th
THE 8 LATIN-AMERICAN CONGRESS ON ELECTRICITY GENERATION AND TRANSMISSION - CLAGTEE 2009
Desenvolvimento de uma Ferramenta Inteligente
para o Planejamento da Operação de Sistemas
Hidrotérmicos de Potência
T. R. Alencar 1, Member, IEEE , P. T. Leite1, Member, IEEE, e, A. F. M. Carneiro2, Member, IEEE, e
A. C. P. L. F. Carvalho3, Member, IEEE.
 gerenciando-a convenientemente, para atender a demanda e
Resumo - O artigo tem como proposta apresentar uma
Ferramenta Inteligente Orientada a Objeto que garantirá uma
estrutura moderna e de fácil manipulação para o usuário, para
que possa ser adotada no planejamento e operação de sistemas
hidrotérmicos, como é o caso do Sistema Brasileiro, o qual
possui características especificas que o diferencia dos demais
sistemas no mundo.
O objetivo do artigo é apresentar ferramenta desenvolvida
que pode reproduzir casos testes com dados reais das usinas
hidroelétricas do Sistema Elétrico Brasileiro, visando sua
aplicação no dia-a-dia das concessionárias para treinamento dos
agentes responsáveis pela operação e planejamento de sistemas
hidrotérmicos e na academia (como ferramenta de ensino em
cursos da pós-graduação, graduação e extensão voltados para o
estudo de planejamento energético). Desta forma, além de uma
aplicação prática, será criada uma ferramenta que viabilizará a
comparação com o que vem sendo realizado no setor elétrico
brasileiro ao longo das últimas décadas. Acredita-se também,
que se trata de uma ferramenta inovadora para os agentes do
setor, pois se cria outra alternativa para análise das decisões
tomadas em seus estudos e ações.
Palavras-chave - Energia, Otimização, Sistemas
Hidrotérmicos, Planejamento da Operação, Inteligência
Artificial e Algoritmos Genéticos.
I. INTRODUÇÃO
E M sistemas com grande participação de geração
hidroelétrica, como no caso do Brasil, pode-se utilizar a
energia potencial da água armazenada nos reservatórios,
T. R. Alencar: Centro de Engenharia e Ciências Sociais (CECS) - Grupo de
Sistemas Elétricos de Potência (LABSEP), Universidade Federal do ABC,
Santo André, SP, Brasil. (ribeiro.alencar@gmail.com).
P. T. Leite: Centro de Engenharia e Ciências Sociais (CECS) - Engenharia de
Energia - Grupo de Sistemas Elétricos de Potência (LABSEP), Universidade
Federal do ABC, Santo André, SP, Brasil (patricia.leite@ufabc.edu.br).
A. C. P. L. F. Carvalho: Universidade de São Paulo EESC-SC/USP, Campus
São Carlos (andre@icmc.usp.br).
A. F. M. Carneiro: Universidade de São Paulo EESC-SC/USP, Campus São
Carlos (adriano@sel.eesc.sc.usp.br).
UFABC - Universidade Federal do ABC, rua Santa Adélia, 166- bairro
Bangu, Santo André - SP - Brasil. CEP 09.210-170, Tel/Fax: +55 11 4996-
3166.
1
substituir de forma racional a geração dispendiosa das
unidades térmicas.
Entretanto, o volume de água afluente aos reservatórios é
incerto, pois depende basicamente das afluências que irão
ocorrer no futuro. Além disso, a disponibilidade de energia
hidroelétrica é limitada pela capacidade de armazenamento
nos reservatórios. Isso introduz uma relação entre uma
decisão de operação em uma determinada etapa e as
conseqüências futuras desta decisão. Por exemplo, se a
decisão for utilizar energia hidroelétrica para atender o
mercado e no futuro ocorrer uma seca, poderá ser necessário
utilizar geração térmica de custo elevado ou interromper o
fornecimento de energia. Por outro lado, se a opção for o uso
mais intensivo de geração térmica, conservando elevados os
níveis dos reservatórios, e ocorrerem vazões altas no futuro,
poderá haver vertimento no sistema, que representa um
desperdício de energia e, em conseqüência, um aumento
desnecessário do custo de operação [1].
Devido às características próprias, o Planejamento da
Operação dos Sistemas Hidrotérmicos de Potência (POSHP),
no Brasil, pode ser classificado como um problema de
otimização dinâmico, de grande porte, com função objetivo
não linear, não separável e não convexa [2] e [3].
O objetivo do POSHP é determinar uma estratégia de
geração para cada usina, que minimize o valor esperado dos
custos operativos no período de planejamento e atenda a
demanda dentro de um limite de confiabilidade. Desta forma,
em sistemas com grande participação hidroelétrica, o objetivo
econômico do planejamento da operação é substituir, na
medida do possível, a geração de origem termoelétrica, de
custo elevado, por geração de origem hidroelétrica, de custo
praticamente nulo, de forma racional, como demonstrado por
[4], [5] e [6].
As técnicas clássicas de otimização para solução deste
problema podem apresentar algumas dificuldades,
principalmente devido à complexidade da função objetivo.
Assim, a busca de melhorias nos métodos tradicionais, ou de
abordagens alternativas, visa aperfeiçoar esta etapa vital no
funcionamento dos Sistemas Hidrotérmicos de Potência [7] a
[10].
Uma metodologia envolvendo técnicas de Inteligência
 th
THE 8 LATIN-AMERICAN CONGRESS ON ELECTRICITY GENERATION AND TRANSMISSION - CLAGTEE 2009 2

Artificial (IA) vêem sendo investigada e aponta a eficiência II. FORMULAÇÃO MATEMÁTICA
desta na solução de diversos problemas de otimização, dentre
eles pode-se destacar [3], [11] a [15]. O problema do planejamento da operação de um Sistema
Portanto, o artigo tem como proposta apresentar uma Hidrotérmico de Potência pode ser formulado através de um
Ferramenta Inteligente Orientada a Objeto que garantirá uma modelo de otimização dado pela Eq.(1):
estrutura moderna e de fácil manipulação para o usuário, para
que possa ser adotada no Planejamento e Operação de T
Sistemas Hidrotérmicos, como é o caso do Sistema Brasileiro,
o qual tem características especificas que o diferencia dos
Min J   t1
f t [ C ( t )] (1 )

demais sistemas no mundo, em complemento ao que foi

proposto em [3]. onde,
O objetivo primário foi o desenvolvimento de uma
t = Horizonte de planejamento de 1 a T [mês];
ferramenta baseada em Técnicas de Inteligência Artificial
ft (.) = Função Custo de operação;
para a Otimização do POSHP segundo características de
C (.)= Geração não hidráulica.
Orientação a Objetos que será apresentada neste artigo. Em
complemento a esta etapa, será elaborado, um manual para
A geração não hidráulica é dada por:
que o usuário tenha além das informações de utilização da
ferramenta, exemplos de casos testes com dados reais das C (t )  D (t )  H (t ) (2)
usinas, com objetivo de que esta seja utilizada no dia-a-dia
onde,
das concessionárias para treinamento dos agentes
responsáveis pela operação e planejamento de sistemas D(.) = Demanda;
hidrotérmicos, em centros de pesquisa e centros de ensino, H(.) = Geração hidráulica total.
como ferramenta de treinamento em cursos da pós-graduação, A geração hidráulica total H(t) é dada pelo somatório das
graduação e extensão voltados para o estudo de Planejamento gerações de todas as usinas hidroelétricas:
N
Energético.
H (t )    x i ( t ), u i (t )  (3 )
Desta forma, além de uma aplicação prática, será criada i  1
uma ferramenta que viabilizará a comparação com o que vem
sendo realizado no setor elétrico brasileiro ao longo das onde,
últimas décadas, além de proporcionar ao usuário a
possibilidade de se familiarizar com as variáveis de tomada N = Número de usinas hidráulicas;
de decisão. i(.) = Função de geração hidráulica da usina i;
Técnicas de Inteligência Artificial vêem sendo adotadas na xi(.) = Volume do reservatório i;
resolução de problemas de engenharia a alguns anos, e devido ui(.) = Vazão defluida da usina i.
ao seu bom desempenho tornou-se atraente para solucionar
problemas de otimização de grande porte, o que motivou os A função de geração hidráulica para uma usina qualquer é
autores a desenvolver esta ferramenta para operação ótima, dada por:
pois resultados obtidos garantem, da melhor forma possível, o
atendimento da demanda por um custo mínimo e com   x , u   K i h1  x   h 2 u min u , q max   (4)
confiabilidade. Acredita-se também, que se trata de uma
ferramenta inovadora para os agentes do setor, pois se cria
onde,
outra alternativa para análise das decisões tomadas em seus
estudos e ações.
Ki = Produtibilidade da usina i ( constante que engloba
A próxima seção apresenta a formulação matemática da
aceleração da gravidade, densidade da água, rendimento
operação ótima. Na seção 3, alguns dos fundamentos da teoria
turbina-gerador e fatores de conversão);
de Algoritmos Genéticos são apresentados. Já na seção 4, é
h1(.) = Polinômio cota x volume ( altura de montante,
feita uma discussão do algoritmo proposto, bem como um
função do volume do reservatório);
breve comentário sobre a evolução da população. A seção 5
h2(.) = Polinômio vazão defluida x cota ( altura de jusante,
traz uma aplicação do método e a apresentação da ferramenta
função das vazões turbinada e vertida ).
computacional desenvolvida. Finalmente, na seção 6, são
apresentadas as conclusões e observações finais do trabalho
A equação de balanço da água, que relaciona os estados dos
como um todo.
reservatórios ao longo do tempo, é dada por:
 th
THE 8 LATIN-AMERICAN CONGRESS ON ELECTRICITY GENERATION AND TRANSMISSION - CLAGTEE 2009 3

soluções a cada execução, mas não necessariamente a mesma

xi (t  1)  xi (t )  yi (t )  u
K i
K (t )  u i (t ) (5)
todas às vezes [16].
Os AGs baseiam-se inicialmente na geração de uma
onde, população formada por um conjunto aleatório de indivíduos
que podem ser vistos como possíveis soluções do problema.
yi(t) = Afluência no reservatório i; Durante o processo evolutivo, a população é avaliada e
 = Conjunto de todas as usinas imediatamente a para cada indivíduo é dada uma nota, ou índice, refletindo
montante da usina i. sua habilidade de adaptação a determinado ambiente. Uma
Finalmente, as restrições operativas são dadas por: porcentagem dos mais adaptados é mantida, enquanto os
outros são descartados (darwinismo). Os membros mantidos
x min t   x i t  x max t  (6 ) pela seleção podem sofrer modificações em suas
características fundamentais por meio de mutação e
cruzamento (crossover) ou recombinação genética gerando
u t   u t   u t  (7 ) descendentes para a próxima geração. Esse processo,
min i max
chamado de reprodução, é repetido até que uma solução
satisfatória seja encontrada [3].
O estado final dos reservatórios é dado ou penalizado. Para IV. ALGORITMO PROPOSTO
resolução do problema apontado.

III. ALGORITMOS GENÉTICOS Uma visão global do algoritmo proposto é apresentada na

Fig. 1, através de um fluxograma, com os passos seguidos
para determinar a operação do sistema hidrotérmico,
Nesta seção será feita a introdução aos principais conceitos utilizando a técnica de Algoritmos Genéticos.
de uma técnica de Inteligência Artificial inspirado na Teoria O fluxograma mostra desde a entrada do algoritmo, com as
da Evolução Natural e na Genética, conhecida como aplicações dos operadores genéticos, cálculos das aptidões e
Computação Evolutiva, ou Evolucionária. formação de novas populações. A descrição detalhada dos
Computação Evolutiva, cujas pesquisas tiveram início na principais procedimentos é apresentada a seguir.
década de 1950, trata de sistemas para a resolução de
problemas que utilizam modelos computacionais baseados na
teoria da evolução natural propõe o agrupamento dos sistemas
de Computação Evolutiva em três grandes categorias, sendo
estas: Algoritmos Genéticos, Estratégias de Evolução e
Programação Genética.
Esta pesquisa propõem a utilização de Algoritmos
Genéticos (AGs) que são técnicas heurísticas de otimização
global que se baseiam nos mecanismos de seleção natural e da
genética. E também, os AGs não têm dependência forte dos
valores iniciais na obtenção da solução ótima [16] a [21].
Além disso, os AGs não são limitados por suposições sobre
o espaço de busca, relativas à continuidade, existência de
derivadas, etc. Normalmente, buscas em problemas reais são
repletos de descontinuidades, ruídos e outros problemas.
Métodos que dependam fortemente de restrições de
continuidade e existência de derivadas são adequados apenas
para problemas em um domínio limitado [17].
Otimização é a busca da melhor solução para um dado
problema. Consiste em tentar várias soluções e utilizar a
informação obtida neste processo de forma a encontrar
soluções cada vez melhores [22]. Fig. 1. Algoritmo proposto.
Heurísticas são algoritmos polinomiais que não têm
garantia nenhuma sobre a qualidade da solução encontrada, Codificação do problema: devido à complexidade do
mas que usualmente tendem a encontrar a solução ótima ou problema, sua codificação tem que ser cuidadosa para se
ficar bem próxima dela. Sendo assim, deve-se salientar que adequar às características das usinas e do planejamento da
AGs não constituem um algoritmo de busca da solução ótima operação das usinas selecionadas para o teste. A população é
de um problema, mas sim uma heurística que encontra boas caracterizada como um vetor de objetos, onde cada indivíduo
 th
THE 8 LATIN-AMERICAN CONGRESS ON ELECTRICITY GENERATION AND TRANSMISSION - CLAGTEE 2009 4

possui outro vetor de objetos composto pelas usinas descendentes. O operador de mutação é aplicado, com uma
selecionadas na interface gráfica de entrada do programa para dada probabilidade, em um número de genes do indivíduo,
compor o planejamento da operação. Por sua vez cada usina alterando o seu valor original.
selecionada possui suas características individuais como
Critério de parada: o algoritmo proposto utiliza o número
nome, código, vetor de afluência natural, turbinagem mínima
de gerações definido pelo usuário como único critério de
e máxima, volume mínimo e máximo de operação, tipo de
parada do programa.
reservatório, potência efetiva da usina, coeficientes do
polinômio de volume e turbinagem, além de um vetor do tipo
double que representa o volume de cada mês da usina. O V. APLICAÇÃO E DEMONSTRAÇÃO DA FERRAMENTA
vetor de volume representa na teoria dos Algoritmos COMPUTACIONAL DESENVOLVIDA
Genéticos o cromossomo característico da usina e os volumes
de cada mês representam os genes do cromossomo. Adotou-se A ferramenta computacional inteligente foi desenvolvida
uma representação real e não binários, como proposto em [3]. para aplicação em problemas de POSHP, onde a configuração
do sistema teste poderá utilizar usinas hidroelétricas
Tamanho da população: o tamanho da população está individualizadas, que compõem Sub-Sistema Sudeste
diretamente relacionado com o desempenho global e a Brasileiro, sendo 18 usinas operadas a reservatório e 17 a fio
eficiência dos AGs. No problema apontado, após vários testes d’água, conforme apresentado na Fig. 2 e Fig. 3.
com populações de tamanhos diferentes, verificou-se que
Adotou-se como início de todos os períodos o mês de
quanto maior a população, maior o tempo necessário para a
maio, por se tratar do inicio do período seco, e como final o
convergência do algoritmo. Portanto, para conseguir executar
mês de abril, final do período de afluências mais elevadas,
o programa em um tempo menor, optou-se por utilizar uma
coincidindo, portanto com o ano hidrológico. As afluências
população composta por 24 indivíduos como adotado em [3].
adotadas, iguais a MLT (Média de Longo Termo), foram
População inicial: a população inicial pode ser obtida de retiradas do arquivo de vazões do Sistema Brasileiro. O
três formas diferentes sendo a primeira totalmente aleatória, a período de planejamento utilizado pode variar de 1 ano a 5
segunda com um individuo igual ao volume máximo do anos (com discretização mensal), e o mercado variando ao
reservatório e o restante de forma aleatória e a terceira com longo do período de planejamento.
todos os indivíduos com volumes máximo do reservatório. Ao iniciar o programa o usuário visualiza uma tela
de apresentação com uma foto da usina de Itaipu e os logos da
Função de avaliação: ou função de custo, está relacionada
UFABC (Fundação Universidade Federal do ABC) e do grupo
à minimização do valor da função objetivo do problema
de pesquisa LABSEP (Laboratório de Sistemas Elétricos de
apresentada anteriormente.
Potência), conforme apresentado na Fig. 2.
Ordenação da população: a população é classificada
calculando o custo de todos os indivíduos e verificação das
restrições construtivas e depois os ordenando conforme o
objetivo de minimização do problema.
Seleção: O método adotado é o da roleta. Neste método
cria-se uma roleta (virtual) na qual cada indivíduo recebe um
pedaço proporcional à sua avaliação (a soma dos pedaços não
pode superar 100%). Depois roda-se a roleta e o selecionado
será o indivíduo sobre o qual ela parar [16].
Elitismo: para que os melhores indivíduos não sejam
perdidos de uma geração para a outra, aplica-se o operador de
elitismo. Isso garante que os melhores passem
automaticamente para a próxima geração, preservando suas
características genéticas.
Cruzamento uniforme: quando se utilizam valores reais e
não binários, segundo apresentado por [18], o cruzamento
uniforme tem um melhor desempenho.
Fig. 2. Tela Inicial da Ferramenta desenvolvida.
Cruzamento médio: com a finalidade de explorar o espaço
de solução apresentado, foi implementado um tipo de Observe que na Fig. 3 é apresentado o diagrama
operador genético, chamado cruzamento médio, onde as esquemático das usinas hidroelétricas e o usuário poderá
características genéticas do filho são obtidas segundo uma selecionar qualquer uma das usinas disponíveis para
média das características dos dois pais. realização de estudo de caso teste, e também para treinamento
Mutação: com objetivo de manter a diversidade da utilizando a ferramenta. Outra possibilidade é a realização de
população o operador genético de mutação é aplicado nos um caso teste utilizando todas as usinas em cascata, refletindo
 th
THE 8 LATIN-AMERICAN CONGRESS ON ELECTRICITY GENERATION AND TRANSMISSION - CLAGTEE 2009 5

a operação realizada no setor elétrico. Neste momento o

usuário visualizará através do diagrama esquemático a
posição da usina na cascata, na bacia e em qual rio está
instalada.
Para apresentação deste artigo, será adotado um
subsistema incluindo somente a usina hidroelétrica de
Emborcação, que tem característica de reservatório, conforme
Fig.3.
Na Fig. 4, é mostrada a configuração adotada para os
operadores genéticos, bem como, as informações necessárias
para o cálculo da produção hidráulica (custo da térmica, tipo
de mercado e tempo de planejamento).
Os resultados apresentados têm com o objetivo verificar a Fig. 5. Tela dos resultados obtidos para o volume do reservatório adotando
operador genético de elitismo.
implementação e apresentar da ferramenta, destacando a sua
praticidade para o usuário que pretende utilizá-la para Pode-se observar que o indivíduo criado na população
entender os conceitos envolvidos no problema do POSHP, inicial igual a 100% se manteve após as gerações. Ou seja, a
bem como a sensibilidade e empregabilidade da Técnica de solução que é considerada uma solução factível para o sistema
Inteligência Artificial baseada em Algoritmos Genéticos. permaneceu. Isto mostra o desempenho do operador de
elitismo, pois se o reservatório estiver cheio, toda a água
afluente que chegar nesta usina deverá ser utilizada para a
geração de energia elétrica.

Fig. 3. Tela de Configuração do Sistema Teste.

Fig. 6. Tela dos resultados obtidos para a complementação térmica adotando

operador genético de elitismo.

O mesmo não acontece quando retiramos o operador de

elitismo, conforme apresentado na Fig 7 e Fig. 8. Observe que
mesmo adotando 100.000 iterações, o conjunto de operadores
genéticos (cruzamentos e mutação) não conseguiu encontrar
uma solução factível. Sendo assim, fica claro para o usuário
da necessidade de se manter o operador de elitismo.

Fig. 4. Tela de configuração dos dados utilizados pelos AGs.

Na Fig. 5 e Fig. 6 são apresentados os resultados para

volume e complementação térmica quando se adota o
operador de elitismo, 100.000 gerações e população inicial
com o primeiro indivíduo representando a usina com 100%
do volume em todos os meses do planejamento, e os demais Fig. 7. Tela dos resultados obtidos para o volume do reservatório sem o
operador genético de elitismo.
com volume aleatório.
 th
THE 8 LATIN-AMERICAN CONGRESS ON ELECTRICITY GENERATION AND TRANSMISSION - CLAGTEE 2009
Fig. 8. Tela dos resultados obtidos para a complementação térmica sem o
operador genético de elitismo.
Com o desenvolvimento desta ferramenta pode-se
estruturar diversas configurações a serem testadas, variando
entre o número de usinas, até os tipos de operadores, para as
mais diversas analise envolvendo tanto pesquisadores e
agentes do setor elétrico envolvidos com o POSHP, como a
área desenvolvimento de software.
Está ferramenta foi desenvolvida utilizando um
computador com processador Pentium 4, 3.2 GHz e 1 GB de
memória e a linguagem de programação utilizada foi o Java.
Acredita-se fortemente que esta ferramenta poderá auxiliar
nos estudos e ações do planejamento da operação resolvendo
ou mesmo auxiliando as análises dos gerenciadores do Setor
Elétrico Brasileiro. Outro aspecto que vale ressaltar é que está
poderá ser utilizada como uma alternativa as ferramentas que
vem sendo desenvolvida e que utilizam técnicas tradicionais
de otimização.
VI. COMENTÁRIOS FINAIS
Conforme apresentado neste artigo, o referido trabalho
mostra a aplicabilidade e potencialidade dos Algoritmos
Genéticos no Planejamento da Operação de Sistemas
Hidrotérmicos de Potência. Com relação à técnica adotada,
vários testes no que diz respeito à definição do tamanho de
uma população eficiente, busca de uma solução inicial mais
adequada ao problema e a ponderação dos operadores
genéticos utilizados poderão ser considerados facilmente. Tais
análises buscam uma maior segurança na avaliação quanto
aos tipos de operadores que melhor se adaptam ao problema.
Também possibilitará o emprego de técnicas especiais, como
os algoritmos híbridos em conjunto a esta ferramenta, que
poderão contribuir para um melhor desempenho da mesma.
Os bons resultados obtidos na aplicação dos AGs
mostraram o grande potencial desta ferramenta, que
conseguiu captar as diferentes características de operação da
usina, sem a necessidade de simplificar a formulação original
do problema.
Vale lembrar que os resultados apresentados são iniciais,
mas a ferramenta que está em desenvolvimento vem
apresentando promissores resultados e pretende-se ao concluir
a pesquisa elaborar um manual de utilização para o usuário
com várias propostas de configuração para estudo de caso.
6
VII. AGRADECIMENTOS
Os autores agradecem o suporte técnico do Conselho
Nacional de Desenvolvimento Científico e Tecnológico
(CNPq) e a Universidade Federal do ABC por possibilitar o
desenvolvimento desta pesquisa.
VIII. REFERENCIAS
[1] E. L. Silva. Formação de Preço em Mercados de Energia Elétrica. Sagra
Luzzatto, (2001).
[2] S. Soares and A. A. F. M. Carneiro. Optimal Operation of Reservoirs For
Electric Generation. IEEE Transactions on Power Delivery. Vol. 6. n. 3.
pp. 1101-1107. July, (1991).
[3] LEITE, P. T. Aplicação de Técnicas de Inteligência Artificial no
Planejamento da Operação de Sistemas Hidrotérmicos de Potência. Tese de
Doutorado – Escola de Engenharia de São Carlos – EESC/USP, dezembro,
(2003).
[4] L. A. M. Fortunato and A. N. and T. Alencar. Introdução ao Planejamento
da Expansão e Operação de Sistemas de Produção de Energia Elétrica.
Niteroi-Eduff. (1990).
[5] A. A. F. M. Carneiro and S. Soares and P. S. Bond. A Large Scale
Application of an Optimal Deterministic Hydrothermal Scheduling
Algorithm. IEEE Trasaction on Power Systems. Vol. 5. n. 1. pp. 204-210.
February. (1990).
[6] M.V.Perreira. Overview-Optimal Scheduling of Hydrothermal Systems.
IFAC Sym_ posium on Planning and Operation of Electric Energy
Systems. pp. 1-9. june. (1985).
[7] M. E. P. Macieira and R. M. Marcato and A. L. M. Marcato. Comparação
entre Abordagem Estocástica e Determinística no Planejamento da
Operação de Médio Prazo de Sistemas Hidrotérmicos Interligados. XVII
SNPTEE - Seminário Nacional de Produção e Transmissão de Energia
Elétrica. Uberlândia - MG, Brasil. (2003).
[8] M. A. Cicogna and S. Soares. Sistema de Suporte à Decisão para o
Planejamento e a Programação da Operação de Sistemas Hidrotérmicos de
Potência. XVII SNPTEE - Seminário Nacional de Produção e Transmissão
de Energia Elétrica. Uberlândia - MG, Brasil. (2003).
[9] L. Martinez. Política de Controle Malha Fechada e Malha Aberta no
Planejamento da Operação Energética de Sistemas Hidrotérmicos.
Faculdade de Engenharia Elétrica, Universidade Estadual de Campinas.
Tese de doutorado. Campinas - SP. (2001).
[10] M. A. Cicogna. Sistema de Suporte a Decisão para o Planejamento e a
Programação da Operação de Sistemas de Energia Elétrica. Faculdade de
Engenharia Elétrica, Universidade Estadual de Campinas. Tese de
doutorado. Campinas – SP. (2003).
[11] V. Miranda and D. Srinivasan and L. M. Proenca. Evolutionary
Computation in Power Systems - Example 2: Genetic algorithms in
Hydrothermal operation Planning. Eletrical Power & Energy Systems. Vol.
20. n. 2. pp. 93-97. July. (1998).
[12] C. Zoumas and A. Bakirtzis and J. Theocharis and V. Petridis. A Genetic
Algorithm Solution approach to the Hydrothermal Coordination Problem.
IEEE Trasaction on Power Systems. Vol. 19. n. 2. pp. 1356-1364. May.
(2004).
[13] H-C Chang and P-H Chen. Hydrothermal Generation Scheduling Package:
A Genetic Based Approach. IEE Proceeding Generation Transmission
Distribuition. Vol. 145. n. 4. pp. 451-457. July. (1998).
[14] P-C Yang and H-T Yang and C-L Huang. Scheduling Short-term
Hydrothermal Generation Using evolutionary Programming Techniques.
IEE Proceeding Generation Transmission Distribuition. Vol. 143. n. 4. pp.
371-376. July. (1996).
 th
THE 8 LATIN-AMERICAN CONGRESS ON ELECTRICITY GENERATION AND TRANSMISSION - CLAGTEE 2009 7

[15] PO-Hung Chen and Hong-Chan Chang. Genetic Aided Scheduling of

Hydraulically Coupled Plants in Hydro-Thermal Coordination. IEEE
Transactions on Power Systems. Vol. 11. n. 2. pp. 975-981. May. (1996).

[16] Linden, R. Algoritmos Genéticos - Uma importante ferramenta da

Inteligência Computacional. Editora Brasport, Rio de Janeiro - RJ. 2006.
.
[17] D. E. Goldberg. Genetic Algorithms in Search Optimization and Machine
Learning. Addison-Wesley Pub. Co. (1989).

[18] D. Beasley and D. Bull and R. Martin. An Overview of Genetic

Algorithms: Part 1, Fundamentals. Inter-University Commitee on
Computing. (1993).

[19] M. Gen and R. Cheng. Genetic Algorithms and Enginneering Design.

Reading. MA., Addison Wesley. United States of America. (1989).

[20] D. Corne, M. Dorigo and F. Glover. New ideas in optimization. David

Hatter, McGraw-Hill. Vol. 1. pp. 493. Great Britain at the University
Press, Cambridge. (1999).

[21] Salomon. Evolutionary Algorithms and Gradient Search: Similarities and

Differences. IEEE Transactions on Evolutionary Computation. Vol. 2. n.
2. pp. 45-55. July. (1998).

[22] GALVÃO, C. O. e VALENÇA, M. J. S. Sistemas Inteligentes –

Aplicação a Recursos Hídricos e Ciência Ambiental. Editora da
Universidade, Porto Alegre, Universidade Federal do Rio Grande do Sul,
ABRH, Associação Brasileira de Recursos Hídricos.1999.