Rafael Bruno da Silva Brandi

Processo Iterativo de Construção da Função de
Custo Futuro na Metodologia PDE-ConvexHull
Juiz de Fora - MG, Brasil
30 de março de 2011
Rafael Bruno da Silva Brandi
Processo Iterativo de Construção da Função de
Custo Futuro na Metodologia PDE-ConvexHull
Dissertação submetida ao corpo docente do
Curso de Mestrado do Programa de Pós-
Graduação em Engenharia Elétrica da Facul-
dade de Engenharia da Universidade Federal de
Juiz de Fora, como requisito parcial para obten-
ção do Grau de Mestre em Engenharia Elétrica,
Área de Concentração em Sistemas de Energia
Elétrica.
Orientador:
André Luís Marques Marcato, D.Sc.
PROGRAMA DE PÓS-GRADUAÇÃO EM ENGENHARIA ELÉTRICA
FACULDADE DE ENGENHARIA
UNIVERSIDADE FEDERAL DE JUIZ DE FORA
Juiz de Fora - MG, Brasil
30 de março de 2011


Brandi, Rafael Bruno da Silva.
Processo iterativo de construção da função de custo futuro na
metodologia PDE-ConvexHull / Rafael Bruno da Silva Brandi. – 2011.
119 f. : il.

Dissertação (Mestrado em Engenharia Elétrica)–Universidade Federal
de Juiz de Fora, Juiz de Fora, 2011.

1. Engenharia elétrica. I. Título.


CDU 621.3


Resumo
O Sistema Elétrico Brasileiro (SEB) apresenta características peculiares devido às grandes
dimensões do país e pelo fato da geração elétrica ser proveniente predominantemente de usi-
nas hidráulicas que proporcionam ao sistema a capacidade de uma regularização plurianual dos
seus reservatórios. As afluências nestas usinas são estocásticas e muitas vezes apresentam com-
portamentos complementares entre as diversas regiões do país, o que incentiva a existência de
grandes intercâmbios energéticos entre os subsistemas através do Sistema Interligado Nacional
(SIN).
O planejamento da operação no horizonte de médio/longo prazo no país (que compreende
a um período de 5 a 10 anos à frente com discretização mensal) é realizado por uma cadeia
de modelos computacionais validados pelos principais agentes que atuam no SEB (comerci-
alização, geração, transmissão e distribuição de energia). O principal modelo desta cadeia, a
qual é desenvolvida pelo Centro de Pesquisas de Energia Elétrica/ELETROBRÁS, é o modelo
NEWAVE que baseia-se na técnica de Programação Dinâmica Dual Estocástica (PDDE) para a
determinação da política eletroenergética de médio prazo.
O objetivo deste trabalho é implementar um modelo computacional para o planejamento
da operação de médio prazo utilizando a metodologia de Programação Dinâmica Estocástica
conjuntamente ao algoritmo de fechos convexos (PDE-ConvexHull) de uma forma computaci-
onalmente eficiente (Fast-PDE-ConvexHull). Isto porque observou-se que quando utiliza-se a
técnica da PDE-ConvexHull, um número elevado de hiperplanos são obtidos na composição das
funções de custo futuro e, com isto, os diversos problemas de programação linear a serem resol-
vidos durante o processo iterativo podem tornar-se maiores, aumentando consideravelmente o
tempo da execução do cálculo da política operativa. Sendo assim, a principal contribuição deste
trabalho é apresentar uma nova metodologia para a representação da função de custo futuro
no problema de programação linear na qual o tempo computacional se torne menos sensível ao
número de hiperplanos obtidos pelo algoritmo de fechos convexos. Ressalta-se que também são
utilizadas técnicas de computação paralela com o objetivo de tornar o processo mais eficiente.
A metodologia foi utilizada para o cálculo do planejamento de médio prazo do SEB, base-
ando-se em subsistemas equivalentes de energia. A metodologia Fast-PDE-ConvexHull foi
incorporada a uma plataforma computacional, desenvolvida em C++/Java, capaz de considerar
o mesmo conjunto de dados utilizado pelos modelos oficiais do SEB, compondo assim um
modelo robusto para a resolução do problema.
Primeiramente, para fins de validação da metodologia proposta, comparou-se os resultados
obtidos pela metodologia da Fast-PDE-ConvexHull com os resultados obtidos pela utilização
da técnica da PDE-ConvexHull com o objetivo verificar o ganho computacional e a aderência
dos resultados.
Por fim, como a plataforma computacional desenvolvida é capaz de utilizar o conjunto
de dados oficiais disponibilizados para o SIN, fez-se o uso do Programa Mensal de Operação
(PMO) de janeiro de 2011, disponibilizado pelo Operador Nacional do Sistema (ONS), como
caso de estudo para comparação dos resultados obtidos pela metodologia proposta com os re-
sultados obtidos pelo modelo NEWAVE.
Palavras-chave: Planejamento da Operação, Sistemas Hidrotérmicos, Programação Dinâ-
mica Estocástica, Fechos Convexos, Processamento Paralelo.
Abstract
The Brazilian National Grid (BNG) presents peculiar characteristics due to the huge terri-
tory dimensions and by the fact that the electricity generation is predominantly originated from
hydraulic plants that provide for the system the capacity of a pluriannual regularization of the
reservoirs. The water inflows to these plants are stochastic and often present complementary
behavior among the regions of the country, stimulating the existence of big amounts of energy
exchanges between the subsystems through the national grid.
The long term operation planning problem (that includes a period of 5 to 10 years ahead
with monthly discretization) is made by a chain of computational models that are validated by
the main agents that act on BNG (commercialization, generation, transmition and distribution
of energy). The primary model of this chain, which is developed by Electric Energy Research
Center/ELETROBRÁS, is the NEWAVE model, which is based on the Stochastic Dual Dyna-
mic Programming (SDDP) for electroenergetic policy determination on a long term horizon.
This work has the objective of implement a computational model for the mid/long term ope-
ration planning using the Stochastic Dynamic Programming (SDP) together with the Convex
Hull algorithm (PDE-ConvexHull) in a computationally efficient way (Fast-PDE-ConvexHull).
This is because it was observed that when utilizing the PDE-ConvexHull technique, an eleva-
ted amount of hyperplanes are obtained for the composition of the cost-to-go function. So,
the different linear programming problems to be solved during the iterative process can be
turned larger, increasing the execution time for the operational policy calculus in a considera-
bly manner. Thus, the main contribution of this work is to present a new methodology (Fast-
PDE-ConvexHull) for the representation of the cost-to-go function on the linear programming
problems where the computational time become less sensible to the number of hyperplanes ob-
tained from the Convex Hull algorithm. It is highlighted that techniques of parallel computing
was employed in order to turn the process more efficient.
The methodology was utilized for the BNG’s long term planning calculus, based on the
equivalent subsystems of energy. The methodology Fast-PDE-ConvexHull was incorporated
to a computational platform, developed in C++/Java programming language, that is able to
consider the same data set used by the official models acting on the BNG, compounding a
robust model for the resolution of the problem.
Firstly, in order to validate the proposed methodology, the results obtained from the Fast-
PDE-ConvexHull are compared with those obtained fromthe utilization of the PDE-ConvexHull
technique aiming to verify the computational gain and the adherence between both results.
Finally, as the elaborated computational platform is capable to use the official data set
available for the NG, it was possible the utilization of the Monthly Operational Program (MOP)
of January 2011, released by the Independent System Operator (ISO), as the study case for
comparing the results obtained by the proposed methodology with the results obtained from the
NEWAVE model.
Keywords: Operation Planning, Hydrothermal Systems, Stochastic Dynamic Program-
ming, Convex Hull, Parallel Processing.
Dedicatória
"Dedico este trabalho a Deus, presente em todos os
momentos da minha vida e em tudo que faço
Aos meus queridos pais e irmãos
Ao professor André Marcato, responsável pelos meus
primeiros passos na pesquisa e conclusão deste trabalho”
Agradecimentos
À Deus pela vida, pelas boas oportunidades, por trazer-me discernimento e certeza de que
sou capaz de realizar meus sonhos.
Aos meus queridos pais por terem trabalhado e lutado sempre por mim e acima de tudo,
por terem me dado valores, me ensinado a importância da simplicidade, da honestidade, do
amor e do respeito.
À minha irmã, ou "irmãe" Juliana, minha maior fonte de incentivo.
Ao meu avô Miguel (in memorian) e a minha avó Maria por todo carinho e amor forne-
cido.
Às pessoas da minha família que torcem por mim.
Ao orientador, professor e amigo André Luís Marques Marcato pela grande atenção,
confiança e apoio durante toda minha formação.
À Duke Energy, na pessoa do Engenheiro Anderson Iung, por ter executado o modelo
computacional NEWAVE emsuas instalações e, emseguida, ter cedido os resultados produzidos
para a utilização no presente trabalho.
Ao amigo Tales Pulinho pelas idéias e conselhos que muito contribuíram para este e outros
trabalhos realizados.
Aos amigos Ivo, Bruno Dias, João Alberto e Marcelo Tomim pelo fomento de discussões
e incentivo que muito me ajudaram no amadurecimento do trabalho.
Ao amigos de graduação Anderson e Leandro Manso e aos amigos de longa data, Carlos,
Vinícius, Wiliam e Jordan pela amizade sincera e ânimo para realização de todas as atividades.
À CAPES, pelo Apoio Financeiro.
Sumário
Lista de Figuras
Lista de Tabelas
Nomenclatura 17
1 Introdução 21
1.1 Considerações Iniciais e Revisão Bibliográfica . . . . . . . . . . . . . . . . . . 21
1.2 Breve Histórico do Planejamento Energético do SIN . . . . . . . . . . . . . . . 26
1.3 Objetivos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 28
1.4 Publicações Decorrentes da Pesquisa . . . . . . . . . . . . . . . . . . . . . . . 28
1.5 Estrutura da Dissertação . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 29
2 Aspectos da Representação de um Sistema Hidrotérmico 31
2.1 Considerações Iniciais . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 31
2.2 Dados Sistêmicos do Programa de Operação Mensal . . . . . . . . . . . . . . 32
2.2.1 Sistema de Geração Termoelétrico . . . . . . . . . . . . . . . . . . . . 32
2.2.2 Demanda Energética . . . . . . . . . . . . . . . . . . . . . . . . . . . 32
2.2.3 Patamares de Carga . . . . . . . . . . . . . . . . . . . . . . . . . . . . 33
2.2.4 Patamares de Déficit . . . . . . . . . . . . . . . . . . . . . . . . . . . 35
2.2.5 Intercâmbio . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 35
2.3 Sistemas Equivalentes de Energia . . . . . . . . . . . . . . . . . . . . . . . . 36
2.3.1 A Agregação de Reservatórios . . . . . . . . . . . . . . . . . . . . . . 39
2.3.2 Parâmetros do Sistema Equivalente . . . . . . . . . . . . . . . . . . . 40
2.3.3 Parábolas de Correção . . . . . . . . . . . . . . . . . . . . . . . . . . 47
3 Despacho da Operação em Sistemas Equivalentes de Energia 50
3.1 Introdução . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 50
3.2 Técnicas de Programação Dinâmica Aplicadas ao Problema de Longo e Médio
Prazo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 51
3.3 Formulação Matemática do Problema de Longo e Médio Prazo . . . . . . . . . 57
3.3.1 Função Objetivo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 57
3.3.2 Restrições de Atendimento à Demanda . . . . . . . . . . . . . . . . . 58
3.3.3 Restrições de Balanço Energético nos Reservatórios Equivalentes de
Energia . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 60
3.3.4 Restrições de Geração Hidráulica Máxima Controlável . . . . . . . . . 61
3.3.5 Equações de Nós Fictícios . . . . . . . . . . . . . . . . . . . . . . . . 62
3.3.6 Equações da Função de Custo Futuro . . . . . . . . . . . . . . . . . . 62
3.3.7 Limites das Variáveis ou Restrições de Canalização . . . . . . . . . . . 63
4 Programação Dinâmica Estocástica e Algoritmo de Fechos Convexos
(PDE-ConvexHull) 65
4.1 Introdução . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 65
4.2 Algoritmo Geral da Programação Dinâmica Estocástica . . . . . . . . . . . . . 65
4.3 Algoritmo de Fechos Convexos . . . . . . . . . . . . . . . . . . . . . . . . . . 66
4.4 Utilização da PDE Conjuntamente ao Algoritmo de Fechos Convexos (PDE-
ConvexHull) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 71
5 Processo Iterativo de Utilização da Função de Custo Futuro 74
5.1 Introdução . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 74
5.2 Algoritmo Proposto . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 75
5.3 Exemplo Didático . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 78
6 Processamento Paralelo Aplicado à Programação Dinâmica Estocástica 90
6.1 Introdução . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 90
6.2 Métricas de Desempenho em Sistemas Paralelos . . . . . . . . . . . . . . . . . 92
6.2.1 Fator de Aceleração . . . . . . . . . . . . . . . . . . . . . . . . . . . 92
6.2.2 Eficiência . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 93
6.2.3 Granularidade . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 93
6.3 Interfaces de Programação Paralela . . . . . . . . . . . . . . . . . . . . . . . . 93
6.4 Aplicação do Processamento Paralelo à Programação Dinâmica Estocástica . . 95
7 Estudo de Caso 97
7.1 Caso Exemplo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 97
7.2 Resultados . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 98
7.2.1 Comparação entre as Metodologias PDE-ConvexHull e
Fast-PDE-ConvexHull . . . . . . . . . . . . . . . . . . . . . . . . . . 98
7.2.2 Levantamento dos Perfis da Computação Paralela . . . . . . . . . . . . 102
7.2.3 Comparação com o NEWAVE . . . . . . . . . . . . . . . . . . . . . . 104
8 Conclusões 114
8.1 Considerações Gerais e Principais Contribuições . . . . . . . . . . . . . . . . 114
8.2 Trabalhos Futuros . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 116
Referências Bibliográficas 118
Lista de Figuras
1.1 Complementaridade hidrológica dos subsistemas . . . . . . . . . . . . . . . . 22
1.2 Horizontes de estudo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23
1.3 Sistemas equivalentes de energia . . . . . . . . . . . . . . . . . . . . . . . . . 24
1.4 Relação entre a energia armazenável máxima e a carga do SIN . . . . . . . . . 24
1.5 Consequências da decisão operativa de um sistema hidrotérmico . . . . . . . . 25
1.6 Função de custo imediato, custo futuro e custo total . . . . . . . . . . . . . . . 26
2.1 Evolução da carga própria mensal de um sistema fictício . . . . . . . . . . . . 33
2.2 Discretização dos patamares . . . . . . . . . . . . . . . . . . . . . . . . . . . 34
2.3 Exemplo de nó de interligação no SIN . . . . . . . . . . . . . . . . . . . . . . 36
2.4 Topologia hidráulica do SIN . . . . . . . . . . . . . . . . . . . . . . . . . . . 38
2.5 Sistema fictício para construção do exemplo didático. . . . . . . . . . . . . . . 43
2.6 Parábolas de correção . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 48
3.1 Esquema de ocorrência das afluências na PDEI . . . . . . . . . . . . . . . . . 55
3.2 Esquema de ocorrência de afluências na PDE considerando a tendência hidro-
lógica . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 56
4.1 Exemplos de conjunto convexo e não-convexo . . . . . . . . . . . . . . . . . . 66
4.2 Exemplos de fechos convexos . . . . . . . . . . . . . . . . . . . . . . . . . . 67
4.3 Pontos aleatórios em um plano bidimensional . . . . . . . . . . . . . . . . . . 68
4.4 Algoritmo QuickHull — Passo 1 . . . . . . . . . . . . . . . . . . . . . . . . . 68
4.5 Algoritmo QuickHull — Passo 2 . . . . . . . . . . . . . . . . . . . . . . . . . 68
4.6 Algoritmo QuickHull — Passo 3 . . . . . . . . . . . . . . . . . . . . . . . . . 69
4.7 Algoritmo QuickHull — Passo 4 . . . . . . . . . . . . . . . . . . . . . . . . . 69
4.8 Algoritmo QuickHull — Passo 5 . . . . . . . . . . . . . . . . . . . . . . . . . 70
4.9 Conjunto convexo no plano tridimensional: (a) Conjunto aleatório de pontos e
(b) Conjunto convexo obtido . . . . . . . . . . . . . . . . . . . . . . . . . . . 70
4.10 Algoritmo da obtenção das funções de custo futuro da PDE utilizando fechos
convexos (PDE-ConvexHull) . . . . . . . . . . . . . . . . . . . . . . . . . . . 71
4.11 Invólucro convexo obtido do algoritmo de fechos convexos . . . . . . . . . . . 72
4.12 Conjunto de planos de corte que aproximam a FCF . . . . . . . . . . . . . . . 72
4.13 Detalhamento do Bloco 1 — Algoritmo para obtenção dos custos de operação . 73
5.1 Algoritmo proposto . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 76
5.2 Sistema utilizado no exemplo didático . . . . . . . . . . . . . . . . . . . . . . 78
5.3 Resultado obtido no estágio 3: (a) pontos obtidos pela PDE e (b) cortes obtidos
pelo algoritmo de fechos convexos (Bloco 2) . . . . . . . . . . . . . . . . . . . 82
5.4 Exemplo de interpolação . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 83
5.5 Resultado do algoritmo da PDE e algoritmo de fechos convexos — Estágio 2 . 89
6.1 Cluster de computadores tipo Beowulf genérico . . . . . . . . . . . . . . . . . 91
6.2 Algoritmo da obtenção das funções de custo futuro da PDE utilizando fechos
convexos e programação paralela . . . . . . . . . . . . . . . . . . . . . . . . . 95
7.1 Perfil de execução obtido no uso da metodologia PDE-ConvexHull . . . . . . 100
7.2 Perfil de execução — Metodologia Fast-PDE-ConvexHull (Verificação do ganho)100
7.3 Perfil de execução — Metodologia Fast-PDE-ConvexHull (Verificação do com-
portamento) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 101
7.4 Aproximação do tempo de resolução dos PPLs em função do número de cortes 101
7.5 Característica do tempo de resolução na metodologia Fast-PDE-ConvexHull . 102
7.6 Fator de aceleração do algoritmo paralelo . . . . . . . . . . . . . . . . . . . . 103
7.7 Eficiência do algoritmo paralelo . . . . . . . . . . . . . . . . . . . . . . . . . 103
7.8 Custo médio de operação mensal — 11 discretizações . . . . . . . . . . . . . . 106
7.9 Valor esperado de energia armazenada — 11 discretizações . . . . . . . . . . 106
7.10 Atendimento à restrição de vazão mínima no modelo NEWAVE . . . . . . . . 107
7.11 Valor esperado da geração hidráulica — 11 discretizações . . . . . . . . . . . 108
7.12 Valor esperado de geração térmica — 11 discretizações . . . . . . . . . . . . . 108
7.13 Valor esperado do CMO — 11 discretizações . . . . . . . . . . . . . . . . . . 109
7.14 Valor esperado de déficit — 11 discretizações . . . . . . . . . . . . . . . . . . 109
7.15 Custos mensais obtidos por diversas discretizações e comparação como NEWAVE
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 110
7.16 Custo de operação mensal para a série de 1949 — 11 discretizações . . . . . . 111
7.17 Custo de operação mensal para a série de 1949 — 3 discretizações . . . . . . . 111
7.18 Valor esperado de energia armazenada no SIN (Série de 1949) — 11 discretiza-
ções . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 111
7.19 Valor esperado de energia armazenada no SIN (Série de 1949) — 3 discretiza-
ções . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 112
7.20 Valor esperado de déficit — 3 discretizações . . . . . . . . . . . . . . . . . . 112
7.21 Custo de operação mensal para a série de 1982 — 11 discretizações . . . . . . 113
7.22 Custo de operação mensal para a série de 1982 — 3 discretizações . . . . . . . 113
Lista de Tabelas
1.1 Capacidade de geração no Brasil . . . . . . . . . . . . . . . . . . . . . . . . . 21
5.1 Parâmetros do sistema equivalente utilizado no exemplo didático . . . . . . . . 78
5.2 Parâmetros das termelétricas utilizadas no exemplo didático . . . . . . . . . . 79
5.3 Cenários de afluência ao reservatório equivalente . . . . . . . . . . . . . . . . 79
5.4 Tabela de custos encontrados para o último estágio do problema . . . . . . . . 81
5.5 Coeficientes dos cortes obtidos da resolução do estágio 3 . . . . . . . . . . . . 82
5.6 Tabela de custos encontrados para o estágio 2 do problema . . . . . . . . . . . 88
7.1 Comparação entre as metodologias PDE-ConvexHull e Fast-PDE-ConvexHull 99
7.2 Tempo total de processamento em função do número de processadores utiliza-
dos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 102
7.3 Estatística dos custos das simulações . . . . . . . . . . . . . . . . . . . . . . 105
Nomenclatura
α
t
(X
t
) Valor do custo futuro, que é o custo esperado de operação do período t ao
final do horizonte, em função dos estados do sistema (R$ × 730).
β Subconjunto de µ que contém os cortes que são utilizados diretamente na
resolução do PPL.
δ Taxa de desconto monetário (pu).
µ Coleção de todos os cortes que formam a função de custo futuro (α
t+1
).
EA
i,t
Energia Armazenável Máxima do sistema i no estágio t (MWmês).
g
T
i, j,t
Geração térmica máxima totalizada na classe térmica j do sistema i no pe-
ríodo t (MWmédio).
int
i, j,k,t|i=j
Valor máximo de intercâmbio do sistema i para o sistema j no estágio t
(MWmédio).
Ψ
D
pd
Custo de déficit associado ao patamar de déficit pd (R$/MWh).
Ψ
T
i, j,t
Custo de geração associado à classe térmica j do sistema i e período t
(R$/MWh).
ρ
j,t
(Vol) Produtibilidade da usina j no período t correspondente ao volume Vol
(MW/m
3
/s).
ρ
eq
j,t
(Vol) Produtibilidade equivalente da usina j no período t do volume mínimo ao
volume Vol (MW/m
3
/s).
g
T
i, j,t
Geração térmica mínima totalizada na classe térmica j do sistema i no pe-
ríodo t (MWmédio).
A
t
Vetor de afluências incrementais ao sistema no período t.
a
XXX
i,t
Coeficiente do termo quadrático da parábola para o cálculo da grandeza
XXX em função da energia armazenada inicial, onde i identifica o sistema
e t o estágio.
b
XXX
i,t
Coeficiente do termo linear da parábola para o cálculo da grandeza XXX
em função da energia armazenada inicial, onde i identifica o sistema e t o
estágio.
C
t
(U
t
) Custo operativo relacionado à decisão operativa U
t
, também denotado por
parcela de custo imediato (R$ × 730).
c
XXX
i,t
Coeficiente do termo independente da parábola para o cálculo da grandeza
XXX em função da energia armazenada inicial, onde i identifica o sistema
e t o estágio.
COEFA
c,i,t
Coeficiente relativo à participação do sistema i no c-ésimo corte ou hiper-
plano que compõe a função de custo futuro do período t.
COEFB
c,t
Coeficiente relativo ao termo independente do c-ésimo corte ou hiperplano
que compõe a função de custo futuro do período t.
de f
i,pc,pd,t
Déficit ocorrido no sistema i e estágio t dentro do patamar de carga pc e
patamar de déficit pd (MWmédio).
DEMANDA
i,t
Demanda de energia ser suprida no sistema i e período t (MWmédio).
DEMLIQ
i,k,t
Demanda líquida do sistema i no patamar de carga k, igual ao mercado
de energia ponderado pela profundidade do patamar abatida da geração de
pequenas usinas, geração térmica mínima e submotorização no período t
(MWmédio).
DPMERC
k,t
Duração do patamar de carga k no período t (pu).
E
A
t
|X
t
Valor esperado de custo de acordo com todos os valores possíveis de afluên-
cias contidos em A
t
, condicionado pelo vetor de estados X
t
(conhecido no
início do estágio) (R$ × 730).
EC
i,t
Energia controlável do sistema i no período t (MWmês).
EDSVC
i,t
_
EA
i,t
_
Energia de desvio controlável do sistema i no período t corrigida pelo ar-
mazenamento inicial do sistema (MWmês).
EDSVF
i,t
Energia de desvio fio d’água do sistema i no período t (MWmédio).
E f Eficiência computacional de um programa paralelo.
EFIO
i,t
Energia afluente fio d’água líquida ao sistema i no período t (MWmédio).
evert
i,t
Energia vertida no sistema i no período t (MWmês).
EVM
i,t
Energia para enchimento do volume morto no sistema i e período t (MW-
mês).
EVMIN
i,t
_
EA
i,t
_
Energia de vazão mínima controlável do sistema i no período t, corrigida
pelo armazenamento no início do período (MWmédio).
EVP
i,t
_
EA
i,t
_
Energia evaporada no sistema i no período t corrigida pelo armazenamento
inicial do sistema (MWmês).
exc
i,k,t
Excesso de energia no sistema i, patamar de mercado k e período t (MW-
médio).
f
ps
Fração de tempo gasto na parte não-paralelizável em relação ao tempo total
serial.
FATOR
t
Constante utilizada para converter m
3
/s em hm
3
/mês e pode ser calculada
de acordo com o número de dias do mês.
FCEA
i,t
Fator de correção da energia armazenada no sistema i no período t.
FCEC
i,t
_
EA
i,t
_
Fator multiplicativo para correção da energia controlável, relativo ao sis-
tema i no período t, corrigido pelo armazenamento inicial do sistema.
g
T
i, j,pc,t
Geração térmica total na classe térmica j do sistema i e estágio t dentro do
patamar de carga pc (MWmédio).
ghidr
i,k,t
Geração hidráulica do sistema i no patamar de carga k no período t (MW-
médio).
GHMAX
i,t
_
EA
i,t
_
Geração hidráulica máxima do sistema i no período t, corrigida pelo arma-
zenamento inicial do sistema (MWmédio).
int
i, j,k,t|i=j
Intercâmbio do sistema i para sistema j, no patamar de carga k, sendo sem-
pre i diferente de j no período t (MWmédio).
J
j
Conjunto composto pela usina j e todas as usinas à jusante de j.
NCLT
i
Número de classes térmicas no sistema i.
NPDF Número de patamares de déficit.
NPMC Número de patamares de mercado.
NSIS Número de sistemas.
NUSI
i
Número de usinas com reservatório do sistema i.
PEQUSI
i,t
Geração proveniente das Pequenas Centrais Hidrelétricas no sistema i e
período t (MWmédio).
PPMERC
i,k,t
Profundidade do patamar de carga k, sistema i e estágio t (pu).
S(p) Fator de aceleração ou speedup obtido para um número p de processadores.
SUBMOT
i,t
Geração proveniente das usinas submotorizadas no sistema i e período t
(MWmédio).
t
p
Tempo gasto por um programa que utiliza p processadores de forma para-
lela (s).
t
S
Também chamado “tempo sequencial” é o tempo gasto na computação de
um dado problema utilizando-se de apenas um processador (s).
U
t
Vetor com as decisões obtidas no período t e determina o estado em que o
sistema se encontrará ao final do mesmo — ou seja, definirá X
t+1
.
VMAX
j
Volume máximo da usina j (hm
3
).
VMIN
j
Volume mínimo da usina j (hm
3
).
VUTIL
j
Volume útil da usina j (hm
3
).
X
t
Vetor de variáveis que definem o estado inicial do sistema no período t.
z
t
(X
t
, A
t
) Valor do custo ótimo de operação no período t de acordo com a função
custo futuro esperado e sujeito ao estado inicial dos armazenamentos X
t
e
ao conjunto de afluências A
t
no período t (R$ × 730).
1 Introdução
1.1 Considerações Iniciais e Revisão Bibliográfica
O sistema de produção de energia elétrica brasileiro, com características únicas no mundo,
é um sistema hidrotérmico de grande porte com forte predominância de usinas hidrelétricas,
como indicado na Tabela 1.1 (EPE, 2011).
Tabela 1.1: Capacidade de geração no Brasil
FONTE CAPACIDADE INSTALADA PARTICIPAÇÃO
(MW) (%)
Hidráulica
a
74.279 71,7
Térmica 13.302 12,8
Nuclear 2.007 1,9
Fontes Alternativas 7.645 7,4
Importação Contratada
b
6.365 6,1
Total 103.598 100,0
a
Inclui a parte brasileira da UHE Itaipu (7.000 MW)
b
Importação da UHE Itaipu não consumida pelo sistema elétrico Paraguaio.
Adicionalmente, os componentes do Sistema Interligado Nacional (SIN) advém de múlti-
plos proprietários, que são os agentes do SIN. Sendo assim, o gerenciamento do sistema se torna
uma tarefa complexa, pois a predominância da geração hidráulica implica que a operação do
sistema possui uma alta dependência das afluências, que ocorrem de forma estocástica e, além
disso, dado que os empreendimentos que compõem o SIN provém de proprietários diversos, a
operação do sistema não pode ser realizada sob a ótica simplesmente econômica das empresas
detentoras, pois o SIN deve possuir uma operação eficiente e, sobretudo, segura.
Como as usinas hidrelétricas são geralmente construídas em locais distantes dos centros de
carga tornou-se necessária a construção de um extenso sistema de transmissão possibilitando
1.1 Considerações Iniciais e Revisão Bibliográfica 22
a troca de energia entre regiões. Com isso pode-se também obter vantagens da diversidade
do comportamento hidrológico entre as diferentes bacias hidrográficas distribuídas ao longo
do extenso território brasileiro, aproveitando a complementaridade dos regimes hidrológicos
existente entre elas, conforme mostrado na Figura 1.1.
Figura 1.1: Complementaridade hidrológica dos subsistemas
A operação coordenada do sistema eletroenergético é realizada de forma a minimizar os
custos globais de produção de energia elétrica e este objetivo é atingido com base na interde-
pendência operativa entre as usinas, na interconexão dos sistemas elétricos e na integração dos
recursos de geração e transmissão no atendimento da demanda.
Porém, devido a diversos fatores como restrições de utilização das usinas térmicas, não li-
nearidades das funções de produção das usinas hidráulicas, incertezas quanto às afluências, so-
mado ao número de aproveitamentos e estágios considerados, a operação coordenada do sistema
é um problema de grande porte (MARCATO, 2002). Isto obriga a adoção de simplificações que
consistem na divisão em subproblemas com diferentes horizontes de estudo (FORTUNATO et
al., 1990). Deste modo, deve-se equilibrar, por meio de uma cadeia de modelos acoplados, a
representação da estocasticidade das afluências e das não linearidades do problema através de
graus de detalhamento diferenciados sob diversificados horizontes de estudo, conforme ilus-
trado na Figura 1.2.
1.1 Considerações Iniciais e Revisão Bibliográfica 23
Figura 1.2: Horizontes de estudo
No planejamento da operação de curto prazo, a estocasticidade das afluências é represen-
tada de forma simplificada, enquanto que os componentes do sistema são representados de
forma mais detalhada. Por exemplo, as usinas devem ser representadas individualmente com as
decorrentes não-linearidades da função de produção e as diversas restrições operativas e, além
disso, a rede de transmissão é considerada de uma forma mais realista.
No planejamento da operação de médio/longo prazo, a estocasticidade das afluências é deta-
lhadamente representada, com uma abordagem mais complexa do processo estocástico. Porém,
o sistema é representado de maneira simplificada, pois as usinas não são representadas indivi-
dualmente devido à agregação dos reservatórios em sistemas equivalentes de energia. Sendo
assim, as não-linearidades são representadas de forma indireta, o sistema de transmissão é re-
presentado como sendo somente um conjunto de restrições de importação e exportação entre
regiões e a operação é interpretada como sendo o comportamento global do sistema em questão
(TERRY et al., 1980). A Figura 1.3 ilustra o procedimento de agregação dos reservatórios e
montagem do sistema equivalente.
1.1 Considerações Iniciais e Revisão Bibliográfica 24
Figura 1.3: Sistemas equivalentes de energia
O período que compreende o planejamento de médio prazo é de 5 anos para o SIN devido
a estudos realizados no passado relativos à capacidade de regularização dos reservatórios. Po-
rém, devido a fatores principalmente ambientais, os novos empreendimentos geralmente não
possuem uma capacidade de armazenamento tão grande como a existente nas usinas já cons-
truídas até então. A Figura 1.4 (EPE, 2011) ilustra, de forma indireta, a redução na capacidade
de regularização do sistema e, assim, estudos podem ser realizados no intuito de determinar um
prazo mais adequado para o horizonte de estudo.
Figura 1.4: Relação entre a energia armazenável máxima e a carga do SIN
O objetivo do planejamento da operação de médio prazo é a determinação de uma estratégia
de produção de energia que minimize o valor esperado dos custos operativos no horizonte de
planejamento considerado. Nestes custos incluem-se os gastos com combustíveis das usinas
termelétricas, eventuais compras de energia de sistemas vizinhos e os custos de déficit, que
refletem o prejuízo à sociedade quanto ao não atendimento pleno da demanda.
1.1 Considerações Iniciais e Revisão Bibliográfica 25
Observa-se que a água, à priori, não possui custo para a geração elétrica
(FORTUNATO et al., 1990), porém, o gerenciamento dos recursos hídricos pode afetar de
forma intensa o custo de operação do sistema em períodos posteriores. Isto porque, embora
pareça que a estratégia ótima seja utilizar o mínimo possível de geração térmica em um curto
prazo, a estocagem da água pode vir a ser importante, visto que a água disponível no futuro
dependerá dos regimes da chuva, o que pode implicar em uma operação insegura. Conclui-
se que, pelo fato do sistema brasileiro ser predominantemente hidráulico e das afluências se
comportarem de forma estocástica, o sistema se torna bastante sensível a parâmetros incertos .
Desta forma, o sistema é composto por reservatórios de água com o objetivo de possibilita-
rem a estocagem de água para suprir os possíveis períodos de seca, aumentando a confiabilidade
do mesmo. Neste contexto, o maior desafio do planejamento de médio/longo prazo está em de-
terminar uma operação que leva em conta o custo de operação de uma dada decisão operativa,
somada ao custo esperado advindo da decisão tomada em períodos futuros. A Figura1.5 (MAR-
CATO, 2002) ilustra as possibilidades presentes nesta análise.
Figura 1.5: Consequências da decisão operativa de um sistema hidrotérmico
O uso da água estocada garante uma operação menos onerosa no presente, porém pode
impactar em um alto custo de energia no futuro, caso haja uma baixa afluência, já que a ener-
gia deverá ser gerada por fonte térmica de custos possivelmente elevados podendo, inclusive,
ocorrer o não suprimento da demanda. Do contrário, caso se decida operar o sistema com a
utilização de geração térmica no estágio atual e ocorra uma afluência alta, haverá um desper-
dício de geração térmica no presente ou até mesmo a necessidade de vertimento de água, que
impactam em um aumento no custo de operação acima do necessário para garantir a segurança
do sistema.
1.2 Breve Histórico do Planejamento Energético do SIN 26
Esta dualidade no processo decisório faz com que o custo de operação seja composto pelo
custo presente mais o custo futuro, representados na Figura 1.6 (SILVA, 2001) através de curvas
que representam os custos atual, futuro e total, em função do nível de armazenamento final de
um determinado estágio. Desta forma, explica-se o porquê de apesar do custo da água ser
considerado igual a zero a sua utilização ou não em um determinado mês resulta em custo
futuro associado a esta decisão. Através desta metodologia, a utilização da água tem um custo
indireto incorporado ao problema através da função de custo futuro.
Figura 1.6: Função de custo imediato, custo futuro e custo total
Em resumo, a operação do sistema hidrotérmico será realizada através da determinação de
uma estratégia de produção de energia que minimize o valor esperado dos custos operativos no
horizonte de planejamento considerado, o que equivale a encontrar o estado operativo em que a
soma das parcelas de custo imediato e futuro seja mínima.
Definido o problema, apresenta-se na próxima seção o histórico do planejamento hidrotér-
mico no contexto brasileiro e as demais referências bibliográficas serão citadas ao longo de todo
o trabalho, de acordo com o contexto.
1.2 Breve Histórico do Planejamento Energético do SIN
A operação do sistema eletroenergético brasileiro, que antes era determinada somente pelos
proprietários das usinas, passa a ser realizada de forma coordenada em meados da década de 70.
Desde então, houve o desenvolvimento de metodologias na tentativa de garantir uma operação
econômica e segura do sistema, que é, a partir de então, gerenciado por um órgão centralizador.
Entre 1974 e 1978 foi utilizado um modelo determinístico com base no uso de curva-guia,
que estabelecia as reservas energéticas mínimas que deveriam ser mantidas nos reservatórios do
1.2 Breve Histórico do Planejamento Energético do SIN 27
sistema, baseando-se na pior série de todo o histórico de vazões, de maneira que a demanda de
energia do sistema fosse atendida sem ocorrência de déficits dentro da capacidade de geração
do parque térmico existente.
Foi adotado, a partir de 1979, um modelo estocástico desenvolvido pela Eletrobrás e
CEPEL que era baseado na Programação Dinâmica Estocástica (PDE) conjuntamente ao uso
do modelo a sistemas equivalentes (TERRY et al., 1980), que visa a reduzir o número de va-
riáveis de estados através da agregação dos diversos reservatórios. Porém, devido aos recursos
computacionais da época, era possível a representação de somente um sistema equivalente de
energia e, desta forma, a operação energética de cada região ou subsistema era realizada de
forma independente e as interligações não eram explicitamente representadas.
Entretanto, com a interligação cada vez mais intensa do sistema brasileiro através da ampli-
ação do sistema de transmissão, houve a necessidade de se representar os diferentes subsistemas
de forma conjunta para a obtenção de resultados mais confiáveis e, desta forma, a representação
de somente um subsistema para a realização do cálculo da política não era mais suficiente.
Para contornar o problema da "maldição da dimensionalidade" existente na PDE, em que a
complexidade do problema cresce exponencialmente com a inserção de novas variáveis de es-
tado, foi proposta, em 1985, a Programação Dinâmica Dual Estocástica — PDDE
(PEREIRA; PINTO, 1985; PEREIRA, 1989), que utiliza a técnica de Decomposição de Ben-
ders e trata o problema de forma analítica, evitando a discretização do espaço de estados tal
como é feito na técnica da PDE. Desta forma, o esforço computacional diminui substancial-
mente e possibilita-se a consideração de mais reservatórios além da utilização de sofisticados
modelos estatísticos na representação das afluências.
Esta modelagem ainda é utilizada e está, atualmente, implementada nos modelos DECOMP
e NEWAVE (MACEIRA et al., 2002), desenvolvidos pelo CEPEL, os quais são os modelos ofi-
ciais do Setor Elétrico Brasileiro (SEB) para o planejamento da operação de curto e médio
prazo respectivamente. O modelo NEWAVE considera o horizonte de médio prazo para o pla-
nejamento da operação com 5 a 10 anos de estudo e discretização mensal. Neste horizonte, a
tendência hidrológica e o armazenamento final dos sistemas equivalentes de cada estágio são
considerados como variáveis de estado do problema. A geração de cenários de energias aflu-
entes (KELMAN; PEREIRA, 1977; MACEIRA; DAMáZIO, 2006) é realizada pelo modelo
auto-regressivo periódico — Par(p) — implementado no modelo GEVAZP, também desenvol-
vido pelo CEPEL.
No âmbito da comercialização de energia, as empresas atuantes no setor elétrico encontram-
se desverticalizadas, de forma a manter a concorrência nos segmentos de geração e comerci-
1.3 Objetivos 28
alização e os setores de transmissão e distribuição são gerenciados de forma regulada. Esta
configuração do setor elétrico visa à modicidade tarifária e os softwares oficiais apresentados
para a coordenação da operação são também utilizados para a composição do preço de comer-
cialização da energia, que é obtido através do custo marginal de operação obtido da execução
do modelo. Assim, as metodologias utilizadas na determinação do planejamento têm forte im-
pacto no setor, pois além de fornecerem uma operação mais segura do sistema, apresentam a
capacidade de interferir no faturamento dos agentes do SIN (Vieira Filho et al., 1998; SACCHI
et al., 2008).
1.3 Objetivos
A técnica da Programação Dinâmica Estocástica é uma técnica clássica para a solução
do problema de médio prazo, porém ela foi descartada devido ao "mal da dimensionalidade"
(PEREIRA; PINTO, 1985), que tornou inviável a utilização da técnica com o número de sub-
sistemas requeridos. Adicionalmente, quando a PDE deixou de ser utilizada no cálculo do
planejamento eletroenergético, os recursos computacionais da época eram escassos se com-
parados aos recursos atuais. Sendo assim, este trabalho busca revisitar esta técnica de uma
maneira computacionalmente viável com a utilização de computação paralela e do algoritmo de
fechos convexos e apresenta como principal contribuição um algoritmo de utilização dos cortes
da função de custo futuro que deixa o processo de resolução dos problemas de programação
linear menos sensível ao número de cortes obtidos pelo algoritmo de fechos convexos, de forma
a haver uma redução significativa do tempo computacional demandado pela metodologia base.
1.4 Publicações Decorrentes da Pesquisa
Publicações em periódicos
“Stochastic Dynamic Programming Applied to Hydrothermal Power Systems Operation
Planning Based on the Convex Hull Algorithm”, Mathematical problems in Engineering,
vol. 2010, ISSN: 1024-123X, doi: 1155/2010/390940, 2010.
Publicações em eventos
“Utilização do Algoritmo de Fechos Convexos na Programação Dinâmica Estocástica:
Uma Abordagem Preliminar”, Simpósio Brasileiro de Sistemas Elétricos, SBSE, Belém,
PA, Brasil, 18 a 21 de maio de 2010.
1.5 Estrutura da Dissertação 29
“Convex Hull and Stochastic Dynamic Programming in the Brazilian Optimal Hydrother-
mal System Operation”, - abstract - ALIO-INFORMS Joint International Meeting, Bue-
nos Aires, Argentina, 06 a 09 de junho de 2010.
“Processamento Paralelo e Algoritmo de Fechos Convexos na Programação Dinâmica
Estocástica Aplicada ao Planejamento da Operação de Sistemas Hidrotérmicos”, XVIII
Congresso Brasileiro de Automática (CBA), Bonito, MS, Brasil, setembro de 2010.
“Programação dinâmica estocástica aplicada ao planejamento da operação do sistema
elétrico brasileiro através do uso de processamento paralelo”, 42
o
Simpósio Brasileiro
de Pesquisas Operacional (SBPO), Bento Gonçalves, RS, Brasil, agosto de 2010.
Trabalhos aceitos para publicação em eventos
“Comparação entre as programações dinâmica estocástica e dinâmica dual estocástica
na formação de preços de energia em sistemas hidrotérmicos de grande porte”, XXI
Seminário Nacional de Produção e Transmissão de Energia Elétrica — SNPTEE, 2011,
Florianópolis, SC, Brasil.
1.5 Estrutura da Dissertação
No presente Capítulo foi realizada uma introdução ao tema do Planejamento da Operação,
assim como a revisão bibliográfica e foi também definido o objetivo principal deste trabalho.
O Capítulo 2 define resumidamente os aspectos da modelagem dos subsistemas, que são
representados por sistemas equivalentes de energia, sendo descritas a modelagem do sistema
de geração termoelétrico e do sistema de transmissão, conjuntamente às principais grandezas
associadas aos sistemas equivalentes de energia, como, por exemplo, a energia armazenável
máxima, energia controlável, energia fio d’água, energia de vazão mínima e geração hidráulica
máxima.
O Capítulo 3 apresenta a modelagem do problema do planejamento via sistemas equiva-
lentes de energia, através das equações que regem o problema como, por exemplo, a função
objetivo e as restrições de demanda e balanço hidráulico. Desta forma, apresenta-se a caracte-
rística geral do problema, justificando a utilização da Programação Dinâmica na resolução do
mesmo.
O Capítulo 4 apresenta a técnica da PDE com a utilização do algoritmo de Fechos Convexos
(PDE-ConvexHull) e o Capítulo 5 se constitui da maior contribuição do trabalho e apresenta o
1.5 Estrutura da Dissertação 30
algoritmo da Fast-PDE-ConvexHull, detalhando-se o processo iterativo de utilização dos cortes
obtidos pelo algoritmo de fechos convexos tal que torne o cálculo da política energética um
processo menos oneroso computacionalmente.
O Capítulo 6 descreve as características da implementação da computação paralela aplicada
ao problema.
O Capítulo 7 traz um estudo de caso em que os cortes são utilizados da maneira tradicional
e através da metodologia proposta, além do perfil de desempenho apresentado pela computação
paralela aplicada ao problema. Adicionalmente, os resultados sistêmicos obtidos são compara-
dos aos resultados obtidos pela metodologia oficial utilizada no SEB.
O Capítulo 8 traz as principais conclusões e sugestões para trabalhos futuros.
2 Aspectos da Representação de um
Sistema Hidrotérmico
2.1 Considerações Iniciais
Como já discutido, o objetivo do planejamento da operação de médio prazo é determinar
as metas de geração de todas as usinas de um sistema hidrotérmico sujeito às afluências de
natureza estocástica de forma a minimizar o valor esperado do custo de operação ao longo do
período do planejamento.
O sistema pode possuir um grande número de usinas dispostas ao longo das bacias hidro-
gráficas e o modelo deverá conseguir representar, dentro da topologia proposta, as restrições
físicas e operativas associadas ao problema, dentre as quais destacam-se (FORTUNATO et al.,
1990):
• conservação da água;
• armazenamento máximo e mínimo;
• limites de turbinamento;
• defluência mínima;
• desvio de água para irrigação;
Além dos aspectos hidráulicos, há outros fatores que influenciam na política de gerencia-
mento dos recursos hídricos, tais como os limites geração do parque térmico, comportamento
da demanda e configuração dos sistemas de transmissão.
Logo, para o estudo completo do sistema, existem vários detalhes de operação e algumas
simplificações fazem-se necessárias, como exposto no Capítulo 1. As propriedades decorrentes
da modelagem utilizada para o problema de médio prazo são mostradas ao longo deste Capítulo.
2.2 Dados Sistêmicos do Programa de Operação Mensal 32
2.2 Dados Sistêmicos do Programa de Operação Mensal
2.2.1 Sistema de Geração Termoelétrico
No problema de médio prazo não são consideradas diversas características das usinas tér-
micas como não-linearidades da função de produção, restrição dos tempos de partida e parada
das unidades geradoras entre outras, que são modeladas mais detalhadamente em problemas de
curto prazo (DINIZ; MACEIRA, 2008). No problema tratado, as usinas termoelétricas são re-
presentadas por grupos de térmicas com custos semelhantes (classes térmicas) e os parâmetros
básicos representados são:
• Geração máxima;
• geração mínima;
• custo incremental de operação, que é representado por um valor constante.
Desta forma, embora alguns autores representem o custo das térmicas como uma função
não linear (Soares Filho, 1987; CICOGNA, 2003), é comum se adotar que as usinas térmicas
possuem representação linearizada no problema de médio prazo. O uso de diversificadas fontes
para geração térmica, como carvão, óleo combustível, gás natural ou nuclear, por exemplo, tem
importante contribuição para haver custos incrementais maiores ou menores de geração térmica.
De acordo com os custos de geração, as usinas térmicas são agrupadas em classes térmicas
e, assim, em vez de serem representadas individualmente no problema, as termelétricas de
mesmo custo podem ser agrupadas, resultando em um menor número de variáveis no problema.
Porém, há uma tendência das térmicas serem representadas de forma mais realista e os custos
da maioria das usinas são diferenciados, o que leva à obtenção de um número de classes que
não é muito inferior ao próprio número de usinas térmicas do sistema.
2.2.2 Demanda Energética
O estudo do planejamento energético é realizado com o objetivo de o sistema hidrotérmico
conseguir atender à demanda energética com uma operação segura e econômica. Porém, as
incertezas presentes na composição do valor da demanda de energia não são consideradas, já
que o problema foca-se nas incertezas presentes nas ocorrências das afluências e, desta forma,
o valor da demanda é fornecida de forma determinística ao problema. Isto significa que, para
2.2 Dados Sistêmicos do Programa de Operação Mensal 33
representar diferentes possibilidades de cenários de crescimento econômico, o modelo compu-
tacional deve ser executado diversas vezes de acordo com a demanda de energia pressuposta
para cada cenário.
Contudo, devido a algumas características do sistema hidráulico, a energia demandada do
sistema representado é abatida por algumas parcelas que não são modeladas de forma explícita,
tal como a Geração de Pequenas Centrais Hidrelétricas (PCH) e a Geração das Usinas Submo-
torizadas, que são usinas que ainda não possuem a sua potência de base
1
(ANEEL, 2011). Am-
bas as gerações citadas provêm de usinas que não possuem requisitos necessários para possuir
representação explícita no problema, porém, essas gerações devem ser abatidas da demanda,
resultando no que é chamado de "Demanda Líquida". Dependendo da modelagem do parque
térmico, a geração proveniente dos limites de geração térmica mínima das usinas térmicas tam-
bém pode participar como uma das parcelas que são abatidas da demanda.
2.2.3 Patamares de Carga
Como já discutido em modelos de médio prazo, a discretização do problema é mensal e,
portanto, a carga própria é expressa através da energia fornecida pelo parque gerador ao sistema
ao longo de um mês, na unidade MWmédio. Mas a carga, ou demanda, em MW, atendida pelas
usinas hidrelétricas e térmicas varia instantânea e continuamente ao longo do tempo e pode ser
importante para o planejador conhecer o comportamento do sistema de acordo com os ciclos
diários da carga ao longo do mês (MACEIRA; SUANNO, 1995b; MARCATO, 2007), como
ilustrado na Figura 2.1, adaptada de (MARCATO, 2002).
Figura 2.1: Evolução da carga própria mensal de um sistema fictício
1
A potência de base refere-se à quantidade mínima de unidades geradoras em operação comercial de uma usina
hidráulica, para que esta seja capaz de gerar sua garantia física total.
2.2 Dados Sistêmicos do Programa de Operação Mensal 34
Uma possível abordagem é realizar o agrupamento das cargas distribuídas em torno de
níveis semelhantes, denominados patamares de mercado, e verificar a forma como o mercado
de energia é atendido em cada um destes níveis. É comum encontrar na literatura relacionada
ao planejamento da operação a definição de três patamares de mercado, em torno dos quais
se agrupam, respectivamente, cargas pesadas, médias e leves (MARCATO, 2002; MARCATO,
2007).
Na definição destes patamares, são utilizadas duas variáveis no modelo que são a duração
e a profundidade de cada patamar de mercado, definidas para cada período e sistema de modo
a preservar a energia fornecida ao longo de cada estágio mensal. A Figura 2.2, adaptada de
(MARCATO, 2002), ilustra como se configura a distribuição do mercado ao longo dos patama-
res de carga.
Figura 2.2: Discretização dos patamares
Desta forma, define-se a potência de demanda líquida correspondente à energia que está
sendo atendida dentro de um determinado patamar k, no sistema i e no período t como sendo:
DEMLIQ
i,k,t
=
_
DEMANDA
i,t
×PPMERC
i,k,t
−PEQUSI
i,t
−SUBMOT
i,t
_
×DPMERC
k,t
(2.1)
em que:
2.2 Dados Sistêmicos do Programa de Operação Mensal 35
DEMLIQ
i,k,t
Demanda líquida do sistema i no patamar de carga k, igual ao mer-
cado de energia ponderado pela profundidade do patamar abatido da
geração de pequenas usinas, geração térmica mínima e submotoriza-
ção no período t (MWmédio).
DEMANDA
i,t
Demanda de energia a ser suprida no sistema i e período t (MWmé-
dio).
PPMERC
i,k,t
Profundidade do patamar de carga k, sistema i e estágio t (pu).
PEQUSI
i,t
Geração proveniente das Pequenas Centrais Hidrelétricas no sistema
i e período t (MWmédio).
SUBMOT
i,t
Geração proveniente das usinas submotorizadas no sistema i e pe-
ríodo t (MWmédio).
2
DPMERC
k,t
Duração do patamar de carga k no período t (pu).
Ressalta-se que tanto a carga própria como a duração e a profundidade dos patamares en-
tram nos modelos de médio prazo de forma determinística. Logo, antecipadamente, devem
ser utilizados outros modelos de previsão e ajuste de carga para que estas informações sejam
definidas.
2.2.4 Patamares de Déficit
Pode se penalizar o não atendimento à demanda com custos de déficits diferentes de acordo
com a profundidade do corte de carga. Para isto são criados os patamares de déficit (NPDF), que
se configuram como se fossem incorporadas ao sistema um número igual a NPDF usinas térmi-
cas, cada uma com um custo de operação diferenciado que reflete o prejuízo à sociedade do não
suprimento da energia demandada, de acordo com fatores sociais e econômicos (NASCENTES,
2002).
2.2.5 Intercâmbio
Como já mencionado, na modelagem de médio prazo o sistema de transmissão não é repre-
sentado de forma detalhada. Mas, de qualquer forma, é importante a definição dos limites de
intercâmbio de energia entre os subsistemas e, para tornar a modelagem mais realista, pode-se
2
Mesmo se tratando de um parâmetro hidráulico, optou-se por representar a influência do termo de sub-
motorização nesta seão, que apresenta os parâmetros não-hidráulicos.
2.3 Sistemas Equivalentes de Energia 36
fazer uso de nós fictícios de interligação. Desta forma, os limites físicos da rede se não re-
presentados de forma explícita são aproximados através de limites de fluxos em interconexões
podendo-se também fazer uso de agrupamentos de intercâmbio, que visam refletir restrições de
diversos estados da rede .
Chama-se nó de interligação a um sistema que não tem carga nem geração servindo apenas
para a interligação de outros sistemas. A Figura 2.3 exemplifica uma situação do sistema bra-
sileiro em que é necessária a colocação de um sistema ou nó de interligação para representar a
interligação existente entre os sistemas das regiões Sudeste, Norte e Nordeste (GORENSTIN et
al., 1991) .
Figura 2.3: Exemplo de nó de interligação no SIN
2.3 Sistemas Equivalentes de Energia
De forma simplificada, os componentes básicos de uma usina hidroelétrica (UHE) são:
reservatório, barragem, tomada d’água e condutos forçados, casa de força e um canal de resti-
tuição (FINARDI, 1999). Através da barragem a água é represada no reservatório, o que conduz
a uma cota de montante que cria o potencial necessário à geração de energia. Esse potencial
corresponde à altura existente entre os níveis de água encontrados à montante e à jusante da
usina. Para a geração de energia, a água represada é levada, através da tomada d’água e dos
condutos forçados, até o conjunto turbina-gerador na casa de força, onde há a conversão da
energia potencial do sistema em energia elétrica. A água turbinada é, então, reconduzida ao
curso natural da água no rio onde se encontra a usina.
A utilidade de represar a água não é, porem, unicamente de criar o potencial devido para
2.3 Sistemas Equivalentes de Energia 37
a geração, mas também pode servir para regularizar a vazão de uma determinada seção do rio,
ou seja, armazenar o excesso de água dos períodos chuvosos e utilizar esta reserva acumulada
nos reservatórios destas barragens para compensar as deficiências dos períodos de estiagem
(ANEEL, 2011).
De acordo com sua capacidade de regularização, as usinas hidrelétricas podem ser classifi-
cadas como usinas a fio d’água ou usinas com reservatório (também conhecidas como usinas de
acumulação). As usinas a fio d’água são aquelas que apresentam regularização de vazões diárias
ou semanais, pois possuem uma capacidade de armazenamento muito pequena sendo capazes
de acumular água suficiente apenas para suprir picos horários da demanda, por exemplo. Por
outro lado, as usinas com reservatório podem apresentar regularização de descargas de um mês,
um ano ou mesmo vários anos (MORAES, 2007), pois possuem reservatórios robustos o sufi-
ciente para acumular água das épocas de série úmida para utilização em períodos de estiagem,
podendo transcorrer meses ou anos entre esses períodos.
São fornecidos pelo Operador Nacional do Sistema Elétrico (ONS) dados característicos
de cada usina referentes, por exemplo, ao reservatório, cotas, máquinas, usina à jusante e ao
histórico de vazões. A Figura 2.4 (ONS, 2011) mostra a topologia hidráulica das usinas do SIN
através de um diagrama esquemático e, como será visto adiante, a disposição das usinas é um
dado de grande importância na determinação de diversos parâmetros a serem utilizados para a
resolução do problema.
Além disso, devido ao crescimento esperado do mercado e a fim de garantir a confiabilidade
do sistema, o Setor Elétrico é regido de tal forma que é comum haver expansão do sistema
como, por exemplo, entrada de máquinas em usinas em funcionamento e entrada em operação
de novas usinas. Deste modo, será sempre considerada essa expansão e grande parte dos dados
são referenciados aos respectivos períodos de planejamento.
2.3 Sistemas Equivalentes de Energia 38
Figura 2.4: Topologia hidráulica do SIN
2.3 Sistemas Equivalentes de Energia 39
2.3.1 A Agregação de Reservatórios
Quanto mais distante do instante inicial a simulação estiver, menos importância é dada à
geração individual de cada usina, tendo mais relevância a proporção ótima de utilização dos
recursos hidráulicos e térmicos levando em consideração a análise probabilística do comporta-
mento das afluências. Além disso, no planejamento de médio prazo a estratégia de operação é
função de todas as combinações possíveis de tendências hidrológicas e níveis de reservatórios e
o problema de operação ótima torna-se rapidamente inviável do ponto de vista computacional.
A solução adotada consiste em reduzir o número de variáveis através da agregação dos
reservatórios. No caso do sistema brasileiro que contém mais do que 100 usinas hidrelétricas,
obtém-se uma drástica redução do esforço computacional. Por conseguinte, torna-se necessário
determinar a estratégia de operação para o sistema, isto é, uma decisão operativa para cada mês
em função dos possíveis estados do sistema naquele período.
A metodologia que será detalhada pode ser assim resumida (MARCATO, 2002):
• Agregação das usinas hidrelétricas pertencentes a bacias hidrográficas situadas geogra-
ficamente próximas em um reservatório equivalente. Atualmente, no caso do sistema elétrico
brasileiro, são utilizados quatro subsistemas ou reservatórios equivalentes, representando as re-
giões Sul, Sudeste/Centro-Oeste, Nordeste e Norte;
• agregar as afluências das usinas de cada reservatório equivalente em afluências energéticas
equivalentes;
• representação das afluências energéticas através de um modelo estocástico adequado;
Para uma representação mais eficaz do sistema como um reservatório equivalente é reco-
mendável que as usinas com reservatório possuam grande capacidade de regularização e que a
região a que as mesmas pertencem seja hidrologicamente homogênea, para uma melhor repre-
sentação do comportamento estocástico das afluências (FINARDI, 1999). Além disso, a região
deve também ser eletricamente interligada, de modo que a carga possa ser suprida pela geração
de qualquer usina hidrelétrica sem haver congestionamento, pois há a consideração de operação
em barra única para as usinas que o compõem no atendimento à demanda do sistema.
Um parâmetro ou estado de um sistema equivalente pressupõe um estado operacional im-
plícito do sistema individualizado. Por exemplo, a água armazenada em um dado reservatório
é refletida como a energia que seria gerada pelo completo deplecionamento desta usina; assim,
considera-se que esta água deplecionada seria turbinada pela própria usina e todas demais a
jusante da mesma. Desta forma, alguns estados que seriam variáveis de decisão do problema
2.3 Sistemas Equivalentes de Energia 40
individualizado são simplificados e considerados conhecidos de acordo um pré-julgamento de
operação, como o turbinamento no caso descrito.
Ressalta-se que a modelagem por sistemas equivalentes utiliza a hipótese da operação em
paralelo do sistema, em que os reservatórios do sistema mantêm a mesma tendência de enchi-
mento e deplecionamento, refletida, por exemplo, através da energia armazenada do sistema.
Portanto, os estados de operação obtidos refletem o comportamento global do sistema em ques-
tão, não somente em relação ao armazenamento, mas como também o turbinamento, o verti-
mento e outras variáveis.
2.3.2 Parâmetros do Sistema Equivalente
Para uma análise do sistema através de subsistemas equivalentes de energia é importante re-
orientar os parâmetros de análise. Isto porque, para a obtenção de um comportamento global do
sistema, torna-se mais realístico a avaliação energética do sistema. Assim, ao invés de conside-
rar a água armazenada em cada reservatório considera-se a energia armazenada no subsistema
e, desta mesma forma, a vazão de água turbinada nas usinas é refletida na geração hidráulica do
subsistema e assim por diante.
Porém, para que estas considerações sejam possíveis não é suficiente, por exemplo, ape-
nas o conhecimento dos volumes de água no reservatório equivalente, uma vez que somente
essa informação não define as reais possibilidades de geração do subsistema como um todo.
Faz-se essencialmente necessário conhecer, dentre outras características, a posição relativa das
usinas na cascata para computar a quantidade energia que provirá da água armazenada em cada
reservatório (FINARDI, 1999).
A Figura 1.3, apresentada no Capítulo 1, ilustra como se dá a composição do sistema equi-
valente. Dada a topologia de um sistema composto por usinas hidráulicas de acumulação e
fio d’água, as usinas são agregadas de modo a formar um sistema equivalente de energia atra-
vés de um reservatório equivalente de energia, com uma representação explícita no problema,
conjuntamente às parcelas energéticas a fio d’água.
Em sistemas equivalentes, as parcelas a fio d’água correspondem às energias provenientes
de uma dada quantidade de água antes que esta possa vir a ser armazenada pelos reservatórios
do sistema durante seu curso no rio. Ou seja, são energias em que não há controle ou opção de
armazenamento e constituem-se de parcelas compulsórias, que não aparecem como variáveis
de decisão no problema e são parâmetros constantes a serem considerados.
Já o reservatório equivalente de energia é o elemento para o qual realizam-se os proce-
2.3 Sistemas Equivalentes de Energia 41
dimentos de tomada de decisão acerca do recurso hídrico e detêm, desta forma, as parcelas de
energia controláveis do subsistema. Isto porque, dada uma afluência, opta-se pelo turbinamento,
armazenamento ou vertimento do recurso, assim como no gerenciamento de uma usina com re-
servatório tratada individualmente. Porém, em vez do gerenciamento da água, o problema do
reservatório equivalente de energia visa às possibilidades de utilização da energia.
Função de Produção Energética de uma Usina de Reservatório:
A produtibilidade de uma usina determina a energia gerada em função do turbinamento de
água ocorrido na mesma e é dada pelo produto entre a produtibilidade específica da usina hidre-
létrica (MW/m³/s/m) e a altura de queda do reservatório (m). Esta altura de queda é calculada
em função do nível do reservatório, ou melhor, da energia armazenada no reservatório.
A altura de queda é definida pela diferença em metros da cota da superfície de água do
reservatório e a cota do canal de fuga somada às perdas. Acota é definida pela diferença de nível
entre a superfície de água do reservatório, que é função do armazenamento, e a superfície de
água do oceano. Esta relação entre a cota da superfície da água e o volume de água armazenada
é não-linear e é dada pelo polinômio cota-volume da usina (MARCATO, 2002).
Resumidamente, tem-se:
ρ
j,t
(Vol) Produtibilidade da usina j no período t correspondente ao volume Vol
(MW/m³/s).
Por definição, a energia armazenada em cada reservatório é a energia gerada ao deplecioná-
lo totalmente, sob a hipótese de afluência nula. Assim, a energia armazenada é resultado do
deplecionamento do reservatório partindo de um estado de armazenamento Vol no início do
mês até o armazenamento mínimo (VMIN) ao final do mês. Porém, durante esta variação na
quantidade da água presente no reservatório, os valores da altura de queda também variam ao
longo do mês proporcionando uma produtibilidade variada durante o estágio em análise.
Assim, torna-se útil definir a chamada produtibilidade equivalente, que é a produtibilidade
que, se considerada constante, é capaz de fornecer o valor da energia armazenada presente
em um reservatório dado o esvaziamento do mesmo. Resumindo, a produtibilidade equivalente
constitui-se através do cálculo do valor médio da produtibilidade, que varia ao longo do estágio,
e é dada por:
2.3 Sistemas Equivalentes de Energia 42
ρ
eq
j,t
(Vol) =
´
Vol
VMIN
j
ρ
j,t
(vol) dvol
Vol −VMIN
j
(2.2)
em que:
ρ
eq
j,t
(Vol) Produtibilidade equivalente da usina j no período t do volume mí-
nimo ao volume Vol (MW/m³/s).
VMIN
j
Volume mínimo da usina j (hm³).
Observação: A produtibilidade média para o problema de médio prazo é aquela correspon-
dente à produtibilidade da usina quando operada em 65% do seu volume útil. Portanto, quando
for referido o termo "produtibilidade" sem especificar qualquer condição, ou ainda o termo
"produtibilidade média" implicará no uso desta produtibilidade. Já a ulilização do termo "pro-
dutibilidade equivalente" sem especificação de volume implicará na produtibilidade equivalente
do volume mínimo ao máximo do reservatório em questão.
Energia Armazenável Máxima:
A Energia Armazenável Máxima reflete a quantidade de energia produzida através do com-
pleto esvaziamento dos reservatórios que compõem o sistema, ou seja, ela mede a capacidade
total de armazenamento do conjunto de reservatórios do sistema. Adota-se a hipótese de ope-
ração em paralelo, isto é, os armazenamentos e deplecionamentos são feitos paralelamente em
volume e, adicionalmente, este cálculo é feito desconsiderando-se novas afluências.
A água utilizada para gerar energia em uma usina viajará ao longo de todo o rio e irá
também gerar energia em todas as usinas à jusante da mesma e, por isso, o conhecimento da to-
pologia do sistema é necessária para a resolução do problema. A energia armazenável máxima
é calculada somando-se os produtos do volume útil de cada reservatório pela sua produtibili-
dade acumulada, onde, entende-se por produtibilidade acumulada a soma da produtibilidade do
próprio reservatório e as produtibilidades de todos os reservatórios e usinas fio d’água à jusante
até o final da cascata (CEPEL, 2001). A seguinte expressão retrata este procedimento para se
calcular a energia armazenável máxima do sistema i no instante t.
EA
i,t
=
1
FATOR
t
NUSI
i

j=1
_
(VMAX
j
−VMIN
j
)

k∈J
j
ρ
eq
k,t
(VMAX
k
)
_
(2.3)
em que:
2.3 Sistemas Equivalentes de Energia 43
EA
i,t
Energia armazenável máxima do sistema i no estágio t (MWmês).
FATOR
t
Constante utilizada para converter m³/s em hm³/mês e pode ser cal-
culada de acordo com o número de dias do mês.
3
NUSI
i
Número de usinas com reservatório do sistema i.
VMAX
j
Volume máximo da usina j (hm³).
J
j
Conjunto composto pela usina j e todas as usinas à jusante de j.
O termo VMAX
j
−VMIN
j
mostrado na equação acima compreende toda a capacidade de
armazenamento do reservatório j e é comumente chamado de "volume útil" do reservatório,
denotado por VUTIL
j
.
Um exemplo didático dos cálculos de energia para sistemas equivalentes é mostrado, a
partir do sistema considerado na Figura 2.5.
Figura 2.5: Sistema fictício para construção do exemplo didático.
De acordo com o exposto na Equação 2.3, o valor literal da energia armazenável máxima
do sistema exemplo será:
3
Neste trabalho, foi considerado como dias um número médio de
365
12
, resultando em um FATOR
t
= 2.63
independentemente do mês de estudo.
2.3 Sistemas Equivalentes de Energia 44
EA =
1
FATOR
_
_
_
_
_
_
_
_
_
_
_
_
VUTIL
1
_
ρ
eq
1

eq
5

eq
6

eq
7
_
+
VUTIL
2
_
ρ
eq
2

eq
5

eq
6

eq
7
_
+
VUTIL
3
_
ρ
eq
3

eq
4

eq
5

eq
6

eq
7
_
+
VUTIL
4
_
ρ
eq
4

eq
5

eq
6

eq
7
_
+
VUTIL
5
_
ρ
eq
5

eq
6

eq
7
_
+
VUTIL
7
_
ρ
eq
7
_
_
_
_
_
_
_
_
_
_
_
_
_
(2.4)
Correção da Energia Armazenada devido a Mudança de Configuração:
Os valores, em energia, do armazenamento dos reservatórios, podem ser alterados quando
da mudança de configuração, ou seja, da entrada em operação de uma nova usina hidroelétrica.
Isto porque mesmo quando não há alteração dos volumes armazenados, porém, havendo vari-
ação das produtibilidades das usinas, ocorre alteração na energia armazenada. Este novo valor
de energia armazenada difere do anterior por um fator descrito pela razão entre as energias ar-
mazenáveis máximas depois e antes da entrada em operação de novas usinas hidroelétricas sem
a contabilização da energia advinda do volume útil das novas usinas com reservatório (CEPEL,
2001).
Em resumo, o exposto é de que um dado armazenamento inicial de um estágio, em ener-
gia, deve ser corrigido pelo fator descrito a fim de encontrar a energia armazenada no final do
período em questão e esta variação ocorre devido a entrada de máquinas no sistema, causando
uma diferença de contabilização entre o início e o final de um dado período do planejamento.
Este fator implicará, então, na seguinte relação:
EA
i,t
= FCEA
i,t
· EA
i,t−1
(2.5)
em que:
EA
i,t
Energia armazenada no sistema i no período t (MWmês).
EA
i,t−1
Energia armazenada no sistema i, contabilizada no período t-1 (MW-
mês).
FCEA
i,t
Fator de correção da energia armazenada no sistema i no período t.
Este efeito na energia armazenada é abordado porque o armazenamento é a variável respon-
2.3 Sistemas Equivalentes de Energia 45
sável pelo acoplamento temporal no problema em estudo, ou seja, o armazenamento final de um
dado estágio corresponde ao armazenamento inicial do próximo estágio. A modelagem do pro-
blema do planejamento e, consequentemente, os efeitos e a dinâmica existente na consideração
dos armazenamentos serão mostrados no Capítulo 3.
Energia Controlável:
Como o exposto anteriormente, na composição do sistema equivalente de energia faz-se
a montagem do reservatório equivalente de energia e, assim, as afluências passíveis de arma-
zenamento participam da contabilização da energia afluente controlável do sistema, também
conhecida como energia controlável do sistema.
A Energia Controlável em um dado estágio t
_
EC
i,t
_
pode ser obtida pela soma das vazões
incrementais a cada reservatório valorizadas pela produtibilidade média de todas as usinas à
jusante do mesmo. A vazão incremental é dada pela afluência natural descontada das afluências
naturais das usinas de reservatório imediatamente à montante.
Ainda existe uma segunda definição que utiliza a própria afluência natural ao reservatório
e especifica a faixa de usinas a terem produtilibilidade contabilizada no cálculo e, em geral,
fornece o mesmo resultado da utilização da primeira definição, não funcionando somente para
casos com acoplamento hidráulico entre os subsistemas, assunto que não será diretamente abor-
dado e pode ser encontrado em (SOUZA, 2008; MARCATO, 2002).
Energia Fio d’Água:
A Energia Controlável constitui-se da energia a ser gerada pela parcela de afluência que
não pode ser armazenada e constitui-se basicamente das afluências incrementais das usinas a fio
d’água. A determinação da afluência incremental é feita em cada usina a partir de sua afluência
natural, da qual são descontadas as afluências naturais às usinas de reservatório imediatamente
a montante. A energia é calculada respeitando-se o limite de engolimento máximo das turbinas
das usinas fio d’água utilizadas no cálculo, constituindo no que é chamado de Energia Fio
d’Água Líquida
_
EFIO
i,t
_
do sistema (MARCATO, 2002; TERRY et al., 1980).
Energia Natural Afluente:
A Energia Natural Afluente em um estágio t
_
EAFLU
i,t
_
é composta por toda energia
afluente ao sistema, independentemente de ser ou não controlável e tem bastante importância
para as análises estatísticas para os modelos estocásticos. Mesmo que possa ser calculada de
2.3 Sistemas Equivalentes de Energia 46
forma direta, torna-se claro que a Energia Natural Afluente pode ser dada como a soma das
energias afluentes controlável e fio d’água, como mostrado abaixo:
EAFLU
i,t
= EC
i,t
+EFIO
i,t
(2.6)
em que:
EAFLU
i,t
Energia natural afluente do sistema i no período t (MWmês).
EC
i,t
Energia controlável do sistema i no período t (MWmês).
EFIO
i,t
Energia fio d’água líquida do sistema i no período t (MWmês).
Energia de Vazão Mínima:
A Energia de Vazão Mínima
_
EVMIN
i,t
(EA
i,t
)
_
deve refletir o montante de energia gerado
pela defluência mínima obrigatória de todas as usinas com reservatório e seu valor depende
exclusivamente da configuração do sistema, ou seja, a série hidrológica em questão não afeta o
seu cálculo (CEPEL, 2009).
Seu valor é calculado multiplicando-se a descarga mínima obrigatória de cada usina com
reservatório pela soma de sua produtibilidade, associada a altura queda líquida correspondente
a um dado armazenamento, conjuntamente às produtibilidades de todas as usinas fio d’água
existentes entre o reservatório em questão e o próximo reservatório a jusante.
Como trata-se de uma geração compulsória de parcelas controláveis e seu valor pode ser
expressivo em alguns sistemas, a inclusão da restrição de vazão mínima obrigatória no pro-
blema exige a utilização de alguns mecanismos para que pelo menos boa parte da restrição seja
atendida (DUARTE, 2002).
Energia Evaporada:
A Energia Evaporada
_
EVP
i,t
(EA
i,t
)
_
é uma energia perdida pelo sistema devido à evapo-
ração de água decorrente da exposição da superfície do lago à insolação. Esta perda é calculada
pelo produto dos coeficientes de evaporação médios mensais, pela área da superfície do lago e
pela produtibilidade acumulada nos reservatórios das usinas à jusante do reservatório em ques-
tão inclusive. A área da superfície do lago exposta à insolação é uma função do volume de água
no reservatório e, portanto, é uma função da energia armazenada no reservatório.
2.3 Sistemas Equivalentes de Energia 47
Energia para Enchimento de Volume Morto:
Na ocasião de entrada de uma usina com reservatório em uma determinada configuração,
até que o volume morto seja cheio, ocorre uma perda de energia que deve ser contabilizada
no problema (MARCATO, 2002). O volume morto compreende à porção do reservatório que
se encontra abaixo da cota de tomada de água e a perda de energia ocorre porque essa quanti-
dade de água necessária para o enchimento do volume morto não poderá ser turbinada e nem
vertida. Esta energia é, então, denominada Energia de Volume Morto
_
EVM
i,t
_
e representa a
quantidade de energia perdida para que o reservatório atinja o funcionamento pleno.
Energia de Desvio de Água:
A Energia de Desvio de Água independe da série hidrológica considerada, dependendo tão
somente da configuração e da vazão que está sendo desviada ou retirada e ela consiste no valor
energético das afluências necessárias à retirada ou adição de água de uma usina hidroelétrica
com ou sem reservatório (CEPEL, 2009). No caso de uma usina com reservatório, esta energia
é contabilizada como controlável
_
EDSVC
i,t
(EA
i,t
)
_
e pode ser corrigida pelo armazenamento
do sistema, já no caso de uma usina a fio d’água esta energia é contabilizada como fio d’água
_
EDSVF
i,t
_
.
Geração Hidráulica Máxima:
A Geração Hidráulica Máxima
_
GHMAX
i,t
(EA
i,t
)
_
independe da série hidrológica consi-
derada, dependendo somente da configuração e reflete a quantidade máxima que o sistema pode
vir a dispor de geração hidráulica. Este valor é função da energia armazenada do sistema, pois
à medida que os níveis de armazenamento se modificam na simulação da operação, mudanças
ocorrem no valor da disponibilidade de geração hidráulica do sistema devido a alterações nos
valores de produtibilidade das usinas.
2.3.3 Parábolas de Correção
Como mencionado anteriormente, o nível de montante do reservatório afeta o processo de
conversão de energia e a cota de montante é uma função não-linear do volume do reservatório.
Este efeito do volume sobre a função de produção afetará, então, grande parte dos parâmetros
dos sistemas equivalentes, que são baseados em parâmetros energéticos e as produtibilidades
das usinas aparecem de forma determinante no problema.
2.3 Sistemas Equivalentes de Energia 48
Na tentativa de representar as não linearidades do problema são propostas as parábolas
de correção (MACEIRA; SUANNO, 1995a), que aproximam o comportamento não-linear do
sistema como um todo. Por exemplo, os parâmetros de Geração Hidráulica Máxima e Energia
de Vazão Mínima, como apresentados na seção anterior, são não-lineares, visto que são função
do armazenamento do sistema. Porém, não é realizado o recálculo de todos esses parâmetros
para cada ponto de armazenamento durante o cálculo da política. Na modelagem utilizada
adotam-se parábolas de correção que, além de facilitarem no cálculo dos parâmetros ao longo
do processo de determinação da política elas podem ser implicitamente montadas de forma a
manter a convexidade do problema quando inseridas em restrições de desigualdade.
Desta forma são ajustadas parábolas que têm como objetivo corrigir a energia em questão
em função da energia armazenada no sistema que se modifica durante a simulação da operação
e para a construção das parábolas dispõem-se de três pontos de operação, correspondentes aos
pontos de energia armazenável mínima, média e máxima.
As parábolas serão, então, montadas para a energia de vazão mínima, a energia evaporada,
geração hidráulica máxima e energia de desvio controlável bem como para o fator de correção
da energia controlável, que é um fator que é multiplicado pela energia controlável de maneira a
fornecer a energia controlável corrigida pelo armazenamento do sistema equivalente. A Figura
2.6, adaptada de (CEPEL, 2007), ilustra o processo da montagem das parábolas.
Figura 2.6: Parábolas de correção
Em que define-se:
2.3 Sistemas Equivalentes de Energia 49
a
XXX
i,t
Coeficiente do termo quadrático da parábola para o cálculo da gran-
deza XXX em função da energia armazenada inicial, onde i identifica
o sistema, t o estágio e XXX pode ser substituído por:
• EVZ: Energia de Vazão Mínima
• EVP: Energia Evaporada
• GHM: Geração hidráulica Máxima
• DSV: Energia de desvio Controlável
• FEC: Fator de correção da energia controlável
b
XXX
i,t
Descrição idêntica ao termo a
XXX
i,t
só que relativo ao termo linear da
parábola.
c
XXX
i,t
Descrição idêntica ao termo a
XXX
i,t
só que relativo ao termo indepen-
dente da parábola.
Onde for necessário, por exemplo, a energia de vazão mínima
_
EVMIN
i,t
(EA
i,t
)
_
, que
é função de um dado armazenamento sobre os vários reservatórios do sistema, será utilizada
interpolação sobre a parábola de correção da energia de vazão mínima em função do armazena-
mento requisitado ao sistema.
Ressalta-se que a não-linearidade aderida ao processo é passível de resolução ainda através
de programação linear por se tratar de programação dinâmica, assunto que será tratado adi-
ante, em que o problema é discretizado mensalmente e as correções são aplicadas de acordo
com os armazenamentos encontrados no início de cada período de estudo. Contudo, estas não-
linearidades ainda não contemplam todas as possibilidades de modelagem que são encontradas
em um problema de curto-prazo (CUNHA et al., 1997)(DINIZ; MACEIRA, 2008) e a hipó-
tese da operação em paralelo interfere de forma direta na acurácia da representação das não-
linearidades.
3 Despacho da Operação em Sistemas
Equivalentes de Energia
3.1 Introdução
A coordenação da operação de um sistema hidrotérmico de energia elétrica visa ao aten-
dimento dos requisitos de consumo do sistema de uma forma econômica e confiável. Sendo
assim, o esforço é despendido no sentido de que sejam utilizados os recursos hidrelétricos dis-
poníveis da melhor maneira possível, evitando ao máximo a complementação termelétrica da
geração, sem, entretanto, comprometer a confiabilidade do sistema.
Para os horizontes de longo e médio prazo, o problema de planejamento da operação ener-
gética deve levar em consideração o nível de armazenamento nos reservatórios contemplando
a natureza estocástica das afluências e as restrições físicas do sistema, como limitações de in-
tercâmbios entre regiões, cronograma de novas gerações, previsões de demanda, patamares de
mercado e custo de déficit. Oproblema clássico de um estágio do planejamento com a utilização
de sistemas equivalentes de energia é resumidamente apresentado a seguir (DIAS, 2010):
Minimizar: Valor Esperado do Custo Total de Operação (Custo Imediato + Custo Futuro)
s.a:
• Equações de Atendimento à Demanda
• Equações de Balanço Energético nos Reservatórios Equivalentes
• Equações de Fechamento dos Nós Fictícios
• Restrição de Geração Hidráulica Máxima
• Equações das Funções de Custo Futuro
• Limites das Variáveis – Restrições Operativas
3.2 Técnicas de Programação Dinâmica Aplicadas ao Problema de Longo e Médio Prazo 51
O horizonte de planejamento adotado no sistema brasileiro para o problema de médio e
longo prazo é de 5 a 10 anos, com discretizações mensais. Matematicamente, a resolução do
problema consiste em decidir, ao início de cada estágio, as metas de geração hidráulica que
minimizam o custo de operação ao longo do planejamento. Ocorre, porém, que o problema de
planejamento é estocástico, devido ao fato de que não há o conhecimento prévio das afluên-
cias que ocorrerão no sistema. Adicionalmente, dentro de um período tão longo para a análise
estocástica o problema torna-se especialmente complexo e estudos específicos tornam-se ne-
cessários e, desta forma, é comum a utilização de técnicas de Programação Dinâmica (PD) na
resolução do problema, as quais serão resumidamente apresentadas na seção subsequente.
3.2 Técnicas de Programação Dinâmica Aplicadas ao Pro-
blema de Longo e Médio Prazo
A técnica de Programação Dinâmica (BELLMAN, 1957) foi desenvolvida por Richard
Bellman em meados da década de cinquenta com o objetivo de resolver diversos problemas
de controle e otimização dinâmica e vem sendo amplamente aplicada na solução de problemas
de planejamento energético e de operação, como na resolução do "unit commitment" térmico
e, em especial, os problemas ligados ao planejamento envolvendo recursos hídricos, devido à
estocasticidade das afluências (FINARDI, 1999; SIQUEIRA, 2009).
A decisão de manter um reservatório em determinado nível poderá ter sido acertada depen-
dendo da estratégia de operação e da seqüência de afluências que chegará ao reservatório nos
períodos subsequentes. Desta forma, a determinação do planejamento da operação energética
fica caracterizada por tomadas de decisões sequenciais em que a otimalidade de uma decisão
atual depende de um conjunto de acontecimentos futuros.
Devido a essas características apontadas no planejamento, a PD apresenta grande aplicação
na resolução destes tipos de problemas, pois a PD é apropriada para o tratamento de problemas
multiestágios e possui a capacidade de tratar as não linearidades e a estocasticidade inerentes ao
processo devido às condições de separabilidade (BERTSEKAS, 2007) verificadas. Como o pro-
blema é estocástico será, então, utilizado um algoritmo de Programação Dinâmica Estocástica
(PDE) para a resolução problema da operação energética de longo prazo.
De acordo com a técnica, o problema é dividido em etapas (estágios) e a melhor decisão
em cada etapa é determinada de acordo com a situação (estado) em que o sistema se encontra
(FINARDI, 1999). O processo de otimização baseia-se no conhecimento prévio de todas as
possibilidades futuras e suas consequências, de modo a satisfazer o princípio da otimalidade de
3.2 Técnicas de Programação Dinâmica Aplicadas ao Problema de Longo e Médio Prazo 52
Bellman (BELLMAN, 1957), que diz que uma política ótima deve ser tal que, independente-
mente da trajetória descrita para se chegar a um determinado estado, as decisões remanescentes
devem constituir uma trajetória ótima a partir do estado em questão. Isto, intuitivamente, sig-
nifica que o problema deve ser resolvido em sentido contrário, ou seja, que a recursão deve ser
realizada no sentido inverso do tempo, abrangendo assim as possíveis seqüências de afluências
através de decisões futuras, o que no sentido direto do tempo traz informação do efeito das
possíveis seqüências de afluências futuras como consequência da decisão presente.
A partir das considerações realizadas, uma ferramenta capaz de garantir a solução ótima do
problema é a PDE e, uma vez utilizado este algoritmo, o problema pode ser formulado ainda de
duas maneiras (FINARDI, 1999):
1. acaso-decisão, em que dada uma variável aleatória (acaso) determina-se a melhor ope-
ração (decisão). Ou seja, dado um estado ao início do estágio t, supõe-se conhecida a
afluência no início do mês e toma-se a decisão de acordo com a afluência dada. Assim,
o acaso (afluência) é considerado antes da tomada de decisão, o que resulta em diversos
custos de operação associados às diversas afluências.
2. decisão-acaso, decidindo-se apenas emfunção da distribuição de probabilidades da afluên-
cia do estágio em que se encontra o problema. Nesta formulação não se admite que a
afluência seja conhecida ao início do mês, supondo apenas conhecida a sua distribuição
de probabilidades e a decisão térmica é tomada sem o conhecimento prévio da afluência.
Assim, para cada estado do problema, em cada estágio, é tomada a decisão térmica que
em média seja menos onerosa, considerando as diversas possibilidades de afluências da
distribuição.
Um algoritmo baseado na PDE traduz matematicamente a influência das variáveis de estado
no custo de operação do sistema e duas classes podem ser consideradas no presente estudo: o
volume do reservatório e algum tipo de informação sobre a tendência hidrológica ao sistema,
como, por exemplo, as afluências aos reservatórios durante estágios anteriores (SIQUEIRA,
2009; MACEIRA; DAMáZIO, 2006).
O modelo da PDE utilizada nos estudos de longo prazo do sistema elétrico brasileiro refe-
rente ao modelo do tipo acaso-decisão da PDE, em que são conhecidas as afluências no início
do estágio, utiliza a seguinte equação recursiva (PEREIRA; PINTO, 1985):
α
t
(X
t
) = E
A
t
|X
t
_
Min
_
C
t
(U
t
) +
1
1+δ
α
t+1
(X
t+1
)
__
(3.1)
3.2 Técnicas de Programação Dinâmica Aplicadas ao Problema de Longo e Médio Prazo 53
em que:
α
t+1
(X
t
) Valor do custo esperado de operação do período t ao final do hori-
zonte, em função dos estados do sistema.
1
E
A
t
|X
t
Valor esperado de custo de acordo com todos os valores possíveis
de afluências contidos em A
t
, condicionado pelo vetor de estados X
t
(conhecido no início do estágio).
X
t
Vetor de variáveis que definem o estado inicial do sistema no período
t.
A
t
Vetor de afluências incrementais ao sistema no período t.
U
t
Vetor com as decisões obtidas no período t e determina o estado em
que o sistema se encontrará ao final do mesmo — ou seja, definirá
X
t+1
.
C
t
(U
t
) Custo operativo relacionado à decisão operativa U
t
.
2
δ Taxa de desconto monetário (pu).
Conjuntamente, o problema é sujeito às restrições do problema hidrotérmico e t é aplicado
para T, T-1,. . . ,1 — em que T corresponde ao período total de estudo — com α
T+1
nulo para
quaisquer valores de estado final. Isto indica que para o último estágio do planejamento não é
possível incluir as consequências operativas considerando efeitos de períodos posteriores.
Exatamente por isso, o período de estudo para o planejamento visando caracterizar o com-
portamento estocástico conjuntamente à capacidade de regularização do sistema não deve ser
muito curto, pois ao final do período de planejamento os reservatórios tendem a se esvaziarem,
fazendo com que seja comumente considerado no cálculo da política um período que vai além
dos 5 anos de estudo, chamado período de pós-estudo. Desta forma, ao final do período de
estudo, o armazenamento do sistema não estará tão baixo, pois será feita a análise das con-
sequências em períodos posteriores.
Como a estratégia de operação deve ser calculada para todas as combinações possíveis
dos níveis dos reservatórios e afluências do estágio anterior, o esforço computacional cresce
exponencialmente com o número de variáveis de estado consideradas (CERVELLERA et al.,
2006). Supondo que cada um dos NR reservatórios do sistema sejam discretizados em ND
parcelas, com NR afluências do estágio anterior, tem-se um total de ND
2NR
estados discretiza-
dos, o que implica na resolução de ND
2NR
problemas de otimização para cada estágio. Assim,
1
Chamada de parcela de custo futuro.
2
Chamada de parcela de custo imediato.
3.2 Técnicas de Programação Dinâmica Aplicadas ao Problema de Longo e Médio Prazo 54
um algoritmo baseado na PDE torna-se rapidamente inviável computacionalmente, mesmo para
sistemas com poucas usinas hidrelétricas. Por exemplo, arbitrando-se ND = 10 discretizações
tem-se:
1 reservatório ⇒10
2
= 100 estados
2 reservatórios ⇒10
4
= 10.000 estados
3 reservatórios ⇒10
6
= 1.000.000 estados
4 reservatórios ⇒10
8
= 100.000.000 estados
Esta é a chamada "maldição da dimensionalidade" da PDE e de modo a evitar esta explosão
combinatorial foram desenvolvidos algumas metodologias para tentar resolver o problema de
planejamento da operação energética com um esforço computacional menor do que o exigido
pelo algoritmo da PDE.
A simplificação inicial, e muito adotada para o planejamento energético de médio e longo
prazo, é a agregação dos vários reservatórios do sistema em reservatórios equivalentes de ener-
gia (ARVANITIDIS; ROSING, 1970), no intuito de diminuir a quantidade de variáveis de es-
tados do problema. Contudo, a agregação em reservatórios equivalentes ainda não torna-se
suficiente para garantir a aplicabilidade da PDE porque a agregação do sistema em um único
reservatório, o que computacionalmente viabilizaria a utilização da PDE, é inadequada face à
diversidade hidrológica apresentada entre as regiões em que se encontram os reservatórios. As-
sim, é mais comumente adotada uma representação com múltiplos reservatórios equivalentes,
cada um representando um subsistema específico, o que já é suficiente para dificultar o uso
amplo da PDE como técnica de resolução do problema.
Uma aproximação para a resolução do problema pode se constituir da simplificação da
representação estatística das afluências ou a distribuição das probabilidades de ocorrência das
mesmas. Alguns modelos consideram a correlação temporal entre as afluências através, por
exemplo, de uma cadeia de Markov de ordem unitária (SIQUEIRA, 2009; ZAMBELLI, 2009) e
assim, será considerado que afluências de estágios anteriores —no caso, umestágio antecedente
— alteram as probabilidades de ocorrência das afluências no estágio atual. Já o modelo de
Programação Dinâmica Estocástica Independente (PDEI) trata de eventos independentes e não
considera as afluências correlacionadas mês a mês e, assim, a distribuição das afluências será a
mesma encontrada na amostra a ser utilizada, independentemente das afluências passadas. Isto
significa que, por exemplo, ao utilizar o histórico de vazões como amostragem a distribuição
utilizada será a mesma encontrada no próprio histórico.
A Figura 3.1 ilustra como ocorre a distribuição das afluências na PDEI para uma amostra
3.2 Técnicas de Programação Dinâmica Aplicadas ao Problema de Longo e Médio Prazo 55
do histórico de afluências. Sendo assim, observa-se que a distribuição não é diretamente corre-
lacionada a afluências anteriores, ou seja, A
t
não dependerá da afluência A
t−1
ocorrida e todas
as possíveis afluências dentro do domínio de estudo são testadas. Além disso, os pesos, em vez
de serem dados por um modelo estatístico, serão determinados pela frequência de ocorrência de
certos valores de afluência no histórico de vazões.
Figura 3.1: Esquema de ocorrência das afluências na PDEI
Como efeito, há uma grande redução no número de estados a serem analisados para a re-
solução do problema. Desta vez, supondo que cada um dos NR reservatórios do sistema sejam
discretizados em ND parcelas, tem-se um total de ND
NR
estados discretizados por estágio. Por
exemplo, arbitrando-se ND = 10 discretizações tem-se:
1 reservatório ⇒10
1
= 10 estados
2 reservatórios ⇒10
2
= 100 estados
3 reservatórios ⇒10
3
= 1.000 estados
4 reservatórios ⇒10
4
= 10.000 estados
Esta redução no esforço computacional é importante, mas ainda não torna a resolução do
problema do planejamento energético via PDE um processo trivial (DIAS, 2010; DIAS et al.,
2010), devido ao número de sistemas considerados e ao número de dimensões inerentes ao pro-
cesso de montagem da função de custo futuro. Porém, estes aspectos serão mais profundamente
abordados no Capítulo 4.
3.2 Técnicas de Programação Dinâmica Aplicadas ao Problema de Longo e Médio Prazo 56
A desvantagem da utilização deste método é que ele considera que todas as afluências são
equiprováveis de acontecerem na ocasião do cálculo do valor esperado do custo de operação,
diferentemente de quando se utilizam modelos que consideram a tendência hidrológica. Estes
modelos são capazes de reconhecer, em função das afluências passadas, quando há alta probabi-
lidade de ocorrência de afluências baixas, por exemplo, como em períodos de seca observados
no histórico, em que é comum haver estágios consecutivos com baixa afluência caracterizando
o período de seca em questão. Porém, estes valores consecutivos de afluência baixa podem não
serem esperados pelo modelo independente com a probabilidade devida. A Figura 3.2 ilustra
como afluências de estágios anteriores podem influenciar na probabilidade de ocorrência das
afluências no estado atual.
Figura 3.2: Esquema de ocorrência de afluências na PDE considerando a tendência hidrológica
Desta forma, a PDEI não possui a mesma capacidade de reconhecimento de prováveis pe-
ríodos de seca e nem períodos de cheia, que podem ser previstos pelo modelo estocástico através
de probabilidades diversificadas de acordo com as afluências de períodos anteriores, levando a
uma operação mais eficiente. Mesmo podendo ser pessimista nos momentos de tendência de
cheia é comum dizer que a PDEI leva a uma operação otimista do sistema, pois os períodos de
seca são os mais críticos devido aos altos custos associados. Porém, bons resultados podem ser
obtidos do modelo da PDEI, como mostrado em (SIQUEIRA, 2009).
Em resumo, através da simplificação do processo estatístico, com a consideração dos even-
3.3 Formulação Matemática do Problema de Longo e Médio Prazo 57
tos independentes no tempo, a aplicação da técnica da PDE torna-se mais viável do ponto de
vista computacional e pode fornecer uma aproximação para a avaliação do planejamento ener-
gético.
Atualmente, a Programação Dinâmica Dual Estocástica (PEREIRA; PINTO, 1985; PE-
REIRA, 1989), que é uma técnica baseada na PDE, é uma metodologia comumente utilizada
como alternativa para a solução do problema de planejamento, pois ela é capaz de resolver o
problema do planejamento considerando um número suficiente de reservatórios conjuntamente
aos modelos estatísticos de representação das tendências hidrológicas, contornando a "maldição
da dimensionalidade" existente na PDE. A PDDE utiliza a técnica de Decomposição de Benders
e trata o problema de forma analítica, evitando a discretização do espaço de estados tal como é
feito na técnica da PDE diminuindo o esforço computacional de forma substancial.
A PDDE não apresenta um espaço amostral discreto dos armazenamentos, mas constitui-se
de um processo de convergência em que os pontos são visitados de acordo com que é realizada
a representação mais realista da função de custo futuro ao longo das iterações. A função é um
poliedro convexo que pode ser construído a partir do valor esperado dos multiplicadores simplex
associados a cada subproblema. Para uma amostra bastante representativa das afluências o
espaço de estados visitados é suficiente para a determinação de políticas satisfatórias.
3.3 Formulação Matemática do Problema de Longo e Médio
Prazo
3.3.1 Função Objetivo
A função objetivo retrata o objetivo do planejamento dos sistemas hidrotérmicos, que é
atender a carga própria com o menor custo esperado de operação. Assim, a função objetivo de
cada subproblema, para um determinado estágio t, corresponde a minimizar o custo de operação
presente mais o custo esperado futuro, que vai desde o estágio seguinte, t+1, até o último estágio
do horizonte do estudo, representada pela função de custo futuro. Para referenciar os custos
operativos dos estágios posteriores no presente, é inserida a taxa de desconto associada à função
de custo futuro.
De acordo como modelo adotado para a resolução do problema coma utilização da equação
recursiva da PDE para a formulação acaso-decisão, tem-se a seguinte função objetivo a ser
utilizada na resolução do problema para cada estado e período:
3.3 Formulação Matemática do Problema de Longo e Médio Prazo 58
z
t
(X
t
, A
t
) = Min
_
NSIS

i=1
NPMC

pc=1
_
NCLT
i

j=1
Ψ
T
i, j,t
· g
T
i, j,pc,t
+
NPDF

pd=1
Ψ
D
pd
· de f
i,pc,pd,t
_
+
1
1+δ
α
t+1
_
(3.2)
em que:
z
t
(X
t
, A
t
) Valor do custo ótimo de operação no período t de acordo com a fun-
ção custo futuro esperado e sujeito ao estado inicial dos armazena-
mentos X
t
e ao conjunto de afluências A
t
no período t (R$×730)
3
.
NSIS Número de sistemas.
NPMC Número de patamares de mercado.
NCLT
i
Número de classes térmicas no sistema i.
NPDF Número de patamares de déficit.
Ψ
T
i, j,t
Custo incremental de geração associado à classe térmica j do sistema
i e período t (R$/MWh).
Ψ
D
pd
Custo incremental de déficit associado ao patamar de déficit pd
(R$/MWh).
g
T
i, j,pc,t
Geração térmica total na classe térmica j do sistema i e estágio t
dentro do patamar de carga pc (MWmédio).
de f
i,pc,pd,t
Déficit ocorrido no sistema i e estágio t dentro do patamar de carga
pc e patamar de déficit pd (MWmédio).
δ Taxa de desconto monetário (pu).
α
t+1
Função de custo esperado futuro relacionado à decisão atual
(R$×730).
3.3.2 Restrições de Atendimento à Demanda
Como já foi visto anteriormente, a demanda líquida no sistema i, patamar k e período t é
o MWmédio a ser atendido durante o patamar k. Assim, a equação de atendimento a demanda
visa determinar a maneira como a demanda líquida será atendida, considerando a geração hi-
dráulica e térmica, déficit e intercâmbios. Porém, a demanda líquida deve ser abatida da geração
3
O fator multiplicativo aparece devido à conversão dos custos por unidade horária em custo por unidades
mensais de tempo.
3.3 Formulação Matemática do Problema de Longo e Médio Prazo 59
incondicional proveniente das usinas fio d’água e devido a geração para atendimento de requi-
sitos de vazão mínima. A equação de demanda para um dado sistema i e patamar de carga k em
um estágio t é mostrada a seguir:
ghidr
i,k,t
+
NCLT
i

j=1
g
T
i,k, j,t
+
NPDF

j=1
de f
i,k, j,t

NSIS

j=1
int
i, j,k,t|i=j
+
NSIS

j=1
int
j,i,k,t|i=j
− exc
i,k,t
=
_
DEMLIQ
i,k,t
−EFIO
i,t
−EDSVF
i,t
−EVMIN
i,t
_
EA
i,t
_
_
· DPMERC
k,t
(3.3)
em que:
ghidr
i,k,t
Geração hidráulica do sistema i no patamar de carga k no período t
(MWmédio).
int
i, j,k,t|i=j
Intercâmbio do sistema i para sistema j, no patamar de carga k, sendo
sempre i diferente de j no período t (MWmédio).
exc
i,k,t
Excesso de energia no sistema i, patamar de mercado k e período t
(MWmédio).
DEMLIQ
i,k,t
Demanda líquida do sistema i no patamar de carga k, igual à carga
própria ponderada pela profundidade do patamar abatida da geração
de pequenas usinas, geração térmica mínima e submotorização no
período t (MWmédio).
EFIO
i,t
Energia afluente fio d’água líquida ao sistema i no período t (MW-
médio).
EVMIN
i,t
_
EA
i,t
_
Energia de vazão mínima controlável do sistema i no período t, cor-
rigida pelo armazenamento no início do período (MWmédio).
EDSVF
i,t
Energia de desvio fio d’água do sistema i no período t (MWmédio).
DPMERC
k,t
Duração do patamar de carga k no período t (pu).
A variável de decisão excesso é inserida no problema como uma variável de folga para a
situação em que a demanda líquida a ser atendida seja menor que a soma das energias fio d’água
e a energia de vazão mínima, que são compulsórias. Desta forma, esta variável é importante
para evitar possíveis infactibilidades no problema quando é utilizada a representação do sistema
via sistemas equivalentes de energia. Sendo assim, a variável de excesso de geração hidráulica
é comumente penalizada através da função objetivo, assim como os valores de intercâmbio, que
3.3 Formulação Matemática do Problema de Longo e Médio Prazo 60
também possuem valores pequenos de custo associado.
3.3.3 Restrições de Balanço Energético nos Reservatórios Equivalentes de
Energia
A energia armazenada no final do estágio t é dada pela energia armazenada no início do
estágio mais a energia afluente total menos o desestoque e as perdas. O desestoque é dado
pela geração hidráulica e vertimento, que são variáveis de decisão, e, também, pela energia fio
d’água e energia de vazão mínima, que são compulsórias. As perdas são representadas pela
energia evaporada e pela energia gasta com o enchimento de volume morto nos reservatórios
que estão iniciando sua operação no estágio t.
De forma simplificada, obtém-se:
ea
i,t+1
= EA
i,t
+EC
i,t
−EVMIN
i,t
−EDSVC
i,t

Variáveis de Decisão
¸ .. ¸
NPMC

k=1
ghidr
i,k
−evert
i,t

Perdas
¸ .. ¸
EVP
i,t
−EVM
i,t
(3.4)
Resumidamente, participam da equação de balanço hídrico a energia armazenada inicial, a
energia afluente controlável, o termo correspondente ao volume mínimo obrigatório e as per-
das que, juntamente às variáveis de decisão de geração hidráulica e vertimento determinam o
volume armazenado final no período.
Porém, é necessário fazer as correções necessárias através das parábolas em função do
armazenamento inicial do sistema e a equação formal de balanço energético é apresentada a
seguir:
ea
i,t+1
+
NPMC

k=1
ghidr
i,k
+evert
i,t
= FCEA
i,t
· EA
i,t
+FCEC
i,t
_
EA
i,t
_
· EC
i,t

EVMIN
i,t
_
EA
i,t
_
−EDSVC
i,t
_
EA
i,t
_
−EVP
i,t
_
EA
i,t
_
−EVM
i,t
(3.5)
em que:
ea
i,t+1
Energia armazenada no sistema i no final do período t (MWmês).
evert
i,t
Energia vertida no sistema i no período t (MWmês).
FCEA
i,t
Correção da energia armazenada devido a mudança de configuração.
EA
i,t
Energia armazenada no sistema i no início do período t (MWmês).
3.3 Formulação Matemática do Problema de Longo e Médio Prazo 61
FCEC
i,t
_
EA
i,t
_
Fator multiplicativo para correção da energia controlável, relativo ao
sistema i no período t, corrigido pelo armazenamento inicial do sis-
tema.
EC
i,t
Energia controlável do sistema i no período t (MWmês).
EVMIN
i,t
_
EA
i,t
_
Energia de vazão mínima do sistema i no período t corrigida pelo
armazenamento inicial do sistema (MWmês).
EDSVC
i,t
_
EA
i,t
_
Energia de desvio controlável do sistema i no período t corrigida pelo
armazenamento inicial do sistema (MWmês).
EVP
i,t
_
EA
i,t
_
Energia evaporada no sistema i no período t corrigida pelo armaze-
namento inicial do sistema (MWmês).
EVM
i,t
Energia para enchimento do volume morto no sistema i e período t
(MWmês).
3.3.4 Restrições de Geração Hidráulica Máxima Controlável
Estas restrições definem o máximo de geração hidráulica controlável de cada um dos sis-
temas em cada um dos patamares de mercado. A geração hidráulica máxima é calculada con-
siderando todas as usinas de cada um dos sistemas, e deve ser corrigida em função da energia
armazenada pela sua parábola de correção e, em seguida, descontada da energia de vazão mí-
nima e energias fio d’água do sistema. A equação de geração hidráulica máxima controlável
para um dado sistema i e patamar de carga k em um estágio t é mostrada a seguir:
ghidr
i,k,t
−exc
i,k,t

_
GHMAX
i,t
_
EA
i,t
_
−EFIO
i,t
−EDSVF
i,t
−EVMIN
_
EA
i,t
_
_
· DPMERC
k,t
(3.6)
em que:
GHMAX
i,t
_
EA
i,t
_
Geração hidráulica máxima do sistema i no período t, corrigida pelo
armazenamento inicial do sistema (MWmédio).
3.3 Formulação Matemática do Problema de Longo e Médio Prazo 62
3.3.5 Equações de Nós Fictícios
Para as equações dos nós fictícios, deve-se garantir a geração ou consumo líquidos de ener-
gia nulos. Tem-se a seguinte condição para cada nó fictício j e patamar de carga k:

∀i=j
int
i, j,k,t


∀i=j
int
j,i,k,t
= 0 (3.7)
3.3.6 Equações da Função de Custo Futuro
A Função de Custo Futuro (FCF) será composta por um conjunto de inequações que for-
mam um espaço convexo e associam o espaço de solução relativo aos armazenamentos aos
respectivos valores esperados de custo futuro. Desta forma, a uma dada solução, será atribuído
um valor de custo futuro, o qual será avaliado conjuntamente aos custos decorrentes da utili-
zação da geração térmica presente e eventuais déficits de energia em um mesmo problema de
otimização.
É apresentada a seguir uma definição genérica de uma inequação utilizada para representar
um c-ésimo elemento — também chamado de corte ou hiperplano — do conjunto de inequações
que compõema FCF no problema; porém, a montagemdas restrições será detalhada no Capítulo
4.
α
t+1

NSIS

i=1
COEFA
c,i,t
· ea
i,t+1
≥COEFB
c,t
(3.8)
em que:
α
t+1
Custo esperado futuro relacionado à decisão atual.
COEFA
c,i,t
Coeficiente relativo à participação do sistema i no c-ésimo corte ou
hiperplano que compõe a função de custo futuro do período t.
COEFB
c,t
Coeficiente relativo ao termo independente do c-ésimo corte ou hi-
perplano que compõe a função de custo futuro do período t.
Para as modelagens que consideram as tendências hidrológicas existem, na função de custo
futuro, coeficientes relativos às afluências dos meses anteriores.
3.3 Formulação Matemática do Problema de Longo e Médio Prazo 63
3.3.7 Limites das Variáveis ou Restrições de Canalização
Limites nas Capacidades de Geração Térmica
O problema está sujeito aos limites mínimos e máximos de geração térmica de cada classe
térmica em cada patamar de carga, de acordo com o exposto a seguir:
g
T
i, j,t
· DPMERC
k,t
≤g
T
i, j,k,t
≤g
T
i, j,t
· DPMERC
k,t
(3.9)
em que:
g
T
i, j,t
Geração térmica mínima totalizada na classe térmica j do sistema i
no período t (MWmédio).
g
T
i, j,t
Geração térmica máxima totalizada na classe térmica j do sistema i
no período t (MWmédio).
Limites nas Capacidades de Intercâmbio
Os valores de transporte de energia entre os sistemas são limitados pela capacidade da rede
implantada e os valores limites desses intercâmbios são retratados por:
0 ≤int
i, j,k,t|i=j
≤int
i, j,k,t|i=j
· DPMERC
k,t
(3.10)
em que:
int
i, j,k,t|i=j
Valor máximo de intercâmbio do sistema i para o sistema j no estágio
t (MWmédio).
Limites nas Capacidades de Armazenamento
Os limites de armazenamento impactam de forma importante no cálculo do despacho da
operação de sistemas hidrotérmicos via representação de sistemas equivalentes de energia. Isto
porque aqui será delimitada a capacidade do sistema em armazenar a energia para os demais
estágios do problema, o que é função dos volumes máximos e mínimos de água que podem
ser armazenados em cada reservatório do sistema, corrigidos pelo fator devido a mudança de
configuração, de acordo com o exposto a seguir:
3.3 Formulação Matemática do Problema de Longo e Médio Prazo 64
0 ≤FCEA
i,t+1
· ea
i,t+1
≤EA
i,t+1
(3.11)
em que:
ea
i,t+1
Energia armazenada no sistema i no final do período t (MWmês).
EA
i,t+1
Energia armazenável máxima no sistema i no estágio t+1 (MWmês).
Porém, podem também serem consideradas as restrições advindas do operador para con-
trole de cheias e restrições operacionais e, assim, as usinas hidráulicas podem não ter todo o
volume útil disponível durante o despacho. Os dados de armazenamento máximo e mínimo de
cada usina são fornecidos de forma explícita pelo operador, refletindo na energia armazenável
máxima por restrição de volume de espera e na energia armazenável mínima por restrição de
operação, cujas definições são encontradas em (CEPEL, 2001) e, se presentes no caso de estudo,
serão modeladas no presente trabalho, pois a plataforma desenvolvida contempla a utilização
destes limites na modelagem computacional do problema.
4 Programação Dinâmica Estocástica e
Algoritmo de Fechos Convexos
(PDE-ConvexHull)
4.1 Introdução
Este Capítulo apresenta a aproximação inicial utilizada no trabalho para a resolução do
problema de planejamento energético. Sendo assim, serão expostos os algoritmos utilizados
conjuntamente a exemplos didáticos para representar melhor o problema.
4.2 Algoritmo Geral da Programação Dinâmica Estocástica
Foi discutida, anteriormente, a possibilidade da utilização do modelo a eventos independen-
tes para a Programação Dinâmica Estocástica (PDE) e, sendo assim, ela constrói uma função
de custo futuro, α
t
(X
t
), discretizando o espaço de estados (armazenamentos) em um conjunto
de valores e resolvendo o problema do despacho ótimo para cada uma dessas discretizações.
Valores intermediários de α
t
(X
t
) são obtidos através da interpolação dos valores obtidos para as
discretizações. O algoritmo de PDE pode ser sintetizado pelos seguintes passos :
Inicialização de α
t+1
(X
t+1
);
Repita de t = T, T-1, ..., 1;
Repita para cada estado inicial, X
i
t
, i = 1, 2, . . . , número de discretizações;
Repita para cada cenário de afluência;
Calcula o custo ótimo de operação associado;
Calcula o valor esperado do custo de operação para o dado estado sujeito a α
t+1
(X
t+1
);
Determina um ponto da função de custo futuro;
4.3 Algoritmo de Fechos Convexos 66
Determinação da função de custo futuro α
t
(X
t
);
Contudo, a obtenção da função de custo futuro como uma interpolação dos pontos obtidos
pode ser uma tarefa complexa quando se trata de um número maior de reservatórios, pois os
planos de interpolação não são visualizados de forma trivial.
Desta forma, o algoritmo de fechos convexos (Convex Hull) é utilizado na obtenção da FCF
em função dos pontos obtidos pela Programação Dinâmica Estocástica. Isto porque ele é capaz
de tratar geometricamente o problema da obtenção dos hiperplanos para um número qualquer
de dimensões consideradas com a garantia dos hiperplanos formarem um conjunto convexo
(DIAS et al., 2010). A garantia do conjunto convexo é importante para que a função de custo
futuro possa ser representada como uma função linear por partes de maneira que os problemas
possam ser resolvidos por programação linear.
Além disso, o número de combinações possíveis para a seleção de pontos a formar cada
hiperplano pode ser alta, com consequente alto número de hiperplanos obtidos. Porém, o al-
goritmo de fechos convexos é capaz de fazer com que hiperplanos coplanares sejam fundidos,
caracterizado em uma redução no número de planos quando comparado a um algoritmo de PDE
convencional.
4.3 Algoritmo de Fechos Convexos
Para definir o método dos fechos convexos — ou Convex Hull — deve-se considerar a
definição de conjuntos convexos através da seguinte definição:
• Um conjunto S é convexo se para quaisquer dois pontos p, q ∈ S, qualquer combinação
convexa de p e q também pertence a S, como indicado na Figura 4.1.
Figura 4.1: Exemplos de conjunto convexo e não-convexo
4.3 Algoritmo de Fechos Convexos 67
Foi mostrada somente a definição básica de conjuntos convexos, porém, uma definição
mais completa e as propriedades advindas deste tipo de conjunto são apresentadas em alguns
trabalhos, vide (BORWEIN; LEWIS, 2000). A seguinte definição formal é dada para o fecho
convexo:
• Dado um conjunto finito de pontos P ={p
1
, . . . , p
n
}, o fecho convexo para esse conjunto
fixo de pontos P é o menor polígono convexo C tal que P ⊂C como indicado na Figura
4.2.
Figura 4.2: Exemplos de fechos convexos
Desta forma, entende-se que o fecho convexo — ou convex hull — define a fronteira do
menor polígono convexo que compreende todos os elementos do conjunto e, desta forma, este
algoritmo pode ser utilizado para a montagem da função de custo futuro em função dos pontos
obtidos pela discretização dos estados do problema.
Existem diversos algoritmos de fechos convexos, como exemplo temos o algoritmo de
Graham, o algoritmo de Jarvis e o algoritmo QuickHull (BARBER et al., 1996), que é o al-
goritmo utilizado no presente trabalho para a montagem do fecho convexo.
A idéia principal do algoritmo QuickHull pode ser sintetizada através seguinte lema: “para
a maioria dos conjuntos de pontos é mais fácil descartar muitos pontos que estão no interior
do invólucro convexo e concentrar o trabalho nos pontos que estão próximos da fronteira”. No
caso, cada ponto representa o custo médio associado a uma dada discretização dos reservatórios
que definem a função de custo futuro na PDE.
Dado umconjunto de pontos qualquer, como mostrado na Figura 4.3, o algoritmo QuickHull
se utiliza dos seguintes passos (DIAS, 2010):
4.3 Algoritmo de Fechos Convexos 68
Figura 4.3: Pontos aleatórios em um plano bidimensional
PASSO 1: O algoritmo é iniciado com uma busca dos pontos extremos em qualquer uma
das direções, por exemplo, ao longo do eixo das abscissas, ordenadas ou algum aleatório. Então
é definido um segmento de reta ab ligando os pontos encontrados, conforme a Figura 4.4.
Figura 4.4: Algoritmo QuickHull — Passo 1
PASSO 2: Dado o segmento encontrado no passo anterior, encontra-se o ponto c em uma
dada direção coma maior distância ao segmento ab e, se o ponto extremo c não existir, continua-
se o processo em outra direção. Ao encontrar o ponto extremo c, determina-se um polígono com
os pontos selecionados até então, no caso, tem-se o triângulo abc, como é mostrado na Figura
3-6.
Figura 4.5: Algoritmo QuickHull — Passo 2
4.3 Algoritmo de Fechos Convexos 69
PASSO 3: Para cada lado do polígono encontrado, verifica-se se existe algum ponto mais
extremo perpendicular ao segmento, no caso do nosso exemplo, somente o lado ab do triângulo
abc apresenta ponto extremo, logo temos o seguinte resultado mostrado na Figura 4.6.
Figura 4.6: Algoritmo QuickHull — Passo 3
Observa-se que os pontos internos ao polígono não precisam mais ser verificados, logo eles
foram descartados da análise.
PASSO 4: Dado o novo polígono, verifica-se para os novos segmentos encontrados, se
existe algum ponto extremo aos segmentos. Uma vez encontrado o ponto, um novo polígono é
formado conforme mostrado na Figura 4.7.
Figura 4.7: Algoritmo QuickHull — Passo 4
Este passo é repetido para cada lado do polígono, até que não existam mais pontos exter-
nos. Quando isto ocorre, o conjunto convexo é então formado com os pontos utilizados como
extremos, conforme mostrado na Figura 4.8.
4.3 Algoritmo de Fechos Convexos 70
Figura 4.8: Algoritmo QuickHull — Passo 5
O algoritmo apresentado pode ser utilizado em problemas com dimensões superiores, como
mostrado na Figura 4.9 (DIAS, 2010), em que é apresentado o resultado do algoritmo para
pontos no R
3
.
Figura 4.9: Conjunto convexo no plano tridimensional: (a) Conjunto aleatório de pontos e (b)
Conjunto convexo obtido
Um exemplo da utilização da técnica de conjuntos convexos em sistemas de energia pode
ser visto em (DINIZ; MACEIRA, 2008), em que a teoria de conjuntos convexos é utilizada
para a convexificação de partes da função de produção hidráulica das usinas conjuntamente
à utilização de variáveis binárias para a modelagem da função de produção no problema do
despacho de curto prazo. Ao invés de utilizar uma implementação própria, como no trabalho
citado, é utilizado no presente trabalho a biblioteca computacional QHull (QHULL, 2011),
implementada em C++, para obtenção do conjunto convexo, o qual é formado pelos hiperplanos
de corte da PDE. Os pontos fornecidos ao algoritmo são obtidos dos custos ótimos de operação
do sistema para as discretizações predefinidas dos volumes dos reservatórios.
4.4 Utilização da PDE Conjuntamente ao Algoritmo de Fechos Convexos (PDE-ConvexHull) 71
4.4 Utilização da PDE Conjuntamente ao Algoritmo de Fe-
chos Convexos (PDE-ConvexHull)
Os passos do algoritmo de solução da metodologia PDE-ConvexHull são mostrados na Fi-
gura 4.10 (DIAS, 2010). Observa-se que, seguindo a técnica de programação dinâmica, inicia-se
pelo último estágio (t = T). No Bloco 1 são obtidos os custos operacionais médios para cada
estado operativo através de programação linear. O conjunto de pontos que relacionam os arma-
zenamentos dos reservatórios aos custos ótimos obtidos é fornecido ao algoritmo QuickHull, do
qual obtém-se o conjunto reduzido de planos que compõem o fecho convexo que será utilizado
para a modelagem da Função de Custo Futuro (FCF), como mostrado no Bloco 2. No Bloco 3
há um decremento no número do estágio. As FCF’s obtidas entram como restrição na análise
do próximo estágio (t-1), sendo que este procedimento é repetido até que se atinja o primeiro
estágio, verificação realizada no Bloco 4.
Figura 4.10: Algoritmo da obtenção das funções de custo futuro da PDE utilizando fechos
convexos (PDE-ConvexHull)
Como mostrado anteriormente, o algoritmo de fechos convexos gera o invólucro convexo
para o conjunto de pontos determinados pela dinâmica da PDE e um exemplo para dois reser-
vatórios é mostrado na Figura 4.11.
4.4 Utilização da PDE Conjuntamente ao Algoritmo de Fechos Convexos (PDE-ConvexHull) 72
Figura 4.11: Invólucro convexo obtido do algoritmo de fechos convexos
Desta forma, para a obtenção dos cortes que representam a Função de Custo Futuro é ne-
cessário que o Bloco 2 realize também um tratamento do conjunto de planos obtidos com o
intuito de eliminar os planos que "cobrem" o conjunto convexo, fazendo com que o resultado
fique como o mostrado na Figura 4.12, que contém o conjunto µ dos planos a serem utilizados
na composição da FCF.
Figura 4.12: Conjunto de planos de corte que aproximam a FCF
4.4 Utilização da PDE Conjuntamente ao Algoritmo de Fechos Convexos (PDE-ConvexHull) 73
Além disso, o Bloco 2 pode também realizar a eliminação de cortes que possuem os coefici-
entes muito próximos de acordo com uma dada tolerância e, assim, cortes que são praticamente
coplanares podem ser mesclados. Desta forma, haverá um número reduzido de cortes a serem
inseridos no problema, resultando em um ganho computacional. Porém, a utilização da elimi-
nação de cortes na resolução do problema não é compulsória, podendo ser utilizada de acordo
com algum valor de tolerância requerida ou mesmo nem ser utilizada no algoritmo.
As tarefas realizadas pelo Bloco 1 são detalhadas na Figura 4.13, em que dado um estágio
t, é feita a varredura do espaço de estados e calcula-se o valor da função objetivo para cada
discretização de armazenamento e para cada cenário considerando o conjunto de cortes (µ)
obtidos no período t+1. É, então, realizado o cálculo do valor esperado do custo de operação
para cada estado de armazenamento, formando o conjunto de pontos a serem utilizados pelo
algoritmo de fechos convexos para a obtenção de uma nova FCF.
Figura 4.13: Detalhamento do Bloco 1 — Algoritmo para obtenção dos custos de operação
5 Processo Iterativo de Utilização da
Função de Custo Futuro
5.1 Introdução
Como foi dito anteriormente, dependendo do número de reservatórios considerados o nú-
mero de estados discretizados pode ser muito alto quando utiliza-se a Programação Dinâmica
Estocástica na resolução da política energética devido ao fato de que muitos problemas de oti-
mização devem resolvidos.
Porém, quando há muitas discretizações, não somente o número de problemas de progra-
mação linear (PPL’s) torna-se alto mas também o número de hiperplanos obtidos pelo algoritmo
de fechos convexos pode tornar os PPL’s mais complexos devido ao excessivo número de res-
trições presentes na composição da função de custo futuro no problema. Por exemplo, para
um número de NR reservatórios discretizados em ND parcelas, o algoritmo de fechos convexos
pode fornecer até (ND−1)
NR
×NR! hiperplanos para a confecção da FCF. O que, por exemplo,
implica nas seguintes possibilidades:
1 reservatório, 3 discretizações ⇒(3-1)
1
×1! = 2 hiperplanos (ou 2 retas)
2 reservatórios, 3 discretizações ⇒(3-1)
2
×2! = 8 hiperplanos (ou 8 planos)
3 reservatórios, 3 discretizações ⇒(3-1)
3
×3! = 48 hiperplanos
4 reservatórios, 3 discretizações ⇒(3-1)
4
×4! = 384 hiperplanos
4 reservatórios, 5 discretizações ⇒(5-1)
4
×4! = 6.144 hiperplanos
4 reservatórios, 11 discretizações ⇒(11-1)
4
×4! = 240.000 hiperplanos
Quando há hiperplanos colineares, o algoritmo de fechos convexos automaticamente funde
estes planos, podendo resultar em uma resposta do algoritmo com um número menor de hiper-
planos em relação ao número calculado previamente. Porém, para um processo de resolução de
5.2 Algoritmo Proposto 75
política robusto, deve-se considerar que o número de hiperplanos atingirá valores muito próxi-
mos aos limites considerados acima.
Como é utilizado o algoritmo simplex, o tempo de resolução de cada PPL é bastante sensí-
vel ao número de hiperplanos considerados, o que pode fazer com que a resolução da política
seja um processo de alto custo computacional. Questões semelhantes relacionadas ao com-
portamento do algoritmo simplex perante um número elevado de restrições são abordadas em
(DINIZ, 2009).
Existem diversas famílias de algoritmos baseados em métodos de pontos interiores
(QUINTANA et al., 2000) que poderiam ser utilizados na resolução dos problemas, porém,
seria demandado um grande esforço no sentido de estudar as possibilidades de algoritmos a
serem testados e implementação de um solver estável para aplicação no problema. Ainda as-
sim, existem solvers comerciais (ISON; CAIRE, 2008) que poderiam, também, ser utilizados e,
obviamente, agregariam um custo adicional à utilização da plataforma desenvolvida.
Neste Capítulo, que é a maior contribuição do trabalho, é proposto um algoritmo simples
com o objetivo de tornar o tempo de resolução dos PPL’s menos sensível ao número de cor-
tes obtidos durante o processo, evitando-se utilizar um número muito alto de restrições para
a representação da função de custo futuro. Desta forma, pode-se obter um bom desempenho
computacional utilizando o algoritmo simplex, disponível em bibliotecas gratuitas, como ferra-
menta de solução dos PPL’s. Logicamente, a técnica proposta não é condicionada à utilização
do simplex, podendo também ser utilizada conjuntamente a solvers diversos.
5.2 Algoritmo Proposto
A ideia básica é fazer com que nem todos os hiperplanos obtidos pelo algoritmo de fechos
convexos sejam utilizados na resolução do problema de programação linear, pois como é utili-
zado o algoritmo simplex, o número de iterações necessárias para alcançar a solução pode ser
muito alto devido ao grande número de vértices a serem avaliados. Assim, ao invés de utilizar
todo o conjunto µ dos hiperplanos obtidos do algoritmo de fechos convexos, será utilizado um
conjunto menor de hiperplanos (β), cujos elementos são preenchidos iterativamente ao longo
do processo.
De maneira a acelerar o processo, o conjunto β pode ser reaproveitado entre estados con-
secutivos com o objetivo de acelerar a convergência do altoritmo. Contudo, para que haja
um ganho expressivo, deve-se limitar o número de elementos contidos em β para que ele seja
reaproveitado. Assim, se o numero de elementos do cunjunto for inferior a um parâmetro Num-
5.2 Algoritmo Proposto 76
MaxCortes o conjunto é reaproveitado para a resolução do próximo estado; caso contrário,
reinicia-se o processo com o conjunto β vazio.
Ressalta-se que a técnica não representa uma alteração muito drástica no algoritmo bá-
sico da PDE-ConvexHull, pois há modificação somente no trecho indicado pelo Bloco 1 da
Figura 4.10. Mais especificamente, é realizada uma alteração no trecho existente no algoritmo
mostrado na Figura 4.13, que trata da resolução do despacho sujeito a todos os hiperplanos do
conjunto µ obtidos pelo algoritmo de fechos convexos para o estágio subsequente. Desta forma,
ao invés de realizar a solução direta do problema considerando todas as restrições da função de
custo futuro, é utilizado um algoritmo iterativo para inserção dos cortes no problema, como
mostrado na Figura 5.1.
Figura 5.1: Algoritmo proposto
Para a compreensão do algoritmo, relembra-se que µ é o conjunto de todos os hiperplanos
obtidos pelo algoritmo de fechos convexos para o estágio subsequente que compõem o termo
5.2 Algoritmo Proposto 77
α
t+1
. Definiu-se por β um subconjunto de µ que contém os cortes inseridos no processo e são
utilizados diretamente na resolução do PPL. Adicionalmente, o conjunto β é vazio no início
de cada estágio, assim como é nula a variável NumCortes que conta o número de hiperplanos
contidos em β.
Primeiramente, o problema relaxado é resolvido, ou seja, a FCF não é representada ainda
porque o conjunto β é inicialmente vazio e obtém-se uma solução X

com um valor de custo
futuro α

(X

) nulo associado. Este valor não retrata, ainda, a função de custo futuro como
desejado e, assim, verificam-se os valores de função associados à substituição da solução rela-
tiva aos armazenamentos obtidos (X

) em cada um dos componentes do conjunto µ. Através
disso, é possível encontrar o corte de interpolação, que é o i-ésimo corte do conjunto µ tal que
possua o maior valor de custo associado à solução X

entre todos do conjunto. Denominou-se
este i-ésimo corte do conjunto µ por corte de interpolação porque a sua utilização equivale à
interpolação linear da solução X

sobre o conjunto de pontos obtidos dos custos esperados de
operação em função das discretizações de armazenamento.
O valor de custo interpolado equivale ao valor de custo futuro correto para o ponto X

de
acordo com o conjunto µ e é chamado de α
i
(X

), pois é associado ao i-ésimo elemento do
conjunto. Se α

(X

) e α
i
(X

) estiverem suficientemente próximos de acordo com a tolerância
adotada significa que houve a convergência do processo. Caso contrário o i-ésimo elemento
do conjunto µ é inserido no conjunto β e resolve-se novamente o problema sujeito ao novo
conjunto de hiperplanos β, obtendo-se um novo valor de X

e consequentemente um novo
valor de custo futuro α

(X

).
Desta forma, o processo é repetido até que o custo associado à função de custo futuro
α

(X

) esteja próximo o suficiente do valor correto
_
α
i
(X

)
_
, dado pelo maior valor obtido na
interpolação da solução em cada um dos hiperplanos. Quando isto ocorre significa que a FCF
está devidamente representada no problema, o que também implica que o valor do custo ótimo
obtido estará de acordo com o que seria obtido quando da consideração direta dos cortes. Sendo
assim, dentro da tolerância especificada o valor de z(X
t
, A
t
) é invariante com a metodologia —
direta ou iterativa — utilizada na consideração dos cortes nos problemas de programação linear.
Porém, como estados consecutivos podem ser próximos, torna-se interessante deixar que
o conjunto β da última convergência possa ser utilizado no próximo estado avaliado, fazendo
com que o algoritmo gaste menos iterações para alguma próxima convergência. Contudo, se o
número de elementos do conjunto β (NumCortes) for muito alto o tempo gasto no algoritmo
simplex passa a ser mais significativo, o que leva a uma redução no ganho quando se utiliza
o algoritmo proposto. Este número máximo de elementos no conjunto β tal que forneça bom
5.3 Exemplo Didático 78
desempenho do algoritmo é dado pelo valor NumMaxCortes, que foi obtido de forma empírica
no presente trabalho.
5.3 Exemplo Didático
Este exemplo ditático visa expor os algoritmos utilizados, especialmente da PDE com uti-
lização do algoritmo de fechos convexos e do algoritmo iterativo de inserção de cortes no pro-
blema de planejamento para um problema de três estágios.
Para isto, será utilizado um sistema equivalente fictício e simplificado dentro da modela-
gem apresentada no presente trabalho para os sistemas equivalentes de energia, pois não serão
utilizadas energias provenientes de perdas por evaporação, energias fio d’água, vazão mínima
ou desvio nem as parábolas de correção de acordo com o armazenamento. Sendo assim, a va-
riável de excesso de geração é desnecessária no problema de acordo com os demais parâmetros
existentes desprezados, como possíveis efeitos da geração mínima das usinas térmicas.
Osistema, que é representado na Figura 5.2 —adaptada de (SILVA, 2001) —será composto
por duas usinas térmicas e o mercado será composto por somente 1 (um) patamar de carga.
Adicionalmente, somente 1 (um) patamar de déficit será considerado no problema.
Figura 5.2: Sistema utilizado no exemplo didático
Os dados do sistema equivalente são apresentados através da Tabela 5.1 e são estáticos, não
variando ao longo dos três estágios.
Tabela 5.1: Parâmetros do sistema equivalente utilizado no exemplo didático
EA (MWMÊS) EA(MWMÊS) GH (MWMÉDIO)
SISTEMA_1 0 1000 800
5.3 Exemplo Didático 79
Os dados das usinas térmicas também não variam ao longo dos estágios e são mostrados na
Tabela 5.2. Neste exemplo, cada usina térmica compreende a uma classe térmica diferenciada
e os termos classe térmica e usina térmica serão, por simplificação, utilizados como sinônimos
dentro desta seção.
Tabela 5.2: Parâmetros das termelétricas utilizadas no exemplo didático
NOME CUSTO (R$/MWH) CAPACIDADE (MW) GERAÇÃO MÍNIMA (MW)
UTE_1 70 380 100
UTE_2 100 500 150
Os cenários de afluência são mostrados na Tabela 5.3, utilizando-se três cenários de afluên-
cia para definir cenário de alta, média e baixa afluência para o sistema exemplo. Recapitulando,
as parcelas fio d’água foram desconsideradas e os valores abaixo retratam a energia controlável
afluente ao sistema.
Tabela 5.3: Cenários de afluência ao reservatório equivalente
ESTÁGIO AFLUÊNCIA ALTA AFLUÊNCIA MÉDIA AFLUÊNCIA BAIXA
(MWMÊS) (MWMÊS) (MWMÊS)
1 420 250 100
2 400 260 85
3 340 180 70
O mercado será fixo para os três estágios no valor de 1000 MW, com custo de déficit de 680
R$/MWh e a taxa de desconto será considerada nula.
Para a PDE, serão utilizadas 6 discretizações do armazenamento, o que equivale a uma
discretização de 20 em 20% da capacidade do sistema. Como mencionado no algoritmo, o
processo se inicia do período T, ou seja, t = 3.
Nesse caso, por referir-se ao último estágio o termo α
t+1
é nulo e sabendo-se que há so-
mente um sistema e desconsiderando a indexação de estágio e patamares o problema se confi-
gura da seguinte forma:
5.3 Exemplo Didático 80
Min 70· g
T
1
+100· g
T
2
+680· de f
sujeito a:
ghidr +g
T
1
+g
T
2
+de f = 1000 (restriç˜ ao de demanda)
ea+ghidr +evert = EA+EC (restriç˜ ao de balanço hídrico)
dentro dos limites variáveis:
0 ≤ea ≤1000 (armazenamento do sistema)
0 ≤ghidr ≤800 (geração hidráulica do sistema)
evert ≥0 (vertimento no sistema)
de f ≥0 (déficit no sistema)
100 ≤g
T
1
≤380 (geração térmica)
150 ≤g
T
2
≤500 (geração térmica)
Os valores de EA (energia armazenada inicial) e EC (energia controlável) variam de acordo com
a dinâmica da PDE e, assim, é possível obter a Tabela 5.4, que contém os custos relacionados
obtidos pelo processo da PDE. Como mostrado no bloco da Figura 4.13, para cada discretização
de armazenamento calcula-se o custo de operação relacionado a cada realização de afluência
para, então, realizar o cálculo do valor esperado de operação em função do determinado estado
de armazenamento. Por se tratar do último estágio, não possuindo função de custo futuro, o
processo de resolução é direto e não utiliza-se o processo iterativo de inserção de cortes para o
referente estágio.
5.3 Exemplo Didático 81
Tabela 5.4: Tabela de custos encontrados para o último estágio do problema
DISCRETIZAÇÃO AFLUÊNCIA CUSTO ÓTIMO CUSTO ESPERADO
(MWmês) (R$x730) (R$x730)
Alta 22.000,00
1000 Média 22.000,00 22.000,00
Baixa 22.000,00
Alta 22.000,00
800 Média 22.000,00 22.000,00
Baixa 22.000,00
Alta 22.000,00
600 Média 22.000,00 23866.67
Baixa 27.600,00
Alta 22.700,00
400 Média 33.900,00 32.733,33
Baixa 41.600,00
Alta 36.700,00
200 Média 50.600,00 49.633,33
Baixa 61.600,00
Alta 54.600,00
0 Média 70.600,00 78.600,00
Baixa 110.600,00
Dados os pontos obtidos pelos valores de custo esperado, utiliza-se o algoritmo correspon-
dente ao Bloco 2 (Convex Hull), indicado na Figura 4.10, que utiliza o algoritmo de fechos
convexos para obtenção dos cortes que representam a FCF, como indicado na Figura 5.3.
5.3 Exemplo Didático 82
Figura 5.3: Resultado obtido no estágio 3: (a) pontos obtidos pela PDE e (b) cortes obtidos pelo
algoritmo de fechos convexos (Bloco 2)
Os coeficientes dos cortes obtidos para a função de custo futuro são apresentados na Tabela
5.5 e serão utilizados no estágio 2.
Tabela 5.5: Coeficientes dos cortes obtidos da resolução do estágio 3
corte(i) COEFA
i
COEFB
i
1 -144,83 78.600,00
2 -84,50 66.533,33
3 -44,33 50.466,67
4 -9,33 29.466,67
5 0,00 22.000,00
Antes de iniciar o processo iterativo compreendido ao estágio 2, será aproveitado o exemplo
para mostrar o que representa o passo de interpolação em cada hiperplano em função de um
dado armazenamento para a inserção interativa. Pela Figura 5.4 fica claro o porquê do plano
selecionado ser o de maior valor de custo associado, pois é o plano que representa a curva para
o dado ponto de armazenamento. Assim, para um armazenamento de 100 MWmês, substitui-
se este armazenamento em cada um dos 5 hiperplanos (retas), obtendo-se 5 custos; o corte
selecionado é o de maior custo associado que, no caso, é o corte 1.
5.3 Exemplo Didático 83
Figura 5.4: Exemplo de interpolação
Iniciando o processo de resolução do estágio 2, tem-se que o conjunto β é inicialmente
vazio. Será utilizada uma tolerância de 1, 0 ×10
−2
para a convergência do processo e, além
disso, será considerado um número máximo de 3 cortes para o esvaziamento do conjunto β.
Pela dinâmica da PDE, deve-se varrer o espaço das discretizações dos estados e, desta
forma, tem-se a seguinte situação:
=⇒ EA = 1.000 e EC = 400 (cenário alto)
→ PRIMEIRA ITERAÇÃO: β ={}
-Resolvendo o problema sujeito aos cortes contidos em β, têm-se:
X

= 324, 11 z

(X, A) = 22.000, 00
α

(X

) = 0
-Realizando as substituições nos cortes contidos em µ, têm-se:
corte 1: f
1
(X

) =−144, 83×324, 11+78.600, 00 = 31.658, 39
corte 2: f
2
(X

) =−84, 50×324, 11+66.533, 33 = 39.146, 23
corte 3: f
3
(X

) =−44, 33×324, 11+50.466, 67 = 36.097, 89
corte 4: f
4
(X

) =−9, 33×324, 11+29.466, 67 = 26.441, 66
corte 5: f
5
(X

) = 0, 00×324, 11+22.000, 00 = 22.000, 00
5.3 Exemplo Didático 84
-Verificando o valor do maior custo, o corte de índice 2 é candidato, logo:
α
i
(X

) = 39.146, 23
α

(X

) = 0
-Como a FCF ainda não está convergida, insere-se o corte selecionado.
→ SEGUNDA ITERAÇÃO: β ={2}
-Resolvendo o problema sujeito aos cortes contidos em β, têm-se:
X

= 787, 38 z

(X, A) = 31.616, 37
α

(X

) = 0
-Realizando as substituições nos cortes contidos em µ, têm-se:
corte 1: f
1
(X

) =−144, 83×787, 38+78.600, 00 =−35.438, 40
corte 2: f
2
(X

) =−84, 50×787, 38+66.533, 33 = 0, 0
corte 3: f
3
(X

) =−44, 33×787, 38+50.466, 67 = 15.559, 63
corte 4: f
4
(X

) =−9, 33×787, 38+29.466, 67 = 22.117, 82
corte 5: f
5
(X

) = 0, 00×787, 38+22.000, 00 = 22.000, 00
-Verificando o valor do maior custo, o corte de índice 4 é candidato, logo:
α
i
(X

) = 22.117, 82
α

(X

) = 0
-Como a FCF ainda não está convergida, insere-se o corte selecionado.
→ TERCEIRA ITERAÇÃO: β ={2, 4}
-Resolvendo o problema sujeito aos cortes contidos em β, têm-se:
X

= 650, 00 z

(X, A) = 45.400, 00
α

(X

) = 23.400, 00
-Realizando as substituições nos cortes contidos em µ, têm-se:
corte 1: f
1
(X

) =−144, 83×650, 00+78.600, 00 =−15.541, 67
corte 2: f
2
(X

) =−84, 50×650, 00+66.533, 33 = 11.608, 33
5.3 Exemplo Didático 85
corte 3: f
3
(X

) =−44, 33×650, 00+50.466, 67 = 21.650, 00
corte 4: f
4
(X

) =−9, 33×650, 00+29.466, 67 = 23.400, 00
corte 5: f
5
(X

) = 0, 00×650, 00+22.000, 00 = 22.000, 00
-Verificando o valor do maior custo, o corte de índice 4 é candidato, logo:
α
i
(X

) = 23.400, 00
α

(X

) = 23.400, 00
-A FCF está convergida e o conjunto β fica inalterado.
Custo ótimo para o estado (EA = 1000 e EC = 400)
z(X, A) = z

(X, A) = 45.400, 00
Como o número de elementos de β não excede o número de 3 cortes, ele é mantido.
=⇒ EA = 1.000 e EC = 260 (cenário médio)
→ PRIMEIRA ITERAÇÃO: β ={2, 4}
-Resolvendo o problema sujeito aos cortes contidos em β, têm-se:
X

= 510, 00 z

(X, A) = 46.706, 67
α

(X

) = 24.706, 67
-Realizando as substituições nos cortes contidos em µ, têm-se:
corte 1: f
1
(X

) =−144, 83×510, 00+78.600, 00 = 4735, 00
corte 2: f
2
(X

) =−84, 50×510, 00+66.533, 33 = 23.438, 33
corte 3: f
3
(X

) =−44, 33×510, 00+50.466, 67 = 27.856, 67
corte 4: f
4
(X

) =−9, 33×510, 00+29.466, 67 = 24.706, 67
corte 5: f
5
(X

) = 0, 00×510, 00+22.000, 00 = 22.000, 00
-Verificando o valor do maior custo, o corte de índice 3 é candidato, logo:
α
i
(X

) = 27.856, 67
5.3 Exemplo Didático 86
α

(X

) = 24.706, 67
-Como a FCF ainda não está convergida, insere-se o corte selecionado.
→ SEGUNDA ITERAÇÃO: β ={2, 4, 3}
-Resolvendo o problema sujeito aos cortes contidos em β, têm-se:
X

= 510, 00 z

(X, A) = 49.856, 67
α

(X

) = 27.856, 67
-Realizando as substituições nos cortes contidos em µ, têm-se:
corte 1: f
1
(X

) =−144, 83×510, 00+78.600, 00 = 4.735, 00
corte 2: f
2
(X

) =−84, 50×510, 00+66.533, 33 = 23.438, 33
corte 3: f
3
(X

) =−44, 33×510, 00+50.466, 67 = 27.856, 67
corte 4: f
4
(X

) =−9, 33×510, 00+29.466, 67 = 24.706, 67
corte 5: f
5
(X

) = 0, 00×510, 00+22.000, 00 = 22.000, 00
-Verificando o valor do maior custo, o corte de índice 3 é candidato, logo:
α
i
(X

) = 27.856, 67
α

(X

) = 27.856, 67
-A FCF está convergida e o conjunto β fica inalterado.
Custo ótimo para o estado (EA = 1000 e EC = 260)
z(X, A) = z

(X, A) = 49.856, 67
Como o número de elementos de β não excede o número de 3 cortes, ele é mantido.
=⇒ EA = 1000 e EC = 85 (cenário baixo)
→ PRIMEIRA ITERAÇÃO: β ={2, 4, 3}
-Resolvendo o problema sujeito aos cortes contidos em β, têm-se:
X

= 400.00 z

(X, A) = 59.283, 33
5.3 Exemplo Didático 87
α

(X

) = 32.733, 33
-Realizando as substituições nos cortes contidos em µ, têm-se:
corte 1: f
1
(X

) =−144, 83×400, 00+78.600, 00 = 20.666, 67
corte 2: f
2
(X

) =−84, 50×400, 00+66.533, 33 = 32.733, 33
corte 3: f
3
(X

) =−44, 33×400, 00+50.466, 67 = 32.733, 33
corte 4: f
4
(X

) =−9, 33×400, 00+29.466, 67 = 25.733, 33
corte 5: f
5
(X

) = 0, 00×400, 00+22.000, 00 = 22.000, 00
-Verificando o valor do maior custo, o corte de índice 2 ou 3 são candidatos, logo:
α
i
(X

) = 32.733, 33
α

(X

) = 32.733, 33
-A FCF está convergida e o conjunto β fica inalterado.
Custo ótimo para o estado (EA = 1000 e EC = 85)
z(X, A) = z

(X, A) = 59.283, 33
Como o número de elementos de β não excede o número de 3 cortes, ele é mantido.
Desta forma, foi possível fazer o cálculo do valor esperado para o estado de armazenamento
de 1000 MWmês no início do segundo estágio, como na forma:
E(X = 1000) =
45.400, 00+49.856, 67+59.283, 33
3
=
154.540, 00
3
= 51.513, 33
Este valor obtido é um ponto da curva de custo futuro a ser utilizada no estágio 1. Para a
definição dos demais pontos, basta seguir o algoritmo apresentado para as demais discretizações
do armazenamento.
Este exemplo didático não tem por objetivo mostrar ganhos computacionais na execução do
método, pois para problemas desta ordem de grandeza os ganhos computacionais apresentados
são insignificantes e, assim, esta análise será realizada no estudo de caso presente no Capítulo
7. Contudo, nos passos apresentados nesta seção foi possível observar algumas características
5.3 Exemplo Didático 88
do algoritmo proposto como, por exemplo, a influência decorrente de manter o conjunto β de
hiperplanos entre problemas sucessivos, o que pode diminuir o número de iterações necessárias
e inclusive fazer com que alguns problemas possam ser resolvidos sem necessidade de iterações
extras, sendo resolvidos já na primeira iteração.
A Tabela 5.6 contém os custos obtidos do estágio 2 para todos os valores previstos de
discretização do reservatório, ou seja, é o resultado esperado da continuidade do algoritmo para
o restante de discretizações.
Tabela 5.6: Tabela de custos encontrados para o estágio 2 do problema
DISCRETIZAÇÃO AFLUÊNCIA CUSTO ÓTIMO CUSTO ESPERADO
(MWmês) (R$x730) (R$x730)
Alta 45.400,00
1000 Média 49.856,67 51.513,33
Baixa 59.283,33
Alta 52.516,67
800 Média 61.033,33 62.277,78
Baixa 73.283,33
Alta 65.233,33
600 Média 75.178,33 76.792,50
Baixa 89.965,83
Alta 80.248,33
400 Média 92.233,33 94.071,66
Baixa 109.733,33
Alta 98.233,33
200 Média 112.233,33 113.923,05
Baixa 131.302,50
Alta 118.233,33
0 Média 134.923,33 144.052,22
Baixa 179.000,00
De acordo com o algoritmo geral da PDE, através destes pontos obtidos é determinada a
FCF através do algoritmo de fechos convexos, como mostrado na Figura 5.5 e o processo de
cálculo da política é terminado, pois não é feita a mesma dinâmica para o estágio 1, já que
é possível se conhecer o armazenamento inicial e a afluência ocorrida. Com esses valores
conhecidos, basta utilizar a função de custo futuro obtida do estágio 2 para uma política ótima.
5.3 Exemplo Didático 89
Figura 5.5: Resultado do algoritmo da PDE e algoritmo de fechos convexos — Estágio 2
6 Processamento Paralelo Aplicado à
Programação Dinâmica Estocástica
6.1 Introdução
Nos últimos anos observa-se uma tendência cada vez maior do aumento da demanda com-
putacional na resolução de grandes problemas. Exemplos de aplicações que exigem alto po-
der de computação são vistos em estudos de seqüenciamento genético (modelagem do DNA),
previsão de movimentos de corpos celestes, renderização de imagens tridimensionais, estudos
sísmicos e meteorológicos. Diversas possibilidades computacionais foram desenvolvidas para
a resolução destes problemas, tais como a criação de supercomputadores (CRAY, por exemplo),
estruturas de clusters de computadores, computadores pessoais que apresentam mais de um
núcleo de processamento e até a utilização de unidades de processamento gráfico (GPU’s, do
inglês Graphics Processing Units) para processamento paralelo de processos.
Acomputação paralela aplicada de forma eficiente nestes conjuntos de computadores multi-
processados pode resultar em ganhos consideráveis em termos de tempos de execução de di-
versas aplicações (PINTO et al., 2009), porém, como a maioria dos algoritmos utilizados para
tais tarefas foram inicialmente desenvolvidos com arquiteturas computacionais seqüenciais —
que utilizam um único processador — não faz-se o uso completo destes novos ambientes pa-
ralelos de computação. Desta forma, há a necessidade de se adaptar antigas metodologias ou
desenvolver novas técnicas que sejam capazes de aproveitar de forma economicamente viável
a capacidade computacional advinda dos sistemas paralelos ou distribuídos de computação de
alto desempenho.
Fator importante a ser destacado é que o aumento na velocidade dos processadores encontra
barreiras cada vez maiores à medida que limites físicos são atingidos, tais como a velocidade da
luz ou tamanho dos transistores. A freqüência de operação dos processadores passa a aumentar
a um passo bem mais reduzido do quê o experimentado durante os anos 90 e, desta forma, há
uma tendência de que os requerimentos de capacidade computacional não sejam preenchidos
6.1 Introdução 91
por processadores mais rápidos e sim pelo aumento do número de operações executadas simul-
taneamente num determinado período de tempo, com processadores trabalhando paralelamente
(FOSTER, 1995).
Nas últimas décadas, avanços na tecnologia de hardware tornaram os computadores pesso-
ais (PCs) uma alternativa de alto custo-benefício, em comparação aos tradicionais supercompu-
tadores, na solução de problemas científicos de grande escala. Desta forma, faz-se a utilização
de conjuntos de computadores pessoais de baixo custo interligados através de redes de alta ve-
locidade, constituindo uma estrutura conhecida como cluster Beowulf, cuja estrutura genérica é
ilustrada na Figura 6.1 (ROCHA, 2003).
Figura 6.1: Cluster de computadores tipo Beowulf genérico
Entretanto, além da estrutura de hardware, deve-se elaborar o modelo a ser utilizado para
a composição de uma solução computacional através da computação paralela. A estruturação
das tarefas de processamento compõe um paradigma da computação paralela e as principais
possibilidades de paralelismo são descritas a seguir (FINARDI, 1999):
• Paralelismo de Dados : Os dados são particionados e distribuídos entre os processadores
e, desta forma, cada processo realiza a mesma tarefa para um subconjunto distinto dos
dados;
• Paralelismo Funcional : O algoritmo é decomposto em diferentes seções com cada pro-
cesso sendo responsável por determinado trecho ou subtarefa e, consequentemente, há
programas diferentes para cada processo;
• Paralelismo Pipelining : Consiste em diminuir o tempo ocioso dos processadores envol-
vidos baseando-se no relacionamento existente entre um processo e o processo seguinte,
em que a saída de um é a entrada do seu sucessor. Dado um conjunto de tarefas a serem
6.2 Métricas de Desempenho em Sistemas Paralelos 92
realizadas serialmente sobre uma unidade de dado, as tarefas são dispostas de tal maneira
que se um processo termina uma tarefa relacionada a uma unidade de dado, o mesmo
processo começa a realizar a mesma tarefa em uma outra unidade de dado, enquanto a
unidade já processada é destinada ao próximo processo.
6.2 Métricas de Desempenho em Sistemas Paralelos
Ao se analisar o desempenho de programas paralelos, com intuito de comparar algoritmos
distintos, algumas métricas são normalmente utilizadas, tais como o fator de aceleração e efici-
ência (FOSTER, 1995; GRAMA et al., 2003; WILKINSON; ALLEN, 2004).
6.2.1 Fator de Aceleração
O fator de aceleração (speedup) é uma medida que relaciona a aceleração obtida por um al-
goritmo paralelo com o melhor algoritmo seqüencial disponível para a execução da uma mesma
tarefa.
Matematicamente, o fator de aceleração S corresponde à razão entre o tempo gasto na com-
putação de um dado problema utilizando-se de apenas um processador, t
s
, e o tempo gasto por
um programa que utiliza p processadores de forma paralela, t
p
e é dado pela expressão:
S(p) =
t
s
t
p
(6.1)
Diversos fatores limitam o aumento do fator de aceleração, tais como períodos de ociosi-
dade e comunicação entre processadores, bem como o fato de nem todo o código poder ser
paralelizado. Em um sistema de computação paralelo ideal, tanto o processamento seqüencial
necessário pelo programa como o tempo de comunicação são nulos e o trabalho a ser executado
em paralelo pode ser caracterizado pela distribuição equilibrada do tempo seqüencial original t
s
entre os p processadores. Neste caso, o tempo necessário para resolver um dado problema em
paralelo seria
t
s
p
, levando a um fator de aceleração de p vezes.
Porém, considerando que nem todo o código pode ser paralelizado, à medida que o número
de processadores p aumenta, o fator de aceleração S obtido por tal programa paralelo, mesmo
que desconsiderando qualquer tempo gasto em comunicação, estaria limitado a
1
f
ps
, onde f
ps
representa a fração de tempo gasto na parte não-paralelizável em relação ao tempo total serial,
fornecendo o fator de aceleração máximo.
6.3 Interfaces de Programação Paralela 93
6.2.2 Eficiência
Eficiência, por sua vez, mede a fração de tempo no qual cada unidade de processamento
é efetivamente utilizada (GRAMA et al., 2003). A representação matemática da eficiência
computacional de umprograma paralelo é dada pela razão entre o fator de aceleração e o número
de processadores utilizados, como definido abaixo.
E f =
S(p)
p
=
t
s
t
p
×p
(6.2)
Pode ser observado que a eficiência de um sistema de computação paralela ideal iguala-se
a unidade. Porém, na prática a comunicação entre processos tende a aumentar com o número
de processadores, o que tende a levar à obtenção de cada vez mais baixas eficiências quando é
utilizado um número muito alto de processadores.
6.2.3 Granularidade
Resumidamente, granularidade é uma medida da quantidade de computação entre sincroni-
zações, ou seja, é uma grandeza fornece o quanto há de processamento em relação à comunica-
ção requerida para o mesmo .
O nível de granularidade varia de um perfil fino, em que existe uma baixa quantidade de
processamento por byte comunicado, até o perfil grosso quando existe muito processamento por
byte comunicado.
6.3 Interfaces de Programação Paralela
Muitos são os modelos computacionais utilizados em computação paralela, tais como para-
lelismo de dados, memória compartilhada, troca de mensagens, operações em memória remota,
processos, e também, combinação dos anteriores. Tais modelos se diferenciam em vários as-
pectos como, por exemplo, se a memória disponível é localmente compartilhada ou geografica-
mente distribuída e quanto ao volume de comunicação tanto em hardware como em software
(GROPP et al., 1996).
A aplicação de tais modelos, portanto, depende fortemente do problema a ser resolvido e a
arquitetura de computação paralela alvo. Esta situação fez com que vários fabricantes de siste-
mas de computação paralela desenvolvessem suas próprias bibliotecas de interface, focando em
característica, muitas vezes, inexistentes em outras arquiteturas. Desta forma, o código desen-
6.3 Interfaces de Programação Paralela 94
volvido com bases nestas bibliotecas proprietárias não era portátil. Em face desta dificuldade,
impulsionada pelos avanços na tecnologia de sistemas paralelos de computação, foi reconhe-
cida a necessidade de interfaces de programação que fossem eficientes, funcionais e portáteis
nas mais variadas arquiteturas disponíveis no mercado. Neste contexto, a Message Passing
Interface (MPI) e a Open Multi-Processing Application Program Interface (OpenMP) foram
concebidos.
O padrão MPI é uma especificação dos procedimentos de comunicação entre processos e
não uma implementação em si. Os processos, por sua vez, poderiam ser locais (e.g., processa-
dores de vários núcleos) ou remotos (e.g., sistemas de distribuídos). De posse de tal padroni-
zação, tanto fabricantes como usuários foram capazes de produzir implementações da interface
do problema têm a características de possuírem muitas MPI de forma eficiente, aproveitando as
vantagens específicas de cada arquitetura computacional. Além disto, programas paralelos, ba-
seados na MPI, tornaram-se portáteis e poderiam ser compilados com qualquer implementação
MPI disponível.
Atualmente, inúmeras implementações do padrão MPI são publicamente disponibilizadas,
tal como a MPICH (GROPP et al., 1996), que foi utilizada no trabalho, e suportam redes ho-
mogêneas e heterogêneas, além de sistemas de memória compartilhada e distribuída.
Outros padrões podem também se referir à utilização de GPU’s, ou unidades de proces-
samento gráfico, que são unidades construídas para um desempenho otimizado em processa-
mento gráfico, porém, podem ser também utilizadas para processamento numérico e, conse-
quentemente, podem ser utilizadas para diversas aplicabilidades. Essas unidades possuem uma
arquitetura baseada na paralelização dos dados e enfatizam o processamento de um número alto
de threads em comparação a uma CPU, porém com uma velocidade menor de processamento.
Desta forma, em problemas que se adequam dentro dos limites de capacidade das GPU’s e
dependendo de algumas características, como a granularidade, por exemplo, a utilização de
GPU’s para o processamento pode fornecer bons desempenhos. Como interfaces utilizáveis
para processamento em GPU’s, cita-se o OpenCL (do inglês, "Open Computing Language")
(OPENCL, 2011), que é um padrão heterogêneo de desenvolvimento e contempla tipos mais
diferenciados de hardware, e o CUDA (NVIDIA, 2011), que é uma implementação proprietária
de paralelismo em unidades gráficas.
6.4 Aplicação do Processamento Paralelo à Programação Dinâmica Estocástica 95
6.4 Aplicação do Processamento Paralelo à Programação Di-
nâmica Estocástica
Uma característica importante da Programação Dinâmica está no fato do cálculo do custo
ótimo de cada estado operativo de um estágio poder ser realizado de forma independente dos
outros estados do mesmo estágio, possibilitando a paralelização destes processos (DIAS, 2010).
Desta forma, o fluxograma apresentado anteriormente através da Figura 4.10 pode ser re-
formulado utilizando processamento paralelo. A Figura 6.2 mostra o fluxograma proposto para
a PDE em que a tarefa realizada no Bloco 1, que trata da obtenção dos custos relacionados a
cada estado operativo, é realizada utilizando processos paralelos.
A estrutura utilizada é a SPMD (do inglês “Single Program Multiple Data”), através do
paradigma de paralelismo de dados onde os processadores executam o mesmo código, variando
o dado de entrada processado por cada um deles, ou seja, variam somente os estados a serem
avaliados por cada processo.
Figura 6.2: Algoritmo da obtenção das funções de custo futuro da PDE utilizando fechos con-
vexos e programação paralela
Com a paralelização proposta, um número maior de problemas de programação linear (PL)
pode ser resolvido em um dado intervalo de tempo e como este trecho é o mais custoso com-
putacionalmente, espera-se a obtenção de ganhos globais elevados na resolução do problema.
6.4 Aplicação do Processamento Paralelo à Programação Dinâmica Estocástica 96
Adicionalmente, o algoritmo apresentado no Capítulo 5 é perfeitamente paralelizável, não dife-
renciando os algoritmos PDE-ConvexHull e Fast-PDE-ConvexHull do ponto de vista da para-
lelização do código.
Analisando-se computacionalmente o processo, tem-se que a parte serial do código é con-
centrada no Bloco 2 que, em resumo, executa o algoritmo de fechos convexos e, além disso,
pode realizar a eliminação de hiperplanos semelhantes.
7 Estudo de Caso
7.1 Caso Exemplo
O Programa Mensal de Operação (PMO) de janeiro de 2011 foi a base de dados utilizada
como referência para as simulações computacionais realizadas através da plataforma desenvol-
vida na linguagemC++/Java. Sendo assim, o estudo foi realizado para umperíodo de cinco anos
de estudo e cinco anos de pós-estudo e utiliza os 4 subsistemas equivalentes Sudeste/Centro-
Oeste, Sul, Nordeste e Norte. As afluências utilizados correspondem ao histórico de vazões
tanto para o cálculo da política eletroenergética quanto para as simulações de operação. Para
o cálculo da política eletroenergética, as afluências entram no problema como realizações de
afluência por estado de armazenamento, dada a construção de possíveis séries construídas atra-
vés do histórico. Estas séries de afluência são utilizadas diretamente para a fase simulação, ou
fase Forward. Especificamente, a primeira série corresponde à série dos primeiros 5 anos (para
simulação) ou 10 anos (para cálculo da política) de afluência a partir de 1931; a segunda série é
construída a partir de 1932 e assim por diante.
Dada a base de dados, pequenas modificações foram realizadas devido a compatibilizações
e limitações da modelagem implementada como, por exemplo, a consideração de somente 1
(um) patamar de mercado e os desvios de água não foram considerados no despacho da opera-
ção. Além disso, não modelou-se a curva de aversão ao risco e a taxa de desconto foi conside-
rada nula.
O computador utilizado nas simulações possui 2 processadores Intel Xeon E5540, que pos-
suem 4 núcleos de processamento cada, totalizando 8 núcleos de processamento a uma frequên-
cia de operação de 2,53 GHz e 16 GB de memória RAM. O sistema operacional utilizado nas
simulações corresponde ao Kernel Linux 2.6.31-22-generic.
7.2 Resultados 98
7.2 Resultados
7.2.1 Comparação entre as Metodologias PDE-ConvexHull e
Fast-PDE-ConvexHull
A fim de avaliar o impacto da utilização do algoritmo proposto dentro da metodologia da
PDE-ConvexHull, são apresentados os tempos computacionais obtidos por ambas as técnicas
no intuito de se verificar o ganho computacional provido pela técnica proposta. Além disso, são
apresentados alguns resultados para a verificação da consistência existente entre as metodolo-
gias.
A tolerância utilizada para convergência do algoritmo proposto foi de 1, 0 ×10
−3
para a
função de custo futuro, o que pode representar erros de até R$ 0,73 na representação da FCF
quando comparado ao algoritmo da PDE-ConvexHull. Adicionalmente, esta diferença numé-
rica, que é pouco representativa, não causa grandes diferenças nos números de cortes obtidos,
pois não há alterações importantes na forma da FCF. Deste modo, o resultado final mantém-se
dentro da margem esperada de erro causado pela tolerância do processo.
O parâmetro NumMaxCortes utilizado foi de 80 hiperplanos. Isto significa que no máximo
80 hiperplanos podem ser reaproveitados entre estados operacionais distintos para a montagem
das restrições que representam a FCF no problema. Como foi mencionado anteriormente, este é
um valor empírico tal que forneceu bons ganhos computacionais e será utilizado no restante do
trabalho. Porém, foi verificado que a sensibilidade do desempenho em função deste parâmetro
não é muito grande e valores de tal ordem de grandeza fornecem resultados similares.
O solver ou pacote computacional de otimização linear utilizado para a resolução dos PPL’s
foi o CLP, da COIN-OR (CLP, 2011), ressaltando-se que os valores de ganho computacional as-
sim como o valor do parâmetro NumMaxCortes possivelmente dependerão do solver utilizado,
podendo apresentar comportamentos distintos quando da utilização de outras distribuições dis-
poníveis para a resolução do problema. Sobretudo, por se basear no algoritmo simplex, em que a
velocidade de convergência depende do número de vértices existentes entre a solução inicial e a
solução ótima, é esperado que também haja ganho computacional quando utiliza-se o algoritmo
proposto conjuntamente a outros solvers.
As execuções apresentadas na Tabela 7.1 foram realizadas utilizando 8 processos em pa-
ralelo para valores distintos de discretizações de armazenamento e número de realizações de
afluência por estado. Para as realizações de afluência são consideradas a ocorrência de alguma
7.2 Resultados 99
série do histórico de vazões a partir do primeiro ano do histórico
1
. São apresentados os resul-
tados relativos ao número médio de cortes e o tempo computacional demandado por cada um
dos métodos (PDE-ConvexHull e Fast-PDE-ConvexHull) confrontados, alémdo erro percentual
existente entre os custos médios de simulação obtidos por ambas metodologias.
Tabela 7.1: Comparação entre as metodologias PDE-ConvexHull e Fast-PDE-ConvexHull
NUM. NUM. NUM. MED. TEMPO (S) ERRO
DISCRET. Séries CORTES PDE-
CONVEXHULL
FAST-PDE-
CONVEXHULL
(%)
3 1 359 5,6 4,25 0,00
3 60 381 104,6 29,4 0,00
5 1 5.447 141,3 42,6 0,00
5 60 6.025 6.934,6 492,9 0,00
Para as simulações computacionais realizadas acima, não foi utilizada a eliminação dos cor-
tes que são aproximadamente coplanares e, desta forma, o número médio de cortes aproximou-
se do valor esperado pela expressão do limite de hiperplanos possíveis
_
(ND−1)
NR
×NR!
_
,
sobretudo para os casos com maior número de cenários, em que espera-se um comportamento
mais homogêneo para a função de custo futuro. Para o caso de 5 discretizações de armazena-
mento e 60 realizações de afluência foi obtido um custo médio de R$ 25,08 bilhões. A análise
mais detalhada do custo de operação será realizada mais adiante.
Posteriormente, realizou-se uma nova simulação utilizando as mesmas 5 discretizações so-
bre as 60 realizações possíveis de afluência para verificar o efeito da eliminação dos hiperplanos
no resultado final e, também, mostrar como ambas as metodologias se comportam em função
do número de cortes utilizados. Para uma tolerância de 1, 0×10
−2
para a eliminação de cortes,
o resultado do custo de simulação médio apresentou um valor muito próximo ao valor encon-
trado sem utilização da eliminação, sendo 0,013% superior, o que indica que a eliminação dos
hiperplanos não alterou os resultados de forma muito significativa com uma redução no custo
computacional da ordem de 30%.
A Figura 7.1 ilustra o perfil de computação desenvolvido na utilização da metodologia
PDE-ConvexHull (5 discretizações e 60 séries de afluência) e são mostrados os tempos pre-
dominantes no processo, que correspondem ao algoritmo de fechos convexos, eliminação de
1
A consideração de somente uma série de afluência recai no caso determinístico da programação dinâmica.
7.2 Resultados 100
cortes e resolução do problema linear. Os tempos despendidos em comunicação entre proces-
sos e montagem de restrições foram verificados e não representam parcelas significativas no
problema.
Figura 7.1: Perfil de execução obtido no uso da metodologia PDE-ConvexHull
Para a visibilidade do ganho computacional obtido, o resultado da utilização da metodologia
Fast-PDE-ConexHull, Figura 7.2, é apresentado na mesma escala do gráfico anterior.
Figura 7.2: Perfil de execução — Metodologia Fast-PDE-ConvexHull (Verificação do ganho)
Porém, para a avaliação do comportamento apresentado pela metodologia Fast-PDE-
ConvexHull, é construído o gráfico da Figura 7.3, que detalham os tempos obtidos dentro de
uma escala mais adequada.
7.2 Resultados 101
Figura 7.3: Perfil de execução — Metodologia Fast-PDE-ConvexHull (Verificação do compor-
tamento)
A Figura 7.4 apresenta as funções aproximadas do tempo de resolução dos PL’s em um dado
estágio em função do número de cortes obtido na utilização de cada uma das metodologias.
Figura 7.4: Aproximação do tempo de resolução dos PPLs em função do número de cortes
Observa-se, pela Figura 7.4, que a metodologia PDE-ConvexHull é uma técnica cujo tempo
computacional é mais sensível ao aumento do número de cortes. Porém, a metodologia Fast-
PDE-ConvexHull também apresenta um aumento do tempo de resolução com o aumento do
número de cortes utilizados (Figura 7.5), porém, o aumento é de ordem bastante reduzida em
relação à obtida na utilização da PDE-ConvexHull.
7.2 Resultados 102
Figura 7.5: Característica do tempo de resolução na metodologia Fast-PDE-ConvexHull
7.2.2 Levantamento dos Perfis da Computação Paralela
Nesta simulação, é levantado o perfil da computação paralela para o caso de 5 discretizações
dos armazenamentos e os 60 cenários de afluência. Relembrando, foi utilizado o protocolo MPI
através da implementação MPICH2 (GROPP et al., 1996) e, tendo em vista a disponibilidade
de um micro Xeon, contabilizou-se, além do tempo sequencial, o tempo gasto na utilização de
valores diferentes de número de processadores. O tempo computacional total do programa em
função do número de processadores utilizados é mostrado na Tabela 7.2.
Tabela 7.2: Tempo total de processamento em função do número de processadores utilizados
Número de Tempo Total
Processadores (s)
1 2.271,88
2 1.145.60
3 798,76
4 626,38
5 523,60
6 443,10
7 387,86
8 348,16
7.2 Resultados 103
A partir dos tempos totais obtidos, pode-se calcular o fator de aceleração (speedup) do
algoritmo, que é mostrados na Figura 7.6.
Figura 7.6: Fator de aceleração do algoritmo paralelo
Também em função dos valores encontrados na Tabela 7.2, calcula-se a eficiência encon-
trada no algoritmo, que é mostrada na Figura 7.7.
Figura 7.7: Eficiência do algoritmo paralelo
Observa-se que o algoritmo paralelo apresentou uma alta eficiência, além de um fator de
aceleração extremamente significativo, o que mostra que o código em estudo é altamente para-
7.2 Resultados 104
lelizável e maiores ganhos computacionais podem ser obtidos se um número maior de proces-
sadores for disponível.
7.2.3 Comparação com o NEWAVE
Esta seção tem por objetivo comparar os resultados obtidos pelo modelo proposto com o
modelo oficial utilizado no SEB, que é o modelo NEWAVE. Adicionalmente, espera-se mos-
trar que o modelo desenvolvido é uma boa ferramenta para análises rápidas, quando utilizado
menos discretizações das energias armazenadas. Os resultados da execução do NEWAVE fo-
ram obtidos no âmbito do projeto de pesquisa e desenvolvimento (Projeto de P&D Estratégico
ANEEL — Tema 1: Modelo de Otimização do Despacho Hidrotérmico), em parceria direta
com o agente de geração Duke Energy — Geração Paranapanema, o qual forneceu os resulta-
dos da execução do modelo NEWAVE, versão 15, sobre o mesmo conjunto de dados utilizados
nas simulações computacionais da metodologia Fast-PDE-ConvexHull.
Mais especificamente, foram utilizados 60 séries de afluência e, assim, a primeira série cor-
responde à série de 5 ou 10 anos de afluência a partir de 1931 e a última série corresponde à série
obtida a partir de 1990 do histórico de vazões. Após o cálculo da política operativa, é realizada
a simulação do sistema para cada uma das séries, tanto para a metodologia proposta quanto para
o NEWAVE, porém, este último modelo utiliza 200 séries sintéticas para o cálculo da política.
O caso de estudo utilizado na metodologia proposta, que sofreu pequenas modificações, é o
mesmo que foi utilizado na execução do programa NEWAVE. Contudo, ainda há diferenças no
cálculo da política pois o modelo NEWAVE considera o efeito da tendência hidrológica através
do modelo autoregressivo PAR.
Para a verificação da Fast-PDE-ConvexHull, foram realizados cálculos para a política ope-
rativa utilizando valores diversificados para o número de discretizações. Inicialmente, para uma
análise rápida, utilizou-se de 3 discretizações de armazenamento, que leva em consideração
apenas os estados de armazenamento máximo, mínimo e médio para cada subsistema. Através
do uso de 5 discretizações tem-se uma análise de 25% em 25% das capacidades dos reserva-
tórios equivalentes de energia. Finalmente, realizou-se o cálculo da política utilizando-se 11
discretizações, o que significa que os reservatórios de energia foram discretizados de 10 em
10% de suas capacidades. Para comparação com o NEWAVE foi utilizado o custo esperado
de operação obtido por cada uma das metodologias. O custo esperado de operação é o custo
médio obtido através da simulação de cada uma das 60 séries de energia afluente construídas
através dos primeiros anos do histórico de vazões. Os resultados obtidos com a utilização dos 8
processadores são apresentados na Tabela 7.3.
7.2 Resultados 105
Tabela 7.3: Estatística dos custos das simulações
Tempo Custo Médio Desvio Padrão do Custo
(Milhões R$) (Milhões R$)
Fast-PDE-ConvexHull 29,4 s 25.791,14 2.831,15
(3 discretizações)
Fast-PDE-ConvexHull 492,9 s 25.082,89 2.892,13
(5 discretizações)
Fast-PDE-ConvexHull 37,6 h 24.931,32 3.218,62
(11 discretizações)
NEWAVE — 25.558,30 2.894,05
Este resultado possui grande importância, pois o objetivo do planejamento é encontrar o va-
lor ótimo para o custo esperado de operação e, como pode ser observado, os custos encontram-se
bem próximos, mostrando a consistência da metodologia proposta como uma ferramenta para
o cálculo da política energética.
Não foi atribuído o tempo de execução do modelo NEWAVE porque este foi executado em
outro computador e, além disso, de maneira serial, não fazendo uso de seu potencial de para-
lelização e, sendo assim, não há uma base de comparação sólida entre os tempos de execução
dos modelos. Observa-se que o tempo necessário para a execução da metodologia Fast-PDE-
ConvexHull com 11 discretizações dos armazenamentos foi bem superior ao tempo requerido
com a utilização de valores inferiores para o número de discretizações, porém, os valores mé-
dios de custo não variaram em uma ordem tão grande.
Pelo algoritmo proposto, o tempo de resolução do problema se subdivide entre as tarefas
de resolução dos PPLs pelo solver e interpolação das soluções iterativas sobre os hiperplanos
com a finalidade de encontrar o corte a ser inserido no processo. Para a resolução do problema
considerando 11 discretizações, aproximadamente 80% do tempo computacional despendido
corresponde a cálculos necessários à inserção interativa dos hiperplanos, ou seja, na realização
de cálculos de substituição sobre os hiperplanos obtidos do algoritmo de fechos convexos.
Para analisar os resultados obtidos das simulações, é mostrado, através da Figura 7.8, o
custo operacional mensal esperado ao longo do horizonte de planejamento.
7.2 Resultados 106
Figura 7.8: Custo médio de operação mensal — 11 discretizações
Como indicado na Tabela 7.3, o valor da integral do custo obtido pela metodologia proposta
é inferior ao obtido pelo modelo NEWAVE. As trajetórias esperadas dos armazenamentos são
mostradas na Figura 7.9, que contém as energias armazenadas finais em cada subsistema e a
energia armazenada no sistema como um todo, que é o total da energia armazenada no SIN.
Figura 7.9: Valor esperado de energia armazenada — 11 discretizações
Primeiramente, percebe-se que os valores de energia armazenada no SIN ao final do período
de planejamento são muito próximos entre os modelos NEWAVE e Fast-PDE-ConvexHull, o
que é um fator importante para viabilizar comparações entre os custos de operação. Observa-se
7.2 Resultados 107
que houve um comportamento diferenciado dos modelos quanto à tendência de armazenamento
dos subsistemas, principalmente os subsistemas Nordeste e Sul. A metodologia desenvolvida,
no geral, manteve os reservatórios do Nordeste menos deplecionados e uma consequência desta
operação é que não houve déficit de energia de vazão mínima na modelagem proposta, ou seja,
100% da meta de energia de vazão mínima foi atendida em todos os estágios e para cada série.
Já no modelo NEWAVE, há alguns estágios em que, dependendo da série, apenas 50% da meta
de energia de vazão mínima é atendida no sistema Nordeste. Um exemplo de déficit de vazão
mínima ocorrida no modelo NEWAVE é apresentado na Figura 7.10, que foi obtida através de
uma série de baixas afluências (série de 1949 do histórico) em que a energia de vazão mínima
obtida não é capaz de alcançar a meta de energia de vazão mínima. Conclui-se que, na metodo-
logia proposta, o armazenamento do subsistema Nordeste é mantido em um nível mais seguro
provavelmente para o atendimento às restrições de vazão mínima em detrimento do subsistema
Sul, que apresentou níveis de armazenamento mais baixos. Contudo, o comportamento ge-
ral do armazenamento do SIN mostrou-se bastante coerente entre as duas metodologias, como
apresentado na Figura 7.9.
Figura 7.10: Atendimento à restrição de vazão mínima no modelo NEWAVE
Além do armazenamento, uma variável importante no estudo é a geração hidráulica, cuja
determinação é uma das metas do planejamento de médio/longo prazo. A Figura 7.11 contém as
gerações hidráulicas de cada subsistema, assimcomo os valores esperados de geração hidráulica
no SIN.
7.2 Resultados 108
Figura 7.11: Valor esperado da geração hidráulica — 11 discretizações
Pode-se perceber que os valores encontrados de geração hidráulica por ambos os modelos
são próximos. Porém, a diferença do montante térmico/hidráulico pode ser melhor observada
no gráfico da Figura 7.12, que contém os valores totais de geração térmica (para todo o SIN).
Observa-se que o modelo proposto opta por uma menor complementação térmica para a opera-
ção do sistema.
Figura 7.12: Valor esperado de geração térmica — 11 discretizações
Uma variável de grande importância no estudo é o Custo Marginal de Operação (CMO),
já que este aponta o preço de comercialização de energia. A Figura 7.13 apresenta os valores
7.2 Resultados 109
esperados para o CMO ao longo do horizonte de estudo para cada um dos quatro subsistemas.
Figura 7.13: Valor esperado do CMO — 11 discretizações
O valor do CMO encontrado pela metodologia proposta é, em geral, menor e possui um
comportamento mais periódico. Contudo, pode-se atingir valores superiores ao custos margi-
nais obtidos pelo modelo NEWAVE em alguns períodos. Esta é uma indicação de possibilidade
de ocorrência de déficits no problema, os quais são apresentados no gráfico da Figura 7.14.
Figura 7.14: Valor esperado de déficit — 11 discretizações
A metodologia proposta apresentou um custo esperado de operação menor do que o ob-
tido pelo modelo NEWAVE, reforçando que o resultado obtido está próximo de um valor
ótimo, porém, maiores valores de déficit esperado foram obtidos na metodologia Fast-PDE-
ConvexHull em 11 discretizações de energia armazenada. Contudo, quando comparado ao
NEWAVE, percebe-se que os déficits obtidos nas simulações dentro da metodologia proposta
ocorrem em menor frequência durante o estudo.
7.2 Resultados 110
Como pode ser observado na Tabela 7.3, os custos obtidos por números diferentes de dis-
cretização são relativamente próximos, indicando que a metodologia pode ser utilizada para
análises rápidas acerca da operação do sistema. Verifica-se que com o aumento do número
de discretizações dos armazenamentos, o custo operativo esperado diminuiu, porém, o desvio
padrão dos custos aumentou, indicando que houve um aumento na variabilidade dos custos
obtidos. Isto pode ser explicado pela natureza da construção dos cortes pela metodologia Fast-
PDE-ConvexHull, em que o erro na representação da FCF tende a superestimar o valor esperado
de custo futuro, levando a uma operação mais conservadora na utilização de um número menor
de discretizações. Desta forma, embora possua uma operação, em média, mais onerosa a ope-
ração determinada pela utilização de três discretizações é ainda próxima da operação apontada
pelo NEWAVE, porém, apresenta menos volatilidade em relação à operação advinda de um
número maior de discretizações.
A Figura 7.15 apresenta uma comparação entre os custos obtidos por diversos valores de
discretização (3, 5 e 11 discretizações) conjuntamente ao modelo NEWAVE.
Figura 7.15: Custos mensais obtidos por diversas discretizações e comparação com o NEWAVE
Como pode ser observado, não há grandes variações no comportamento das curvas quando
altera-se o número de discretizações, mostrando que pode-se fazer análises preliminares com
um baixo tempo computacional. Para mostrar que a operação é mais conservadora para núme-
ros menores de discretização, apresenta-se o custo operacional obtido de uma série de baixa
afluência para 11 discretizações (Figura 7.16) e para 3 discretizações (Figura 7.17).
7.2 Resultados 111
Figura 7.16: Custo de operação mensal para a série de 1949 — 11 discretizações
Figura 7.17: Custo de operação mensal para a série de 1949 — 3 discretizações
Além disso, para destacar a diferença entre as operações obtidas na série de baixa afluência,
mostra-se, nas Figuras 7.18 e 7.19, os gráficos da evolução do armazenamento do SIN obtidos
para 11 e 3 discretizações, respectivamente.
Figura 7.18: Valor esperado de energia armazenada no SIN (Série de 1949) — 11 discretizações
7.2 Resultados 112
Figura 7.19: Valor esperado de energia armazenada no SIN (Série de 1949) — 3 discretizações
Observa-se, nas Figuras anteriores, que uma operação mais conservadora foi obtida no
uso de um número menor de discretizações de armazenamento, em que a energia armazenada
mantém-se a um nível mais elevado.
A Figura 7.20 mostra o gráfico do déficit esperado para a execução da política utilizando-se
3 discretizações de energia armazenada e, quando confrontado com o gráfico da Figura 7.14,
observa-se que há uma pequena diminuição do déficit esperado quando utilizado um número
menor de discretizações.
Figura 7.20: Valor esperado de déficit — 3 discretizações
Na operação obtida com a utilização de 3 discretizações houve uma ocorrência menor de
déficit, porém, um valor esperado maior de custo de operação, o que faz com que a operação
obtida de 11 discretizações esteja mais próxima do valor ótimo, segundo a modelagem adotada
de operação.
Desta forma, uma operação conservadora pode fazer com que haja custo adicional de ope-
ração quando ocorrem cenários mais otimistas. A Figura 7.21 apresenta o custo de operação
mensal do SIN sujeito à estratégia operativa determinada com o uso de 11 discretizações e a
7.2 Resultados 113
Figura 7.22, para o uso de 3 discretizações, considerando a ocorrência da série de 1982, em que
há uma maior abundância de recursos hídricos.
Figura 7.21: Custo de operação mensal para a série de 1982 — 11 discretizações
Figura 7.22: Custo de operação mensal para a série de 1982 — 3 discretizações
De maneira geral, os resultados obtidos mostram que a técnica proposta tem um poten-
cial considerável para resolução do problema de planejamento de médio/longo prazo, mesmo
quando comparada ao NEWAVE, que é o modelo oficial utilizado no setor. Além disso, os
resultados obtidos possuem comportamentos compatíveis com o que poderia ser esperado teo-
ricamente, dentro das considerações e simplificações realizadas na resolução do problema.
8 Conclusões
8.1 Considerações Gerais e Principais Contribuições
O problema de planejamento energético consiste em determinar as estratégias de geração
tal que minimizem o custo esperado de operação durante o horizonte de planejamento. Porém,
devido à configuração do sistema brasileiro, que possui um elevado número de aproveitamentos
hidráulicos interligados por um sistema de transmissão de grandes dimensões, e ao horizonte
de estudo considerado, tem-se que a operação coordenada do sistema é um problema de grande
porte. Sobretudo, há a necessidade da representação das não linearidades das unidades de ge-
ração e das incertezas dos valores de afluências futuras, que dão uma característica de grande
porte ao problema, elevando de forma intensa o requerimento computacional para a resolução
do mesmo. Isto leva à necessidade da separação do problema em diferenciados horizontes de
estudo, em que em um horizonte de curto prazo modela-se mais fielmente os componentes do
sistema, diminuindo-se o peso da análise estocástica do problema e no horizonte de médio/longo
prazo esforça-se na representação do comportamento estocástico das afluências.
Este trabalho tem foco na resolução do problema de médio/longo prazo e, assim, a natureza
estocástica das afluências deve ser representada de forma detalhada e os diversos reservató-
rios do sistema são representados de forma agregada. Para a resolução deste problema são
comumente utilizadas técnicas de programação dinâmica, sobretudo, a programação dinâmica
estocástica, que trata conjuntamente as características de não linearidade e estocasticidade exis-
tentes no problema.
O presente trabalho apresenta uma nova abordagem da utilização dos cortes da função de
custo futuro nos problemas de programação linear presentes no processo da Programação Di-
nâmica Estocástica, constituindo-se em um aprimoramento da metodologia PDE-ConvexHull
(DIAS, 2010), que utiliza o algoritmo de fechos convexos para a obtenção das funções de custo
futuro. A nova técnica visa tornar o tempo resolução dos problemas de programação linear
menos sensível ao número de cortes ou hiperplanos que compõem a função de custo futuro.
8.1 Considerações Gerais e Principais Contribuições 115
Desta forma, foi inicialmente realizada a comparação entre a metodologia PDE-ConvexHull
e a metodologia proposta (Fast-PDE-ConvexHull), de forma a verificar o ganho computacional
e a aderência entre resultados. Observou-se a metodologia proposta proporcionou uma redução
drástica no tempo computacional requerido para a resolução da PDE, de forma a ainda manter
coerentes os resultados obtidos por ambas as técnicas.
Em seguida, foi levantado o perfil da computação paralela com o objetivo de verificar as
características da implementação do algoritmo paralelo. Verifica-se que o algoritmo é altamente
paralelizável, apresentando uma alta eficiência no processo.
Por fim, a partir da implementação do sistema computacional, que é capaz de utilizar os
dados de configuração oficiais do SIN, foi realizado um estudo no caso do PMO de janeiro de
2011 para a comparação dos resultados obtidos pela metodologia desenvolvida com os resulta-
dos obtidos pelo modelo NEWAVE, oficialmente adotado pelo setor. Os resultados mostraram-
se promissores, já que os comportamentos verificados para os resultados são coerentes entre os
modelos e, além disso, foi alcançado um custo médio operativo mais econômico do que o en-
contrado pelo modelo NEWAVE. Entretanto, foram utilizadas, pela Fast-PDE-ConvexHull, as
mesmas séries hidrológicas para o cálculo da política operativa e para a simulação da operação,
enquanto que o NEWAVE utilizou 200 séries sintéticas para o cálculo da política e, assim, as
séries otimizadas são diferenciadas das séries simuladas.
Pelos resultados obtidos, este trabalho sinaliza que, devido à melhoria dos recursos com-
putacionais, utilização de técnicas avançadas de sistemas paralelos, adicionalmente à adoção
de técnicas como a desenvolvida neste trabalho, pode ser possível a utilização da programação
dinâmica estocástica na resolução do problema do planejamento energético de sistemas hidro-
térmicos.
Oalgoritmo proposto ofereceu umalto ganho computacional emrelação à PDE-ConvexHull
convencional, sendo de simples implementação e não impõe o desenvolvimento de solvers pró-
prios para a resolução do problema, o que necessitaria de um grande esforço de implementação
para a obtenção de um algoritmo robusto. Além disso, a metodologia também não obriga a
utilização de solvers comerciais para a resolução do problema.
Foi mostrado também que mesmo para um número menor de discretizações dos armazena-
mentos, em que o tempo computacional requerido é baixo, consegue-se uma boa aproximação
para a política operativa, o que sugere que a metodologia proposta possa ser utilizada como uma
ferramenta de análise rápida para o problema da operação.
Apesar de serem utilizadas as séries históricas no desenvolvimento deste trabalho, o modelo
8.2 Trabalhos Futuros 116
apresentado permite a obtenção da política ótima de planejamento utilizando modelos diversos
de geração de série hidrológicas, isto porque o modelo computacional para o cálculo da política
não é acoplado ao modelo estocástico de geração de séries sintéticas. Pode-se utilizar, por
exemplo, o modelo PAR, adotado no NEWAVE, ou mesmo outro modelo de geração de séries
sintéticas, tais como o PARMA, ou ainda modelos que utilizam técnicas inteligentes como redes
neurais e lógica fuzzy, dentre outros.
8.2 Trabalhos Futuros
O esforço computacional requerido para a resolução do problema é alto devido ao número
de combinações de estados a serem avaliados durante a dinâmica da PDE. Desta forma, com a
utilização de técnicas de discretização eficiente, o tempo computacional requerido poderia ser
reduzido, viabilizando inclusive a representação de mais de quatro subsistemas de energia no
planejamento eletroenergético por meio da PDE.
Como mencionado no trabalho, não foi considerada a interdependência temporal das afluên-
cias e seria importante a realização de estudos de forma a compor um modelo de cálculo de
política operativa que considere a tendência hidrológica como variável de estado, tal como é
feito para a energia armazenada. Os primeiros estudos que podem ser realizados são relativos
à utilização de técnicas de clusterização dos cenários de afluência, em que as séries são clas-
sificadas e agrupadas em conjuntos com maior representatividade e, consequentemente, seriam
agregadas ao processo mais informações a respeito da estocasticidade das afluências.
Uma extensão natural deste trabalho é a utilização de um maior número de processadores,
que pode ser feito através de uma arquitetura beowulf, contemplando um conjunto de compu-
tadores pessoais, ou mesmo utilizando um cluster dedicado. Pode-se ainda utilizar uma outra
metodologia de paralelização conhecida como ‘cloud computing’, que é a utilização de servido-
res dedicados disponibilizados através da internet. Neste contexto de paralelização, tem-se que
os diversos PPL’s foram distribuídos entre os núcleos sem critério científico. Como o tempo
de resolução de cada PPL não é constante e depende da característica do mesmo, tornaria-se
importante fazer um melhor uso dos processadores através de uma distribuição eficiente de pro-
cessos entre os núcleos de forma minimizar o desequilíbrio decorrente e, consequentemente,
obter um fator de aceleração ainda mais linear.
Analisando a estratégia de paralelização, o algoritmo apresentou uma granularidade grossa,
8.2 Trabalhos Futuros 117
sendo altamente paralelizável. Porém, a etapa de interpolação sobre os hiperplanos tem custo
computacional considerável e poderia ser paralelizada utilizando-se de granularidade fina. As-
sim, propõe-se a paralelização do algoritmo de interpolação utilizando unidades de processa-
mento gráfico (GPU’s), com a utilização de CUDA ou OpenCL para um modelo híbrido de
computação paralelo, utilizando conjuntamente as CPU’s e as GPU’s disponíveis, proporcio-
nando computação de alto desempenho em computadores pessoais.
Uma linha de desenvolvimento acerca da metodologia proposta é sua utilização como fer-
ramenta para uso no planejamento, como cálculo de garantia física e cronograma de realização
de obras. Isto porque, como foi apresentado anteriormente, para um número pequeno de discre-
tizações de armazenamento e, consequentemente baixo esforço computacional, é possível obter
aproximações razoáveis para a operação do sistema. Assim, poderia-se utilizar, de forma auto-
matizada, baixos valores de discretizaç para aproximações iniciais e números de discretização
mais altos para o refinamento do resultado e maior precisão no cálculo de expansões ótimas.
Em relação à modelagem utilizada para a resolução do problema, verifica-se que ela se
encontra aderente à modelagem utilizada pelo modelo NEWAVE, pois os resultados obtidos
por ambos os modelos (NEWAVE e Fast-PDE-ConvexHull) encontraram-se numericamente
próximos. Porém, pretende-se incorporar à plataforma em desenvolvimento ainda mais algumas
funcionalidades que são existentes no modelo NEWAVE e podem ser importantes no estudo,
como, por exemplo:
• curva de aversão ao risco
• cargas adicionais
• racionamento preventivo
• utilização de séries sintéticas
A representação dos diversos patamares de carga já está implementada na modelagem, po-
rém, mais testes são necessários para validar a metodologia.
118
Referências Bibliográficas
ANEEL. Site oficial da Agência Nacional de Energia Elétrica. 2011. Http://www.aneel.gov.br.
Acessado em janeiro de 2011.
ARVANITIDIS, N. V.; ROSING, J. Optimal operation of multireservoir systems using a com-
posite representation. n. 2, p. 327–335, 1970.
BARBER, C. B.; DOBKIN, D. P.; HUHDANPAA, H. The quickhull algorithm for convex hulls.
ACM Transactions on Mathematical Software, v. 22, n. 4, p. 469–483, 1996. ISSN 00983500.
BELLMAN, R. E. Dynamic Programming. [S.l.]: Princeton University Press, 1957.
BERTSEKAS, D. P. Dynamic Programming and Optimal Control. 3rd. ed. [S.l.]: Athena Sci-
entific, 2007. ISBN 1886529086.
BORWEIN, J.; LEWIS, A. S. Convex Analysis and Nonlinear Optimization: Theory and Exam-
ples. 1. ed. [S.l.]: Springer, 2000. ISBN 0387989404.
CEPEL. Manual de Referência — Modelo NEWAVE. Rio de Janeiro, 2001.
CEPEL. Manual de Referência do Programa SUISHI-O 6.10 ? Modelo de Simulação à Usinas
Individualizadas para Subsistemas Hidrotérmicos Interligados. Rio de Janeiro, 2007. Relatório
Técnico DP/DEA 51566/07 e 51572/07.
CEPEL. Manual do Usuário - Programa NEWAVE,. Rio de Janeiro, 2009. Versão 15.
CERVELLERA, C.; CHEN, V.; WEN, A. Optimization of a large-scale water reservoir network
by stochastic dynamic programming with efficient state space discretization [An article from:
European Journal of Operational Research]. [S.l.]: Elsevier, 2006.
CICOGNA, M. A. Sistema de Suporte a Decisão para o Planejamento e a Programação da
Operação de Sistemas de Energia Elétrica. Tese (Doutorado) — Unicamp, Campinas, SP, 2003.
CLP. COIN-OR Linear Program Solver. 2011. Http://www.coin-or.org.
CUNHA, S.; PRADO, S.; COSTA, J. Modelagem da produtividade variável de usinas hidrelé-
tricas com base na construção de uma função de produção energética. Simpósio Brasileiro de
Recursos Hídricos, ABRH, p. 391–397, Nov 1997.
DIAS, B. H. Programação Dinâmica Estocástica e Algoritmo de Fechos Convexos no Planeja-
mento da Operação de Sistemas Hidrotémicos. Tese (Doutorado) — PUC-Rio, Rio de Janeiro,
2010.
DIAS, B. H.; MARCATO, A. L. M.; SOUZA, R. C.; SOARES, M. P.; JR, I. C. S.; OLIVEIRA,
E. J.; BRANDI, R. B. S.; RAMOS, T. P. Dynamic programming applied to hydrothermal power
systems operation planning based on the convex hull algorithm. Mathematical Problems in
Engineering, v. 2010, p. 1–20, 2010.
Referências Bibliográficas 119
DINIZ, A. L. Processo iterativo de construção da função de produção das usinas hidroelétri-
cas para o problema de coordenação hidrotérmica. In: XX Seminário Nacional de Produção e
Transmissão de Energia Elétrica. Recife, PE: [s.n.], 2009.
DINIZ, A. L.; MACEIRA, M. E. P. A four-dimensional model of hydro generation for the
short-term hydrothermal dispatch problem considering head and spillage effects. v. 23, n. 3, p.
1298–1308, 2008.
DUARTE, V. S. Modelagem da Vazão Mínima Obrigatória em Problemas de Planejamento da
Operação de Longo Prazo de Sistemas Hidrotérmicos Interligados. Dissertação (Mestrado) —
UFJF, Juiz de Fora, 2002.
EPE. Site oficial da Empresa de Pesquisa Energética. 2011. Http://www.epe.gov.br. Acessado
em janeiro de 2011.
FINARDI, E. Planejamento da Operação de Sistemas Hidrotérmicos Utilizando Computação
de Alto Desempenho. Dissertação (Mestrado) — Universidade Federal de Santa Catarina —
UFSC, Florianópolis, 1999.
FORTUNATO, L. A. M.; NETO, T. A. A.; ALBUQUERQUE, J. C. R.; PEREIRA, M. V. F.
Introdução ao Planejamento da Expansão e Operação de Sistemas de Produção de Energia
Elétrica. Niterói: Universidade Federal Fluminense, 1990.
FOSTER, I. Designing and Building Parallel Programs: Concepts and Tools for Parallel Soft-
ware Engineering. [S.l.]: Addison Wesley, 1995. ISBN 0201575949.
GORENSTIN, B. G.; CAMPODONICO, N. M.; COSTA, J. P.; PEREIRA, M. V. F. Stochastic
optimization of a hydro-thermal system including network constraints. In: Proc. Power Industry
Computer Application Conf. [S.l.: s.n.], 1991. p. 127–133.
GRAMA, A.; KARYPIS, G.; KUMAR, V.; GUPTA, A. Introduction to Parallel Computing. 2.
ed. [S.l.]: Addison Wesley, 2003. ISBN 0201648652.
GROPP, W.; LUSK, E.; DOSS, N.; SKJELLUM, A. A high–performance, portable implemen-
tation of the MPI message passing interface standard. Parallel Computing, v. 22, p. 789—828,
set. 1996. ISSN 0167-8191. ACM ID: 244368. Disponível em: <http://portal.acm.org/citation-
.cfm?id=244366.244368>.
ISON, M.; CAIRE, R. Commercial linear programming solvers and their applications to power
system optimization. In: Power and Energy Society General Meeting - Conversion and Delivery
of Electrical Energy in the 21st Century, 2008 IEEE. [S.l.: s.n.], 2008. p. 1–7. ISBN 1932-5517.
KELMAN, J.; PEREIRA, M. Critérios de avaliação para modelos de séries hidrológicas. IV
SNPTEE, 1977.
MACEIRA, M.; SUANNO, C. Representação da Variação da Produtibilidade no Algoritmo de
Programação Dinâmica Dual Estocástica — Projeto Newave. Rio de Janeiro, RJ, Março 1995.
Relatório Técnico.
MACEIRA, M.; SUANNO, C. Representação do Sistema Hidroelétrico, Patamares de Mer-
cado e Evolução da Configuração Hidrotérmica no Modelo Newave. Rio de Janeiro, RJ, 1995.
Relatório Técnico.
Referências Bibliográficas 120
MACEIRA, M. E. P.; DAMáZIO, J. M. Use of the par(p) model in the stochastic dual dynamic
programming optimization scheme used in the operation planning of the brazilian hydropower
system. Probability in the Engineering and Informational Sciences, v. 20, p. 143—156, jan.
2006. ISSN 0269-9648. ACM ID: 1127617. Disponível em: <http://portal.acm.org/citation-
.cfm?id=1127608.1127617>.
MACEIRA, M. E. P.; TERRY, L. A.; COSTA, F. S.; DAMáZIO, J. M.; MELO, A. C. G. Chain
of optimization models for setting the energy dispatch and spot price in the brazilian system.
In: 14th Power Systems Computation Conference (PSCC). Sevilla - Spain: [s.n.], 2002.
MARCATO, A. L. M. Representação Híbrida de Sistemas Equivalentes e Individualizados para
o Planejamento da Operação de Médio Prazo de Sistemas de Potência de Grande Porte. Tese
(Doutorado) — PUC-Rio, Rio de Janeiro, 2002.
MARCATO, R. Redistribuição ótima em patamares de carga da geração mensal de usinas
hidrelétricas. Dissertação (Mestrado) — Associação Instituto Nacional de Matemática Pura e
Aplicada, IMPA, Rio de Janeiro, 2007.
MORAES, L. A. M. Considerações dos Contratos de Gás natural com Cláusulas Take-or-Pay
no Planejamento Energético a Médio Prazo. Dissertação (Mestrado) — IMPA, Rio de Janeiro,
2007.
NASCENTES, J. C. M. Influência do Custo do Déficit de Energia nos Preços Spot de Energia
Elétrica do Brasil. Dissertação (Mestrado) — UNICAMP, Campinas, 2002.
NVIDIA. Site da NVIDIA. 2011. Http://www.nvidia.com.
ONS. Site oficial do Operador Nacional do Sistema. 2011. Http://www.ons.org.br. Acessado
em janeiro de 2011.
OPENCL. OpenCL - The open standard for parallel programming of heterogeneous systems.
2011. Http://www.khronos.org/opencl/.
PEREIRA, M. V. F. Optimal stochastic operations scheduling of large hydroelectric systems.
In: International Journal of Electric Power and Energy Systems. [S.l.: s.n.], 1989. v. 11, n. 5, p.
161–169.
PEREIRA, M. V. F.; PINTO, L. M. V. G. Stochastic optimization of multireservoir hydroelectric
system: A decomposition approach. In: Water Resources Research. [S.l.: s.n.], 1985. v. 21, n. 6,
p. 779–792.
PINTO, R. J.; P., S. A. L. G.; CABRAL, R. N.; COSTA, F. S.; DINIZ, A. L.; MACEIRA, M.
E. P. Metodologia para aplicação de processamento distribuído no planejamento de curto prazo
da operação hidrotérmica. In: XI SEPOPE. Belém: [s.n.], 2009.
QHULL. Qhull. 2011. Biblioteca em C++, disponível em http://www.qhull.org.
QUINTANA, V.; TORRES, G.; Medina-Palomo, J. Interior-point methods and their applicati-
ons to power systems: a classification of publications and software codes. Power Systems, IEEE
Transactions on, v. 15, n. 1, p. 170–176, 2000. ISSN 0885-8950.
ROCHA, J. M. G. Cluster Beowulf: Aspectos de Projeto e Implementação. Dissertação (Mes-
trado) — Universidade Federal do Pará, UFPA, Belém, 2003.
Referências Bibliográficas 121
SACCHI, R.; MARQUES, R. F.; CASTRO, R. Possíveis aprimoramentos na formação do pld
— preço de liquidação das diferenças no mercado brasileiro. Workshop Internacional sobre
Formação de Preço de Energia Elétrica no Mercado de Curto Prazo, 2008.
SILVA, E. d. Formação de Preços em Mercados de Energia Elétrica. [S.l.]: Sagra Luzzatto,
2001.
SIQUEIRA, T. G. Comparação entre Diferentes Abordagens de Programação Dinâmica no
Planejamento da Operação Energética de Sistemas Hidrotémicos de Potência. Tese (Douto-
rado) — UNICAMP, Campinas, 2009.
Soares Filho, S. Planejamento da operação de sistemas hidrotémicos. SBA: Controle e Automa-
ção, v. 1, n. 2, p. 122—131, 1987.
SOUZA, B. B. Avaliação do Impacto da Representação Explícita de Bacias Hidrográficas Atra-
vés do Acoplamento Hidráulico no Planejamento da Operação Energética de Médio Prazo.
Dissertação (Mestrado) — COPPE/UFRJ, Rio de Janeiro, 2008.
TERRY, L.; GOMES, F.; PEREIRA, M. Modelo a Sistema Equivalente — Descrição Geral.
Rio de Janeiro, RJ, 1980. Relatório Técnico.
Vieira Filho, X.; PEREIRA, M. V. F.; GORENSTIN, B. G.; G., M. A. C.; MELLO, J. C. O.;
GRANVILLE, S. Playing the odds: Risk management in competitive generation contracts. CI-
GRÉ Conference, Paris, September 1998.
WILKINSON, B.; ALLEN, M. Parallel Programming: Techniques and Applications Using
Networked Workstations and Parallel Computers. 2. ed. [S.l.]: Prentice Hall, 2004. ISBN
0131405632.
ZAMBELLI, M. Planejamento da Operação Energética do Sistema Interligado Nacional Ba-
seado em Modelo de Controle Preditivo. Tese (Doutorado) — UNICAMP, Campinas, 2009.

Rafael Bruno da Silva Brandi

Processo Iterativo de Construção da Função de Custo Futuro na Metodologia PDE-ConvexHull
Dissertação submetida ao corpo docente do Curso de Mestrado do Programa de PósGraduação em Engenharia Elétrica da Faculdade de Engenharia da Universidade Federal de Juiz de Fora, como requisito parcial para obtenção do Grau de Mestre em Engenharia Elétrica, Área de Concentração em Sistemas de Energia Elétrica.

Orientador:

André Luís Marques Marcato, D.Sc.

P ROGRAMA DE P ÓS -G RADUAÇÃO EM E NGENHARIA E LÉTRICA FACULDADE DE E NGENHARIA U NIVERSIDADE F EDERAL DE J UIZ DE F ORA

Juiz de Fora - MG, Brasil 30 de março de 2011

Brandi, Rafael Bruno da Silva. Processo iterativo de construção da função de custo futuro na metodologia PDE-ConvexHull / Rafael Bruno da Silva Brandi. – 2011. 119 f. : il. Dissertação (Mestrado em Engenharia Elétrica)–Universidade Federal de Juiz de Fora, Juiz de Fora, 2011. 1. Engenharia elétrica. I. Título.

CDU 621.3

.

como a plataforma computacional desenvolvida é capaz de utilizar o conjunto de dados oficiais disponibilizados para o SIN. Sendo assim. geração. o que incentiva a existência de grandes intercâmbios energéticos entre os subsistemas através do Sistema Interligado Nacional (SIN). desenvolvida em C++/Java. com isto. a qual é desenvolvida pelo Centro de Pesquisas de Energia Elétrica/ELETROBRÁS. um número elevado de hiperplanos são obtidos na composição das funções de custo futuro e. Ressalta-se que também são utilizadas técnicas de computação paralela com o objetivo de tornar o processo mais eficiente. capaz de considerar o mesmo conjunto de dados utilizado pelos modelos oficiais do SEB. Por fim. O principal modelo desta cadeia. As afluências nestas usinas são estocásticas e muitas vezes apresentam comportamentos complementares entre as diversas regiões do país. fez-se o uso do Programa Mensal de Operação . é o modelo NEWAVE que baseia-se na técnica de Programação Dinâmica Dual Estocástica (PDDE) para a determinação da política eletroenergética de médio prazo. transmissão e distribuição de energia). A metodologia foi utilizada para o cálculo do planejamento de médio prazo do SEB. compondo assim um modelo robusto para a resolução do problema. Primeiramente. comparou-se os resultados obtidos pela metodologia da Fast-PDE-ConvexHull com os resultados obtidos pela utilização da técnica da PDE-ConvexHull com o objetivo verificar o ganho computacional e a aderência dos resultados. O objetivo deste trabalho é implementar um modelo computacional para o planejamento da operação de médio prazo utilizando a metodologia de Programação Dinâmica Estocástica conjuntamente ao algoritmo de fechos convexos (PDE-ConvexHull) de uma forma computacionalmente eficiente (Fast-PDE-ConvexHull). O planejamento da operação no horizonte de médio/longo prazo no país (que compreende a um período de 5 a 10 anos à frente com discretização mensal) é realizado por uma cadeia de modelos computacionais validados pelos principais agentes que atuam no SEB (comercialização.Resumo O Sistema Elétrico Brasileiro (SEB) apresenta características peculiares devido às grandes dimensões do país e pelo fato da geração elétrica ser proveniente predominantemente de usinas hidráulicas que proporcionam ao sistema a capacidade de uma regularização plurianual dos seus reservatórios. baseando-se em subsistemas equivalentes de energia. A metodologia Fast-PDE-ConvexHull foi incorporada a uma plataforma computacional. os diversos problemas de programação linear a serem resolvidos durante o processo iterativo podem tornar-se maiores. para fins de validação da metodologia proposta. a principal contribuição deste trabalho é apresentar uma nova metodologia para a representação da função de custo futuro no problema de programação linear na qual o tempo computacional se torne menos sensível ao número de hiperplanos obtidos pelo algoritmo de fechos convexos. aumentando consideravelmente o tempo da execução do cálculo da política operativa. Isto porque observou-se que quando utiliza-se a técnica da PDE-ConvexHull.

Sistemas Hidrotérmicos. como caso de estudo para comparação dos resultados obtidos pela metodologia proposta com os resultados obtidos pelo modelo NEWAVE. . disponibilizado pelo Operador Nacional do Sistema (ONS). Processamento Paralelo. Palavras-chave: Planejamento da Operação. Fechos Convexos. Programação Dinâmica Estocástica.(PMO) de janeiro de 2011.

compounding a robust model for the resolution of the problem. transmition and distribution of energy). as the study case for comparing the results obtained by the proposed methodology with the results obtained from the NEWAVE model. an elevated amount of hyperplanes are obtained for the composition of the cost-to-go function. based on the equivalent subsystems of energy. released by the Independent System Operator (ISO). it was possible the utilization of the Monthly Operational Program (MOP) of January 2011. developed in C++/Java programming language. increasing the execution time for the operational policy calculus in a considerably manner. as the elaborated computational platform is capable to use the official data set available for the NG. . The methodology was utilized for the BNG’s long term planning calculus. This work has the objective of implement a computational model for the mid/long term operation planning using the Stochastic Dynamic Programming (SDP) together with the Convex Hull algorithm (PDE-ConvexHull) in a computationally efficient way (Fast-PDE-ConvexHull). which is developed by Electric Energy Research Center/ELETROBRÁS. in order to validate the proposed methodology. The long term operation planning problem (that includes a period of 5 to 10 years ahead with monthly discretization) is made by a chain of computational models that are validated by the main agents that act on BNG (commercialization. that is able to consider the same data set used by the official models acting on the BNG. stimulating the existence of big amounts of energy exchanges between the subsystems through the national grid. Firstly. This is because it was observed that when utilizing the PDE-ConvexHull technique. The primary model of this chain. the results obtained from the FastPDE-ConvexHull are compared with those obtained from the utilization of the PDE-ConvexHull technique aiming to verify the computational gain and the adherence between both results. The methodology Fast-PDE-ConvexHull was incorporated to a computational platform. Finally. which is based on the Stochastic Dual Dynamic Programming (SDDP) for electroenergetic policy determination on a long term horizon.Abstract The Brazilian National Grid (BNG) presents peculiar characteristics due to the huge territory dimensions and by the fact that the electricity generation is predominantly originated from hydraulic plants that provide for the system the capacity of a pluriannual regularization of the reservoirs. the main contribution of this work is to present a new methodology (FastPDE-ConvexHull) for the representation of the cost-to-go function on the linear programming problems where the computational time become less sensible to the number of hyperplanes obtained from the Convex Hull algorithm. the different linear programming problems to be solved during the iterative process can be turned larger. It is highlighted that techniques of parallel computing was employed in order to turn the process more efficient. generation. So. Thus. is the NEWAVE model. The water inflows to these plants are stochastic and often present complementary behavior among the regions of the country.

Convex Hull. Hydrothermal Systems. . Stochastic Dynamic Programming. Parallel Processing.Keywords: Operation Planning.

responsável pelos meus primeiros passos na pesquisa e conclusão deste trabalho” .Dedicatória "Dedico este trabalho a Deus. presente em todos os momentos da minha vida e em tudo que faço Aos meus queridos pais e irmãos Ao professor André Marcato.

pelas boas oportunidades. À CAPES. Aos meus queridos pais por terem trabalhado e lutado sempre por mim e acima de tudo. pelo Apoio Financeiro. em seguida. Bruno Dias. da honestidade. professor e amigo André Luís Marques Marcato pela grande atenção. À Duke Energy. À minha irmã. me ensinado a importância da simplicidade. Wiliam e Jordan pela amizade sincera e ânimo para realização de todas as atividades. ou "irmãe" Juliana. Ao amigo Tales Pulinho pelas idéias e conselhos que muito contribuíram para este e outros trabalhos realizados. Carlos.Agradecimentos À Deus pela vida. Vinícius. por ter executado o modelo computacional NEWAVE em suas instalações e. do amor e do respeito. Ao orientador. João Alberto e Marcelo Tomim pelo fomento de discussões e incentivo que muito me ajudaram no amadurecimento do trabalho. minha maior fonte de incentivo. por terem me dado valores. por trazer-me discernimento e certeza de que sou capaz de realizar meus sonhos. Ao amigos de graduação Anderson e Leandro Manso e aos amigos de longa data. Aos amigos Ivo. na pessoa do Engenheiro Anderson Iung. ter cedido os resultados produzidos para a utilização no presente trabalho. Ao meu avô Miguel (in memorian) e a minha avó Maria por todo carinho e amor fornecido. . Às pessoas da minha família que torcem por mim. confiança e apoio durante toda minha formação.

. . . . . . . . .4 1. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .2. . . . . . . . 2. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Patamares de Déficit . . . . . . . 2. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .2. . . . . . . . . . . . . . .3 2. 17 21 21 26 28 28 29 31 31 32 32 32 33 35 35 36 39 Aspectos da Representação de um Sistema Hidrotérmico 2. .1 A Agregação de Reservatórios . . . . . . . . . . . . .3. . . . .1 1. . . . .3 1. Estrutura da Dissertação . . . . . Patamares de Carga . . . .1 2. . . . .2 Considerações Iniciais . . . . . . Dados Sistêmicos do Programa de Operação Mensal . . . . . . . . . . . . . .5 2. . . . . . . .2.5 2 Considerações Iniciais e Revisão Bibliográfica . Sistemas Equivalentes de Energia . . . . . . . . . . . . . .Sumário Lista de Figuras Lista de Tabelas Nomenclatura 1 Introdução 1. . . . . . . . . . . . . . . . .2 2. . . . . . . . . . . . . . . . . . Demanda Energética . .4 2. .2.1 2. . . . . . . . .3 Sistema de Geração Termoelétrico . . . . Breve Histórico do Planejamento Energético do SIN .2 1. Intercâmbio . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Publicações Decorrentes da Pesquisa . .2. . . . . . . . . . Objetivos . . . . . . . . . . . . . .

. . . Exemplo Didático . . .7 Restrições de Geração Hidráulica Máxima Controlável . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Parábolas de Correção . . . . . . . . . . . . . . . . . . . . 3. . . . . Técnicas de Programação Dinâmica Aplicadas ao Problema de Longo e Médio Prazo . . . . . . . . . .4 3. . . . . 3. . . . . Algoritmo Geral da Programação Dinâmica Estocástica . . . . .3. . . . . . . . . . . . . . . . . . . . . . . . . . . . Limites das Variáveis ou Restrições de Canalização . . . . . . . . . . . . .1 4. . .3 Função Objetivo . . . . . . . . . . . . . . . . . . .5 3. . .2 Introdução . . .3. . . . . . . . . . . . .2. . . . . . . . Algoritmo de Fechos Convexos . . . . Restrições de Atendimento à Demanda . . . . Algoritmo Proposto . . . . . . . Restrições de Balanço Energético nos Reservatórios Equivalentes de Energia . . .2 3. . . . . . . . . .3. . . . . . . . . . . . . . . . . .2 2. 51 57 57 58 60 61 62 62 63 4 Programação Dinâmica Estocástica e Algoritmo de Fechos Convexos (PDE-ConvexHull) 4. . . . . . . . . . . . . Equações de Nós Fictícios . . . . . . . . 71 74 74 75 78 65 65 65 66 5 Processo Iterativo de Utilização da Função de Custo Futuro 5. . . . . . . . . . .3. . . . . . . . . . . . . .1 3. . . . . . . . . . . .3 4. . Utilização da PDE Conjuntamente ao Algoritmo de Fechos Convexos (PDEConvexHull) . .3 Formulação Matemática do Problema de Longo e Médio Prazo . . . . . . . . . .3. . Equações da Função de Custo Futuro . . . . . . . . .3. . . .6 3. . . . . . . . . .2 5. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .4 Introdução . . . . . . . .3 Introdução . . . . . 40 47 50 50 Despacho da Operação em Sistemas Equivalentes de Energia 3. . . . . . . .3. . . .3. . . . . . . .2 4. . . . . . . . . . . . . . . . . . . . . . . . .1 3. . . . . . .3. . . . . . . . . . . . .3 3 Parâmetros do Sistema Equivalente .1 5. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3. . . . . . . . . . . . . . . . . . . . . . . . . . .

. . . . . . . . . . . . . . . . . . . . . . . . . . . . . 90 90 92 92 93 93 93 95 97 97 98 Interfaces de Programação Paralela . . . . . . . . . . 7. . . . . . . 102 Comparação com o NEWAVE . . . . . . . . . . . . . . 7. . . . . .1 6.2. . . . . . . . . .2. Aplicação do Processamento Paralelo à Programação Dinâmica Estocástica . . . Granularidade . . . . . . . . . . 6. .2. . . . . .2. . . . .3 6. . . . Métricas de Desempenho em Sistemas Paralelos . . . . . . . . . . . . . . . . . . .1 6. . .1 7. . . . . . . . . . . . . . Eficiência . . . . . . . . . . . .6 Processamento Paralelo Aplicado à Programação Dinâmica Estocástica 6. . . . . . . . . 104 114 8 Conclusões 8. .4 Fator de Aceleração . . . .2 Considerações Gerais e Principais Contribuições . . . . . . . . . . . . . .2 Introdução . . . . 7 Estudo de Caso 7. . . .1 8. .3 98 Levantamento dos Perfis da Computação Paralela . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .2 6. . . . . . . . . . . . . . . . . . . . .2. Resultados . . . . . . . . . . . . . . . . . . . 114 Trabalhos Futuros . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .2 Caso Exemplo . . . .2 7.1 Comparação entre as Metodologias PDE-ConvexHull e Fast-PDE-ConvexHull . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 116 118 Referências Bibliográficas . . . . . . . . . . . .2. . . . . . . . . . . .3 6. . . .

Lista de Figuras
1.1 1.2 1.3 1.4 1.5 1.6 2.1 2.2 2.3 2.4 2.5 2.6 3.1 3.2 Complementaridade hidrológica dos subsistemas . . . . . . . . . . . . . . . . Horizontes de estudo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Sistemas equivalentes de energia . . . . . . . . . . . . . . . . . . . . . . . . . Relação entre a energia armazenável máxima e a carga do SIN . . . . . . . . . Consequências da decisão operativa de um sistema hidrotérmico . . . . . . . . Função de custo imediato, custo futuro e custo total . . . . . . . . . . . . . . . Evolução da carga própria mensal de um sistema fictício . . . . . . . . . . . . Discretização dos patamares . . . . . . . . . . . . . . . . . . . . . . . . . . . Exemplo de nó de interligação no SIN . . . . . . . . . . . . . . . . . . . . . . Topologia hidráulica do SIN . . . . . . . . . . . . . . . . . . . . . . . . . . . Sistema fictício para construção do exemplo didático. . . . . . . . . . . . . . . Parábolas de correção . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Esquema de ocorrência das afluências na PDEI . . . . . . . . . . . . . . . . . Esquema de ocorrência de afluências na PDE considerando a tendência hidrológica . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4.1 4.2 4.3 4.4 4.5 4.6 4.7 Exemplos de conjunto convexo e não-convexo . . . . . . . . . . . . . . . . . . Exemplos de fechos convexos . . . . . . . . . . . . . . . . . . . . . . . . . . Pontos aleatórios em um plano bidimensional . . . . . . . . . . . . . . . . . . Algoritmo QuickHull — Passo 1 . . . . . . . . . . . . . . . . . . . . . . . . . Algoritmo QuickHull — Passo 2 . . . . . . . . . . . . . . . . . . . . . . . . . Algoritmo QuickHull — Passo 3 . . . . . . . . . . . . . . . . . . . . . . . . . Algoritmo QuickHull — Passo 4 . . . . . . . . . . . . . . . . . . . . . . . . . 56 66 67 68 68 68 69 69 22 23 24 24 25 26 33 34 36 38 43 48 55

4.8 4.9

Algoritmo QuickHull — Passo 5 . . . . . . . . . . . . . . . . . . . . . . . . . Conjunto convexo no plano tridimensional: (a) Conjunto aleatório de pontos e (b) Conjunto convexo obtido . . . . . . . . . . . . . . . . . . . . . . . . . . .

70

70

4.10 Algoritmo da obtenção das funções de custo futuro da PDE utilizando fechos convexos (PDE-ConvexHull) . . . . . . . . . . . . . . . . . . . . . . . . . . . 4.11 Invólucro convexo obtido do algoritmo de fechos convexos . . . . . . . . . . . 4.12 Conjunto de planos de corte que aproximam a FCF . . . . . . . . . . . . . . . 4.13 Detalhamento do Bloco 1 — Algoritmo para obtenção dos custos de operação . 5.1 5.2 5.3 Algoritmo proposto . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Sistema utilizado no exemplo didático . . . . . . . . . . . . . . . . . . . . . . Resultado obtido no estágio 3: (a) pontos obtidos pela PDE e (b) cortes obtidos pelo algoritmo de fechos convexos (Bloco 2) . . . . . . . . . . . . . . . . . . . 5.4 5.5 6.1 6.2 Exemplo de interpolação . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Resultado do algoritmo da PDE e algoritmo de fechos convexos — Estágio 2 . Cluster de computadores tipo Beowulf genérico . . . . . . . . . . . . . . . . . Algoritmo da obtenção das funções de custo futuro da PDE utilizando fechos convexos e programação paralela . . . . . . . . . . . . . . . . . . . . . . . . . 7.1 7.2 7.3 Perfil de execução obtido no uso da metodologia PDE-ConvexHull 95 82 83 89 91 71 72 72 73 76 78

. . . . . . 100

Perfil de execução — Metodologia Fast-PDE-ConvexHull (Verificação do ganho)100 Perfil de execução — Metodologia Fast-PDE-ConvexHull (Verificação do comportamento) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 101

7.4 7.5 7.6 7.7 7.8 7.9

Aproximação do tempo de resolução dos PPLs em função do número de cortes Característica do tempo de resolução na metodologia Fast-PDE-ConvexHull

101 . 102

Fator de aceleração do algoritmo paralelo . . . . . . . . . . . . . . . . . . . . 103 Eficiência do algoritmo paralelo . . . . . . . . . . . . . . . . . . . . . . . . . 103 Custo médio de operação mensal — 11 discretizações . . . . . . . . . . . . . . 106 Valor esperado de energia armazenada — 11 discretizações . . . . . . . . . . 106

7.10 Atendimento à restrição de vazão mínima no modelo NEWAVE . . . . . . . . 107

7.11 Valor esperado da geração hidráulica — 11 discretizações

. . . . . . . . . . . 108

7.12 Valor esperado de geração térmica — 11 discretizações . . . . . . . . . . . . . 108 7.13 Valor esperado do CMO — 11 discretizações . . . . . . . . . . . . . . . . . . 109 7.14 Valor esperado de déficit — 11 discretizações . . . . . . . . . . . . . . . . . . 109 7.15 Custos mensais obtidos por diversas discretizações e comparação com o NEWAVE . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 110 7.16 Custo de operação mensal para a série de 1949 — 11 discretizações . . . . . . 111 7.17 Custo de operação mensal para a série de 1949 — 3 discretizações . . . . . . . 111 7.18 Valor esperado de energia armazenada no SIN (Série de 1949) — 11 discretizações . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 111 7.19 Valor esperado de energia armazenada no SIN (Série de 1949) — 3 discretizações . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 112 7.20 Valor esperado de déficit — 3 discretizações . . . . . . . . . . . . . . . . . . 112

7.21 Custo de operação mensal para a série de 1982 — 11 discretizações . . . . . . 113 7.22 Custo de operação mensal para a série de 1982 — 3 discretizações . . . . . . . 113

. . . . . . . . .1 5. . . .6 7. . . . . . . . . . . .3 . . . . . . . . . . . . . . . . . . . . . . . 102 . . . . 105 21 78 79 79 81 82 88 99 Estatística dos custos das simulações . . . . .1 7.2 5.1 5. . . . . Cenários de afluência ao reservatório equivalente . . . . Coeficientes dos cortes obtidos da resolução do estágio 3 . . . . . . . . . Tabela de custos encontrados para o estágio 2 do problema . . . . .2 Capacidade de geração no Brasil . . . . . . . . . Tabela de custos encontrados para o último estágio do problema . . . . . Parâmetros das termelétricas utilizadas no exemplo didático . . Parâmetros do sistema equivalente utilizado no exemplo didático . . . . . . . Comparação entre as metodologias PDE-ConvexHull e Fast-PDE-ConvexHull Tempo total de processamento em função do número de processadores utilizados 7. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .3 5. . . . .4 5. . . . . . . . . . . . .Lista de Tabelas 1.5 5. . .

Energia Armazenável Máxima do sistema i no estágio t (MWmês). ρ j. Coeficiente do termo quadrático da parábola para o cálculo da grandeza XXX em função da energia armazenada inicial. β Subconjunto de µ que contém os cortes que são utilizados diretamente na resolução do PPL. int i.t gTi. em função dos estados do sistema (R$ × 730).Nomenclatura αt (Xt ) Valor do custo futuro. j. onde i identifica o sistema e t o estágio. Coleção de todos os cortes que formam a função de custo futuro (αt+1 ).t Taxa de desconto monetário (pu). . δ µ EAi. ΨD pd ΨTi.t (Vol) eq Produtibilidade equivalente da usina j no período t do volume mínimo ao volume Vol (MW/m3 /s). j. que é o custo esperado de operação do período t ao final do horizonte.t (Vol) Produtibilidade da usina j no período t correspondente ao volume Vol (MW/m3 /s). At aXXXi.t Geração térmica mínima totalizada na classe térmica j do sistema i no período t (MWmédio). j.t|i= j Valor máximo de intercâmbio do sistema i para o sistema j no estágio t (MWmédio). Custo de geração associado à classe térmica j do sistema i e período t (R$/MWh).k.t Vetor de afluências incrementais ao sistema no período t. gTi. ρ j.t Custo de déficit associado ao patamar de déficit pd (R$/MWh). j. Geração térmica máxima totalizada na classe térmica j do sistema i no período t (MWmédio).

t DEMLIQi. onde i identifica o sistema e t o estágio.t Demanda de energia ser suprida no sistema i e período t (MWmédio).t EAi. Eficiência computacional de um programa paralelo.t Ef EFIOi. cXXXi.t EDSVCi.t Energia controlável do sistema i no período t (MWmês). geração térmica mínima e submotorização no período t (MWmédio). Demanda líquida do sistema i no patamar de carga k.t Energia de desvio fio d’água do sistema i no período t (MWmédio). ECi.t Coeficiente relativo à participação do sistema i no c-ésimo corte ou hiperplano que compõe a função de custo futuro do período t. DPMERCk. COEFBc.pc. DEMANDAi. onde i identifica o sistema e t o estágio.t Coeficiente relativo ao termo independente do c-ésimo corte ou hiperplano que compõe a função de custo futuro do período t. condicionado pelo vetor de estados Xt (conhecido no início do estágio) (R$ × 730). COEFAc.t EAt |Xt Duração do patamar de carga k no período t (pu). Valor esperado de custo de acordo com todos os valores possíveis de afluências contidos em At . EDSV Fi.t Déficit ocorrido no sistema i e estágio t dentro do patamar de carga pc e patamar de déficit pd (MWmédio).bXXXi. Energia afluente fio d’água líquida ao sistema i no período t (MWmédio). Energia de desvio controlável do sistema i no período t corrigida pelo armazenamento inicial do sistema (MWmês). de fi. também denotado por parcela de custo imediato (R$ × 730).k. Ct (Ut ) Custo operativo relacionado à decisão operativa Ut .i.t Coeficiente do termo linear da parábola para o cálculo da grandeza XXX em função da energia armazenada inicial.pd.t Coeficiente do termo independente da parábola para o cálculo da grandeza XXX em função da energia armazenada inicial. igual ao mercado de energia ponderado pela profundidade do patamar abatida da geração de pequenas usinas. .

t EAi. FAT ORt Constante utilizada para converter m3 /s em hm3 /mês e pode ser calculada de acordo com o número de dias do mês. corrigida pelo armazenamento no início do período (MWmédio). sendo sempre i diferente de j no período t (MWmédio).t EV Mi.t EAi. FCEAi.t Excesso de energia no sistema i.t EAi. Número de patamares de déficit.t Geração hidráulica máxima do sistema i no período t.t FCECi. EV MINi.k.t Energia de vazão mínima controlável do sistema i no período t.t Energia evaporada no sistema i no período t corrigida pelo armazenamento inicial do sistema (MWmês). GHMAXi. corrigida pelo armazenamento inicial do sistema (MWmédio). j. . exci. Jj NCLTi NPDF NPMC Conjunto composto pela usina j e todas as usinas à jusante de j. Energia para enchimento do volume morto no sistema i e período t (MWmês). corrigido pelo armazenamento inicial do sistema.pc. gTi. no patamar de carga k. Fator multiplicativo para correção da energia controlável. f ps Fração de tempo gasto na parte não-paralelizável em relação ao tempo total serial.t|i= j Intercâmbio do sistema i para sistema j.t Geração hidráulica do sistema i no patamar de carga k no período t (MWmédio). Número de patamares de mercado.everti. j.t Energia vertida no sistema i no período t (MWmês).t Geração térmica total na classe térmica j do sistema i e estágio t dentro do patamar de carga pc (MWmédio). ghidri. patamar de mercado k e período t (MWmédio). inti.k. EV Pi. relativo ao sistema i no período t.t EAi. Número de classes térmicas no sistema i.t Fator de correção da energia armazenada no sistema i no período t.k.

k. V MAX j V MIN j VUT IL j Xt zt (Xt .NSIS NUSIi PEQUSIi. . Fator de aceleração ou speedup obtido para um número p de processadores. Geração proveniente das usinas submotorizadas no sistema i e período t (MWmédio). tS Também chamado “tempo sequencial” é o tempo gasto na computação de um dado problema utilizando-se de apenas um processador (s).t S(p) SUBMOTi.t Profundidade do patamar de carga k. Ut Vetor com as decisões obtidas no período t e determina o estado em que o sistema se encontrará ao final do mesmo — ou seja. Geração proveniente das Pequenas Centrais Hidrelétricas no sistema i e período t (MWmédio). Valor do custo ótimo de operação no período t de acordo com a função custo futuro esperado e sujeito ao estado inicial dos armazenamentos Xt e ao conjunto de afluências At no período t (R$ × 730). tp Tempo gasto por um programa que utiliza p processadores de forma paralela (s). At ) Volume máximo da usina j (hm3 ). Volume útil da usina j (hm3 ). PPMERCi. sistema i e estágio t (pu). Número de usinas com reservatório do sistema i. Volume mínimo da usina j (hm3 ). Vetor de variáveis que definem o estado inicial do sistema no período t. definirá Xt+1 .t Número de sistemas.

com características únicas no mundo. além disso.9 7. segura. pois o SIN deve possuir uma operação eficiente e. 2011).1 (EPE. os componentes do Sistema Interligado Nacional (SIN) advém de múltiplos proprietários.1 100. Adicionalmente. a operação do sistema não pode ser realizada sob a ótica simplesmente econômica das empresas detentoras. sobretudo. Tabela 1. o gerenciamento do sistema se torna uma tarefa complexa.302 2.1: Capacidade de geração no Brasil F ONTE C APACIDADE I NSTALADA PARTICIPAÇÃO (MW) Hidráulicaa Térmica Nuclear Fontes Alternativas Importação Contratadab Total a Inclui b Importação (%) 71. é um sistema hidrotérmico de grande porte com forte predominância de usinas hidrelétricas. pois a predominância da geração hidráulica implica que a operação do sistema possui uma alta dependência das afluências.365 103.598 a parte brasileira da UHE Itaipu (7.8 1. Sendo assim. que ocorrem de forma estocástica e.007 7. Como as usinas hidrelétricas são geralmente construídas em locais distantes dos centros de carga tornou-se necessária a construção de um extenso sistema de transmissão possibilitando .1 Considerações Iniciais e Revisão Bibliográfica O sistema de produção de energia elétrica brasileiro.7 12.000 MW) da UHE Itaipu não consumida pelo sistema elétrico Paraguaio.645 6.4 6.1 Introdução 1.0 74. como indicado na Tabela 1. dado que os empreendimentos que compõem o SIN provém de proprietários diversos.279 13. que são os agentes do SIN.

Deste modo.1 Considerações Iniciais e Revisão Bibliográfica 22 a troca de energia entre regiões. Figura 1. 1990).1. por meio de uma cadeia de modelos acoplados.1: Complementaridade hidrológica dos subsistemas A operação coordenada do sistema eletroenergético é realizada de forma a minimizar os custos globais de produção de energia elétrica e este objetivo é atingido com base na interdependência operativa entre as usinas. não linearidades das funções de produção das usinas hidráulicas. Isto obriga a adoção de simplificações que consistem na divisão em subproblemas com diferentes horizontes de estudo (FORTUNATO et al.1. devido a diversos fatores como restrições de utilização das usinas térmicas. incertezas quanto às afluências.2. a representação da estocasticidade das afluências e das não linearidades do problema através de graus de detalhamento diferenciados sob diversificados horizontes de estudo. aproveitando a complementaridade dos regimes hidrológicos existente entre elas. conforme mostrado na Figura 1. 2002). Porém. somado ao número de aproveitamentos e estágios considerados. Com isso pode-se também obter vantagens da diversidade do comportamento hidrológico entre as diferentes bacias hidrográficas distribuídas ao longo do extenso território brasileiro. a operação coordenada do sistema é um problema de grande porte (MARCATO. na interconexão dos sistemas elétricos e na integração dos recursos de geração e transmissão no atendimento da demanda.. conforme ilustrado na Figura 1. . deve-se equilibrar.

a estocasticidade das afluências é detalhadamente representada.1 Considerações Iniciais e Revisão Bibliográfica 23 Figura 1. a rede de transmissão é considerada de uma forma mais realista. enquanto que os componentes do sistema são representados de forma mais detalhada. pois as usinas não são representadas individualmente devido à agregação dos reservatórios em sistemas equivalentes de energia. Por exemplo. Porém. A Figura 1. Sendo assim. .1.2: Horizontes de estudo No planejamento da operação de curto prazo. 1980). No planejamento da operação de médio/longo prazo.. a estocasticidade das afluências é representada de forma simplificada. além disso. as não-linearidades são representadas de forma indireta. com uma abordagem mais complexa do processo estocástico. as usinas devem ser representadas individualmente com as decorrentes não-linearidades da função de produção e as diversas restrições operativas e. o sistema é representado de maneira simplificada. o sistema de transmissão é representado como sendo somente um conjunto de restrições de importação e exportação entre regiões e a operação é interpretada como sendo o comportamento global do sistema em questão (TERRY et al.3 ilustra o procedimento de agregação dos reservatórios e montagem do sistema equivalente.

devido a fatores principalmente ambientais. assim. A Figura 1. 2011) ilustra.1 Considerações Iniciais e Revisão Bibliográfica 24 Figura 1.1. . a redução na capacidade de regularização do sistema e. estudos podem ser realizados no intuito de determinar um prazo mais adequado para o horizonte de estudo. Porém. Nestes custos incluem-se os gastos com combustíveis das usinas termelétricas. Figura 1.3: Sistemas equivalentes de energia O período que compreende o planejamento de médio prazo é de 5 anos para o SIN devido a estudos realizados no passado relativos à capacidade de regularização dos reservatórios. eventuais compras de energia de sistemas vizinhos e os custos de déficit.4 (EPE. que refletem o prejuízo à sociedade quanto ao não atendimento pleno da demanda.4: Relação entre a energia armazenável máxima e a carga do SIN O objetivo do planejamento da operação de médio prazo é a determinação de uma estratégia de produção de energia que minimize o valor esperado dos custos operativos no horizonte de planejamento considerado. os novos empreendimentos geralmente não possuem uma capacidade de armazenamento tão grande como a existente nas usinas já construídas até então. de forma indireta.

1990). o sistema é composto por reservatórios de água com o objetivo de possibilitarem a estocagem de água para suprir os possíveis períodos de seca. 2002) ilustra as possibilidades presentes nesta análise. somada ao custo esperado advindo da decisão tomada em períodos futuros. . caso haja uma baixa afluência. pelo fato do sistema brasileiro ser predominantemente hidráulico e das afluências se comportarem de forma estocástica. embora pareça que a estratégia ótima seja utilizar o mínimo possível de geração térmica em um curto prazo. o sistema se torna bastante sensível a parâmetros incertos . o gerenciamento dos recursos hídricos pode afetar de forma intensa o custo de operação do sistema em períodos posteriores. não possui custo para a geração elétrica (FORTUNATO et al. Desta forma. inclusive. o que pode implicar em uma operação insegura. visto que a água disponível no futuro dependerá dos regimes da chuva.. a estocagem da água pode vir a ser importante. aumentando a confiabilidade do mesmo. Do contrário.1 Considerações Iniciais e Revisão Bibliográfica 25 Observa-se que a água.5 (MARCATO. já que a energia deverá ser gerada por fonte térmica de custos possivelmente elevados podendo. Neste contexto. Isto porque.1.5: Consequências da decisão operativa de um sistema hidrotérmico O uso da água estocada garante uma operação menos onerosa no presente. à priori. Figura 1. o maior desafio do planejamento de médio/longo prazo está em determinar uma operação que leva em conta o custo de operação de uma dada decisão operativa. ocorrer o não suprimento da demanda. A Figura1. Concluise que. que impactam em um aumento no custo de operação acima do necessário para garantir a segurança do sistema. caso se decida operar o sistema com a utilização de geração térmica no estágio atual e ocorra uma afluência alta. haverá um desperdício de geração térmica no presente ou até mesmo a necessidade de vertimento de água. porém pode impactar em um alto custo de energia no futuro. porém.

Através desta metodologia. apresenta-se na próxima seção o histórico do planejamento hidrotérmico no contexto brasileiro e as demais referências bibliográficas serão citadas ao longo de todo o trabalho. o que equivale a encontrar o estado operativo em que a soma das parcelas de custo imediato e futuro seja mínima. Desta forma. futuro e total. representados na Figura 1. Figura 1. Definido o problema.6 (SILVA.2 Breve Histórico do Planejamento Energético do SIN 26 Esta dualidade no processo decisório faz com que o custo de operação seja composto pelo custo presente mais o custo futuro. a operação do sistema hidrotérmico será realizada através da determinação de uma estratégia de produção de energia que minimize o valor esperado dos custos operativos no horizonte de planejamento considerado.6: Função de custo imediato. em função do nível de armazenamento final de um determinado estágio. Desde então. que é. custo futuro e custo total Em resumo.1. passa a ser realizada de forma coordenada em meados da década de 70. houve o desenvolvimento de metodologias na tentativa de garantir uma operação econômica e segura do sistema. de acordo com o contexto. que estabelecia as reservas energéticas mínimas que deveriam ser mantidas nos reservatórios do . que antes era determinada somente pelos proprietários das usinas. Entre 1974 e 1978 foi utilizado um modelo determinístico com base no uso de curva-guia. explica-se o porquê de apesar do custo da água ser considerado igual a zero a sua utilização ou não em um determinado mês resulta em custo futuro associado a esta decisão. a utilização da água tem um custo indireto incorporado ao problema através da função de custo futuro. a partir de então. gerenciado por um órgão centralizador. 2001) através de curvas que representam os custos atual. 1.2 Breve Histórico do Planejamento Energético do SIN A operação do sistema eletroenergético brasileiro.

com a interligação cada vez mais intensa do sistema brasileiro através da ampliação do sistema de transmissão. Entretanto. PINTO. devido aos recursos computacionais da época. baseando-se na pior série de todo o histórico de vazões. desenvolvidos pelo CEPEL. os quais são os modelos oficiais do Setor Elétrico Brasileiro (SEB) para o planejamento da operação de curto e médio prazo respectivamente. a tendência hidrológica e o armazenamento final dos sistemas equivalentes de cada estágio são considerados como variáveis de estado do problema. 1985.. em que a complexidade do problema cresce exponencialmente com a inserção de novas variáveis de estado. também desenvolvido pelo CEPEL. a operação energética de cada região ou subsistema era realizada de forma independente e as interligações não eram explicitamente representadas. 2006) é realizada pelo modelo auto-regressivo periódico — Par(p) — implementado no modelo GEVAZP. que utiliza a técnica de Decomposição de Benders e trata o problema de forma analítica. houve a necessidade de se representar os diferentes subsistemas de forma conjunta para a obtenção de resultados mais confiáveis e. a partir de 1979. as empresas atuantes no setor elétrico encontramse desverticalizadas. atualmente. Para contornar o problema da "maldição da dimensionalidade" existente na PDE. desta forma. a representação de somente um subsistema para a realização do cálculo da política não era mais suficiente. foi proposta. que visa a reduzir o número de variáveis de estados através da agregação dos diversos reservatórios. implementada nos modelos DECOMP e NEWAVE (MACEIRA et al. um modelo estocástico desenvolvido pela Eletrobrás e CEPEL que era baseado na Programação Dinâmica Estocástica (PDE) conjuntamente ao uso do modelo a sistemas equivalentes (TERRY et al. DAMáZIO. 1977. evitando a discretização do espaço de estados tal como é feito na técnica da PDE. em 1985.. Desta forma. No âmbito da comercialização de energia. MACEIRA. PEREIRA. era possível a representação de somente um sistema equivalente de energia e. Esta modelagem ainda é utilizada e está. Foi adotado. o esforço computacional diminui substancialmente e possibilita-se a consideração de mais reservatórios além da utilização de sofisticados modelos estatísticos na representação das afluências. Porém. 1980). Neste horizonte.1. PEREIRA.2 Breve Histórico do Planejamento Energético do SIN 27 sistema. desta forma. 2002). de forma a manter a concorrência nos segmentos de geração e comerci- . a Programação Dinâmica Dual Estocástica — PDDE (PEREIRA. 1989). de maneira que a demanda de energia do sistema fosse atendida sem ocorrência de déficits dentro da capacidade de geração do parque térmico existente. O modelo NEWAVE considera o horizonte de médio prazo para o planejamento da operação com 5 a 10 anos de estudo e discretização mensal. A geração de cenários de energias afluentes (KELMAN.

. vol.. Sendo assim. as metodologias utilizadas na determinação do planejamento têm forte impacto no setor. PA. os recursos computacionais da época eram escassos se comparados aos recursos atuais.4 Publicações Decorrentes da Pesquisa Publicações em periódicos “Stochastic Dynamic Programming Applied to Hydrothermal Power Systems Operation Planning Based on the Convex Hull Algorithm”. 2010. Belém. 1. doi: 1155/2010/390940. 2010. pois além de fornecerem uma operação mais segura do sistema. quando a PDE deixou de ser utilizada no cálculo do planejamento eletroenergético. 1.1. apresentam a capacidade de interferir no faturamento dos agentes do SIN (Vieira Filho et al.3 Objetivos 28 alização e os setores de transmissão e distribuição são gerenciados de forma regulada.3 Objetivos A técnica da Programação Dinâmica Estocástica é uma técnica clássica para a solução do problema de médio prazo. . 1998. Esta configuração do setor elétrico visa à modicidade tarifária e os softwares oficiais apresentados para a coordenação da operação são também utilizados para a composição do preço de comercialização da energia. Simpósio Brasileiro de Sistemas Elétricos. Publicações em eventos “Utilização do Algoritmo de Fechos Convexos na Programação Dinâmica Estocástica: Uma Abordagem Preliminar”. Brasil. 1985). este trabalho busca revisitar esta técnica de uma maneira computacionalmente viável com a utilização de computação paralela e do algoritmo de fechos convexos e apresenta como principal contribuição um algoritmo de utilização dos cortes da função de custo futuro que deixa o processo de resolução dos problemas de programação linear menos sensível ao número de cortes obtidos pelo algoritmo de fechos convexos. 18 a 21 de maio de 2010. porém ela foi descartada devido ao "mal da dimensionalidade" (PEREIRA. de forma a haver uma redução significativa do tempo computacional demandado pela metodologia base. Mathematical problems in Engineering. que é obtido através do custo marginal de operação obtido da execução do modelo. 2008). Assim. Adicionalmente. SACCHI et al. SBSE. ISSN: 1024-123X. PINTO. que tornou inviável a utilização da técnica com o número de subsistemas requeridos.

1.5 Estrutura da Dissertação

29

“Convex Hull and Stochastic Dynamic Programming in the Brazilian Optimal Hydrothermal System Operation”, - abstract - ALIO-INFORMS Joint International Meeting, Buenos Aires, Argentina, 06 a 09 de junho de 2010. “Processamento Paralelo e Algoritmo de Fechos Convexos na Programação Dinâmica Estocástica Aplicada ao Planejamento da Operação de Sistemas Hidrotérmicos”, XVIII Congresso Brasileiro de Automática (CBA), Bonito, MS, Brasil, setembro de 2010. “Programação dinâmica estocástica aplicada ao planejamento da operação do sistema elétrico brasileiro através do uso de processamento paralelo”, 42o Simpósio Brasileiro de Pesquisas Operacional (SBPO), Bento Gonçalves, RS, Brasil, agosto de 2010. Trabalhos aceitos para publicação em eventos “Comparação entre as programações dinâmica estocástica e dinâmica dual estocástica na formação de preços de energia em sistemas hidrotérmicos de grande porte”, XXI Seminário Nacional de Produção e Transmissão de Energia Elétrica — SNPTEE, 2011, Florianópolis, SC, Brasil.

1.5

Estrutura da Dissertação

No presente Capítulo foi realizada uma introdução ao tema do Planejamento da Operação, assim como a revisão bibliográfica e foi também definido o objetivo principal deste trabalho. O Capítulo 2 define resumidamente os aspectos da modelagem dos subsistemas, que são representados por sistemas equivalentes de energia, sendo descritas a modelagem do sistema de geração termoelétrico e do sistema de transmissão, conjuntamente às principais grandezas associadas aos sistemas equivalentes de energia, como, por exemplo, a energia armazenável máxima, energia controlável, energia fio d’água, energia de vazão mínima e geração hidráulica máxima. O Capítulo 3 apresenta a modelagem do problema do planejamento via sistemas equivalentes de energia, através das equações que regem o problema como, por exemplo, a função objetivo e as restrições de demanda e balanço hidráulico. Desta forma, apresenta-se a característica geral do problema, justificando a utilização da Programação Dinâmica na resolução do mesmo. O Capítulo 4 apresenta a técnica da PDE com a utilização do algoritmo de Fechos Convexos (PDE-ConvexHull) e o Capítulo 5 se constitui da maior contribuição do trabalho e apresenta o

1.5 Estrutura da Dissertação

30

algoritmo da Fast-PDE-ConvexHull, detalhando-se o processo iterativo de utilização dos cortes obtidos pelo algoritmo de fechos convexos tal que torne o cálculo da política energética um processo menos oneroso computacionalmente. O Capítulo 6 descreve as características da implementação da computação paralela aplicada ao problema. O Capítulo 7 traz um estudo de caso em que os cortes são utilizados da maneira tradicional e através da metodologia proposta, além do perfil de desempenho apresentado pela computação paralela aplicada ao problema. Adicionalmente, os resultados sistêmicos obtidos são comparados aos resultados obtidos pela metodologia oficial utilizada no SEB. O Capítulo 8 traz as principais conclusões e sugestões para trabalhos futuros.

2

Aspectos da Representação de um Sistema Hidrotérmico

2.1

Considerações Iniciais

Como já discutido, o objetivo do planejamento da operação de médio prazo é determinar as metas de geração de todas as usinas de um sistema hidrotérmico sujeito às afluências de natureza estocástica de forma a minimizar o valor esperado do custo de operação ao longo do período do planejamento. O sistema pode possuir um grande número de usinas dispostas ao longo das bacias hidrográficas e o modelo deverá conseguir representar, dentro da topologia proposta, as restrições físicas e operativas associadas ao problema, dentre as quais destacam-se (FORTUNATO et al., 1990): • conservação da água; • armazenamento máximo e mínimo; • limites de turbinamento; • defluência mínima; • desvio de água para irrigação; Além dos aspectos hidráulicos, há outros fatores que influenciam na política de gerenciamento dos recursos hídricos, tais como os limites geração do parque térmico, comportamento da demanda e configuração dos sistemas de transmissão. Logo, para o estudo completo do sistema, existem vários detalhes de operação e algumas simplificações fazem-se necessárias, como exposto no Capítulo 1. As propriedades decorrentes da modelagem utilizada para o problema de médio prazo são mostradas ao longo deste Capítulo.

desta forma. como carvão. 2003). Isto significa que. em vez de serem representadas individualmente no problema. as termelétricas de mesmo custo podem ser agrupadas. assim.2. resultando em um menor número de variáveis no problema. • custo incremental de operação. é comum se adotar que as usinas térmicas possuem representação linearizada no problema de médio prazo. MACEIRA. CICOGNA. para . tem importante contribuição para haver custos incrementais maiores ou menores de geração térmica.1 Sistema de Geração Termoelétrico No problema de médio prazo não são consideradas diversas características das usinas térmicas como não-linearidades da função de produção. que é representado por um valor constante. No problema tratado. • geração mínima. Porém. o que leva à obtenção de um número de classes que não é muito inferior ao próprio número de usinas térmicas do sistema. embora alguns autores representem o custo das térmicas como uma função não linear (Soares Filho. restrição dos tempos de partida e parada das unidades geradoras entre outras. há uma tendência das térmicas serem representadas de forma mais realista e os custos da maioria das usinas são diferenciados. 2. já que o problema foca-se nas incertezas presentes nas ocorrências das afluências e.2 Dados Sistêmicos do Programa de Operação Mensal 32 2. Desta forma. as usinas termoelétricas são representadas por grupos de térmicas com custos semelhantes (classes térmicas) e os parâmetros básicos representados são: • Geração máxima. 2008). óleo combustível. gás natural ou nuclear. 1987. que são modeladas mais detalhadamente em problemas de curto prazo (DINIZ. por exemplo.2.2 Demanda Energética O estudo do planejamento energético é realizado com o objetivo de o sistema hidrotérmico conseguir atender à demanda energética com uma operação segura e econômica. as usinas térmicas são agrupadas em classes térmicas e. De acordo com os custos de geração. as incertezas presentes na composição do valor da demanda de energia não são consideradas.2 Dados Sistêmicos do Programa de Operação Mensal 2. O uso de diversificadas fontes para geração térmica. o valor da demanda é fornecida de forma determinística ao problema.2. Porém.

Ambas as gerações citadas provêm de usinas que não possuem requisitos necessários para possuir representação explícita no problema. ou demanda. devido a algumas características do sistema hidráulico. a geração proveniente dos limites de geração térmica mínima das usinas térmicas também pode participar como uma das parcelas que são abatidas da demanda. portanto. Contudo. como ilustrado na Figura 2. 1995b. resultando no que é chamado de "Demanda Líquida". Dependendo da modelagem do parque térmico. na unidade MWmédio. MARCATO. em MW. Figura 2. 2002). Mas a carga. atendida pelas usinas hidrelétricas e térmicas varia instantânea e continuamente ao longo do tempo e pode ser importante para o planejador conhecer o comportamento do sistema de acordo com os ciclos diários da carga ao longo do mês (MACEIRA. a discretização do problema é mensal e.1: Evolução da carga própria mensal de um sistema fictício potência de base refere-se à quantidade mínima de unidades geradoras em operação comercial de uma usina hidráulica. 2.2 Dados Sistêmicos do Programa de Operação Mensal 33 representar diferentes possibilidades de cenários de crescimento econômico. 2011). adaptada de (MARCATO.3 Patamares de Carga Como já discutido em modelos de médio prazo.2. 1A . o modelo computacional deve ser executado diversas vezes de acordo com a demanda de energia pressuposta para cada cenário. que são usinas que ainda não possuem a sua potência de base1 (ANEEL. essas gerações devem ser abatidas da demanda. 2007). porém. a carga própria é expressa através da energia fornecida pelo parque gerador ao sistema ao longo de um mês.2. SUANNO. para que esta seja capaz de gerar sua garantia física total. a energia demandada do sistema representado é abatida por algumas parcelas que não são modeladas de forma explícita.1. tal como a Geração de Pequenas Centrais Hidrelétricas (PCH) e a Geração das Usinas Submotorizadas.

adaptada de (MARCATO. denominados patamares de mercado. 2002).t × PPMERCi. ilustra como se configura a distribuição do mercado ao longo dos patamares de carga.t − PEQUSIi. são utilizadas duas variáveis no modelo que são a duração e a profundidade de cada patamar de mercado. É comum encontrar na literatura relacionada ao planejamento da operação a definição de três patamares de mercado.1) em que: . no sistema i e no período t como sendo: DEMLIQi.2. 2002. define-se a potência de demanda líquida correspondente à energia que está sendo atendida dentro de um determinado patamar k. A Figura 2. 2007). cargas pesadas.t × DPMERCk. Na definição destes patamares.t − SUBMOTi.2.t = DEMANDAi. médias e leves (MARCATO.t (2. definidas para cada período e sistema de modo a preservar a energia fornecida ao longo de cada estágio mensal.k. em torno dos quais se agrupam.2 Dados Sistêmicos do Programa de Operação Mensal 34 Uma possível abordagem é realizar o agrupamento das cargas distribuídas em torno de níveis semelhantes.k.2: Discretização dos patamares Desta forma. respectivamente. Figura 2. e verificar a forma como o mercado de energia é atendido em cada um destes níveis. MARCATO.

t Demanda líquida do sistema i no patamar de carga k. igual ao mercado de energia ponderado pela profundidade do patamar abatido da geração de pequenas usinas.5 Intercâmbio Como já mencionado. Logo. é importante a definição dos limites de intercâmbio de energia entre os subsistemas e.2. 2 Mesmo . 2. devem ser utilizados outros modelos de previsão e ajuste de carga para que estas informações sejam definidas. 2. que apresenta os parâmetros não-hidráulicos.2 Dados Sistêmicos do Programa de Operação Mensal 35 DEMLIQi. Geração proveniente das usinas submotorizadas no sistema i e período t (MWmédio). Profundidade do patamar de carga k.4 Patamares de Déficit Pode se penalizar o não atendimento à demanda com custos de déficits diferentes de acordo com a profundidade do corte de carga. optou-se por representar a influência do termo de submotorização nesta seão.t SUBMOTi. sistema i e estágio t (pu). que se configuram como se fossem incorporadas ao sistema um número igual a NPDF usinas térmicas. Mas. geração térmica mínima e submotorização no período t (MWmédio).t Demanda de energia a ser suprida no sistema i e período t (MWmédio). de qualquer forma. pode-se se tratando de um parâmetro hidráulico.t PEQUSIi. DEMANDAi. 2002). Geração proveniente das Pequenas Centrais Hidrelétricas no sistema i e período t (MWmédio).k.k. de acordo com fatores sociais e econômicos (NASCENTES. Para isto são criados os patamares de déficit (NPDF). 2 Duração do patamar de carga k no período t (pu).2. para tornar a modelagem mais realista. antecipadamente.t DPMERCk.2. Ressalta-se que tanto a carga própria como a duração e a profundidade dos patamares entram nos modelos de médio prazo de forma determinística. na modelagem de médio prazo o sistema de transmissão não é representado de forma detalhada. cada uma com um custo de operação diferenciado que reflete o prejuízo à sociedade do não suprimento da energia demandada.t PPMERCi.

3 exemplifica uma situação do sistema brasileiro em que é necessária a colocação de um sistema ou nó de interligação para representar a interligação existente entre os sistemas das regiões Sudeste. os limites físicos da rede se não representados de forma explícita são aproximados através de limites de fluxos em interconexões podendo-se também fazer uso de agrupamentos de intercâmbio. então. A água turbinada é. reconduzida ao curso natural da água no rio onde se encontra a usina. Chama-se nó de interligação a um sistema que não tem carga nem geração servindo apenas para a interligação de outros sistemas. até o conjunto turbina-gerador na casa de força. A utilidade de represar a água não é.3 Sistemas Equivalentes de Energia 36 fazer uso de nós fictícios de interligação. Figura 2. através da tomada d’água e dos condutos forçados. 1999). o que conduz a uma cota de montante que cria o potencial necessário à geração de energia.3 Sistemas Equivalentes de Energia De forma simplificada. porem. 1991) . que visam refletir restrições de diversos estados da rede . onde há a conversão da energia potencial do sistema em energia elétrica.3: Exemplo de nó de interligação no SIN 2. Norte e Nordeste (GORENSTIN et al. Esse potencial corresponde à altura existente entre os níveis de água encontrados à montante e à jusante da usina. Desta forma.2. casa de força e um canal de restituição (FINARDI. Através da barragem a água é represada no reservatório. unicamente de criar o potencial devido para . tomada d’água e condutos forçados. Para a geração de energia. barragem. A Figura 2.. os componentes básicos de uma usina hidroelétrica (UHE) são: reservatório. a água represada é levada.

entrada de máquinas em usinas em funcionamento e entrada em operação de novas usinas. como será visto adiante. Além disso. podendo transcorrer meses ou anos entre esses períodos. Deste modo. mas também pode servir para regularizar a vazão de uma determinada seção do rio. 2011). a disposição das usinas é um dado de grande importância na determinação de diversos parâmetros a serem utilizados para a resolução do problema. As usinas a fio d’água são aquelas que apresentam regularização de vazões diárias ou semanais. pois possuem reservatórios robustos o suficiente para acumular água das épocas de série úmida para utilização em períodos de estiagem.4 (ONS. as usinas hidrelétricas podem ser classificadas como usinas a fio d’água ou usinas com reservatório (também conhecidas como usinas de acumulação).2. A Figura 2. De acordo com sua capacidade de regularização. por exemplo. Por outro lado. 2007). São fornecidos pelo Operador Nacional do Sistema Elétrico (ONS) dados característicos de cada usina referentes. ou seja. máquinas. um ano ou mesmo vários anos (MORAES. usina à jusante e ao histórico de vazões. o Setor Elétrico é regido de tal forma que é comum haver expansão do sistema como. . ao reservatório. cotas. armazenar o excesso de água dos períodos chuvosos e utilizar esta reserva acumulada nos reservatórios destas barragens para compensar as deficiências dos períodos de estiagem (ANEEL. pois possuem uma capacidade de armazenamento muito pequena sendo capazes de acumular água suficiente apenas para suprir picos horários da demanda. as usinas com reservatório podem apresentar regularização de descargas de um mês.3 Sistemas Equivalentes de Energia 37 a geração. 2011) mostra a topologia hidráulica das usinas do SIN através de um diagrama esquemático e. por exemplo. será sempre considerada essa expansão e grande parte dos dados são referenciados aos respectivos períodos de planejamento. devido ao crescimento esperado do mercado e a fim de garantir a confiabilidade do sistema. por exemplo.

3 Sistemas Equivalentes de Energia 38 Figura 2.2.4: Topologia hidráulica do SIN .

• agregar as afluências das usinas de cada reservatório equivalente em afluências energéticas equivalentes. Além disso. considera-se que esta água deplecionada seria turbinada pela própria usina e todas demais a jusante da mesma. Por exemplo. Para uma representação mais eficaz do sistema como um reservatório equivalente é recomendável que as usinas com reservatório possuam grande capacidade de regularização e que a região a que as mesmas pertencem seja hidrologicamente homogênea. pois há a consideração de operação em barra única para as usinas que o compõem no atendimento à demanda do sistema.3 Sistemas Equivalentes de Energia 39 2. No caso do sistema brasileiro que contém mais do que 100 usinas hidrelétricas. para uma melhor representação do comportamento estocástico das afluências (FINARDI. Desta forma. Um parâmetro ou estado de um sistema equivalente pressupõe um estado operacional implícito do sistema individualizado. assim. Nordeste e Norte. a região deve também ser eletricamente interligada. Além disso. A metodologia que será detalhada pode ser assim resumida (MARCATO.3.1 A Agregação de Reservatórios Quanto mais distante do instante inicial a simulação estiver. Sudeste/Centro-Oeste.2. menos importância é dada à geração individual de cada usina. de modo que a carga possa ser suprida pela geração de qualquer usina hidrelétrica sem haver congestionamento. 2002): • Agregação das usinas hidrelétricas pertencentes a bacias hidrográficas situadas geograficamente próximas em um reservatório equivalente. A solução adotada consiste em reduzir o número de variáveis através da agregação dos reservatórios. são utilizados quatro subsistemas ou reservatórios equivalentes. a água armazenada em um dado reservatório é refletida como a energia que seria gerada pelo completo deplecionamento desta usina. torna-se necessário determinar a estratégia de operação para o sistema. Atualmente. Por conseguinte. representando as regiões Sul. 1999). tendo mais relevância a proporção ótima de utilização dos recursos hidráulicos e térmicos levando em consideração a análise probabilística do comportamento das afluências. no planejamento de médio prazo a estratégia de operação é função de todas as combinações possíveis de tendências hidrológicas e níveis de reservatórios e o problema de operação ótima torna-se rapidamente inviável do ponto de vista computacional. obtém-se uma drástica redução do esforço computacional. • representação das afluências energéticas através de um modelo estocástico adequado. alguns estados que seriam variáveis de decisão do problema . isto é. no caso do sistema elétrico brasileiro. uma decisão operativa para cada mês em função dos possíveis estados do sistema naquele período.

torna-se mais realístico a avaliação energética do sistema. mas como também o turbinamento. ilustra como se dá a composição do sistema equivalente. dentre outras características. que não aparecem como variáveis de decisão no problema e são parâmetros constantes a serem considerados. a vazão de água turbinada nas usinas é refletida na geração hidráulica do subsistema e assim por diante. as parcelas a fio d’água correspondem às energias provenientes de uma dada quantidade de água antes que esta possa vir a ser armazenada pelos reservatórios do sistema durante seu curso no rio. são energias em que não há controle ou opção de armazenamento e constituem-se de parcelas compulsórias. refletida. para a obtenção de um comportamento global do sistema. através da energia armazenada do sistema. 2. Porém. A Figura 1. Em sistemas equivalentes. por exemplo. Portanto. Ou seja. Isto porque.3 Sistemas Equivalentes de Energia 40 individualizado são simplificados e considerados conhecidos de acordo um pré-julgamento de operação. apresentada no Capítulo 1. conjuntamente às parcelas energéticas a fio d’água. a posição relativa das usinas na cascata para computar a quantidade energia que provirá da água armazenada em cada reservatório (FINARDI. os estados de operação obtidos refletem o comportamento global do sistema em questão. em que os reservatórios do sistema mantêm a mesma tendência de enchimento e deplecionamento.3. ao invés de considerar a água armazenada em cada reservatório considera-se a energia armazenada no subsistema e. por exemplo. Já o reservatório equivalente de energia é o elemento para o qual realizam-se os proce- . para que estas considerações sejam possíveis não é suficiente. como o turbinamento no caso descrito. com uma representação explícita no problema. as usinas são agregadas de modo a formar um sistema equivalente de energia através de um reservatório equivalente de energia.2.2 Parâmetros do Sistema Equivalente Para uma análise do sistema através de subsistemas equivalentes de energia é importante reorientar os parâmetros de análise. Ressalta-se que a modelagem por sistemas equivalentes utiliza a hipótese da operação em paralelo do sistema. não somente em relação ao armazenamento. o vertimento e outras variáveis. apenas o conhecimento dos volumes de água no reservatório equivalente. desta mesma forma. Dada a topologia de um sistema composto por usinas hidráulicas de acumulação e fio d’água. 1999). uma vez que somente essa informação não define as reais possibilidades de geração do subsistema como um todo. Assim.3. Faz-se essencialmente necessário conhecer.

ou melhor. em vez do gerenciamento da água. os valores da altura de queda também variam ao longo do mês proporcionando uma produtibilidade variada durante o estágio em análise. assim como no gerenciamento de uma usina com reservatório tratada individualmente. Isto porque. Assim. se considerada constante. durante esta variação na quantidade da água presente no reservatório. opta-se pelo turbinamento.2. Esta altura de queda é calculada em função do nível do reservatório. Porém. torna-se útil definir a chamada produtibilidade equivalente.3 Sistemas Equivalentes de Energia 41 dimentos de tomada de decisão acerca do recurso hídrico e detêm. Resumidamente. e a superfície de água do oceano. é capaz de fornecer o valor da energia armazenada presente em um reservatório dado o esvaziamento do mesmo. que varia ao longo do estágio. A altura de queda é definida pela diferença em metros da cota da superfície de água do reservatório e a cota do canal de fuga somada às perdas. e é dada por: . a produtibilidade equivalente constitui-se através do cálculo do valor médio da produtibilidade. Resumindo. armazenamento ou vertimento do recurso. da energia armazenada no reservatório. que é a produtibilidade que. A cota é definida pela diferença de nível entre a superfície de água do reservatório. Por definição. sob a hipótese de afluência nula. Esta relação entre a cota da superfície da água e o volume de água armazenada é não-linear e é dada pelo polinômio cota-volume da usina (MARCATO. Assim. Porém.t (Vol) Produtibilidade da usina j no período t correspondente ao volume Vol (MW/m³/s). que é função do armazenamento. a energia armazenada é resultado do deplecionamento do reservatório partindo de um estado de armazenamento Vol no início do mês até o armazenamento mínimo (VMIN) ao final do mês. Função de Produção Energética de uma Usina de Reservatório: A produtibilidade de uma usina determina a energia gerada em função do turbinamento de água ocorrido na mesma e é dada pelo produto entre a produtibilidade específica da usina hidrelétrica (MW/m³/s/m) e a altura de queda do reservatório (m). o problema do reservatório equivalente de energia visa às possibilidades de utilização da energia. dada uma afluência. a energia armazenada em cada reservatório é a energia gerada ao deplecionálo totalmente. desta forma. as parcelas de energia controláveis do subsistema. 2002). tem-se: ρ j.

t (Vol) VMIN j eq eq VMINj ρ j. isto é.t (vol) dvol (2. Observação: A produtibilidade média para o problema de médio prazo é aquela correspondente à produtibilidade da usina quando operada em 65% do seu volume útil. ela mede a capacidade total de armazenamento do conjunto de reservatórios do sistema.t (V MAXk ) k∈J j (2. por isso. adicionalmente. 1 EAi.2) Vol − VMIN j Produtibilidade equivalente da usina j no período t do volume mínimo ao volume Vol (MW/m³/s). o conhecimento da topologia do sistema é necessária para a resolução do problema.t (Vol) = em que: ρ j. este cálculo é feito desconsiderando-se novas afluências. A energia armazenável máxima é calculada somando-se os produtos do volume útil de cada reservatório pela sua produtibilidade acumulada. os armazenamentos e deplecionamentos são feitos paralelamente em volume e. Energia Armazenável Máxima: A Energia Armazenável Máxima reflete a quantidade de energia produzida através do completo esvaziamento dos reservatórios que compõem o sistema. Volume mínimo da usina j (hm³).t = FATORt em que: NUSIi j=1 ∑ (V MAX j −V MIN j ) eq ∑ ρk. Adota-se a hipótese de operação em paralelo. 2001). Já a ulilização do termo "produtibilidade equivalente" sem especificação de volume implicará na produtibilidade equivalente do volume mínimo ao máximo do reservatório em questão.3 Sistemas Equivalentes de Energia 42 ´ Vol ρ j. ou ainda o termo "produtibilidade média" implicará no uso desta produtibilidade. Portanto. quando for referido o termo "produtibilidade" sem especificar qualquer condição. onde.3) . ou seja.2. A água utilizada para gerar energia em uma usina viajará ao longo de todo o rio e irá também gerar energia em todas as usinas à jusante da mesma e. entende-se por produtibilidade acumulada a soma da produtibilidade do próprio reservatório e as produtibilidades de todos os reservatórios e usinas fio d’água à jusante até o final da cascata (CEPEL. A seguinte expressão retrata este procedimento para se calcular a energia armazenável máxima do sistema i no instante t.

5: Sistema fictício para construção do exemplo didático. 3 Neste 365 12 .63 . o valor literal da energia armazenável máxima do sistema exemplo será: trabalho. Volume máximo da usina j (hm³). Número de usinas com reservatório do sistema i.5. foi considerado como dias um número médio de independentemente do mês de estudo. denotado por VUT IL j . 3 O termo V MAX j − V MIN j mostrado na equação acima compreende toda a capacidade de armazenamento do reservatório j e é comumente chamado de "volume útil" do reservatório. Constante utilizada para converter m³/s em hm³/mês e pode ser calculada de acordo com o número de dias do mês. Um exemplo didático dos cálculos de energia para sistemas equivalentes é mostrado. De acordo com o exposto na Equação 2. a partir do sistema considerado na Figura 2.3. resultando em um FATORt = 2. Figura 2.2.t FATORt NUSIi V MAX j Jj Energia armazenável máxima do sistema i no estágio t (MWmês).3 Sistemas Equivalentes de Energia 43 EAi. Conjunto composto pela usina j e todas as usinas à jusante de j.

2001). havendo variação das produtibilidades das usinas. em energia. deve ser corrigido pelo fator descrito a fim de encontrar a energia armazenada no final do período em questão e esta variação ocorre devido a entrada de máquinas no sistema. em energia. contabilizada no período t-1 (MWmês). Fator de correção da energia armazenada no sistema i no período t. porém. Em resumo.t Energia armazenada no sistema i no período t (MWmês). Este novo valor de energia armazenada difere do anterior por um fator descrito pela razão entre as energias armazenáveis máximas depois e antes da entrada em operação de novas usinas hidroelétricas sem a contabilização da energia advinda do volume útil das novas usinas com reservatório (CEPEL.5) Energia armazenada no sistema i.t · EAi. então. Este fator implicará.t EAi. podem ser alterados quando da mudança de configuração. Este efeito na energia armazenada é abordado porque o armazenamento é a variável respon- .t−1 FCEAi. o exposto é de que um dado armazenamento inicial de um estágio. do armazenamento dos reservatórios. Isto porque mesmo quando não há alteração dos volumes armazenados. causando uma diferença de contabilização entre o início e o final de um dado período do planejamento.4) Correção da Energia Armazenada devido a Mudança de Configuração: Os valores.2. ocorre alteração na energia armazenada. da entrada em operação de uma nova usina hidroelétrica.t−1 em que: EAi.t = FCEAi. (2. na seguinte relação: EAi. ou seja.3 Sistemas Equivalentes de Energia 44  VUT IL1 ρ1 + ρ5 + ρ6 + ρ7 + eq eq eq eq    eq eq eq eq   VUT IL2 ρ2 + ρ5 + ρ6 + ρ7 +     eq eq eq eq eq  VUT IL3 ρ3 + ρ4 + ρ5 + ρ6 + ρ7 +  1   EA =  eq eq eq eq FAT OR  VUT IL4 ρ4 + ρ5 + ρ6 + ρ7 +     eq eq eq   VUT IL5 ρ5 + ρ6 + ρ7 +   eq VUT IL7 ρ7 (2.

constituindo no que é chamado de Energia Fio d’Água Líquida EFIOi.. independentemente de ser ou não controlável e tem bastante importância para as análises estatísticas para os modelos estocásticos. 2002. assunto que não será diretamente abordado e pode ser encontrado em (SOUZA. A Energia Controlável em um dado estágio t ECi. Mesmo que possa ser calculada de .3 Sistemas Equivalentes de Energia 45 sável pelo acoplamento temporal no problema em estudo. Ainda existe uma segunda definição que utiliza a própria afluência natural ao reservatório e especifica a faixa de usinas a terem produtilibilidade contabilizada no cálculo e. em geral. 2008. MARCATO.t do sistema (MARCATO. assim. TERRY et al. 2002).t é composta por toda energia afluente ao sistema. 1980). Energia Fio d’Água: A Energia Controlável constitui-se da energia a ser gerada pela parcela de afluência que não pode ser armazenada e constitui-se basicamente das afluências incrementais das usinas a fio d’água. A determinação da afluência incremental é feita em cada usina a partir de sua afluência natural. consequentemente. o armazenamento final de um dado estágio corresponde ao armazenamento inicial do próximo estágio. da qual são descontadas as afluências naturais às usinas de reservatório imediatamente a montante. Energia Natural Afluente: A Energia Natural Afluente em um estágio t EAFLU i.2. na composição do sistema equivalente de energia faz-se a montagem do reservatório equivalente de energia e. as afluências passíveis de armazenamento participam da contabilização da energia afluente controlável do sistema. os efeitos e a dinâmica existente na consideração dos armazenamentos serão mostrados no Capítulo 3. A energia é calculada respeitando-se o limite de engolimento máximo das turbinas das usinas fio d’água utilizadas no cálculo. não funcionando somente para casos com acoplamento hidráulico entre os subsistemas. ou seja. A vazão incremental é dada pela afluência natural descontada das afluências naturais das usinas de reservatório imediatamente à montante. fornece o mesmo resultado da utilização da primeira definição.t pode ser obtida pela soma das vazões incrementais a cada reservatório valorizadas pela produtibilidade média de todas as usinas à jusante do mesmo. também conhecida como energia controlável do sistema. Energia Controlável: Como o exposto anteriormente. A modelagem do problema do planejamento e.

conjuntamente às produtibilidades de todas as usinas fio d’água existentes entre o reservatório em questão e o próximo reservatório a jusante.t EFIOi.t = ECi. a inclusão da restrição de vazão mínima obrigatória no problema exige a utilização de alguns mecanismos para que pelo menos boa parte da restrição seja atendida (DUARTE. 2009). é uma função da energia armazenada no reservatório. Energia controlável do sistema i no período t (MWmês). A área da superfície do lago exposta à insolação é uma função do volume de água no reservatório e.t (EAi. portanto. associada a altura queda líquida correspondente a um dado armazenamento. Energia Evaporada: A Energia Evaporada EV Pi.t (EAi.t ) é uma energia perdida pelo sistema devido à evaporação de água decorrente da exposição da superfície do lago à insolação.2. pela área da superfície do lago e pela produtibilidade acumulada nos reservatórios das usinas à jusante do reservatório em questão inclusive. torna-se claro que a Energia Natural Afluente pode ser dada como a soma das energias afluentes controlável e fio d’água. . ou seja. Como trata-se de uma geração compulsória de parcelas controláveis e seu valor pode ser expressivo em alguns sistemas. Esta perda é calculada pelo produto dos coeficientes de evaporação médios mensais.t em que: EAFLUi.6) Energia de Vazão Mínima: A Energia de Vazão Mínima EV MIN i.t ECi.t ) deve refletir o montante de energia gerado pela defluência mínima obrigatória de todas as usinas com reservatório e seu valor depende exclusivamente da configuração do sistema. a série hidrológica em questão não afeta o seu cálculo (CEPEL.t Energia natural afluente do sistema i no período t (MWmês). como mostrado abaixo: EAFLUi. Energia fio d’água líquida do sistema i no período t (MWmês). Seu valor é calculado multiplicando-se a descarga mínima obrigatória de cada usina com reservatório pela soma de sua produtibilidade.t + EFIOi.3 Sistemas Equivalentes de Energia 46 forma direta. 2002). (2.

ocorre uma perda de energia que deve ser contabilizada no problema (MARCATO. já no caso de uma usina a fio d’água esta energia é contabilizada como fio d’água EDSV F i. então.t . Energia de Desvio de Água: A Energia de Desvio de Água independe da série hidrológica considerada.3 Parábolas de Correção Como mencionado anteriormente. O volume morto compreende à porção do reservatório que se encontra abaixo da cota de tomada de água e a perda de energia ocorre porque essa quantidade de água necessária para o enchimento do volume morto não poderá ser turbinada e nem vertida.3 Sistemas Equivalentes de Energia 47 Energia para Enchimento de Volume Morto: Na ocasião de entrada de uma usina com reservatório em uma determinada configuração. dependendo tão somente da configuração e da vazão que está sendo desviada ou retirada e ela consiste no valor energético das afluências necessárias à retirada ou adição de água de uma usina hidroelétrica com ou sem reservatório (CEPEL. 2009). esta energia é contabilizada como controlável EDSVCi. o nível de montante do reservatório afeta o processo de conversão de energia e a cota de montante é uma função não-linear do volume do reservatório. Este efeito do volume sobre a função de produção afetará. No caso de uma usina com reservatório.t e representa a quantidade de energia perdida para que o reservatório atinja o funcionamento pleno. que são baseados em parâmetros energéticos e as produtibilidades das usinas aparecem de forma determinante no problema.2. denominada Energia de Volume Morto EV M i.3. Esta energia é. 2002). pois à medida que os níveis de armazenamento se modificam na simulação da operação.t ) e pode ser corrigida pelo armazenamento do sistema. . dependendo somente da configuração e reflete a quantidade máxima que o sistema pode vir a dispor de geração hidráulica. Este valor é função da energia armazenada do sistema. 2. até que o volume morto seja cheio.t (EAi. grande parte dos parâmetros dos sistemas equivalentes. então. Geração Hidráulica Máxima: A Geração Hidráulica Máxima GHMAX i.t (EAi. mudanças ocorrem no valor da disponibilidade de geração hidráulica do sistema devido a alterações nos valores de produtibilidade das usinas.t ) independe da série hidrológica considerada.

visto que são função do armazenamento do sistema. correspondentes aos pontos de energia armazenável mínima. então. a energia evaporada. montadas para a energia de vazão mínima. os parâmetros de Geração Hidráulica Máxima e Energia de Vazão Mínima. como apresentados na seção anterior. que aproximam o comportamento não-linear do sistema como um todo. Figura 2. Porém. Por exemplo. além de facilitarem no cálculo dos parâmetros ao longo do processo de determinação da política elas podem ser implicitamente montadas de forma a manter a convexidade do problema quando inseridas em restrições de desigualdade. 1995a). que é um fator que é multiplicado pela energia controlável de maneira a fornecer a energia controlável corrigida pelo armazenamento do sistema equivalente.6: Parábolas de correção Em que define-se: . não é realizado o recálculo de todos esses parâmetros para cada ponto de armazenamento durante o cálculo da política.2. são não-lineares. média e máxima. geração hidráulica máxima e energia de desvio controlável bem como para o fator de correção da energia controlável. adaptada de (CEPEL. Desta forma são ajustadas parábolas que têm como objetivo corrigir a energia em questão em função da energia armazenada no sistema que se modifica durante a simulação da operação e para a construção das parábolas dispõem-se de três pontos de operação.3 Sistemas Equivalentes de Energia 48 Na tentativa de representar as não linearidades do problema são propostas as parábolas de correção (MACEIRA. ilustra o processo da montagem das parábolas. Na modelagem utilizada adotam-se parábolas de correção que. SUANNO. 2007).6. A Figura 2. As parábolas serão.

Ressalta-se que a não-linearidade aderida ao processo é passível de resolução ainda através de programação linear por se tratar de programação dinâmica. Descrição idêntica ao termo aXXXi. a energia de vazão mínima EV MIN i.t só que relativo ao termo independente da parábola.2. Onde for necessário.t só que relativo ao termo linear da parábola. MACEIRA. assunto que será tratado adiante.t Descrição idêntica ao termo aXXXi. 1997)(DINIZ. por exemplo.3 Sistemas Equivalentes de Energia 49 aXXXi. .. Contudo. que é função de um dado armazenamento sobre os vários reservatórios do sistema.t (EAi. onde i identifica o sistema.t cXXXi. em que o problema é discretizado mensalmente e as correções são aplicadas de acordo com os armazenamentos encontrados no início de cada período de estudo.t ) . t o estágio e XXX pode ser substituído por: • EVZ: Energia de Vazão Mínima • EVP: Energia Evaporada • GHM: Geração hidráulica Máxima • DSV: Energia de desvio Controlável • FEC: Fator de correção da energia controlável bXXXi. estas nãolinearidades ainda não contemplam todas as possibilidades de modelagem que são encontradas em um problema de curto-prazo (CUNHA et al. 2008) e a hipótese da operação em paralelo interfere de forma direta na acurácia da representação das nãolinearidades.t Coeficiente do termo quadrático da parábola para o cálculo da grandeza XXX em função da energia armazenada inicial. será utilizada interpolação sobre a parábola de correção da energia de vazão mínima em função do armazenamento requisitado ao sistema.

Para os horizontes de longo e médio prazo. patamares de mercado e custo de déficit. O problema clássico de um estágio do planejamento com a utilização de sistemas equivalentes de energia é resumidamente apresentado a seguir (DIAS. entretanto.a: • Equações de Atendimento à Demanda • Equações de Balanço Energético nos Reservatórios Equivalentes • Equações de Fechamento dos Nós Fictícios • Restrição de Geração Hidráulica Máxima • Equações das Funções de Custo Futuro • Limites das Variáveis – Restrições Operativas . Sendo assim. o esforço é despendido no sentido de que sejam utilizados os recursos hidrelétricos disponíveis da melhor maneira possível. 2010): Minimizar: Valor Esperado do Custo Total de Operação (Custo Imediato + Custo Futuro) s.3 Despacho da Operação em Sistemas Equivalentes de Energia 3.1 Introdução A coordenação da operação de um sistema hidrotérmico de energia elétrica visa ao atendimento dos requisitos de consumo do sistema de uma forma econômica e confiável. previsões de demanda. como limitações de intercâmbios entre regiões. o problema de planejamento da operação energética deve levar em consideração o nível de armazenamento nos reservatórios contemplando a natureza estocástica das afluências e as restrições físicas do sistema. evitando ao máximo a complementação termelétrica da geração. cronograma de novas gerações. sem. comprometer a confiabilidade do sistema.

3. em especial. O processo de otimização baseia-se no conhecimento prévio de todas as possibilidades futuras e suas consequências. então. os problemas ligados ao planejamento envolvendo recursos hídricos. o problema é dividido em etapas (estágios) e a melhor decisão em cada etapa é determinada de acordo com a situação (estado) em que o sistema se encontra (FINARDI. dentro de um período tão longo para a análise estocástica o problema torna-se especialmente complexo e estudos específicos tornam-se necessários e. é comum a utilização de técnicas de Programação Dinâmica (PD) na resolução do problema. 1999. Adicionalmente. A decisão de manter um reservatório em determinado nível poderá ter sido acertada dependendo da estratégia de operação e da seqüência de afluências que chegará ao reservatório nos períodos subsequentes. 1999). devido à estocasticidade das afluências (FINARDI.2 Técnicas de Programação Dinâmica Aplicadas ao Problema de Longo e Médio Prazo 51 O horizonte de planejamento adotado no sistema brasileiro para o problema de médio e longo prazo é de 5 a 10 anos. Desta forma. a PD apresenta grande aplicação na resolução destes tipos de problemas. Ocorre. a resolução do problema consiste em decidir. utilizado um algoritmo de Programação Dinâmica Estocástica (PDE) para a resolução problema da operação energética de longo prazo. devido ao fato de que não há o conhecimento prévio das afluências que ocorrerão no sistema. De acordo com a técnica. as quais serão resumidamente apresentadas na seção subsequente. ao início de cada estágio. de modo a satisfazer o princípio da otimalidade de .2 Técnicas de Programação Dinâmica Aplicadas ao Problema de Longo e Médio Prazo A técnica de Programação Dinâmica (BELLMAN. desta forma. as metas de geração hidráulica que minimizam o custo de operação ao longo do planejamento. 2009). que o problema de planejamento é estocástico. Como o problema é estocástico será. com discretizações mensais. a determinação do planejamento da operação energética fica caracterizada por tomadas de decisões sequenciais em que a otimalidade de uma decisão atual depende de um conjunto de acontecimentos futuros. 2007) verificadas. Matematicamente. 1957) foi desenvolvida por Richard Bellman em meados da década de cinquenta com o objetivo de resolver diversos problemas de controle e otimização dinâmica e vem sendo amplamente aplicada na solução de problemas de planejamento energético e de operação. 3. porém. pois a PD é apropriada para o tratamento de problemas multiestágios e possui a capacidade de tratar as não linearidades e a estocasticidade inerentes ao processo devido às condições de separabilidade (BERTSEKAS. Devido a essas características apontadas no planejamento. como na resolução do "unit commitment" térmico e. SIQUEIRA.

MACEIRA. Assim. supondo apenas conhecida a sua distribuição de probabilidades e a decisão térmica é tomada sem o conhecimento prévio da afluência. utiliza a seguinte equação recursiva (PEREIRA. independentemente da trajetória descrita para se chegar a um determinado estado. decidindo-se apenas em função da distribuição de probabilidades da afluência do estágio em que se encontra o problema. decisão-acaso. Assim. 1957). Nesta formulação não se admite que a afluência seja conhecida ao início do mês. uma ferramenta capaz de garantir a solução ótima do problema é a PDE e. as afluências aos reservatórios durante estágios anteriores (SIQUEIRA. considerando as diversas possibilidades de afluências da distribuição. o que resulta em diversos custos de operação associados às diversas afluências. dado um estado ao início do estágio t. o que no sentido direto do tempo traz informação do efeito das possíveis seqüências de afluências futuras como consequência da decisão presente. que diz que uma política ótima deve ser tal que. DAMáZIO. é tomada a decisão térmica que em média seja menos onerosa. Ou seja. em que dada uma variável aleatória (acaso) determina-se a melhor operação (decisão). como. em que são conhecidas as afluências no início do estágio. PINTO. em cada estágio. o acaso (afluência) é considerado antes da tomada de decisão. para cada estado do problema. que a recursão deve ser realizada no sentido inverso do tempo. O modelo da PDE utilizada nos estudos de longo prazo do sistema elétrico brasileiro referente ao modelo do tipo acaso-decisão da PDE. intuitivamente. 2006). o problema pode ser formulado ainda de duas maneiras (FINARDI. ou seja. significa que o problema deve ser resolvido em sentido contrário. A partir das considerações realizadas. supõe-se conhecida a afluência no início do mês e toma-se a decisão de acordo com a afluência dada. 1999): 1. Um algoritmo baseado na PDE traduz matematicamente a influência das variáveis de estado no custo de operação do sistema e duas classes podem ser consideradas no presente estudo: o volume do reservatório e algum tipo de informação sobre a tendência hidrológica ao sistema. as decisões remanescentes devem constituir uma trajetória ótima a partir do estado em questão.3. 1985): 1 αt+1 (Xt+1 ) 1+δ αt (Xt ) = EAt |Xt Min Ct (Ut ) + (3. Isto.1) . por exemplo. uma vez utilizado este algoritmo.2 Técnicas de Programação Dinâmica Aplicadas ao Problema de Longo e Médio Prazo 52 Bellman (BELLMAN. acaso-decisão. abrangendo assim as possíveis seqüências de afluências através de decisões futuras. 2009. 2.

pois ao final do período de planejamento os reservatórios tendem a se esvaziarem. com NR afluências do estágio anterior. Isto indica que para o último estágio do planejamento não é possível incluir as consequências operativas considerando efeitos de períodos posteriores. . Assim. ao final do período de estudo. chamado período de pós-estudo. condicionado pelo vetor de estados Xt (conhecido no início do estágio). 2006). Xt At Ut Vetor de variáveis que definem o estado inicial do sistema no período t. o que implica na resolução de ND2NR problemas de otimização para cada estágio. . em função dos estados do sistema. o período de estudo para o planejamento visando caracterizar o comportamento estocástico conjuntamente à capacidade de regularização do sistema não deve ser muito curto. Desta forma. fazendo com que seja comumente considerado no cálculo da política um período que vai além dos 5 anos de estudo.. Vetor de afluências incrementais ao sistema no período t. Vetor com as decisões obtidas no período t e determina o estado em que o sistema se encontrará ao final do mesmo — ou seja. 1 Valor esperado de custo de acordo com todos os valores possíveis de afluências contidos em At .1 — em que T corresponde ao período total de estudo — com αT +1 nulo para quaisquer valores de estado final. tem-se um total de ND2NR estados discretizados. T-1. o armazenamento do sistema não estará tão baixo. definirá Xt+1 . Como a estratégia de operação deve ser calculada para todas as combinações possíveis dos níveis dos reservatórios e afluências do estágio anterior. Supondo que cada um dos NR reservatórios do sistema sejam discretizados em ND parcelas. o esforço computacional cresce exponencialmente com o número de variáveis de estado consideradas (CERVELLERA et al. Exatamente por isso. . 1 Chamada 2 Chamada de parcela de custo futuro.3. . Taxa de desconto monetário (pu). pois será feita a análise das consequências em períodos posteriores. de parcela de custo imediato..2 Técnicas de Programação Dinâmica Aplicadas ao Problema de Longo e Médio Prazo 53 em que: αt+1 (Xt ) EAt |Xt Valor do custo esperado de operação do período t ao final do horizonte. o problema é sujeito às restrições do problema hidrotérmico e t é aplicado para T. 2 Ct (Ut ) δ Custo operativo relacionado à decisão operativa Ut . Conjuntamente.

o que computacionalmente viabilizaria a utilização da PDE. 2009. Uma aproximação para a resolução do problema pode se constituir da simplificação da representação estatística das afluências ou a distribuição das probabilidades de ocorrência das mesmas. um estágio antecedente — alteram as probabilidades de ocorrência das afluências no estágio atual. Isto significa que. é inadequada face à diversidade hidrológica apresentada entre as regiões em que se encontram os reservatórios. Por exemplo. Assim. por exemplo. independentemente das afluências passadas. o que já é suficiente para dificultar o uso amplo da PDE como técnica de resolução do problema. a distribuição das afluências será a mesma encontrada na amostra a ser utilizada. ZAMBELLI.000 estados 4 reservatórios ⇒ 108 = 100. A Figura 3. ROSING.000 estados Esta é a chamada "maldição da dimensionalidade" da PDE e de modo a evitar esta explosão combinatorial foram desenvolvidos algumas metodologias para tentar resolver o problema de planejamento da operação energética com um esforço computacional menor do que o exigido pelo algoritmo da PDE. Contudo. a agregação em reservatórios equivalentes ainda não torna-se suficiente para garantir a aplicabilidade da PDE porque a agregação do sistema em um único reservatório.2 Técnicas de Programação Dinâmica Aplicadas ao Problema de Longo e Médio Prazo 54 um algoritmo baseado na PDE torna-se rapidamente inviável computacionalmente. Já o modelo de Programação Dinâmica Estocástica Independente (PDEI) trata de eventos independentes e não considera as afluências correlacionadas mês a mês e. de uma cadeia de Markov de ordem unitária (SIQUEIRA.000. 1970). por exemplo. assim.000 estados 3 reservatórios ⇒ 106 = 1. ao utilizar o histórico de vazões como amostragem a distribuição utilizada será a mesma encontrada no próprio histórico. A simplificação inicial. Alguns modelos consideram a correlação temporal entre as afluências através. cada um representando um subsistema específico.000. e muito adotada para o planejamento energético de médio e longo prazo. 2009) e assim. arbitrando-se ND = 10 discretizações tem-se: 1 reservatório ⇒ 102 = 100 estados 2 reservatórios ⇒ 104 = 10. é mais comumente adotada uma representação com múltiplos reservatórios equivalentes. mesmo para sistemas com poucas usinas hidrelétricas. é a agregação dos vários reservatórios do sistema em reservatórios equivalentes de energia (ARVANITIDIS. no intuito de diminuir a quantidade de variáveis de estados do problema.3.1 ilustra como ocorre a distribuição das afluências na PDEI para uma amostra . será considerado que afluências de estágios anteriores — no caso.

Além disso. serão determinados pela frequência de ocorrência de certos valores de afluência no histórico de vazões. DIAS et al. estes aspectos serão mais profundamente abordados no Capítulo 4. arbitrando-se ND = 10 discretizações tem-se: 1 reservatório ⇒ 101 = 10 estados 2 reservatórios ⇒ 102 = 100 estados 3 reservatórios ⇒ 103 = 1. tem-se um total de NDNR estados discretizados por estágio.000 estados 4 reservatórios ⇒ 104 = 10. ou seja.1: Esquema de ocorrência das afluências na PDEI Como efeito. mas ainda não torna a resolução do problema do planejamento energético via PDE um processo trivial (DIAS. Porém.000 estados Esta redução no esforço computacional é importante. em vez de serem dados por um modelo estatístico. . supondo que cada um dos NR reservatórios do sistema sejam discretizados em ND parcelas. 2010). 2010.2 Técnicas de Programação Dinâmica Aplicadas ao Problema de Longo e Médio Prazo 55 do histórico de afluências.. há uma grande redução no número de estados a serem analisados para a resolução do problema. Sendo assim. Figura 3. os pesos. observa-se que a distribuição não é diretamente correlacionada a afluências anteriores. devido ao número de sistemas considerados e ao número de dimensões inerentes ao processo de montagem da função de custo futuro. Desta vez. Por exemplo.3. At não dependerá da afluência At−1 ocorrida e todas as possíveis afluências dentro do domínio de estudo são testadas.

estes valores consecutivos de afluência baixa podem não serem esperados pelo modelo independente com a probabilidade devida. quando há alta probabilidade de ocorrência de afluências baixas. com a consideração dos even- . como em períodos de seca observados no histórico. que podem ser previstos pelo modelo estocástico através de probabilidades diversificadas de acordo com as afluências de períodos anteriores. 2009). por exemplo.3. em função das afluências passadas. Estes modelos são capazes de reconhecer. a PDEI não possui a mesma capacidade de reconhecimento de prováveis períodos de seca e nem períodos de cheia. em que é comum haver estágios consecutivos com baixa afluência caracterizando o período de seca em questão.2 ilustra como afluências de estágios anteriores podem influenciar na probabilidade de ocorrência das afluências no estado atual.2: Esquema de ocorrência de afluências na PDE considerando a tendência hidrológica Desta forma. diferentemente de quando se utilizam modelos que consideram a tendência hidrológica. Em resumo. A Figura 3. Mesmo podendo ser pessimista nos momentos de tendência de cheia é comum dizer que a PDEI leva a uma operação otimista do sistema. pois os períodos de seca são os mais críticos devido aos altos custos associados. como mostrado em (SIQUEIRA.2 Técnicas de Programação Dinâmica Aplicadas ao Problema de Longo e Médio Prazo 56 A desvantagem da utilização deste método é que ele considera que todas as afluências são equiprováveis de acontecerem na ocasião do cálculo do valor esperado do custo de operação. bons resultados podem ser obtidos do modelo da PDEI. através da simplificação do processo estatístico. levando a uma operação mais eficiente. Porém. Porém. Figura 3.

corresponde a minimizar o custo de operação presente mais o custo esperado futuro. a aplicação da técnica da PDE torna-se mais viável do ponto de vista computacional e pode fornecer uma aproximação para a avaliação do planejamento energético. De acordo com o modelo adotado para a resolução do problema com a utilização da equação recursiva da PDE para a formulação acaso-decisão. a função objetivo de cada subproblema. 1985. A PDDE utiliza a técnica de Decomposição de Benders e trata o problema de forma analítica. PINTO. PEREIRA. a Programação Dinâmica Dual Estocástica (PEREIRA. é inserida a taxa de desconto associada à função de custo futuro. 1989). tem-se a seguinte função objetivo a ser utilizada na resolução do problema para cada estado e período: . que é uma técnica baseada na PDE. pois ela é capaz de resolver o problema do planejamento considerando um número suficiente de reservatórios conjuntamente aos modelos estatísticos de representação das tendências hidrológicas. até o último estágio do horizonte do estudo.3. Assim. que vai desde o estágio seguinte. que é atender a carga própria com o menor custo esperado de operação.3 Formulação Matemática do Problema de Longo e Médio Prazo Função Objetivo 3. A função é um poliedro convexo que pode ser construído a partir do valor esperado dos multiplicadores simplex associados a cada subproblema.1 A função objetivo retrata o objetivo do planejamento dos sistemas hidrotérmicos. contornando a "maldição da dimensionalidade" existente na PDE. evitando a discretização do espaço de estados tal como é feito na técnica da PDE diminuindo o esforço computacional de forma substancial. t+1. para um determinado estágio t. 3.3. Para referenciar os custos operativos dos estágios posteriores no presente. é uma metodologia comumente utilizada como alternativa para a solução do problema de planejamento. Atualmente. A PDDE não apresenta um espaço amostral discreto dos armazenamentos. mas constitui-se de um processo de convergência em que os pontos são visitados de acordo com que é realizada a representação mais realista da função de custo futuro ao longo das iterações. representada pela função de custo futuro.3 Formulação Matemática do Problema de Longo e Médio Prazo 57 tos independentes no tempo. Para uma amostra bastante representativa das afluências o espaço de estados visitados é suficiente para a determinação de políticas satisfatórias.

a equação de atendimento a demanda visa determinar a maneira como a demanda líquida será atendida. 3O .pc.t Número de sistemas.3 Formulação Matemática do Problema de Longo e Médio Prazo 58 NSIS NPMC NCLTi j=1 NPDF zt (Xt . considerando a geração hidráulica e térmica. At ) Valor do custo ótimo de operação no período t de acordo com a função custo futuro esperado e sujeito ao estado inicial dos armazenamentos Xt e ao conjunto de afluências At no período t (R$×730) 3 . NSIS NPMC NCLTi NPDF ΨTi. Porém. a demanda líquida no sistema i.2 Restrições de Atendimento à Demanda Como já foi visto anteriormente.pc. 3. j.pd. Número de classes térmicas no sistema i. Número de patamares de déficit.3.t Custo incremental de déficit associado ao patamar de déficit pd (R$/MWh). At ) = Min i=1 pc=1 ∑ ∑ ∑ ΨTi. j. Número de patamares de mercado. Custo incremental de geração associado à classe térmica j do sistema i e período t (R$/MWh). déficit e intercâmbios. δ αt+1 Taxa de desconto monetário (pu). patamar k e período t é o MWmédio a ser atendido durante o patamar k.t · gTi. j.t de fi. ΨD pd gTi.3.pc.pd. a demanda líquida deve ser abatida da geração fator multiplicativo aparece devido à conversão dos custos por unidade horária em custo por unidades mensais de tempo.pc. Déficit ocorrido no sistema i e estágio t dentro do patamar de carga pc e patamar de déficit pd (MWmédio).t + ∑ pd=1 ΨD pd · de fi. j. Geração térmica total na classe térmica j do sistema i e estágio t dentro do patamar de carga pc (MWmédio).2) em que: zt (Xt . Função de custo esperado futuro relacionado à decisão atual (R$×730). Assim.t + 1 αt+1 1+δ (3.

3. Desta forma. que .t + j=1 ∑ de fi.t · DPMERCk. j. Energia de vazão mínima controlável do sistema i no período t.t EAi.k. Duração do patamar de carga k no período t (pu). que são compulsórias.t|i= j exci. EFIOi.3 Formulação Matemática do Problema de Longo e Médio Prazo 59 incondicional proveniente das usinas fio d’água e devido a geração para atendimento de requisitos de vazão mínima.k. A equação de demanda para um dado sistema i e patamar de carga k em um estágio t é mostrada a seguir: NCLTi NPDF NSIS NSIS ghidri.t inti.3) em que: ghidri.t (3.t EV MINi.t − EV MINi. patamar de mercado k e período t (MWmédio). Energia de desvio fio d’água do sistema i no período t (MWmédio). igual à carga própria ponderada pela profundidade do patamar abatida da geração de pequenas usinas. Demanda líquida do sistema i no patamar de carga k. Excesso de energia no sistema i.k.t − j=1 ∑ inti. j. A variável de decisão excesso é inserida no problema como uma variável de folga para a situação em que a demanda líquida a ser atendida seja menor que a soma das energias fio d’água e a energia de vazão mínima. a variável de excesso de geração hidráulica é comumente penalizada através da função objetivo.t Geração hidráulica do sistema i no patamar de carga k no período t (MWmédio).k.t|i= j − exci.k.t Energia afluente fio d’água líquida ao sistema i no período t (MWmédio).i. j.t DPMERCk. geração térmica mínima e submotorização no período t (MWmédio).t|i= j + ∑ int j.t − EFIOi.k.k.k. no patamar de carga k.k.t EDSV Fi. corrigida pelo armazenamento no início do período (MWmédio). sendo sempre i diferente de j no período t (MWmédio).t j=1 = DEMLIQi. Intercâmbio do sistema i para sistema j.k. j. esta variável é importante para evitar possíveis infactibilidades no problema quando é utilizada a representação do sistema via sistemas equivalentes de energia.t − EDSV Fi.t EAi. assim como os valores de intercâmbio.k. Sendo assim.t DEMLIQi.t + j=1 ∑ gTi.

t + ECi. que são compulsórias.t EAi.t − EV Pi.t (3.t − EV Pi. é necessário fazer as correções necessárias através das parábolas em função do armazenamento inicial do sistema e a equação formal de balanço energético é apresentada a seguir: NPMC eai.t − (3.t FCEAi. pela energia fio d’água e energia de vazão mínima.t · EAi.3.t em que: eai.t EAi.t+1 everti.t − EV MINi.t · ECi. Porém. juntamente às variáveis de decisão de geração hidráulica e vertimento determinam o volume armazenado final no período.t − EV Mi. Energia armazenada no sistema i no início do período t (MWmês). e. 3.t − EDSVCi.t = FCEAi. .t − ∑ k=1 ghidri. a energia afluente controlável. o termo correspondente ao volume mínimo obrigatório e as perdas que. participam da equação de balanço hídrico a energia armazenada inicial. Energia vertida no sistema i no período t (MWmês).3.t EAi.5) EV MINi. De forma simplificada. também.t+1 = EAi.3 Restrições de Balanço Energético nos Reservatórios Equivalentes de Energia A energia armazenada no final do estágio t é dada pela energia armazenada no início do estágio mais a energia afluente total menos o desestoque e as perdas. Correção da energia armazenada devido a mudança de configuração.k + everti. que são variáveis de decisão.t Energia armazenada no sistema i no final do período t (MWmês).t − EV Mi.4) Resumidamente.t + FCECi.t EAi.k − everti. As perdas são representadas pela energia evaporada e pela energia gasta com o enchimento de volume morto nos reservatórios que estão iniciando sua operação no estágio t. O desestoque é dado pela geração hidráulica e vertimento.t+1 + ∑ k=1 ghidri.t − EDSVCi.t EAi.3 Formulação Matemática do Problema de Longo e Médio Prazo 60 também possuem valores pequenos de custo associado. obtém-se: Variáveis de Decisão NPMC Perdas eai.

3.t −EDSV Fi.t EAi.t EDSVCi. corrigida pelo armazenamento inicial do sistema (MWmédio).4 Restrições de Geração Hidráulica Máxima Controlável Estas restrições definem o máximo de geração hidráulica controlável de cada um dos sistemas em cada um dos patamares de mercado.k.t EV Mi.t EV MINi.t −exci.6) em que: GHMAXi. .t EAi.t −EFIOi. ECi.t Energia controlável do sistema i no período t (MWmês).t EAi.3. Energia de desvio controlável do sistema i no período t corrigida pelo armazenamento inicial do sistema (MWmês). e deve ser corrigida em função da energia armazenada pela sua parábola de correção e. A geração hidráulica máxima é calculada considerando todas as usinas de cada um dos sistemas. Energia evaporada no sistema i no período t corrigida pelo armazenamento inicial do sistema (MWmês).t EAi. 3.3 Formulação Matemática do Problema de Longo e Médio Prazo 61 FCECi. em seguida.t ≤ GHMAXi.t EAi.t EAi. Energia de vazão mínima do sistema i no período t corrigida pelo armazenamento inicial do sistema (MWmês).t EV Pi. descontada da energia de vazão mínima e energias fio d’água do sistema.t Geração hidráulica máxima do sistema i no período t.t −EV MIN EAi.t (3. relativo ao sistema i no período t.t ·DPMERCk.k. A equação de geração hidráulica máxima controlável para um dado sistema i e patamar de carga k em um estágio t é mostrada a seguir: ghidri.t Fator multiplicativo para correção da energia controlável. corrigido pelo armazenamento inicial do sistema. Energia para enchimento do volume morto no sistema i e período t (MWmês).

t i=1 ∑ COEFAc.t (3.3.i. Coeficiente relativo à participação do sistema i no c-ésimo corte ou hiperplano que compõe a função de custo futuro do período t. coeficientes relativos às afluências dos meses anteriores. Desta forma.8) Custo esperado futuro relacionado à decisão atual.i. será atribuído um valor de custo futuro.t COEFBc. a uma dada solução.t · eai. o qual será avaliado conjuntamente aos custos decorrentes da utilização da geração térmica presente e eventuais déficits de energia em um mesmo problema de otimização.i.t = 0 ∀i= j (3. a montagem das restrições será detalhada no Capítulo 4. j.6 Equações da Função de Custo Futuro A Função de Custo Futuro (FCF) será composta por um conjunto de inequações que formam um espaço convexo e associam o espaço de solução relativo aos armazenamentos aos respectivos valores esperados de custo futuro.7) 3.3. Para as modelagens que consideram as tendências hidrológicas existem. NSIS αt+1 − em que: αt+1 COEFAc.5 Equações de Nós Fictícios Para as equações dos nós fictícios.k.3.k. Coeficiente relativo ao termo independente do c-ésimo corte ou hiperplano que compõe a função de custo futuro do período t.t+1 ≥ COEFBc. . É apresentada a seguir uma definição genérica de uma inequação utilizada para representar um c-ésimo elemento — também chamado de corte ou hiperplano — do conjunto de inequações que compõem a FCF no problema. deve-se garantir a geração ou consumo líquidos de energia nulos.3 Formulação Matemática do Problema de Longo e Médio Prazo 62 3. na função de custo futuro. Tem-se a seguinte condição para cada nó fictício j e patamar de carga k: ∀i= j ∑ inti. porém.t − ∑ int j.

t · DPMERCk. Isto porque aqui será delimitada a capacidade do sistema em armazenar a energia para os demais estágios do problema.t em que: int i.t|i= j ≤ int i. de acordo com o exposto a seguir: . j.t ≤ gTi. j.3 Formulação Matemática do Problema de Longo e Médio Prazo 63 3. j. j.9) Geração térmica mínima totalizada na classe térmica j do sistema i no período t (MWmédio).k. o que é função dos volumes máximos e mínimos de água que podem ser armazenados em cada reservatório do sistema.t gTi. Limites nas Capacidades de Intercâmbio Os valores de transporte de energia entre os sistemas são limitados pela capacidade da rede implantada e os valores limites desses intercâmbios são retratados por: 0 ≤ inti. j.t ≤ gTi.t (3. Geração térmica máxima totalizada na classe térmica j do sistema i no período t (MWmédio).t|i= j · DPMERCk. j.t em que: gTi.k. j.k.7 Limites das Variáveis ou Restrições de Canalização Limites nas Capacidades de Geração Térmica O problema está sujeito aos limites mínimos e máximos de geração térmica de cada classe térmica em cada patamar de carga. j. de acordo com o exposto a seguir: gTi.3.10) Valor máximo de intercâmbio do sistema i para o sistema j no estágio t (MWmédio).3. corrigidos pelo fator devido a mudança de configuração.t|i= j (3.k.t · DPMERCk. Limites nas Capacidades de Armazenamento Os limites de armazenamento impactam de forma importante no cálculo do despacho da operação de sistemas hidrotérmicos via representação de sistemas equivalentes de energia.

t+1 ≤ EAi. Energia armazenável máxima no sistema i no estágio t+1 (MWmês).t+1 (3. 2001) e. cujas definições são encontradas em (CEPEL.3 Formulação Matemática do Problema de Longo e Médio Prazo 64 0 ≤ FCEAi.11) Energia armazenada no sistema i no final do período t (MWmês). assim. Porém. se presentes no caso de estudo. . Os dados de armazenamento máximo e mínimo de cada usina são fornecidos de forma explícita pelo operador.t+1 em que: eai. podem também serem consideradas as restrições advindas do operador para controle de cheias e restrições operacionais e.3. refletindo na energia armazenável máxima por restrição de volume de espera e na energia armazenável mínima por restrição de operação.t+1 · eai. as usinas hidráulicas podem não ter todo o volume útil disponível durante o despacho. pois a plataforma desenvolvida contempla a utilização destes limites na modelagem computacional do problema. serão modeladas no presente trabalho.t+1 EAi.

número de discretizações. i = 1. Xti . Valores intermediários de αt (Xt ) são obtidos através da interpolação dos valores obtidos para as discretizações. discretizando o espaço de estados (armazenamentos) em um conjunto de valores e resolvendo o problema do despacho ótimo para cada uma dessas discretizações. anteriormente. αt (Xt ). . Determina um ponto da função de custo futuro. . Calcula o custo ótimo de operação associado. Repita para cada estado inicial. serão expostos os algoritmos utilizados conjuntamente a exemplos didáticos para representar melhor o problema. ela constrói uma função de custo futuro. 1. sendo assim. 4. . 2.. Repita para cada cenário de afluência.4 Programação Dinâmica Estocástica e Algoritmo de Fechos Convexos (PDE-ConvexHull) 4. Calcula o valor esperado do custo de operação para o dado estado sujeito a αt+1 (Xt+1 ). Sendo assim. .2 Algoritmo Geral da Programação Dinâmica Estocástica Foi discutida. . Repita de t = T. O algoritmo de PDE pode ser sintetizado pelos seguintes passos : Inicialização de αt+1 (Xt+1 ).. . a possibilidade da utilização do modelo a eventos independentes para a Programação Dinâmica Estocástica (PDE) e..1 Introdução Este Capítulo apresenta a aproximação inicial utilizada no trabalho para a resolução do problema de planejamento energético. T-1.

pois os planos de interpolação não são visualizados de forma trivial. o número de combinações possíveis para a seleção de pontos a formar cada hiperplano pode ser alta. o algoritmo de fechos convexos (Convex Hull) é utilizado na obtenção da FCF em função dos pontos obtidos pela Programação Dinâmica Estocástica. q ∈ S. o algoritmo de fechos convexos é capaz de fazer com que hiperplanos coplanares sejam fundidos.3 Algoritmo de Fechos Convexos Para definir o método dos fechos convexos — ou Convex Hull — deve-se considerar a definição de conjuntos convexos através da seguinte definição: • Um conjunto S é convexo se para quaisquer dois pontos p. com consequente alto número de hiperplanos obtidos. a obtenção da função de custo futuro como uma interpolação dos pontos obtidos pode ser uma tarefa complexa quando se trata de um número maior de reservatórios.. Porém. como indicado na Figura 4. 4. Desta forma. Além disso. Figura 4.4.1: Exemplos de conjunto convexo e não-convexo . caracterizado em uma redução no número de planos quando comparado a um algoritmo de PDE convencional. 2010).1. Contudo. qualquer combinação convexa de p e q também pertence a S.3 Algoritmo de Fechos Convexos 66 Determinação da função de custo futuro αt (Xt ). A garantia do conjunto convexo é importante para que a função de custo futuro possa ser representada como uma função linear por partes de maneira que os problemas possam ser resolvidos por programação linear. Isto porque ele é capaz de tratar geometricamente o problema da obtenção dos hiperplanos para um número qualquer de dimensões consideradas com a garantia dos hiperplanos formarem um conjunto convexo (DIAS et al.

. desta forma. o fecho convexo para esse conjunto fixo de pontos P é o menor polígono convexo C tal que P ⊂ C como indicado na Figura 4. .2: Exemplos de fechos convexos Desta forma. Figura 4. pn }. A idéia principal do algoritmo QuickHull pode ser sintetizada através seguinte lema: “para a maioria dos conjuntos de pontos é mais fácil descartar muitos pontos que estão no interior do invólucro convexo e concentrar o trabalho nos pontos que estão próximos da fronteira”. Existem diversos algoritmos de fechos convexos. o algoritmo QuickHull se utiliza dos seguintes passos (DIAS. .2.3. que é o algoritmo utilizado no presente trabalho para a montagem do fecho convexo. uma definição mais completa e as propriedades advindas deste tipo de conjunto são apresentadas em alguns trabalhos. . 1996). cada ponto representa o custo médio associado a uma dada discretização dos reservatórios que definem a função de custo futuro na PDE. A seguinte definição formal é dada para o fecho convexo: • Dado um conjunto finito de pontos P = {p1 .. como exemplo temos o algoritmo de Graham. Dado um conjunto de pontos qualquer. 2010): . o algoritmo de Jarvis e o algoritmo QuickHull (BARBER et al.4. vide (BORWEIN.3 Algoritmo de Fechos Convexos 67 Foi mostrada somente a definição básica de conjuntos convexos. entende-se que o fecho convexo — ou convex hull — define a fronteira do menor polígono convexo que compreende todos os elementos do conjunto e. No caso. este algoritmo pode ser utilizado para a montagem da função de custo futuro em função dos pontos obtidos pela discretização dos estados do problema. porém. LEWIS. como mostrado na Figura 4. 2000).

determina-se um polígono com os pontos selecionados até então.4. encontra-se o ponto c em uma dada direção com a maior distância ao segmento ab e. por exemplo. Figura 4.3 Algoritmo de Fechos Convexos 68 Figura 4. se o ponto extremo c não existir. no caso.3: Pontos aleatórios em um plano bidimensional PASSO 1: O algoritmo é iniciado com uma busca dos pontos extremos em qualquer uma das direções. continuase o processo em outra direção.4. Então é definido um segmento de reta ab ligando os pontos encontrados.4: Algoritmo QuickHull — Passo 1 PASSO 2: Dado o segmento encontrado no passo anterior. Figura 4. Ao encontrar o ponto extremo c. tem-se o triângulo abc. conforme a Figura 4. ao longo do eixo das abscissas. ordenadas ou algum aleatório.5: Algoritmo QuickHull — Passo 2 . como é mostrado na Figura 3-6.

8. Quando isto ocorre. no caso do nosso exemplo. PASSO 4: Dado o novo polígono. o conjunto convexo é então formado com os pontos utilizados como extremos. . um novo polígono é formado conforme mostrado na Figura 4.6: Algoritmo QuickHull — Passo 3 Observa-se que os pontos internos ao polígono não precisam mais ser verificados.7.7: Algoritmo QuickHull — Passo 4 Este passo é repetido para cada lado do polígono. até que não existam mais pontos externos. logo eles foram descartados da análise.4. Uma vez encontrado o ponto. logo temos o seguinte resultado mostrado na Figura 4. Figura 4.6. Figura 4. verifica-se se existe algum ponto mais extremo perpendicular ao segmento. conforme mostrado na Figura 4.3 Algoritmo de Fechos Convexos 69 PASSO 3: Para cada lado do polígono encontrado. somente o lado ab do triângulo abc apresenta ponto extremo. verifica-se para os novos segmentos encontrados. se existe algum ponto extremo aos segmentos.

é utilizado no presente trabalho a biblioteca computacional QHull (QHULL.9 (DIAS. MACEIRA.8: Algoritmo QuickHull — Passo 5 O algoritmo apresentado pode ser utilizado em problemas com dimensões superiores. Ao invés de utilizar uma implementação própria. como mostrado na Figura 4. . em que a teoria de conjuntos convexos é utilizada para a convexificação de partes da função de produção hidráulica das usinas conjuntamente à utilização de variáveis binárias para a modelagem da função de produção no problema do despacho de curto prazo. 2008). como no trabalho citado.3 Algoritmo de Fechos Convexos 70 Figura 4. o qual é formado pelos hiperplanos de corte da PDE. Figura 4.4. para obtenção do conjunto convexo.9: Conjunto convexo no plano tridimensional: (a) Conjunto aleatório de pontos e (b) Conjunto convexo obtido Um exemplo da utilização da técnica de conjuntos convexos em sistemas de energia pode ser visto em (DINIZ. implementada em C++. 2010). Os pontos fornecidos ao algoritmo são obtidos dos custos ótimos de operação do sistema para as discretizações predefinidas dos volumes dos reservatórios. 2011). em que é apresentado o resultado do algoritmo para pontos no R3 .

seguindo a técnica de programação dinâmica. O conjunto de pontos que relacionam os armazenamentos dos reservatórios aos custos ótimos obtidos é fornecido ao algoritmo QuickHull. Observa-se que. inicia-se pelo último estágio (t = T).10 (DIAS. .4 Utilização da PDE Conjuntamente ao Algoritmo de Fechos Convexos (PDE-ConvexHull) 71 4. No Bloco 1 são obtidos os custos operacionais médios para cada estado operativo através de programação linear. As FCF’s obtidas entram como restrição na análise do próximo estágio (t-1). No Bloco 3 há um decremento no número do estágio. 2010). Figura 4. verificação realizada no Bloco 4.4.10: Algoritmo da obtenção das funções de custo futuro da PDE utilizando fechos convexos (PDE-ConvexHull) Como mostrado anteriormente. como mostrado no Bloco 2.11. do qual obtém-se o conjunto reduzido de planos que compõem o fecho convexo que será utilizado para a modelagem da Função de Custo Futuro (FCF). sendo que este procedimento é repetido até que se atinja o primeiro estágio. o algoritmo de fechos convexos gera o invólucro convexo para o conjunto de pontos determinados pela dinâmica da PDE e um exemplo para dois reservatórios é mostrado na Figura 4.4 Utilização da PDE Conjuntamente ao Algoritmo de Fechos Convexos (PDE-ConvexHull) Os passos do algoritmo de solução da metodologia PDE-ConvexHull são mostrados na Figura 4.

4.12: Conjunto de planos de corte que aproximam a FCF . para a obtenção dos cortes que representam a Função de Custo Futuro é necessário que o Bloco 2 realize também um tratamento do conjunto de planos obtidos com o intuito de eliminar os planos que "cobrem" o conjunto convexo.4 Utilização da PDE Conjuntamente ao Algoritmo de Fechos Convexos (PDE-ConvexHull) 72 Figura 4. que contém o conjunto µ dos planos a serem utilizados na composição da FCF. Figura 4.11: Invólucro convexo obtido do algoritmo de fechos convexos Desta forma.12. fazendo com que o resultado fique como o mostrado na Figura 4.

resultando em um ganho computacional. assim. formando o conjunto de pontos a serem utilizados pelo algoritmo de fechos convexos para a obtenção de uma nova FCF.13: Detalhamento do Bloco 1 — Algoritmo para obtenção dos custos de operação .4 Utilização da PDE Conjuntamente ao Algoritmo de Fechos Convexos (PDE-ConvexHull) 73 Além disso. As tarefas realizadas pelo Bloco 1 são detalhadas na Figura 4.13. cortes que são praticamente coplanares podem ser mesclados. então. em que dado um estágio t. podendo ser utilizada de acordo com algum valor de tolerância requerida ou mesmo nem ser utilizada no algoritmo.4. Desta forma. o Bloco 2 pode também realizar a eliminação de cortes que possuem os coeficientes muito próximos de acordo com uma dada tolerância e. É. Porém. é feita a varredura do espaço de estados e calcula-se o valor da função objetivo para cada discretização de armazenamento e para cada cenário considerando o conjunto de cortes (µ) obtidos no período t+1. a utilização da eliminação de cortes na resolução do problema não é compulsória. Figura 4. realizado o cálculo do valor esperado do custo de operação para cada estado de armazenamento. haverá um número reduzido de cortes a serem inseridos no problema.

5 Processo Iterativo de Utilização da Função de Custo Futuro 5. Porém. quando há muitas discretizações. 3 discretizações ⇒ (3-1)1 ×1! = 2 hiperplanos (ou 2 retas) 2 reservatórios. Porém. por exemplo. não somente o número de problemas de programação linear (PPL’s) torna-se alto mas também o número de hiperplanos obtidos pelo algoritmo de fechos convexos pode tornar os PPL’s mais complexos devido ao excessivo número de restrições presentes na composição da função de custo futuro no problema. 11 discretizações ⇒ (11-1)4 ×4! = 240. 3 discretizações ⇒ (3-1)3 ×3! = 48 hiperplanos 4 reservatórios. 5 discretizações ⇒ (5-1)4 ×4! = 6. dependendo do número de reservatórios considerados o número de estados discretizados pode ser muito alto quando utiliza-se a Programação Dinâmica Estocástica na resolução da política energética devido ao fato de que muitos problemas de otimização devem resolvidos. para um número de NR reservatórios discretizados em ND parcelas.144 hiperplanos 4 reservatórios.000 hiperplanos Quando há hiperplanos colineares. implica nas seguintes possibilidades: 1 reservatório. O que. podendo resultar em uma resposta do algoritmo com um número menor de hiperplanos em relação ao número calculado previamente. o algoritmo de fechos convexos automaticamente funde estes planos. 3 discretizações ⇒ (3-1)4 ×4! = 384 hiperplanos 4 reservatórios. Por exemplo.1 Introdução Como foi dito anteriormente. 3 discretizações ⇒ (3-1)2 ×2! = 8 hiperplanos (ou 8 planos) 3 reservatórios. o algoritmo de fechos convexos pode fornecer até (ND − 1)NR × NR! hiperplanos para a confecção da FCF. para um processo de resolução de .

será utilizado um conjunto menor de hiperplanos (β ). Assim.2 Algoritmo Proposto A ideia básica é fazer com que nem todos os hiperplanos obtidos pelo algoritmo de fechos convexos sejam utilizados na resolução do problema de programação linear. 2009). 5. para que haja um ganho expressivo. Como é utilizado o algoritmo simplex. o número de iterações necessárias para alcançar a solução pode ser muito alto devido ao grande número de vértices a serem avaliados. evitando-se utilizar um número muito alto de restrições para a representação da função de custo futuro. seria demandado um grande esforço no sentido de estudar as possibilidades de algoritmos a serem testados e implementação de um solver estável para aplicação no problema. também.. podendo também ser utilizada conjuntamente a solvers diversos. que é a maior contribuição do trabalho. se o numero de elementos do cunjunto for inferior a um parâmetro Num- . obviamente. o que pode fazer com que a resolução da política seja um processo de alto custo computacional. como ferramenta de solução dos PPL’s. ser utilizados e. Contudo. Assim. 2000) que poderiam ser utilizados na resolução dos problemas. Ainda assim. CAIRE. pode-se obter um bom desempenho computacional utilizando o algoritmo simplex. agregariam um custo adicional à utilização da plataforma desenvolvida.2 Algoritmo Proposto 75 política robusto. disponível em bibliotecas gratuitas. pois como é utilizado o algoritmo simplex. Logicamente. existem solvers comerciais (ISON. Neste Capítulo. De maneira a acelerar o processo. Questões semelhantes relacionadas ao comportamento do algoritmo simplex perante um número elevado de restrições são abordadas em (DINIZ. cujos elementos são preenchidos iterativamente ao longo do processo. porém. Existem diversas famílias de algoritmos baseados em métodos de pontos interiores (QUINTANA et al. deve-se limitar o número de elementos contidos em β para que ele seja reaproveitado. 2008) que poderiam. a técnica proposta não é condicionada à utilização do simplex. o tempo de resolução de cada PPL é bastante sensível ao número de hiperplanos considerados. deve-se considerar que o número de hiperplanos atingirá valores muito próximos aos limites considerados acima. é proposto um algoritmo simples com o objetivo de tornar o tempo de resolução dos PPL’s menos sensível ao número de cortes obtidos durante o processo. ao invés de utilizar todo o conjunto µ dos hiperplanos obtidos do algoritmo de fechos convexos. Desta forma.5. o conjunto β pode ser reaproveitado entre estados consecutivos com o objetivo de acelerar a convergência do altoritmo.

1. pois há modificação somente no trecho indicado pelo Bloco 1 da Figura 4.5. Mais especificamente. relembra-se que µ é o conjunto de todos os hiperplanos obtidos pelo algoritmo de fechos convexos para o estágio subsequente que compõem o termo . ao invés de realizar a solução direta do problema considerando todas as restrições da função de custo futuro. é utilizado um algoritmo iterativo para inserção dos cortes no problema. reinicia-se o processo com o conjunto β vazio. Ressalta-se que a técnica não representa uma alteração muito drástica no algoritmo básico da PDE-ConvexHull. como mostrado na Figura 5.2 Algoritmo Proposto 76 MaxCortes o conjunto é reaproveitado para a resolução do próximo estado. que trata da resolução do despacho sujeito a todos os hiperplanos do conjunto µ obtidos pelo algoritmo de fechos convexos para o estágio subsequente.13. é realizada uma alteração no trecho existente no algoritmo mostrado na Figura 4. Desta forma. caso contrário. Figura 5.1: Algoritmo proposto Para a compreensão do algoritmo.10.

assim. que é o i-ésimo corte do conjunto µ tal que possua o maior valor de custo associado à solução X ∗ entre todos do conjunto. assim como é nula a variável NumCortes que conta o número de hiperplanos contidos em β . o processo é repetido até que o custo associado à função de custo futuro α ∗ (X ∗ ) esteja próximo o suficiente do valor correto αi (X ∗ ) . Definiu-se por β um subconjunto de µ que contém os cortes inseridos no processo e são utilizados diretamente na resolução do PPL. Porém. o que também implica que o valor do custo ótimo obtido estará de acordo com o que seria obtido quando da consideração direta dos cortes. Quando isto ocorre significa que a FCF está devidamente representada no problema. Primeiramente. At ) é invariante com a metodologia — direta ou iterativa — utilizada na consideração dos cortes nos problemas de programação linear. Este valor não retrata. é possível encontrar o corte de interpolação. ainda. Desta forma. ou seja. se o número de elementos do conjunto β (NumCortes) for muito alto o tempo gasto no algoritmo simplex passa a ser mais significativo. Adicionalmente. Através disso. Este número máximo de elementos no conjunto β tal que forneça bom . o que leva a uma redução no ganho quando se utiliza o algoritmo proposto. a FCF não é representada ainda porque o conjunto β é inicialmente vazio e obtém-se uma solução X ∗ com um valor de custo futuro α ∗ (X ∗ ) nulo associado. dentro da tolerância especificada o valor de z(Xt . a função de custo futuro como desejado e. Denominou-se este i-ésimo corte do conjunto µ por corte de interpolação porque a sua utilização equivale à interpolação linear da solução X ∗ sobre o conjunto de pontos obtidos dos custos esperados de operação em função das discretizações de armazenamento.5. obtendo-se um novo valor de X ∗ e consequentemente um novo valor de custo futuro α ∗ (X ∗ ). dado pelo maior valor obtido na interpolação da solução em cada um dos hiperplanos. torna-se interessante deixar que o conjunto β da última convergência possa ser utilizado no próximo estado avaliado. Caso contrário o i-ésimo elemento do conjunto µ é inserido no conjunto β e resolve-se novamente o problema sujeito ao novo conjunto de hiperplanos β . o problema relaxado é resolvido. como estados consecutivos podem ser próximos. fazendo com que o algoritmo gaste menos iterações para alguma próxima convergência. Contudo. O valor de custo interpolado equivale ao valor de custo futuro correto para o ponto X ∗ de acordo com o conjunto µ e é chamado de αi (X ∗ ). Sendo assim. verificam-se os valores de função associados à substituição da solução relativa aos armazenamentos obtidos (X ∗ ) em cada um dos componentes do conjunto µ. pois é associado ao i-ésimo elemento do conjunto.2 Algoritmo Proposto 77 αt+1 . Se α ∗ (X ∗ ) e αi (X ∗ ) estiverem suficientemente próximos de acordo com a tolerância adotada significa que houve a convergência do processo. o conjunto β é vazio no início de cada estágio.

Tabela 5. não variando ao longo dos três estágios. Adicionalmente.2 — adaptada de (SILVA. será utilizado um sistema equivalente fictício e simplificado dentro da modelagem apresentada no presente trabalho para os sistemas equivalentes de energia. vazão mínima ou desvio nem as parábolas de correção de acordo com o armazenamento.2: Sistema utilizado no exemplo didático Os dados do sistema equivalente são apresentados através da Tabela 5. 2001) — será composto por duas usinas térmicas e o mercado será composto por somente 1 (um) patamar de carga. que é representado na Figura 5. Sendo assim. pois não serão utilizadas energias provenientes de perdas por evaporação. como possíveis efeitos da geração mínima das usinas térmicas. Para isto. somente 1 (um) patamar de déficit será considerado no problema.5. que foi obtido de forma empírica no presente trabalho. 5. O sistema. energias fio d’água.1: Parâmetros do sistema equivalente utilizado no exemplo didático EA (MW MÊS ) EA(MW MÊS ) GH (MW MÉDIO ) SISTEMA_1 0 1000 800 . especialmente da PDE com utilização do algoritmo de fechos convexos e do algoritmo iterativo de inserção de cortes no problema de planejamento para um problema de três estágios. Figura 5.3 Exemplo Didático Este exemplo ditático visa expor os algoritmos utilizados.1 e são estáticos.3 Exemplo Didático 78 desempenho do algoritmo é dado pelo valor NumMaxCortes. a variável de excesso de geração é desnecessária no problema de acordo com os demais parâmetros existentes desprezados.

por simplificação. t = 3. Nesse caso. ou seja. as parcelas fio d’água foram desconsideradas e os valores abaixo retratam a energia controlável afluente ao sistema. Tabela 5.3 Exemplo Didático 79 Os dados das usinas térmicas também não variam ao longo dos estágios e são mostrados na Tabela 5. serão utilizadas 6 discretizações do armazenamento. Para a PDE.3. Neste exemplo. utilizados como sinônimos dentro desta seção.2. utilizando-se três cenários de afluência para definir cenário de alta. o que equivale a uma discretização de 20 em 20% da capacidade do sistema. Tabela 5. por referir-se ao último estágio o termo αt+1 é nulo e sabendo-se que há somente um sistema e desconsiderando a indexação de estágio e patamares o problema se configura da seguinte forma: . Recapitulando. cada usina térmica compreende a uma classe térmica diferenciada e os termos classe térmica e usina térmica serão.3: Cenários de afluência ao reservatório equivalente E STÁGIO A FLUÊNCIA A LTA A FLUÊNCIA M ÉDIA A FLUÊNCIA BAIXA (MW MÊS ) 1 2 3 420 400 340 (MW MÊS ) 250 260 180 (MW MÊS ) 100 85 70 O mercado será fixo para os três estágios no valor de 1000 MW. com custo de déficit de 680 R$/MWh e a taxa de desconto será considerada nula. Como mencionado no algoritmo.2: Parâmetros das termelétricas utilizadas no exemplo didático N OME C USTO (R$/MW H ) C APACIDADE (MW) G ERAÇÃO M ÍNIMA (MW) UTE_1 UTE_2 70 100 380 500 100 150 Os cenários de afluência são mostrados na Tabela 5. média e baixa afluência para o sistema exemplo. o processo se inicia do período T.5.

Como mostrado no bloco da Figura 4.4. é possível obter a Tabela 5. o processo de resolução é direto e não utiliza-se o processo iterativo de inserção de cortes para o referente estágio. . Por se tratar do último estágio.13. realizar o cálculo do valor esperado de operação em função do determinado estado de armazenamento. assim. para cada discretização de armazenamento calcula-se o custo de operação relacionado a cada realização de afluência para.3 Exemplo Didático 80 Min 70 · gT1 + 100 · gT2 + 680 · de f sujeito a: ghidr + gT1 + gT2 + de f = 1000 ea + ghidr + evert = EA + EC (restriç˜ o de demanda) a (restriç˜ o de balanço hídrico) a dentro dos limites variáveis: 0 ≤ ea ≤ 1000 0 ≤ ghidr ≤ 800 evert ≥ 0 de f ≥ 0 100 ≤ gT1 ≤ 380 150 ≤ gT2 ≤ 500 (armazenamento do sistema) (geração hidráulica do sistema) (vertimento no sistema) (déficit no sistema) (geração térmica) (geração térmica) Os valores de EA (energia armazenada inicial) e EC (energia controlável) variam de acordo com a dinâmica da PDE e. então.5. que contém os custos relacionados obtidos pelo processo da PDE. não possuindo função de custo futuro.

000.00 36.67 22.00 78.00 50.000.733.00 22.00 22.00 22.00 110.700.600.600.000.633.4: Tabela de custos encontrados para o último estágio do problema D ISCRETIZAÇÃO A FLUÊNCIA C USTO ÓTIMO C USTO E SPERADO (MWmês) Alta 1000 Média Baixa Alta 800 Média Baixa Alta 600 Média Baixa Alta 400 Média Baixa Alta 200 Média Baixa Alta 0 Média Baixa (R$x730) 22.10.000.00 27.00 (R$x730) Dados os pontos obtidos pelos valores de custo esperado. que utiliza o algoritmo de fechos convexos para obtenção dos cortes que representam a FCF.600.600.600.33 32.00 70.900.700.00 22. utiliza-se o algoritmo correspondente ao Bloco 2 (Convex Hull). .600.00 22.00 54.00 41.600.00 33.3.00 61.600.000.00 49.3 Exemplo Didático 81 Tabela 5.000.00 22.000.000.000.33 23866. como indicado na Figura 5. indicado na Figura 4.5.00 22.00 22.00 22.000.

83 -84.00 78.4 fica claro o porquê do plano selecionado ser o de maior valor de custo associado. obtendo-se 5 custos.5. Assim.466.67 29. substituise este armazenamento em cada um dos 5 hiperplanos (retas). Pela Figura 5.000.533. é o corte 1.50 -44. no caso. pois é o plano que representa a curva para o dado ponto de armazenamento.3 Exemplo Didático 82 Figura 5.33 -9. Tabela 5.33 0.3: Resultado obtido no estágio 3: (a) pontos obtidos pela PDE e (b) cortes obtidos pelo algoritmo de fechos convexos (Bloco 2) Os coeficientes dos cortes obtidos para a função de custo futuro são apresentados na Tabela 5.466.00 Antes de iniciar o processo iterativo compreendido ao estágio 2.5: Coeficientes dos cortes obtidos da resolução do estágio 3 corte(i) COEFAi COEFBi 1 2 3 4 5 -144.33 50.5 e serão utilizados no estágio 2. será aproveitado o exemplo para mostrar o que representa o passo de interpolação em cada hiperplano em função de um dado armazenamento para a inserção interativa. para um armazenamento de 100 MWmês.600.00 66.67 22. o corte selecionado é o de maior custo associado que. .

000 e EC = 400 (cenário alto) → P RIMEIRA ITERAÇÃO: β = {} -Resolvendo o problema sujeito aos cortes contidos em β .466.146.658.466.4: Exemplo de interpolação Iniciando o processo de resolução do estágio 2. 23 f3 (X ∗ ) = −44.000. tem-se a seguinte situação: =⇒ EA = 1. 00 × 324.097.441. 11 + 22. 11 + 29. 66 f5 (X ∗ ) = 0. 00 . Pela dinâmica da PDE. 11 + 50. 11 α ∗ (X ∗ ) = 0 -Realizando as substituições nos cortes contidos em µ. 00 z (X.5. 50 × 324. 67 = 26. 0 × 10−2 para a convergência do processo e. 67 = 36. 33 × 324.600. 33 × 324.533. têm-se: X ∗ = 324. A) = 22. 00 = 22.000. 11 + 78. 00 = 31.000. deve-se varrer o espaço das discretizações dos estados e. Será utilizada uma tolerância de 1. além disso. desta forma. 83 × 324. 39 f2 (X ∗ ) = −84. será considerado um número máximo de 3 cortes para o esvaziamento do conjunto β . 11 + 66. tem-se que o conjunto β é inicialmente vazio. 89 f4 (X ∗ ) = −9.3 Exemplo Didático 83 Figura 5. têm-se: corte 1: corte 2: corte 3: corte 4: corte 5: f1 (X ∗ ) = −144. 33 = 39.

→ S EGUNDA ITERAÇÃO: β = {2} -Resolvendo o problema sujeito aos cortes contidos em β . 38 + 22.5. 0 f3 (X ∗ ) = −44. 50 × 650.533. 00 + 66. 82 f5 (X ∗ ) = 0.600.616. 00 α ∗ (X ∗ ) = 23.3 Exemplo Didático 84 -Verificando o valor do maior custo.146. 63 f4 (X ∗ ) = −9. o corte de índice 2 é candidato. 38 + 78. 38 + 29. 4} -Resolvendo o problema sujeito aos cortes contidos em β . 50 × 787. têm-se: corte 1: corte 2: f1 (X ∗ ) = −144. têm-se: corte 1: corte 2: corte 3: corte 4: corte 5: f1 (X ∗ ) = −144. 33 × 787. 33 . 00 + 78. 67 f2 (X ∗ ) = −84. 83 × 787. 38 α ∗ (X ∗ ) = 0 -Realizando as substituições nos cortes contidos em µ. 00 z (X. 38 + 66.400. 00 = 22. 00 = −35. logo: αi (X ∗ ) = 39.541.400.466. A) = 45. 67 = 15. 00 z (X. 83 × 650. 40 f2 (X ∗ ) = −84. têm-se: X ∗ = 787. 33 = 11. 00 = −15.608. 00 × 787. 37 -Verificando o valor do maior custo.533. 33 = 0. têm-se: X ∗ = 650.438.117. 33 × 787. insere-se o corte selecionado. → T ERCEIRA ITERAÇÃO: β = {2. insere-se o corte selecionado. 82 α ∗ (X ∗ ) = 0 -Como a FCF ainda não está convergida. 00 -Realizando as substituições nos cortes contidos em µ. 23 α ∗ (X ∗ ) = 0 -Como a FCF ainda não está convergida. A) = 31.559.466.600. 67 = 22. o corte de índice 4 é candidato. 38 + 50.000.117.000. logo: αi (X ∗ ) = 22.

466. 67 = 27. 00 α ∗ (X ∗ ) = 23.000.600.400. 67 α ∗ (X ∗ ) = 24. 33 × 510.650. 00 Como o número de elementos de β não excede o número de 3 cortes. 00 f2 (X ∗ ) = −84. 33 = 23.000.706.466. 67 = 23. ele é mantido.000. logo: αi (X ∗ ) = 27.400. 00 × 650. 67 = 24. A) = z (X. 00 + 78.3 Exemplo Didático 85 corte 3: corte 4: corte 5: f3 (X ∗ ) = −44.400. 33 × 510.400. 00 = 4735. 00 = 22. 33 × 650. A) = 45. 4} -Resolvendo o problema sujeito aos cortes contidos em β . Custo ótimo para o estado (EA = 1000 e EC = 400) z(X. 00 f5 (X ∗ ) = 0. 00 f4 (X ∗ ) = −9. 00 + 50.5. 00 -A FCF está convergida e o conjunto β fica inalterado.706. 00 + 29. 00 × 510. 00 + 29.856. 67 f4 (X ∗ ) = −9. =⇒ EA = 1. 50 × 510.856.706. 67 -Realizando as substituições nos cortes contidos em µ. 00 + 22.000. 67 f5 (X ∗ ) = 0. A) = 46.438. 00 + 50. 33 f3 (X ∗ ) = −44. 00 + 66. 00 + 22.000 e EC = 260 (cenário médio) → P RIMEIRA ITERAÇÃO: β = {2.466.533. o corte de índice 4 é candidato. têm-se: X ∗ = 510. 67 = 21. 33 × 650. 00 = 22. o corte de índice 3 é candidato.466. logo: αi (X ∗ ) = 23. têm-se: corte 1: corte 2: corte 3: corte 4: corte 5: f1 (X ∗ ) = −144. 67 . 00 -Verificando o valor do maior custo. 00 -Verificando o valor do maior custo. 00 z (X. 83 × 510.

856.856. 4.00 z (X.706. 67 -Como a FCF ainda não está convergida. têm-se: corte 1: corte 2: corte 3: corte 4: corte 5: f1 (X ∗ ) = −144. logo: αi (X ∗ ) = 27. 4. têm-se: X ∗ = 510.438. A) = z (X. 3} -Resolvendo o problema sujeito aos cortes contidos em β . 3} -Resolvendo o problema sujeito aos cortes contidos em β . =⇒ EA = 1000 e EC = 85 (cenário baixo) → P RIMEIRA ITERAÇÃO: β = {2. 50 × 510.735. Custo ótimo para o estado (EA = 1000 e EC = 260) z(X.466. 00 z (X. 00 + 29. 67 = 24. 33 = 23. 67 = 27.856.533. têm-se: X ∗ = 400. 00 + 66. insere-se o corte selecionado. 00 f2 (X ∗ ) = −84. 33 × 510. 33 f3 (X ∗ ) = −44. 00 + 50. 33 . A) = 59. 67 α ∗ (X ∗ ) = 27. A) = 49.466. 00 -Verificando o valor do maior custo.3 Exemplo Didático 86 α ∗ (X ∗ ) = 24. 00 + 22. 00 × 510. 00 = 22. 00 = 4.000. 67 Como o número de elementos de β não excede o número de 3 cortes. 83 × 510.856.600. 67 f5 (X ∗ ) = 0. 33 × 510.706. → S EGUNDA ITERAÇÃO: β = {2. ele é mantido. o corte de índice 3 é candidato.856. A) = 49. 67 -Realizando as substituições nos cortes contidos em µ. 67 f4 (X ∗ ) = −9.000. 00 + 78. 67 -A FCF está convergida e o conjunto β fica inalterado.856.283. 67 α ∗ (X ∗ ) = 27.5.

esta análise será realizada no estudo de caso presente no Capítulo 7. A) = z (X. 33 f3 (X ∗ ) = −44. 00 = = 51. 00 + 29. 67 f2 (X ∗ ) = −84.283. assim.733.000.733.733.5.400. 50 × 400.466. 33 f5 (X ∗ ) = 0. Desta forma. foi possível fazer o cálculo do valor esperado para o estado de armazenamento de 1000 MWmês no início do segundo estágio. logo: αi (X ∗ ) = 32. 33 f4 (X ∗ ) = −9.533.733. 33 -A FCF está convergida e o conjunto β fica inalterado. 33 -Realizando as substituições nos cortes contidos em µ.540. 33 3 3 Este valor obtido é um ponto da curva de custo futuro a ser utilizada no estágio 1. 33 × 400. o corte de índice 2 ou 3 são candidatos. 33 α ∗ (X ∗ ) = 32. 00 = 20.666. 67 = 25.733.733. 00 + 78. basta seguir o algoritmo apresentado para as demais discretizações do armazenamento. Custo ótimo para o estado (EA = 1000 e EC = 85) z(X. 33 × 400. como na forma: E(X = 1000) = 45. 67 + 59. Contudo.856.513. 83 × 400. ele é mantido. 00 + 22. 33 Como o número de elementos de β não excede o número de 3 cortes. 33 = 32. 00 + 66. 00 + 49. nos passos apresentados nesta seção foi possível observar algumas características . 67 = 32. Para a definição dos demais pontos.466. 00 × 400.600. Este exemplo didático não tem por objetivo mostrar ganhos computacionais na execução do método. 00 + 50.283. 33 154. pois para problemas desta ordem de grandeza os ganhos computacionais apresentados são insignificantes e. 00 = 22.000.3 Exemplo Didático 87 α ∗ (X ∗ ) = 32. têm-se: corte 1: corte 2: corte 3: corte 4: corte 5: f1 (X ∗ ) = −144. 00 -Verificando o valor do maior custo. A) = 59.

por exemplo.923.071.33 109. a influência decorrente de manter o conjunto β de hiperplanos entre problemas sucessivos.178.856.233.33 52.513.50 62.00 144.000.33 75. o que pode diminuir o número de iterações necessárias e inclusive fazer com que alguns problemas possam ser resolvidos sem necessidade de iterações extras. sendo resolvidos já na primeira iteração.66 76.6 contém os custos obtidos do estágio 2 para todos os valores previstos de discretização do reservatório. através destes pontos obtidos é determinada a FCF através do algoritmo de fechos convexos. já que é possível se conhecer o armazenamento inicial e a afluência ocorrida.052.233.5 e o processo de cálculo da política é terminado.33 92.33 89.78 51.233.33 73. Com esses valores conhecidos.22 113.283.792. Tabela 5.67 61.233.33 131. basta utilizar a função de custo futuro obtida do estágio 2 para uma política ótima.248.33 112.733.67 59.302. ou seja. como mostrado na Figura 5.5. pois não é feita a mesma dinâmica para o estágio 1.33 (R$x730) De acordo com o algoritmo geral da PDE. A Tabela 5.400.33 179.233.50 118.516.965. é o resultado esperado da continuidade do algoritmo para o restante de discretizações.83 80.3 Exemplo Didático 88 do algoritmo proposto como.923.283. .277.6: Tabela de custos encontrados para o estágio 2 do problema D ISCRETIZAÇÃO A FLUÊNCIA C USTO ÓTIMO C USTO E SPERADO (MWmês) Alta 1000 Média Baixa Alta 800 Média Baixa Alta 600 Média Baixa Alta 400 Média Baixa Alta 200 Média Baixa Alta 0 Média Baixa (R$x730) 45.33 98.033.33 134.05 94.33 65.00 49.

3 Exemplo Didático 89 Figura 5.5: Resultado do algoritmo da PDE e algoritmo de fechos convexos — Estágio 2 .5.

computadores pessoais que apresentam mais de um núcleo de processamento e até a utilização de unidades de processamento gráfico (GPU’s.. renderização de imagens tridimensionais. tais como a criação de supercomputadores (CRAY. A freqüência de operação dos processadores passa a aumentar a um passo bem mais reduzido do quê o experimentado durante os anos 90 e. Exemplos de aplicações que exigem alto poder de computação são vistos em estudos de seqüenciamento genético (modelagem do DNA). A computação paralela aplicada de forma eficiente nestes conjuntos de computadores multiprocessados pode resultar em ganhos consideráveis em termos de tempos de execução de diversas aplicações (PINTO et al. Fator importante a ser destacado é que o aumento na velocidade dos processadores encontra barreiras cada vez maiores à medida que limites físicos são atingidos. estudos sísmicos e meteorológicos. como a maioria dos algoritmos utilizados para tais tarefas foram inicialmente desenvolvidos com arquiteturas computacionais seqüenciais — que utilizam um único processador — não faz-se o uso completo destes novos ambientes paralelos de computação. previsão de movimentos de corpos celestes.6 Processamento Paralelo Aplicado à Programação Dinâmica Estocástica 6. porém. por exemplo). há a necessidade de se adaptar antigas metodologias ou desenvolver novas técnicas que sejam capazes de aproveitar de forma economicamente viável a capacidade computacional advinda dos sistemas paralelos ou distribuídos de computação de alto desempenho. Desta forma. 2009). há uma tendência de que os requerimentos de capacidade computacional não sejam preenchidos . estruturas de clusters de computadores. do inglês Graphics Processing Units) para processamento paralelo de processos. desta forma. tais como a velocidade da luz ou tamanho dos transistores.1 Introdução Nos últimos anos observa-se uma tendência cada vez maior do aumento da demanda computacional na resolução de grandes problemas. Diversas possibilidades computacionais foram desenvolvidas para a resolução destes problemas.

cada processo realiza a mesma tarefa para um subconjunto distinto dos dados. deve-se elaborar o modelo a ser utilizado para a composição de uma solução computacional através da computação paralela. 1995). há programas diferentes para cada processo. Desta forma. desta forma. 1999): • Paralelismo de Dados : Os dados são particionados e distribuídos entre os processadores e. constituindo uma estrutura conhecida como cluster Beowulf. avanços na tecnologia de hardware tornaram os computadores pessoais (PCs) uma alternativa de alto custo-benefício. consequentemente. Dado um conjunto de tarefas a serem . além da estrutura de hardware. com processadores trabalhando paralelamente (FOSTER. • Paralelismo Funcional : O algoritmo é decomposto em diferentes seções com cada processo sendo responsável por determinado trecho ou subtarefa e. em comparação aos tradicionais supercomputadores. faz-se a utilização de conjuntos de computadores pessoais de baixo custo interligados através de redes de alta velocidade. em que a saída de um é a entrada do seu sucessor. 2003). cuja estrutura genérica é ilustrada na Figura 6. A estruturação das tarefas de processamento compõe um paradigma da computação paralela e as principais possibilidades de paralelismo são descritas a seguir (FINARDI.1 (ROCHA. • Paralelismo Pipelining : Consiste em diminuir o tempo ocioso dos processadores envolvidos baseando-se no relacionamento existente entre um processo e o processo seguinte.1: Cluster de computadores tipo Beowulf genérico Entretanto. Nas últimas décadas. Figura 6. na solução de problemas científicos de grande escala.6.1 Introdução 91 por processadores mais rápidos e sim pelo aumento do número de operações executadas simultaneamente num determinado período de tempo.

ts . e o tempo gasto por um programa que utiliza p processadores de forma paralela.2 Métricas de Desempenho em Sistemas Paralelos Ao se analisar o desempenho de programas paralelos. enquanto a unidade já processada é destinada ao próximo processo. 2003. . o fator de aceleração S obtido por tal programa paralelo. à medida que o número de processadores p aumenta. o tempo necessário para resolver um dado problema em s paralelo seria tp . WILKINSON. o mesmo processo começa a realizar a mesma tarefa em uma outra unidade de dado. Em um sistema de computação paralelo ideal. levando a um fator de aceleração de p vezes. tanto o processamento seqüencial necessário pelo programa como o tempo de comunicação são nulos e o trabalho a ser executado em paralelo pode ser caracterizado pela distribuição equilibrada do tempo seqüencial original ts entre os p processadores. algumas métricas são normalmente utilizadas. estaria limitado a fornecendo o fator de aceleração máximo. t p e é dado pela expressão: ts tp S(p) = (6. 1 f ps . mesmo que desconsiderando qualquer tempo gasto em comunicação. as tarefas são dispostas de tal maneira que se um processo termina uma tarefa relacionada a uma unidade de dado.2. tais como períodos de ociosidade e comunicação entre processadores. com intuito de comparar algoritmos distintos. GRAMA et al.2 Métricas de Desempenho em Sistemas Paralelos 92 realizadas serialmente sobre uma unidade de dado. bem como o fato de nem todo o código poder ser paralelizado. 6. ALLEN. 2004). onde f ps representa a fração de tempo gasto na parte não-paralelizável em relação ao tempo total serial.1) Diversos fatores limitam o aumento do fator de aceleração. considerando que nem todo o código pode ser paralelizado. tais como o fator de aceleração e eficiência (FOSTER.. Matematicamente. o fator de aceleração S corresponde à razão entre o tempo gasto na computação de um dado problema utilizando-se de apenas um processador. 1995.6.1 Fator de Aceleração O fator de aceleração (speedup) é uma medida que relaciona a aceleração obtida por um algoritmo paralelo com o melhor algoritmo seqüencial disponível para a execução da uma mesma tarefa. 6. Porém. Neste caso.

2. portanto. focando em característica.3 Interfaces de Programação Paralela Muitos são os modelos computacionais utilizados em computação paralela. 1996). 6.6. Desta forma. inexistentes em outras arquiteturas. depende fortemente do problema a ser resolvido e a arquitetura de computação paralela alvo.3 Granularidade Resumidamente. na prática a comunicação entre processos tende a aumentar com o número de processadores. A aplicação de tais modelos. mede a fração de tempo no qual cada unidade de processamento é efetivamente utilizada (GRAMA et al. Esta situação fez com que vários fabricantes de sistemas de computação paralela desenvolvessem suas próprias bibliotecas de interface.. Porém. troca de mensagens. é uma grandeza fornece o quanto há de processamento em relação à comunicação requerida para o mesmo . muitas vezes. processos. 2003). memória compartilhada. combinação dos anteriores. o código desen- . operações em memória remota. 6. em que existe uma baixa quantidade de processamento por byte comunicado. A representação matemática da eficiência computacional de um programa paralelo é dada pela razão entre o fator de aceleração e o número de processadores utilizados. Tais modelos se diferenciam em vários aspectos como. ou seja. se a memória disponível é localmente compartilhada ou geograficamente distribuída e quanto ao volume de comunicação tanto em hardware como em software (GROPP et al.2 Eficiência Eficiência. e também. por sua vez.2. até o perfil grosso quando existe muito processamento por byte comunicado.2) Pode ser observado que a eficiência de um sistema de computação paralela ideal iguala-se a unidade.. granularidade é uma medida da quantidade de computação entre sincronizações. por exemplo.3 Interfaces de Programação Paralela 93 6. como definido abaixo. tais como paralelismo de dados. S(p) ts = p tp × p Ef = (6. O nível de granularidade varia de um perfil fino. o que tende a levar à obtenção de cada vez mais baixas eficiências quando é utilizado um número muito alto de processadores.

Desta forma. Em face desta dificuldade.g. De posse de tal padronização.g. além de sistemas de memória compartilhada e distribuída. aproveitando as vantagens específicas de cada arquitetura computacional. porém com uma velocidade menor de processamento. que é um padrão heterogêneo de desenvolvimento e contempla tipos mais diferenciados de hardware. "Open Computing Language") (OPENCL. O padrão MPI é uma especificação dos procedimentos de comunicação entre processos e não uma implementação em si. tanto fabricantes como usuários foram capazes de produzir implementações da interface do problema têm a características de possuírem muitas MPI de forma eficiente. . ou unidades de processamento gráfico. por sua vez. Essas unidades possuem uma arquitetura baseada na paralelização dos dados e enfatizam o processamento de um número alto de threads em comparação a uma CPU. Além disto. e suportam redes homogêneas e heterogêneas. programas paralelos. tornaram-se portáteis e poderiam ser compilados com qualquer implementação MPI disponível. baseados na MPI..3 Interfaces de Programação Paralela 94 volvido com bases nestas bibliotecas proprietárias não era portátil. processadores de vários núcleos) ou remotos (e. consequentemente. poderiam ser locais (e. cita-se o OpenCL (do inglês. Neste contexto.. 1996). por exemplo. Os processos.. 2011). 2011). inúmeras implementações do padrão MPI são publicamente disponibilizadas. sistemas de distribuídos). em problemas que se adequam dentro dos limites de capacidade das GPU’s e dependendo de algumas características. que foi utilizada no trabalho. que é uma implementação proprietária de paralelismo em unidades gráficas. a Message Passing Interface (MPI) e a Open Multi-Processing Application Program Interface (OpenMP) foram concebidos. foi reconhecida a necessidade de interfaces de programação que fossem eficientes. como a granularidade. e o CUDA (NVIDIA. funcionais e portáteis nas mais variadas arquiteturas disponíveis no mercado.6. podem ser utilizadas para diversas aplicabilidades. Atualmente. podem ser também utilizadas para processamento numérico e. tal como a MPICH (GROPP et al. porém. a utilização de GPU’s para o processamento pode fornecer bons desempenhos. Outros padrões podem também se referir à utilização de GPU’s. Como interfaces utilizáveis para processamento em GPU’s. que são unidades construídas para um desempenho otimizado em processamento gráfico. impulsionada pelos avanços na tecnologia de sistemas paralelos de computação.

variam somente os estados a serem avaliados por cada processo. espera-se a obtenção de ganhos globais elevados na resolução do problema.6. é realizada utilizando processos paralelos. A Figura 6.4 Aplicação do Processamento Paralelo à Programação Dinâmica Estocástica Uma característica importante da Programação Dinâmica está no fato do cálculo do custo ótimo de cada estado operativo de um estágio poder ser realizado de forma independente dos outros estados do mesmo estágio. Desta forma.10 pode ser reformulado utilizando processamento paralelo. que trata da obtenção dos custos relacionados a cada estado operativo.2 mostra o fluxograma proposto para a PDE em que a tarefa realizada no Bloco 1. 2010). ou seja.4 Aplicação do Processamento Paralelo à Programação Dinâmica Estocástica 95 6. Figura 6.2: Algoritmo da obtenção das funções de custo futuro da PDE utilizando fechos convexos e programação paralela Com a paralelização proposta. o fluxograma apresentado anteriormente através da Figura 4. . possibilitando a paralelização destes processos (DIAS. através do paradigma de paralelismo de dados onde os processadores executam o mesmo código. A estrutura utilizada é a SPMD (do inglês “Single Program Multiple Data”). variando o dado de entrada processado por cada um deles. um número maior de problemas de programação linear (PL) pode ser resolvido em um dado intervalo de tempo e como este trecho é o mais custoso computacionalmente.

o algoritmo apresentado no Capítulo 5 é perfeitamente paralelizável. não diferenciando os algoritmos PDE-ConvexHull e Fast-PDE-ConvexHull do ponto de vista da paralelização do código. além disso. pode realizar a eliminação de hiperplanos semelhantes.6. em resumo. executa o algoritmo de fechos convexos e. .4 Aplicação do Processamento Paralelo à Programação Dinâmica Estocástica 96 Adicionalmente. tem-se que a parte serial do código é concentrada no Bloco 2 que. Analisando-se computacionalmente o processo.

Para o cálculo da política eletroenergética. o estudo foi realizado para um período de cinco anos de estudo e cinco anos de pós-estudo e utiliza os 4 subsistemas equivalentes Sudeste/CentroOeste. pequenas modificações foram realizadas devido a compatibilizações e limitações da modelagem implementada como. Nordeste e Norte. ou fase Forward. a segunda série é construída a partir de 1932 e assim por diante. por exemplo. as afluências entram no problema como realizações de afluência por estado de armazenamento. O computador utilizado nas simulações possui 2 processadores Intel Xeon E5540. As afluências utilizados correspondem ao histórico de vazões tanto para o cálculo da política eletroenergética quanto para as simulações de operação. dada a construção de possíveis séries construídas através do histórico. Sul.1 Caso Exemplo O Programa Mensal de Operação (PMO) de janeiro de 2011 foi a base de dados utilizada como referência para as simulações computacionais realizadas através da plataforma desenvolvida na linguagem C++/Java. Especificamente. a consideração de somente 1 (um) patamar de mercado e os desvios de água não foram considerados no despacho da operação.53 GHz e 16 GB de memória RAM. que possuem 4 núcleos de processamento cada.31-22-generic. Estas séries de afluência são utilizadas diretamente para a fase simulação. Sendo assim. O sistema operacional utilizado nas simulações corresponde ao Kernel Linux 2.6. Dada a base de dados. a primeira série corresponde à série dos primeiros 5 anos (para simulação) ou 10 anos (para cálculo da política) de afluência a partir de 1931. Além disso.7 Estudo de Caso 7. totalizando 8 núcleos de processamento a uma frequência de operação de 2. . não modelou-se a curva de aversão ao risco e a taxa de desconto foi considerada nula.

pois não há alterações importantes na forma da FCF.1 foram realizadas utilizando 8 processos em paralelo para valores distintos de discretizações de armazenamento e número de realizações de afluência por estado.2 Resultados 7. foi verificado que a sensibilidade do desempenho em função deste parâmetro não é muito grande e valores de tal ordem de grandeza fornecem resultados similares. Adicionalmente. o que pode representar erros de até R$ 0. podendo apresentar comportamentos distintos quando da utilização de outras distribuições disponíveis para a resolução do problema. que é pouco representativa.7. da COIN-OR (CLP. Sobretudo. 2011).2. Como foi mencionado anteriormente. 0 × 10−3 para a função de custo futuro. em que a velocidade de convergência depende do número de vértices existentes entre a solução inicial e a solução ótima.2 Resultados 98 7.1 Comparação entre as Metodologias PDE-ConvexHull e Fast-PDE-ConvexHull A fim de avaliar o impacto da utilização do algoritmo proposto dentro da metodologia da PDE-ConvexHull. As execuções apresentadas na Tabela 7. esta diferença numérica. Porém. não causa grandes diferenças nos números de cortes obtidos. O solver ou pacote computacional de otimização linear utilizado para a resolução dos PPL’s foi o CLP. Para as realizações de afluência são consideradas a ocorrência de alguma . Deste modo. o resultado final mantém-se dentro da margem esperada de erro causado pela tolerância do processo. são apresentados alguns resultados para a verificação da consistência existente entre as metodologias. Isto significa que no máximo 80 hiperplanos podem ser reaproveitados entre estados operacionais distintos para a montagem das restrições que representam a FCF no problema.73 na representação da FCF quando comparado ao algoritmo da PDE-ConvexHull. por se basear no algoritmo simplex. Além disso. A tolerância utilizada para convergência do algoritmo proposto foi de 1. ressaltando-se que os valores de ganho computacional assim como o valor do parâmetro NumMaxCortes possivelmente dependerão do solver utilizado. é esperado que também haja ganho computacional quando utiliza-se o algoritmo proposto conjuntamente a outros solvers. este é um valor empírico tal que forneceu bons ganhos computacionais e será utilizado no restante do trabalho. são apresentados os tempos computacionais obtidos por ambas as técnicas no intuito de se verificar o ganho computacional provido pela técnica proposta. O parâmetro NumMaxCortes utilizado foi de 80 hiperplanos.

7.3 6. realizou-se uma nova simulação utilizando as mesmas 5 discretizações sobre as 60 realizações possíveis de afluência para verificar o efeito da eliminação dos hiperplanos no resultado final e. São apresentados os resultados relativos ao número médio de cortes e o tempo computacional demandado por cada um dos métodos (PDE-ConvexHull e Fast-PDE-ConvexHull) confrontados. . D ISCRET. Séries N UM . 0 × 10−2 para a eliminação de cortes.6 492. eliminação de 1A consideração de somente uma série de afluência recai no caso determinístico da programação dinâmica.9 0.6 104. mostrar como ambas as metodologias se comportam em função do número de cortes utilizados. sobretudo para os casos com maior número de cenários. o resultado do custo de simulação médio apresentou um valor muito próximo ao valor encontrado sem utilização da eliminação. o número médio de cortes aproximouse do valor esperado pela expressão do limite de hiperplanos possíveis (ND − 1)NR × NR! . além do erro percentual existente entre os custos médios de simulação obtidos por ambas metodologias.1: Comparação entre as metodologias PDE-ConvexHull e Fast-PDE-ConvexHull N UM .013% superior.025 5. também.00 0.00 0.08 bilhões. o que indica que a eliminação dos hiperplanos não alterou os resultados de forma muito significativa com uma redução no custo computacional da ordem de 30%.1 ilustra o perfil de computação desenvolvido na utilização da metodologia PDE-ConvexHull (5 discretizações e 60 séries de afluência) e são mostrados os tempos predominantes no processo. Tabela 7.6 4. A análise mais detalhada do custo de operação será realizada mais adiante.00 0. M ED . sendo 0.934.6 141. Posteriormente. desta forma.00 E RRO (%) Para as simulações computacionais realizadas acima. N UM . que correspondem ao algoritmo de fechos convexos.4 42. A Figura 7.25 29.447 6. não foi utilizada a eliminação dos cortes que são aproximadamente coplanares e.2 Resultados 99 série do histórico de vazões a partir do primeiro ano do histórico1 . em que espera-se um comportamento mais homogêneo para a função de custo futuro. Para o caso de 5 discretizações de armazenamento e 60 realizações de afluência foi obtido um custo médio de R$ 25. Para uma tolerância de 1. C ORTES PDET EMPO ( S ) FAST-PDEC ONVEX H ULL C ONVEX H ULL 3 3 5 5 1 60 1 60 359 381 5.

2 Resultados 100 cortes e resolução do problema linear. Figura 7. Figura 7. Figura 7. é construído o gráfico da Figura 7. é apresentado na mesma escala do gráfico anterior. o resultado da utilização da metodologia Fast-PDE-ConexHull.3. que detalham os tempos obtidos dentro de uma escala mais adequada.2.7. para a avaliação do comportamento apresentado pela metodologia Fast-PDEConvexHull. Os tempos despendidos em comunicação entre processos e montagem de restrições foram verificados e não representam parcelas significativas no problema.2: Perfil de execução — Metodologia Fast-PDE-ConvexHull (Verificação do ganho) Porém.1: Perfil de execução obtido no uso da metodologia PDE-ConvexHull Para a visibilidade do ganho computacional obtido. .

porém. a metodologia FastPDE-ConvexHull também apresenta um aumento do tempo de resolução com o aumento do número de cortes utilizados (Figura 7.5). Figura 7. o aumento é de ordem bastante reduzida em relação à obtida na utilização da PDE-ConvexHull.4: Aproximação do tempo de resolução dos PPLs em função do número de cortes Observa-se. pela Figura 7.4 apresenta as funções aproximadas do tempo de resolução dos PL’s em um dado estágio em função do número de cortes obtido na utilização de cada uma das metodologias. que a metodologia PDE-ConvexHull é uma técnica cujo tempo computacional é mais sensível ao aumento do número de cortes. .2 Resultados 101 Figura 7.7. Porém.3: Perfil de execução — Metodologia Fast-PDE-ConvexHull (Verificação do comportamento) A Figura 7.4.

86 348.2: Tempo total de processamento em função do número de processadores utilizados Número de Tempo Total Processadores 1 2 3 4 5 6 7 8 (s) 2. Tabela 7. contabilizou-se.2. o tempo gasto na utilização de valores diferentes de número de processadores. é levantado o perfil da computação paralela para o caso de 5 discretizações dos armazenamentos e os 60 cenários de afluência.271.38 523.2. foi utilizado o protocolo MPI através da implementação MPICH2 (GROPP et al.60 798.60 443.10 387. Relembrando.2 Resultados 102 Figura 7.76 626.145.2 Levantamento dos Perfis da Computação Paralela Nesta simulação.16 . tendo em vista a disponibilidade de um micro Xeon.7. 1996) e.. além do tempo sequencial.88 1. O tempo computacional total do programa em função do número de processadores utilizados é mostrado na Tabela 7.5: Característica do tempo de resolução na metodologia Fast-PDE-ConvexHull 7.

o que mostra que o código em estudo é altamente para- .2. Figura 7. além de um fator de aceleração extremamente significativo.6.7: Eficiência do algoritmo paralelo Observa-se que o algoritmo paralelo apresentou uma alta eficiência. que é mostrados na Figura 7.2 Resultados 103 A partir dos tempos totais obtidos.7. pode-se calcular o fator de aceleração (speedup) do algoritmo.7. calcula-se a eficiência encontrada no algoritmo.6: Fator de aceleração do algoritmo paralelo Também em função dos valores encontrados na Tabela 7. que é mostrada na Figura 7. Figura 7.

porém. . Inicialmente. Para comparação com o NEWAVE foi utilizado o custo esperado de operação obtido por cada uma das metodologias. realizou-se o cálculo da política utilizando-se 11 discretizações. 7. Contudo. versão 15. utilizou-se de 3 discretizações de armazenamento.3. foram utilizados 60 séries de afluência e. Adicionalmente. assim. em parceria direta com o agente de geração Duke Energy — Geração Paranapanema. este último modelo utiliza 200 séries sintéticas para o cálculo da política.3 Comparação com o NEWAVE Esta seção tem por objetivo comparar os resultados obtidos pelo modelo proposto com o modelo oficial utilizado no SEB. para uma análise rápida. mínimo e médio para cada subsistema. tanto para a metodologia proposta quanto para o NEWAVE. ainda há diferenças no cálculo da política pois o modelo NEWAVE considera o efeito da tendência hidrológica através do modelo autoregressivo PAR. o qual forneceu os resultados da execução do modelo NEWAVE. Os resultados obtidos com a utilização dos 8 processadores são apresentados na Tabela 7. quando utilizado menos discretizações das energias armazenadas. Através do uso de 5 discretizações tem-se uma análise de 25% em 25% das capacidades dos reservatórios equivalentes de energia. a primeira série corresponde à série de 5 ou 10 anos de afluência a partir de 1931 e a última série corresponde à série obtida a partir de 1990 do histórico de vazões. Finalmente. que leva em consideração apenas os estados de armazenamento máximo. O custo esperado de operação é o custo médio obtido através da simulação de cada uma das 60 séries de energia afluente construídas através dos primeiros anos do histórico de vazões.2. espera-se mostrar que o modelo desenvolvido é uma boa ferramenta para análises rápidas. Mais especificamente. é realizada a simulação do sistema para cada uma das séries. Após o cálculo da política operativa. que sofreu pequenas modificações. sobre o mesmo conjunto de dados utilizados nas simulações computacionais da metodologia Fast-PDE-ConvexHull. Para a verificação da Fast-PDE-ConvexHull. é o mesmo que foi utilizado na execução do programa NEWAVE. o que significa que os reservatórios de energia foram discretizados de 10 em 10% de suas capacidades. foram realizados cálculos para a política operativa utilizando valores diversificados para o número de discretizações. O caso de estudo utilizado na metodologia proposta. que é o modelo NEWAVE.2 Resultados 104 lelizável e maiores ganhos computacionais podem ser obtidos se um número maior de processadores for disponível. Os resultados da execução do NEWAVE foram obtidos no âmbito do projeto de pesquisa e desenvolvimento (Projeto de P&D Estratégico ANEEL — Tema 1: Modelo de Otimização do Despacho Hidrotérmico).7.

mostrando a consistência da metodologia proposta como uma ferramenta para o cálculo da política energética. o custo operacional mensal esperado ao longo do horizonte de planejamento. Pelo algoritmo proposto. os valores médios de custo não variaram em uma ordem tão grande.13 29.9 s 25. Para analisar os resultados obtidos das simulações. de maneira serial.3: Estatística dos custos das simulações Tempo Custo Médio Desvio Padrão do Custo (Milhões R$) Fast-PDE-ConvexHull (3 discretizações) Fast-PDE-ConvexHull (5 discretizações) Fast-PDE-ConvexHull (11 discretizações) NEWAVE — 25.89 2. aproximadamente 80% do tempo computacional despendido corresponde a cálculos necessários à inserção interativa dos hiperplanos.7.32 3. porém.931.831. pois o objetivo do planejamento é encontrar o valor ótimo para o custo esperado de operação e. o tempo de resolução do problema se subdivide entre as tarefas de resolução dos PPLs pelo solver e interpolação das soluções iterativas sobre os hiperplanos com a finalidade de encontrar o corte a ser inserido no processo.894. não há uma base de comparação sólida entre os tempos de execução dos modelos.8. na realização de cálculos de substituição sobre os hiperplanos obtidos do algoritmo de fechos convexos.082.14 (Milhões R$) 2. como pode ser observado. .2 Resultados 105 Tabela 7. é mostrado. os custos encontram-se bem próximos.892.15 Este resultado possui grande importância. através da Figura 7. Para a resolução do problema considerando 11 discretizações.30 2. ou seja.62 492. não fazendo uso de seu potencial de paralelização e. Não foi atribuído o tempo de execução do modelo NEWAVE porque este foi executado em outro computador e. Observa-se que o tempo necessário para a execução da metodologia Fast-PDEConvexHull com 11 discretizações dos armazenamentos foi bem superior ao tempo requerido com a utilização de valores inferiores para o número de discretizações. sendo assim.6 h 24.791.4 s 25.558.218.05 37. além disso.

percebe-se que os valores de energia armazenada no SIN ao final do período de planejamento são muito próximos entre os modelos NEWAVE e Fast-PDE-ConvexHull. Observa-se . que contém as energias armazenadas finais em cada subsistema e a energia armazenada no sistema como um todo.9: Valor esperado de energia armazenada — 11 discretizações Primeiramente.3. Figura 7.9. o valor da integral do custo obtido pela metodologia proposta é inferior ao obtido pelo modelo NEWAVE.8: Custo médio de operação mensal — 11 discretizações Como indicado na Tabela 7. As trajetórias esperadas dos armazenamentos são mostradas na Figura 7. que é o total da energia armazenada no SIN.2 Resultados 106 Figura 7. o que é um fator importante para viabilizar comparações entre os custos de operação.7.

9. Um exemplo de déficit de vazão mínima ocorrida no modelo NEWAVE é apresentado na Figura 7. uma variável importante no estudo é a geração hidráulica. . manteve os reservatórios do Nordeste menos deplecionados e uma consequência desta operação é que não houve déficit de energia de vazão mínima na modelagem proposta. Figura 7. há alguns estágios em que.11 contém as gerações hidráulicas de cada subsistema. principalmente os subsistemas Nordeste e Sul. apenas 50% da meta de energia de vazão mínima é atendida no sistema Nordeste. cuja determinação é uma das metas do planejamento de médio/longo prazo. o comportamento geral do armazenamento do SIN mostrou-se bastante coerente entre as duas metodologias. ou seja. no geral. que apresentou níveis de armazenamento mais baixos. Contudo. que foi obtida através de uma série de baixas afluências (série de 1949 do histórico) em que a energia de vazão mínima obtida não é capaz de alcançar a meta de energia de vazão mínima.10: Atendimento à restrição de vazão mínima no modelo NEWAVE Além do armazenamento.10. dependendo da série. assim como os valores esperados de geração hidráulica no SIN. 100% da meta de energia de vazão mínima foi atendida em todos os estágios e para cada série. como apresentado na Figura 7. Já no modelo NEWAVE. Conclui-se que. A metodologia desenvolvida.7. A Figura 7.2 Resultados 107 que houve um comportamento diferenciado dos modelos quanto à tendência de armazenamento dos subsistemas. o armazenamento do subsistema Nordeste é mantido em um nível mais seguro provavelmente para o atendimento às restrições de vazão mínima em detrimento do subsistema Sul. na metodologia proposta.

2 Resultados 108 Figura 7. Figura 7. Observa-se que o modelo proposto opta por uma menor complementação térmica para a operação do sistema.7.13 apresenta os valores . que contém os valores totais de geração térmica (para todo o SIN). A Figura 7.12.11: Valor esperado da geração hidráulica — 11 discretizações Pode-se perceber que os valores encontrados de geração hidráulica por ambos os modelos são próximos. a diferença do montante térmico/hidráulico pode ser melhor observada no gráfico da Figura 7.12: Valor esperado de geração térmica — 11 discretizações Uma variável de grande importância no estudo é o Custo Marginal de Operação (CMO). Porém. já que este aponta o preço de comercialização de energia.

Contudo. percebe-se que os déficits obtidos nas simulações dentro da metodologia proposta ocorrem em menor frequência durante o estudo.14: Valor esperado de déficit — 11 discretizações A metodologia proposta apresentou um custo esperado de operação menor do que o obtido pelo modelo NEWAVE. pode-se atingir valores superiores ao custos marginais obtidos pelo modelo NEWAVE em alguns períodos.14. menor e possui um comportamento mais periódico. Figura 7.7. porém. . quando comparado ao NEWAVE. Figura 7.2 Resultados 109 esperados para o CMO ao longo do horizonte de estudo para cada um dos quatro subsistemas. Esta é uma indicação de possibilidade de ocorrência de déficits no problema. em geral.13: Valor esperado do CMO — 11 discretizações O valor do CMO encontrado pela metodologia proposta é. os quais são apresentados no gráfico da Figura 7. reforçando que o resultado obtido está próximo de um valor ótimo. maiores valores de déficit esperado foram obtidos na metodologia Fast-PDEConvexHull em 11 discretizações de energia armazenada. Contudo.

Para mostrar que a operação é mais conservadora para números menores de discretização. indicando que a metodologia pode ser utilizada para análises rápidas acerca da operação do sistema. em média. A Figura 7.7. mostrando que pode-se fazer análises preliminares com um baixo tempo computacional.2 Resultados 110 Como pode ser observado na Tabela 7. Figura 7. Verifica-se que com o aumento do número de discretizações dos armazenamentos. porém.15: Custos mensais obtidos por diversas discretizações e comparação com o NEWAVE Como pode ser observado. os custos obtidos por números diferentes de discretização são relativamente próximos. indicando que houve um aumento na variabilidade dos custos obtidos.16) e para 3 discretizações (Figura 7. o custo operativo esperado diminuiu. Desta forma. não há grandes variações no comportamento das curvas quando altera-se o número de discretizações.15 apresenta uma comparação entre os custos obtidos por diversos valores de discretização (3.3. Isto pode ser explicado pela natureza da construção dos cortes pela metodologia FastPDE-ConvexHull. apresenta menos volatilidade em relação à operação advinda de um número maior de discretizações. mais onerosa a operação determinada pela utilização de três discretizações é ainda próxima da operação apontada pelo NEWAVE. .17). levando a uma operação mais conservadora na utilização de um número menor de discretizações. 5 e 11 discretizações) conjuntamente ao modelo NEWAVE. em que o erro na representação da FCF tende a superestimar o valor esperado de custo futuro. apresenta-se o custo operacional obtido de uma série de baixa afluência para 11 discretizações (Figura 7. o desvio padrão dos custos aumentou. embora possua uma operação. porém.

nas Figuras 7.16: Custo de operação mensal para a série de 1949 — 11 discretizações Figura 7.18 e 7.17: Custo de operação mensal para a série de 1949 — 3 discretizações Além disso. respectivamente. Figura 7.2 Resultados 111 Figura 7. para destacar a diferença entre as operações obtidas na série de baixa afluência.7. mostra-se.19.18: Valor esperado de energia armazenada no SIN (Série de 1949) — 11 discretizações . os gráficos da evolução do armazenamento do SIN obtidos para 11 e 3 discretizações.

7. Desta forma. porém. em que a energia armazenada mantém-se a um nível mais elevado. que uma operação mais conservadora foi obtida no uso de um número menor de discretizações de armazenamento. uma operação conservadora pode fazer com que haja custo adicional de operação quando ocorrem cenários mais otimistas. o que faz com que a operação obtida de 11 discretizações esteja mais próxima do valor ótimo. A Figura 7. observa-se que há uma pequena diminuição do déficit esperado quando utilizado um número menor de discretizações. A Figura 7.14. Figura 7. um valor esperado maior de custo de operação.21 apresenta o custo de operação mensal do SIN sujeito à estratégia operativa determinada com o uso de 11 discretizações e a .2 Resultados 112 Figura 7.20 mostra o gráfico do déficit esperado para a execução da política utilizando-se 3 discretizações de energia armazenada e. segundo a modelagem adotada de operação.20: Valor esperado de déficit — 3 discretizações Na operação obtida com a utilização de 3 discretizações houve uma ocorrência menor de déficit. quando confrontado com o gráfico da Figura 7.19: Valor esperado de energia armazenada no SIN (Série de 1949) — 3 discretizações Observa-se. nas Figuras anteriores.

em que há uma maior abundância de recursos hídricos.7. considerando a ocorrência da série de 1982.22: Custo de operação mensal para a série de 1982 — 3 discretizações De maneira geral. que é o modelo oficial utilizado no setor. os resultados obtidos possuem comportamentos compatíveis com o que poderia ser esperado teoricamente. mesmo quando comparada ao NEWAVE. dentro das considerações e simplificações realizadas na resolução do problema.21: Custo de operação mensal para a série de 1982 — 11 discretizações Figura 7. Figura 7. os resultados obtidos mostram que a técnica proposta tem um potencial considerável para resolução do problema de planejamento de médio/longo prazo. Além disso. . para o uso de 3 discretizações.2 Resultados 113 Figura 7.22.

8

Conclusões

8.1

Considerações Gerais e Principais Contribuições

O problema de planejamento energético consiste em determinar as estratégias de geração tal que minimizem o custo esperado de operação durante o horizonte de planejamento. Porém, devido à configuração do sistema brasileiro, que possui um elevado número de aproveitamentos hidráulicos interligados por um sistema de transmissão de grandes dimensões, e ao horizonte de estudo considerado, tem-se que a operação coordenada do sistema é um problema de grande porte. Sobretudo, há a necessidade da representação das não linearidades das unidades de geração e das incertezas dos valores de afluências futuras, que dão uma característica de grande porte ao problema, elevando de forma intensa o requerimento computacional para a resolução do mesmo. Isto leva à necessidade da separação do problema em diferenciados horizontes de estudo, em que em um horizonte de curto prazo modela-se mais fielmente os componentes do sistema, diminuindo-se o peso da análise estocástica do problema e no horizonte de médio/longo prazo esforça-se na representação do comportamento estocástico das afluências. Este trabalho tem foco na resolução do problema de médio/longo prazo e, assim, a natureza estocástica das afluências deve ser representada de forma detalhada e os diversos reservatórios do sistema são representados de forma agregada. Para a resolução deste problema são comumente utilizadas técnicas de programação dinâmica, sobretudo, a programação dinâmica estocástica, que trata conjuntamente as características de não linearidade e estocasticidade existentes no problema. O presente trabalho apresenta uma nova abordagem da utilização dos cortes da função de custo futuro nos problemas de programação linear presentes no processo da Programação Dinâmica Estocástica, constituindo-se em um aprimoramento da metodologia PDE-ConvexHull (DIAS, 2010), que utiliza o algoritmo de fechos convexos para a obtenção das funções de custo futuro. A nova técnica visa tornar o tempo resolução dos problemas de programação linear menos sensível ao número de cortes ou hiperplanos que compõem a função de custo futuro.

8.1 Considerações Gerais e Principais Contribuições

115

Desta forma, foi inicialmente realizada a comparação entre a metodologia PDE-ConvexHull e a metodologia proposta (Fast-PDE-ConvexHull), de forma a verificar o ganho computacional e a aderência entre resultados. Observou-se a metodologia proposta proporcionou uma redução drástica no tempo computacional requerido para a resolução da PDE, de forma a ainda manter coerentes os resultados obtidos por ambas as técnicas. Em seguida, foi levantado o perfil da computação paralela com o objetivo de verificar as características da implementação do algoritmo paralelo. Verifica-se que o algoritmo é altamente paralelizável, apresentando uma alta eficiência no processo. Por fim, a partir da implementação do sistema computacional, que é capaz de utilizar os dados de configuração oficiais do SIN, foi realizado um estudo no caso do PMO de janeiro de 2011 para a comparação dos resultados obtidos pela metodologia desenvolvida com os resultados obtidos pelo modelo NEWAVE, oficialmente adotado pelo setor. Os resultados mostraramse promissores, já que os comportamentos verificados para os resultados são coerentes entre os modelos e, além disso, foi alcançado um custo médio operativo mais econômico do que o encontrado pelo modelo NEWAVE. Entretanto, foram utilizadas, pela Fast-PDE-ConvexHull, as mesmas séries hidrológicas para o cálculo da política operativa e para a simulação da operação, enquanto que o NEWAVE utilizou 200 séries sintéticas para o cálculo da política e, assim, as séries otimizadas são diferenciadas das séries simuladas. Pelos resultados obtidos, este trabalho sinaliza que, devido à melhoria dos recursos computacionais, utilização de técnicas avançadas de sistemas paralelos, adicionalmente à adoção de técnicas como a desenvolvida neste trabalho, pode ser possível a utilização da programação dinâmica estocástica na resolução do problema do planejamento energético de sistemas hidrotérmicos. O algoritmo proposto ofereceu um alto ganho computacional em relação à PDE-ConvexHull convencional, sendo de simples implementação e não impõe o desenvolvimento de solvers próprios para a resolução do problema, o que necessitaria de um grande esforço de implementação para a obtenção de um algoritmo robusto. Além disso, a metodologia também não obriga a utilização de solvers comerciais para a resolução do problema. Foi mostrado também que mesmo para um número menor de discretizações dos armazenamentos, em que o tempo computacional requerido é baixo, consegue-se uma boa aproximação para a política operativa, o que sugere que a metodologia proposta possa ser utilizada como uma ferramenta de análise rápida para o problema da operação. Apesar de serem utilizadas as séries históricas no desenvolvimento deste trabalho, o modelo

8.2 Trabalhos Futuros

116

apresentado permite a obtenção da política ótima de planejamento utilizando modelos diversos de geração de série hidrológicas, isto porque o modelo computacional para o cálculo da política não é acoplado ao modelo estocástico de geração de séries sintéticas. Pode-se utilizar, por exemplo, o modelo PAR, adotado no NEWAVE, ou mesmo outro modelo de geração de séries sintéticas, tais como o PARMA, ou ainda modelos que utilizam técnicas inteligentes como redes neurais e lógica fuzzy, dentre outros.

8.2

Trabalhos Futuros

O esforço computacional requerido para a resolução do problema é alto devido ao número de combinações de estados a serem avaliados durante a dinâmica da PDE. Desta forma, com a utilização de técnicas de discretização eficiente, o tempo computacional requerido poderia ser reduzido, viabilizando inclusive a representação de mais de quatro subsistemas de energia no planejamento eletroenergético por meio da PDE. Como mencionado no trabalho, não foi considerada a interdependência temporal das afluências e seria importante a realização de estudos de forma a compor um modelo de cálculo de política operativa que considere a tendência hidrológica como variável de estado, tal como é feito para a energia armazenada. Os primeiros estudos que podem ser realizados são relativos à utilização de técnicas de clusterização dos cenários de afluência, em que as séries são classificadas e agrupadas em conjuntos com maior representatividade e, consequentemente, seriam agregadas ao processo mais informações a respeito da estocasticidade das afluências. Uma extensão natural deste trabalho é a utilização de um maior número de processadores, que pode ser feito através de uma arquitetura beowulf, contemplando um conjunto de computadores pessoais, ou mesmo utilizando um cluster dedicado. Pode-se ainda utilizar uma outra metodologia de paralelização conhecida como ‘cloud computing’, que é a utilização de servidores dedicados disponibilizados através da internet. Neste contexto de paralelização, tem-se que os diversos PPL’s foram distribuídos entre os núcleos sem critério científico. Como o tempo de resolução de cada PPL não é constante e depende da característica do mesmo, tornaria-se importante fazer um melhor uso dos processadores através de uma distribuição eficiente de processos entre os núcleos de forma minimizar o desequilíbrio decorrente e, consequentemente, obter um fator de aceleração ainda mais linear. Analisando a estratégia de paralelização, o algoritmo apresentou uma granularidade grossa,

verifica-se que ela se encontra aderente à modelagem utilizada pelo modelo NEWAVE. . Assim. consequentemente baixo esforço computacional. pois os resultados obtidos por ambos os modelos (NEWAVE e Fast-PDE-ConvexHull) encontraram-se numericamente próximos. porém. Assim. poderia-se utilizar. pretende-se incorporar à plataforma em desenvolvimento ainda mais algumas funcionalidades que são existentes no modelo NEWAVE e podem ser importantes no estudo. Porém. utilizando conjuntamente as CPU’s e as GPU’s disponíveis. mais testes são necessários para validar a metodologia. de forma automatizada. é possível obter aproximações razoáveis para a operação do sistema.8. a etapa de interpolação sobre os hiperplanos tem custo computacional considerável e poderia ser paralelizada utilizando-se de granularidade fina.2 Trabalhos Futuros 117 sendo altamente paralelizável. como foi apresentado anteriormente. propõe-se a paralelização do algoritmo de interpolação utilizando unidades de processamento gráfico (GPU’s). para um número pequeno de discretizações de armazenamento e. Em relação à modelagem utilizada para a resolução do problema. Isto porque. como. baixos valores de discretizaç para aproximações iniciais e números de discretização mais altos para o refinamento do resultado e maior precisão no cálculo de expansões ótimas. com a utilização de CUDA ou OpenCL para um modelo híbrido de computação paralelo. como cálculo de garantia física e cronograma de realização de obras. Uma linha de desenvolvimento acerca da metodologia proposta é sua utilização como ferramenta para uso no planejamento. por exemplo: • curva de aversão ao risco • cargas adicionais • racionamento preventivo • utilização de séries sintéticas A representação dos diversos patamares de carga já está implementada na modelagem. proporcionando computação de alto desempenho em computadores pessoais. Porém.

CUNHA. CEPEL. . Manual do Usuário . B. ed.org. 2009. ed. S. BARBER. Rio de Janeiro. B. D. H. D. COSTA. L. SP. CEPEL. Sistema de Suporte a Decisão para o Planejamento e a Programação da Operação de Sistemas de Energia Elétrica. M. CHEN. R. ACM Transactions on Mathematical Software. n. 2001. J. COIN-OR Linear Program Solver. CLP. 2. [S.. 3rd.. C. V. R. DIAS. PRADO. H. 1957.. p. J. ROSING.. B. CICOGNA. p. Rio de Janeiro. 469–483. [S. Rio de Janeiro. A.. ISSN 00983500. Modelagem da produtividade variável de usinas hidrelétricas com base na construção de uma função de produção energética. Tese (Doutorado) — Unicamp. 2010. Http://www.. A. Mathematical Problems in Engineering. Relatório Técnico DP/DEA 51566/07 e 51572/07. H. RAMOS. P.118 Referências Bibliográficas ANEEL. SOARES.]: Elsevier. E. A. Simpósio Brasileiro de Recursos Hídricos. ISBN 0387989404. I.l. The quickhull algorithm for convex hulls. Manual de Referência do Programa SUISHI-O 6... [S. Dynamic Programming and Optimal Control. S.]: Springer. v. 327–335. Acessado em janeiro de 2011. 2007. S. Tese (Doutorado) — PUC-Rio. BELLMAN. Programação Dinâmica Estocástica e Algoritmo de Fechos Convexos no Planejamento da Operação de Sistemas Hidrotémicos. OLIVEIRA. 1–20. Optimal operation of multireservoir systems using a composite representation.. ISBN 1886529086.aneel.]: Athena Scientific. DOBKIN. MARCATO..l. S. BRANDI. ABRH. M. Manual de Referência — Modelo NEWAVE. 2010. CEPEL. 2006. Dynamic programming applied to hydrothermal power systems operation planning based on the convex hull algorithm. Campinas.. C. WEN.. v. C. [S. DIAS. CERVELLERA. Optimization of a large-scale water reservoir network by stochastic dynamic programming with efficient state space discretization [An article from: European Journal of Operational Research].l. p. A. E. 4. LEWIS. M.gov.. 22. 2011. 1970.. V. SOUZA. P. N. T. P. J. HUHDANPAA.]: Princeton University Press.. JR. BERTSEKAS. 391–397. n.Programa NEWAVE. p. S. 2011. 2000.10 ? Modelo de Simulação à Usinas Individualizadas para Subsistemas Hidrotérmicos Interligados. Dynamic Programming. BORWEIN. 2003.l. Convex Analysis and Nonlinear Optimization: Theory and Examples.coin-or. C. R. Site oficial da Agência Nacional de Energia Elétrica. 1996. Nov 1997. P. ARVANITIDIS. 2007. B.. Http://www.br. 2010. Rio de Janeiro. 1. Versão 15. J.

J. B. 2002. S. CAMPODONICO. M. A. ed. GUPTA. Planejamento da Operação de Sistemas Hidrotérmicos Utilizando Computação de Alto Desempenho. PEREIRA. MACEIRA. J. L.. W. N.n. 1991. G.cfm?id=244366. Acessado em janeiro de 2011.. Disponível em: <http://portal. IV SNPTEE. Introduction to Parallel Computing. LUSK. J. KUMAR. set. DUARTE. Commercial linear programming solvers and their applications to power system optimization. 2008 IEEE.. NETO. 23. In: XX Seminário Nacional de Produção e Transmissão de Energia Elétrica.. SUANNO. v. [S.: s. 127–133. I.]: Addison Wesley. C. PE: [s.. 2008. Modelagem da Vazão Mínima Obrigatória em Problemas de Planejamento da Operação de Longo Prazo de Sistemas Hidrotérmicos Interligados. [S. A. p. 1995. A. SUANNO. Introdução ao Planejamento da Expansão e Operação de Sistemas de Produção de Energia Elétrica. FORTUNATO..l. Power Industry Computer Application Conf. M. DOSS. Março 1995. 22.n. Http://www. Designing and Building Parallel Programs: Concepts and Tools for Parallel Software Engineering.. N. M.. G.. MACEIRA. 1996.]. KELMAN. RJ.244368>. Site oficial da Empresa de Pesquisa Energética. portable implementation of the MPI message passing interface standard. RJ.. DINIZ. C. T. E..n. KARYPIS.. Representação da Variação da Produtibilidade no Algoritmo de Programação Dinâmica Dual Estocástica — Projeto Newave. Patamares de Mercado e Evolução da Configuração Hidrotérmica no Modelo Newave.]. A..Referências Bibliográficas 119 DINIZ.epe. FINARDI. Florianópolis. ISON.org/citation. 2009. 1995. ACM ID: 244368. A. R. GORENSTIN. Representação do Sistema Hidroelétrico. [S. ISSN 0167-8191. 1298–1308. M. Niterói: Universidade Federal Fluminense. Rio de Janeiro. Relatório Técnico. 789—828.l. A four-dimensional model of hydro generation for the short-term hydrothermal dispatch problem considering head and spillage effects. M. Relatório Técnico. EPE.l. ISBN 1932-5517.. CAIRE. PEREIRA. v. [S. FOSTER.]: Addison Wesley. Critérios de avaliação para modelos de séries hidrológicas. Rio de Janeiro. PEREIRA.l. M.. 1977. A high–performance. n. F. 2. A.acm. p. L. 1990. Dissertação (Mestrado) — UFJF. Dissertação (Mestrado) — Universidade Federal de Santa Catarina — UFSC. p. E. C. M. Parallel Computing.]. V.Conversion and Delivery of Electrical Energy in the 21st Century. 3. A. Processo iterativo de construção da função de produção das usinas hidroelétricas para o problema de coordenação hidrotérmica. P. 1999.. Juiz de Fora. F. V. A. L. 1–7. SKJELLUM. ALBUQUERQUE. R.gov. Recife. MACEIRA. 2003. . ISBN 0201648652. E. GROPP. V. V. M. 2008. In: Power and Energy Society General Meeting . p. P. Stochastic optimization of a hydro-thermal system including network constraints. COSTA.br. 2011.. GRAMA. ISBN 0201575949. In: Proc. M.: s.

2003. COSTA. L. Interior-point methods and their applications to power systems: a classification of publications and software codes.nvidia. M. ROCHA. A. CABRAL.cfm?id=1127608.. OpenCL . p. G.. 15. L. OPENCL. 2011.org. A. IEEE Transactions on.org/citation. p. M. IMPA. R. 1.]. . M. J. Rio de Janeiro. TERRY. Disponível em: <http://portal. Belém: [s. Sevilla .. P. M. F.Spain: [s. M. [S. Http://www. PEREIRA. A..n.. R. MORAES. Http://www. Medina-Palomo. M.. 170–176. v.: s. ONS. A.]. MELO. v. 779–792.n. S. F. disponível em http://www. S. DAMáZIO. n.. V. Representação Híbrida de Sistemas Equivalentes e Individualizados para o Planejamento da Operação de Médio Prazo de Sistemas de Potência de Grande Porte.. Influência do Custo do Déficit de Energia nos Preços Spot de Energia Elétrica do Brasil. COSTA.khronos. 11..]. 2000. G. Belém. TORRES. G... M.n.l. 2009. PINTO. 2007.org/opencl/. Qhull. J. F. 2002. 6. MARCATO. Rio de Janeiro.l.br. G. Use of the par(p) model in the stochastic dual dynamic programming optimization scheme used in the operation planning of the brazilian hydropower system. QUINTANA. M. Site oficial do Operador Nacional do Sistema.]. Dissertação (Mestrado) — Associação Instituto Nacional de Matemática Pura e Aplicada. 1989.. QHULL. In: Water Resources Research. C. PINTO. Site da NVIDIA. 143—156. 2002. E. V. MARCATO. 161–169. G. In: International Journal of Electric Power and Energy Systems. n.The open standard for parallel programming of heterogeneous systems. 5. Tese (Doutorado) — PUC-Rio. In: XI SEPOPE. M. Cluster Beowulf: Aspectos de Projeto e Implementação. V. F. Metodologia para aplicação de processamento distribuído no planejamento de curto prazo da operação hidrotérmica. Dissertação (Mestrado) — Universidade Federal do Pará. [S. 2011. 2011. M. p. 21. v.. S. P. 1985. NVIDIA. Dissertação (Mestrado) — IMPA. UFPA. DAMáZIO. L. n. L. J. N. P.ons. L.org. E. J. v.Referências Bibliográficas 120 MACEIRA. 2002. Power Systems. Redistribuição ótima em patamares de carga da geração mensal de usinas hidrelétricas. J. Rio de Janeiro. PEREIRA.: s. R. Probability in the Engineering and Informational Sciences. M. 2007. C. 20.n.. E. NASCENTES. Acessado em janeiro de 2011. MACEIRA.1127617>. ACM ID: 1127617.qhull. Considerações dos Contratos de Gás natural com Cláusulas Take-or-Pay no Planejamento Energético a Médio Prazo. A. DINIZ. Biblioteca em C++. J. jan. ISSN 0885-8950. 2011. Optimal stochastic operations scheduling of large hydroelectric systems. ISSN 0269-9648. A. p. L. MACEIRA.acm. M. Dissertação (Mestrado) — UNICAMP. Campinas. Chain of optimization models for setting the energy dispatch and spot price in the brazilian system. 2006. In: 14th Power Systems Computation Conference (PSCC). Stochastic optimization of multireservoir hydroelectric system: A decomposition approach. P.com. V. Http://www.

l. F. 2. F. MARQUES. M. Rio de Janeiro. C. Tese (Doutorado) — UNICAMP. Avaliação do Impacto da Representação Explícita de Bacias Hidrográficas Através do Acoplamento Hidráulico no Planejamento da Operação Energética de Médio Prazo. B. SBA: Controle e Automação. d.. Modelo a Sistema Equivalente — Descrição Geral.l. Rio de Janeiro. M. R. B.. CASTRO. E. 2. RJ. O. B. PEREIRA. B. C. ALLEN. Playing the odds: Risk management in competitive generation contracts.. Soares Filho.. Parallel Programming: Techniques and Applications Using Networked Workstations and Parallel Computers. p. . M. 1987.. Dissertação (Mestrado) — COPPE/UFRJ. Formação de Preços em Mercados de Energia Elétrica.. Paris. Relatório Técnico. M. Vieira Filho. G.]: Prentice Hall. 1. SIQUEIRA. Campinas. Possíveis aprimoramentos na formação do pld — preço de liquidação das diferenças no mercado brasileiro. G. T. GRANVILLE. PEREIRA. V.]: Sagra Luzzatto. R. S... Planejamento da Operação Energética do Sistema Interligado Nacional Baseado em Modelo de Controle Preditivo. GORENSTIN. ISBN 0131405632. September 1998. L. X. 1980. Campinas. A. 2001. ed. 2009.. Comparação entre Diferentes Abordagens de Programação Dinâmica no Planejamento da Operação Energética de Sistemas Hidrotémicos de Potência. ZAMBELLI. [S. F. M.. SILVA. Tese (Doutorado) — UNICAMP. S. 2004.. GOMES.Referências Bibliográficas 121 SACCHI. 2009. MELLO. [S. CIGRÉ Conference. SOUZA. n. 2008. 2008. J. R. 122—131. v. Workshop Internacional sobre Formação de Preço de Energia Elétrica no Mercado de Curto Prazo. G. TERRY. WILKINSON. Planejamento da operação de sistemas hidrotémicos.

Sign up to vote on this title
UsefulNot useful