4219

Anais do XIX Congresso Brasileiro de Automtica, CBA 2012.

ISBN: 978-85-8001-069-5
ALGORITMOS DE OTIMIZAO BIOINSPIRADOS BASEADOS EM POPULAES PARA O
PROBLEMA DE DESPACHO ECONMICO DE CARGA
ADRIANE B. S. SERAPIO, RAQUEL K. ROCHA
DEMAC/IGCE/UNESP
Caixa Postal 178, CEP 13506-900 Rio Claro (SP)
adriane@rc.unesp.br, raquelkrocha@gmail.com
Abstract Economic Load Dispatch is a problem that attempts to determine the optimal operational point of thermal power
generation units, which are committed to satisfy a given demand and that are subject to their respective operational constraints.
The goal is to minimize the total cost of generating power system within a time interval, attending the restrictions associated
with the problem. Since the introduction of the economic load dispatch problem several methods have been used to solve it.
However, conventional approaches, such as mathematical programming methods and methods based on gradient, have not
shown effective results to solve the problem in terms of the optimal solution, because the solution often may get trapped in a
local minimum due to nonlinearities inherent in the economic load dispatch problem. To overcome these difficulties, some
recent algorithms based on evolutionary approaches not yet intensively explored are used in this work to solve the economic
dispatch load problem, characterized as an optimization problem with nonlinear, discontinuous and restricted objective-function.
The metaheuristics applied for studying the economic load dispatch problem solving were: Particle Swarm Optimization,
Harmony Search and Firefly Algorithm.
Keywords Economic load dispatch, Swarm Intelligence, Particle Swarm Optimization, Harmony Search, Firefly Algorithm.
Resumo O despacho econmico de carga um problema que procura determinar o ponto timo de operao de unidades de
gerao termoeltrica que esto comprometidas a satisfazer uma demanda e esto sujeitas s suas respectivas restries opera-
cionais. A meta central do minimizar o custo total de gerao do sistema de potncia dentro de um intervalo de tempo e aten-
der as restries associadas ao problema. Desde a introduo do problema de despacho econmico diversos mtodos tm sido u-
tilizados para resolver este problema. Entretanto, abordagens convencionais como os mtodos de programao matemtica e m-
todos baseados em gradiente no tem mostrado resultados eficientes resoluo do problema em termos de soluo tima, pois a
soluo frequentemente fica retida em armadilhas de mnimos locais devido s no-linearidades inerentes ao problema do despa-
cho econmico de carga. Para contornar estas dificuldades, alguns algoritmos recentes baseados em abordagens evolutivas, ain-
da pouco explorados, so utilizados neste trabalho para resolver o problema do despacho econmico de carga, caracterizado co-
mo um problema de otimizao com funo objetivo no-linear, descontnua e com restries. As metaheursticas aplicadas ao
estudo da soluo do problema de despacho econmico de carga foram: Otimizao por Enxame de Partculas, Busca por Har-
monia e Algoritmo de Vagalume.
Palavras-chave Despacho econmico de carga, Inteligncia Coletiva, Otimizao por Enxame de Partculas, Busca por Har-
monia, Algoritmo de Vagalume.
1 Introduo
De acordo com Coelho & Mariani (2006), os sis-
temas eltricos so interconectados de forma a obter
os benefcios de custos mnimos de gerao, confian-
a mxima e melhores condies operacionais, tais
como compartilhamento de reserva de energia, apri-
moramento da estabilidade e operao sobre situa-
es de emergncia. Assim sendo, o problema de
otimizao do despacho econmico de energia eltri-
ca relevante para atendimento de requisitos de qua-
lidade e eficincia na gerao de energia eltrica.
O despacho econmico um problema no qual
se tem n unidades geradoras disponveis e conectadas
ao sistema de potncia. Durante a atividade opera-
cional do sistema, esse deve atender a uma previso
de carga (demanda do sistema), de modo que a soma
das potncias geradas pelas unidades deve ser igual
carga total do sistema mais as perdas eltricas (Dutra
et al., 2010).
O objetivo bsico do problema de despacho eco-
nmico da gerao de energia termoeltrica o esca-
lonamento das sadas das unidades de gerao con-
veniadas para encontrar a demanda de carga consu-
midora a um custo mnimo de operao dentro de um
intervalo de tempo (tipicamente uma hora), satisfa-
zendo as restries inerentes s unidades geradoras
utilizadas e as restries de igualdade e desigualdade
impostas pelo problema (Abido, 2003).
O despacho econmico para a operao de gru-
pos trmicos descrito por um problema de progra-
mao matemtica multiobjetivo que consiste em
minimizar a funo que determina o custo de com-
bustvel (funo objetivo), encontrando um perfil de
gerao timo, sujeito satisfao da carga de ener-
gia eltrica e aos limites tcnicos de operao dos
grupos.
O problema de despacho econmico possui ca-
ractersticas complexas e no-lineares com a presen-
a, muitas vezes, de restries de igualdade e desi-
gualdade. Diversos mtodos tm sido utilizados para
resolver esse problema, desde que ele foi introduzi-
do, como por exemplo, mtodo iterativo, tcnicas
baseadas em gradiente, mtodo dos pontos interiores,
programao linear e programao dinmica. Toda-
via, as abordagens convencionais usadas para a oti-
mizao desse problema no so adequadas, pois a
4220
Anais do XIX Congresso Brasileiro de Automtica, CBA 2012.
ISBN: 978-85-8001-069-5
soluo pode ficar retida em armadilhas de mnimos
locais (Coelho & Mariani, 2006).
Alguns mtodos heursticos no somente explo-
ram as caractersticas dos problemas, como tambm
especialmente fazem analogia com outros mtodos de
otimizao encontrados na natureza. Tais mtodos
heursticos so chamados metaheursticas (Glover &
Gkochenberger, 2001) e independem do problema a
ser tratado.
Diversos modelos do problema de despacho e-
conmico de carga usando mtodos metaheursticos
tambm j foram abordados em alguns trabalhos da
literatura cientfica, incluindo o emprego de mtodos
como algoritmos genticos (Walters & Sheble, 1993;
Coelho & Mariani, 2006), recozimento simulado
(Wong & Fung, 1993), busca tabu (Lin et al., 2002),
otimizao de enxame de partculas (Gaing, 2003;
Park et al., 2005), programao evolutiva (Sinha et
al., 2003), otimizao extrema generalizada (Dutra et
al., 2010).
O princpio fundamental desses algoritmos, tam-
bm referenciados como mtodos bioinspirados, uti-
liza um mtodo construtivo para a obteno da popu-
lao inicial (solues factveis iniciais) e uma tcni-
ca de busca local para melhorar a soluo da popula-
o, considerando que os indivduos (solues) dessa
populao so evoludos de acordo com regras espe-
cificadas que consideram o intercmbio de informa-
es entre os indivduos (Yang, 2008). Esse processo
conduz a populao em direo obteno de uma
soluo tima. Tais algoritmos so tambm conheci-
dos como algoritmos de Inteligncia Coletiva (Sera-
pio, 2009).
Este trabalho pretende utilizar trs recentes m-
todos de otimizao evolutiva bioinspirada resolver o
problema de despacho econmico de carga, por causa
da flexibilidade e eficincia demonstradas na soluo
de outros problemas NP difceis, pois as abordagens
metaheursticas permitem a insero de restries de
uma forma mais suave. Os mtodos explorados neste
trabalho so: Otimizao por Enxame de Partculas
(Particle Swarm Optimization PSO) (Kennedy &
Eberhart, 1995), Busca por Harmonia (Harmony Se-
arch HS) (Geems et al., 2001) e Algoritmo de Va-
galume (Firefly Algorithm FA) (Yang, 2009).
2 Modelagem do Problema de Despacho Econ-
mico de Carga
O propsito do problema de despacho econmi-
co da gerao de energia termoeltrica o escalona-
mento das sadas das unidades de gerao convenia-
das para encontrar a demanda de carga consumidora
a um custo mnimo de operao, satisfazendo as res-
tries inerentes s unidades geradoras utilizadas e as
restries de igualdade e desigualdade impostas pelo
problema.
O despacho econmico para a operao de gru-
pos trmicos descrito por um problema de progra-
mao matemtica multiobjetivo que consiste em
minimizar a funo que determina o custo de com-
bustvel (funo objetivo), encontrando um perfil de
gerao timo, sujeito satisfao da carga de ener-
gia eltrica e aos limites tcnicos de operao dos
grupos.
Considere um parque de grupos trmicos com n
unidades geradoras. O custo total de combustvel na
gerao de energia a ser minimizado a soma das
contribuies das unidades geradoras dada por:

=
n
i
i i
P F
1
) ( min
, (1)
onde: F
i
a funo custo de combustvel para a
unidade geradora i (em $/h) e P
i
(em MW) a potn-
cia fornecida por essa unidade.
O custo varivel de operao de cada unidade
poder ser expresso em funo da potncia de sada:
i i i i i i i
c P b P a P F + + =
2
) (
, (2)
sujeito a:
max min
i i i
P P P s s
, (3)
onde: a
i
, b
i
e c
i
so restries das caractersticas
do gerador, e P
i
min
e P
i
max
so respectivamente as
sadas de operao mnimas e mximas da unidade
geradora i (em MW).
A energia gerada a partir de todas as unidades
comissionadas deve satisfazer demanda de carga,
que definida como:
0
1
=

=
L D
n
i
i
P P P
, (4)
onde: P
D
a demanda de carga total do sistema (em
MW); P
L
a perda de transmisso (em MW).
No despacho econmico de carga, as perdas de
transmisso do sistema devem calculadas como fun-
es das sadas das unidades geradoras usando a ma-
triz de coeficiente B, da seguinte forma:

+ + =
n
i
i i
n
i
n
j
j i ij L
B P B P P B P
00 0
, (5)
onde: B
ij
o ij-simo elemento da matriz de coe-
ficiente de perda, B
i0
o i-simo elemento do vetor
de coeficiente de perda e B
00
a constante do coefi-
ciente de perda.
A equao (3) representa as restries de desi-
gualdade relativas aos limites da capacidade de gera-
o de potncia de cada unidade geradora, enquanto
que a equao (4) representa as restries de igualda-
de do balano de potncia (ou seja, equilbrio entre
suprimento e demanda).
Os algoritmos de otimizao baseados em col-
nias foram utilizados para minimizar a funo objeti-
vo abaixo:
|
|
.
|

\
|
|
.
|

\
|
+ =

= =
L D
n
i
i
n
i
i i
P P P abs q P F f
1
1
1
) ( ) min(
(6)
onde: q
1
uma constante positiva para penalizar as
solues que no atendem ao equilbrio no balano
de carga.
4221
Anais do XIX Congresso Brasileiro de Automtica, CBA 2012.
ISBN: 978-85-8001-069-5
Esta funo objetivo foi estabelecida para con-
templar no apenas a distribuio de carga nas uni-
dades geradoras com custo baixo como tambm para
satisfazer a restrio de igualdade do sistema.
Dois cenrios distintos foram investigados no es-
tudo de caso do despacho econmico de carga em um
sistema termoeltrico. Os parmetros utilizados nos
algoritmos para o tratamento deste problema foram
os mesmos indicados na Tabela 2. Em cada simula-
o realizou-se 5000 iteraes.
3 Algoritmos de Otimizao Bioinspirados
A seguir apresenta-se um resumo sobre os algo-
ritmos de Inteligncia Coletiva utilizados neste traba-
lho: Otimizao por Enxame de Partculas, Busca por
Harmonia e Algoritmo de Vagalume.

3.1 Otimizao por Enxame de Partculas

O algoritmo PSO uma tcnica de computao
estocstica que foi proposto em 1995 por Kennedy &
Eberhart, baseado no comportamento de bandos de
pssaros. Os indivduos da populao so representa-
dos por pontos (x), denominados de partculas (p),
que voam em um espao de busca 9
d
, onde d a
dimenso do espao, e representam as solues can-
didatas para um problema. As variaes nos atributos
desses pontos levam a novos pontos no espao, ou
seja, correspondem a movimentaes no espao do
problema. Uma ideia inspirada em sistemas cogniti-
vos a de que essas partculas tendero a mover-se
em direo umas s outras e iro influenciar umas s
outras.
A maior parte dos algoritmos de PSO empregam
dois princpios scio-mtricos, que representam dois
tipos de informao importante no processo de deci-
so. O primeiro princpio (g
B
) conecta conceitual-
mente todos os membros de uma populao entre si.
Como consequncia, o comportamento de cada part-
cula influenciado pelo comportamento de todas as
outras partculas. A segunda mtrica (p
B
) cria uma
vizinhana para cada indivduo composta por ele
prprio e seus vizinhos mais prximos. Ambas as
mtricas so medidas por uma funo de avaliao
(f(p)), tambm chamada funo objetivo ou de apti-
do (fitness), que corresponde optimalidade da so-
luo do problema.
Uma partcula p
i
ir se mover em uma determi-
nada direo que funo da posio atual da part-
cula x
i
(t), de uma velocidade v
i
(t+1), da posio da
partcula que levou ao seu melhor desempenho at o
momento (p
B
), e do melhor desempenho global do
sistema at o momento (g
B
). A velocidade da partcu-
la dada por:
v
i
(t+1) = ev
i
(t) +
1
rand() (p
B
x
i
(t)) +

2
rand() (g
B
x
i
(t)), (7)
onde: e o peso de inrcia da partcula, escolhido
geralmente no intervalo [0, 1], que serve para limitar
a velocidade da partcula;
1
e
2
so constantes limi-
tadas a um intervalo finito, denominados, respecti-
vamente, como os componentes cognitivo e soci-
al; rand() um nmero aleatrio gerado no interva-
lo [0, 1].
Uma vez que a velocidade da partcula calcu-
lada, a posio da partcula i na prxima iterao
estabelecida como uma influncia aditiva da posio
antiga e da velocidade calculada, sendo expressa por:
x
i
(t+1) = x
i
(t) + v
i
(t+1). (8)
Para limitar a velocidade de uma partcula para
que o sistema no extrapole o espao de busca, so
impostos limites (v
max
) para seus valores em cada
dimenso (d) do espao de busca:
Se v
i
> v
max
ento v
i
= v
max
,
Seno se v
i
< v
max
ento v
i

= v
max
. (9)
O algoritmo PSO repetido at que um critrio
de terminao atingido ou as mudanas nas veloci-
dades das partculas estejam perto de zero. O pseu-
docdigo do algoritmo, em sua forma original, des-
crito no Algoritmo 1.

Algoritmo 1: Procedimento do PSO.
1) Determine o nmero de partculas P da po-
pulao.
2) Inicialize aleatoriamente a posio inicial
(x) de cada partcula p de P.
3) Atribua uma velocidade inicial (v) igual para
todas as partculas.
4) Para cada partcula p em P faa:
a. Calcule sua aptido fp = f(p).
b. Calcule e melhor posio da part-
cula p at o momento (p
B
).
5) Descubra a partcula com a melhor aptido
de toda a populao (g
B
).
6) Para cada partcula p em P faa:
a. Atualize a velocidade da partcula
pela equao (7):
b. Atualize a posio da particular pe-
la frmula como em (8) e (9).
7) Se condio de trmino no for alcanada,
retorne ao passo 4.

3.2 Busca por Harmonia

O algoritmo de Busca por Harmonia, do ingls
Harmony Search (HS), uma metaheurstica baseada
no processo de desempenho musical que acontece
quando um msico procura atingir um melhor estado
da harmonia (Geem et al., 2001), assim como durante
uma improvisao do jazz. Na improvisao musical,
cada msico toca um som qualquer do seu instrumen-
to dentro de uma extenso possvel, produzindo junto
um vetor de harmonia. Se todos os sons produzirem
uma boa soluo, esta experincia armazenada em
4222
Anais do XIX Congresso Brasileiro de Automtica, CBA 2012.
ISBN: 978-85-8001-069-5
cada memria de varivel e a possibilidade de produ-
zir uma boa soluo aumentada na prxima vez.
O algoritmo HS inclui uma quantidade de opera-
dores de otimizao, tais como a memria harmnica
(HM), o tamanho da memria harmnica (HMS, n-
mero de vetores soluo na memria harmnica), o
nmero de improvisaes (NI), a taxa de considera-
o de memria harmnica (HMCR), assumindo va-
lor no intervalo [0, 1], e a taxa de ajuste do som
(PAR), assumindo tambm valor no intervalo [0, 1].
No algoritmo HS, a memria harmnica (HM)
guarda os vetores factveis (x
i
), os quais esto todos
no espao factvel 9
d
, onde d a dimenso do espa-
o. O tamanho da memria harmnica determina
quantos vetores podem ser armazenados. Um novo
vetor gerado pela seleo aleatria de componentes
de diferentes vetores da memria harmnica. Se a
nova harmonia melhor que a pior harmonia existen-
te na HM, a nova harmonia substitui a pior harmonia
da HM. Este procedimento repetido at que uma
harmonia fantstica seja encontrada.
Quando um msico improvisa um som, geral-
mente ele segue uma das trs regras: (1) tocar um tom
de sua memria, (2) tocar um tom prximo a um som
de sua memria e (3) tocar um tom completamente
aleatrio dentro de uma escala possvel. Similarmen-
te, quando cada varivel de deciso escolhe um valor
no algoritmo HS, segue uma das trs regras: (a) esco-
lher qualquer valor da memria HM (definido como
consideraes de memria), (b) escolher um valor
prximo a um valor da memria HM (definido como
ajustes de tom), e (c) escolher valor completamente
aleatrio da possvel extenso de valores (definido
como aleatoriedade). As trs regras no algoritmo HS
so dirigidas efetivamente usando dois parmetros,
que so a taxa de considerao da memria harmni-
ca (HMCR) e a taxa de ajuste de tom (PAR). HMCR
geralmente escolhido no intervalo 0,70, 95 e PAR
comumente usado entre 0,10,5 na maior parte das
aplicaes.
O ajuste de tom realizado atravs da seguinte
equao:
x
i
= x
i
+ b
lim
c, (10)
onde: x
i
uma harmonia presente em HM, b
lim
a
largura da banda do tom e c um nmero aleatrio
gerado no intervalo [-1, 1].
Os passos no procedimento da busca por harmo-
nia so como descritos a seguir.

Algoritmo 2: Procedimento da HS

1) Definir a funo objetivo f(x), x = (x
1
, ...,
x
d
)
T
.
2) Definir os parmetros HMS, HMCR, PAR,
NI.
3) Gerar as harmonias iniciais x
i
(i = 1, 2, ...,
HMS) e guardar na memria (HM).
4) Selecione algumas das melhores harmonias
da memria (HM).
5) Se rand() > HMCR ento:
a. escolha ao acaso uma harmonia
existente (x
i
);
b. seno, se rand() > PAR ento:
i. ajuste o tom aleatoriamente
dentro da escala tonal, como
na Eq. (10), produzindo x
i
;
ii. seno, gere aleatoriamente
uma nova harmonia (x
i
).
6) Atualize HM se a nova harmonia (x
i
) for
melhor que a antiga (x
i
), fazendo x
i
= x
i
.
7) Retorne ao Passo 4 at que o critrio de
terminao seja satisfeito.

Maiores informaes sobre este algoritmo po-
dem ser encontradas em (Lee & Geem, 2005).

3.3 Algoritmo de Vagalume

O Algoritmo de Vagalume (Firefly Algorithm
FA) foi proposto por Yang (2008) e baseia-se na ca-
racterstica de bioluminescncia dos vagalumes. De
acordo com Yang, embora a biologia no conhea
ainda completamente a utilidade das emisses lumi-
nosas dos vagalumes, trs funes j foram identifi-
cadas: (i) como uma ferramenta de comunicao e
atrao para acasalamento; (ii) como uma isca para
atrao de eventuais presas para o vagalume; (iii)
como um mecanismo de alerta para potenciais preda-
dores, visto que os vagalumes possuem um gosto
amargo.
As caractersticas de intensidade e intermitncia
da bioluminescncia emitida pelos vagalumes para a
atrao de parceiros no rito de acasalamento, assim
como o fenmeno de sincronizao para a emisso
dos flashes luminosos em um grupo de vagalumes,
foram utilizadas para delinear o algoritmo computa-
cional baseado no comportamento destes insetos.
Trs regras bsicas foram idealizadas: (a) os vagalu-
mes no possuem sexo, de modo que qualquer vaga-
lume poder atrair ou ser atrado; (b) a atratividade
proporcional ao brilho emitido e decai conforme au-
menta a distncia entre os vagalumes. Para dois vaga-
lumes quaisquer, o de menor brilho deve-se mover
em direo ao de maior brilho; (c) o brilho emitido
por um vagalume determinado pela sua avaliao
conforme a funo objetivo (i.e., quanto melhor ava-
liado, mais brilhante).
Deste modo, a intensidade de emisso de luz de
um vagalume I(x
i
) proporcional funo objetivo
J(x
i
). Porm, a percepo da intensidade luminosa
por um vagalume decai em funo da distncia entre
os vagalumes, devido absoro da luz pelo meio.
A intensidade percebida por um vagalume dada
por:

2
0
) (
r
e I r I

=
, (11)
onde: I
0
a intensidade da luz emitida; r a distncia
Euclidiana entre os vagalumes i e j, sendo i o vaga-
lume mais brilhante e j o vagalume menos brilhante;
e o parmetro de absoro da luz pelo meio.
4223
Anais do XIX Congresso Brasileiro de Automtica, CBA 2012.
ISBN: 978-85-8001-069-5
A distncia entre dois vagalumes i e j nas posi-
es x
i
e x
j
, respectivamente, dada por:

( )

=
= =
d
k
k j k i j i ij
x x x x r
1
2
, ,
, (12)
onde: x
i,k
o k-simo componente da coordenada
espacial x
i
do i-simo vagalume e d o nmero de
dimenses.
A funo de atratividade de um vagalume ex-
pressa como:

m
r
e r

| |

=
0
) (
, com m 1 (13)
onde:, r a distncia entre dois vagalumes, 0 a
atratividade inicial em r = 0, e o coeficiente de
absoro que controla o decaimento da intensidade
de luz.
A movimentao de um vagalume i em direo a
outro vagalume j mais atrativo (mais brilhante) de-
finida por:
) 2 / 1 () ( ) (
2
0
+ + =

rand x x e x x
i j
r
i i
ij
o |

, (14)
onde o primeiro termo a posio atual de um vaga-
lume, o segundo termo usado para representar a
atratividade de um vagalume da intensidade de luz
vista por vagalumes adjacentes, e o terceiro termo
usado para o movimento aleatrio de um vagalume
no caso de no existir nenhum outro vagalume mais
brilhante; o um fator de aleatoriedade e rand() um
nmero gerado aleatoriamente entre 0 e 1.
A posio de cada vagalume utilizado no algo-
ritmo (representada por x
i
) define uma soluo candi-
data.
O pseudocdigo do algoritmo de vagalume pode
ser visto a seguir (Yang, 2008).


Algoritmo 3: Procedimento do FA
1) Definir a funo objetivo J(x), x = (x
1
, ...,
x
d
)
T
.
2) Definir os parmetros n, o, |
0
, , MaxGera-
es.
3) Gerar a populao inicial de vagalumes x
i
(i
= 1, 2, ..., n).
4) Calcular a intensidade de luz I
i
para x
i
pro-
porcionalmente a J(x
i
), como nas Eq. (11) e
(12).
5) Para cada vagalume x
i
:
a. Calcular o fator de atratividade |
de acordo com e
-^2
, como em (13).
b. Mover o vagalume x
i
em direo
aos vagalumes mais brilhantes,
como em (14).
c. Verificar se o vagalume est dentro
dos limites.
6) Se o critrio de convergncia for satisfeito,
termine. Caso contrrio, retorne ao passo 4.
4 Resultados
Os algoritmos PSO, HS e FA foram utilizados
para resolver o problema de despacho econmico de
carga em dois casos de teste para investigar suas ca-
pacidades de otimizao.
A seguir apresenta-se uma descrio de cada um
dos casos de testes avaliados, tambm apresentados
em Serapio (2009).

4.1. Casos de teste

Simulao 1: Sistema com 3 unidades geradoras

O primeiro estudo de caso refere-se a trs unida-
des geradoras. A demanda de potncia (P
D
) a ser
encontrada pelas unidades geradoras 150 MW. Os
dados do sistema so apresentados na Tab. 1.

Tabela 1 Dados para as trs unidades termais de gerao
sobre capacidade e coeficientes
Unidade
A
($/MW
2
)
b
($/MW)
c
($)
P
min
(MW)
P
max

(MW)
1 0,008 7 200 10 85
2 0,009 6,3 180 10 80
3 0,007 6,8 140 10 70

Para este sistema, as matrizes B dos coeficientes
de perda na linha de transmisso (com capacidade de
base de 100 MW) so dadas respectivamente por:

(
(
(

=

0179 , 0 0017 , 0 0028 , 0
0017 , 0 0228 , 0 0093 , 0
0028 , 0 0093 , 0 0218 , 0
10
2
ij
B
,
| | 5 , 1 1 , 3 3 , 0 10
3
0
=

i
B
,
B
00
= 0,030523.

Simulao 2: Sistema com 6 unidades geradoras

No segundo cenrio, o sistema consiste de seis
unidades geradoras, com 26 barramentos e 46 linhas
de transmisso. O sistema fornece uma demanda de
carga total (P
D
) de 700 MW. Em relao ao caso 1, a
complexidade e a no-linearidade do problema so
aumentadas. Na Tab. 2 esto indicados os dados do
sistema.

Tabela 2 Dados para as seis unidades termais de gerao
sobre capacidade e coeficientes
Unidade
a
($/MW
2
)
b
($/MW)
c
($)
P
min
(MW)
P
max

(MW)
1 0,0070 7 240 100 500
2 0,0095 10 200 50 200
3 0,0090 8,5 220 80 300
4 0,0090 11 200 50 150
5 0,0080 10,5 220 50 200
6 0,0075 12 120 50 120
4224
Anais do XIX Congresso Brasileiro de Automtica, CBA 2012.
ISBN: 978-85-8001-069-5
As matrizes B dos coeficientes de perda na linha
de transmisso (com capacidade de base de 100 MW)
so dadas respectivamente por:
(
(
(
(
(
(
(
(

=

85 , 0 32 , 0 25 , 0 19 , 0 20 , 0 22 , 0
32 , 0 69 , 0 30 , 0 24 , 0 15 , 0 26 , 0
25 , 0 30 , 0 71 , 0 17 , 0 16 , 0 19 , 0
19 , 0 24 , 0 17 , 0 65 , 0 13 , 0 15 , 0
20 , 0 15 , 0 16 , 0 13 , 0 60 , 0 17 , 0
22 , 0 26 , 0 19 , 0 0,15 0,17 0,14
10
4
ij
B
,
| | 6635 , 0 2161 , 0 0591 , 0 7047 , 0 1297 , 0 0,3908 10
3
0
=

i
B

B
00
= 0,056.

4.2. Avaliao dos resultados

Os algoritmos para resoluo do exemplo foram
implementados em ambiente computacional Matlab
7.10.0 da MathWorks, usando processador Intel Core
i7 de 2,0 GHz com 4 GB de memria.
Os parmetros de cada um dos algoritmos avali-
ados em todas as simulaes foram estabelecidos
com os valores exibidos na Tab. 3. Em todas as simu-
laes utilizou-se o nmero de geraes igual a 5000
para todos os algoritmos de otimizao. O valor da
constante q
1
foi estabelecido em 1000.
A Tab. 4 exibe os resultados encontrados em 20
execues de cada um dos algoritmos para cada caso
estudado, mostrando o custo mdio de todas as exe-
cues, o desvio-padro e a pior (custo mximo) e a
melhor soluo (custo mnimo) encontrada. Os valo-
res em negrito representam os melhores valores obti-
dos entre os trs algoritmos.



O menor desvio-padro foi obtido com o PSO
para o primeiro estudo de caso e com o HS para o
segundo estudo de caso. De modo geral, o PSO apre-
sentou os melhores resultados no estudo do caso com
trs unidades gerados, no que se refere mdia e ao
resultado com valor mais baixo de custo mximo que
os demais algoritmos. O mesmo se repetiu com o
algorimo HS para o estudo do caso com seis unidades
geradoras. Entretanto, a soluo de custo mais baixo
nos dois casos foi encontrada com a utilizao do
FA.
Pode ser observado que o FA satisfez todas as
restries do problema no primeiro caso. J n se-
gundo caso, a restrio da Eq. 4 foi ligeiramente vio-
lada, pois a gerao total de energia foi um pouco
inferior em relao somatria da demanda e das
perdas nas linhas de transmisso.
As Tab. 4 e 5 mostram, respectivamente, os re-
sultados encontrados para o primeiro e o segundo
estudo de caso, considerando a melhor execuo de
cada um dos algoritmos bioinspirados de otimizao
para a minimizao do custo de gerao de energia.
5 Concluso
Neste artigo demonstrou-se a factibilidade da
utilizao de algoritmos de otimizao baseados em
populaes para a soluo eficiente do problema de
despacho econmico de carga com restries de ge-
rao. O algoritmo PSO largamente empregado na
literatura cientfica para a resoluo dos mais varia-
dos tipos de problemas. Os algoritmos HS e FA, em-
bora pertenam mesma categoria de algoritmos
evolutivos que o PSO, so algoritmos que ainda tm
o seu potencial bem menos explorados.

Tabela 3 Valores dos parmetros usados pelos algoritmos de otimizao.
PSO

HS

FA

P (partculas) 20 HMS (tam. memria) 20 n (vagalumes) 20

1
(cognitivo) 2 HMCR (taxa de memria) 0,8 o (aleatoriedade) 0,2

2
(social) 2 PAR (taxa ajuste som) 0,4 |
0
(atratividade) 1,0
e (inrcia) 1 (coef. absoro) 1,0

Tabela 4 Resultados obtidos pelos algoritmos PSO, HS e FA para minimizao do
custo de despacho de carga em 20 execues.
Simulao 1 Simulao 2
Mtodo

Custo
mdio
($/h)
Desvio
padro
Custo
mximo
($/h)
Custo
mnimo
($/h)

Custo
mdio
($/h)
Desvio
padro
Custo
mximo
($/h)
Custo
mnimo
($/h)
PSO 1609,13 8,231 1627,87 1600,60 8722,04 177,652 8912.16 8401,45
HS 1610,10 9,415 1629,18 1600,58 8541,72 99,531 8778,37 8398,06
FA 1617,34 10,746 1633,57 1600,47 8631,82 176,83 9082,00 8388,45

4225
Anais do XIX Congresso Brasileiro de Automtica, CBA 2012.
ISBN: 978-85-8001-069-5
Os trs algoritmos de otimizao baseados em
populao estudados mostraram capacidade de en-
contrar solues viveis para o problema de despa-
cho econmico de carga, que um problema multi-
modal, no diferencivel, altamente no-linear e su-
jeito a restries. Tais algoritmos possuem boas ca-
ractersticas de convergncia e robustez na obteno
de solues prximas soluo tima do problema
de despacho econmico.
Agradecimentos
As autoras agradecem o apoio financeiro da Funda-
o de Amparo a Pesquisa do Estado de So Paulo
(FAPESP) Processo n 2011/08108-0 e a
FUNDUNESP.
Referncias Bibliogrficas
Abido, M.A. (2003). A novel multiobjective
evolutionary algorithm for
environmental/economic power dispatch,
Electric Power Systems Research, Vol. 65, No.
1, pp. 71-81.
Coelho, L.; Mariani, V. (2006). Otimizao de
Despacho Econmico com Ponto de Vlvula
Usando Estratgia Evolutiva e Mtodo de
Quase-Newton. Revista da Sociedade Brasileira
de Redes Neurais, Vol. 4(1), pp. 112.
Dutra, W.D.; Abreu, P.E.; Flvio, S.A.; Chaves, P.C.;
Resende, L.C.; Manso, L.A.F. (2010).
Otimizao Extrema Generalizada Aplicada ao
Problema de Despacho timo de Potncia,
Anais do IX Simpsio de Mecnica
Computacional, So Joo Del Rei - MG.
Gaing, Z.L. (2003). Particle swarm optimization to
solving the economic dispatch considering the
generator constraints, IEEE Trans. on Power
Systems, vVl. 18, pp. 11871197.
Geem, Z.W.; Kim, J.H. and Loganathan, G.V.
(2001). A new heuristic optimization algorithm:
harmony search, Simulation, Vol. 76, No. 2, pp.
6068.
Lin, W.M.; Cheng, F.S.; Tsay, M.T. (2002). An
improved tabu search for economic dispatch with
multiple minima, IEEE Trans. on Power
Systems, Vol. 17, pp. 108-112.
Park, J.-B.; Lee, K.-S.; Shin, J.-R.; Lee, K. Y. (2005).
A particle swarm optimization for economic
dispatch with nonsmooth cost function, IEEE
Transactions on Power Systems, Vol. 20, No. 1,
pp. 34-42.
Glover, F.; Gkochenberger, G. (eds.) (2001).
Handbook in Metaheuristics, Kluwer Academic
Publishers.
Kennedy, J.; Eberhart, R. (1995). Particle Swarm
Optimization. Proceedings of IEEE International
Conference on Neural Networks, pp. 1942
1948.
Tabela 5 Resultados da melhor simulao para o problema de despacho de carga
para o sistema com 3 unidades termais (experimento 1).
Sadas de potncia PSO HS FA
Unidade 1 (MW) 30,617 33,378 32,729
Unidade 2 (MW) 66,759 61,615 63,843
Unidade 3 (MW) 55,385 57,701 56,151
P
L
(MW) 2,76 2,69 2,72
P
D
(MW) 150 150 150
P
i
(MW) 152,76 152,69 152,72
Custo ($) 1600,60 1600,58 1600,47


Tabela 6 Resultados da melhor simulao para o problema de despacho de carga
para o sistema com 6 unidades termais (experimento 2).
Sadas de potncia PSO HS FA
Unidade 1 (MW) 288,653 278,625 293,312
Unidade 2 (MW) 82,753 87,315 79,546
Unidade 3 (MW) 132,988 154,752 123,334
Unidade 4 (MW) 50,00 60,855 69,700
Unidade 5 (MW) 99,565 68,149 79,546
Unidade 6 (MW) 57,768 61,960 63,778
P
L
(MW) 11,73 11,64 11,44
P
D
(MW) 700 700 700
P
i
(MW) 711,73 711,65 709,22
Custo ($) 8401,45 8398,06 8388,45

4226
Anais do XIX Congresso Brasileiro de Automtica, CBA 2012.
ISBN: 978-85-8001-069-5
Lee, K.S. and Geem, Z.W. (2005). A New Meta-
Heuristic Algorithm for Continuous Engineering
Optimization: Harmony Search Theory and
Practice. Computer Methods in Applied
Mechanics and Engineering, Vol. 194, No. 36-
38, pp. 39023933.
Serapio, A.B.S. (2009). Fundamentos de
Otimizao por Inteligncia de Enxames: uma
Viso Geral, Revista SBA Controle &
Automao, Vol. 20, No. 3, pp. 271304.
Sinha, N.; Chakrabarti, R.; Chattopadhyay, P. K.
(2003). Evolutionary programming techniques
for economic load dispatch, IEEE Transactions
on Evolutionary Computation, Vol. 7, No. 1, pp.
8394.
Walters, D.C.; Sheble, G.B. (1993). Genectic
Algorithm Solution of Economic Dispatch With
Valve Point Loading. IEEE Transactions on
Power System, Vol. 8, No. 3, p.8.
Wong, K.P.; Fung, C.C., (1993). Simulated
Annealing Based Economic Dispatch Algoritm.
IEE Proceedings-C, Vol. 140, No. 6, pp. 7.
Yang, X.-S. Firefly Algorithm. Nature-Inspired
Metaheuristic Algorithms. Luniver Press:
Cambridge, 2008.
Yang, X.S. (2009). Firefly algorithms for multimodal
optimization. In: Stochastic Algorithms:
Foundations and Appplications (Eds O.
Watanabe and T. Zeugmann), SAGA 2009,
Lecture Notes in Computer Science, 5792,
Springer-Verlag, Berlin, pp. 169-178.