a partir de dados construtivos 3.4.3.4 Exemplo de Cálculo Rendimento de Conjunto-Gerador Como exemplo, se considerou que após o calculo de perdas hidráulicas o valor de queda líquida (hljt ) encontrado foi 49,6465 (m), utilizando uma vazão de 135,00 (m3 /s). O rendimento do conjunto-gerador no instante (t) calculado pela Equação 3.13 é igual a, 2 2 ηjt = ρ0j + ρ1j hljt + ρ2j qjt + ρ3j hljt qjt + ρ4j hljt + ρ5j qjt , ηjt = 0, 1463 + 0, 018076 · 49, 6465 + 0, 0050502 · 135, 00+ (−3, 5254e − 05) · 49, 6465 · 135, 00 + (−0, 000112337) · 49, 64652 + (−1, 4507e − 05) · 135, 002 ∼ = 0, 9357. 3.4 Modelagem do Problema 3.4.4 53 Modelo de Produção Como as equações de cálculo de rendimento da turbina dependem diretamente da vazão e da queda líquida, a função de produção foi simplificada por Finardi (2005) e utilizada no modelo de Araújo (2010) como um polinômio de sétimo grau, levando em consideração somente a vazão e coeficientes associados aos seus termos, conforme Equação 3.14: pjt (qj ) = ρ0j qj + ρ1j qj2 + ... + ρ6j qj7 . (3.14) Segundo Finardi (2005), estes coeficientes ρ0j ,..., ρ6j são parâmetros dependentes de características operativas e são calculados por meio da curva de rendimento, perdas nos condutos, perdas brutas, entre outros. Porém na modelagem de rendimento proposta por Finardi (2005) é possível encontrar apenas 6 coeficientes operativos, e nesta função são mencionados 7. Assim, fazer uso desta função se torna impossível para solução do problema. Outro fato relevante é que o autor não explica ou justifica a construção desta equação. Tendo em vista este problema de modelagem, este trabalho proprõe uma função diferente para cálculo de potência elétrica conforme Equação 3.15, phjt = g · [ρ0j + ρ1j hljt + ρ2j qjt + ρ3j hljt qjt + (3.15) 2 2 ρ4j hljt + ρ5j qjt ] · [Hbjt − ∆Hjt ] · qjt , na qual • phjt é a potência gerada pela unidade geradora (j) no estágio de tempo (t); • g é a aceleração da gravidade (9, 8 · 10−3 kg/m2 s2 ); • ρoj ...ρ5j são os coeficientes operativos da unidade geradora; • hljt é a queda líquida na unidade geradora (j) no estágio de tempo (t); • qj e qjt correspondem a vazão turbinada na unidade geradora (j) no estágio de tempo (t); • Hbjt é queda bruta na unidade geradora (j) no estágio de tempo (t) e 3.4 Modelagem do Problema 54 • ∆Hjt são as perdas totais referentes aos condutos forçados na unidade geradora (j) no estágio de tempo (t). A função de produção, proposta pela Equação 3.15, traz parâmetros calculados que foram abordados ao longo da modelagem, salvo o parâmetro vazão (qjt ). Segundo Schreiber (1981), a vazão é um parâmetro complexo de ser calculado ou medido, pois o mesmo depende dos níveis de pressão entre a entrada dá água na tomada d’água e de sua saída pelo canal de fuga após a passagem pela turbina. Para calculo deste parâmetro, este trabalho propõe o uso de técnicas de inteligência computacional, na sub-área de computação evolutiva, visando encontrar aproximações ótimas de vazão para cada unidade geradora buscando minimizar o valor deste parâmetro. 3.4.4.1 Exemplo de Cálculo de Potência Hidréletrica Para exemplo, seja considerado o valor para queda líquida (hljt ) de 49,6465 (m) calculado anteriormente pela Equação 3.12, e que a vazão seja 135,00 (m3 /s). Utilize também o rendimento do conjunto-gerador no instante (t) calculado pela Equação 3.13, incorporada a função de produção. Usando estes dados, a potência hidrelétrica gerada no instante (t) é 2 2 phjt = g · [ρ0j + ρ1j hljt + ρ2j qjt + ρ3j hljt qjt + ρ4j hljt + ρ5j qjt ] · [Hbjt − ∆Hjt ] · qjt phjt = 0, 0098 · 0, 9357 · 49, 6465 · 135, 00, phjt = 61, 4589(M W ). 3.4.5 Modelo de Otimização De acordo com a modelagem, apresentada até o momento, o objetivo da otimização seria maximizar a função de produção, levando em conta todas as unidades geradoras conforme a Equação 3.16. F1 = J X phjt . (3.16) j=1 O balanço de vazão de água entre as unidades é estabelecido por meio da Equação 3.17. O parâmetro Q representa a vazão objetivo geral da planta hidrelétrica, 3.4 Modelagem do Problema 55 F2 = J X qjt = Q. (3.17) j=1 Com base na modelagem de produção de potência apresentada, estabelece-se então o seguinte modelo para eficiência de produção hidrelétrica, em termos do vetor de variáveis de otimização representado pelas vazões instantâneas de cada unidade geradora, x = [q1t , q2t ...qjt ], (3.18) e composto pela função objetivo: PJ(r) j=1 phjt , M aximize F (x) = PJ(r) q j=1 jt (3.19) sujeito a: J(r) X phjt ∼ = D, j=1 qjt min ≤ qjt ≤ qjt max, phmin jk ∅j X Zjk ≤ phjt ≤ k=1 Zjk ∈ {0, 1}, phmax jk ∅j X Zjk , k=1 ∅j X Zjk ≤ 1. k=1 A função objetivo determina o quanto de energia a usina é capaz de produzir com um determinado volume de água. Maximizar a função significa produzir maior potência utilizando menor vazão de água. O numerador é a função de produção, à medida que o valor cresce a função objetivo aumenta seu valor. O denominador quando reduzido também aumenta o valor da razão de produtividade. A razão está sujeita a restrições de demanda operativa, ou seja, a soma de toda a produção das unidades geradoras deve ser igual ao valor de demanda solicitada a usina. 3.5 Modelagem do Problema 56 A produção deve respeitar os limites operativos das unidades geradoras apresentados pelas restrições da função objetivo. A primeira restrição indica que a potência a ser entregue deve ser aproximadamente igual à demanda solicitada no despacho elétrico, o ONS aceita um erro percentual de até 0,5% acima ou abaixo do valor solicitado. A segunda restrição informa que a vazão calculada deve respeitar os limites mínimos e máximos de capacidade da unidade geradora. A terceira restrição indica que a potência gerada também deve respeitar os limites mínimos e máximos de capacidade da unidade geradora. A quarta restrição informa que cada unidade geradora possui apenas uma zona de operação. Como função de fitness para avaliação das soluções, é usada a própria função objetivo apresentada pela Equação 3.19. 3.5 Considerações Finais Estudos foram levantados por Dudek (2004) e França (2010) para verificação dos custos de parada e partida de conjuntos-geradores. Ambos os trabalhos concluem que tal custo é alto, tanto financeiro quanto de manutenção. Desta forma, todo sistema de geração deve evitar ao máximo esta ocorrência. Este trabalho não incluiu tais custos, pois para a usina estudada o ideal é que nenhum conjunto gerador pare pelo fato da mesma ser uma usina de base da concessionária. Este capítulo apresentou uma modelagem matemática consistente e a realização de exemplos de cálculo. Tal modelagem, que contempla as perdas hidráulicas inerentes aos condutos forçados, não foi encontrada na literatura. Portanto este trabalho estabeleceu uma nova modelagem matemática que representa a produção de energia hidrelétrica de maneira original. Para reproduzí-la a fim de se otimizar outra UHE é necessário apenas que se tenha em mãos a curva de rendimento e as informações de construção dos condutos forçados da usina a ser estudada. Capítulo 4 Estudo de Caso: UHE Instalada no Brasil Uma usina hidrelétrica se caracteriza pela quantidade de energia que ela pode prover num determinado intervalo de tempo ao SIN. Em janeiro de 2002 havia registro de 129 usinas hidrelétricas em operação no Brasil e 304 empreendimentos de pequeno porte. A ANEEL considera UHE ou empreendimentos de grande porte, toda e qualquer usina com capacidade nominal superior a 30 MW (ANEEL, 2002). Dada esta informação, o estudo de caso deste trabalho é uma UHE de grande porte instalada no Brasil, pois sua capacidade nominal é superior a premissa estabelecida pela ANEEL. Este capítulo vai abordar as características gerais desta usina, que possui em operação 06 conjuntos geradores, bem como os experimentos realizados para solução do problema de despacho elétrico, com a utilização dos algoritmos de otimização propostos. 4.1 Dados reais da UHE Para criação do modelo matemático proposto e desenvolvimento das soluções de otimização, se fez necessária a obtenção dos parâmetros de inicialização (demanda da usina por hora, limites operativos e coeficientes de produção) da usina. A usina concedeu uma massa de dados para análise do período de geração entre 28/07/11 a 11/08/11, considerado intermediário entre cheia e seca. A massa de dados contempla um relatório geral de hidrologia e também o relatório individual de geração de suas unidades geradoras. Não foi possível realizar testes com base no histórico de período propriamente de cheia ou seca, devido a falta de dados, porém isto não afetou a caracterização da usina. 57 4.1 Experimentos 58 A seguir são apresentados os dados considerados, com medidas de média e desvio padrão de cada parâmetro do modelo. 4.1.1 Vazão Turbinada • Desvio padrão da vazão está alto em todas as unidades de geração, ou seja as vazões (hora em hora) se alteram bastante ao longo do dia e período; • Vazão mínima 84 m3 /s e máxima 140 m3 /s. 4.1.2 Potência Ativa • Desvio padrão da potência está baixo (em 3.5 MW) em relação a média; • A potência (MW) está variando entre 40 MW e 65 MW por máquina obedecendo os limites operativos de produção unitária (35 MW à 66 MW). 4.1.3 Demanda Média do Período No período, a demanda de geração média da usina foi de 320 MW sendo que o máximo da usina para 06 conjuntos geradores é de 396 MW. Conclui-se que nesse período a UHE estudada teve uma moderada demanda de geração. Porém normalmente a usina trabalha em sua capacidade nominal. Este fenômeno é observado, pois a usina referida é uma usina base da concessionaria, que tem como característica manter sua geração no limite máximo operativo, denominado de geração nominal. 4.1.4 Limites nas variáves do Sistema Os dados até então apresentados em 4.1 não puderam ser usados como parâmetros de entrada, pois os mesmos não são dados de medição real da usina. Trata-se de dados calculados pelo antigo método de medição de vazão conhecido como sistema de controle Inter-Kenedy, que os arredonda automaticamente. Tal sistema é responsável pelo controle da malha e por todo o equipamento elétrico e hidráulico da usina. O modo de operação otimizado irá atuar sob o Inter-Kenedy, com a função de informá-lo apenas o despacho elétrico ótimo, calculado por um dos algoritmos de otimização implementados. Assim, para teste destes algoritmos, foram respeitadas as seguintes restrições operativas da usina: • Limites operativos das unidades geradoras (Potência): 35MW a 66MW; 4.2 Experimentos 59 • Limites operativos das unidades geradoras (Vazão): 70 a 140 m3 /s; • Limites operativos das unidades geradoras (Rendimento): 83 a 93 %, e; • Limites operativos das unidades geradoras (Queda Líquida): 32 a 56 m. 4.2 Algoritmos Propostos A estrutura flexível dos algoritmos evolucionários faz com que seja possível construilos de diversas maneiras diferentes. Cada variação do operador no interior de um algoritmo leva a uma diferente versão algoritmo com o seu próprio desempenho associado (Carrano, 2011). Dada esta informação, as seções posteriores identificam os doze algoritmos propostos para resolução do problema de despacho ótimo. Os algoritmos implementados consideraram os seguintes critérios: • Possibilitar testes de geração de demanda horária; • Possibilitar testes de geração de demanda diária (período de 24 horas); • Estabilizar testes de geração de demanda diária com demanda fixa no período. • Restringir o algoritmo para que não haja parada de máquina. • Respeitar as restrições operativas inseridas na função-objetivo. 4.2.1 Algoritmo Genético Binário Proposto Como primeira abordagem de solução, o AG proposto por Araújo (2010) foi estudado. Tal algoritmo não contemplava as reais necessidades de experimentos pois não respeitava os critérios informados na Seção 4.2. Assim foi construído um novo AG com representação de indivíduos binários, doravante denominado Algoritmo Genético Binário (AGB). O AGB foi implementado com base no AG canônico apresentado na seção 2.7.1. Foram utilizados os seguintes operadores de seleção, cruzamento e mutação, respectivamente: método da roleta, cruzamento binário de ponto único e mutação com alteração arbitrária de bit, discutidos na Seção 2.7.2 deste trabalho. Nele o indivíduo é uma palavra binária que corresponde a vazão total para atendimento da demanda, onde cada alelo é uma vazão factível para uma determinada unidade geradora no intervalo de tempo (t). 4.2 Experimentos 60 No estudo de caso, cada indivíduo binário possui 6 alelos codificados em 16 bits cada um. Para se representar, por exemplo, uma vazão de 120 m3 /s o alelo correspondente teria a forma representada pela Figura 4.1. Figura 4.1: Exemplo de Alelo A representação binária do indivíduo aumenta o tempo de execução do mesmo, devido às conversões de valores binários em real e vice-versa, nas operações de cruzamento e mutação. Os parâmetros de inicialização do mesmo estão expostos na Tabela 4.1. Tabela 4.1: Parâmetros do AGB Parâmetro Tamanho da População Tamanho do Indivíduo Probabilidade de Cruzamento Probabilidade de Troca de bits Probabilidade de Mutação Gamma da Função de Ajuste Número máximo de gerações Valor 50 16 0,6 0,5 0,02 1,8 50 Os parâmetros do AGB foram estabelecidos com base nos valores utilizados por Araújo (2010). Optou-se em usar os mesmos parâmetros para melhor comparação de resultados dos trabalhos, uma vez que o algoritmo de Araújo (2010) se mostrou inconsistente na entrega da demanda, desligando máquinas e em certos experimentos, não respeitando os limites operativos, além de apresentar tempo de execução aproximado de 95s por cada hora de geração. 4.2.2 Algoritmo Genético Real Proposto Dado que o problema tratado é com parâmetros de tipo real, é proposto também um algorítimo com representação real de indivíduos. Tal algoritmo foi denominado de Algoritmo Genético Real (AGR). O AGR também foi implementado com base no AG-Canônico apresentado na Seção 2.7.1. Nele foram utilizados os seguintes operadores de seleção, cruzamento e mutação, respectivamente: método do torneio, cruzamento SBX e mutação polinomial, discutidos na Seção 2.7.2 deste trabalho. 4.4 Experimentos 61 O indivíduo é um vetor de números reais 1x6, onde cada célula é uma vazão factível para uma determinada unidade-geradora no intervalo de tempo (t). Os parâmetros de inicialização do mesmo estão expostos na Tabela 4.2. Tabela 4.2: Parâmetros do AGR Parâmetro Tamanho da População Probabilidade de Cruzamento Probabilidade de Troca de bits Probabilidade de Mutação Gamma da Função de Ajuste Número máximo de gerações Valor 50 0,6 0,5 0,02 1,8 50 A escolha dos parâmetros de inicialização se manteve similar a do AGB para fins de critérios de comparação dos algoritmos. 4.3 Algoritmos de Evolução Diferencial Propostos Buscando comparar técnicas de otimização evolutivas, este trabalho propõe também a implementação de Algoritmos DE, por tratarem também indivíduos com representação real. Aqui os indivíduos também são representados como um vetor 1x6, onde cada célula é uma vazão factível. As estratégias evolutivas citadas na Seção 2.7.5 deste trabalho foram implementadas gerando assim 10 algoritmos de evolução diferencial distintos, que obedeceram os parâmetros contidos na Tabela 4.3. Tabela 4.3: Parâmetros de Inicialização dos Algoritmo DE Parâmetro Valor Tamanho da População 50 Probabilidade de Cruzamento 0,5:0,8 Fator de Perturbação 0,3:0,8 Número máximo de gerações 50 Dimensão 1 4.4 Modelo de Simulação Proposto Para simulação da solução do problema, é proposto o modelo apresentado na Figura 4.2. Como pode ser visto, como parâmetros de entrada serão fornecidos ao modelo, a demanda desejada e o nível de queda bruta da usina no instante (t). 4.5 Experimentos 62 Figura 4.2: Modelo de Simulação Proposto A partir da demanda, o algoritmo de otimização irá primeiramente, encontrar a vazão ótima para cada unidade geradora. Tal vazão será usada para cálculo de perdas hidráulicas, dispostas na Seção 3.4.1. Ao subtrair a queda bruta informada pelas perdas a queda líquida será encontrada, conforme a Seção 3.4.2. Utilizando a queda líquida calculada, a vazão e os coeficientes operativos gerados pelo algoritmo de Levenberg-Marquardt na Seção 3.4.3, será possível o cálculo do rendimento do conjunto turbina-gerador. Assim, o modelo de produção, disposto na Seção 3.4.4, poderá ser aplicado. Este conjunto possibilitará que o modelo de otimização estabelecido e disposto na Figura 4.2 possa ser implementado, gerando como saídas: a vazão ideal, o despacho ótimo e o máximo de produtividade. 4.5 Experimentos Realizados A seguir são apresentados os experimentos realizados com uso do modelo de simulação apresentado. Os algoritmos propostos para resolver o problema foram desenvolvidos utilizando o MATLAB 2012, e os experimentos foram realizados em uma máquina Intel Dual Core 2.10 GHz, com 3 GB de memória RAM, em ambiente Windows. 4.5 Experimentos 63 Com o propósito de implementar o modelo de otimização apresentado pela Figura 4.2 foi criado um procedimento apresentado no Algoritmo 3. Algoritmo 3: Pseudo-código do Modelo de Simulação início Inicializar Demanda, Queda Bruta, Limites Operativos, Coeficientes Operativos e Período de Geração; Informar qual algoritmo evolutivo será usado; enquanto Critério de parada não for satisfeito faça Algoritmo Evolutivo gera vazões para cada unidade geradora; De posse da vazão encontrada; 1. Calcular perdas hidráulicas para cada unidade geradora; 2. Calcular queda líquida para cada unidade geradora; 3. Calcular rendimento para cada unidade geradora; 4. Calcular potência para cada unidade geradora; 5. Maximizar Eficiência produtiva da usina; 6. Avaliar a qualidade das vazões geradas; fim Gerar gráficos e relatórios; fim 4.5.1 Demanda Diária variada Como demonstração de estabilidade das soluções obtidas pelos algoritmos AGB, AGR e DE, segue um exemplo de comportamento que mostra uma demanda diária, em que a maioria das soluções tem o mesmo comportamento das figuras 4.3 e 4.4, quando são solicitadas demandas variadas ao longo do dia. Neste experimento foi informada queda bruta de 54 m. Figura 4.3: Gráfico Típico de Potência Variada Gerada 4.5 Experimentos 64 Como pode ser visto no gráfico da Figura 4.3, a potência gerada sobrepôs a demanda solicitada identificando que o algoritmo cumpriu a demanda. Além disto é visível neste experimento que a vazão entregue pelo algoritmo foi menor do que a vazão de pior caso, que é a vazão normalmente utilizada em modo controle conjunto. Figura 4.4: Gráfico Típico de Vazão Turbinada Como mostrado pela Figura 4.4 é perceptível o modo otimizado economizou água durante a geração em comparação ao modo controle conjunto. Para verificar o comportamento de cada unidade-geradora, foram gerados gráficos unitários que podem ser vistos pelas figuras 4.5 e 4.6. Figura 4.5: Gráfico Típico de Potência Gerada (UN) 4.5 Experimentos 65 Figura 4.6: Gráfico Típico de Vazão Turbinada (UN) Como visto, as unidades respeitaram os limites de potência e vazão estabelecidos pelo sistema, pois os valores encontrados tanto para potência quanto para vazão estão entre as linhas pontilhadas, que representam os respectivos limites nos gráficos das figuras 4.5 e 4.6 discutidos na Seção 4.1.4 deste texto. Uma característica interessante é que cada unidade recebeu uma demanda distinta ao longo da geração. Por hora de geração, cada um dos algoritmos imprime um pequeno relatório que consta a vazão ideal encontrada por ele para cada unidade geradora, e os valores obtidos para cada parâmetro do problema. Com a vazão é possível obter a potência calculada respectiva, por meio dos cálculos prévios realizados para obtenção da queda líquida e rendimento da unidade geradora conforme o Algoritmo 3. Em todos os experimentos realizados, os valores de vazão são aleatórios devido a característica heurística dos algoritmos. Logo, cada unidade geradora recebe uma potência distinta a cada execução. Além disto, os algoritmos apresentam em todas as simulações realizadas, indicações de economia de recursos hídricos na geração, quando comparados com a vazão comumente utilizada pelo modo controle conjunto de geração. Esta informação é confirmada pelo gráfico da Figura 4.4. Isto mostra que é possível obter a otimização do sistema, sem que as máquinas recebam a mesma demanda, colaborando então para a desconstrução da hipótese levantada por Ribas (2002). 4.5 Experimentos 4.5.2 66 Demanda Diária única A fim de se verificar o comportamento dos algoritmos para uma demanda única ao longo do dia este experimento foi realizado. A demanda a ser testada de 356 MW, que corresponde a 90% da capacidade nominal da usina, foi escolhida pelo fato de usinas de grande porte gerarem em média de 80% a 90% de sua capacidade nominal. Esta escolha também tem o propósito de verificar se em 90% da capacidade nominal, os algoritmos vão apresentar economia de água na geração. Como nível de queda bruta, foi adotada queda igual a 54 (m), por ser uma queda característica entre o períodos de cheia e baixa da barragem. Este experimento foi executado para cada algoritmo proposto visando verificar o erro médio quadrático (EMQD) com relação a demanda horária entregue, a variância deste erro (VEMQD) e a variância do resultado da função objetivo (VFO). As tabelas referentes a cada algoritmo se encontram no Apêndice A. Como resultado é apresentada a Tabela 4.4 que contém o resumo dos resultados obtidos. Tabela 4.4: Resultados do Experimento Demanda diária única No 1 2 3 4 5 6 7 8 9 10 11 12 Algoritmo EMQD Algoritmo Genético Binário 0,00376 Algoritmo Genético Real 0,22790 DE/rand/1/bin 0,30133 DE/best/1/bin 0,32695 DE/rand-to-best/1/bin 0,27276 DE/best/2/bin 0,90787 DE/rand/2/bin 0,21396 DE/best/1/exp 0,37189 DE/rand/1/exp 0,61822 DE/rand-to-best/1/exp 0,74281 DE/best/2/exp 1,03344 DE/rand/2/exp 0,51615 VEMQD VFO 0,004383083 0,0043830832 0,000247284 0,0002472844 0,283703991 0,2837039913 0,21875946 0,2187594601 0,447376794 0,4473767938 3,001963517 3,0019635170 0,569657138 0,5696571383 5,382757658 5,3827576576 0,748493991 0,7484939913 35,52590501 35,5259050060 6,482282872 6,4822828720 0,327636893 0,3276368930 Neste teste, os AG (AGB e AGR) obtiveram menor erro e a menor variância se comparados aos DE, embora estes terem execuções de cerca de 50% mais rápidas. Os DE implementados com operador de cruzamento exponencial, obtiveram os piores resultados. Levando em consideração estes dados, é perceptível que os algoritmos AGB, AGR, DE/best/1/bin e DE/rand/1/bin, apresentaram os melhores resultados, pelo fato de apresentarem menor variância no resultado da função objetivo e menor variância de erro médio quadrático. 4.5 Experimentos 67 A título de exemplo, as figuras 4.7, 4.8, 4.9 e 4.10 mostram os valores de potência e vazão obtidos a partir de uma execução típica do AGB. Figura 4.7: AGB - Potência Gerada Figura 4.8: AGB - Vazão Turbinada O gráfico apresentado pela Figura 4.7 mostra que o AGB cumpriu a demanda solicitada de 356MW, pois a demanda gerada pelo AGB sobrepõe a demanda solicitada. Nota-se pelo gráfico apresentado na Figura 4.8 que ao comparar a vazão utilizada pelo AGB em relação a vazão utilizada normalmente pelo modo controle conjunto (“vazão de pior caso”), o algoritmo AGB obteve economia de água durante a geração. 4.5 Experimentos 68 Com relação ao comportamento individual de cada conjunto gerador, os gráficos apresentados nas figuras 4.9 e 4.10 demonstram claramente que o algoritmo AGB respeitou os limites operativos de potência entregando um despacho diferenciado para cada gerador. É visto que o AGB respeitou os limites de vazão impostos em cada unidade. Figura 4.9: AGB - Potência Gerada(UN) Figura 4.10: AGB - Vazão Turbinada (UN) 4.5 Experimentos 69 A título de exemplo, as figuras 4.11, 4.12, 4.13 e 4.14 mostram os valores de potência e vazão obtidos a partir de uma execução típica do AGR. Figura 4.11: AGR - Potência Gerada Figura 4.12: AGR - Vazão Turbinada O gráfico apresentado pela Figura 4.11 mostra que o AGR cumpriu a demanda solicitada de 356MW, pois a demanda gerada pelo AGR sobrepõe a demanda solicitada. Nota-se pelo gráfico apresentado na Figura 4.12 que ao comparar a vazão utilizada pelo AGR em relação a vazão utilizada normalmente pelo modo controle conjunto (“vazão de pior caso”), o algoritmo AGR também obteve economia de água durante a geração. 4.5 Experimentos 70 Com relação ao comportamento individual de cada conjunto gerador, os gráficos apresentados nas figuras 4.13 e 4.14 demonstram claramente que o algoritmo AGR respeitou os limites operativos de potência entregando um despacho diferenciado para cada gerador. É notado que o AGR respeitou os limites de vazão impostos em cada unidade. Figura 4.13: AGR - Potência Gerada(UN) Figura 4.14: AGR - Vazão Turbinada (UN) 4.5 Experimentos 71 O algoritmo DE/rand/1/bin se comportou de maneira similar aos algoritmos AGB e AGR. Porém apresentou sinuosidades na entrega da demanda. A título de exemplo, as figuras 4.15, 4.16, 4.17 e 4.18 mostram os valores de potência e vazão obtidos a partir de uma execução típica do DE/rand/1/bin. Figura 4.15: DE/rand/1/bin - Potência Gerada Figura 4.16: DE/rand/1/bin - Vazão Turbinada O gráfico apresentado pela Figura 4.15 mostra que o DE/rand/1/bin cumpriu a demanda solicitada de 356MW, pois a demanda gerada pelo algoritmo sobrepõe a demanda solicitada, mesmo apresentando sinuosidade. Nota-se pelo gráfico apresentado na Figura 4.16 que ao comparar a vazão utilizada pelo DE/rand/1/bin em relação a vazão utilizada normalmente pelo modo controle conjunto (“vazão de pior caso”), este algoritmo também obteve economia de água durante a geração. 4.5 Experimentos 72 Com relação ao comportamento individual de cada conjunto gerador, os gráficos apresentados nas figuras 4.17 e 4.18 demonstram claramente que o algoritmo DE/rand/1/bin respeitou os limites operativos de potência entregando um despacho diferenciado para cada gerador. É visto que o DE/rand/1/bin respeitou os limites de vazão impostos em cada unidade. Figura 4.17: DE/rand/1/bin - Potência Gerada(UN) Figura 4.18: DE/rand/1/bin - Vazão Turbinada (UN) 4.5 Experimentos 73 Finalmente, é apresentado o comportamento do algoritmo DE/best/1/bin. A título de exemplo, as figuras 4.19, 4.20, 4.21 e 4.22 mostram os valores de potência e vazão obtidos a partir de uma execução típica do DE/best/1/bin. Figura 4.19: DE/best/1/bin - Potência Gerada Figura 4.20: DE/best/1/bin - Vazão Turbinada O gráfico apresentado pela Figura 4.19 mostra que o DE/best/1/bin cumpriu a demanda solicitada de 356MW, pois a demanda gerada pelo algoritmo sobrepõe a demanda solicitada. Nota-se pelo gráfico apresentado na Figura 4.20 que ao comparar a vazão utilizada pelo DE/best/1/bin em relação a vazão utilizada normalmente pelo modo controle conjunto (“vazão de pior caso”), este algoritmo também obteve economia de água durante a geração. 4.5 Experimentos 74 Com relação ao comportamento individual de cada conjunto gerador, os gráficos apresentados nas figuras 4.21 e 4.22 demonstram claramente que o algoritmo DE/best/1/bin respeitou os limites operativos de potência entregando um despacho diferenciado para cada gerador. É perceptível que o DE/best/1/bin respeitou os limites de vazão impostos em cada unidade. Figura 4.21: DE/best/1/bin - Poteência Gerada(UN) Figura 4.22: DE/best/1/bin - Vazão Turbinada (UN) Os experimentos aqui apresentados identificam que os algoritmos se mostram estáveis, que cumprem as premissas de testes e respeitam os limites operativos, economizando matéria prima de geração, que é água. 4.5 Experimentos 4.5.3 75 Demanda Horária Para nova verificação do comportamento dos algoritmos selecionados em 4.5.2 foi gerado o experimento de demanda horária. Para tal, foi estabelecida uma demanda horária de 320 MW, uma vez que esta é uma demanda típica da usina observada no período histórico estudado descrito na Seção 4.1.3. A seguir são apresentados pelas figuras 4.23, 4.24, 4.26 e 4.25, os gráficos de comportamento típico da função de avaliação de cada algoritmo em relação a função objetivo que é a maximização da produtividade da usina. Figura 4.23: Evolução da Função de Produtividade com emprego de AGB Figura 4.24: Evolução da Função de Produtividade com emprego de AGR Os gráficos das figuras 4.23 e 4.24 mostram que o AGB e o AGR convergiram para o melhor resultado a partir da 35a iteração. É possível notar que houve sinuosidade no AGB, apresentando quedas e altas até atingir a estabilidade. 4.5 Experimentos 76 O AGR obteve menor sinuosidade, em comparação ao AGB. Por sua vez os gráficos apresentados nas figuras 4.26 e 4.25 mostram o DE/best/1/bin convergiu para o melhor resultado a partir da 45a e o DE/best/1/bin não convergiu em 50 iterações. Isto é justificável pois o DE/rand/1/bin usa aleatoriedade em seu operador de mutação um vetor aleatório em cada geração, conforme explicado na Seção 2.7.5, enquanto o DE/best/1/bin usa para mutação sempre o melhor indivíduo da geração anterior. Figura 4.25: Evolução da Função de Produtividade com emprego de DE/best/1/bin Figura 4.26: Evolução da Função de Produtividade com emprego de DE/rand/1/bin 4.5 Experimentos 77 Como exemplo de saída típica de hora de geração é apresentada a Tabela 4.5. Tabela 4.5: Resultados do Experimento Demanda Horária Geração por Algoritmos na Hora 1 | (Hb) = 54m AGB 3 Máquina phjt (M W ) qjt (m /s) ηjt (%) hljt (m) ∆Hjt (m) 1 49,719 101,41 0,93 53,796 0,20377 2 59,383 121,04 0,93 53,83 0,17007 3 62,218 126,81 0,93 53,833 0,16745 4 44,282 90,253 0,93 53,834 0,1656 5 57,078 116,33 0,93 53,834 0,1656 6 47,512 96,838 0,93 53,833 0,16745 Total 320,19 652,68 Demanda Solicitada: 320 (M W ) Diferença 0,19 2,37 Vazão no modo CC: 655,05 (m3 /s) AGR 3 Máquina phjt (M W ) qjt (m /s) ηjt (%) hljt (m) ∆Hjt (m) 1 51,047 104,14 0,93 53,785 0,21489 2 47,343 96,515 0,93 53,821 0,17935 3 58,589 119,44 0,93 53,823 0,17659 4 49,178 100,25 0,93 53,825 0,17464 5 60,31 122,94 0,93 53,825 0,17464 6 53,653 109,37 0,93 53,823 0,17659 Total 320,12 652,65 Demanda Solicitada: 320 (M W ) Diferença 0,12 2,4 Vazão no modo CC: 655,05 (m3 /s) DE/best/1/bin Máquina phjt (M W ) qjt (m3 /s) ηjt (%) hljt (m) ∆Hjt (m) 1 48,763 99,441 0,93 53,804 0,19595 2 54,589 111,26 0,93 53,836 0,16354 3 55,81 113,74 0,93 53,839 0,16103 4 56,429 115,00 0,93 53,841 0,15925 5 53,122 108,26 0,93 53,841 0,15925 6 51,438 104,83 0,93 53,839 0,16103 Total 320,15 652,51 Demanda Solicitada: 320 (M W ) Diferença 0,15 2,54 Vazão no modo CC: 655,05 (m3 /s) DE/rand/1/bin Máquina phjt (M W ) qjt (m3 /s) ηjt (%) hljt (m) ∆Hjt (m) 1 54,087 110,39 0,93 53,759 0,24149 2 51,44 104,91 0,93 53,798 0,20155 3 57,261 116,78 0,93 53,802 0,19845 4 54,239 110,61 0,93 53,804 0,19625 5 49,489 100,92 0,93 53,804 0,19625 6 53,441 108,99 0,93 53,802 0,19845 Total 319,96 652,6 Demanda Solicitada: 320 (M W ) Diferença -0,04 2,45 Vazão no modo CC: 655,05 (m3 /s) 4.6 Experimentos 78 Como visto na Tabela 4.5, os algoritmos calculam no intervalo de busca a vazão factível e posteriormente os demais parâmetros da função de produção. Os algoritmos calcularam com precisão as perdas hidráulicas gerando assim o valor de queda liquida. De posse da queda líquida e da vazão foi calculado o rendimento da unidade. Assim foi possível gerar a potência unitária, que é o produto entre os parâmetros descritos e a aceleração da gravidade, conforme a Equação 3.1. A Tabela 4.5 exibe os valores de vazão qjt obtidos por cada algoritmo sendo perceptível observar que cada unidade-geradora recebe uma vazão diferenciada em cada algoritmo. Mostra também, que o parâmetro de rendimento ηjt da unidade geradora atingiu o ponto ótimo de rendimento de 93% em cada uma das seis unidades no experimento realizado em cada algoritmo. Nela podemos verificar o resultado obtido pelo cálculo de perdas hidráulicas por meio do parâmetro ∆Hjt e ainda o valor encontrado para o parâmetro de queda líquida hljt para cada unidade-geradora em cada algoritmo. Por último a tabela apresenta os valores de potência phjt obtidos pelo modelagem matemática implementado, por unidade geradora em cada algoritmo, sendo possível evidenciar que os valores são distintos entre si e proporcionam assim, uma economia de recursos hídricos maximizando a produtividade. Com os resultados totais de potência e vazão é possível comparar a demanda solicitada e a demanda entregue por acada um dos algoritmos. É notado que o erro em relação a demanda entregue é muito baixo, o que viabiliza o resultado apresentado por cada algoritmo. É possível observar que a vazão total resultante de cada algoritmo é menor que a vazão usual utilizada em modo controle conjunto (CC), que é quando se divide a demanda igualmente pelo número de máquinas. Neste experimento por exemplo, a demanda dividida igualmente pelo número de máquinas é 53,33 MW por unidade o que acarreta uma vazão unitária de 109,175 m3 /s. Neste contexto o fator de produtividade da usina em modo controle conjunto para este experimento é de 0,48. De posse de cada potência unitária é possível fazer uso da função objetivo descrita na Seção 3.4.5 deste trabalho. Os valores de otimização de maximização da produtividade encontrados neste experimento foram 0,4905 (pelo AGB), 0,4904 (pelo AGR), 0,4906 (pelo DE/rand/1/bin) e 0,4902 (pelo DE/rand/1/bin). Neste experimento isolado, o algoritmo que obteve a maior economia de vazão e consequentemente o maior índice de produtividade foi o DE/best/1/bin, com 2,54 m3 /s que em uma hora equivalem aproximadamente a 9,1 milhões de litros de água e a 0,4906 de produtividade, respectivamente. 4.6 4.6 Experimentos 79 Considerações Finais Este capítulo apresentou o estudo de caso do trabalho e aplicou a modelagem matemática, juntamente com os algoritmos de otimização e o modelo de simulação propostos em alguns experimentos preliminares. Foi possível observar nestes experimentos que as restrições do problema foram respeitadas e que houve otimização da função de produtividade proposta. Também se classificou entre os doze algoritmos implementados os melhores resultados identificando os algoritmos AGB, AGR, DE/rand/1/bin e DE/best/1/bin, como os melhores. Porém, não foi possível estabelecer neste momento a classificação dentre estes. Com o intuito de identificar tal classificação o Capítulo 5 deste trabalho propõe um novo experimento e uma analise estatística dos resultados para assim buscar a classificação entre AGB, AGR, DE/rand/1/bin e DE/best/1/bin de melhor solução para o problema. Capítulo 5 Análise Comparativa dos Algoritmos De acordo com o critério estabelecido na Seção 4.5.2, dos doze algoritmos implementados foram selecionados quatro para análise comparativa. Este capítulo vai fazer uso de técnicas estatísticas encontradas na literatura, a fim de classificar dentre AGB, AGR, DE/rand/1/bin e DE/best/1/bin as melhores abordagens para solução do problema de geração em questão. Para cada um dos quatro algoritmos foram realizadas trinta execuções afim de garantir o teorema do limite central de normalidade. Para testes foram utilizados os dados contidos nas tabelas A.13 e A.14. 5.1 Comparação estatística com gráfico de caixa O gráfico de caixa “boxplot” apresenta características importantes de um conjunto de dados por meio do seu resumo das cinco medidas, formado pelos seguintes valores: valor mínimo, primeiro quartil, segundo quartil, terceiro quartil e valor máximo apresentados numa caixa. Como método estatístico preliminar gerou-se o gráfico de caixa apresentado na Figura 5.1, que compara os resultados da função objetivo obtidos em cada execução dos algoritmos. A mesma figura ainda apresenta uma tabela especificando os outiliers detectados e identificados por pequeno círculos. É perceptível que em relação aos AG houve menor dispersão nos resultados. Porém o AGR apresentou muitos outliers (valores atípicos), ou seja, observações que apresentam um grande afastamento das demais da série. Por outro lado, os algoritmos DE apresentaram menor quantidade de outliers. O DE/rand/1/bin foi o algoritmo que apresentou maior caixa. O gráfico indica que abaixo da mediana (quartil inferior) se encontra a média indicada pelo ponto. Ele também obteve os maiores valores mínimos e máximos, além de dois outliers mínimos. 80 5.2 Análise Comparativa dos Algoritmos 81 Outro indicativo de assimetria da série são as linhas formadas nas extremidades dos quartis, por estarem demasiadamente longas. Este comportamento confirma o resultado apresentado no experimento de verificação da evolução de resultados da função de produtividade apresentado na Seção 4.5.3, no qual é possível se verificar que o método não convergiu até o número de gerações executadas. Figura 5.1: Gráfico de caixa da Função Objetivo O Algoritmo DE/best/1/bin apresentou um gráfico de boxplot menor se comparado aos demais, isto indica maior estabilidade de resultados do mesmo. Nele, a média se encontra abaixo da mediana, isto indica que o valor central da série (mediana) é praticamente a média da série indicando a robustez do algoritmo. Isto mostra que aparentemente todas as vezes que é executado, os resultados são compatíveis com os anteriores. Tal algoritmo apresentou apenas um outlier inferior. As linhas das extremidades dos quartis se mantiveram de tamanho razoável, indicando simetria na série. Nota-se que ao comparar as medianas do AGB e do DE/best/1/bin, a do AGB está aproximadamente 0,00025 acima, onde este valor é o valor máximo de sua série. Por outro lado o valor máximo da série do DE/best/1/bin está aproximadamente 0,00025 acima do valor máximo do AGB. 5.2 Método de Tukey Em seu trabalho, Carrano (2011) mostra que algoritmos evolutivos não podem ser comparados apenas pelo desempenho computacional, devido ao fato dos mesmos serem heurísticas estocásticas de busca, onde a cada execução se pode ter um resultado diferenciado. 5.2 Análise Comparativa dos Algoritmos 82 Dentre as técnicas citadas em Carrano (2011), se encontram: teste de hipótese, bootstrapping, teorema do limite central, dominância e eficiência, teste t-student e Análise de Variância - ANOVA com Teste de Tukey, pelo fato desta análise possuir comparações entre múltiplos conjuntos. Este trabalho vai abordar a ANOVA com teste de Tukey para buscar encontrar alguma nova informação que diferencie os algoritmos acima citados. Dada sua característica de análises de múltiplos conjuntos de dados, o mesmo se mostra uma boa ferramenta para análise dos quatro algoritmos propostos. Este método estatístico pode ser interpretado como a comparação das médias entre os diferentes grupos, com a variância entre todos os indivíduos dentro desses grupos. A estratégia de Tukey consiste em definir a menor diferença significativa entre as médias. A hipótese a ser considerada neste teste é a de igualdade de resultados das séries dos conjuntos de dados e adotou-se intervalo de confiança de 95%. A Figura 5.2 mostra a saída gráfica e respectivas tabelas do teste de Tukey realizado, na qual A1, A2, D1 e D2 são AGB, AGR, DE/best/1/bin e DE/rand/1/bin, respectivamente. Figura 5.2: Teste de Tukey 5.2 Análise Comparativa dos Algoritmos 83 Tabela 5.1: Tabela ANOVA G.L. Fator Resíduos Níveis A1-A2 D1-A1 D2-A1 D1-A2 D2-A1 D2-D1 Soma de Quad. 0,000016375100 0,000032212897 Centro 0,000537437242 -0,000248331311 -0,000449146642 -0,000785768554 -0,000986583884 -0,000200815330 Quad. Médio Estat. F 0,000005458367 19,6558 0,000000277697 Limite.Inferior Limite.Superior 0,000182766405 0,000892108079 -0,000603002148 0,000106339526 -0,000803817479 -0,000094475804 -0,001140439391 -0,000431097716 -0,001341254721 -0,000631913047 -0,000555486167 0,000153855507 P-valor 0,000000000226 P-valor 0,000767973571 0,266857980728 0,006924187546 0,000000391168 0,000000000299 0,455314170898 Ao considerar um nível de significância de 95%, a saída gráfica indica que não é rejeitada a hipótese de igualdade entre as médias dos fatores: (D1,A1); (D2,D1) respectivamente. Em outras palavras, este teste indicou que os resultados dos algoritmos AGB e DE/best/1/bin quando comparados e os resultados dos algoritmos DE/rand/1/bin e DE/best/1/bin quando comparados não aparentam evidências estatísticas suficientes para mostrar que estes fatores analisados, no caso os algoritmos comparados, são diferentes. A Tabela 5.1 associada ao resultado gráfico comprova a análise de variância realizada. Neles são informados o p-valor geral da ANOVA que tende ao valor nulo e o erro quadrático apresentou um valor baixo. O dado p-valor foi definido na Seção 2.6. Também são apresentados para cada comparação de algoritmos os limites inferior e superior, o centro da série, além do p-valor de cada comparação. O p-valor baixo indica que a diferença entre os algoritmos é notada, enquanto o valor alto indica que existe uma pequena diferença entre os algoritmos quando comparados. Logo, a tabela também comprova a similaridade entre os algoritmos AGB e DE/best/1/bin e DE/rand/1/bin e DE/best/1/bin quando comparados. Pelo fato dos algoritmos AGB, DE/rand/1/bin e DE/best/1/bin terem apresentado comportamento similar, este trabalho propõe uma análise multiobjetivo para o problema mono objetivo proposto, visando definir qual é a melhor solução para o problema dentre os quatro algoritmos propostos para análise. Tal análise sera realizada na seção seguinte. 5.3 Análise Comparativa dos Algoritmos 5.3 84 Análise multiobjetivo de um problema monoobjetivo Como informado na Seção 1.1.1, os sistemas de geração de uma usina têm um tempo máximo de aplicação do set-point por unidade geradora de 10s. Este trabalho abordou o problema de forma mono-objetivo. Esta seção propõe uma análise multiobjetivo (MO) para o problema mono-objetivo, levando em conta o valor da função objetivo e o valor de tempo de execução de cada um dos algoritmos, onde se guardou os resultados de ambos os parâmetros de cada algoritmo para cada uma das trinta execuções realizadas. Na análise foram utilizados os dados contidos nas tabelas A.13 e A.14 referentes aos algoritmos AGB, AGR, DE/rand/1/bin e DE/best/1/bin. Em uma análise deste tipo, os objetivos geralmente são conflitantes. Para diferenciar soluções obtidas em uma análise MO, uma abordagem bastante difundida na literatura é o conceito de dominância de Pareto. Segundo Ticona (2008) e Carrano (2011), o conceito de dominância de Pareto é utilizado para comparar soluções factíveis do problema. Dadas duas soluções x e y, diz-se que x domina y (denotado x y) se as seguintes condições são satisfeitas: 1. A solução x é pelo menos igual a y para todos os objetivos; 2. A solução x é superior a y para pelo menos um objetivo. Assim, existe um conjunto de soluções que possuem vantagens sobre as outras, um conjunto de alternativas ótimas que são não-dominadas entre si. O conjunto de soluções não dominadas de um problema é comumente chamado na literatura afim de “Fronteira de Pareto”. Desta forma foi realizada a dominância de Pareto com os parâmetros índice de produtividade (resultado da função objetivo) e tempo de execução. O algoritmo utilizado para verificação da dominância da fronteira de Pareto foi implementado por Freitas (2012) e utilizado neste trabalho. Tal algoritmo não é multiobjetivo, é apenas um algoritmo que calcula e informa a frente de Pareto dado um conjunto de pontos. O intuito deste gráfico é apresentar uma fronteira de Pareto, a partir de um conjunto de soluções e da definição apresentada acima de dominância entre soluções MO, com a utilização dos parâmetros de maximização da produção e de minimização do tempo de execução de cada algoritmo. 5.3 Análise Comparativa dos Algoritmos 85 Essa fronteira foi gerada, para cada algoritmo, combinando os 30 pares de valores correspondentes à produtividade e ao tempo de execução e em seguida, rodando um algoritmo de não-dominância. As figuras 5.3, 5.4, 5.5 e 5.6 mostram a Fronteira de Pareto obtida em cada algoritmo implementado. Figura 5.3: Fronteira de Pareto AGB - pontos não dominados Figura 5.4: Fronteira de Pareto AGR - pontos não dominados 5.3 Análise Comparativa dos Algoritmos Figura 5.5: Fronteira de Pareto DE/best/1/bin - pontos não dominados Figura 5.6: Fronteira de Pareto DE/rand/1/bin - pontos não dominados 86 5.3 Análise Comparativa dos Algoritmos 87 As fronteiras foram geradas com a utilização do algoritmo proposto por Freitas (2012), que é uma implementação baseada no algoritmo fast-non-dominated-sort de Deb (2002). Para uma análise geral, foi gerado um gráfico contendo as fronteiras de Pareto dos quatro algoritmos propostos, o mesmo é apresentado na Figura 5.7. Os algoritmos mostram que ao realizar a análise MO proposta, o algoritmo que possui a melhor fronteira de Pareto é o DE/best/1/bin, pois o conjunto indica que a produtividade está estável e possui o menor tempo de execução. Em um problema deste tipo, estabilidade no valor de produtividade, mesmo que ligeiramente menor que os valores de produtividade obtidos pelos demais algoritmos e um tempo menor de execução são fatores essenciais e de muita importância. Figura 5.7: Comparação das Fronteiras de Pareto dos Algoritmos O segundo melhor comportamento desta análise foi o DE/rand/1/bin pois os pontos obtidos pelo conjunto de Pareto deste com relação ao DE/best/1/bin dominam os pontos dos demais algoritmos. Uma informação importante para esta análise é a de que ao realizar a dominância de Pareto em todos os pontos apresentados pela Figura 5.7, a fronteira de Pareto a ser formada apresentaria apenas os pontos do DE/best/1/bin e alguns pontos do DE/rand/1/bin. O terceiro melhor comportamento é apresentado pelo algoritmo AGR e o pior conjunto de resultados observado é o correspondente ao AGB, que obteve um tempo de execução superior aos demais. 5.3 Análise Comparativa dos Algoritmos 88 Para classificar os algoritmos de maneira geral, foram levadas em conta as três análises estatísticas propostas. Como melhor comportamento geral, incluindo gráfico de caixa, o teste de Tukey e análise de dominância da Fronteira de Pareto, se classifica como melhor solução o algoritmo DE/best/1/bin. Tal algoritmo possui melhor simetria na série do conjunto de dados em relação à função objetivo. Isto pôde ser observado no gráfico de caixa pois o mesmo possuiu a menor representação de caixa e mostrou-se robusto pelo fato da média e a mediana serem praticamente o mesmo valor. Possui resultados similares a dois outros algoritmos de acordo com o teste de Tukey. Apresenta ainda o melhor conjunto ótimo de Pareto na análise de dominância, pois possui menor tempo de execução em relação aos demais e valor de produtividade máxima pouco abaixo ao do DE/rand/1/bin. Além disto o comportamento da evolução dos resultados apresentados pela Figura 4.25 mostra melhor comportamento se comparado ao DE/rand/1/bin. Como segunda melhor solução geral a análise indica o algoritmo DE/rand/1/bin. Apesar de possuir uma leve assimentria de resultados com relação à função objetivo observada no gráfico de caixa, mesmo apresentou ser similar ao algoritmo DE/best/1/bin no teste de Tukey e obteve a segunda melhor fronteira de Pareto. Porém este algoritmo apresentou um gráfico de evolução de resultados de uma hora de geração referente as 50 iterações com alta dispersão, visto pela Figura 4.26. O algoritmo AGB foi classificado como terceira melhor opção. Embora tenha apresentado o pior conjunto de Pareto na análise de dominância, este algoritmo apresentou, em seu gráfico de caixa, baixa simetria de resultados em relação à função objetivo. Além disto, apresentou similaridade de resultados com o algoritmo DE/best/1/bin no teste de Tukey. O pior conjunto geral de resultados observados é o correspondente ao AGR. Tal algoritmo apresentou o terceiro melhor conjunto de Pareto, porém não apresentou similaridade com nenhum outro algoritmo e obteve um número elevado de outliers no gráfico de caixa. Esta análise chega à conclusão de que os algoritmos implementados, no contexto geral da análise estatística realizada, são classificados da seguinte maneira: o algoritmo que obteve melhor resultado geral foi o DE/best/1/bin, seguido do DE/rand/1/bin, e posteriormente do AGB e em último lugar ficou o algoritmo AGR devido à grande dispersão de resultados. A análise realizada contribui para a literatura, comprovando que algoritmos de evolução diferencial superam algoritmos genéticos, não apenas em funções analíticas as quais se conhece o resultado, conforme discutido no artigo Carrano (2011), como também em funções similares a tratada na função objetivo deste trabalho. 5.4 Análise Comparativa dos Algoritmos 89 Novos testes estatísticos podem ser feitos para classificar de maneira global o desempenho dos quatro algoritmos simultaneamente. Tais testes são propostos como continuidade do trabalho. 5.4 Projeção de economia e de aumento na geração elétrica Visto que os algoritmos foram classificados e que o DE/best/1/bin obteve melhor resultado geral, esta seção propõe um estudo de projeção de economia de recursos hídricos e produção elétrica com uso deste algoritmo, tomando como base o resultado obtido no experimento da Seção 4.5.2, em que tal algoritmo obteve economia significativa de 2,54 m3 /s. As projeções serão apresentadas nas seções 5.4.1 e 5.4.2. 5.4.1 Economia de recursos hídricos Para uma hora de geração, os resultados obtidos pelo algoritmo DE/best/1/bin mostraram que a vazão necessária para gerar a potência demandada, em modo otimizado, foi equivalente a 652,6 m3 /s e que a vazão de pior caso, ou seja, a vazão atualmente usada pelo controle conjunto neste cenário de teste é de 655,05 m3 /s, conforme a Tabela 4.5. Para o cálculo da projeção da economia de recursos hídricos por segundo é proposta a Equação 5.1. PJ(r) P Cehm = 1 − ( j=1 qjt qT cc ), (5.1) na qual, • P Cehm é o percentual de economia de recursos hídricos mensal; • PJ(r) j=1 qjt é o somatório de vazão total em m3 /s; • qT cc é a vazão total em m3 /s entregue pelo sistema atual em controle conjunto. Neste caso, o percentual de economia de recursos hídricos por segundo é igual a P Cehm = 1 − ( 652, 6 ), 655, 05 P Cehm = 0, 0037. 5.4 Análise Comparativa dos Algoritmos 90 Para fins de se verificar a economia mensal é necessário multiplicar o valor de vazão do controle conjunto pelo tempo relativo a um mês (em segundos), e após isto, aplicar o percentual obtido pela Equação 5.1. A demostração deste cálculo é apresentado pela Equação 5.3, Economia = P Cehm · (qT cc · 3600 · 24 · 30). (5.2) Logo a economia hídrica obtida para a projeção de um mês é igual a Economia = 0, 0037 · (655, 05 · 3600 · 24 · 30), Economia = 6282191, 52. O cálculo mostra que as expectativas de economia de recursos hídricos nesta projeção foram alcançadas, uma vez que o resultado apresentou economia de 0,37 % no mês. O percentual encontrado pela Equação 5.1 reflete aproximadamente a uma economia de 6,3 milhões de m3 de água, no período de um mês, conforme demonstração de cálculo realizada por meio da Equação 5.3. 5.4.2 Aumento na Geração Hidrelétrica Visando verificar o aumento na geração de energia elétrica com o uso do modo otimizado é proposta a realização de uma projeção horária. A Equação 5.4 calcula o resultado percentual de aumento da produção elétrica no intervalo de uma hora conforme, P Cgpe = ( P Tmo ) − 1, P Tcc na qual • P Cgpe é o percentual de ganho na produção elétrica; • P Tmo é a potência total gerada no modo otimizado; • P Tcc é potência total gerada no modo controle conjunto. (5.3) 5.5 Análise Comparativa dos Algoritmos 91 O modo controle conjunto faz uso para entrega da demanda em média 108,78 m /s de água em cada conjunto gerador, esta vazão gera aproximadamente 53,20 MW por máquina, totalizando uma produção de 319,08 MW/hora. O modo otimizado obteve no experimento de demanda única uma geração de 320,15 MW/hora, conforme a Tabela 4.5. Ao aplicar este valores na Equação 5.3, obtém-se um percentual de ganho igual a 3 P Cgpe = 320, 15 − 1, 319, 08 P Cgpe = 0, 0033. As expectativas de ganho na produção elétrica nesta projeção também foram atingidas, uma vez que o resultado apresentou aumento aproximado de 0,33% em uma hora de geração. 5.5 Considerações Finais Este capítulo apresentou a análise comparativa dos algoritmos propostos AGB, AGR, DE/best/1/bin e DE/rand/1/bin, por meio de técnicas estatísticas. A análise possibilitou classificar as soluções e identificar como o melhor algoritmo de solução geral, o algoritmo DE/best/1/bin. Após esta identificação, foi apresentada uma projeção mensal de economia e aumento de produção para a usina estudada. Foram apresentados os resultados das projeções, mostrando que o uso do algoritmo evolutivo DE/best/1/bin conseguiu em simulação superar o modo controle conjunto usado atualmente na usina estudada. Capítulo 6 Conclusões e Trabalhos Futuros Este trabalho contribui para resolver o problema de despacho elétrico de uma UHE instalada no Brasil, com uso de técnicas de inteligência computacional. Para solução do problema em questão, uma nova proposta de modelagem matemática foi desenvolvida. Diversos algoritmos de otimização foram implementados visando encontram uma solução para o problema. Foram realizados experimentos para validar as propostas de algoritmos. Os experimentos apresentaram excelentes resultados, primeiramente mostrando que todos os algoritmos respeitaram as restrições do problema, atenderam a demanda solicitada e economizaram vazão durante a geração, de acordo com as seções 4.5.1, 4.5.2 e 4.5.3 do Capítulo 4. Após a validação dos algoritmos por meio dos experimentos realizados, uma abordagem para classificação dos melhores algoritmos foi feita. Foram realizados os testes estatísticos de gráficos de caixa na Seção 5.1, o teste de Tukey na Seção 5.2 e posteriormente o método de dominância de Pareto na Seção 5.3. Como o problema tratado neste trabalho é mono-objetivo o teste de dominância de Pareto realizado foi uma maneira diferente para analise comparativa dos algoritmos mono-objetivos aqui apresentados trazendo grande contribuição na classificação dos mesmos. Após a análise foi possível destacar o algoritmo DE/best/1/bin como melhor solução implementada neste trabalho. Foi realizada uma projeção de economia de recursos hídricos para o período de um mês. O algoritmo apresentou economia de 0,37%, que é o equivalente a 6,8 milhões de m3 de água em um mês. Também foi realizada uma projeção de aumento de produção elétrica, como resultado ficou evidenciado que no período de uma hora há um aumento de 0,33% na produção de energia elétrica. 92 6.0 Conclusões e Trabalhos Futuros 93 O objetivo geral do projeto de desenvolver um modelo matemático e sua implementação na forma de um algoritmo capaz de aumentar a produtividade, em tempo de operação, da geração hidrelétrica, em uma usina real com relação aos conjuntos turbina-gerador existentes na mesma foi atingido. Este objetivo foi atingido e apresentado nos Capítulos 3 e 4. Os objetivos específicos listados abaixo também foram atingidos: • Foram caracterizados os dados históricos de uma usina real e dos sistemas envolvidos na geração hidrelétrica de energia como forma de obtenção de um modelo matemático, que aborda realidade do processo, como foi apresentado na Seção 4.1 do Capítulo 4; • Foi modelado matematicamente o processo de geração de energia elétrica, do ponto de vista da eficiência do mesmo, com o propósito de subsidiar estudos sobre as possibilidades de aumento da eficiência, como foi mostrado no Capitulo 3; • Foram obtidos matematicamente, a partir de curvas de rendimento fornecidas, os coeficientes do modelo matemático de rendimento das unidades geradoras de uma usina real, como mostrado na Seção 3.4.3 do Capítulo 3; • Foram implementados e realizados experimentos para otimização da eficiência dos conjuntos turbina-gerador para uma usina real, incorporando as perdas hidráulicas inerentes aos condutos forçados ligados aos conjuntos turbinagerador, com uso de técnicas de otimização, como foi discutido nas seções 4.2.1, 4.2.2 e 4.3 do Capítulo 4; • Foram avaliados os resultados obtidos e comparados de forma objetiva os resultados obtidos pelos vários algoritmos de otimização utilizados, de acordo com a abordagem apresentada no Capítulo 5. Como contribuição científica este trabalho propôs uma nova modelagem de produção de energia hidrelétrica, incluindo as perdas hidráulicas inerentes aos condutos forçados. Os algoritmos evolutivos abordados cumpriram os objetivos de otimização. Foi realizada uma análise estatística de resultados de forma inovadora, com referência ao tipo de problema mono-objetivo abordado. 6.0 Conclusões e Trabalhos Futuros 94 Em relação às contribuições referentes a produção e eficiência energética, este trabalho contribuiu de forma eficiente pois apresentando uma clara economia de recursos hídricos, bem como um aumento significativo na produção de energia hidrelétrica. Em relação ao aspecto ambiental, a água é um recurso natural de extrema importância no planeta e é de fundamental importância que o ser humano busque formas de usar este recurso de forma racional e inteligente. Este trabalho demonstrou que é possível realizar a geração de energia hidrelétrica com uso dos recursos hídricos no curso de um rio, economizando milhões de litros de água na geração. Como propostas de trabalhos futuros destacam-se: • Encontrar técnicas sistemáticas para definição dos melhores parâmetros de inicialização dos algoritmos evolutivos abordados neste trabalho, bem como a utilização de outros métodos evolutivos com algoritmos imunológicos, algoritmos baseados na evolução social e algoritmos de otimização por enxame de partículas; • Realizar novos experimentos e projeções para o período de planejamento anual, com discretização mensal, visando descobrir a real economia dentro de um ano com relação a vazão de água; • Realizar novos testes estatísticos de análise múltipla nos algoritmos AGB, AGR, DE/best/1/bin e DE/rand/1/bin para classificação automática dos mesmos. Tais testes incluem o teste de Kruskal-Wallis e Dominância estocástica; • Implementar e testar o algoritmo DE/rand/1/bin na linguagem de máquina do equipamento supervisório em ambiente de produção da usina hidrelétrica; • Realizar uma abordagem multiobjetivo do problema minimizando vazão e minimizando a temperatura dos geradores com objetivo de minimizar recursos hídricos de geração e resfriamento, bem como maximizar a produtividade. Para isto será necessário o levantamento de um modelo matemático característico de máquinas síncronas (geradores). Referências Bibliográficas Almeida, P. E. M. (2003). Sistemas Inteligentes: Fundamentos e Aplicações, Capítulo Sistemas Fuzzy, p. 169–201. Almeida, P. E. M. Otimização da metodologia de controle conjunto de tensão e potência na geração de energia elétrica aplicavel a área de projetos com emprego de técnicas de inteligencia artificial., (2007). Proposta PROGRAMA ANUAL DE PESQUISA E DESENVOLVIMENTO CEMIG/ ANEEL - CICLO 2007/2008. Almeida, P. E. M. (2011). Inteligência computacional. Notas de Aula. ANEEL,. Atlas da Energia Elétrica do Barsil. ANEEL - Agencia Nacional de Energia Elétrica (Brasil), (2002). Araújo, R. (2010). Modelagem e otimização hidrelétrica da energia: uma abordagem com emprego de sistemas inteligentes. Master’s thesis, CEFET-MG. Arce, A. (1999). Um modelo de otmização do despacho de máquinas em usinas hidrelétricas. Master’s thesis, UNICAMP. Arce, A. Despacho ótimo de unidade geradoras em sistemas hidreletricos via heuristica baseada em relaxação lagrangeana e programação dinâmica. PhD thesis, UNICAMP, (2006). Arce, OhishiI T. Soares S.A. (2002). Optimal dispatch of generating units of the itaipú hydroelectric plant. IEEE Transactions on power Systems, v. Vol. 17 N.1. Baños, R. (2011). Optimization methods applied to renewable and sustainable energy: A review. ELSEVIER, In: Renewable and Sustainable Energy Reviews, v. 15. Bergamashi, P. R. (2010). O método de otimização evolução diferencial: uma análise dos parâmetros - fator de perturbação e probabilidade de cruzamento. Anais do II Simpósio de Matemática e Matemática Industrial - SIMI, v. 1. 95 Referências Bibliográficas 96 Braga, A. P. (2003). Sistemas Inteligentes: Fundamentos e Aplicações, Capítulo Redes Neurais Artificiais, p. 142–168. Braga, A. P. (2007). Redes Neurais Artificiais. Cachapuz, P. (2006). Usinas da Cemig: A história da eletricidade em Minas e no Brasil. Rio de Janeiro: Centro da Memória da eletricidade do Brasil. Carneiro, A. (1999). Redes rbf aplicadas a simulação da operação de usinas hidrelétricas. IV Congresso Brasileiro de Redes Neurais. São Paulo. Carrano, Wanner E.F. Takarashi R.E.G. (2011). A multicriteria statistical based comparison methodology for evaluating evolutionary algorithms. IEEE TRANSACTIONS ON EVOLUTIONARY COMPUTATION, v. VOL. 15,. Carvalho, A. (2003). Sistemas Inteligentes: Fundamentos e Aplicações, Capítulo Computação Evolutiva, p. 225–248. Cogger, K.O. (2012). Nonlinear multiple regression methods: A survey and extensions. Ntelligent Systems in Accounting, Finance and Management, v. 17. Deb, K. (1995). Simulated binary crossover for continuos search space. Convenor, Technical Reports, v. 9. Deb, K. (2002). A fast and elitist multiobjective genetic algorithm: Nsga ii. Evolutionary Computation, IEEE Transictions on,, v. 6. Dudek, G. (2004). Unit commitment by genetic algorithm with specialized search operators. ESELVIER In: Eletric Power Systems Research, v. 74. Farlow, S.J. (1984). Self-organizing methods ins modeling. Marcel Dekker: New York. Finardi, E. (2005). Unit commitment of single hydroelectric plant. Electric Power System Research, v. 75. Fox, R.W. (2006). Introdução a Mecânica dos Fluidos. 7a Ed. Livros Técnicos e Científicos. França, T. (2010). Um modelo de unit commitment para sistemas hidrotérmicos resolvido por método híbrido baseado em algoritmos genéticos e métodos de pontos interiores. Anais de Congresso, In: XVIII Congresso Brasileiro de Automática. Referências Bibliográficas 97 Freitas, A. R.R. de. Paretofront. Software, 06(2012). URL http://www.mathworks.com/matlabcentral/fileexchange/ 37080-pareto-fronts-according-to-dominance-relation. MATLAB 7.12 (R2011a). Freund, E. (2000). Estatística Aplicada. Goldberg, D. E. (1999). The compact genetic algorithm. IEEE Transactions on Evolutionary Computation, v. Vol.3, no 4. Heredia, F.J. (1995). Optimum short-term hydrothermal scheduling with spinning reserve through network flows. IEEE Transactions on Power Systems, v. Vol. 10, No 3. Itaipu, B. (2012). Casa de http://www.itaipu.gov.br/energia/casa-de-forca. força. disponível em: Ivakhnenko, A.G. (1968). The group method of data handling - a rival method of stochastic approximation. Soviet Automatic Control. Konar, A. (2005). Computational intelligence: Principles, techniques and applications. Calcutta: Springer. Leidemer, M. N. (2009). Proposta de una metodologia de otimização evolucionária robusta utilizando a transformada unscented aplicável a circuitos de rf/microndas. Master’s thesis, Universidade de Brasilia - Faculdade de Tecnologia. Levenberg, K. (1944). A method for the solution of certain non-linear problems in least squares. Quarterly of Applied Mathematics. Liu, Li X.S. (2010). Hydroeletric unit commitment by enhaced pso. ICEEE. Marquardt, D. (1963). An algorithm for least-squares estimation of nonlinear parameters". SIAM Journal on Applied Mathematics 11 (2). Muller, G.M. (2010). Despacho de máwuinas e geração de usina hidrelétrica individualizada utilizando algoritmos genéticos. Master’s thesis, UFRJ. Netto, A. (1998). Manual de Hidráulica. 8a Edição. Brasil. ONS„ Outubro(2012). URL http://www.ons.org.br/institucional_linguas/ o_que_e_o_ons.aspx. Pezzini, P. (2011). Optimization techniques to improve energy efficiency in power systems. ELSEVIER In: Renewable and Sustainable Energy Reviews, v. 15. Referências Bibliográficas 98 Porto, R. (2004). Hidráulica Básica. São Paulo, BR. Provençano, F. (2003). Despacho econômico de usinas hidrelétricas. Master’s thesis, UNICAMP. Quintela, A. (1981). Turbo máquinas hidráulicas. Lisboa, PT. Rajan, C. (2011). Hydro-thermal unit commitment problem using simulated embedded evolutionary programming approach. ELSEVIER In: Eletrical Power and Energy Systems, v. 33. Reynolds, O. (1883). An experimental investigation of the circunstances witch determine wether the motion of water shall be direct or sinuous, and of the law resistencce in parallel channels. OSBORNE REYNOLDS, F.R.S. Received March 7,. Ribas, F. (2002). Otimização da geração de energia em centrais hidrelétricas. Tracbel. 3o SEPOCH. Paraná. Rodrigues, R.N. (2003). Despacho de unidades geradoras hidrelétricas utilizando lagrangeano aumentado. Master’s thesis, USFC. Schreiber, G. (1981). Usinas Hidrelétricas. Rio de Janeiro. Souza, M. J. F. (2009). Inteligência Computacional para Otimização. Notas de aula. URL http://www.decom.ufop.br/prof/marcone/Disciplinas/ InteligenciaComputacional/InteligenciaComputacional.pdf. Storn, R. (1995). Differential evolution: a simple and efficient adaptative scheme for global optimization over continuous spaces. Techinical report TR-95-012, International Computer Science Institute, Berkley. Storn, R. (1997). Differrential evolutiion - a simple and efficient heuristic for global optimization over continuous spaces. Journal of Global Optimization, v. 11. Takahashi, R. H. C. Otimização escalar e vetorial. Notas de Aula., (2007). Takahashi, R. H. C. Otimização. Notas de Aula., (2010). Takigawa, F.Y.K. Desenvolvimento de um modelo computacional para o problema da programação diária da operação de sistemas hidrotémicos. PhD thesis, UFSC, (2010). Ticona, W. G. C. (2008). Otimização multi-objetivo. Referências Bibliográficas 99 Tolmasquim, M.T. (2011). Balanço energéticonnacional. Relatório técnico, Empresa de Pesquisa Energética. Ministério de Minas e Energia - Brasil. Apêndice A Dados dos Experimentos A.1 Experimentos de Demanda Diária Este apêndice apresenta o experimento de demanda diária única, relatado na Seção 4.5.2, para cada um dos 12 algoritmos implementados informados na Tabela 4.4. A seguinte legenda é considerada para análise das tabelas: HP - Hora de Produção (h) DS - Demanda Solicitada (MW) VV - Vazão Vertida (m3 /s) DE - Demanda Entregue (MW) FO - Função Objetivo (DE/VV) EQDE - Erro Quadrático da Demanda Entregue EMQDE - Erro Médio Quadrático da Demanda Entregue VADE - Variância da Demanda Entregue VAFO - Variância da Função Objetivo Os resultados dos experimentos serão mostrados, cada um em uma página a seguir. Cada página contém a tabela de dados e os gráficos de potência gerada e vazão vertida, de cada algoritmo implementado. 100 Apêndice A 101 01) ALGORITMO GENÉTICO BINÁRIO - AGB Tabela A.1: Resultados - AGB HP 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 Algoritmo Genético Binário| DS VV DE FO EQDE 356 726,6242 356,0492 0,490005 0,00242 356 726,8667 355,9117 0,489652 0,00780 356 727,1637 355,9803 0,489546 0,00039 356 726,2387 355,9195 0,490086 0,00648 356 726,1447 356,0049 0,490267 0,00002 356 727,499 356,0165 0,48937 0,00027 356 727,906 356,0752 0,489177 0,00565 356 726,495 356,0087 0,490036 0,00008 356 726,5089 355,8407 0,489795 0,02537 356 726,2696 355,9893 0,490161 0,00011 356 725,9503 355,8629 0,490203 0,01881 356 726,1425 355,8594 0,490068 0,01976 356 726,7396 356,0061 0,489867 0,00004 356 726,3391 355,7839 0,489832 0,04669 356 726,7076 356,0478 0,489946 0,00228 356 726,1852 355,9873 0,490216 0,00016 356 727,2074 356,0715 0,489642 0,00511 356 726,4993 355,8991 0,489882 0,01017 356 725,4995 355,4285 0,489909 0,32659 356 726,0923 356,0043 0,490302 0,00002 356 726,4459 355,9945 0,49005 0,00003 356 727,2309 355,9785 0,489499 0,00046 356 727,7308 356,216 0,489489 0,04664 356 726,4063 355,8949 0,489939 0,01105 EMQDE 0,00376 VADE 0,004383083 VAFO 0,0043830832 AGB - Potencia Gerada e Vazão Vertida Apêndice A 102 02) ALGORITMO GENÉTICO REAL - AGR Tabela A.2: Resultados - AGR HP 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 Algoritmo Genético Real| DS VV DE FO EQDE 356 729,984 355,5934 0,487125 0,16534 356 726,7444 355,5085 0,489179 0,24160 356 726,3966 355,5181 0,489427 0,23219 356 726,0572 355,5339 0,489678 0,21724 356 726,0342 355,5377 0,489698 0,21375 356 725,9157 355,5179 0,489751 0,23238 356 725,9247 355,5301 0,489762 0,22079 356 725,9109 355,5267 0,489766 0,22398 356 725,9253 355,532 0,489764 0,21905 356 725,8511 355,4988 0,489768 0,25118 356 725,9115 355,5244 0,489763 0,22622 356 725,908 355,5228 0,489763 0,22771 356 725,9014 355,52 0,489763 0,23043 356 725,8604 355,504 0,489769 0,24597 356 725,8887 355,518 0,489769 0,23228 356 725,9048 355,5263 0,48977 0,22436 356 725,8994 355,5258 0,489773 0,22490 356 725,8902 355,523 0,489775 0,22756 356 725,886 355,5197 0,489773 0,23069 356 725,8638 355,513 0,489779 0,23713 356 725,8907 355,5224 0,489774 0,22809 356 725,8886 355,5215 0,489774 0,22892 356 725,8721 355,5137 0,489775 0,23645 356 725,9039 355,5293 0,489775 0,22153 EMQDE 0,22790 VADE 0,000247284 VAFO 0,0002472844 AGR - Potencia Gerada e Vazão Vertida Apêndice A 103 03) ALGORITMO DE/best/1/bin Tabela A.3: Resultados - DE/best/1/bin HP 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 Algoritmo DE/rand/1/bin| DS VV DE FO EQDE 356 726,56 355,2444 0,48894 0,57097 356 727,5737 355,7377 0,488937 0,06882 356 729,972 356,1892 0,487949 0,03581 356 728,9556 356,3867 0,4889 0,14953 356 726,7018 355,3336 0,488968 0,44402 356 731,0148 357,4471 0,488974 2,09413 356 725,9655 354,9683 0,48896 1,06450 356 727,4472 355,6731 0,488933 0,10684 356 726,0371 355,0015 0,488958 0,99694 356 725,5137 355,4635 0,489947 0,28781 356 725,5137 355,4635 0,489947 0,28781 356 730,7104 356,5611 0,487965 0,31485 356 728,6231 356,9783 0,489935 0,95707 356 725,5137 355,4635 0,489947 0,28781 356 726,7018 355,3336 0,488968 0,44402 356 727,9964 356,6749 0,489941 0,45556 356 728,5137 356,201 0,488942 0,04038 356 728,1261 356,7376 0,489939 0,54405 356 729,2434 357,2844 0,489939 1,64975 356 728,1406 356,0179 0,488941 0,00032 356 727,9964 356,6749 0,489941 0,45556 356 726,563 355,971 0,489938 0,00084 356 730,2636 355,6384 0,487 0,13074 356 727,1424 356,2574 0,489942 0,06627 EMQDE 0,30133 VADE 0,283703991 VAFO 0,2837039913 DE/best/1/bin - Potencia Gerada e Vazão Vertida Apêndice A 104 04) ALGORITMO DE/rand/1/bin Tabela A.4: Resultados - DE/rand/1/bin HP 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 Algoritmo Genético DE/best/1/bin| DS VV DE FO EQDE 356 725,6065 355,3388 0,489713 0,43713 356 727,0951 355,3446 0,488718 0,42950 356 723,7221 354,4176 0,489715 2,50400 356 729,5331 356,5703 0,488765 0,32528 356 729,5961 356,5724 0,488726 0,32765 356 728,7048 356,1279 0,488714 0,01636 356 730,2815 356,225 0,487791 0,05060 356 729,5766 356,5729 0,488739 0,32817 356 728,8198 355,7294 0,48809 0,07320 356 728,7048 356,1279 0,488714 0,01636 356 727,0951 355,3446 0,488718 0,42950 356 727,2657 355,4282 0,488718 0,32695 356 727,2657 355,4282 0,488718 0,32695 356 727,2657 355,4282 0,488718 0,32695 356 727,2657 355,4282 0,488718 0,32695 356 727,2657 355,4282 0,488718 0,32695 356 727,2657 355,4282 0,488718 0,32695 356 727,2657 355,4282 0,488718 0,32695 356 727,2657 355,4282 0,488718 0,32695 356 727,2657 355,4282 0,488718 0,32695 356 727,2657 355,4282 0,488718 0,32695 356 727,2657 355,4282 0,488718 0,32695 356 727,2657 355,4282 0,488718 0,32695 356 727,2657 355,4282 0,488718 0,32695 EMQDE 0,32695 VADE 0,21875946 VAFO 0,2187594601 DE/rand/1/bin - Potencia Gerada e Vazão Vertida Apêndice A 105 05) ALGORITMO DE/rand-to-best/2/bin Tabela A.5: Resultados - DE/rand-to-best/2/bin HP 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 Algoritmo DE/rand-to-best/2/bin| DS VV DE FO EQDE 356 727,4157 355,5357 0,488766 0,21554 356 727,4597 355,5546 0,488762 0,19835 356 730,6332 356,3372 0,48771 0,11372 356 729,3596 356,433 0,488693 0,18752 356 725,9472 355,5142 0,489725 0,23596 356 723,4644 354,2999 0,489727 2,89017 356 725,8191 355,4541 0,489728 0,29804 356 727,2165 355,407 0,488722 0,35169 356 727,4867 355,5555 0,488745 0,19758 356 727,2038 356,129 0,489724 0,01663 356 726,565 355,8188 0,489727 0,03285 356 727,5869 354,9051 0,487784 1,19885 356 727,8486 356,4447 0,489724 0,19778 356 727,1914 356,1232 0,489724 0,01518 356 726,0284 354,8442 0,488747 1,33581 356 727,3092 355,4469 0,488715 0,30591 356 729,6334 357,3178 0,489722 1,73671 356 725,289 355,1925 0,489725 0,65208 356 729,1247 356,3395 0,488722 0,11528 356 725,9109 355,4999 0,489729 0,25014 356 728,7797 356,9002 0,489723 0,81037 356 725,8296 355,4565 0,489724 0,29537 356 725,1666 355,1367 0,489731 0,74522 356 729,9398 356,7805 0,488781 0,60919 EMQDE 0,27276 VADE 0,447376794 VAFO 0,4473767938 DE/rand-to-best/2/bin - Potencia Gerada e Vazão Vertida Apêndice A 106 06) ALGORITMO DE/best/2/bin Tabela A.6: Resultados - Algoritmo DE/best/2/bin HP 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 Algoritmo DE/best/2/bin| DS VV DE FO EQDE 356 730,1846 356,9689 0,488875 0,93874 356 723,8438 355,3875 0,490973 0,37518 356 727,6286 357,2483 0,490976 1,55825 356 725,1768 355,3291 0,48999 0,45016 356 727,4788 356,4271 0,489948 0,18244 356 726,3378 356,6103 0,49097 0,37246 356 732,4517 358,1595 0,488987 4,66352 356 725,0769 355,2557 0,489956 0,55391 356 728,0173 356,6799 0,489933 0,46229 356 730,3085 357,8387 0,489983 3,38099 356 726,6629 356,0308 0,489953 0,00095 356 733,6572 358,2945 0,488368 5,26455 356 731,4668 357,2454 0,488396 1,55111 356 730,3116 356,4243 0,488044 0,17999 356 730,5665 357,9655 0,489983 3,86301 356 725,4785 355,4542 0,489958 0,29785 356 731,4794 358,4083 0,489977 5,80001 356 729,5556 357,499 0,490023 2,24714 356 729,1019 357,2398 0,489972 1,53717 356 727,9968 356,6858 0,489955 0,47027 356 729,1019 357,2398 0,489972 1,53717 356 728,4347 356,9365 0,490005 0,87700 356 727,9308 355,9242 0,488953 0,00574 356 730,3526 357,1292 0,488982 1,27505 EMQDE 0,90787 VADE 3,001963517 VAFO 3,0019635170 DE/best/2/bin - Potencia Gerada e Vazão Vertida Apêndice A 107 07) ALGORITMO DE/rand/2/bin Tabela A.7: Resultados - Algoritmo DE/rand/2/bin HP 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 Algoritmo DE/rand/2/bin| DS VV DE FO EQDE 356 730,2879 356,9887 0,488833 0,97759 356 729,8166 356,3112 0,48822 0,09686 356 725,8968 355,549 0,489807 0,20336 356 724,6277 354,182 0,488778 3,30516 356 724,0626 354,65 0,489806 1,82243 356 727,6582 354,9405 0,487785 1,12264 356 727,7521 355,7119 0,488782 0,08302 356 729,7692 356,6936 0,488776 0,48109 356 726,9257 356,0476 0,489799 0,00227 356 727,9123 355,8438 0,488855 0,02441 356 728,4099 355,3465 0,487839 0,42710 356 729,229 356,4739 0,488837 0,22455 356 728,2163 355,9826 0,488842 0,00030 356 727,9452 356,5447 0,489796 0,29668 356 726,6542 355,1679 0,488772 0,69234 356 729,3768 355,8088 0,487826 0,03657 356 728,6835 356,9103 0,489802 0,82871 356 728,1134 355,9123 0,488814 0,00770 356 728,0574 355,9094 0,488848 0,00822 356 728,6835 356,9103 0,489802 0,82871 356 729,5048 356,5791 0,488796 0,33537 356 728,8976 356,3128 0,488838 0,09787 356 727,8268 355,7884 0,488837 0,04477 356 728,2163 355,9826 0,488842 0,00030 EMQDE 0,21396 VADE 0,569657138 VAFO 0,5696571383 DE/rand/2/bin - Potencia Gerada e Vazão Vertida Apêndice A 108 08) ALGORITMO DE/best/1/exp Tabela A.8: Resultados - Algoritmo DE/best/1/exp HP 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 Algoritmo DE/best/1/exp| DS VV DE FO EQDE 356 720,5841 352,7674 0,489558 10,44978 356 722,733 353,833 0,489576 4,69608 356 729,0258 356,2013 0,488599 0,04054 356 734,3551 357,3584 0,486629 1,84526 356 727,5104 356,1646 0,489566 0,02708 356 731,2104 355,3806 0,486017 0,38362 356 729,6857 355,825 0,487642 0,03062 356 725,4175 354,4106 0,488561 2,52605 356 727,5104 356,1646 0,489566 0,02708 356 729,7486 356,5598 0,488606 0,31341 356 727,2685 355,3481 0,488606 0,42495 356 730,3763 356,8402 0,48857 0,70594 356 723,5282 354,2148 0,489566 3,18690 356 727,9319 356,3713 0,489567 0,13783 356 729,8193 356,5484 0,488543 0,30075 356 729,8193 356,5484 0,488543 0,30075 356 731,9939 356,534 0,487072 0,28520 356 726,3951 355,6151 0,489562 0,14815 356 730,1298 357,4473 0,489567 2,09469 356 727,4084 355,3999 0,488584 0,36016 356 724,8572 354,1374 0,488562 3,46919 356 727,5104 356,1646 0,489566 0,02708 356 727,1347 355,2397 0,488547 0,57798 356 729,4766 357,1274 0,489567 1,27108 EMQDE 0,37189 VADE 5,382757658 VAFO 5,3827576576 DE/best/1/exp - Potencia Gerada e Vazão Vertida Apêndice A 109 09) ALGORITMO DE/rand/1/exp Tabela A.9: Resultados - DE/rand/1/exp HP 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 Algoritmo DE/rand/1/exp| DS VV DE FO EQDE 356 726,3398 355,145 0,488952 0,73101 356 727,6986 355,8397 0,488993 0,02570 356 724,7409 355,0937 0,48996 0,82132 356 726,3436 355,1485 0,488954 0,72508 356 726,0822 355,057 0,489004 0,88933 356 730,4031 357,8714 0,489964 3,50206 356 726,3436 355,1485 0,488954 0,72508 356 728,847 356,4001 0,488992 0,16012 356 726,8568 355,4384 0,489007 0,31543 356 729,8644 357,608 0,489965 2,58574 356 725,1335 355,2849 0,489958 0,51135 356 728,39 356,8785 0,489955 0,77183 356 728,6794 357,024 0,48996 1,04855 356 728,051 355,978 0,488947 0,00048 356 729,0155 357,1851 0,489955 1,40440 356 726,7342 356,0737 0,489964 0,00543 356 728,6624 357,0131 0,489957 1,02633 356 729,2135 355,8528 0,487995 0,02167 356 725,748 354,8851 0,488992 1,24296 356 727,0424 356,2182 0,489955 0,04759 356 727,9597 355,9497 0,488969 0,00253 356 727,9597 355,9497 0,488969 0,00253 356 727,9597 355,9497 0,488969 0,00253 356 727,9597 355,9497 0,488969 0,00253 EMQDE 0,61822 VADE 0,748493991 VAFO 0,7484939913 DE/rand/1/exp - Potencia Gerada e Vazão Vertida Apêndice A 110 10) ALGORITMO DE/rand-to-best/2/exp Tabela A.10: Resultados - DE/rand-to-best/2/exp HP 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 Algoritmo DE/rand-to-best/2/exp| DS VV DE FO EQDE 356 729,8371 355,6927 0,487359 0,09444 356 726,3433 354,7142 0,488356 1,65322 356 733,4623 357,4669 0,487369 2,15184 356 728,4977 356,4777 0,489333 0,22824 356 729,8371 355,6927 0,487359 0,09444 356 723,5568 354,0678 0,489343 3,73348 356 730,2393 356,6195 0,48836 0,38373 356 732,6705 357,091 0,487383 1,19032 356 729,6123 355,5922 0,487371 0,16631 356 728,624 355,065 0,487309 0,87422 356 730,4354 356,0092 0,487393 0,00008 356 726,5453 354,8201 0,488366 1,39219 356 730,5551 356,0557 0,487377 0,00310 356 726,3127 353,9347 0,487303 4,26554 356 728,4136 354,9959 0,487355 1,00816 356 730,5551 356,0557 0,487377 0,00310 356 728,566 355,0846 0,487375 0,83792 356 728,8251 355,1952 0,487353 0,64771 356 717,9018 350,587 0,488349 29,30102 356 728,8837 355,9575 0,48836 0,00181 356 724,2306 353,6815 0,488355 5,37526 356 724,3542 353,7154 0,488318 5,21932 356 726,9501 355,7219 0,489335 0,07732 356 727,6134 356,0451 0,489333 0,00203 EMQDE 0,74281 VADE 35,52590501 VAFO 35,5259050060 DE/rand-to-best/2/exp - Potencia Gerada e Vazão Vertida Apêndice A 111 11) ALGORITMO DE/best/2/exp Tabela A.11: Resultados - Algoritmo DE/best/2/exp HP 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 Algoritmo DE/best/2/exp| DS VV DE FO EQDE 356 723,3729 352,8624 0,487802 9,84451 356 727,6215 354,65 0,48741 1,82259 356 726,8452 354,9757 0,488379 1,04909 356 730,0976 356,5614 0,488375 0,31518 356 731,1158 357,0836 0,488409 1,17416 356 729,2185 355,4088 0,487383 0,34954 356 727,5864 355,3261 0,488363 0,45417 356 730,2426 355,8366 0,487285 0,02670 356 725,7964 354,4699 0,488387 2,34124 356 729,1446 356,1232 0,488412 0,01517 356 727,7087 356,1257 0,48938 0,01581 356 725,9347 355,2796 0,48941 0,51896 356 721,4966 353,1072 0,489409 8,36805 356 734,0372 357,7619 0,487389 3,10442 356 729,487 355,456 0,487268 0,29590 356 724,3459 353,7523 0,488375 5,05228 356 728,2662 354,9911 0,487447 1,01780 356 724,4033 354,5197 0,489396 2,19114 356 726,8452 354,9757 0,488379 1,04909 356 725,7029 355,1528 0,489391 0,71781 356 728,7073 355,8901 0,488386 0,01207 356 726,8452 354,9757 0,488379 1,04909 356 728,9785 356,7472 0,48938 0,55828 356 731,1158 357,0836 0,488409 1,17416 EMQDE 1,03344 VADE 6,482282872 VAFO 6,4822828720 DE/best/2/exp - Potencia Gerada e Vazão Vertida Apêndice A 112 12) ALGORITMO DE/rand/2/exp Tabela A.12: Resultados - DE/rand/2/exp HP 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 Algoritmo DE/rand/2/exp| DS VV DE FO EQDE 356 724,4055 355,0688 0,490152 0,86711 356 727,3954 355,8113 0,489158 0,03559 356 724,4055 355,0688 0,490152 0,86711 356 727,4553 355,8393 0,489156 0,02583 356 723,0899 354,4229 0,49015 2,48738 356 726,7293 356,2011 0,490143 0,04045 356 729,5859 356,1956 0,488216 0,03827 356 727,8586 356,7552 0,490144 0,57040 356 731,0301 356,8704 0,488175 0,75752 356 726,1601 355,2235 0,489181 0,60288 356 729,1415 356,6796 0,489178 0,46190 356 728,9183 356,5615 0,489165 0,31525 356 729,9344 356,3542 0,4882 0,12548 356 727,3746 355,0057 0,488064 0,98867 356 727,3046 355,0866 0,488223 0,83427 356 729,7962 356,9775 0,489147 0,95552 356 725,9842 355,8414 0,49015 0,02516 356 724,0394 354,8895 0,490152 1,23322 356 727,8586 356,7552 0,490144 0,57040 356 728,7886 356,4817 0,489143 0,23206 356 727,7362 355,9515 0,489122 0,00235 356 729,0228 355,8616 0,488135 0,01914 356 731,2517 356,9676 0,48816 0,93625 356 728,3221 356,2861 0,489188 0,08186 EMQDE 0,51615 VADE 0,327636893 VAFO 0,3276368930 DE/rand/2/exp - Potencia Gerada e Vazão Vertida Apêndice A A.2 113 Experimentos de Demanda Horária Esta seção apresenta o experimento de demanda horária única, relatado na Seção 4.5.3, onde os valores da função objetivo para cada um dos quatro algoritmos testados neste experimento (AGB, AGR, DE/best/1/bin e DE/rand/1/bin) se encontram na Tabela A.13. Tabela A.13: Resultados Função Objetivo - Algoritmos Função Objetivo - Produtividade Iteração AGB AGR DE/best/1/bin DE/rand/1/bin 1 0,490535 0,490161 0,490248 0,488532 2 0,490940 0,490659 0,490246 0,490772 3 0,490698 0,489500 0,490251 0,489850 4 0,490861 0,489563 0,489915 0,489623 5 0,490355 0,490020 0,490071 0,490614 6 0,490136 0,490362 0,490617 0,490418 7 0,490576 0,490886 0,490494 0,490046 8 0,490661 0,491004 0,490191 0,488829 9 0,490508 0,491011 0,490142 0,489793 10 0,490760 0,491137 0,490403 0,490006 11 0,490093 0,491133 0,490403 0,490352 12 0,490657 0,491128 0,490403 0,489878 13 0,490715 0,491106 0,490403 0,490993 14 0,490552 0,491047 0,490403 0,490751 15 0,490604 0,491112 0,490403 0,489689 16 0,490855 0,491127 0,490403 0,490041 17 0,490815 0,491146 0,490403 0,489190 18 0,490349 0,491198 0,490403 0,490222 19 0,490650 0,491151 0,490403 0,490049 20 0,490628 0,491146 0,490403 0,490262 21 0,490708 0,491135 0,490403 0,490368 22 0,490952 0,491171 0,490403 0,488478 23 0,490361 0,491156 0,490251 0,490604 24 0,490890 0,491199 0,490252 0,489302 25 0,490165 0,491704 0,490249 0,490894 26 0,490202 0,491883 0,490249 0,490772 27 0,490628 0,492359 0,490253 0,490280 28 0,490083 0,491986 0,490266 0,490492 29 0,490940 0,492476 0,490259 0,491212 30 0,490023 0,492355 0,490256 0,491110 Apêndice A 114 Os tempos de execução do experimento relatado na Seção 4.5.3 estão dispostos na Tabela A.14. Tabela A.14: Tempo de Execução por Algoritmo Iteração 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 AGB 19,6042 19,5775 20,2759 19,5017 19,7893 19,7329 19,7404 19,6585 19,5467 19,7043 19,7364 19,6381 20,1297 19,5838 19,9106 19,8506 20,3639 19,3917 19,7686 19,6834 19,9351 19,7984 19,7326 19,74 20,1056 20,2971 20,6015 19,7732 20,1792 19,9126 Tempo de Execução (s) AGR DE/best/1/bin 16,0729 4,9549 16,2123 4,9561 16,3693 4,9607 16,2453 4,9145 16,2002 4,9495 16,2062 4,9353 16,6228 4,9434 16,5328 4,9118 16,3096 4,9407 16,4343 4,9667 16,3217 5,0277 17,5496 4,9677 16,3776 4,9328 16,4424 4,9453 16,5819 4,9221 16,3027 4,9523 16,3768 4,9661 16,3659 5,0574 17,7919 4,9212 16,4263 4,9596 16,4251 4,9549 16,2723 4,9607 16,4327 4,9495 16,3572 4,9434 16,3705 4,9407 16,5997 5,0277 16,3061 4,9328 16,4545 4,9221 16,3234 4,9661 16,359 5,0574 DE/rand/1/bin 5,8586 5,8564 5,3461 5,0008 5,4307 5,1777 5,8097 5,8987 5,8487 5,3744 5,2987 4,9993 5,8787 5,437 4,9159 5,8997 5,8620 5,8657 5,8641 5,8702 5,8908 5,8816 5,8923 5,8722 5,8558 5,8276 5,8811 5,8725 5,8769 5,8917