Otimização multicritério para despacho econômico e ambiental de usinas térmicas utilizando enxame de partículas (original) (raw)
Related papers
2017
Uma das tarefas prioritarias para as usinas termeletricas e fornecer a demanda de energia solicitada garantindo o menor custo possivel. Esta tarefa possui ainda mais importância na Regiao Norte do Brasil, principalmente no Polo Industrial de Manaus (PIM) e na propria cidade, onde uma grande parte desta energia e fornecida por Usinas Termeletricas (UTE). A selecao dos geradores e o seu regime de trabalho se conhece como Despacho Economico (DE). O objetivo essencial do DE e operar as UTE satisfazendo a demanda ao menor custo de combustivel possivel. Entretanto, a preocupacao mundial com a poluicao causada pelos combustiveis fosseis nestes ultimos tempos a minimizar o custo de combustivel nao pode ser considerado o unico objetivo a atingir nas UTEs e limitar a emissao de poluentes tornou-se outro objetivo primordial. Assim, surge o Despacho Economico Ambiental (DEA), que procura nao diminuir os custos, mas tambem as emissoes. Para resolver a otimizacao desta tarefa existem diversos met...
Método de Otimização por Enxame de Partículas Aplicado ao Despacho Econômico de Geradores
2020
The economic dispatch of generators has the objective of minimizing the cost of energy production, which is done by the best distribution of load among the available generating units and the minimization of transmission losses with some imposed restrictions. Several optimization methods can be used to solve economic dispatch problems, whether these are classical or heuristic methods. The optimization method used in this paper is ALPSO (Augmented Lagrangian Particle Swarm Optimization), an extended version of the classic PSO (Particle Swarm Optimization) method, with the addition of constraints. This method will be applied to obtain the economic dispatch in an electric power system and the results will be compared with the solution obtained by the classical method of gradients. Also, the performance of different PSO topologies will be compared against each other. The ALPSO method achieved similar results with easier implementation, when compared to gradient method. Resumo: O despacho...
Anais Do Computer on the Beach, 2013
The operational planning of hydrothermal generation systems is a complex optimization problem. The goals of the optimization problem are to achieve rational operational strategies of hydroelectric plants in order to minimize the use of power plants while maintaining the level of the power plant reservoirs full at the end of the planning period. Moreover, the problem must consider a set of complex constraints. This article presents the application of a Multiobjective Particle Swarm Optimization technique, MOPSO, for the midterm energy planning involving a group of eight Brazilian hydroelectric plants in three distinct historical periods. Compared with previous published studies using a single goal, it was noted that the MOPSO could achieve good results for periods of average and high flow rates of the rivers, being necessary to refine the search to better meet the study period of the droughts.
Otimização por Enxames de Partículas (PSO
Resumo-A Otimização por Enxame de Partículas (PSO-Particle Swarm Optimization), parte da família de inteligência de enxames, é conhecida por efetivamente resolver problemas de otimização não-linear em larga escala. Este artigo apresenta uma visão geral dos conceitos básicos do PSO e suas topologias. Ao final uma comparação do comportamento da otimização dependendo da topologia, função e peso da inércia aplica. Palavras Chaves-otimização clássica, otimização de enxame de partículas (PSO), inteligência de enxame I. INTRODUÇÃO O algoritmo de Otimização por Exame de Partículas (PSO, do inglês Particle Swarm Optimization) foi introduzido em meados da década de 90 por Kennedy e Eberhart [1], como uma alternativa ao Algoritmo Genético padrão. Conceitualmente, a PSO é uma técnica de busca estocástica que visa otimizar uma função de objetivo, sendo desenvolvida através da tentativa de simular graficamente a coreografia realizada por pássaros em busca de alimentos. Mais tarde, buscando fundamentos teóricos, foram realizados estudos sobre a maneira como indivíduos em sociedades, de uma forma geral, interagem, trocando informações e revendo seus conceitos em busca de melhores soluções para seus problemas [2]. A otimização numérica é a tarefa de determinar valores ótimos dentro de um universo de possibilidades (x ϵ Ʀ n), onde o grau de otimização é dado por uma função de avaliação (f : Ʀ n Ʀ), que pode ser linear ou não-linear [3]. No decorrer deste trabalho mostramos o potencial do mecanismo de controle de inércia da partícula, comparando seus resultados experimentais com a PSO Global. O restante do trabalho está dividido da seguinte forma: a Seção 2 apresenta uma visão geral do modelo da PSO padrão. Na Seção 3 são citados algumas topologias e seus desempenhos. A Seção 4 apresenta as funções de otimização e descreve as configurações experimentais usadas para encontrar os resultados discutidos na Seção 5. E, finalmente, a Seção 6 faz uma conclusão do trabalho. II. OTIMIZAÇÃO POR ENXAMES DE PARTÍCULA O algoritmo PSO original foi inspirado pelo comportamento social de organismos biológicos, especificamente a capacidade de grupos de algumas espécies de animais para trabalhar como um todo na localização de posições desejáveis em uma determinada área. Esse comportamento de busca foi associado ao de uma busca de otimização por soluções para equações não-lineares em um espaço de busca de valor real. A PSO não utiliza os operadores evolucionários para manipular seus indivíduos, mas uma velocidade é atribuída para cada indivíduo para a movimentação pelo espaço de busca, sofrendo o ajuste de velocidade a cada iteração, de acordo com a sua própria experiência (experiência cognitiva), a experiência das outras partículas (experiência social) do enxame e sua velocidade atual. A não execução do operador de seleção é uma característica que difere a PSO dos algoritmos genéticos, da programação evolucionária e das estratégias evolucionárias [4]. A implementação do algoritmo da PSO é dada da seguinte forma: Seja s o tamanho do enxame, n a dimensão do problema e t o instante atual, cada partícula i possui uma posição xi (t) ϵ Ʀ n no espaço de soluções e uma velocidade vi (t) ϵ Ʀ n que indica a direção e a magnitude de seu deslocamento. Adicionalmente, cada partícula possui a lembrança pi * (t) ϵ Ʀ n da melhor posição individual visitada, e o enxame possui a lembrança da melhor posição visitada por alguma partícula até então (pb * ϵ Ʀ n). No decorrer do algoritmo, a velocidade de cada partícula é calculada segundo a melhor posição visitada individual pi * , a melhor posição visitada do enxame pb e o componente que agrupa sua velocidade anterior, servindo com um termo de momentum (inércia). Assim, a atualização da velocidade de cada partícula fica de acordo com a equação (1): vi (t+1) = wvi(t) + c1r1(pi * (t)-xi(t)) + c2r2(pb * (t)-xi(t)) onde r1 e r2 são componentes aleatórias retiradas de uma distribuição uniforme entre 0 e 1, responsáveis por uma busca mais natural, como na natureza, durante o processo de otimização [1]. Já c1 e c2 são os coeficientes de aceleração, que geralmente possuem valores fixos e iguais, responsáveis por controlar a distância que uma partícula irá se mover em apenas uma iteração. O item w é o peso de inércia (termo de momentum) que multiplica a velocidade no instante t anterior e faz com que a busca seja mais explorativa no início e mais explotativa no final, para um valor inércia linearmente decrescente, como sugerido por [1]. Após a atualização da velocidade da partícula, sua posição atual sofre a atualização segundo a equação (2): xi (t + 1) = xi(t) + vi(t + 1) O processo de atualização é resumido no Algoritmo 1.
2016
The companies today are looking for ways to expand their competitive advantages, optimizing their production, and in this context, they found solutions in activities of production scheduling. The production scheduling of the type job-shop, results in one of the most complex problems of combination, the Job-shop Scheduling Problem (JSP), which deterministic resolution is not feasible in polynomial computational time. The Flexible Job-shop Scheduling Problem (FJSP) is a classic extension of the JSP and has been widely reported in the literature. Thus, optimization algorithms have been developed and evaluated in the last decades, in order to provide more efficient production planning, with emphasis to artificial intelligence algorithms of the swarm type, that the latest research presented favorable results. The FJSP allows an operation to be processed for any machine arising from a set of machines along different routes. This problem is commonly dismembered into two sub-problems, the a...
Despacho de Termoelétricas via Otimização Clássica Considerando Zonas Proibitivas de Operação
Anais do Simpósio Brasileiro de Sistemas Elétricos 2020, 2020
Neste artigo, uma abordagem baseada em técnicas clássicas de otimização é proposta usando um modelo de Programação Não Linear Inteira Mista (PNLIM) para o despacho econômico de geradores de energia elétrica considerando zonas proibidas de operação. A modelagem proposta para o problema foi desenvolvida em um ambiente de Programação Matemática (PM) associada ao solucionador Knitro. A principais vantagens da abordagem proposta é a sua capacidade de obter a solução para o problema sem qualquer necessidade de heurística de direcionamento do processo de resolução, com tempo de processamento razoável e resultados permanentes. A abordagem é testada em dois sistemas termelétricos com zonas de operação proibidas e a solução comparada com outras técnicas amplamente empregadas em otimização de despacho econômico. Os resultados obtidos estão de acordo com os melhores encontrados na literatura especializada.
Revista DAE, 2022
As estratégias de operação dos sistemas de abastecimento de água (SAA) objetivam o abastecimento público ininterrupto, muito embora comumente negligenciem a oscilação da tarifa energética diária. Isso proporciona um acréscimo significativo no custo energético das bombas. Entretanto, além de utilizar eficientemente a tarifa, é necessário considerar também o vasto horizonte de combinações exequíveis de estratégias operacionais, a demanda hídrica variante e a manutenção dos níveis de água nos reservatórios e das pressões nas extremidades dentro de intervalos preestabelecidos. Neste cenário, realizou-se este trabalho, cujo objetivo é determinar perfis diários de velocidade das bombas de um SAA, objetivando a minimização do custo energético diário. Para isso, desenvolveu-se um modelo computacional que opera acoplado ao simulador hidráulico EPANET. O modelo fundamenta-se na técnica meta-heurística PSO (Otimização por Enxame de Partículas), sendo a variável de decisão a velocidade das bomb...
agradeço por enriquecer nossas conversas com sabedoria e descontração, contribuindo em meu desenvolvimento pro ssional e pessoal. Agradeço pela paciência, atenção e disponibilidade durante a elaboração deste trabalho. Acima de tudo, agradeço por me aceitar como seu aluno. Ao Prof. Dr. Leandro dos Santos Coelho pela colaboração no desenvolvimento de alguns algoritmos utilizados. A todos professores que colaboraram na formação dos conhecimentos requeridos para a conclusão desta dissertação. Aos meus familiares pelo amor e carinho dedicados em todos os momentos da minha vida. À minha noiva, pelo amor e dedicação. Especialmente, pela compreensão de privar-se de minha companhia. Agradeço a Deus por sua companhia silenciosa e sempre presente.