Responsive image
Universidade Federal de Santa catarina (UFSC)
Programa de Pós-graduação em Engenharia, Gestão e Mídia do Conhecimento (PPGEGC)
Detalhes do Documento Analisado

Centro: Não Informado

Departamento: Não Informado

Dimensão Institucional: Pós-Graduação

Dimensão ODS: Econômica

Tipo do Documento: Tese

Título: A MULTI-STAGE STOCHASTIC OPTIMIZATION MODEL FOR MEDIUM-TERM GENERATION SCHEDULING PROBLEM

Orientador
  • ERLON CRISTIAN FINARDI
Aluno
  • FELIPE BELTRAN RODRIGUEZ

Conteúdo

O problema do planejamento da operação energética (poe) visa obter uma política operativa para um horizonte de planejamento multianual. devido a uma série de complexidades, o poe é resolvido indiretamente por meio do uso de uma série de problemas acoplados entre si. o problema de curto prazo (cp) pertencente a esta série, acoplando o problema de médio prazo (mp) com a programação diária da operação (pd). para aprimorar esse acoplamento, o trabalho apresenta uma nova abordagem do problema do cp caraterizada por: (i) inclusão da incerteza nas afluências a partir da segunda semana do horizonte de planejamento, por meio de uma árvore de cenários com amostras não comuns, (ii) discretização horária na primeira semana para serem inseridas as restrições estocástica de grande porte com variáveis binárias na primeira semana, que excede a capacidade de resolução dos solvers atuais. para encontrar um equilíbrio entre a precisão da solução e o desempenho computacional, é proposta uma decomposição do problema em dois estágios. a ideia fundamental é obter cortes mais eficientes, quando comparado a decomposição multi-estágio, para representar a função de custo futuro, reduzindo assim, o número de iterações requerido pelos métodos de solução propostos. este efeito é reforçado pelo uso da versão desagregada dos cortes e pelo efeito de regularização do método estendido de nível. os testes numéricos realizados com os dados do sistema elétrico brasileiro indicam que: (i) a decomposição em dois estágios reduz em um 85% o tempo computacional requerido pela decomposição multi-estágio, (ii) a versão desagregada dos cortes melhora o desempenho computacional um 30% comparado com a versão agregada, e (iii) o uso do método estendido de nível ao final do processo de resolução fornece uma redução de 20% do tempo computacional em relação a dois métodos clássicos: o l-shaped e o algoritmo da programação dinâmica dual estocástica (pdde).

Índice de Shannon: 3.95791

Índice de Gini: 0.933768

ODS 1 ODS 2 ODS 3 ODS 4 ODS 5 ODS 6 ODS 7 ODS 8 ODS 9 ODS 10 ODS 11 ODS 12 ODS 13 ODS 14 ODS 15 ODS 16
3,84% 5,25% 6,40% 6,83% 4,30% 6,91% 8,15% 7,53% 6,24% 6,62% 10,08% 6,49% 4,74% 4,96% 4,97% 6,69%
ODS Predominates
ODS 11
ODS 1

3,84%

ODS 2

5,25%

ODS 3

6,40%

ODS 4

6,83%

ODS 5

4,30%

ODS 6

6,91%

ODS 7

8,15%

ODS 8

7,53%

ODS 9

6,24%

ODS 10

6,62%

ODS 11

10,08%

ODS 12

6,49%

ODS 13

4,74%

ODS 14

4,96%

ODS 15

4,97%

ODS 16

6,69%