II - FORMULAÇÃO MATEMÁTICA DO PROBLEMA
|
|
- Micaela Nobre Fialho
- 7 Há anos
- Visualizações:
Transcrição
1 A pesquisa Operacional e os Recursos Renováveis 4 a 7 de novembro de 2003, Natal-RN ALOCAÇÃO ÓTIMA DE TRANFORMADORES DEFASADORES ATRAVÉS DE UM ALGORITMO GENÉTICO NO PLANEJAMENTO DA OPERAÇÃO DE UM SISTEMA DE ENERGIA ELÉTRICA Celso T. Miasai Departamento de Engenharia Elétrica, FEIS- UNESP Av. Brasil Norte, 364 Caixa Postal 31
2 A complexidade da operação e planejamento de um sistema de potência se deve, em grande parte, a problemas relacionados com o sistema de transmissão, que tem como função, a responsabilidade de fazer com que a potência gerada chegue aos centros de consumo, bem como prover a interligação entre áreas de maneira eficiente e flexível. As linhas de transmissão estão sujeitas a limites (térmicos e/ou de estabilidade) que restringem o nível de potência que pode ser transmitido com segurança. Tais limites criam pontos de estreitamento na rede de transmissão [1]. Uma estratégia para resolver este problema seria superdimensionar o sistema de potência, mas atualmente, torna-se impraticável devido ao custo elevado e as rígidas restrições impostas pela legislação ambiental. Na forma tradicional, havendo necessidade de se redirecionar o fluxo de potência, a metodologia mais comum é a mudança do padrão de geração. Uma outra alternativa seria utilizar os novos equipamentos baseados na eletrônica de potência, os chamados controladores FACTS (Flexible Alternating Current Transmission Systems), que são controladores flexíveis e vêm de encontro a este novo cenário que se apresenta para o setor elétrico. O conceito de FACTS foi concebido por Hingorani [2] na década de 80, esses controladores possuem diversas aplicações dentre as quais podem ser destacadas: o despacho econômico, o fluxo de potência ótimo AC/DC e o gerenciamento do congestionamento da transmissão. São equipamentos estáticos desenvolvidos da eletrônica de potência que podem ser utilizados no controle de potência ativa, potência reativa ou controle da tensão. Estes equipamentos alteram a impedância aparente, as amplitudes e os ângulos de defasagem entre as tensões terminais das redes de transmissão. Em [3], Lie e Deng desenvolvem um modelo matemático que utiliza controladores FACTS com o objetivo de encontrar a alocação ótima desses equipamentos para melhorar o despacho econômico de carga, sendo testados em sistemas de pequeno porte utilizando um método de decomposiçãocoordenação e técnicas de compensação. O trabalho de Paterni [4], simula a inserção de um conjunto de transformadores defasadores na rede francesa. Isto é feito através de um algoritmo genético que busca encontrar a melhor alocação desses controladores com o objetivo de reduzir o custo de geração e aumentar o carregamento da rede. Gerbex em [5] também busca através de um algoritmo genético a ótima alocação, só que de múltiplos controladores FACTS com o objetivo de maximizar o carregamento no sistema de potência. Fazer o planejamento a curto prazo de um sistema de potência implica em avaliar economicamente as opções de investimento. É com este enfoque que este trabalho foi desenvolvido. A proposta deste trabalho é tentar resolver um problema de planejamento da operação através de um modelo matemático que incorpora controladores FACTS na sua formulação, neste caso, transformadores defasadores. A inclusão desses controladores na rede tem como objetivo redirecionar os fluxos de potência ativa na tentativa de minimizar os custos de geração, portanto, o padrão de geração mais econômico deve ser encontrado. Com a adição de transformadores defasadores em uma linha longa pode-se forçar o fluxo nessa linha e balancear os fluxos nos ramos. Este artigo propõe a utilização de um algoritmo genético para solucionar este problema através de simulações no sistema Sul brasileiro modificado. As simulações são feitas com o intuito de avaliar a efetividade do algoritmo proposto, isto é, minimizar o custo de operação e aumentar o desempenho do sistema. II - FORMULAÇÃO MATEMÁTICA DO PROBLEMA Nesta seção é apresentada uma proposta de formulação para o problema de planejamento da operação do sistema de energia elétrica. A diferença básica entre os diversos tipos de formulação apresentada na literatura e a proposta está na inclusão de transformadores defasadores no modelo proposto. Utiliza-se uma modelagem aproximada para analisar a capacidade do sistema em relação ao transporte de potência ativa. Representando por ng o conjunto de todos os geradores, nl o conjunto de todos os ramos existentes, nc o conjunto de todas as barras onde existe demanda e por nb o conjunto de todas as barras da rede, o problema de planejamento da operação pode ser formulado da seguinte forma: 1159
3 Minimizar s.a ng = 1 nl v = e. t g + d n y + α r (1a) ( i, j) nc = 1 Sf + g + r = d, nb (1b) f γ n ( θ θ y ϕ ) = 0, nl (1c) i j f n f, nl (1d) 0 g, ng (1e) g 0 r d, nc (1f) θ j irrestrito (1g) f irrestrito (1h) ϕ irrestrito (1i) g 0 (1j) As variáveis do problema foram representadas por v: custo anual de operação do sistema elétrico; g : quantidade de potência ativa gerada na barra ; y : presença ou não de transformadores defasadores no circuito i j (variável binária); r : geração fictícia na barra ; f : fluxo total no caminho i j; θ i : ângulo de fase da barra i; ϕ : ângulo do transformador defasador no caminho i j. Os demais símbolos representam os dados de entrada do problema cuja nomenclatura é e: custo da energia; t: tempo (anual); d : custo unitário anual do transformador defasador; n : número de circuitos existentes no caminho i j; α : parâmetro de penalidade elevado; S: matriz de incidência nó-ramo do sistema elétrico; f: vetor de fluxos; g: vetor de geração; r: vetor de geração artificial; d: vetor de demanda; γ : susceptância de um circuito no caminho i j; f : fluxo máximo permitido para um circuito no caminho i j; g : vetor de máxima capacidade de geração nas barras de geração; d : representa a demanda na barra de carga. A função objetivo (1a) corresponde aos custos de investimento, sendo que o primeiro e terceiro termos representam respectivamente, os custos de operação da geração existente e artificial. Já o termo intermediário representa o custo da inclusão de transformadores defasadores no sistema. As restrições (1b) representam as equações de balanço de potência (1ª lei de Kirchhoff), uma para cada barra do sistema; as restrições (1c) representam as equações utilizadas para expressar os fluxos de potência nos componentes internos como funções das tensões de seus nós terminais (2ª lei de Kirchhoff), uma equação por ramo com circuito [6]; e as restrições (1d) correspondem aos limites de capacidade de transmissão dos circuitos (linhas e/ou transformadores) e o valor absoluto é necessário pois o fluxo pode fluir nos dois sentidos. As restrições (1e) e (1f) se referem aos limites operacionais do sistema e as demais são restrições próprias das características das variáveis. Na equação (1c) aparece a função do defasador cuja inclusão no sistema permite modificar as relações da segunda lei de Kirchhoff produzindo um reordenamento dos fluxos de potência ativa e, portanto, diminuindo os custos de operação da geração. O problema (1) é um problema de programação não-linear (0-1) misto devido ao produto das variáveis y e ϕ na restrição (1c). Tentar resolvê-lo por meio de um método de otimização combinatorial, por exemplo, branch-and-bound é uma tarefa bastante árdua. Além disso, praticamente não existem algoritmos branch-and-bound para problemas mistos e não lineares. Assim, deve-se usar uma técnica de otimização para problemas não lineares inteiro misto. Propõe-se a utilização de uma técnica de busca através de configurações, no caso, um algoritmo genético para construir um vetor solução y que contorna a não linearidade. Ao incluir esta solução parcial em (1), o problema proposto se transforma em um simples problema de programação linear. 1160
4 III - ALGORITMO GENÉTICO Os algoritmos genéticos tiveram sua origem em meados dos anos 70, na Universidade de Michigan, através do então, professor Holland, alicerçados no mecanismo de seleção natural e na sobrevivência dos melhores indivíduos. No algoritmo genético é necessário escolher a forma de representar cada indivíduo ou solução candidata da população de acordo com a natureza de cada problema (codificação). Cada indivíduo é representado por uma cadeia cromossômica também chamada de configuração ou strings. O algoritmo genético é um processo iterativo que gerencia uma população de indivíduos por meio de um mecanismo de transição adequado. Passa de uma solução para outra através de três operadores genéticos (seleção, recombinação e mutação) na tentativa de encontrar os melhores resultados a cada iteração. Durante o processo sempre existe uma solução corrente armazenada, representando a melhor solução encontrada (incumbente) até o momento. O processo termina quando a população converge (estabiliza), indicando não ser possível encontrar indivíduos melhores. Desta forma, é encontrada uma solução sub-ótima para o problema. No algoritmo genético, o tamanho da população, a taxa de recombinação e a taxa de mutação constituem um conjunto de parâmetros que controlam de forma adequada, o comportamento do algoritmo genético. IV - ALGORITMO GENÉTICO PROPOSTO A alocação de transformadores defasadores é um problema de análise combinatorial. Este trabalho propõe a utilização de um algoritmo genético para resolver o problema de alocação ótima destes dispositivos em um sistema de potência. Um algoritmo genético trabalha com uma população de indivíduos, que nos problemas combinatórios significam um conjunto de soluções candidatas, sendo normalmente usado para resolver problemas complexos. Inicialmente, deve-se representar adequadamente uma solução candidata do problema, em outras palavras, deve-se codificar o problema. a) CODIFICAÇÃO DO PROBLEMA Devido a natureza das variáveis de decisão foi proposto uma codificação binária para representar as soluções candidatas no problema de alocação dos transformadores defasadores. A estrutura de codificação é representada por um único cromossomo, isto é, possui somente um parâmetro, a localização dos transformadores defasadores, sendo mostrada na figura 1. y P = n nl Figura 1. Codificação da localização dos transformadores defasadores Nesta codificação binária, a cadeia de caracteres possui comprimento nl, que indica o número de circuitos no sistema que podem alocar os transformadores defasadores. A variável y pode assumir o valor 0 ou 1, e indica a presença ou não de transformador defasador no circuito i j. A seqüência de circuitos que aparecem no cromossomo está relacionada com a ordem desses elementos no banco de dados do sistema. 1161
5 b) POPULAÇÃO INICIAL Existem diferentes maneiras para gerar uma população inicial. Em um algoritmo genético a qualidade da solução final sofre influência do tamanho da população e da forma como ela é construída. Neste trabalho a população inicial foi gerada aleatoriamente com o auxilio de um processo de controle. O controle consiste em fixar em seis unidades, a quantidade máxima de possíveis locais para os transformadores defasadores na população inicial. c) FUNÇÃO DE APTIDÃO A necessidade de medir a qualidade de cada indivíduo na população corrente impõe o cálculo de uma função objetivo, ou seu equivalente, chamada de função de aptidão. Isto é feito com o objetivo de encontrar o melhor indivíduo e indicar o valor de seu custo. No problema proposto não foi necessária uma função de adaptação para fazer uma comparação quantitativa das configurações de uma população, sendo utilizado o valor verdadeiro da função objetivo. A função objetivo é dada por uma equação linear que representa e quantifica um indivíduo da população. Deve-se minimizar a função que se apresenta da seguinte forma: ng = 1 nl v = e. t g + d n y + α r (2) ( i, j) nc = 1 A constante e indica o custo de energia, e para as simulações no sistema testado foi fixado entre US$ 40,00 e 60,00 o MWh. As outras constantes: t (tempo), d (custo unitário dos transformadores defasadores) para todas as linhas do sistema e α (custo unitário do corte de carga) para todas as barras do sistema foram fixadas respectivamente em 8760 horas, US$ 20x10 6 e US$ 1x10 6. O parâmetro α é utilizado para penalizar o uso de geração artificial. As incógnitas desta função são as gerações g e r. CICLO GERACIONAL É uma iteração do algoritmo genético que permite encontrar as configurações da nova população a partir da população corrente. Engloba os processos de seleção, recombinação e mutação. a) SELEÇÃO A seleção é o operador genético que permite selecionar as configurações da população corrente que devem participar da formação da nova população. Nesta proposta utilizou-se a seleção por torneio, que consiste em realizar sorteios para escolha dos descendentes. Em cada sorteio são escolhidas aleatoriamente duas ou três configurações e, seleciona-se aquela configuração com função objetivo de melhor qualidade. Geralmente a seleção é implementada simultaneamente com a recombinação, isto é, seleciona-se duas configurações e procede-se a implementar a recombinação dessas configurações após verificar a taxa de recombinação, caso o número sorteado seja menor que a taxa, realiza-se a recombinação. Embora muito simples, este método é muito rápido e eficiente. b) RECOMBINAÇÃO A recombinação é o principal operador genético, pois tenta simular o processo de diversidade genética. Existem diversos tipos de recombinação e a diferença entre eles está no número de pontos a recombinar. Foi implementada neste trabalho a recombinação em um único ponto e fixou-se uma taxa de recombinação ρ R = 0, 8. Como dito anteriormente, logo após serem escolhidas as duas configurações no processo de seleção, elas devem ser submetidas ao operador de recombinação. 1162
6 c) MUTAÇÃO Devido ao fato da codificação ser binária, no algoritmo genético proposto, o operador de mutação faz uma simples troca de valor da variável, de 0 para 1 ou vice-versa. A mutação é feita em um único ponto. Utilizou-se uma taxa de mutação ρ M = 0, 004, isto é, se o número aleatório for menor que esta taxa, aplica-se o operador de mutação. CRITÉRIO DE PARADA Uma nova população é obtida através dos operadores genéticos: seleção, recombinação e mutação. O critério de parada proposto depende da evolução do processo, isto é, os operadores devem ser repetidos até que não haja melhora da incumbente durante 10 iterações. A figura 2 mostra o diagrama de blocos da estratégia de planejamento. INÍCIO LEITURA DOS DADOS DAS BARRAS E DAS LINHAS REORDENAMENTO DA ENTRADA DAS LINHAS GERAÇÃO DA POPULAÇÃO INICIAL RESOLUÇÃO DOS PL S (MINOS) OBTER A INCUMBENTE HOUVE ALTERAÇÃO DA INCUMBENTE NAS ÚLTIMAS 10 ITERAÇÕES? NÃO IMPRESSÃO DOS RESULTADO SIM SELEÇÃO E RECOMBINAÇÃO MUTAÇÃO FIM NOVA POPULAÇÃO Figura 2. Fluxograma do algoritmo proposto 1163
7 V - TESTES E RESULTADOS A partir da formulação matemática proposta foi implementado um programa computacional em linguagem FORTRAN para solucionar o problema de planejamento da operação utilizando um algoritmo genético. A otimização através da alocação de transformadores defasadores no sistema tem como objetivo melhorar a utilização do sistema existente. Nesta seção são apresentados os resultados obtidos com o algoritmo proposto. Os testes foram aplicados ao sistema Sul brasileiro modificado, e realizados em um computador Pentium III, 833 MHz com 128Mbytes de memória RAM, plataforma Windows NT. Devido ao modelo matemático proposto apresentar a estrutura de um PL e o algoritmo genético trabalhar com um conjunto de soluções, percebe-se a necessidade de se resolver uma quantia considerável de PL s. Neste trabalho todos os PL s foram resolvidos com uma subrotina comercial, que faz parte do software conhecido como MINOS (Modular Incore Nonlinear Optimization Systems), desenvolvido pela Universidade de Stanford. O sistema reduzido e modificado da região Sul brasileira é composto de 41 barras e 55 caminhos onde existem circuitos, possui capacidade total de geração de MW e demanda de MW, e os dados referentes ao sistema se encontram no apêndice. Foram estudados dois casos para ilustrar os resultados da aplicação do algoritmo proposto. O primeiro caso consiste em manter constante o custo de energia e para todas as barras de geração, além de desconsiderar a presença de transformadores defasadores no sistema. Neste caso foram realizadas duas simulações. A primeira fixou um custo de geração e = 40 US$/MWh, e os resultados obtidos indicaram um custo total de geração da ordem de US$ 2.410,752 x Também mostrou que as gerações das barras 16, 28 e 46 não foram utilizadas. Na segunda simulação, o custo de geração foi fixado em 60 US$/MWh, e a solução apresentou um custo total de geração de US$ 3.616,128 x As tabelas 1 e 2, na seqüência, ilustram como ficaram as barras de geração do sistema Sul brasileiro modificado quando é utilizado o modelo proposto mantendo fixo os custos de energia. Tabela 1. Nível de geração no sistema reduzido Sul brasileiro com e=40 Número da barra Geração (MW) Custo (US$/MWh) Tabela 2.. Nível de geração no sistema reduzido Sul brasileiro com e=60 O segundo caso considerou diversos valores para os custos de geração de energia nas barras. Esses custos variaram dentro do intervalo de U$ 40 a 60 o MWh e como no caso anterior foram realizadas duas simulações. 1164
8 A primeira simulação não considerou a presença de transformadores defasadores no sistema. Ao correr o programa computacional encontra-se um custo total de geração de U$ ,00. A tabela 3 ilustra os valores obtidos pelas unidades geradoras que levaram a esse custo. Para as três simulações realizadas sem a presença de transformadores defasadores, duas com custo fixo e uma com custo variável, foram necessários resolver apenas um PL em cada simulação. A segunda simulação deste caso apresentou uma complexidade muito maior, pois o problema possui valores diferentes para o custo de geração e a possibilidade de alocar transformadores defasadores no sistema. Portanto, para encontrar a melhor alocação dos transformadores defasadores no sistema foram necessários resolver diversos PL s, devido a se trabalhar com um conjunto de soluções candidatas. Para essa simulação, a solução apresentou um custo de investimento de U$ ,00, na qual é alocado 1 transformador defasador no caminho A tabela 4 ilustra os resultados obtidos através desta simulação. Com relação ao algoritmo genético, os parâmetros utilizados foram um tamanho da população N P = 40, uma taxa de recombinação ρ R = 0, 8 e uma taxa de mutação ρ M = 0, 004. Também foi fixado um custo anual de 20 milhões de dólares para cada transformador defasador alocado no sistema. Tabela 3. Tabela com o nível de geração no sistema reduzido Sul brasileiro sem transformadores defasadores Número da barra Geração (MW) Custo (US$/MWh) Tabela 4. Tabela com o nível de geração no sistema reduzido Sul brasileiro com transformadores defasadores Número da barra Geração (MW) Custo (US$/MWh) Ao se comparar os resultados das tabelas 3 e 4 deve-se observar que o algoritmo proposto deixa de gerar potência na barra 39 e diminui a geração na barra 31, ao passo que aumenta a geração na barra 17. Note que as barras 31 e 39 possuem custo elevado, já a barra 17 apresenta baixo custo. Portanto, a alocação de um transformador no circuito de redireciona os fluxos nas linhas diminuindo os custos de geração. A conseqüência da alocação deste controlador no sistema é uma diferença econômica da ordem de US$ ,00. Também pode-se dizer que na tabela 3 são necessários 305,34 MW de geração com custo elevado. Para uma melhor análise do problema que propõe a presença de transformadores defasadores no sistema foi utilizado dois solver do software GAMS (General Algebraic Modeling System), o CPLEX e o SNOPT. A solução encontrada através do GAMS é a mesma obtida pelo algoritmo proposto, o que indica que o algoritmo genético encontrou o ótimo global do problema. A diferença é que o GAMS apresenta soluções ótimas alternativas, isto é, além do circuito o transformador defasador poderia ser alocado nos circuitos 16-17, ou
9 V - CONCLUSÕES Os resultados apresentados demonstram a eficiência do algoritmo genético implementado para resolver o problema de planejamento da operação de sistemas de energia elétrica, que também indicam um melhor rendimento operacional do sistema com o uso de transformadores defasadores. Os transformadores defasadores podem ser usados no planejamento da operação para redirecionar os fluxos de potência ativa melhorando o desempenho da operação do sistema elétrico. Nos testes os custos de operação foram considerados lineares, mas podem ser facilmente introduzidos custos não lineares que podem ser linearizados por partes, e ainda usar técnicas de programação linear para analisar o desempenho dos dispositivos direcionadores de fluxo de potência ativa. A não existência de valores exatos dos custos dos controladores FACTS e a perspectiva que os custos desses equipamentos possam diminuir muito nos próximos anos levaram a utilização de valores aproximados para os custos dos transformadores defasadores. No futuro, pretende-se incluir a análise do sistema elétrico com custos de operação não lineares, assim como a utilização de outros controladores FACTS. REFERÊNCIAS BIBLIOGRÁFICAS : [1] PEREIRA, J.L.R., Modelagem de Dispositivos de Controle FACTS em Sistemas de Potência para Análise em Regime Permanente, Minicurso do XIII Congresso Brasileiro de Automática, Florianópolis, SC, Setembro de [2] HINGORANI, N. G., Power Electronics in Electric Utilities: Role of Power electronic in Future Power Systems, proceedings of IEEE, Vol. 76, no.4, abril [3] LIE T. T. AND Deng W. : Optimal Flexible AC Transmission Systems(FACTS) devices allocation, Electrical Power & Energy Systems, Vol. 19, nº 2, pp , 1997 [4] PATERNI, P. & VITET, S. & BENA, M. & YOKOYAMA, A Optimal Location of Phase Shifters in the French Networ by Genetic Algorithm, IEEE Transactions on Power Systems, Vol 14, No 1, fevereiro de [5] GERBEX S. & CHERKAOUI R. & GERMOND J. : Optimal Location of Multi-Type FACTS devices in Power System by Means of Genetic Algoritms, IEEE Transactions on Power Systems, Vol 16, No 3, agosto de [6] MONTICELLI A. : Fluxo de carga em redes deenergia Elétrica, Editora Edgar Blucher Ltda, São Paulo,
10 APENDICE A.1. Configuração do Sistema Sul Brasileiro Modificado Geração Carga 230 KV KV 1167
11 A.2. Dados das Barras Número Geração(MW) Carga(MW) Custo de geração da barra A.3. Dados das linhas Número da linha Barra inicial Barra final Linhas existentes Reatância Capacidade transmissão (MW) Custo US$
12
UM ALGORITMO GENÉTICO ESPECIALIZADO APLICADO AO PLANEJAMENTO DA EXPANSÃO DO SISTEMA DE TRANSMISSÃO COM ALOCAÇÃO DE DISPOSITIVOS DE COMPENSAÇÃO SÉRIE
UM ALGORITMO GENÉTICO ESPECIALIZADO APLICADO AO PLANEJAMENTO DA EXPANSÃO DO SISTEMA DE TRANSMISSÃO COM ALOCAÇÃO DE DISPOSITIVOS DE COMPENSAÇÃO SÉRIE Celso Tadao Miasaki miasaki@mat.feis.unesp.br Ruben
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 maisFluxo de Potência Ótimo
Fluxo de Potência Ótimo Djalma M. Falcão Programa de Engenharia Elétrica COPPE/UFRJ Parte 1 Abril 2008 1 / 26 Definição O Fluxo de Potência Ótimo (FPO) tem como objetivo a otimização da condição estática
Leia maisO estudo do fluxo de carga
Análise de Sistemas de Potência (ASP) O estudo do fluxo de carga Fluxo de carga ferramenta de análise de redes (regime permanente) Utilização operação em tempo real e planejamento da operação e expansão
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 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 maisAlgoritmos Evolutivos para Otimização
Algoritmos Evolutivos para Otimização A área de aplicação que tem recebido mais atenção é a otimização. Uma das razões é que existem uma variedade de problemas de otimização e a maioria deles sem solução
Leia maisAlocação Ótima de Reguladores de Tensão em Sistemas de Distribuição de Energia Elétrica Usando uma Formulação Linear Inteira Mista
Alocação Ótima de Reguladores de Tensão em Sistemas de Distribuição de Energia Elétrica Usando uma Formulação Linear Inteira Mista 1 Raiane P. Alves, John F. Franco e Marcos J. Rider Resumo Este artigo
Leia maisASSOCIAÇÃO DE ENSINO E CULTURA PIODÉCIMO FACULDADE PIO DÉCIMO, CAMPUS III ARACAJU, SERGIPE MATERIAL PARA AULA DO ENAD ÁREA ESPECÍFICA
ASSOCIAÇÃO DE ENSINO E CULTURA PIODÉCIMO FACULDADE PIO DÉCIMO, CAMPUS III ARACAJU, SERGIPE MATERIAL PARA AULA DO ENAD ÁREA ESPECÍFICA SISTEMAS ELÉTRICOS II ENGENHARIA ELÉTRICA Prof. José Valter Alves Domingues
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 mais9º ENTEC Encontro de Tecnologia: 23 a 28 de novembro de 2015
MATPOWER COMO FERRAMENTA PARA ANÁLISE DO FLUXO DE POTÊNCIA EM SISTEMAS DE ENERGIA ELÉTRICA Pablo Henrique Camilo Capuchinho 1 ; Edilberto Pereira Teixeira 2 1, 2 Universidade de Uberaba pablo.henriquecamilo@gmail.com¹;
Leia maisPlanejamento da Expansão do Sistema de Transmissão de Energia Elétrica Utilizando Controladores FACTS
UNIVERSIDADE ESTADUAL PAULISTA JÚLIO DE MESQUITA FILHO - CAMPUS DE ILHA SOLTEIRA PROGRAMA DE PÓS-GRADUAÇÃO EM ENGENHARIA ELÉTRICA Celso Tadao Miasaki Planejamento da Expansão do Sistema de Transmissão
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 maisPalavras-chave: distribuição de energia elétrica; fluxo de potência; regulador de tensão.
Desenvolvimento e Modelagem de Regulador de Tensão para Fluxo de Potência em Redes de Distribuição de Energia Elétrica Rodrigo Mendonça de CARVALHO; Antônio Cesar Baleeiro ALVES Escola de Engenharia Elétrica
Leia maisModelagem e Análise de. Sistemas Elétricos em. Regime Permanente. Sérgio Haffner
Modelagem e Análise de Sistemas Elétricos em Regime Permanente Sérgio Haffner http://slhaffner.phpnet.us/ haffner@ieee.org slhaffner@gmail.com Desenvolvido para ser utilizado como notas de aula para o
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 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 mais6.1.1 Fluxo de Potência do Lado de Baixa para o Lado de Alta Tensão
6 Resultados 6.1 Teste em Laboratório Com o objetivo de se verificar os efeitos reais da variação do tap de um transformador com tap variável, para cada sentido do fluxo de potência através do mesmo, foram
Leia maisModelagem e Análise de. Sistemas Elétricos em. Regime Permanente. Sérgio Haffner
Modelagem e Análise de Sistemas Elétricos em Regime Permanente Sérgio Haffner http://slhaffner.phpnet.us/ haffner@ieee.org slhaffner@gmail.com Desenvolvido para ser utilizado como notas de aula para a
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 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 mais4 Análise em Regime Permanente e no Domínio do Tempo de Problemas de Estabilidade de Tensão em Sistemas Reais
4 Análise em Regime Permanente e no Domínio do Tempo de Problemas de Estabilidade de Tensão em Sistemas Reais 4.1 Introdução O objetivo deste capítulo é o entendimento das situações operativas reais de
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 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 mais3 Avaliação da Existência do Fenômeno
3 Avaliação da Existência do Fenômeno 3.1 Descrição e Importância do Problema Os geradores síncronos são fontes primárias de potência reativa e são em grande parte responsáveis pela manutenção de um adequado
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 maisOtimização Combinatória - Parte 4
Graduação em Matemática Industrial Otimização Combinatória - Parte 4 Prof. Thiago Alves de Queiroz Departamento de Matemática - CAC/UFG 2/2014 Thiago Queiroz (DM) Parte 4 2/2014 1 / 33 Complexidade Computacional
Leia maisDisciplina que estuda métodos analíticos para auxiliar na tomada de decisões.
Edgard Jamhour Disciplina que estuda métodos analíticos para auxiliar na tomada de decisões. Procura encontrar soluções ótimas ou próximo de ótimas para problemas de engenharia industrial, economia e finanças,
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 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 maisBenemar Alencar de Souza
Benemar Alencar de Souza Métodos de Otimização Aplicados Questões introdutórias O que é otimização? i Por que otimização é importante? Como tratar a otimização i como um problema? Quais objetivos são usuais?
Leia maisA utilização da Modelagem didática do Software PowerWorld como recurso do aprendizado de fluxo de carga em engenharia
A utilização da Modelagem didática do Software PowerWorld como recurso do aprendizado de fluxo de carga em engenharia Alex Sebaje - E-mail: alex.sebaje@net.crea-rs.org.br Resumo: A utilização de tecnologias
Leia mais4 Avaliação das Condições de Estabilidade de Tensão Após Atuação Inversa dos Equipamentos de Controle
103 4 Avaliação das Condições de Estabilidade de Tensão Após Atuação Inversa dos Equipamentos de Controle 4.1. Introdução Neste capítulo o objetivo é avaliar as condições de estabilidade de tensão após
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 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. 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 maisFluxo de potência elétrica: análise dos métodos utilizados em redes de transmissão de energia elétrica.
Fluxo de potência elétrica: análise dos métodos utilizados em redes de transmissão de energia elétrica. Leonardo Andrade Lira Fernando Silva Pereira Resumo Instituto Federal de Goiás/Campus Jataí/Engenharia
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 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 maisMINIMIZAÇÃO DE PERDAS EM UMA REDE DE DISTRIBUIÇÃO ATRAVÉS DO PROBLEMA DE TRANSPORTE
1 MINIMIZAÇÃO DE PERDAS EM UMA REDE DE DISTRIBUIÇÃO ATRAVÉS DO PROBLEMA DE TRANSPORTE 1 Darlan Régis Fischer 2 Joelson Lopes da Paixão 3 Jordan Passinato Sausen RESUMO O planejamento da expansão e operação
Leia mais3 Extensões dos modelos matemáticos
3 Extensões dos modelos matemáticos Os modelos matemáticos definidos por (2-1) (2-6) e (2-7) (2-13), propostos por Achuthan e Caccetta e apresentados no Capítulo 2, são reforçados neste trabalho através
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 maisAnálise Efeito Controle
146 7 Análise do Efeito do Controle de Tensão com Compensadores Estáticos de Reativos (CER) em um Sistema-Teste de 39 Barras, em Regime Permanente e Dinâmico 7.1 Introdução Neste capítulo, para comprovar
Leia maisSistema Inteligente para Alocação, Especificação, Coordenação e Seletividade da Proteção em Redes Aéreas de Distribuição de Energia Elétrica
21 a 25 de Agosto de 2006 Belo Horizonte - MG Sistema Inteligente para Alocação, Especificação, Coordenação e Seletividade da Proteção em Redes Aéreas de Distribuição de Energia Elétrica Eduardo M. Campitelli
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 maisAlgoritmos Genéticos. Texto base: Stuart Russel e Peter Norving - Inteligência Artificial
Algoritmos Genéticos Texto base: Stuart Russel e Peter Norving - Inteligência Artificial junho/2007 Algoritmo Genético Uma variante da busca em feixe estocástica Estado sucessor gerado pela combinação
Leia mais1 Introdução. 1.1 Considerações Gerais
1 Introdução 1.1 Considerações Gerais Depois de seguidas ocorrências de colapso em sistemas elétricos devido ao fenômeno de estabilidade de tensão, o assunto tornou-se tema de muitos estudos. O sistema
Leia maisCode: Luiza Rodrigues Matos, Daisy Paes Silva, Edilaine Martins Soler. Universidade Estadual Paulista "Júlio de Mesquita Filho" (UNESP)
A Comparison Between the Efficiency of the Outer Approximation Method and the Branch-and-Bound Method to Solve the Optimal Power Flow Problem with Discrete Control Variables Code: 19.024 Luiza Rodrigues
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 maisComputação Evolutiva. Prof. Eduardo R. Hruschka (Slides baseados nos originais do Prof. André C. P. L. F. de Carvalho)
Computação Evolutiva Prof. Eduardo R. Hruschka (Slides baseados nos originais do Prof. André C. P. L. F. de Carvalho) Principais Tópicos Computação Evolutiva Algoritmos Genéticos Codificação Função de
Leia maisReconfiguração de Sistemas de Distribuição Visando Balanceamento entre Alimentadores Através de Técnica de Decomposição
Reconfiguração de Sistemas de Distribuição Visando Balanceamento entre Alimentadores Através de Técnica de Decomposição Code: 02.010 S. C. A. de Ferreira, T. L. O. Araújo, L. W. Oliveira, J. S. Carvalho
Leia maisNOTAS DE AULA 1 METAHEURÍSTICA 13/10/2016
NOTAS DE AULA 1 METAHEURÍSTICA 13/10/2016 Metaheurística: São técnicas de soluções que gerenciam uma interação entre técnicas de busca local e as estratégias de nível superior para criar um processo de
Leia mais4 Determinação da Sub-Rede, Avaliação do Caminho e do Ramo de Transmissão mais Carregado: Novas Ideias
4 Determinação da Sub-Rede, Avaliação do Caminho e do Ramo de Transmissão mais Carregado: Novas Ideias Uma vez avaliado o carregamento do sistema e detectada uma barra crítica, seja de carga ou geração,
Leia mais2 Caracterização do Fenômeno de Estabilidade de Tensão e Índices de Avaliação das Condições de Estabilidade de Tensão
2 Caracterização do Fenômeno de Estabilidade de Tensão e Índices de Avaliação das Condições de Estabilidade de Tensão 2.1. Introdução O objetivo deste capítulo é caracterizar o fenômeno de estabilidade
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 maisALOCAÇÃO ÓTIMA DE BANCOS DE CAPACITORES UTILIZANDO A META- HEURÍSTICA COLÔNIA DE FORMIGAS
ALOCAÇÃO ÓTIMA DE BANCOS DE CAPACITORES UTILIZANDO A META- HEURÍSTICA COLÔNIA DE FORMIGAS Luís Miguel Magalhães Torres 1, Helton Nascimento Alves 2 1Aluno do Curso de Engenharia Elétrica Industrial IFMA.
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 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 maisMETAHEURÍSTICAS APLICADAS À ALOCAÇÃO DE CAPACITORES EM REDES DE ENERGIA ELÉTRICA
METAHEURÍSTICAS APLICADAS À ALOCAÇÃO DE CAPACITORES EM REDES DE ENERGIA ELÉTRICA A. A. Augusto Universidade Federal Fluminense, Departamento de Engenharia Elétrica Rua Passo da Pátria 156 - Bloco D sala
Leia mais6 Aplicação do Modelo de Geração de Cenários
6 Aplicação do Modelo de Geração de Cenários 6.. Considerações Iniciais Os cenários de energia natural afluente, que são utilizados durante as simulações forward e backward do processo de definição da
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 maisModelagem matemática do estimador de estados dos mínimos quadrados ponderados usando a ferramenta AMPL
https://eventos.utfpr.edu.br//sicite/sicite2017/index Modelagem matemática do estimador de estados dos mínimos quadrados ponderados usando a ferramenta AMPL RESUMO Pamela Maria Alves dos Santos pamelas@alunos.utfpr.edu.br
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 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 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 maisMinimização do custo de geração em um sistema IEEE 9 barras utilizando a técnica do Fluxo de Potência Ótimo
Minimização do custo de geração em um sistema IEEE 9 barras utilizando a técnica do Fluxo de Potência Ótimo Émerson R. da Silva¹, Daniel P. Bernardon¹, Robson P. Delavechia¹, Mauro S. Ortiz¹ 1 Centro de
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 maisTiago Luft 2. Aluno Especial Mestrado UFSM.
AVALIAÇÃO DA CONFIABILIDADE DE REDES DE DISTRIBUIÇÃO COM ALOCAÇÃO DE EQUIPAMENTOS DE PROTEÇÃO E MANOBRA 1 EVALUATION OF DISTRIBUTION NETWORK RELIABILITY WITH ALLOCATION OF PROTECTION AND MANEUVERING EQUIPMENT
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 maisFigura 4.1: Módulos que compõe o sistema de otimização do OCTOPUS
4 Modelo de Solução O plano de drenagem de um determinado campo de petróleo é construído a partir de algumas informações prévias, como por exemplo, a composição geológica do campo. A partir dessa informação
Leia maisAula 2: Fluxo de Potência e Análise Estática
Operação e Controle de Sistemas de Potência Aula 2: Fluxo de Potência e Análise Estática Professor: Dr. Raphael Augusto de Souza Benedito E-mail:raphaelbenedito@utfpr.edu.br disponível em: http://paginapessoal.utfpr.edu.br/raphaelbenedito
Leia maisXX Seminário Nacional de Distribuição de Energia Elétrica SENDI a 26 de outubro Rio de Janeiro - RJ - Brasil
XX Seminário Nacional de Distribuição de Energia Elétrica SENDI 2012-22 a 26 de outubro Rio de Janeiro - RJ - Brasil Tarcisio Loddi Companhia Paranaense de Energia loddi@copel.com Proposta de Cálculo de
Leia mais5. Aplicações. 5.1 Introdução
Aplicações 5. Aplicações 5.1 Introdução Neste capítulo será descrita, como ilustração de sistema não linear, a modelagem de uma típica indústria produtora de alumínio, utilizando eletrólise. Uma linha
Leia maisUTILIZAÇÃO DE ALGORITMOS GENÉTICOS EM ESTRATÉGIAS DE ALOCAÇÃO DE BANCO DE CAPACITORES EM REDES ELÉTRICAS
0º Congresso Brasileiro de Inteligência Computacional (CBIC 0), Novembro 8 a, 0, Fortaleza, Ceará Brasil UTILIZAÇÃO DE ALGORITMOS GENÉTICOS EM ESTRATÉGIAS DE ALOCAÇÃO DE BANCO DE CAPACITORES EM REDES ELÉTRICAS
Leia maisUNIVERSIDADE ESTADUAL PAULISTA - UNESP FACULDADE DE ENGENHARIA - CAMPUS DE ILHA SOLTEIRA PROGRAMA DE PÓS-GRADUAÇÃO EM ENGENHARIA ELÉTRICA
UNIVERSIDADE ESTADUAL PAULISTA - UNESP FACULDADE DE ENGENHARIA - CAMPUS DE ILHA SOLTEIRA PROGRAMA DE PÓS-GRADUAÇÃO EM ENGENHARIA ELÉTRICA Desenvolvimento de técnicas eficientes de programação linear na
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 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 mais4 Metáforas de Optimização
4 Metáforas de Optimização O gigantesco avanço tecnológico que vem sofrendo os sistemas de computação, mais precisamente as unidades de processamento, criou a base para o uso efetivo da Inteligência Computacional,
Leia maisALGORITMO GENÉTICO MULTICRITÉRIO PARA ALOCAÇÃO DE DISPOSITIVOS DE CONTROLE EM UMA REDE DE TRANSMISSÃO ELÉTRICA
ALGORITMO GENÉTICO MULTICRITÉRIO PARA ALOCAÇÃO DE DISPOSITIVOS DE CONTROLE EM UMA REDE DE TRANSMISSÃO ELÉTRICA Neida Maria Patias Volpi (UFPR) neida@ufpr.br Kátia Campos de Almeida (UFSC) katia@labspot.ufsc.br
Leia maisUN ALGORITMO DE PUNTO INTERIOR PARA LA RESOLUCIÓN DE PROBLEMAS DE CONTACTO
UN ALGORITMO DE PUNTO INTERIOR PARA LA RESOLUCIÓN DE PROBLEMAS DE CONTACTO Sandro Rodrigues Mazorche Universidade Federal de Juiz de Fora - UFJF, Dep. de Matemática - ICE, Campus Universitário - CEP 36036-330
Leia maisComputação Evolutiva. Prof. Eduardo R. Hruschka (Slides baseados nos originais do Prof. André C. P. L. F. de Carvalho)
Computação Evolutiva Prof. Eduardo R. Hruschka (Slides baseados nos originais do Prof. André C. P. L. F. de Carvalho) Principais Tópicos Computação Evolutiva Algoritmos Genéticos Codificação Função de
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 maisSENDI Aplicação de Fluxo de Potência Ótimo na Operação e Planejamento de Curto Prazo
SENDI 2004 Aplicação de Fluxo de Potência Ótimo na Operação e Planejamento de Curto Prazo José Henrique de Oliveira Vilela Companhia Energética de Brasília CEB Brasília/DF Brasil josehenrique@ceb.com.br
Leia maisDespacho Econômico Considerando as Perdas de Transmissão
Capítulo 1 Despacho Econômico Considerando as Perdas de Transmissão 1.1 Introdução Até agora, os métodos de despacho econômico apresentados têm ignorado as perdas de transmissão. Entretanto, as perdas
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 maisPlanejamento da Expansão de Sistemas de Transmissão de Energia Elétrica.
Planejamento da Expansão de Sistemas de Transmissão de Energia Elétrica. 1 Planejamento da Expansão de Sistemas de Transmissão de Energia Elétrica. Welton Verly 1 & Edimar José de Oliveira 2 1 Aluno do
Leia maisDespacho Econômico e Ambiental com a Inclusão da Energia
Trabalho apresentado no XXXVIII CNMAC, Campinas - SP, 2018. Proceeding Series of the Brazilian Society of Computational and Applied Mathematics Despacho Econômico e Ambiental com a Inclusão da Energia
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 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 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 maisUniversidade Estadual Paulista
unesp Universidade Estadual Paulista Faculdade de Engenharia do Campus de Ilha Solteira Departamento de Engenharia Elétrica Programa de Pós-Graduação em Engenharia Elétrica Hélio Clementino dos Santos
Leia maisObjetivo da Programação Inteira
Universidade Federal de Itajubá Instituto de Engenharia de Produção e Gestão Pesquisa Operacional Programação inteira Prof. Dr. José Arnaldo Barra Montevechi Objetivo da Programação Inteira Max Z = 20X1
Leia maisDETERMINAÇÃO DE FUNÇÕES DE TRANSFERÊNCIA DE PROCESSOS QUÍMICOS ATRAVÉS DO MÉTODO DE EVOLUÇÃO DIFERENCIAL UTILIZANDO O SCILAB
DETERMINAÇÃO DE FUNÇÕES DE TRANSFERÊNCIA DE PROCESSOS QUÍMICOS ATRAVÉS DO MÉTODO DE EVOLUÇÃO DIFERENCIAL UTILIZANDO O SCILAB A. H. R. REZENDE 1, D. L. SOUZA 1 1 Universidade Federal do Triângulo Mineiro,
Leia maisDESENVOLVIMENTO DE UM MÓDULO DE PROGRAMAÇÃO LINEAR NO PROGRAMA OPTIMI
DESENVOLVIMENTO DE UM MÓDULO DE PROGRAMAÇÃO LINEAR NO PROGRAMA OPTIMI BIONDI C. O.¹, VIANNA S. S. V. 2, RODRIGUES M. T. M.³ 1 Universidade Estadual de Campinas, Departamento de Engenharia de Sistemas Químicos
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 maisOTIMIZAÇÃO E DESPACHO ECONÔMICO
7 OTIMIZAÇÃO E DESPACHO ECOÔMICO 7.1 ITRODUÇÃO este capítulo, o leitor encontrará informações básicas sobre procedimento geral de otimização e aplicação ao caso de despacho, considerado econômico, associado
Leia maisBranch-and-Bound para problemas de Otimização Combinatória
para problemas de Otimização Combinatória Rafael Antônio Marques Gomes Orientador: Haroldo Gambini Santos Departamento de Computação UFOP 26 de julho de 2011 Rafael Antônio Marques Gomes BB para problemas
Leia maisPLANEJAMENTO DA EXPANSÃO DE SISTEMAS DE TRANSMISSÃO USANDO A METAHEURÍSTICA DE BUSCA EM VIZINHANÇA VARIÁVEL
1 Câmpus de Ilha Solteira PLANEJAMENTO DA EXPANSÃO DE SISTEMAS DE TRANSMISSÃO USANDO A METAHEURÍSTICA DE BUSCA EM VIZINHANÇA VARIÁVEL Dércio Braga Santos Ilha Solteira SP Março 213 3 Câmpus de Ilha Solteira
Leia mais