La evaluación del sistema educativo. Algunas respuestas críticas al por qué y al cómo
Estudo do Tratamento de Restrições Críticas e Não-Críticas no Problema de Reconfiguração em...
-
Upload
independent -
Category
Documents
-
view
1 -
download
0
Transcript of Estudo do Tratamento de Restrições Críticas e Não-Críticas no Problema de Reconfiguração em...
2349
Anais do XIX Congresso Brasileiro de Automática, CBA 2012.
ISBN: 978-85-8001-069-5
ESTUDO DO TRATAMENTO DE RESTRIÇÕES CRÍTICAS E NÃO-CRÍTICAS NO PROBLEMA DE
RECONFIGURAÇÃO EM SISTEMAS DE DISTRIBUIÇÃO PRIMÁRIA
TIAGO A. G. SILVEIRA1, MATEUS A. O. LEITE
1, CARLOS HENRIQUE N. R. BARBOSA
1,2,3, EZEQUIEL C. PEREIRA
4,
JOÃO A. VASCONCELOS1,2
1 Laboratório de Computação Evolucionária, Departamento de Engenharia Elétrica,
Universidade Federal de Minas Gerais
Av. Antônio Carlos no 6627, Pampulha, 31270-901 – Belo Horizonte, MG
E-mails: [email protected], [email protected]
2 Programa de Pós-Graduação em Engenharia Elétrica, Universidade Federal de Minas Gerais
Av. Antônio Carlos no 6627, Pampulha, 31270-901 – Belo Horizonte, MG
E-mail: [email protected],[email protected]
3 Departamento de Ciências Exatas e Aplicadas, Universidade Federal de Ouro Preto
Rua 36 no 115, Loanda, 35931-008 – João Monlevade, MG
4 Companhia Energética De Minas Gerais S.A.
Av. Barbacena, no 1200, Santo Agostinho, 30190-131 – Belo Horizonte,MG
E-mail: [email protected]
Abstract It is known that managing distribution systems under optimal conditions according to pre-established criteria is still
a challenging task to the power utilities. Because this is a real-world problem, feeder configuration optimization problem
(FCOP) has numerous critical and non-critical constraints. This work makes a comparison among three constraint handling
techniques applied to the FCOP: penalization assignment, additional objective, and feasibility dominance. Most common tech-
nical and operational constraints are included into the mathematical formulation presented here. The effects of the chosen tech-
nique over the final solution quality and the stochastic algorithm convergence towards optima set are both investigated. Two al-
ready known test systems of 33 and 69 busses are employed on experimental simulations. The results indicated specific short-
comings in all techniques evaluated and the most appropriated conditions to apply each of them.
Keywords Power System, Distribution, Reconfiguration, Constraint Handling.
Resumo Sabe-se que a operação de sistemas de distribuição em condições ótimas segundo critérios preestabelecidos é um de-
safio ainda recorrente para as concessionárias. Por se tratar de um problema do mundo real, o problema de otimização da confi-
guração de redes de distribuição primária (POCRDP) apresenta um vasto conjunto de restrições críticas e não críticas. Este tra-
balho realiza uma comparação entre três técnicas de tratamento de restrições conhecidas e aplicáveis ao POCRDP: atribuição de
penalidades, acréscimo de objetivo e dominância por factibilidade. A influência da estratégia de tratamento das restrições sobre
a qualidade das soluções finais e a convergência do algoritmo evolucionário empregado na otimização são investigadas. Dois
sistemas já conhecidos na literatura especializada, de 33 e 69 barramentos, são usados nos experimentos. Os resultados indica-
ram limitações específicas de cada técnica usada em contextos de carregamento do sistema de distribuição distintos. As condi-
ções mais apropriadas para a seleção de uma das três técnicas aplicadas ao POCRDP são ratificadas pelos resultados alcançados.
Palavras-chave Sistemas Elétricos de Potência, Distribuição, Reconfiguração, Tratamento de Restrições.
1 Introdução
A incorporação e tratamento eficientes das res-
trições técnico-operacionais referentes ao problema
de otimização da configuração de redes de distribui-
ção primária de energia elétrica (POCRDP) é funda-
mental para a aplicação em casos reais. Uma formu-
lação matemática mais completa para o POCRDP é
geralmente composta por múltiplos objetivos e múl-
tiplas restrições. Trata-se de um problema multimo-
dal, discreto, não-diferenciável, não-linear, de com-
plexidade combinatorial elevada e tido como perten-
cente à classe NP-difícil . De maneira geral, os obje-
tivos são divididos em técnicos e gerenciais. Já as
restrições são classificadas como críticas e não críti-
cas. Admite-se que as restrições críticas devam ser
atendidas necessariamente, visto que alguma violação
das mesmas pode incorrer em riscos para a integrida-
de do sistema elétrico. Porém, é desejável que as
restrições não críticas sejam também atendidas apesar
da violação das mesmas não impossibilitar a realiza-
ção da solução encontrada. Obviamente, uma solução
que atende às restrições críticas, mas viola restrições
não críticas, é preterida por outra que satisfaça ambos
os tipos de restrição.
Na literatura especializada, há várias técnicas para o
tratamento de restrições. No entanto, a identificação
da(s) mais adequada(s) para o POCRDP ainda não
foi claramente realizada. O presente trabalho tem
como principal objetivo avaliar a influência de algu-
mas dessas técnicas na qualidade das soluções finais
2350
Anais do XIX Congresso Brasileiro de Automática, CBA 2012.
ISBN: 978-85-8001-069-5
para o POCRDP, dadas as características já mencio-
nadas desse problema. Grande parte das técnicas de
tratamento de restrições foram originalmente aplica-
das à otimização mono-objetivo. Com adaptações, é
possível aplicar tais técnicas aos problemas multi-
objetivos. Diferentes abordagens apresentam dificul-
dades que podem afetar a qualidade das soluções
finais e até a convergência do algoritmo de otimiza-
ção. Nesse artigo, três técnicas para o tratamento de
restrições são incorporadas ao algoritmo evolucioná-
rio NSGA-II (Deb, et al., 2002). A constatação da
melhor adaptabilidade de tratamento de restrições
para o POCRDP é alcançada por meio de testes expe-
rimentais realizados em dois sistemas conhecidos na
literatura: 33 e 69 barramentos. Os resultados são
analisados com o intuito de comparar cada técnica
em relação à qualidade das soluções finais obtidas.
O presente artigo foi organizado em 7 seções. Na
Seção 1, uma breve apresentação do problema abor-
dado foi feita. Uma revisão dos trabalhos relaciona-
dos ao tema tratado aqui foi desenvolvida na Seção 2
e as respectivas contribuições foram avaliadas. Na
Seção 3, o modelo matemático do POCRDP foi des-
crito em detalhes. As estratégias de tratamento de
restrições empregadas na otimização realizada pelo
algoritmo evolucionário NSGA-II foram discutidas
na Seção 4 e os aspectos de implementação, relevan-
tes para a classe do problema abordado, foram vistos
na Seção 5. Na Seção 6, os resultados experimentais
foram analisados e em seguida as conclusões foram
dadas na Seção 7.
2 Revisão da Literatura
A reconfiguração de redes reais é um problema
inerentemente restrito cujo número de restrições está
associado ao tamanho do sistema. Em particular, o
problema de otimização da configuração de redes de
distribuição primária (POCRDP) já foi descrito ma-
tematicamente em sua forma multiobjetivo admitin-
do-se apenas critérios técnicos e algumas restrições
(Augugliaro, et al., 2004) (Hong & Ho, 2005),
levando-se em conta critérios gerenciais (Miu, et al.,
1997) ou uma combinação dos anteriores (Hsiao,
2004). Diferentes propostas para solucionar o
POCRDP foram apresentadas (Taylor & Lubkeman,
1990) (Wang, et al., 1996) (Miu, et al., 1997)
(Huang, 2002). Os três primeiros trabalhos citados
anteriormente resolveram o problema com heurísticas
que buscavam soluções viáveis, ou seja, que atendi-
am todas as restrições impostas. Entretanto, a busca
através de heurísticas não garante a identificação da
solução ótima global. Já Huang (Huang, 2002) pro-
pôs uma abordagem pseudo-multiobjetivo nebulosa,
transformando o problema multiobjetivo em mono-
objetivo por meio da atribuição de pesos às funções
de pertinência. Usando uma abordagem bastante si-
milar, Hong e Ho (Hong & Ho, 2005) resolveram o
POCRDP. Hong utilizou um algoritmo evolucionário
juntamente com a técnica de penalidades variáveis
para resolver as restrições do problema. Outro traba-
lho que utilizou a lógica nebulosa para “serializar” as
soluções foi o de Augugliaro (Augugliaro, et al.,
2004). Apesar de ter comentado as restrições referen-
tes ao POCRDP, ele não fez menção à técnica de
tratamento das mesmas. Já Ciric (Ciric & Popovic,
2000) empregou uma soma ponderada em cinco
objetivos. Ele tratou as restrições de cada barra e
linha do sistema de maneira independente, mas tam-
bém não detalhou como o tratamento delas teria sido
realizado. Uma abordagem multiobjetivo legítima foi
apresentada em (Hsiao, 2004) para o POCRDP, que
foi resolvido por meio da programação evolutiva.
Apesar de contemplar radialidade e potência disponí-
vel para as cargas, ele não tratou restrições de desvio
de tensão e capacidade de corrente por considerar
que estavam implicitamente incluídas nos objetivos.
Mezura-Montes apresentou uma extensa revisão
sobre métodos de tratamento de restrições, já
propostos (Mezura-Montes & A. Coello Coello,
2011). Dentre as várias abordagens, as mais comuns
são: penalização, dominância por factibilidade,
inclusão de objetivos e emprego de operadores
especiais. Para o método de penalização, Mezura-
Montes citou métodos distintos para a escolha dos
pesos que são associados aos termos de penalidade;
porém não há consenso em relação ao melhor método
para determiná-los (Woldesenbet, et al., 2009)
(Mezura-Montes & A. Coello Coello, 2011). O uso
de operadores especiais visa reduzir o aparecimento
de soluções infactíveis. Entretanto, desenvolver
operadores que evitam solução infactíveis é uma
tarefa extremamente complexa e específica para cada
problema de otimização.
Como visto, existem diversas técnicas para tratar
restrições em problemas de otimização. Por se tratar
de uma aplicação real, é importante avaliar quais
ténicas são mais adequadas ao POCRDP. Pelo
levantamento bibliográfico feito, não foi encontrado
nenhum trabalho científico que tenha investigado
comparativamente tais técnicas para o problema em
questão (Woldesenbet, et al., 2009). Nesse sentido, o
presente artigo apresenta resultados de desempenho
que esclarecem a adequabilidade das mesmas ao
POCRDP restrito.
3 Formulação Matemática do Problema
O POCRDP é formulado com um conjunto de
restrições cuja quantidade é proporcional ao sistema
analisado que possui NB barras e NL linhas. Matema-
ticamente, o problema é descrito como se segue.
Admitindo-se que os estados das Nc chaves mano-
bráveis do sistema elétrico sejam denotados por um
vetor binário x=[x1 x2 .. xk .. xNc], um conjunto de
critérios técnicos e gerenciais compõe o vetor de fun-
ções F(x). Cada variável de otimização xk que repre-
senta uma chave equivalente pode assumir os valores:
2351
Anais do XIX Congresso Brasileiro de Automática, CBA 2012.
ISBN: 978-85-8001-069-5
Neste artigo, as perdas de potência real PR(x), o ín-
dice de desvio da tensão de barramento IDT(x) e o
índice de carregamento de corrente ICC(x) serão
admitidos como critérios técnicos de acordo com as
definições dadas a seguir:
(1)
(2)
(3)
em que Re(Zi) denota a componente real da impedân-
cia longitudinal da i-ésima linha, Ii representa a cor-
rente que flui pela linha i e Vk é o módulo da tensão
da barra k que tem a ela associado um valor nominal
Vnom
k. Cada linha i possui um valor de ampacidade
(Imax
i). O índice de custo das manobras ICM(x) foi
acrescido como critério gerencial que indica apenas a
quantidade de chaveamentos necessária à modifica-
ção da configuração atual para aquela indicada por
uma solução potencial:
(4)
em que x0w denota o estado da w-ésima chave na con-
figuração atual e x’w o estado dessa mesma chave
para a configuração proposta. Portanto, o problema
multiobjetivo aqui tratado pode ser descrito:
(5)
sujeito às restrições de igualdade que representam a
radialidade (6a) e as leis de Kirchhoff da tensão (6b)
e da corrente (6c)
(6a)
(6b)
(6c)
em que V e I equivalem aos vetores de tensão e cor-
rente nas barras e linhas do sistema. São consideradas
também as restrições de desigualdade de tensão de
barramento admissível e ampacidade de linha:
(7a)
(7b)
totalizando NL + 2NB + 3 restrições, uma vez que a
Eq. 7a é subdividida em dois grupos associados aos
valores mínimos e máximos das tensões, respectiva-
mente. Portanto, o POCRDP formulado pode ser
adequadamente resolvido por algoritmo evolucioná-
rio multiobjetivo que lide eficientemente com um
número elevado de restrições. Na próxima seção, as
três técnicas de tratamento de restrições implementa-
das nesse trabalho serão discutidas.
4 Tratamento de Restrições
As restrições de igualdade e desigualdade
compõem a descrição matemática de problemas
típicos do mundo real (Venkatraman & Yen, 2005).
Uma solução é dita viável somente se ela não viola
qualquer restrição. Há diversas técnicas para se
incorporar o tratamento de restrições ao algoritmo de
otimização. No presente trabalho, três técnicas de
tratamento das restrições serão abordadas: penaliza-
ção de objetivos, inclusão de objetivos e dominância
por factibilidade (Venkatraman & Yen, 2005).
4.1 Penalização de objetivos (PO)
A penalização dos objetivos é a mais antiga
abordagem. Em geral, a penalização é proporcional
ao grau da violação ocorrida e ao peso escolhido.
Apesar da sua simplicidade, a escolha dos valores
para os pesos não é trivial e influencia tanto no
conjunto das soluções finais obtidas quanto no
comportamento do algoritmo de otimização. A técni-
ca de penalização trata qualquer violação das restri-
ções como um termo somado aos objetivos. As múl-
tiplas violações das restrições são contabilizadas em
um somatório. Assim, a escolha dos fatores multipli-
cativos (pesos) associados a cada violação é fator
decisivo na convergência do algoritmo para as solu-
ções eficientes. Pesos com valor alto comprometem o
processo de busca por regiões de factibilidade que
estejam cercadas por regiões de infactibilidade
(Michalewicz, 1995). Ao serem duramente penaliza-
dos os indivíduos infactíveis, a probabilidade de que
os algoritmos de busca alcancem regiões de soluções
factíveis isoladas é sensivelmente reduzida
(Michalewicz, 1995) (Mezura-Montes & A. Coello
Coello, 2011). Se aos pesos são atribuídos valores
muito pequenos, soluções infactíveis podem passar a
ser consideradas melhores do que as factíveis. Duas
variâncias da PO são empregadas nesse artigo. A
primeira adota pesos de valor fixo e a segunda utiliza
uma regra pré-fixada para a variação dos mesmos de
acordo com a progressão do algoritmo (POV).
4.2 Acréscimo de Objetivos (AO)
Nesta abordagem, dois objetivos são incorpora-
dos ao problema original, tornando-o tratável pelo
algoritmo evolucionário de maneira indiferente ao
problema irrestrito equivalente. Um objetivo viol
acumula os termos de penalização associados às res-
trições violadas por uma solução particular. Já o ou-
tro objetivo qviol contém a quantidade de restrições
violadas. Portanto, o vetor de funções F(x) que agre-
gava n objetivos passa a ter tamanho n + 2:
(8)
Assim, quaisquer restrições adicionais são incluídas
de modo transparente e o conjunto de soluções efici-
entes deve ser composto por aquelas soluções cujos
valores dos dois últimos objetivos sejam nulos:
2352
Anais do XIX Congresso Brasileiro de Automática, CBA 2012.
ISBN: 978-85-8001-069-5
Essa abordagem, descrita em (Mezura-Montes & A.
Coello Coello, 2011), aumenta a complexidade do
problema multiobjetivo o que pode degradar o
desempenho do algoritmo de otimização já
empregado na versão irrestrita do problema.
4.3 Dominância por Factibilidade (DF)
Enquanto os métodos de penalidade somam aos
objetivos termos que se referem às restrições, a
dominância por factibilidade funciona separando os
objetivos das restrições. A idéia é criar um conjunto
de regras para se efetuar a busca de modo diferente
entre indivíduos factíveis e não-factíveis. Proposta
em (Deb, 2000) (Deb, et al., 2002), a dominância por
factibilidade baseia-se na natureza das soluções
comparadas. Portanto, as soluções infactíveis não são
eliminadas sumariamente. Supondo a existência de
soluções factíveis e infactíveis no processo de busca,
três tipos de comparação podem ocorrer: (a) aquela
entre duas soluções factíveis; (b) aquela entre solução
factível e infactível; e (c) aquela entre duas soluções
infactíveis. O conceito de dominância Pareto é apli-
cado no primeiro caso. Na segunda situação, a solu-
ção factível domina a inviável. No terceiro e último
caso, a solução com menor margem de violação do-
mina a outra. É importante mencionar que este
método pode apresentar convergência prematura
como foi constatado pelos resultados obtidos nesse
artigo.
5 Aspectos da Implementação
Para resolver o POCRDP, utilizou-se o
algoritmo evolucionário baseado em população
NSGA-II, conforme proposto por (Deb, et al., 2002).
No problema em questão, cada indivíduo representa
uma configuração radial. Portanto, a restrição
topológica é superada. A codificação inteira foi
adotada como esquema de representação desses
indivíduos (Mendoza, et al., 2006). O método de
seleção foi o torneio entre cinco indivíduos
aleatoriamente escolhidos na população corrente, a
partir dos quais os dois melhores são admitidos como
pais para a próxima geração. As probabilidades de
cruzamento (pc) e mutação (pm) no NSGA-II foram
fixadas em 90% e 5%, respectivamente. Os
operadores genéticos também foram desenvolvidos e
adaptados com base na proposta de Mendoza
(Mendoza, et al., 2006). A avaliação de cada solução
foi feita a partir da execução do método de fluxo de
potência, como aquele descrito em (Huang, 2002).
As restrições técnicas descritas na Seção 3 pelas Eqs.
7(a-b) precisaram ser estipuladas caso não houvesse
especificação na literatura sobre os sistemas
simulados. Como tensão de barramento admissível,
foi estipulada uma margem aceitável de 6% em torno
do valor nominal das barras. Para um dos sistemas
avaliados, foi necessário definir os valores de
ampacidade nas linhas de acordo com um
carregamento médio identificado por prévias
execuções do método de fluxo de potência para
diferentes configurações aleatoriamente selecionadas.
É importante mencionar que nos experimentos
realizados a mesma população inicial foi usada em
todos os testes, garantindo assim uma igualdade de
condições iniciais para as técnicas avaliadas, a saber:
PO, POV, DF e AO. As soluções ditas não-
dominadas ou eficientes que compõem a fronteira
Pareto ótima (FPO) foram identificadas por meio de
um método do tipo busca exaustiva.
6 Resultados Experimentais
Foram utilizados dois sistemas de distribuição conhe-
cidos da literatura. O primeiro, descrito em (Zhu,
2002), com 33 barramentos e 37 linhas chaveáveis,
possibilita 50.751 soluções radiais. Esta rede, refe-
renciada como Sistema #1, apresentou 25 soluções
que atenderam completamente as restrições, sendo 12
delas eficientes que integram a FPO. O segundo sis-
tema avaliado, denominado Sistema #2 e descrito em
(Huang, 2002), tem 69 barramentos e 74 linhas cha-
veáveis. A partir dele, 376.028 soluções radiais po-
dem ser geradas. Para a formulação multiobjetivo
empregada, esse sistema apresentou 22.366 soluções
que atenderam completamente as restrições, das quais
19 compuseram a FPO. Ambos os sistemas foram
avaliados em dois cenários mantendo-se o número de
avaliações fixo. Percebe-se que em testes com o pro-
blema irrestrito equivalente, 4000 avaliações em mé-
dia foram suficientes para assegurar a identificação
de pelo menos 90% das soluções ótimas. Tomando-se
esse valor como referência, arbitrou-se o uso de 7500
avaliações por ser considerado um número suficiente
para a convergência do processo de otimização. O
primeiro cenário empregou uma população com 50
indivíduos evoluída durante 150 gerações (Npop =
50 e Nger = 150). Neste cenário, um número maior
de gerações foi escolhido para que fosse possível
avaliar o potencial de convergência de cada uma das
técnicas. Já no segundo cenário, as avaliações foram
realizadas ao longo de 75 gerações em populações de
100 indivíduos (Npop = 100 e Nger = 75). Foram
definidos três valores de peso para a técnica PO: 1
(PO1), 20 (PO20) e 100 (PO100). Na técnica POV,
os pesos foram iniciados com valor unitário e dobra-
dos a cada geração. Visando a significância estatísti-
ca dos resultados obtidos, cada cenário foi executado
50 vezes. Os resultados podem ser comparados por
meio do percentual médio de soluções pertencentes à
FPO que foram encontradas nas 50 execuções. Os
resultados referentes ao Sistema #1 são apresentados
na Figura 1. Nesse caso, a técnica que obteve o me-
lhor desempenho foi a PO1. Apesar do número ele-
vado de avaliações, as outras técnicas de penalização
apresentaram dificuldade em encontrar todas as solu-
ções da FPO. As técnicas DF e AO obtiveram o pior
desempenho. Comparando-se os resultados alcança-
dos pela PO1, PO20 e PO100, foi notório que a con-
vergência para esses métodos baseados em penaliza-
2353
Anais do XIX Congresso Brasileiro de Automática, CBA 2012.
ISBN: 978-85-8001-069-5
ção é influenciada pelos valores dos pesos adotados.
Com exceção da técnica AO, as demais técnicas fo-
ram capazes de encontrar as 12 soluções ótimas do
problema em pelo menos uma das 50 execuções.
Os resultados do Sistema #2 são apresentados na
Figura 2. As técnicas PO1, PO20, PO100, POV e DF
apresentaram desempenhos equivalentes e em grande
parte das 50 execuções efetuadas todas as soluções
da FPO foram encontradas. O método AO apresentou
novamente o pior desempenho. O desempenho supe-
rior alcançado por todas as técnicas no Sistema #2 é
justificado pela maior quantidade de indivíduos factí-
veis no espaço de busca, o que gera menos regiões
factíveis isoladas (Michalewicz, 1995). Tal afirmação
também explica o melhor desempenho da técnica
PO1 no Sistema #1, visto que ao penalizar menos os
indivíduos infactíveis, ela favorece um processo de
busca que transita entre as regiões de factibilidade
(Mezura-Montes & A. Coello Coello, 2011).
0
10
20
30
40
50
60
70
80
90
100
0 20 40 60 80 100 120 140 160
Percentual Médio de Ótimos [%]
Geração
Comparação Entre Técnicas De Tratamento De Restrições No Sistema #1 Para Npop = 50
PO1 PO20 PO100 POV DF AO Figura 1. Percentual de soluções ótimas encontradas pelas técnicas
PO, POV, DF e AO no Sistema #1 para Npop=50 indivíduos.
Em ambos os sistemas avaliados, a quantidade de
soluções da FPO encontrada pela técnica AO estag-
nou prematuramente quando uma população de 50
indivíduos foi usada. A inclusão de mais dois objeti-
vos alterou o espaço de busca (acréscimo de duas
dimensões) e, por conseguinte, a FPO. Provavelmen-
te, mais indivíduos foram adicionados a ela.
0
10
20
30
40
50
60
70
80
90
100
0 20 40 60 80 100 120 140 160
Percentual Médio de Ótimos [%]
Geração
Comparação Entre Técnicas De Tratamento De Restrições No Sistema #2 Para Npop = 50
PO1 PO20 PO100 POV DF AO
Figura 2. Percentual de soluções ótimas encontradas pelas técnicas
PO, POV, DF e AO no Sistema #2 para Npop=50 indivíduos.
A partir daí, o NSGA-II selecionou as soluções que
pertenciam à primeira fronteira e promoviam melhor
espalhamento para assegurar a diversidade das solu-
ções finais.
No segundo cenário, o desempenho das técnicas de
tratamento de restrições foi avaliado para uma popu-
lação maior, agora com 100 indivíduos (Npop =
100), mantendo-se, porém, o mesmo número de ava-
liações. Os resultados para o Sistema #1 são apresen-
tados na Figura 3. Graças ao aumento no tamanho da
população, a técnica AO teve um desempenho mais
próximo do melhor desempenho obtido pela PO1.
Como anteriormente, as técnicas PO20, PO100, POV
e DF não permitiram ao algoritmo de otimização
encontrar 100% das soluções eficientes na média das
50 tentativas realizadas. Tal fato pode ser justificado
pela dificuldade de tais técnicas em varrerem as regi-
ões de factibilidade. Para o Sistema #2, os resultados
são apresentados na Figura 4. Todas as técnicas apre-
sentaram desempenhos similares e na maioria das 50
execuções realizadas, elas encontraram 100% das
soluções da FPO.
0
10
20
30
40
50
60
70
80
90
100
0 10 20 30 40 50 60 70 80
Percentual Médio de Ótimos [%]
Geração
Comparação Entre Técnicas De Tratamento De Restrições No Sistema #1 Para Npop = 100
PO1 PO20 PO100 POV DF AO Figura 3. Percentual de soluções ótimas encontradas pelas técnicas
PO, POV, DF e AO no Sistema #1 para Npop=100 indivíduos.
As técnicas avaliadas obtiveram melhor desempenho
nos testes realizados para populações maiores. Con-
tudo, é importante ressaltar que uma população maior
implica em custo computacional elevado para o
NSGA-II.
0
10
20
30
40
50
60
70
80
90
100
0 10 20 30 40 50 60 70 80
Percentual Médio de Ótimos [%]
Geração
Comparação Entre Técnicas De Tratamento De Restrições No Sistema #2 Para Npop = 100
PO1 PO20 PO100 POV DF AO
Figura 4. Percentual de soluções ótimas encontradas pelas técnicas
PO, POV, DF e AO no Sistema #2 para Npop=100 indivíduos.
2354
Anais do XIX Congresso Brasileiro de Automática, CBA 2012.
ISBN: 978-85-8001-069-5
A inclusão de mais objetivos na técnica AO pode causar
alteração significativa no comportamento e no desem-
penho do algoritmo evolucionário multiobjetivo empre-
gado, uma vez que a consideração de mais objetivos
conflitantes torna a otimização mais desafiadora
(Purshouse & Fleming, 2007).
Com intuito de ratificar as considerações feitas anteri-
ormente a respeito dos resultados obtidos para os dois
cenários simulados, são apresentados gráficos com va-
lores médios (µ) e variância (2) para o Sistema #1 no
cenário 1. As quantidades médias de indivíduos da
FPO encontrados usando-se cada uma das técnicas de
tratamento de restrição analisadas por este trabalho são
mostradas na Figura 5(a-f) juntamente com as respecti-
vas variâncias, simbolizadas pelas barras verticais. Ain-
da nos gráficos da Figura 5, os limites máximos e mí-
nimos encontrados pelas 50 execuções são identificados
por linhas tracejadas. Na Figura 5(a), fica evidente que
a técnica PO1 obteve uma evolução mais comportada
(2 menor) nas 50 execuções, sendo seu valor médio
estritamente gera crescente e sua variância reduzida ao
longo das últimas ções. Todas as execuções encontra-
ram ao menos 11 dentre os 12 indivíduos da FPO até as
7500 avaliações. Os gráficos das Figuras 5(b,c,d) real-
çam a influência dos valores dos pesos na dinâmica de
busca do NSGA-II, conforme já comentado na presente
seção. Para as técnicas PO20, PO100 e POV o algorit-
mo teve a sua capacidade para encontrar indivíduos da
FPO comprometida resultando, assim, em uma variân-
cia maior e limite mínimo de menor valor. Na Figura
5(e), apresenta-se o comportamento do NSGA-II quan-
do a técnica DF é adotada. Nesse caso, a maior dificul-
dade em buscar as regiões de factibilidade torna-se clara
uma vez que houve pelo menos uma execução em que
nenhuma solução da FPO foi encontrada. Embora todas
as soluções da FPO sejam encontradas, o uso da técnica
AO (Figura 5(f)) não assegura que elas sejam mantidas
na população. Por causa da adição de objetivos, o gran-
de número de soluções não-dominadas supera o tama-
nho da população utilizada nos testes.
0 20 40 60 80 100 120 140 1600
2
4
6
8
10
12
14Evolução do algoritmo utilizando a técnica PO1
Geração
Qu
an
tid
ad
e d
e ó
tim
os e
nco
ntr
ad
os
0 20 40 60 80 100 120 140 160
0
2
4
6
8
10
12
14Evolução do algoritmo utilizando a técnica PO20
Geração
Qu
an
tid
ad
e d
e ó
tim
os e
nco
ntr
ad
os
(a) (b)
0 20 40 60 80 100 120 140 1600
2
4
6
8
10
12
14Evolução do algoritmo utilizando a técnica PO100
Geração
Qu
an
tid
ad
e d
e ó
tim
os e
nco
ntr
ad
os
0 20 40 60 80 100 120 140 160
0
2
4
6
8
10
12
14Evolução do algoritmo utilizando a técnica POV
Geração
Qu
an
tid
ad
e d
e ó
tim
os e
nco
ntr
ad
os
(c) (d)
0 20 40 60 80 100 120 140 1600
2
4
6
8
10
12
14Evolução do algoritmo utilizando a técnica DF
Geração
Qu
an
tid
ad
e d
e ó
tim
os e
nco
ntr
ad
os
0 20 40 60 80 100 120 140 160
0
2
4
6
8
10
12
14Evolução do algoritmo utilizando a técnica AO
Geração
Qu
an
tid
ad
e d
e ó
tim
os e
nco
ntr
ad
os
(e) (f)
Figura 5. Gráficos com média, variância e limites máximo e mínimo de quantidade de soluções da FPO encontradas com as técnicas
(a) PO1, (b) PO20, (c) PO100, (d) POV, (e) DF e (f) AO.
2355
Anais do XIX Congresso Brasileiro de Automática, CBA 2012.
ISBN: 978-85-8001-069-5
7 Conclusão
A partir dos resultados experimentais, conclui-se
que nenhuma técnica avaliada demonstrou desempe-
nho significativamente superior em todos os proble-
mas. Pode-se afirmar que problemas com poucas
soluções factíveis, ou seja, sistemas de distribuição
com carregamento próximo à sua capacidade máxi-
ma, devem ser tratados por técnicas que não penali-
zam demasiadamente as soluções infactíveis para não
prejudicar a varredura no espaço de busca para as
regiões de factibilidade. A técnica de penalização
apresentou comportamento sensível ao peso escolhi-
do e a determinação do peso, por não ser uma tarefa
trivial, torna tal técnica menos atrativa para casos
gerais. A técnica de dominância por factibilidade,
apesar de não precisar do ajuste de parâmetros exter-
nos, sofre com a convergência prematura em proble-
mas com poucas soluções factíveis. Por outro lado, a
técnica de acréscimo de objetivos obteve desempe-
nho satisfatório para populações maiores, embora
torne o problema mais complexo pelo aumento de
sua dimensão. Ainda, elevar o número de indivíduos
da população deve ser uma medida tomada com cau-
tela, visto que ela implica em aumento do custo com-
putacional necessário para se resolver o problema.
Agradecimentos
Agradecemos as orientações técnicas dadas pelo cen-
tro de operação da distribuição da CEMIG S.A. e o
seu suporte financeiro. Registramos os nossos agra-
decimentos às agências de fomento CNPq e CAPES.
Referências Bibliográficas
Augugliaro, A., Dusonchet, L., Favuzza, S. &
Sanseverino, E. R., 2004. Voltage Regulation
and Power Losses Minimization in Automated
Distribution Networks by an Evolutionary
Multiobjective Approach. IEEE Transactions on
Power Systems, August, 19(3), pp. 1516-1527.
Ciric, R. M. & Popovic, D. S., 2000. Multi-objective
Distribution Network Restoration using Heuristic
Approach and Mix Integer Programming
Method. Electrical Power and Energy Systems,
Volume 22, pp. 497-505.
Deb, K., 2000. An Efficient Constraint Handling
Methods for Genetic Algorithms. Comput.
Methods in Appl. Mech. Eng., Volume 186, p.
311–338.
Deb, K., Pratap, A., Agarwal, S. & Meyarivan, T.,
2002. A Fast and Elitist Multiobjective Genetic
Algorithm: NSGA-II. IEEE Transactions on
Evolutionary Computation, 6(2), pp. 182-197.
Fonseca, C. M. & Fleming, P. J., 1998.
Multiobjective Optimization and Multiple
Constraint Handling with Evolutionary
Algorithms–Part I: A Unified Formulation. IEEE
Transactions on Systems, Man, and Cybernetics
- Part A: Systems and Humans, January, 28(1),
pp. 26-37.
Hong, Y. Y. & Ho, S. Y., 2005. Determination of
Network Configuration Considering
Multiobjective in Distribution Systems Using
Genetic Algorithms. IEEE Transactions on
Power Systems, May, 20(2), pp. 1062-1069.
Hsiao, Y. T., 2004. Multiobjective Evolution
Programming Method for Feeder
Reconfiguration. IEEE Transactions on Power
Systems, February, 19(1), pp. 594-599.
Huang, Y. C., 2002. Enhanced genetic algorithm-
based fuzzy multi-objective approach to
distribution network reconfiguration. IEE
Proceedings on Generation, Transmission and
Distribution, September, 149(5), pp. 615-620.
Mendoza, J. et al., 2006. Minimal Loss
Reconfiguration Using Genetic Algorithms With
Restricted Population and Addressed Operators:
Real Application. IEEE Transactions on Power
Systems, May, 21(2), pp. 948-954.
Mezura-Montes, E. & A. Coello Coello, C., 2011.
Constraint-handling in nature-inspired numerical
optimization: Past, present and future. Swarm
and Evolutionary Computation, Volume 1, pp.
173-194.
Michalewicz, Z., 1995. A Survey of Constraint
Handling Techiniques in Evolutionary
Computation Methods. Cambridge, MIT Press,
pp. 135-155.
Miu, K. N., Chiang, H., Yuan, B. & Darling, G.,
1997. Fast service restoration for large-scale
distribution systems with priority customers and
constraints. IEEE Transactions on Power
Systems, pp. 3-9.
Purshouse, R. C. & Fleming, P. J., 2007. On the
Evolutionary Optimization of Many Conflicting
Objectives. IEEE Transactions on Evolutionary
Computation, p. 770–784.
Taylor, T. & Lubkeman, D., 1990. Implementation of
heuristic search strategies for distribution feeder
reconfiguration. IEEE Transactions on Power
Delivery, January, 5(1), pp. 239-246.
Venkatraman, S. & Yen, G. G., 2005. Generic
Framework for Constrained Optimization Using
Genetic Algorithms. IEEE Transactions on
Evolutionary Computation, August, 9(4), pp.
424-435.
Wang, J. C., Chiang, H. D. & Darling, G. R., 1996.
An Efficient Algorithm for Real-time Network
Reconfiguration in Large-Scale Unbalanced
Distribution Systems. IEEE Transactions on
Power Systems, February, 11(1), pp. 511-517.
Woldesenbet, Y. G., Yen, G. G. & Tessema, B. G.,
2009. Constraint Handling in Multiobjective
Evolutionary Optimization. IEEE Transactions
on Evolutionary Computation, June, 13(3), pp.
514-525.
Zhu, J. Z., 2002. Optimal Reconfiguration of
Electrical Distribution Network using the