Demand Planning in Smart Homes
|
|
- Afonso Santarém de Santarém
- 5 Há anos
- Visualizações:
Transcrição
1 Demand Planning in Smart Homes J. T. Flores, W. C. Celeste, D. J. C. Coura, S. D. Rissino, R. E. N. Moraes and H. R. O. Rocha Abstract This paper deals with the application of Heuristic and Genetic Algorithms to solve the demand planning problem in smart homes, in order to reduce the total monetary value of consumed energy or offset the seasonality from based electric generators renewable sources such as wind and solar generators. The demand management application takes into account the presence of distributed generation, time-differentiated prices (White Tariff), priority of loads and prepaid rate. The demand planning is a combinatorial problem subjected to the load allocation restrictions. The problem is solved using a heuristic method together with a Genetic Algorithm to get a compromise between comfort and the cost of energy expended. Tests with a radial residential system are performed in order to validate the model. Keywords Heuristic, Genetic Algorithm, Demand Planning, White Tariff, Pre-paid Rate. O I. INTRODUÇÃO ATUAL modelo de geração, transmissão, distribuição e consumo de energia elétrica tem-se mostrado insustentável, pois a geração é feita de forma centralizada, onde grandes usinas geradoras produzem uma considerável quantidade de energia elétrica que deve ser transportada e posteriormente distribuída a unidades consumidoras muito distantes de suas fontes, gastando-se muitos recursos na construção e manutenção de tais sistemas. Além disso, em geral, a geração dessa grande quantidade de energia elétrica resulta em impactos ambientais consideráveis. Já no lado das unidades consumidoras, principalmente os consumidores de média e baixa potência, a energia elétrica tem sido utilizada de forma pouco inteligente e sem nenhum controle. O problema é que a energia elétrica, que atualmente é considerada um bem essencial, tem-se tornado cada vez mais cara. Com isso, a geração distribuída tem se inserido muito bem em um novo paradigma de geração e consumo de energia cada vez mais presente nos mercados de energia elétrica de todo o mundo, em especial, nos países desenvolvidos e em desenvolvimento, os quais são os maiores geradores e consumidores de energia elétrica. Neste novo paradigma, as redes elétricas são compostas por geradores de baixa potência J. T. Flores, Universidade Federal do Espírito Santo (UFES), São Mateus,Espírito Santo, Brasil, jardel_ter@hotmail.com W. C. Celeste, Universidade Federal do Espírito Santo (UFES), São Mateus,Espírito Santo, Brasil, wanderley.celeste@ufes.br D. J. C. Coura, Universidade Federal do Espírito Santo (UFES), São Mateus,Espírito Santo, Brasil, daniel.coura@ufes.br S. D. Rissino, Universidade Federal do Espírito Santo (UFES), São Mateus,Espírito Santo, Brasil,silvia.rissino@ufes.br R. E. N. Moraes, Universidade Federal do Espírito Santo (UFES), São Mateus,Espírito Santo, Brasil, renato.moraes@ufes.br H. R. O. Rocha, Universidade Federal do Espírito Santo (UFES), São Mateus,Espírito Santo, Brasil, helder.rocha@ufes.br baseados, em geral, em fontes alternativas de energia e por unidades consumidoras geograficamente próximas. São as denominadas Microrredes [1], as quais têm permitido o desenvolvimento do conceito de Redes Inteligentes (Smart Grids) [2], [3], [4]. As Smart Grids são microrredes dotadas de sistemas de comunicação e controle entre seus elementos, propiciando o uso otimizado da energia produzida, melhorando, inclusive, a qualidade da energia e a eficiência da rede elétrica. O conceito Smat Grid é bastante transversal dentro das Engenharias, pois envolve um grande número de áreas de pesquisa e requer uma interação constate entre tais áreas. Para desenvolver um projeto em Smart Grid são necessários conhecimentos específicos em, por exemplo, geração, transmissão e distribuição de energia, técnicas de sensoriamento, monitoramento e supervisão de grandezas físicas e econômicas, além do conhecimento em transmissão de dados em uma rede geograficamente distribuída e de técnicas de armazenamento e processamento de grandes volumes de informações. Um dos problemas a ser tratado em uma Smart Grid é o Gerenciamento pelo Lado da Demanda (GLD) Demand Side Management (DSM), que permitem um maior controle do usuário sobre o seu consumo de energia, promovendo o uso eficiente da energia elétrica. As ações no lado da demanda mais comuns são a redução do consumo de ponta, o preenchimento de vales e o deslocamento de carga. Os programas de GLD podem ser divididos em duas categorias, a saber: o GLD direto, no qual a concessionária determina as cargas a serem desconectadas ou reduzidas, conforme condições especificadas em um contrato de interrupção com o consumidor; e o GLD indireto, onde o próprio consumidor remaneja sua demanda em resposta a sinais de preço gerados pela concessionária [5]. Neste artigo é apresentado uma nova formulação para o problema de GLD indireto, onde é considerada a curva diária de tarifação da energia elétrica (a Tarifa Branca) e são definidos níveis de conforto do usuário no uso de equipamentos elétricos/eletrônicos. O objetivo geral é o de desenvolver uma técnica que permita a redução monetária da energia paga pelo consumidor final. Vários trabalhos na literatura têm abordado o problema de GLD. Dentre tais trabalhos pode-se citar Ying-Sun [6] que desenvolveu um software que considera Geração Distribuída (GD), sistema de recarga de veículos elétricos híbridos e de dispositivos de armazenamento de energia com o objetivo de regular a curva de carga e a qualidade de energia do sistema proposto. Cita-se ainda Logenthiran [7] que propôs um algoritmo evolucionário com representação binária para a solução do problema de GLD. Siebert [8] desenvolveu um sistema baseado em Algoritmos Genéticos para agendamento de consumo de eletrodomésticos em uma residência, considerando os requisitos de tarifas diferenciadas no tempo (Tarifa Branca). Teixeira [9] estendeu o trabalho de Siebert
2 [8] quando decidiu incluir um banco de baterias para armazenamento de energia elétrica e cenários de geração distribuída através de micro geração eólica e solar residencial. Em Silva [10] analisou-se o custo da energia em consumidor atendido em baixa tensão, quando aplicada a tarifa branca em conjunto com a utilização de baterias. Para otimização do sistema, utilizou-se o método de Recozimento Simulado. Cita-se ainda Ogwumike [11], que desenvolveu uma heurística para agendamento de aparelhos eletrodoméstico de uma residência usando uma estratégia gulosa. Este artigo apresenta um sistema de gerenciamento do consumo nos ramais da rede elétrica contribuindo com a criação de uma heurística construtiva que é usada em conjunto com o Algoritmo Genético para controlar a curva de demanda. O sistema leva em consideração a presença de geração distribuída, tarifas diferenciadas no tempo (Tarifa Branca), prioridade dos ramais elétricos e tarifa pré-paga. Testes com uma rede elétrica radial residencial são realizados, a fim de validar o sistema proposto. Na sequência, na Seção II são apresentados mais detalhes sobre o Gerenciamento pelo Lado da Demanda (GDL), enquanto que na Seção III é apresentada a formulação do problema tratado neste artigo. A Seção IV descreve a metaheurística usada para tratar o problema de otimização. As Secções V e VI mostram detalhes da codificação adotada na formulação, bem como a heurística e as especificações do AG usada no GDL. Resultados de testes de simulações são comentados na Seção VII. Por fim, a Seção VIII apresenta as principais conclusões baseadas nos resultados obtidos. II. GERENCIAMENTO PELO LADO DA DEMANDA As Smart Grids permitem um maior controle do usuário sobre o seu consumo de energia, promovendo o uso eficiente da energia elétrica. Esse conceito de controle do consumo pelo consumidor é conhecido como Demand Side Management (DSM) ou Gerenciamento pelo Lado da Demanda (GLD). Gellings e Chamberlin [4], criadores do termo DSM, definiram que as atividades de GLD são aquelas que envolvem ações no lado dos consumidores, buscando remodelar a curva de carga, a fim de beneficiar tanto o consumidor como a concessionária. As ações no lado da demanda mais comuns são a redução do consumo de ponta, o preenchimento de vales e o deslocamento de carga. De uma maneira geral, pode-se dizer que estas ações buscam aumentar a utilização e o fator de carga das unidades geradoras. O GLD oferece uma alternativa bastante atrativa para evitar investimentos no aumento da capacidade de geração, sendo tal conceito aplicado em alguns países (em especial, os desenvolvidos). Atualmente, além desta utilidade, pode ser destacado que o GLD busca também aumentar a independência energética e impulsionar o uso das chamadas fontes limpas de energia. O GLD é um campo da tecnologia que surgiu no final dos anos 70, sendo utilizado para diversos propósitos, dependendo da finalidade almejada por cada empresa de energia. Atualmente no Brasil, são raros os programas de GLD para o consumidor residencial. Programas de GLD incluem medidas que buscam reduzir os picos de consumo e a demanda total de energia, melhorar a confiabilidade da rede, aumentar a eficiência energética através de um melhor balanceamento da rede, gerenciar os gastos com energia, proporcionar um maior controle dos equipamentos, favorecer a geração distribuída, aumentar a utilização e o fator de carga das unidades geradoras, e proporcionar o deslocamento de carga quando o sistema estiver operando próximo à capacidade de geração. Com a inclusão da GD através do conceito Smart Grid, o GLD torna-se mais complexo, mas, em contra partida, ajuda na redução dos custos com a energia. Neste contexto de GD, o objetivo é de minimizar o gasto de acordo com a energia produzida e a proveniente da distribuidora de energia. Considerando que as concessionárias distribuidoras passem a estimular o deslocamento do consumo através da adoção de tarifas mais caras no horário de pico, o GLD, além de otimizar o uso dos recursos energéticos, planejará o consumo nos períodos mais favoráveis, reduzindo-o nos períodos mais críticos. Assim, o consumidor poderá alterar o seu perfil de consumo, possibilitando uma redução do custo monetário da energia e aumentando a eficiência do sistema energético, [12], [13]. O sistema de otimização da demanda apresentado neste trabalho faz parte de um projeto maior ilustrado nas Figuras 1 a 3. Pode-se observar na Figura 1 a existência de três blocos fundamentais, a saber: Unidade de Gerenciamento e Controle (UGC); Unidade Consumidora (UC); e Rede Pública (RP). De acordo com a Fig. 1, a UGC recebe as seguintes informações: geração interna, ou quantidade de energia gerada pela Smart Grid; disponibilidade financeira, ou o quanto o consumidor pode ou quer gastar com a compra de energia; energia comprada, que é a energia fornecida por uma concessionária via RP; tarifa corrente, que é o valor instantâneo pago pela energia adquirida da RP; e energia consumida nos ramais da UC. Figura 1. Sistema de gerenciamento e controle de curva de demanda. A Fig. 2 apresenta um detalhamento da UGC, a qual subdivide-se em três módulos que podem se comunicar através de um barramento de dados. São eles: Banco de Dados, o qual provê uma forma eficiente de guardar e disponibilizar todas as informações que forem pertinentes, isto é, que servirem aos demais módulos da UGC;
3 Módulo Supervisório (MS), o qual é responsável por gerenciar e apresentar de forma conveniente as informações de operação do sistema Smart Grid; Módulo de Otimização e Controle (MOC), responsável pelo controle da curva de demanda. A principal função do MS é apresentar as informações acerca do consumo de energia, de modo que os consumidores entendam e reconheçam facilmente seus perfis de consumo, seja através de visualização gráfica ou através de relatórios. O MOC será baseado em heurísticas e metaheurísticas que levarão em conta todas aquelas informações que entram na UGC e que são convenientemente arranjadas no Banco de Dados da Smart Grid. O objetivo será controlar os ramais através dos mecanismos de atuação a serem implementados na UC. Assim, as cargas serão desligadas ou acionadas automaticamente no instante desejado, inclusive considerando situações onde a tarifa de energia é mais barata em determinados horários. O efeito real disso será um deslocamento da curva de demanda da Smart Grid. Com o MOC, a Smart Grid também será capaz de determinar de forma automática em quais instantes ela comprará energia fornecida via RP. Na Fig. 3 é mostrado o detalhamento da UC, que se divide nos seguintes módulos: Módulo Atuador On/Off, formado por um conjunto de contactores que conectam/desconectam eletricamente os ramais do barramento central da Smart Grid; Módulo de Medição de Energia, o qual é responsável por medir corrente e tensão instantâneas em cada ramal do barramento central da Smart Grid. III. FORMULAÇÃODO PROBLEMA A otimização da demanda é um problema combinatório sujeito a restrições de alocação da carga, ou seja, o objetivo é obter uma solução que minimize os custos com a energia elétrica e máxima o número de equipamentos operando segundo sua prioridade sujeita a restrições tais como: região de conforto, ciclos de operação do equipamento e custo prépago, isto é: M N Min X ( i, Ed( Eg( i) C( i) i = 1 1 j = N Max Y ( P( j = 1 s/a : ( 1) X ( l, k) = 0; ( l = 1: T ( k) l = T ( k) : 24); k = 1: N Min Max (2) Ciclo( = 1, se T ( = H ( ; Op M N ( 3 ) X ( i, Ed( Eg( i) C( i) C pp i = 1 1 j = ( 4 ) X [0,1] ( 5 ) 1, se X ( i, = 1 H ( = ; i = 1: 24; j = 1:N 0, se X ( i, = 0 Y [0,1] Onde X(i, representa se o j-ésimo equipamento consome energia no instante i, Ed( é a energia demanda pelo j-ésimo ramal da Smart Grid, Eg(i) é a energia elétrica gerada pela Smart Grid no instante i, C(i) é o custo da energia elétrica comprada da rede pública no instante i, M=24é a quantidade de partes em que se divide um dia de funcionamento da Smart Grid; e N é o número de ramais nos quais as cargas de uma Smart Grid pode se dividir, Y( representa se o j-ésimo equipamento esta ligado, P( é a prioridade do ramal, T Min e T Max indicam a região de conforto de funcionamento do equipamento k, T op é o tempo de operação do equipamento j, ciclo (k) é no número de ciclos de operação do equipamento k, Cpp representa o custo da energia que será gasta no período 24 horas e Ciclo indica o número de ciclos de operação do equipamento k. (1) A restrição 1 indica a região de conforto para funcionamento do k-ésimo equipamento; Figura 2. Detalhes da unidade de Gerenciamento e controle. A restrição 2 indica que o número de ciclos e período de operação do k-ésimo equipamento; A restrição 3 refere a uma quantidade definida de energia elétrica adquirida via rede pública; A restrição 4 e 5 garante que X seja uma matriz-solução binária e Y seja também binária. Figura 3. Detalhes da unidade consumidora. Critérios como prioridade de equipamentos ou ramais, tarifação diferenciada ao longo do tempo, energia pré-paga, ciclos e períodos de operação e quantidade de energia gerada internamente e/ou armazenada em banco de baterias são considerados.
4 Visando avaliar a adequação de cada solução candidata para o problema, optou-se por uma função de avaliação monoobjetivo formulada como: M = N FA (, ) ( ) ( ) ( ) = 1 X i j Ed j Eg i C i i = 1 j N + P 1 + P 2 + P j = 1 3 (2) Onde P 1 é uma penalização aplicada caso o equipamento for ligado fora da região de conforto ou este não esteja ligado, P 2 é uma penalidade que é utilizada quando o equipamento viola o tempo do ciclo e o número de ciclos de operação e P 3 é a penalidade se o ramal ao ser ligado o custo total da energia consumida ultrapassa o custo da energia pré-paga. A formulação proposta neste trabalho incluiu novas restrições como tarifa pré-paga e prioridade dos ramais elétricos, possibilitando assim o desligamento de ramais quando o custo pretendido ultrapassa o custo pré-pago, dando mais flexibilidade ao sistema quando comparado aos demais trabalhos apresentados na literatura. Com relação à Siebert [8] e Teixeira [9], que usaram tarifas diferenciadas no tempo, banco de baterias e micro geração, o modelo proposto aqui acrescentou a tarifa pré-paga e prioridade nos ramais. Já Silva [10] considerou apenas o ramal proveniente da rede pública, a tarifa branca e banco de baterias, enquanto que Ogwumike [11] incluiu restrições tais como prioridade e período de operação dos equipamentos. IV. ALGORITMOS GENÉTICOS Proposta em Holland [14], a meta-heurística conhecida por Algoritmos Genéticos (AGs) inspira-se nos mecanismos de evolução dos seres vivos. Baseia-se na teoria da evolução por seleção natural desenvolvida por Charles Darwin. Basicamente, o AG parte de uma população de cromossomos para gerar novos cromossomos com propriedades genéticas superiores às de seus antecedentes. Esta idéia foi então associada a soluções de um problema em que a partir de um conjunto de soluções atuais são geradas novas soluções, sob algum critério pré-estabelecido. Os AGs originalmente trabalhavam com uma representação binária para associar uma solução a um determinado problema abordado. Embora esta representação tenha se mostrado eficiente para vários problemas, observou-se, à medida que foram crescendo as aplicações de AGs, que em diversos problemas com um elevado número de restrições, esta representação pode não ser a mais adequada. Assim, surgiram alternativas como, por exemplo, a representação por inteiros, onde um cromossomo é descrito por um vetor de números inteiros. Independentemente do tipo de representação selecionada, deve-se sempre verificar se a representação está corretamente associada às características do problema analisado e ao seu domínio. Gerar uma população inicial de cromossomos em um AG não é normalmente uma tarefa das mais difíceis. Em muitos problemas, a população é gerada de forma aleatória. Após a geração da população inicial é feita a avaliação dos cromossomos, ou seja, determina-se o seu nível de aptidão para sobrevivência. Em seguida, são aplicados os operadores genéticos cujo objetivo é produzir novos cromossomos que possuam propriedades genéticas superiores às encontradas nos pais. As operações genéticas mais usadas são a seleção, o cruzamento e a mutação. A seleção é a operação genética na qual os cromossomos dos indivíduos tidos como mais aptos são escolhidos para formar a base genética da geração subsequente a deles. Os indivíduos podem ser selecionados de acordo com sua função de aptidão. Quanto maior a função de aptidão, maior a chance de o indivíduo ser selecionado. No cruzamento são determinados um ou mais cortes entre dois genes adjacentes de cada cromossomo pai. Para um corte, são gerados dois novos cromossomos reunindo os genes à esquerda do corte do pai 1 com os genes à direita do corte do pai 2 e os genes à direita do pai 2 com os genes à esquerda do corte do pai 1. A mutação corresponde a alterações aleatórias que ocorrem nos genes de um cromossomo. No AG, a mutação é definida como mudanças de valores em algumas posições do cromossomo. Em um AG existe um conjunto de parâmetros e critérios a serem definidos no momento da sua implementação. Por exemplo, deve-se definir o tamanho de uma população, a seleção dos cromossomos reprodutores, o critério de sobrevivência dos cromossomos e o critério de parada do AG. A especificação mais adequada desses e de outros parâmetros depende de cada problema, mas normalmente adota-se valores típicos, tais como os descritos em Goldberg [15]. V. CODIFICAÇÃO DA SOLUÇÃO E HEURÍSTICA CONSTRUTIVA Detalhes da modelagem binária do cromossomo usada na heurística construtiva e no AG proposto neste trabalho são delineados nesta seção. A população inicial é gerada a partir de uma heurística construtiva proposta para garantir sempre a viabilidade das soluções. Na modelagem aqui proposta, cada matriz-solução X representa um plano de demanda, ou seja, uma possível solução para o problema. Cada plano de demanda é representado por uma matriz em que cada linha representa um equipamento ou ramal, j, e cada coluna representa o período de alocação do equipamento iniciada no instante i durante um dia de funcionamento da rede. A dimensão da matriz corresponde ao número máximo de equipamentos ou ramais, dado por N, e ao número máximo de períodos de funcionamento de uma Smart Grid em um dia de funcionamento, dado por M. Os elementos da matriz contêm valores binários, assumindo valor 1 quando o equipamento estiver consumindo Energia e 0 caso contrário. A Fig. 4 ilustra a codificação de um cromossomo para um sistema de três barras. Nota-se neste caso específico que N=10 e M=24, de modo que cada período corresponde a uma hora inteira Eq Eq Eq Figura 4. Codificação do problema.
5 Para garantir soluções viáveis para o sistema foi desenvolvido uma heurística construtiva. Tal heurística se subdivide nas sete tarefas a seguir: (1) Ordenar os equipamentos de forma crescente de acordo com a prioridade; (2) Selecionar a região de conforto do j-ésimo equipamento; (3) Sortear o instante inicial i de consumo do j-ésimo equipamento; (4) Selecionar o período de consumo do j-ésimo equipamento; (5) Verificar se o número de ciclos de funcionamento do j- ésimo equipamento foi respeitado, senão voltar ao passo (ii); (6) Calcular a demanda consumida pela Smart Grid; (7) Verificar se a energia consumida é menor que a prédefinida (Cpré-paga). Se for, selecionar o equipamento j=j+1 e voltar ao passo (ii). Senão, fim do programa. VI. ALGORITMO GENÉTICO APLICADO NO GLD Nesta seção será descrito o uso do Algoritmo Genético aplicado ao GLD em conjunto com a Heurística Construtiva. O AG executa os seguintes passos: 1. Gera a população inicial a partir da Heurística Construtiva e avalia-se cada solução obtida. 2. Sorteia os membros da população que irão realizar o cruzamento de maneira inversamente proporcional ao gasto de energia. Dessa maneira, se um primeiro elemento obtiver gasto duas vezes menor do que um segundo, este terá duas vezes menos chances de ser sorteado; 3. As soluções escolhidas no passo anterior serão recombinadas dada uma probabilidade de ocorrer o cruzamento. Sorteia-se uma linha i, com i>1, e a partir de i até o final da matriz (cromossomo) ambas as matrizes trocam suas linhas nas posições correspondentes. Ver Figura 5: Eq Eq Eq (a) Cromossomopai Eq Eq Eq (b) Cromossomopai 2 Figura 5. Cruzamento de Cromossomos entanto, sua ocorrência é limitada por uma probabilidade. Se esta ocorrer, é sorteada uma linha i da matriz e todos os valores de i são deslocados um posição à direita ou à esquerda de acordo uma probabilidade. Ver Figura 6. Eq Antes da mutação Ep Depois da mutação Figura 6. Mutação de Cromossomo 5. Elitismo: se a melhor solução da geração anterior for melhor que a pior da geração atual, a antiga substitui a mais recente, evitando que seja perdida a melhor solução da geração anterior; 6. Avalia-se as matrizes (cromossomos) de consumo obtidas; 7. Se atingir o número de gerações determinado, fim do programa. Senão, volta ao passo 2. VII. TESTES E RESULTADOS O algoritmo proposto foi implementado na linguagem de programação Matlab, sendo que os experimentos foram realizados em uma máquina Dell Optiplex 790 com um processador Intel Core i5 Duo de 3,3 GHz, 8 GB de memória RAM e rodando o sistema operacional Windows 7. Para avaliar o desempenho da metodologia proposta foram realizados testes com um sistema residencial de 10 ramais (foi considerado 1 equipamento por ramal). As Tabelas I e II apresentam os parâmetros usados na função de avaliação e no algoritmo Genético, respectivamente. TABELA I PARÂMETROS DA FUNÇÃO DE AVALIAÇÃO Parâmetros Valor P P P TABELA II PARÂMETROS DE SIMULAÇÃO DO AG Parâmetros Valor Tamanho da População 300 Inicialização da População Heurística Número de Gerações 350 Método de Seleção Roleta Taxa de Cruzamento 0,8 Cruzamento Um ponto Taxa de Mutação 0,01 Elitismo Sim 4. A mutação é aplicada a todos os membros da população. No
6 As Tabelas III e IV apresentam as características dos equipamentos instalados na residência tais como: prioridade do equipamento, potência média, tempo de operação, quantidade de ciclos no período de 24 horas e as regiões de conforto para funcionamento de cada equipamento. Essas regiões de conforto são escolhidas pelo usuário sendo este mínimo, médio ou máximo. A região de conforte máximo permite que a maioria dos equipamentos funcione no horário de maior custo, sendo este o momento de maior conforto para os usuários da residência. A residência considerada tem uma produção de energia renovável (solar e eólica) conforme demonstrado na Fig. 7. Esta energia é armazenada numa bateria e esta será utilizada como fonte de energia para a residência no período de maior custo, caso a energia consumida pelos equipamentos sejam superior à gerada. TABELA III CARACTERÍSTICAS DOS EQUIPAMENTOS Equipamento Pri. P Média T Op Cic. (W) (min) Bomba d agua Lavadora de roupa Lavadora de louca Secadora de roupa Chuveiro Elétrico Chuveiro Elétrico Computador Ar-condicionado Ar-condicionado Cafeteira Equipamento TABELA IV REGIÃO DE CONFORTO Conf Min Conf Med Conf Max T Min T Max T Min T Max T Min T Max Bomba d agua Lavadora de roupa Lavadora de louca Secadora de roupa Chuveiro Elétrico Chuveiro Elétrico Computador Ar-condicionado Ar-condicionado Cafeteira Figura 7. Potência gerada pelo sistema de energia renovável. Neste trabalho será considerada a Tarifa Branca, utilizando três tarifas diferenciadas conforme descritos em Teixeira (Teixeira; Ferreira, 2014). Pode observar na Tabela V que o período de ponta está compreendido entre 18h e 21h e o custo de energia fora de ponta foi divido em dois períodos. TABELA V PREÇO DE ENERGIA POR PERÍODO Valor (R$/kWh) Período (horas) 0, ás17 3 X 0, ás18 e 21 ás 22 5X 0, ás 21 Os horários de funcionamento dos equipamentos proposto usando a Heurística e Heurística mais AG, para um certo conforto e uma energia pré-paga definida são demonstradas nas Tabelas VI, VII, VIII e Tabela IX. Pode ser observado pela Tabela VI que o agendamento obtido pela Heurística construtiva pura e pela Heurística+AG tem o mesmo custo, apenas o horário de funcionamento foi alterado quando se usa o AG, exemplo disso e a lavadora de louca que no agendamento da heurística funciona as 10 horas passou a funcionar as 2 horas com a inclusão do AG. O custo é idêntico provavelmente porque o custo mínimo possível já foi atingido pela Heurística fazendo com o que o AG, não se consegue minimizar mais o custo. Nesta situação a Heurística se mostrou superior ao AG, por possuir um tempo computacional inferior ao AG. Pode ser observado pela Tabela VII que o agendamento obtido pela Heurística é superior ao Heurística+AG. Isso demonstra que o AG conseguiu reduzir o custo obtido pela Heurística, apesar dessa redução ser pequena. No entanto deve-se lembrar de que este é o custo diário e ao final de 30 dias, seria economizados com o AG algo em torno de 3 reais. Note-se na Tabela VIII que o agendamento obtido utilizando a Heurística+AG forneceu uma solução superior a da Heurística. Nessa situação, o AG conseguiu reduzir em quase 4,4% do gasto de energia, mostrando ser mais eficiência. Um dos aparelhos de ar-condicionado não conseguiu ser ligado, pois isso iria ultrapassar o valor do custo pré-pago. Neste caso, por ser conforto máximo, muitos aparelhos têm a restrição de serem ligados das 18 até às 22 horas e nesse horário a energia é mais cara. Além disso, mesmo que o primeiro ar-condicionado seja de maior prioridade do que o segundo, conforme pode ser visto na tabela VIII o primeiro tem restrição de horário entre 18:00 e 21:00, sendo este o período mais caro da energia, enquanto o segundo possui restrição entre 19:00 e 22:00 horas, e às 22:00 o valor da energia é menor possibilitando ao segundo ser ligado em uma faixa de horário que reduz o custo de funcionamento comparado ao primeiro e consequentemente, diminui valor final do consumo. A Tabela IX mostra o agendamento proposto para o custo pré-pago de 20 reais. Neste caso observa-se que o aparelho de ar-condicionado que não foi ligado para o custo pré-pago de 15 reais é ligado, o valor total gasto com energia é de 16,04 R$ com a Heurística e 15,99 R$ com a Heuristica+AG. Observa também que se todos os aparelhos permanecerem
7 ligados no período de conforto máximo tem-se um gasto de 51,7% maior do que no conforto mínimo. TABELA VI AGENDAMENTO PROPOSTO PARA CONFORTO MÍNIMO Equipamento Prioridade Heurística Heurística+AG Bomba d agua 10 1:00 13:00 Lavadora de roupa 9 9:00 9:00 Lavadora de louca 8 10:00 2:00 Secadora de roupa 7 3:00 16:00 Chuveiro elétrico 6 9:00 6:00 Chuveiro elétrico 5 5:00 e 24:00 4:00 e 24:00 Computador 4 4:00 e 13:00 10:00 e 15:00 Ar-condicionado 3 13:00 5:00 Ar-condicionado 2 2:00 6:00 Cafeteira profissional 1 9:00 5:00 Custo (R$/dia) 10,55 10,55 Custo Pré-pago(R$/dia) Tempo computacional 4,1 segundos 82,7 segundos TABELA VII AGENDAMENTO PROPOSTO PARA CONFORTO MÉDIO Equipamento Prioridade Heurística Heurística+AG Bomba d agua 10 22:00 17:00 Lavadora de roupa 9 13:00 17:00 Lavadora de louca 8 15:00 12:00 Secadora de roupa 7 14:00 12:00 Chuveiro elétrico 6 6:00 e 10:00 5:00 e 10:00 Chuveiro elétrico 5 13:00 e 16:00 12:00 e 15:00 Computador 4 15:00 15:00 Ar-condicionado 3 21:00 21:00 Ar-condicionado 2 23:00 23:00 Cafeteira profissional 1 5:00 e 7:00 5:00 e 7:00 Custo (R$/dia) 12,83 12,72 Custo Pré-pago(R$/dia) Tempo computacional 2,5 segundos 80,2 segundos TABELA VIII AGENDAMENTO PROPOSTO PARA MÁXIMO CONFORTO Equipamento Prioridade Heurística Heurística+AG Bomba d agua 10 14:00 17:00 Lavadora de roupa 9 22:00 22:00 Lavadora de louca 8 22:00 22:00 Secadora de roupa 7 23:00 23:00 Chuveiro elétrico 6 7:00 e 9:00 8:00 e 9:00 Chuveiro elétrico 5 20:00 e 21:00 20:00 e 22:00 Computador 4 22:00 22:00 Ar-condicionado Ar-condicionado 2 22:00 22:00 Cafeteira profissional 1 6:00 e 8:00 7 :00 e 8:00 Custo (R$/dia) 10,12 9,67 Custo Pré-pago(R$/dia) Tempo computacional 1,9 segundos 81,2 segundos
8 TABELA IX AGENDAMENTO PROPOSTO PARA MÁXIMO CONFORTO COM MAIOR CRÉDITO PRÉ-PAGO Equipamento Prioridade Heurística Heurística+AG Bomba d agua 10 22:00 17:00 Lavadora de roupa 9 22:00 22:00 Lavadora de louca 8 21:00 22:00 Secadora de roupa 7 23:00 23:00 Chuveiro elétrico 6 7:00 e 8:00 7:00 e 9:00 Chuveiro elétrico 5 20:00 e 22:00 19:00 e 21:00 Computador 4 22:00 22:00 Ar-condicionado 3 22:00 22:00 Ar-condicionado 2 21:00 21:00 Cafeteira profissional 1 6:00 e 7:00 7 :00 e 8:00 Custo (R$/dia) 16,04 15,99 Custo Pré-pago(R$/dia) Tempo computacional 1,9 segundos 82,2 segundos VIII. CONCLUSÃO Apresentou-se neste trabalho uma nova formulação e um aplicativo de otimização para o problema de gerenciamento de consumo de energia em residências. O aplicativo leva em consideração a presença de geração distribuída, tarifas diferenciadas no tempo (Tarifa Branca), prioridade dos ramais elétricos e tarifa pré-paga. Foi proposta uma Heurística Construtiva que é usada em conjunto com o Algoritmo Genético para controlar a curva de demanda de uma residência. A Heurística Construtiva proposta mostrou-se extremamente eficaz para a obtenção de soluções de alta qualidade durante o processo de busca, sendo estas soluções melhoradas pela aplicação do Algoritmo Genético. Nos testes realizados, foi possível observar que a metodologia utilizando o AG+Heurística apresentou melhor desempenho quando comparadas ao emprego apenas da Heurística. AGRADECIMIENTOS Os autores agradecem o apoio do CNPq, Proc / e a da FAPES, Proc /14. REFERÊNCIAS [1] R. H. Lasseter, MicroGrids, IEEE Power Engineering Society Winter Meeting, vol.1, pp , [2] H.Farhangi, The Path of the Smart Grid, IEEE power & energy magazine, pp , [3] A. Carvalho and J. Cooper,The Advanced Smart Grid Edge Power Sustainability, Artech House, [4] N. Hadjsaïd and J. Sabonnadière, Smart Grids, John Wiley & Sons, Inc., [5] C.W. Gellings and J.H. Chamberlin, Demand-Side Management, p. Concepts and Methods, Oklahoma, p. PennWell Publishing Company, [6] H. Ying-Sun, L. Wei-Jen et al.,a Demand Side Management Model Based on Advanced Metering Infrastructure, IEEE, pp , [7] T. Logenthiran, D.Srinivasan, T. Z. Shun,Demand side management in smart grid using heuristic optimization, IEEE Transactions on Smart Grid,vol. 3, no.3, pp , [8] L. C. Siebert, A. R. Aoki, E. K. Yamakawa, F. O. Toledo,Gerenciamento pelo Lado da Demanda em Redes Inteligentes Utilizando Algoritmos Genéticos, Anais do IV Simpósio Brasileiro de Sistemas Elétricos (SBSE), Goiânia, [9] C. P. Teixeira, V. H. Ferreira, Gerenciamento da Demanda Residencial Utilizando Métodos de Otimização Natural e Considerando a Geração Distribuída, Anais do IV Simpósio Brasileiro de Sistemas Elétricos (SBSE), Foz do Iguaçu, [10] R. V. da Silva, C. M. Affonso, Demand Side Management of a Residential System using Simulated Annealing, IEEE Latin America Transactions, vol. 13, no. 5, pp [11] C. Ogwumike, M. Short, Evaluation of a Heuristic Approach for Efficient Scheduling of Residential Smart Home Appliances, 15 th International Conference on Environment and Electrical Engineering (EEEIC), pp , June [12] D. M. Han, J. H. Lim,Design and implementation of smart home energy management systems based on Zigbee, IEEE Transactions on Consumer Electronics, vol.56, no.3, pp , Aug [13] M. Pipattanasomporn, M. Kuzlu, S. Rahman,Algorithm for Intelligent Home Energy Managemen and Demand Response Analysis, IEEE Transactions on Smart Grids, vol.3, no.4, pp , Dec [14] J. H.Holland, Adaptation in natural and artificial systems, AnnArbor:University of Michigan Press, [15] D. E.Goldberg, Genetic algorithms in search, optimization and machine learning, Addison-Wesley, Jardel Terci Flores é graduado em Engenharia de Computação pela Universidade Federal do Espírito Santo em Wanderley Cardoso Celeste possui graduação e doutorado em Engenharia Elétrica pela Universidade Federal do Espírito em 2002 e Atualmente é professor da Universidade Federal do Espírito Santo. Daniel José Custódio Coura possui graduação em Engenharia Elétrica pelo Instituto Nacional de Telecomunicações (1998) e doutorado em Engenharia Elétrica pela Universidade Federal do Espírito Santo (2009). É professor da Universidade Federal do Espírito Santo. Silvia das Dores Rissino é doutora em Ciências em Engenharia Elétrica pela Universidade Federal de Itajubá (2009) e Bacharel em Ciência da Computação pela Universidade Federal do Pará (1994). É atualmente professora da Universidade Federal do Espírito Santo. Renato Elias Nunes de Moraes possui graduação em Engenharia de Computação pela Pontifícia Universidade Católica do Rio de Janeiro (1996) e Doutorado em Computação pela Universidade Federal Fluminense (2009). Atualmente é professor da Universidade Federal do Espírito Santo.
9 Helder Roberto de Oliveira Rocha possui graduação em Engenharia Elétrica e doutorado em Computação pela Universidade Fluminense em 2002 e É professor da Universidade Federal do Espírito Santo.
Otimização Multi-Objetivo da Demanda em Redes Elétricas Inteligentes Residenciais
Otimização Multi-Objetivo da Demanda em Redes Elétricas Inteligentes Residenciais Í. H. Honorato, W. C. Celeste, D. J. C. Coura, S. D. Rissino, H. R. O. Rocha Departamento de Computação e Eletrônica -
Leia maisGerenciamento da Demanda Residencial Utilizando Métodos de Otimização Natural e Considerando a Geração Distribuída
Gerenciamento da Demanda Residencial Utilizando Métodos de Otimização Natural e Considerando a Geração Distribuída Carolina Pinchemel Teixeira Autora Curso de Graduação em Engenharia Elétrica Universidade
Leia maisInteligência Artificial. Algoritmos Genéticos. Aula I Introdução
Universidade Estadual do Oeste do Paraná Curso de Bacharelado em Ciência da Computação Inteligência Artificial Algoritmos Genéticos Aula I Introdução Roteiro Introdução Computação Evolutiva Algoritmos
Leia maisCapítulo IX. Técnicas de GLD aplicadas ao consumidor de baixa tensão considerando a tarifa branca e a geração distribuída
26 Capítulo IX Gerenciamento pelo lado da demanda Técnicas de GLD aplicadas ao consumidor de baixa tensão considerando a tarifa branca e a geração distribuída Por Daniel Bernardon, Murilo da Cunha e Diego
Leia maisPós-Graduação em Engenharia de Automação Industrial SISTEMAS INTELIGENTES PARA AUTOMAÇÃO
Pós-Graduação em Engenharia de Automação Industrial SISTEMAS INTELIGENTES PARA AUTOMAÇÃO AULA 06 Algoritmos Genéticos Sumário Introdução Inteligência Artificial (IA) Algoritmos Genéticos Aplicações de
Leia maisTécnicas de Inteligência Artificial
Universidade do Sul de Santa Catarina Ciência da Computação Técnicas de Inteligência Artificial Aula 9 Algoritmos Genéticos Max Pereira Algoritmos Genéticos São técnicas de busca e otimização. Uma metáfora
Leia maisAlgoritmos Genéticos. Pontos fracos dos métodos tradicionais. Características de alguns problemas. Tamanho do espaço de busca- Ex. caixeiro viajante:
Algoritmos Genéticos Prof. Luis Otavio Alvares INE/UFSC Características de alguns problemas Tamanho do espaço de busca- Ex. caixeiro viajante: 10 cidades: 181.000 soluções 20 cidades: 10.000.000.000.000
Leia maisSmart Grids ALGORITMO DISTRIBUÍDO PARA AUTORRECUPERAÇÃO DE UTILIZANDO UM SISTEMA MULTIAGENTE REATIVO. laai.ufpa.br. Filipe Saraiva
U N I V E R S I D A D E F E D E R A L D O P A R Á F A C U L D A D E D E C O M P U T A Ç Ã O ALGORITMO DISTRIBUÍDO PARA AUTORRECUPERAÇÃO DE Smart Grids UTILIZANDO UM SISTEMA MULTIAGENTE REATIVO Italo Ramon
Leia maisTécnicas de Inteligência Artificial
Universidade do Sul de Santa Catarina Ciência da Computação Técnicas de Inteligência Artificial Aula 9 Algoritmos Genéticos Max Pereira Algoritmos Genéticos Algoritmos Genéticos São técnicas de busca e
Leia maisGerenciamento pelo Lado da Demanda em Redes Inteligentes Utilizando Algoritmos Genéticos
1 Gerenciamento pelo Lado da Demanda em Redes Inteligentes Utilizando Algoritmos Genéticos L. C. Siebert, A. R. Aoki, E. K. Yamakawa, F. O. Toledo Resumo Esse artigo descreve um método para o desenvolvimento
Leia maisCaracterísticas da Industria de Energia Elétrica
1 São Paulo, 12 de maio de 2016 PAUTA Gerenciamento pelo lado da demanda ( DSM) Eficiência energética e gestão de energia Questões regulatórias pendentes para a aceleração da inserção de míni e micro geração
Leia mais3. Resolução de problemas por meio de busca
Inteligência Artificial - IBM1024 3. Resolução de problemas por meio de busca Prof. Renato Tinós Local: Depto. de Computação e Matemática (FFCLRP/USP) 1 Principais Tópicos 3. Resolução de problemas por
Leia maisAlgoritmos Genéticos
Algoritmos Genéticos Roteiro Introdução Algoritmos Genéticos Otimização Representação Seleção Operadores Genéticos Aplicação Caixeiro Viajante Introdução Algoritmos Genéticos (AGs), são métodos de otimização
Leia mais4 Implementação Computacional
4 Implementação Computacional 4.1. Introdução Neste capítulo é apresentada a formulação matemática do problema de otimização da disposição das linhas de ancoragem para minimizar os deslocamentos (offsets)
Leia maisUm Algoritmo Genético com Aprendizado por Reforço Simples aplicado ao problema do Mundo de Grid
1 Um Algoritmo Genético com Aprendizado por Reforço Simples aplicado ao problema do Mundo de Grid Luciana Conceição Dias Campos Resumo Este trabalho consiste da aplicação de um algoritmo genético ao método
Leia maisInteligência Artificial
Inteligência Artificial Aula 6 Algoritmos Genéticos M.e Guylerme Velasco Roteiro Introdução Otimização Algoritmos Genéticos Representação Seleção Operadores Geneticos Aplicação Caixeiro Viajante Introdução
Leia mais3 Algoritmos Genéticos
Técnicas de Inteligência Computacional 33 3 Algoritmos Genéticos Este capítulo resume os principais conceitos sobre o algoritmo evolucionário empregado nesta dissertação. É apresentada uma breve explicação
Leia maisAlgoritmo Genético. Inteligência Artificial. Professor: Rosalvo Ferreira de Oliveira Neto
Algoritmo Genético Inteligência Artificial Professor: Rosalvo Ferreira de Oliveira Neto Estrutura 1. Introdução 2. Conceitos Básicos 3. Aplicações 4. Algoritmo 5. Exemplo Introdução São técnicas de busca
Leia maisESTUDO DA VIABILIDADE ENERGÉTICA DE IMPLANTAÇÃO DE UMA USINA EÓLICA DE 100 KW PARA ABASTECER UMA COMUNIDADE RURAL ISOLADA 1
ESTUDO DA VIABILIDADE ENERGÉTICA DE IMPLANTAÇÃO DE UMA USINA EÓLICA DE 100 KW PARA ABASTECER UMA COMUNIDADE RURAL ISOLADA 1 Felipe Alex Trennepohl 2, Leandro Becker Kehler 3. 1 Estudo realizado para a
Leia maisALGORITMO GENÉTICO COMO REPRESENTAÇÃO DAS MUTAÇÕES NA BIOLOGIA
Patrocínio, MG, outubro de 2016 ENCONTRO DE PESQUISA & EXTENSÃO, 3., 2016, Patrocínio. Anais... Patrocínio: IFTM, 2016. ALGORITMO GENÉTICO COMO REPRESENTAÇÃO DAS MUTAÇÕES NA BIOLOGIA Igor Acassio Melo
Leia maisAlgoritmos Genéticos. Estéfane G. M. de Lacerda DCA/UFRN Outubro/2008
Estéfane G. M. de Lacerda DCA/UFRN Outubro/2008 Introdução São técnicas de busca e otimização. É a metáfora da teoria da evolução das espécies iniciada pelo Fisiologista e Naturalista inglês Charles Darwin.
Leia maisALGORITMOS GENÉTICOS. Adair Santa Catarina Curso de Ciência da Computação Unioeste Campus de Cascavel PR
ALGORITMOS GENÉTICOS Adair Santa Catarina Curso de Ciência da Computação Unioeste Campus de Cascavel PR Fev/2018 Introdução Algoritmos Genéticos são algoritmos heurísticos de busca, que utilizam regras
Leia maisMax Pereira. Inteligência Artificial
Max Pereira Inteligência Artificial Algoritmos Genéticos Algoritmos Genéticos São técnicas de busca e otimização. Uma metáfora da teoria da evolução das espécies iniciada pelo Naturalista inglês Charles
Leia mais6 Estudos de Casos Porta Lógica OU de 4 Entradas
6 Estudos de Casos Com o objetivo de avaliar a síntese automática de circuitos de QCA usando técnicas de Hardware Evolucionário (EHW), alguns circuitos foram sintetizados e serão apresentados a seguir.
Leia maisWorkshop de Energia da FIESP Setor Elétrico e Mecanismos de Resposta pela Demanda
Workshop de Energia da FIESP Setor Elétrico e Mecanismos de Resposta pela Demanda Nelson Fonseca Leite- Presidente 1 São Paulo, 21 de junho de 2017 PAUTA. Panorama do Setor de Distribuição de Energia Elétrica
Leia maisCodificação das variáveis: binária Iniciação da população: aleatória Avaliação: função aptidão Operadores. Critério de parada: número de gerações
AG Simples/Canônico (AGS) AG introduzido por Holland Funciona bem para problemas de otimização simples e/ou de pequenas dimensões A maior parte da teoria dos AGs está baseada no AGS Utilidade didática
Leia maisPEA5918 Redes Elétricas Inteligentes e Microrredes (Smart Grids e Microgrids)
PEA5918 Redes Elétricas Inteligentes e Microrredes (Smart Grids e Microgrids) Informações sobre a disciplina Giovanni Manassero Junior Depto. de Engenharia de Energia e Automação Elétricas Escola Politécnica
Leia maisGerenciamento pelo Lado da Demanda de um Sistema Residencial utilizando Recozimento Simulado
Gerenciamento pelo Lado da Demanda de um Sistema Residencial utilizando Recozimento Simulado Rodrigo V. Silva, GP-PEEACIA Grupo de pesquisas em processamento de energia elétrica, automação e controle,
Leia mais4 Métodos Existentes. 4.1 Algoritmo Genético
61 4 Métodos Existentes A hibridização de diferentes métodos é em geral utilizada para resolver problemas de escalonamento, por fornecer empiricamente maior eficiência na busca de soluções. Ela pode ser
Leia mais5 VNS com Filtro e Reconexão por Caminhos
5 VNS com Filtro e Reconexão por Caminhos A metaheurística VNS (Variable Neighborhood Search) foi proposta por Mladenović e Hansen [40] e possui como idéia básica a mudança de vizinhanças realizada da
Leia maisComputação Evolutiva Eduardo do Valle Simões Renato Tinós ICMC - USP
Computação Evolutiva Eduardo do Valle Simões Renato Tinós ICMC - USP 1 Principais Tópicos Introdução Evolução Natural Algoritmos Genéticos Aplicações Conclusão 2 Introdução http://www.formula-um.com/ Como
Leia maisComputação Evolutiva. Computação Evolutiva. Principais Tópicos. Evolução natural. Introdução. Evolução natural
Computação Evolutiva Eduardo do Valle Simões Renato Tinós ICMC - USP Principais Tópicos Introdução Evolução Natural Algoritmos Genéticos Aplicações Conclusão 1 2 Introdução Evolução natural http://www.formula-um.com/
Leia maisAlgoritmos Genéticos
Universidade de São Paulo Instituto de Ciências Matemáticas e de Computação Algoritmos Genéticos Aluno: Fabricio Aparecido Breve Prof.: Dr. André Ponce de Leon F. de Carvalho São Carlos São Paulo Maio
Leia maisESTUDO DOS PARAMETROS DE UM ALGORITMO GENÉTICO PARA POSTERIOR USO NA SOLUÇÃO DE PROBLEMAS DO TIPO JOB-SHOP
ESTUDO DOS PARAMETROS DE UM ALGORITMO GENÉTICO PARA POSTERIOR USO NA SOLUÇÃO DE PROBLEMAS DO TIPO JOB-SHOP Gilson Rogério Batista, Gideon Villar Leandro Universidade Regional do Noroeste do Estado do Rio
Leia maisAlgoritmos genéticos Abordagem unificada de algoritmos evolutivos simples
Introdução Inspiração biológica Histórico da computação evolutiva Algoritmo evolutivo simples Programação evolutiva Estratégias evolutivas Algoritmos genéticos Abordagem unificada de algoritmos evolutivos
Leia maisUNIVERSIDADE TECNOLÓGICA FEDERAL DO PARANÁ ALGORITMOS GENÉTICOS. Metaheurísticas de Buscas
PR UNIVERSIDADE TECNOLÓGICA FEDERAL DO PARANÁ ALGORITMOS GENÉTICOS Metaheurísticas de Buscas ALGORITMOS GENÉTICOS (AG) Popularizados por John Holland podem ser considerados os primeiros modelos algorítmicos
Leia maisModelos Evolucionários e Tratamento de Incertezas
Ciência da Computação Modelos Evolucionários e Tratamento de Incertezas Aula 01 Computação Evolucionária Max Pereira Motivação Se há uma multiplicidade impressionante de algoritmos para solução de problemas,
Leia maishttps://www.youtube.com/watch?t=28&v=jlkvzcg1umk
https://www.youtube.com/watch?t=28&v=jlkvzcg1umk Smart Cities Tendência mundial relativa ao uso de soluções intensivas de TICs como instrumentos para tornar cidades mais inteligentes, otimizando certos
Leia maisPEA5918 Redes Elétricas Inteligentes e Microrredes (Smart Grids e Microgrids)
PEA5918 Redes Elétricas Inteligentes e Microrredes (Smart Grids e Microgrids) Ferramentas de Interface e Decisão Giovanni Manassero Junior Depto. de Engenharia de Energia e Automação Elétricas Escola Politécnica
Leia maisAlgoritmos Genéticos e Evolucionários
Algoritmos Genéticos e Evolucionários Djalma M. Falcão COPPE/UFRJ PEE e NACAD falcao@nacad.ufrj.br http://www.nacad.ufrj.br/~falcao/ http://www.nacad.ufrj.br/~falcao/ag/ag.htm Resumo do Curso Introdução
Leia maisAlgoritmos Genéticos. Princípio de Seleção Natural. Sub-áreas da Computação Evolutiva. Idéias básicas da CE. Computação Evolutiva
Computação Evolutiva Algoritmos Genéticos A computação evolutiva (CE) é uma área da ciência da computação que abrange modelos computacionais inspirados na Teoria da Evolução das Espécies, essencialmente
Leia maisOtimização de Sistemas Hidrotérmicos por Enxame de Partículas: Uma Abordagem Orientada a Objetos
Otimização de Sistemas Hidrotérmicos por Enxame de Partículas: Uma Abordagem Orientada a Objetos Gelson da Cruz JUNIOR 2, Cassio Dener Noronha VINHAL 3 Lauro Ramon GOMIDES 1, Gelson da Cruz JUNIOR 2, Cassio
Leia maisPEA5918 Redes Elétricas Inteligentes e Microrredes (Smart Grids e Microgrids)
PEA5918 Redes Elétricas Inteligentes e Microrredes (Smart Grids e Microgrids) Métodos Avançados de Controle Giovanni Manassero Junior Depto. de Engenharia de Energia e Automação Elétricas Escola Politécnica
Leia mais1. Computação Evolutiva
Computação Bioinspirada - 5955010-1 1. Computação Evolutiva Prof. Renato Tinós Programa de Pós-Graduação Em Computação Aplicada Depto. de Computação e Matemática (FFCLRP/USP) 2 Computação Bioinspirada
Leia maisInteligência Artificial
Inteligência Artificial Prof. Kléber de Oliveira Andrade pdjkleber@gmail.com Algoritmos Genéticos Conteúdo Introdução O Algoritmo Genético Binário Noções de Otimização O Algoritmo Genético com Parâmetros
Leia maisSIMULAÇÃO E ANÁLISE DE REDE DE DISTRIBUIÇÃO UTILIZANDO OPENDSS COM INCLUSÃO DE VEICULOS ELÉTRICOS PLUG-IN
SIMULAÇÃO E ANÁLISE DE REDE DE DISTRIBUIÇÃO UTILIZANDO OPENDSS COM INCLUSÃO DE VEICULOS ELÉTRICOS PLUG-IN 1. INTRODUÇÃO Os veículos movidos a combustão ocupam a maior parte do mercado automobilístico mundial.
Leia maisESTUDO DO EFEITO DOS PARÂMETROS GENÉTICOS DE UM ALGORITMO GENÉTICO NA SOLUÇÃO OTIMIZADA E NO TEMPO DE CONVERGÊNCIA EM UMA FUNÇÃO DE DUAS VARIÁVEIS
ESTUDO DO EFEITO DOS PARÂMETROS GENÉTICOS DE UM ALGORITMO GENÉTICO NA SOLUÇÃO OTIMIZADA E NO TEMPO DE CONVERGÊNCIA EM UMA FUNÇÃO DE DUAS VARIÁVEIS Marcelo Henrique dos Santos Universidade de Uberaba, Engenharia
Leia maisCONSTRUÇÃO AUTOMÁTICA DE OPERADORES MORFOLÓGICOS UTILIZANDO PROGRAMAÇÃO GENÉTICA.
CONSTRUÇÃO AUTOMÁTICA DE OPERADORES MORFOLÓGICOS UTILIZANDO PROGRAMAÇÃO GENÉTICA. Emerson Carlos Pedrino * e-mail: ecpedrin@sel.eesc.sc.usp.br Valentin Obac Roda ** e-mail: valentin@sel.eesc.sc.usp.br
Leia maisWORKSHOP: Inversores Híbridos com Sistemas de Armazenamento de Energia Aplicações dos Inversores Híbridos com Sistema de Armazenamento de Energia
WORKSHOP: Inversores Híbridos com Sistemas de Armazenamento de Energia 1 Aplicações dos Inversores Híbridos com Sistema de Armazenamento de Energia Ildo Bet Ricardo Souza Figueredo Agenda 2 INTRODUÇÃO;
Leia maisXIII Simpósio Brasileiro de Automação Inteligente Porto Alegre RS, 1 o 4 de Outubro de 2017
ALGORITMO GENÉTICO BASEADO EM CONJUNTOS PARA RECONFIGURAÇÃO ÓTIMA DE REDES DE DISTRIBUIÇÃO DE ENERGIA Júlia Beust, Rafael S. Castro, Sérgio Haffner Programa de Pós-Graduação em Engenharia Elétrica (PPGEE)
Leia maisINTRODUÇÃO À INTELIGÊNCIA COMPUTACIONAL. Aula 06 Prof. Vitor Hugo Ferreira
Universidade Federal Fluminense Escola de Engenharia Departamento de Engenharia Elétrica INTRODUÇÃO À INTELIGÊNCIA COMPUTACIONAL Aula 06 Prof. Vitor Hugo Ferreira Representação por cromossomos Codificação
Leia maisDevelopment of an Application for Brazilian Energy Tariff Choice
Development of an Application for Brazilian Energy Tariff Choice F. B. Magalhães, F. Z. Fortes, R. M. Vidaurre and M. Z. Fortes, Member, IEEE Abstract This paper presents an application developed to aid
Leia maisOTIMIZAÇÃO FUNÇÕES UTILIZANDO ALGORITMOS GENÉTICOS NO APLICATIVO MS EXCEL RESUMO INTRODUÇÃO
OTIMIZAÇÃO FUNÇÕES UTILIZANDO ALGORITMOS GENÉTICOS NO APLICATIVO MS EXCEL Miquéias Augusto Ferreira Nantes 1, Douglas Peixoto de Carvalho 1 (Alunos do Curso de Matemática da Universidade Anhanguera - Uniderp)
Leia maisNovas Tecnologias Limpas
Novas Tecnologias Limpas Prof. Marciano Morozowski Filho WeSee Visão Dinâmica de Sistemas Rio de Janeiro 19.09.2018 Objetivos Novas tecnologias limpas Recursos Energéticos Distribuídos (RED) Smart Grid
Leia maisOTIMIZAÇÃO DA LIMPEZA DE REDES DE TROCADORES DE CALOR EMPREGANDO OS ALGORITMOS GENÉTICOS
OTIMIZAÇÃO DA LIMPEZA DE REDES DE TROCADORES DE CALOR EMPREGANDO OS ALGORITMOS GENÉTICOS C. de O. GONÇALVES 1, E. M. QUEIROZ 2, F. L. P. PESSOA 2, F. S. LIPORACE 3, S. G. OLIVEIRA 3 e A. L. H. COSTA 1
Leia maisAlgoritmo genético para formação de células de fabricação
Algoritmo genético para formação de células de fabricação Eduardo Vila Gonçalves Filho (EESC-USP) evila@sc.usp.br José Hamilton Chaves Gorgulho Júnior (UNIFEI) gorgulhojunior@ig.com.br Ana Rita T. Terra
Leia maisOtimização. Algoritmos Genéticos. Teoria da Evolução. Otimização
Algoritmos Genéticos Otimização São técnicas de busca e otimização. É a metáfora da teoria da evolução das espécies iniciada pelo Fisiologista e Naturalista inglês Charles Darwin. Desenvolvido por John
Leia maisControle Inercial de Unidades Eólicas para a Regulação de Frequência em Microrredes
https://eventos.utfpr.edu.br//sicite/sicite2017/index Controle Inercial de Unidades Eólicas para a Regulação de Frequência em Microrredes RESUMO Sílvia Regina Kroetz silviakroetz@alunos.utfpr.edu.br Universidade
Leia maisIntrodução aos Algoritmos Genéticos
Introdução aos Algoritmos Genéticos Prof. Matheus Giovanni Pires EXA 868 Inteligência Artificial Não-Simbólica B Universidade Estadual de Feira de Santana 2 Algoritmos Genéticos: Introdução Introduzidos
Leia maisESTUDO DE PERFORMANCE E GERENCIAMENTO DE RECURSOS NA REDE PLC (POWER LINE COMMUNICATION) EM AMBIENTE SMART GRID COM COMPUTADORES DE BAIXO CUSTO
ESTUDO DE PERFORMANCE E GERENCIAMENTO DE RECURSOS NA REDE PLC (POWER LINE COMMUNICATION) EM AMBIENTE SMART GRID COM COMPUTADORES DE BAIXO CUSTO Lucas Pedroso do Bomdespacho Aluno do IFMT, Campus Cuiabá,
Leia maisIntrodução a Algoritmos Genéticos
Introdução a Algoritmos Genéticos Tiago da Conceição Mota Laboratório de Inteligência Computacional Núcleo de Computação Eletrônica Universidade Federal do Rio de Janeiro Outubro de 2007 O Que São? Busca
Leia mais3 Algoritmos Genéticos
Algoritmos Genéticos Algoritmos Genéticos (AGs) constituem um mecanismo de busca adaptativa que se baseia no princípio Darwiniano de seleção natural e reprodução genética [101]. AGs são tipicamente empregados
Leia maisPesquisa Operacional Aplicada à Mineração
Pesquisa Operacional Aplicada à Mineração Módulo de Otimização Parte II-b Prof. Marcone J. F. Souza Prof. Túlio A. M. Toffolo marcone.freitas@yahoo.com.br tulio@toffolo.com.br Departamento de Computação
Leia maisUm AG Baseado em Ordem para o Problema do Ladrão de Jóias com Múltiplas Restrições
> REVISTA DE INTELIGÊNCIA COMPUTACIONAL APLICADA (ISSN: XXXXXXX), Vol. X, No. Y, pp. 1-10 1 Um AG Baseado em Ordem para o Problema do Ladrão de Jóias com Múltiplas Restrições Jarbas Silva Abstract Neste
Leia maisEficiência Energética Através da Correção do Fator de Potência: Unidades Residenciais e Transformadores
XVIII Seminário Nacional de Distribuição de Energia Elétrica SENDI 2008-06 a 10 de outubro Olinda - Pernambuco - Brasil Eficiência Energética Através da Correção do Fator de Potência: Unidades Residenciais
Leia maisMETAHEURÍSTICAS: 1 SIMULATED ANNEALING (S.A) 1.1 INTRODUÇÃO
1 SIMULATED ANNEALING (S.A) 1.1 INTRODUÇÃO METAHEURÍSTICAS: É uma das primeiras metaheurísticas que foi utilizada com muito sucesso nos problemas complexos de pesquisa operacional. O S.A surgiu do campo
Leia mais11/1/2012. Agenda. Classe de problemas de interesse. Busca Local. Busca Local. Exemplo de Espaço de Estados
Agenda PCS / PCS 09 Inteligência Artificial Prof. Dr. Jaime Simão Sichman Profa. Dra. Anna Helena Reali Costa Busca Local e Problemas de Otimização. Introdução. Busca Local I. Subida da Encosta (Hill-Climbing)
Leia maisTópicos Especiais em Informática Fatec Indaiatuba
Prof. Dilermando Piva Jr. ((Compilação de diversas fontes na Internet)) Principal motivação para o estudo da computação evolutiva Otimização de processos complexo e que possuem um grande número de variáveis
Leia maisEstratégias Evolutivas EEs. Prof. Juan Moisés Mauricio Villanueva
Estratégias Evolutivas EEs Prof. Juan Moisés Mauricio Villanueva jmauricio@cear.ufpb.br www.cear.ufpb.br/juan Estratégias Evolutivas Desenvolvidas por Rechenberg e Schwefel, e estendida por Herdy, Kursawe
Leia maisBreve Avaliação de Parâmetros básicos de Algoritmos Genéticos
https://eventos.utfpr.edu.br//sicite/sicite17/index Breve Avaliação de Parâmetros básicos de Algoritmos Genéticos RESUMO Stéfanie Caroline Pereira Dekker stefanie.c.dekker@gmail.com Universidade Tecnológica
Leia maisRenata Carnieletto Coordenadora de Smart Grid WEG Equipamentos Elétricos. Smart Grid: Modernização da Medição de Energia Elétrica no Brasil
Renata Carnieletto Coordenadora de Smart Grid WEG Equipamentos Elétricos Smart Grid: Modernização da Medição de Energia Elétrica no Brasil O conceito de Smart Grid traz uma mudança de paradigma no setor
Leia maisFigura 3.1: Fluxograma do algoritmo da Programação Genética.
3 Programação Genética O termo Programação Genética passou a ser utilizado em 1990 nos trabalhos publicados por Koza [30] e De Garis [31]. A definição de Koza para este termo passou a predominar após a
Leia maisAtualização Tecnológica como base para inovação nos Processos de Operação em Tempo Real
Atualização Tecnológica como base para inovação nos Processos de Operação em Tempo Real 8º SENOP - Seminário Nacional de Operadores de Sistemas e de Instalações Elétricas Foz do Iguaçu 06 de Outubro de
Leia mais3 Métodos de Otimização
3 Métodos de Otimização Problemas de otimização são relacionados a minimização ou maximização de função de uma ou mais variáveis num determinado domínio, possivelmente com a existência de um conjunto de
Leia maisPEA 2522 MÉTODOS DE OTIMIZAÇÃO. Otimização
PEA MÉTODOS DE OTIMIZAÇÃO Otimização Definir claramente o problema a ser resolvido Estabelecer os limites físicos (capacidades, restrições) Definir o modelo matemático adequado PEA 8 - PLANEJAMENTO DE
Leia maisModelo de Algoritmo Genético para o Escalonamento de Tarefas em uma Arquitetura Multiprocessadora
Modelo de Algoritmo Genético para o Escalonamento de Tarefas em uma Arquitetura Multiprocessadora Autor: Adilmar Coelho Dantas 1, Orientador: Márcia Aparecida Fernandes 1 1 Programa de Pós-Graduação em
Leia maisPROPOSAL OF AN EVOLUTIONARY COMPUTATION BASED SYSTEM FOR HANDLING THE SPACE ALLOCATION PROBLEM: THE CASE OF UNIVERSIDADE FEDERAL DE UBERLÂNDIA
PROPOSTA DE UM SISTEMA BASEADO EM COMPUTAÇÃO EVOLUTIVA PARA O TRATAMENTO DO PROBLEMA DE ALOCAÇÃO DE ESPAÇO FÍSICO: O CASO DA UNIVERSIDADE FEDERAL DE UBERLÂNDIA Guilherme Palhares Theodoro, Igor Santos
Leia maisCOMPUTADORES COM UM CONJUNTO REDUZIDO DE INSTRUÇÕES. Adão de Melo Neto
COMPUTADORES COM UM CONJUNTO REDUZIDO DE INSTRUÇÕES Adão de Melo Neto 1 INTRODUÇÃO Desde 1950, houveram poucas inovações significativas nas áreas de arquitetura e organização de computadores. As principais
Leia maisAlgoritmos e Estruturas de Dados I. Universidade Federal de São João del-rei Pedro Mitsuo Shiroma Sala 119 Bloco 3
Algoritmos e Estruturas de Dados I Universidade Federal de São João del-rei Pedro Mitsuo Shiroma Sala 119 Bloco 3 História da computação ENIAC (1946-1955) 5000 op/seg 30 toneladas; 18 mil válvulas; 140
Leia maisMesa Redonda Redes Inteligentes Smart Grid
Mesa Redonda Redes Inteligentes Smart Grid Visão da Concessionária Denys Cláudio Cruz de Souza Superintendente de Desenvolvimento e Engenharia da Distribuição da CEMIG 11/Agosto/2010 A CEMIG Maior empresa
Leia maisUm Algoritmo Genético para o Problema de Roteamento de Veículos com Janelas de Tempo
Um Algoritmo Genético para o Problema de Roteamento de Veículos com Janelas de Tempo Francisco Henrique de Freitas Viana Pontifícia Universidade Católica do Rio de Janeiro PUC-Rio Departamento de Informática
Leia maisPalestra COPPE Elétrica. Dezembro de 2010
Palestra COPPE Elétrica Dezembro de 2010 Aplicações de Computação Evolutiva e Otimização Multi-objetivo em Sistemas Elétricos de Potência Oriane Magela Neto Depto. De Engenharia Elétrica da UFMG Sistemas
Leia maisOtimização a Múltiplos Objetivos de Dispositivos Eletromagnéticos pelo Método dos Elementos Finitos. Luiz Lebensztajn
Otimização a Múltiplos Objetivos de Dispositivos Eletromagnéticos pelo Método dos Elementos Finitos Luiz Lebensztajn Otimização a Múltiplos Objetivos Quando há necessidade de Otimização a Múltiplos Objetivos?
Leia mais4 Cálculo de Equivalentes Dinâmicos
4 Cálculo de Equivalentes Dinâmicos 4.1 Introdução Com o elevado índice de expansão dos sistemas elétricos de potência, os freqüentes aumentos nas interligações e o alto número de variáveis que envolvem
Leia maisAplicação de Ressoadores Planares do Tipo-H em Duplexadores de Micro-ondas
Universidade Federal de Pernambuco Aplicação de Ressoadores Planares do Tipo-H em Duplexadores de Micro-ondas Mestrando: Saulo de Tarso Gonçalves Bezerra Orientador: Marcos Tavares de Melo Programa de
Leia maisXV SEMINÁRIO NACIONAL DE DISTRIBUIÇÃO DE ENERGIA ELÉTRICA - SENDI 2002
XV SEMINÁRIO NACIONAL DE DISTRIBUIÇÃO DE ENERGIA ELÉTRICA - SENDI 22 Custo de compra da para uma empresa distribuidora em função da aplicação de programas de eficiência energética F. M. Figueiredo CEB-UnB,
Leia maisUM ESTUDO COMPARATIVO DE DESEMPENHO UTILIZANDO PROGRAMAÇÃO SEQUENCIAL VS PARALELA APLICADO EM ALGORITMOS GENÉTICOS 1
UM ESTUDO COMPARATIVO DE DESEMPENHO UTILIZANDO PROGRAMAÇÃO SEQUENCIAL VS PARALELA APLICADO EM ALGORITMOS GENÉTICOS 1 Eldair F. Dornelles 2, Henrique A. Richter 3, Miquéias F. M. Trennepohl 4, Taís T. Siqueira
Leia maisOptimização de um Plano de Marketing Directo para o Sector da Banca Daniel Barata
Optimização de um Plano de Marketing Directo para o Sector da Banca Daniel Barata, Fernando Bação, Victor Lobo Agenda Introdução Justificação do Tema Formulação usada Métodos de Resolução Exacto Guloso
Leia maisINTRODUÇÃO À. Adair Santa Catarina Curso de Ciência da Computação Unioeste Campus de Cascavel PR
INTRODUÇÃO À COMPUTAÇÃO EVOLUTIVA Adair Santa Catarina Curso de Ciência da Computação Unioeste Campus de Cascavel PR Fev/2018 Computação Evolutiva Ramo da ciência da computação que propõe um paradigma
Leia maisELABORAÇÃO DE UMA HEURÍSTICA PARA O PROBLEMA DE QUADRO DE HORÁRIOS DOS PROFESSORES DA UNIVERSIDADE ESTADUAL DO PARANÁ CAMPUS CAMPO MOURÃO
ELABORAÇÃO DE UMA HEURÍSTICA PARA O PROBLEMA DE QUADRO DE HORÁRIOS DOS PROFESSORES DA UNIVERSIDADE ESTADUAL DO PARANÁ CAMPUS CAMPO MOURÃO Marcos Oliveira dos Santos (IC, FUNDAÇÃO ARAUCÁRIA), (UNESPAR/FECILCAM),
Leia maisBuscas Informadas ou Heurísticas - Parte III
Buscas Informadas ou Heurísticas - Parte III Prof. Cedric Luiz de Carvalho Instituto de Informática - UFG Mestrado em Ciência da Computação / 2006 BUSCA SMA* (Simplified Memory-Bounded A*) BUSCA SMA* (Simplified
Leia maisMarcone Jamilson Freitas Souza
Otimização: Algumas aplicações Marcone Jamilson Freitas Souza Departamento de Computação Programa de Pós-Graduação em Ciência da Computação Universidade Federal de Ouro Preto http://www.decom.ufop.br/prof/marcone
Leia maisMétodos de pesquisa e Optimização
Métodos de pesquisa e Optimização Victor Lobo Importância para os SAD Definir o caminho a tomar depois de se ter trabalhado os dados 1ª Fase: Analisar os dados disponíveis Visualização OLAP, relatórios
Leia maisCOMPARAÇÃO ENTRE FROTA HOMOGÊNEA E HETEROGÊNEA EM PROBLEMAS DE ROTEAMENTO DE VEÍCULOS CAPACITADOS
COMPARAÇÃO ENTRE FROTA HOMOGÊNEA E HETEROGÊNEA EM PROBLEMAS DE ROTEAMENTO DE VEÍCULOS CAPACITADOS Rosiana da Silva Lopes Danilo César Rodrigues Azevedo rosianalopes16@gmail.com danilo.azevedo@ufpi.edu.br.com
Leia maisIntrodução ao Algoritmo Genético
Introdução ao Algoritmo Genético Sadao Massago Agosto de 2013 1 Introdução O algoritmo genético é um método de otimização bio insperado, desenvolvida por John Henry Holland em 1975. Segundo a teoria evolucionária
Leia maisOtimização. Unidade 6: Algoritmo Genético. Jaime Arturo Ramírez. 7. Teoria do processo evolutivo num GA. 8. Aspectos avançados
Otimização Jaime Arturo Ramírez Conteúdo 1. Introdução 2. Analogia de mecanismos de seleção natural com sistemas artificiais 3. Algoritmo genético modelo 4. Um GA simples 5. Representação, genes e cromossomos
Leia maisAlgoritmos Genéticos. 1 Semestre de Cleber Zanchettin UFPE - Universidade Federal de Pernambuco CIn - Centro de Informática
Algoritmos Genéticos 1 Semestre de 2015 Cleber Zanchettin UFPE - Universidade Federal de Pernambuco CIn - Centro de Informática 1 2 Introdução Darwin Naturalistas: cada espécie havia sido criada separadamente
Leia maisINSTITUTO DE PÓS GRADUAÇÃO ICPG GESTÃO DA TECNOLOGIA DA INFORMAÇÃO
INSTITUTO DE PÓS GRADUAÇÃO ICPG GESTÃO DA TECNOLOGIA DA INFORMAÇÃO Prof. Msc. Saulo Popov Zambiasi (saulopz@gmail.com) Informação - ICPG - Criciuma - SC 1 Características Gerais, operadores, algoritmo.
Leia maisExemplo de Aplicação de Algoritmos Genéticos. Prof. Juan Moisés Mauricio Villanueva cear.ufpb.br/juan
Exemplo de Aplicação de Algoritmos Genéticos Prof. Juan Moisés Mauricio Villanueva jmauricio@cear.ufpb.br cear.ufpb.br/juan Estrutura do Algoritmo Genético Algoritmo genético Inicio t = 0 inicializar P(t)
Leia mais