COMPARAÇÃO ENTRE PROGRAMAÇÃO DINÂMICA ESTOCÁSTICA PRIMAL E DUAL NO PLANEJAMENTO DA OPERAÇÃO ENERGÉTICA

Transcrição

1 COMPARAÇÃO ENTRE PROGRAMAÇÃO DINÂMICA ESTOCÁSTICA PRIMAL E DUAL NO PLANEJAMENTO DA OPERAÇÃO ENERGÉTICA Thaís Gama de Siqueira Secundino Soares Filho Faculdade de Engenharia Elétrica e de Computação Departamento de Engenharia de Sistemas Universidade Estadual de Campinas P.O. Box 6101, Campinas, SP, Brasil, {thais,dino}@densis.fee.unicamp.br Resumo. O objetivo do planejamento da operação energética de sistemas hidrotérmicos de geração é determinar, para cada estágio (mês) do período de planejamento (anos), a geração para cada usina do sistema de modo a atender a demanda e minimizar o valor esperado do custo de operação ao longo do período de planejamento. A forma tradicional de resolver o problema de planejamento da operação energética, adotada no setor elétrico brasileiro por várias décadas, foi a Programação Dinâmica Estocástica (PDE). Recentemente essa técnica foi substituída pela Programação Dinâmica Estocástica Dual (PDED), baseada na decomposição de Benders, que promete contornar a "maldição da dimensionalidade" associada à PDE. Este trabalho apresenta um estudo comparativo entre as técnicas da PDE e da PDED na resolução do problema de planejamento energético da operação de sistemas de energia elétrica, destacando as vantagens e desvantagens dos métodos estudados. As aplicações estudadas consideram o caso particular de sistemas formados por uma única usina hidroelétrica. Palavras-chaves. Planejamento da operação energética, Programação Dinâmica Estocástica, Programação Dinâmica Estocástica Dual, Decomposição de Benders. 1. Introdução O planejamento da operação energética tem como finalidade encontrar a geração a longo prazo, que minimize o custo de complementação não hidráulica (custo de geração térmica, importação de sistemas vizinhos, déficit) e atenda as demandas energéticas, respeitando os limites operativos em cada estágio de tempo. Uma das primeiras metodologias adotada por muitos anos no sistema elétrico brasileiro foi a programação dinâmica estocástica (Bertsekas, 1976), (Nemhauser, 1966), (Thanos et all, 1987). Entretanto a aplicação desse método é limitada pela chamada maldição da dimensionalidade, devido à necessidade da discretização das variáveis no espaço de estados. Uma abordagem alternativa surgiu na década de 1980, prometendo solucionar o problema da dimensionalidade encontrada na programação dinâmica estocástica, através da utilização das variáveis duais associadas à equação de balanço de água no reservatório, baseada no princípio de decomposição de Benders, conhecida como programação dinâmica estocástica dual (Pereira, 1985), (Pereira, 1989), (Kligerman, 1992). O presente trabalho busca uma comparação entre a programação dinâmica estocástica primal e dual no planejamento da operação energética. Os estudos apresentados consideram o caso particular de um sistema constituído por uma única usina hidrelétrica. 2. Planejamento da Operação Energética O principal objetivo do Planejamento da Operação Energética (POE) de um sistema hidrotérmico é a obtenção, em cada estágio (mês), das decisões de geração para as unidades geradoras do sistema que minimizem o custo esperado de operação ao longo do período de planejamento (anos). O custo de operação é constituído pelos custos de combustível das unidades termelétricas, importação de mercados vizinhos e penalidades por déficit de energia. O problema de otimização do planejamento da operação energética de sistemas hidrotérmicos, em sua versão determinística e no caso de uma única usina hidroelétrica, pode ser formulado como o seguinte problema de programação não linear: T Min Ψ t ( gt ) + αt ( xt ) (1) t = 1 p t + gt = dt (2) p t = ρ [ φ( xt ) θ ( ut ) pc( qt )] qt (3) xt = xt 1 + ( yt ut ) τ t (4)

2 onde: u t = qt + vt (5) xt xt xt (6) ut ut ut (7) q q t q t t (8) vt vt vt (9) x o dado (10) t, t = 1,..., T (11) T: número de estágios; τ: constante (10 6 ) para o ajuste de unidades; t : tamanho do estágio t [s]; Ψ t (.): função custo de complementação não hidráulica [$] α t (.): função de custo futuro associado ao estado do reservatório [$]; g t : geração termelétrica do sistema durante o estágio t [MWm]; p t : geração hidrelétrica do sistema durante o estágio t [MWm]; d t : consumo a ser atendido durante o estágio t [MWm]; x t : volume do reservatório no final do estágio t [hm 3 ]; u t : vazão defluente durante o estágio t [m 3 /s]; q t : vazão turbinada durante o estágio t [m 3 /s]; v t : vazão vertida durante o estágio t [m 3 /s]; y t : vazão incremental afluente durante o estágio t [m 3 /s]; pc(q): perda de carga hidráulica [m]; ρ: produtibilidade específica da usina [MW/(m 3 /s)m]; x t volume mínimo do reservatório no final do estágio t [hm 3 ]; x : volume máximo do reservatório no final do estágio t [hm 3 ]; t u t : defluência mínima da usina no estágio t [m 3 /s]; u t : defluência máxima da usina no estágio t [m 3 /s]; q : turbinagem mínima da usina no estágio t [m 3 /s]; t q t : turbinagem máxima da usina no estágio t [m 3 /s]; v t : vertimento mínimo da usina no estágio t [m 3 /s]; v t : vertimento máximo da usina no estágio t [m 3 /s]; Φ(x): polinômio da cota de montante do reservatório [m]; θ(u): polinômio da cota de jusante do reservatório [m]. As restrições (2) e (4) referem-se ao atendimento do consumo de energia e balanço de água do reservatório, respectivamente. As restrições (6), (7), (8) e (9) representam os limites operativos de volume e vazão defluente, turbinada e vertida da usina hidrelétrica e contemplam também restrições de uso múltiplo da água. A potência gerada em uma usina hidrelétrica é função da vazão turbinada e da altura de queda, que por sua vez é uma função não-linear do volume armazenado e da defluência do reservatório, de acordo com as Eq. (3), onde o fator ρ é conhecido como a produtibilidade específica da usina, sendo expresso em [MW/(m 3 /s)m]. O nível do reservatório, em relação ao nível do mar, é denominado cota de montante Φ(x), enquanto o nível do canal de fuga é denominado cota de jusante θ(u). Essas funções são expressas por polinômios em função do volume e da defluência, respectivamente. A função pc(.) representa a perda de carga hidráulica, em metros. Essa perda é associada ao atrito entre a água e as paredes da tubulação do canal de adução. O custo operacional Ψ t (.) representa o custo mínimo de geração complementar de recursos não hidráulicos, como geração térmica, importação de mercados vizinhos ou déficit de energia. Como conseqüência da minimização, Ψ t (.) é uma função convexa crescente da geração complementar e portanto decrescente da geração hidrelétrica p t no estágio t, e depende do consumo d t.

3 3. Programação Dinâmica Estocástica A Programação Dinâmica Estocástica (PDE) apresenta muitas características interessantes como representar não linearidades e considerar aspectos estocásticos do problema. Porém apresenta como desvantagem a necessidade da discretização do espaço de estados, o que ocasiona o crescimento exponencial do esforço computacional com o número de variáveis de estado considerado, limitação conhecida como a "maldição da dimensionalidade". Na PDE, o problema se divide em estágios (meses), e a melhor decisão (vazão turbinada e vertida) em cada estágio é determinada de acordo com o estado (armazenamento) em que o sistema se encontra. O processo de otimização se baseia no conhecimento prévio das possibilidades futuras e suas conseqüências, de modo a satisfazer o princípio de otimalidade de Bellman (Bellman, 1962). Assim o custo total de operação é dado pelo custo da decisão no próprio estágio, custo presente, com o custo futuro pré-determinado a partir do estágio seguinte. Como o problema é estocástico, a decisão em cada estágio é obtida com base na distribuição de probabilidades de variável aleatória (vazão afluente ao reservatório) no respectivo estágio. Assim, em cada estágio as decisões são determinadas através da minimização da soma do custo presente com o custo esperado futuro, assumindo decisões ótimas para todos os estágios subseqüentes. Este custo é aditivo no sentido em que o custo ocorrido no estágio t acumula-se sobre o tempo. Na técnica de resolução backward, o problema é resolvido com a busca de políticas ótimas partindo do estágio final T, onde o custo α T (x T ) é conhecido, e seguindo até o estágio inicial, através da equação recursiva dada por: { Ψ ( ) α ( x )} α t 1( xt 1) = minωt t gt + E y t t t (12) t = T, T-1,..., 1 (13) onde, α t-1(x t-1 ) representa o valor esperado mínimo do custo de operação do estágio t-1 ao final do horizonte T, supondo que o sistema se encontra no estado x t-1 e transita para o estado x t, dado um conjunto de decisões Ω t = {q t,v t }, que satisfaz as equações (2)-(9). Supondo a discretização da distribuição de probabilidades das vazões, uma política ótima Ω t *, com t = 1,..., T, para o problema (1)-(11) pode ser obtida pela solução de: NDy α = Ψ + k t 1( x t 1 minω t ( g t ) αt ( x t ) p t k k = 1 (14) x k k t = xt 1 + ( yt qt vt ) τ t (15) onde NDy é o número de discretizações de y e p k a probabilidade da ocorrência da afluência y k. A formulação (14) e (15) é denominada formulação do tipo "decisão-acaso", e é adotada no planejamento energético da operação do sistema elétrico brasileiro, quando se utiliza a PDE convencional (Kligerman, 1992). Nesse tipo de formulação, as decisões são tomadas sem o conhecimento das vazões afluentes no próprio mês, mas em função da distribuição de probabilidade dessas vazões. 4. Programação Dinâmica Estocástica Dual A Programação Dinâmica Estocástica Dual (PDED) é uma técnica alternativa à PDE que promete solucionar o problema da dimensionalidade pois não apresenta a necessidade da discretização do espaço de estados. Essa metodologia se baseia no princípio de decomposição de Benders, que é uma técnica de relaxação utilizada em problemas de grandes dimensões (Benders, 1962), (Benders, 1980), (Lasdon, 1970). A PDED é uma formulação do tipo "acaso-decisão" (Kligerman, 1992), onde a vazão afluente no início do estágio t, y t, é assumida conhecida. A partir da distribuição log-normal das afluências, é obtido um conjunto de afluências equiprováveis. O problema é resolvido para cada afluência separadamente, resultando em diferentes decisões ótimas individuais. Com isso, para o mesmo estado, existem diferentes custos de operação. O custo total atribuído ao estado é obtido através do valor esperado ou esperança matemática dos custos relacionados a cada uma das afluências equiprováveis. Considere o seguinte problema linear e determinístico de dois estágios: min c 1 x 1 + c 2 x 2 (16) A 1 x 1 b 1 (17) E 1 x 1 + A 2 x 2 b 2 (18)

4 Os vetores x 1 e x 2 representam as variáveis de decisão do primeiro e segundo estágios, respectivamente. O custo do primeiro estágio é representado por c 1 x 1 e as restrições do sistema são dadas pelo conjunto de restrições A 1 x 1 b 1. O que se procura no processo de otimização é minimizar o custo total c 1 x 1 + c 2 x 2. Esse problema pode ser resolvido como um processo de decisão em dois estágios. Assume-se agora o segundo estágio estocástico, ou seja, o parâmetro b 2 assume m possibilidades e associado aos valores estocásticos de b 2 = (b 21, b 22,..., b 2m ) existe uma distribuição de probabilidades p 1, p 2,..., p m, com (p 1 + p p m = 1). O problema consiste então em determinar a estratégia que minimiza o valor esperado do custo: min c 1 x 1 + p 1 c 2 x p m c 2 x 2m (19) A 1 x 1 b 1 (20) E 1 x 1 + A 2 x 21 b 21 (21) E 1 x 1 + A 2 x 22 b 22 (22) M E 1 x 1 + A 2 x 2m b 2m (23) O problema (19)-(23) corresponde ao seguinte processo de decisão: 1 o estágio : encontre uma decisão factível x 1 * tal que Ax 1 * b 1. 2 o estágio : dada a decisão x 1 * do primeiro estágio, encontre o vetor (x 21 *, x 22 *,...,x 2m *), que é a solução do seguinte problema: α 1 (x 1 *) = p 1 c 2 x p m c 2 x 2m (24) A 2 x 21 b 21 - E 1 x 1 * (25) A 2 x 22 b 22 - E 1 x 1 * (26) M A 2 x 2m b 2m - E 1 x 1 * (27) O problema (24)-(27) pode ser dividido em m subproblemas de otimização independentes (j=1, 2,..., m): min c 2 x 2j (28) A 2 x 2j b 2j - E 1 x 1 * (29) cujas soluções ótimas x 2j * estão associadas aos diferentes cenários b 2j com probabilidades p j. Semelhante ao caso determinístico, a solução de cada subproblema de 2 o estágio é uma função da decisão x 1, do 1 o estágio. Dessa forma, o problema inicial pode ser reescrito como: min c 1 x 1 + α 1 (x 1 ) (30) A 1 x 1 b 1 (31) onde c 1 x 1 representa o custo imediato e α 1 (x 1 ) representa o valor esperado do segundo estágio. A função α 1 (x 1 ) é um poliedro convexo que pode ser construído a partir dos multiplicadores simplex associados a cada subproblema. Sejam π 1 *, π 2 *,..., π m * os multiplicadores simplex associados às restrições de cada subproblema (28)-(29) e w 1 *, w 2 *,..., w m * os valores das soluções ótimas correspondentes. Pode-se expressar o corte de Benders associado ao valor esperado do problema de segundo estágio α 1 (x 1 ) da seguinte forma: p 1 (w 1 * + π 1 E 1 (x 1 * - x 1 )) p m (w m * + π m E 1 (x 1 * - x 1 )) α (32) Agrupando os termos em comum da Eq. (32) obtém-se a seguinte expressão para o corte médio de Benders: e w* + π E 1 (x 1 * - x 1 ) α (33) w*= p 1 w 1 * + p 2 w 2 * p m w m * (34) π = p 1 π 1 + p2π p m π m (35) Observa-se que no caso de distribuições de probabilidades equiprováveis, os valores esperados de w e π, são obtidos simplesmente pelas médias aritméticas dos valores de w j e π j (j=1, 2,..., m) respectivamente.

5 Vale notar que como a decisão ótima x 2j * do segundo estágio é diferente para cada cenário b 2j, o processo é do tipo "acaso-decisão" (Kligerman, 1992). O processo de resolução do problema formulado anteriormente divide-se em duas etapas: simulação de ida, chamada forward e uma recursão inversa, denominada backward. Cada iteração k é constituída por essas duas simulações. Na primeira iteração o problema é resolvido considerando as restrições referentes aos cortes de Benders relaxadas. A cada recursão inversa, o problema gera cortes de Benders para melhor aproximar as funções de custo futuro. O processo é repetido até que haja uma boa aproximação para a função de custo futuro mínimo de cada estágio. A solução total obtida ao final do processo de simulação forward é um limitante superior do valor da solução ótima de (1)-(11), uma vez que as funções de custo futuro mínimo de operação utilizadas ainda não são as verdadeiras. Com as soluções obtidas em cada estágio desse problema g t k o limite superior é calculado como a soma dos custos de geração térmica em todos os estágios. No caso da equação de balanço do reservatório, Eq. (4), a variável dual da solução ótima π t-1 * mede a alteração marginal do custo futuro mínimo de operação do estágio t-1 resultante da variação marginal a partir do seu valor inicial de armazenamento no estágio t, x t-1 *. Esse multiplicador é então utilizado para adicionar um segmento linear para a aproximação da função custo futuro mínimo do estágio t-1, α t-1 (x t-1 ). Esse segmento linear pode ser interpretado como uma linearização externa da função custo futuro em torno do volume de armazenamento inicial x t-1 *, o que assegura que: α * * * t 1( xt 1) αt 1( xt 1 ) + π t 1 ( xt 1 xt 1 ) (36) Figura 1. Esquema do Corte de Benders. Na Simulação Direta (forward) são calculados os volumes ao final de cada estágio (x t *, t=1,..., T) em torno dos quais serão aproximadas as funções de custo futuro na recursão inversa. Na Recursão Inversa (backward) são calculados os valores de custo futuro e custos marginais α t-1 (x t-1 *) e π t-1, (t=t,..., 1), sendo estes a cada estágio calculados em torno dos valores de volumes x t-1 *, definidos na simulação direta. A variável dual π t-1 k é calculada a cada estágio T, T-1,..., 1 e utilizada na geração do corte de Benders que será acrescentado ao estágio anterior. Por exemplo, no último estágio T um corte de Benders é formulado através da Eq. (36). Esse corte é acrescentado ao problema anterior T-1 que será resolvido agora com esse corte e uma nova variável dual será obtida, que gera um novo corte que é passado ao estágio anterior e assim sucessivamente. A idéia é que a cada iteração um novo corte de Benders seja gerado para o primeiro estágio, fornecendo uma melhor aproximação para a função de custo futuro. O valor da solução do problema do primeiro estágio, portanto, é um limitante inferior da solução ótima, uma vez que seus valores são sempre menores que a função original de custo futuro. Esse limite é calculado através da solução (g 1 k e α 1 k ) do primeiro estágio da volta. É importante destacar que o valor da variável dual obtida em um certo estágio t da ida é diferente do valor fornecido na volta, onde os problemas para cada estágio são resolvidos agora com os cortes de Benders, gerados para cada estágio em cada iteração, durante o processo de otimização. Quando os valores dessas variáveis duais se igualarem é sinal que a solução já obteve a precisão desejada. Os limites inferior e superior são utilizados no critério de parada, de acordo com uma precisão pré-estabelecida. Caso a diferença entre esses limites ultrapasse a tolerância estabelecida no início do processo de otimização, é

6 necessário prosseguir com a recursão inversa, onde serão gerados os cortes de Benders na região da solução ótima obtida na simulação forward. Dessa forma, a tendência é que o gap entre os limites inferior e superior diminua a cada iteração e que após um certo número de iterações ele alcance a precisão pré-estabelecida. 5. Comparação entre PDE e PDED Para comparar a PDE e PDED, as aproximações das funções de custo esperado futuro da usina hidrelétrica de Furnas, determinadas pela PDED serão comparadas as obtidas pela PDE, para períodos de planejamento de 2 e 6 meses. A função geral de custo térmico Ψ t (g t) utilizada em todas as aplicações é representada pelo seguinte polinômio de segundo grau: Ψ ( ) cg 2 t gt = a + bgt + t (37) onde a, b e c são constantes não negativas ajustadas de acordo com o estudo. Em todos os estudos foi considerada, por simplificação, a função de produção linear (produtividade constante) de acordo com as aplicações feitas em (Pereira, 1985), (Pereira, 1989). A expressão para essa função é dada por: pt = ρoqt (38) O mercado d t em MW médios a serem atendidos em cada estágio foram considerados iguais à capacidade instalada da usina hidrelétrica e adotados constantes para todos os meses do período de planejamento. Foi adotado em cada estudo um armazenamento inicial no reservatório igual a 100% do volume útil no início de maio e a tolerância utilizada para convergência do método em todas as aplicações foi de 1%. A comparação foi feita considerando os dados operativos da usina hidrelétrica de Furnas, localizada na bacia do Rio Grande. A demanda considerada foi igual à potência instalada de Furnas que é de 1312 MW e a produtividade utilizada foi de 0,8 (MW/(m 3 /s)). Os valores de volumes e vazões turbinadas mínimos e máximos aparecem na Tab. (1). Tabela 1. Dados operativos da usina de Furnas. Dados de Furnas Valor Mínimo Valor Máximo Volume (hm 3 ) Vazão Turbinada (m 3 /s) Neste trabalho, a função de custo esperado futuro fornecida pela PDE, considerando um período de otimização de 10 anos, a partir de 10 estados possíveis de vazão afluente e 100 estados possíveis de volume armazenado. A função ajustada aos valores de custo futuro médios é uma função quadrática, obtida através do método dos mínimos quadrados (Bertsekas, 1995). A Fig. (2) mostra as curvas de custo esperado futuro x volume útil para a usina de Furnas para os 6 primeiros meses do período de planejamento (Maio a Outubro). Figura 2. Custo Futuro Esperado da PDE.

7 Na PDED as afluências foram representadas por árvores de cenários hidrológicos com duas ramificações, considerando probabilidades equiprováveis e assumindo que as vazões afluentes são variáveis aleatórias independentes. Figura 3. Esquema de Árvore de Cenários Hidrológicos. Como função de custo terminal foi considerada a função de custo futuro dada pela PDE para o estágio (mês) correspondente. No último mês de cada período de planejamento estudado, os cortes gerados pela PDED aproximam bem a função de custo esperado futuro da PDE, sendo retas tangentes a essa curva, como mostram as figuras (4-a) e (7- b). Note que apesar da grande quantidade de cortes para esses meses, somente alguns são utilizados na aproximação da função de custo futuro. Por outro lado, não houve uma boa aproximação para os outros meses do período de planejamento, uma vez que os cortes obtidos pela PDED (retas azuis) não geraram uma linearização externa da função de custo esperado da PDE (curva em vermelho) a partir dos armazenamentos da ida (ponto em asterisco), resultantes da simulação forward, para cada mês. A partir dos testes feitos, foi possível constatar que quanto maior o período pior a aproximação para os primeiros meses da função de custo futuro esperado fornecida pela PDED com a da PDE. Quanto maior o período de planejamento, maior a quantidade de restrições consideradas em cada subproblema. Figura 4. Aproximações das Funções de Custo Esperado Futuro para os finais dos meses de Maio e Junho para período de planejamento de dois meses.

8 Figura 5. Aproximações das Funções de Custo Esperado Futuro para os finais dos meses de Maio e Junho para período de planejamento de seis meses. Figura 6. Aproximações das Funções de Custo Esperado Futuro para os finais dos meses de Julho e Agosto para período de planejamento de seis meses.

9 Figura 7. Aproximações das Funções de Custo Esperado Futuro para os finais dos meses de Setembro e Outubro para período de planejamento de seis meses. A Fig. (4) mostra as funções de custo futuro esperado da PDE e as aproximações dessa função geradas pela PDED para os meses de maio e junho, em um período de 2 meses. As Figuras (5), (6) e (7) mostram as funções de custo futuro esperado da PDE e as aproximações dessa função geradas pela PDED para os meses de maio, junho, julho, agosto, setembro e outubro, em um período de 6 meses. 6. Conclusões e Futuros Trabalhos No presente trabalho foram comparadas as metodologias PDE e PDED, utilizadas no planejamento energético da operação de sistemas de energia elétrica. As aplicações foram realizadas para o caso particular de sistemas formados por uma única usina hidrelétrica. Na PDED foi utilizada uma árvore de cenários hidrológicos com duas ramificações, para representar a estocasticidade das vazões afluentes ao reservatório, com base nos dados do histórico de vazões médias mensais de cada usina hidrelétrica. Nos estudos consideraram-se equiprováveis as probabilidades associadas às vazões afluentes. Foram comparadas as funções de custo futuro esperado fornecidas pela PDE e as aproximações das funções de custo esperado futuro obtidos pelo método PDED, onde a aproximação da função é construída iterativamente, para os períodos de 2 e 6 meses. Foram verificados os resultados das comparações considerando o início do período no mês de maio, caracterizado como um período seco. A comparação das funções de custo futuro esperado foi feita para cada mês pertencente ao período de planejamento. O último mês do período apresentou uma boa aproximação por considerar exatamente o custo futuro da PDE. Em ambos os testes a função de custo esperado futuro resultante da PDED não forneceu uma boa aproximação da função de custo futuro esperado da PDE. Futuros trabalhos serão feitos considerando um número maior de estágios e tentando buscar estratégias para contornar o problema da dimensionalidade. Uma comparação final será feita através da simulação dos resultados obtidos pela PDED. 7. Agradecimentos Este trabalho teve o suporte financeiro da Fundação de Apoio à Pesquisa do Estado de São Paulo (FAPESP) e do Conselho Nacional de Desenvolvimento Científico e Tecnológico (CNPq). 8. Referências Bibliográficas BELLMAN, R., Dynamic Programming, Princeton University Press, Princeton, N. J. BENDERS, J. F., Partionating Procedure for Solving Mixed Variables Programming Problems, 4: BENDERS, J. F., Solution Methods for Stochastic Dynamic Linear Problems. Stanford University, Systems Optimization Laboratory, Dept. of Operations Research, Report 80.

10 BERTSEKAS, D. P., Dynamic Programming and Stochastic Control, Academic Press. KLIGERMAN, A., Operação Ótima de Subsistemas Hidrotérmicos Interligados Utilizando Programação Estocástica Dual, Dissertação de Mestrado, FEEC-Unicamp, Campinas. LASDON, L.S., Optimization Theory for Large Systems, The McMillan Company. NEMHAUSER, G. L., Introduction to Dynamic Programming, John Wiley, New York. PEREIRA, M. V. and PINTO, L. M. V. G., Stochastic Optimization of a Multireservoir Hydroelectric System: A Decomposition Approach, Water Resources Research, 23(6): PEREIRA, M. V. and PINTO, L. M. V. G., Optimal Stochastic Operation Scheduling of large hydroelectric Systems. International Journal of Electrical Power and Energy Systems, 11: THANOS T. and YEH W. W-G., Use of Stochastic Dynamic Programming for Reservoir Management, Water Resources Research, 21(6): Copyright Notice The authors are the only responsible for the printed material included in this paper. Abstract. The operation planning of hydrothermal power systems aims to determine, for each stage (month) of the planning period (years), the amount of generation for each plant of the system which attends the load demand and minimizes the expected operation cost along the planning period. The traditional way of solving this problem, adopted in the Brazilian electrical sector for many years, was using the Stochastic Dynamic Programming (SDP) technique. Recently this technique was replaced by the Dual Stochastic Dynamic Programming (DSDP) one, based on Benders' decomposition, that promises to solve the "curse of dimensionality" associated with SDP. This work presents a comparison between SDP and DSDP in the resolution of the operation planning of hydrothermal power systems, discussing the advantages and disadvantages of both methods. In the studied applications the particular case of systems composed by only one hydro plant has been considered. Keywords. Operation planning of hydrothermal power systems, Stochastic Dynamic Programming, Dual Stochastic Dynamic Programming, Benders' decomposition.