Erick Baleeiro Da Silva

Universidade Federal da Bahia
Escola Politécnica
Programa de Pós-Graduação em Engenharia Elétrica
ERICK BALEEIRO DA SILVA
APLICAÇÃO DO ALGORITMO COLÔNIA DE FORMIGAS

NA RESTAURAÇÃO DE REDES ELÉTRICAS DE
DISTRIBUIÇÃO
Salvador
2016
ERICK BALEEIRO DA SILVA
APLICAÇÃO DO ALGORITMO COLÔNIA DE FORMIGAS

NA RESTAURAÇÃO DE REDES ELÉTRICAS DE
DISTRIBUIÇÃO
Dissertação de Mestrado apresentada ao Programa de

Pós-Graduação em Engenharia Elétrica da Universi-
dade Federal da Bahia, como parte dos requisitos para
obtenção do título de Mestre em Engenharia Elétrica.
Prof. Niraldo Roberto Ferreira, D. Sc.

Orientador
Salvador
2016
Dedico este trabalho a Deus e à minha família.
AGRADECIMENTOS
A Deus, por ser essencial em minha vida, autor do meu destino, meu guia.
Ao Professor Niraldo Roberto Ferreira pela excelência na orientação e dedicação dis-
pensada para a realização deste trabalho, além das conversas e ensinamentos que muito con-
tribuíram para minha vida profissional e pessoal.
À minha família, em especial à minha mãe, Custódia Baleeiro, meu pai Celso Henri-
que e minha irmã Andressa Baleeiro por todo apoio e incentivo dado durante o curso de Mes-
trado.
Aos meus amigos Thiago Lopes e Ronnye Peterson pelo tempo dispensado para o au-
xílio no desenvolvimento do trabalho.
Ao Programa de Pós-Graduação em Engenharia Elétrica da Universidade Federal da
Bahia, por todo suporte oferecido.
Ao Conselho Nacional de Desenvolvimento Científico e Tecnológico (CNPq), pela
bolsa de estudo concedida.
RESUMO
Os sistemas de distribuição são muito susceptíveis à ocorrência de faltas que, por mui-
tas vezes, provocam interrupções permanentes no fornecimento de energia elétrica em parte
do sistema. A restauração do sistema ocorre por meio de operações de chaveamento que defi-
nem uma nova configuração durante o restabelecimento da energia. Essa nova configuração
deve ser determinada de modo que se tenha o menor número de cargas não atendidas, respei-
tando as restrições operacionais e a topologia radial da rede. Diversas técnicas foram desen-
volvidas para sanar este problema como subsídio ao operador do sistema, visto que a restaura-
ção é um procedimento complexo de decisão e controle que deve ser solucionado o mais
breve possível. Matematicamente, a reconfiguração para restauração de redes pode ser tratada
como uma questão de natureza combinatória que pode ser modelado como um problema de
programação não linear de variável inteira mista. A explosão combinatorial para esses pro-
blemas é iminente devido sua dimensão estar relacionada com o número de chaves manobrá-
veis, podendo o número de possibilidades ser determinada pela relação 2𝑛 , onde n é o número
de chaves. Logo, quanto maior o número de chaves manobráveis, maior a dimensão do pro-
blema e mais complexa a sua resolução. Diante da complexidade da situação já mencionada,
métodos de otimização heurística são ferramentas atraentes para solucionar situações dessa
categoria. Sendo assim, neste trabalho apresenta-se uma metodologia baseada em otimização
por colônia de formigas – Ant Colony Optmization (ACO), para solucionar o problema de res-
tauração de redes elétricas de distribuição, com o objetivo de minimizar a quantidade de con-
sumidores não atendidos. Esse método é baseado no comportamento de colônia de formigas
reais na busca por fontes de alimentos e tem se mostrado eficiente para solucionar problemas
de natureza combinatória, localizando rapidamente soluções de boa qualidade. Na solução do
problema, considera-se que as redes radiais de distribuição são trifásicas e balanceadas, e es-
tão operando em regime permanente. Existem diversos trabalhos que utilizam da heurística
ACO para a resolução do problema de restauração das redes elétricas de distribuição, no en-
tanto, grande parte dispõe das variantes mais simples do algoritmo ou utiliza o ACO em con-
junto com outra heurística. Desta forma, a escolha do método deste trabalho foi o Ant Colony
System (ACS), por ter característica de busca maximizada quando comparada a outras versões
implementadas para esta problematização, como a pioneira Ant System (AS). O algoritmo foi
testado para sistemas encontrados na literatura, e os resultados obtidos são comparados com
os de outros autores.
Palavras-chave: Otimização por colônia de formigas; restauração de redes de distribuição;
computação bioinspirada; métodos heurísticos; método da soma de potência.
ABSTRACT
Distribution systems are very susceptible to the occurrence of faults that, frequently,
cause permanent interruptions in electricity supply in the system. The system restoration oc-
curs through switching operations that define a new configuration when power is restored.
This new configuration must be determined so that it has the lowest number of missed loads,
respecting the operational constraints and the radial network topology. Several techniques
have been developed to solve this problem as a subsidy to the system operator, as the restora-
tion is a complex decision process and control that must be solved as soon as possible. Math-
ematically, the reconfiguration for network restoration may be treated as a matter of combina-
torial nature that can be modeled as a nonlinear programming problem with mixed-integer
variable. The combinatorial explosion for these problems is imminent due to their size being
related to the number of operable keys, whereby the number of possibilities being determined
by the relation 2n, where n is the number of Keys. So, greater the number of operable keys
are, greater the extent of the problem are more complex its resolution. Given the complexity
of the situation mentioned above, heuristic optimization methods are attractive tools to solve
situations of that category. Therefore, this work presents an optimization-based methodology
colony of ants - Ant Colony Optmization (ACO), to solve the problem of electrical distribu-
tion networks restoration, in order to minimize the amount of unserved consumers. This
method is based on the real ant colony behavior in the search for food sources and has proven
effective to solve combinatorial nature of problems, quickly locating of good quality solu-
tions. In the solution of the problem, it is considered that the radial distribution networks are
three-phase and balanced, and are operating at steady state. There are several works that use
the heuristic ACO for solving the problem of restoration of electrical distribution networks,
however, many of them have the simplest variant of the algorithm or use the ACO in conjunc-
tion with other heuristic. Thus, the choice of the method of this work was Ant Colony System
(ACS) for having maximized search feature compared to other versions implemented for this
problematic, as the pioneer Ant System (AS). The algorithm was tested for systems found in
the literature, and the results obtained are compared with those of other authors.
Keywords: optimization by ant colony; distribution system restoration; bio-inspired compu-

ting; Heuristic methods; power sum method.
SUMÁRIO
1 INTRODUÇÃO ............................................................................................................................... 1
1.1 CONSIDERAÇÕES INICIAIS ............................................................................................................... 1
1.2 RESTAURAÇÃO EM SISTEMAS DE DISTRIBUIÇÃO ............................................................................. 4
1.3 MOTIVAÇÃO .................................................................................................................................... 7
1.4 OBJETIVO ........................................................................................................................................ 9
1.4.1 Geral ................................................................................................................................ 9
1.5 DIVULGAÇÃO DA PESQUISA ............................................................................................................ 9
1.6 ORGANIZAÇÃO ................................................................................................................................ 9
2 METODOLOGIA ......................................................................................................................... 11
2.1 INTRODUÇÃO ................................................................................................................................. 11
2.2 MÉTODOS HEURÍSTICOS ................................................................................................................ 11
2.3 METAHEURÍSTICAS ....................................................................................................................... 12
2.3.1 Inteligência coletiva ....................................................................................................... 14
2.4 REVISÃO BIBLIOGRÁFICA.............................................................................................................. 14
3 OTIMIZAÇÃO POR COLÔNIAS DE FORMIGAS ................................................................... 17
3.1 INTRODUÇÃO ................................................................................................................................. 17
3.2 COMPORTAMENTO DAS FORMIGAS NA BUSCA POR FONTES DE ALIMENTOS ................................... 17
3.2.1 Experimento da ponte dupla .......................................................................................... 18
3.3 COMPARAÇÃO ENTRE AS FORMIGAS REAIS E ARTIFICIAIS .............................................................. 20
3.4 ACO APLICADO AO PROBLEMA DO CAIXEIRO VIAJANTE ................................................................ 21
3.5 ALGORITMOS INSPIRADOS NO ACO .............................................................................................. 23
3.5.1 Ant System - AS .............................................................................................................. 23
3.5.2 MAX-MIN Ant System – MMAS ..................................................................................... 25
3.5.3 Ant Colony System – ACS .............................................................................................. 27
4 FLUXO DE POTÊNCIA............................................................................................................... 31
4.1 INTRODUÇÃO ................................................................................................................................ 31

4.2 MODELO DAS REDES DE DISTRIBUIÇÃO ......................................................................................... 31
4.3 MÉTODO DA SOMA DE POTÊNCIAS – MSP ....................................................................................... 32
4.3.1 Formulação matemática do problema ........................................................................... 34
5 ACO PARA A RESTAURAÇÃO DE REDES DE DISTRIBUIÇÃO .......................................... 38
5.1 INTRODUÇÃO ................................................................................................................................ 38
5.1.1 Teoria dos Grafos aplicada à Análise de Redes Elétricas ............................................. 39
5.1.2 Identificação de Barras Ilhadas no Sistema .................................................................. 40
5.1.3 Identificação de Laços do Sistema ................................................................................. 41
5.1.4 Descrição do problema .................................................................................................. 45
5.2 RESTAURAÇÃO DO SISTEMA DE DISTRIBUIÇÃO VIA ACS ............................................. 46
5.2.1 Regra de Transição de Estados ..................................................................................... 46
5.2.2 Distribuição do Feromônio............................................................................................ 47
5.2.3 Informação Heurística ................................................................................................... 48
5.2.4 Sorteio da ligação .......................................................................................................... 48
5.3 ALGORITMO DE SOLUÇÃO DO ACS PARA O PROBLEMA DA RESTAURAÇÃO DE REDES

ELÉTRICAS ......................................................................................................................................... 50
5.4 FLUXOGRAMA PARA O ALGORITMO DO ACS PARA O PROBLEMA DA RESTAURAÇÃO

DE REDES ELÉTRICAS ..................................................................................................................... 52
6 TESTES E RESULTADOS NUMÉRICOS .................................................................................. 53
6.1 INTRODUÇÃO ................................................................................................................................ 53
6.2 EXEMPLO DO DESLOCAMENTO DAS FORMIGAS – SISTEMA DEFEITUOSO DE 16 BARRAS .... 53
6.3 RESTAURAÇÃO DE REDES DE DISTRIBUIÇÃO ............................................................................ 57
6.3.1 Sistema de 16 barras...................................................................................................... 58
6.3.2 Sistema de 33 barras...................................................................................................... 62
7 CONCLUSÕES E TRABALHOS FUTUROS.............................................................................. 69
7.1 CONCLUSÕES ................................................................................................................................ 69
7.2 PROPOSTAS DE TRABALHOS FUTUROS .......................................................................................... 70
REFERÊNCIAS BIBLIOGRÁFICAS ............................................................................................... 71

APÊNDICE A ..................................................................................................................................... 77
DADOS DOS SISTEMAS TESTADOS .......................................................................................................... 77
A1 Sistema de 16 barras ............................................................................................................... 77
A2 Sistema de 33 barras ............................................................................................................... 78

LISTA DE FIGURAS
Figura 1.1: Histórico de Continuidade do Fornecimento do Brasil ............................................ 3

Figura 1.2: Estados de Operações de um Sistema de Distribuição ............................................ 6
Figura 1.3: Exemplo simples da operação de chaveamento para restauração do serviço .......... 8
Figura 3.1: Deslocamento das formigas na busca do alimento ................................................ 17
Figura 3.2: Experimento ponte de comprimentos iguais. ......................................................... 18
Figura 3.3: Experimento ponte de comprimentos diferentes. ................................................... 19
Figura 3.4: % do tráfego no ramo maior .................................................................................. 19
Figura 3.5: Resultado obtido para o problema do caixeiro viajante para 30 cidades aplicando o
AS ............................................................................................................................................. 22
Figura 3.6: Construção da rota utilizando o AS ....................................................................... 23
Figura 3.7: Escolha da rota ....................................................................................................... 23
Figura 4.1: Rede de distribuição radial ..................................................................................... 33
Figura 4.2: Um trecho de um sistema de distribuição. ............................................................. 33
Figura 5.1: Diagrama unifilar de um sistema de distribuição radial simples ........................... 39
Figura 5.2: Sistema exemplo com defeito entre as barras 2 e 3 ............................................... 40
Figura 5.3: Árvore do sistema exemplo contendo falha entre as barras 2 e 3 .......................... 41
Figura 5.4: Sistema teste operando normalmente ..................................................................... 42
Figura 5.5: Árvore do sistema exemplo operando em situação normal ................................... 42
Figura 5.6: Grafo do sistema, exemplo com formação do laço na área tracejada .................... 45
Figura 5.7: Escolha aleatória das ligações ................................................................................ 49
Figura 5.8: Fluxograma do ACS para o problema de restauração........................................... 52
Figura 6.1:Sistema defeituoso de 16 barras - Reconfigurado ................................................... 53
Figura 6.2: Exploração das formigas – estado inicial. .............................................................. 54
Figura 6.3: Exploração das formigas – 1ª movimentação. ...................................................... 54
Figura 6.4: Sistema de 16 barras após a primeira movimentação das formigas ....................... 55
Figura 6.5: Formação do laço no sistema ................................................................................. 56
Figura 6.6: Sistema defeituoso de 16 barras – Restabelecido. ................................................. 57
Figura 6.7: Configuração inicial para o sistema de 16 barras .................................................. 58
Figura 6.8: Sistema 16 barras - reconfigurado ......................................................................... 59
Figura 6.9: Sistema defeituoso de 16 barras - Reconfigurado .................................................. 59
Figura 6.10: Perfil de tensão inicial para o sistema de 16 barras reconfigurado antes da
ocorrência da falta .................................................................................................................... 61
Figura 6.11: Perfil de tensão das barras após a restauração para o sistema de 16 barras ......... 61
Figura 6.12: Convergência do algoritmo ACS para o sistema de 16 barras ............................. 62
Figura 6.13: Configuração inicial para o sistema de 33 barras ................................................ 63
Figura 6.14: Sistema de 33 barras reconfigurado ..................................................................... 64
Figura 6.15: Sistema defeituoso de 33 barras - Reconfigurado ................................................ 64
Figura 6.16: Perfil de tensão inicial para o sistema de 33 barras reconfigurado antes da
ocorrência da falta .................................................................................................................... 65
Figura 6.17: Perfil de tensão das barras após a restauração para o sistema de 33 barras com
limite de tensão de 0.85 p.u. ..................................................................................................... 66
Figura 6.18: Convergência do algoritmo ACS para o sistema de 33 barras com limite de
tensão de 0.85 p.u. .................................................................................................................... 66
Figura 6.19: Perfil de tensão das barras após a restauração para o sistema de 33 barras com
limite de tensão de 0.95 p.u. ..................................................................................................... 67
Figura 6.20: Convergência do algoritmo ACS para o sistema de 33 barras com limite de
tensão de 0.95 p.u. .................................................................................................................... 68
LISTA DE TABELAS
Tabela 6.1: Parâmetros Utilizados ............................................................................................ 58

Tabela 6.2: Resultados para o sistema de 16 barras ................................................................. 60
Tabela 6.3: Comparação do resultado final do restabelecimento do sistema IEEE 33 barras . 65
Tabela 6.4: Comparação do resultado final do restabelecimento do sistema IEEE 33 barras -
Limite inferior de tensão de 0,95 p.u. ....................................................................................... 67
LISTA DE ABREVIAÇÕES
ACO: Ant Colony Optimization

ACS: Ant Colony System
ANEEL: Agência Nacional de Energia Elétrica
AS: Ant System
CCEE: Câmara de Comercialização de Energia Elétrica
CH: Chaveamento
DEC: Duração de Interrupção por Unidade Consumidora ou por Ponto de Conexão
DIC: Duração Equivalente de Interrupção por Unidade Consumidora ou por Ponto de Cone-
xão
DMIC: Duração Máxima de Interrupção Contínua por Unidade Consumidora ou por Ponto de
Conexão
EPE: Empresa de Pesquisa Energética
FEC: Frequência de Interrupção Individual por Unidade Consumidora ou por Ponto de Cone-
xão
FIC: Frequência Equivalente de Interrupção Individual por Unidade Consumidora ou por
Ponto de Conexão
GD: Geração Distribuída
HC-ACO: Hiper cubo com Ant Colony Optimization
MMAS: MAX-MIN Ant System
MSP: Método da Soma de Potência
ONS: Operador Nacional do Sistema
PNLIM: Programação Não Linear Inteira Mista
PNS: Potência Não Fornecida
SDEE: Sistema de Distribuição de Energia Elétrica
SE: Subestação
SEP: Sistema Elétrico de Potência
TSP: Traveling Salesman Problem
INTRODUÇÃO 1
1 INTRODUÇÃO
1.1 CONSIDERAÇÕES INICIAIS
O crescente desenvolvimento da sociedade e o consequente aumento do consumo de

energia elétrica tornaram indispensáveis às empresas que integram o setor elétrico (geração,
transmissão e distribuição) a constante melhoria na qualidade de seus produtos e serviços.
O Brasil impulsiona um mercado altamente competitivo, exigindo que as empresas
concessionárias de energia elétrica sejam induzidas a propor estratégias que visem uma me-
lhor eficiência dos serviços de distribuição, principalmente no que tange a confiabilidade e a
redução das perdas de potência. Estas perdas representam custos adicionais para as concessio-
nárias de distribuição, de forma que estes custos não podem ser eliminados, mas sim minimi-
zados.
O objetivo de um sistema elétrico de potência (SEP), tendo em vista atender todas as
exigências atuais é gerar, transmitir e distribuir a energia elétrica atendendo a todos os pa-
drões exigidos de confiabilidade, disponibilidade, qualidade, segurança e custos, tendo o mí-
nimo impacto ambiental. Entretanto, diversos fatores dificultam a realização destes objetivos,
tais como: oscilações na demanda, falhas na geração, transmissão e distribuição, entre outros.
Os sistemas de distribuição são muito susceptíveis à ocorrência de faltas que, muitas
vezes, provocam interrupções permanentes no fornecimento da energia elétrica em parte do
sistema. Desta forma, faz-se necessário restabelecer o serviço a maior parcela que ficou sem
atendimento e consequentemente isolar a menor área em que ocorreu a falta. A restauração do
sistema ocorre através de operações de chaveamento que definem uma nova topologia de con-
figuração durante o restabelecimento da energia. O processo de restauração deve preservar o
cumprimento das restrições físicas e operacionais da rede durante a correção da falha. Poste-
riormente, a rede deve voltar a funcionar em seu estado normal. O estado restaurativo é o es-
tado de operação da rede em que houve corte de carga e persiste enquanto os locais da falha
estiverem isolados (MONTICELLI, 1983).
A Agência Nacional de Energia Elétrica (ANEEL) é o órgão responsável por avaliar
as empresas concessionárias no Brasil quanto à continuidade de fornecimento de energia elé-
trica com base nos indicadores coletivos e individuais. Os indicadores já mencionados podem
ser calculados para períodos de apuração mensal, trimestral e anual. Estes indicadores são
INTRODUÇÃO 2
considerados para interrupções com duração maior ou igual a três minutos, ou seja, de longa
duração.
Para possibilitar a avaliação da continuidade na prestação do serviço de energia elétri-
ca de cada unidade consumidora, foram criados os seguintes indicadores individuais: DIC
(Duração de Interrupção por Unidade Consumidora ou por Ponto de Conexão), FIC (Frequên-
cia de Interrupção Individual por Unidade Consumidora ou por Ponto de Conexão) e DMIC
(Duração Máxima de Interrupção Contínua por Unidade Consumidora ou por Ponto de Cone-
xão) (ANEEL, 2011).
Os cálculos dos indicadores para o acompanhamento individual das interrupções ocor-
ridas em cada unidade consumidora atendida pela concessionária são descritas nas equações
(1.1), (1.2) e (1.3).
a) DIC: Intervalo de tempo que, no período de observação, cada unidade consu-

midora sofreu descontinuidade no atendimento de energia. Formalmente:
𝐷𝐼𝐶 = ∑ 𝑡(𝑖) (1.1)

𝑖=1
b) FIC: Número de interrupções ocorridas, no período de observação em cada

unidade consumidora. Formalmente:
𝐹𝐼𝐶 = 𝑛 (1.2)
c) DMIC: Tempo máximo de interrupção contínua, do fornecimento de energia

elétrica, para unidade consumidora qualquer. Formalmente:
𝐷𝑀𝐼𝐶 = 𝑚𝑎𝑥𝑖=1,…,𝑁 𝑡(𝑖) (1.3)
Onde:
𝑁: Representa o número de interrupções da unidade consumidora considerada, no

período da apuração;
𝑖: Representa o índice de interrupções da unidade consumidora no período de
apuração, variando de 1 a 𝑁;
INTRODUÇÃO 3
𝑡(𝑖): Representa o tempo de duração (𝑖) da unidade consumidora considerada ou

ponto de conexão, no período de apuração, expresso em horas e em centésimos
de horas.
A Figura 1.1 mostra o histórico de continuidade do fornecimento de energia elétrica do

Brasil, avaliando os indicadores DEC (Duração Equivalente de Interrupção por Unidade Con-
sumidora ou por Ponto de Conexão) e FEC (Frequência Equivalente de Interrupção Individual
por Unidade Consumidora ou por Ponto de Conexão). A composição desses indicadores é
constituída pelos dados de 36 concessionárias de distribuição consideradas de grande porte,
com mercado faturado anual de energia maior que 1 TWh (terawatt hora), e 26 concessioná-
rias consideradas de menor porte, com o mercado faturado anual menor ou igual a 1 TWh
(ANEEL, 2016).
Figura 1.1: Histórico de Continuidade do Fornecimento do Brasil
Fonte: (ANEEL, 2016).
A agência divulgou que o consumidor ficou sem energia elétrica por 18,59 horas (ou
18 horas e 35 minutos) durante o ano de 2015, em 2014 foram 18,06 horas (18 horas e 4 mi-
nutos). Entretanto o FEC continua em queda e ficou em 9,86 vezes, contra as 10,09 vezes em
2014. É importante salientar que, a agência reguladora divulga o ranking nacional das conces-
sionárias com a finalidade, também, de impulsioná-las para uma melhoria na qualidade do
serviço proposto, de forma que, são estabelecidos limites decrescentes a cada ano fornecidas
pela agência reguladora para os indicadores de continuidade individuais, para os períodos de
apuração mensais, trimestrais e anuais, conforme observado na Figura 1.1. No ano de 2015, o
limite para o DEC foi de 13,94 horas/ano e o FEC foi de 11,03 horas/ano (ANEEL, 2016).
INTRODUÇÃO 4
Quando ocorre violação nos índices de continuidades do suprimento de energia indivi-

duais, a concessionária deve compensar financeiramente a unidade consumidora quando ocor-
re a violação nos índices de continuidades do suprimento de energia individual.
Apesar da redução dos indicadores no último ano avaliado, nota-se que, a duração da
interrupção no fornecimento de energia ainda se encontra acima do limite previsto. Desta
forma, é notável a necessidade de aprimorar os métodos de restauração de sistema de modo a
garantir a continuidade do serviço à maior parcela que ficou sem atendimento, e consequen-
temente, isolar a menor área que ocorreu a falta.
1.2 RESTAURAÇÃO EM SISTEMAS DE DISTRIBUIÇÃO
Em um sistema de distribuição de energia elétrica (SDEE), dois níveis de tensão for-

necem alimentação para uma classe de consumidores distintos, podendo ser identificado co-
mo: primários (consumidores industriais e comerciais de médio porte alimentados pela rede
de distribuição de média tensão) e secundários (pequenos comércios alimentados pelas redes
de distribuição de baixa tensão). Estes sistemas são geralmente operados com a topologia ra-
dial, ou seja, sem formação de malhas ou loops. Com esta configuração, a coordenação do sis-
tema de proteção é facilitada, contribuindo para a operação. Entretanto, uma rede radial é me-
nos confiável quanto à continuidade do fornecimento de energia quando comparada com uma
rede malhada. (BORGES, 2012).
A operação de um sistema de distribuição de energia elétrica deve satisfazer certas
condições que são expressas sob a forma de dois conjuntos de restrições: carga e operação. O
primeiro conjunto reflete que o sistema de distribuição deve satisfazer à demanda da carga,
enquanto que o segundo enaltece a necessidade de se respeitar os limites operacionais do sis-
tema. Desta forma, se ambas as restrições de carga e operação são satisfeitas, diz-se que o sis-
tema está atuando no estado normal de operação (CARVALHO, 2015).
As redes aéreas com topologia radial possibilitam a transferência de blocos de carga
entre circuitos para o atendimento da operação em situações de contingências ou para manu-
tenção preventivo-corretiva.
A Figura 1.2 exemplifica alguns estados de transição inerentes à operação dos siste-
mas elétricos de distribuição do ponto de vista dos centros de controle (ARCANJO, 2014).
Destacam-se:
INTRODUÇÃO 5
a) Normal-Normal: Situação quando o sistema se encontra em estado normal, ou

seja, quando os limites emergenciais são satisfeitos. Entretanto, ocorre alguma
violação no limite operativo ou simplesmente deseja-se aperfeiçoar o estado
operativo da rede minimizando, por exemplo, as perdas. Pode-se adotar nesta
situação um processo de reconfiguração.
b) Normal-Emergencial: Este estado ocorre quando existe alguma falha na rede,
como no caso de uma falta ou curto-circuito. Desta forma, para evitar correntes
de falta com magnitude elevada, deve-se eliminar rapidamente a contingência.
c) Emergencial-Normal: Caso em que a condição de falta é temporária. Os sis-
temas de distribuição atuais se dispõem de religadores automáticos para retor-
nar o sistema de volta à normalidade.
d) Emergencial-Restabelecido-Normal: Caso em que ocorre uma contingência
permanente no sistema de distribuição, sendo necessário o restabelecimento do
sistema operando resumidamente da seguinte forma:
1. isolamento dos circuitos atingidos pela falta, através de abertura de dis-
juntores ou religadores;
2. restauração da maior quantidade de consumidores sem atendimento,
devido ao procedimento “1”, através de operações de fechamento de
chaves de socorro (normalmente abertas “NA”) e abertura de chaves
seccionadoras (normalmente fechadas “NF”), minimizando o custo da
energia não suprida;
3. reparo da contingência cujo tempo para tal procedimento irá depender
de diversos fatores como: tipo da contingência, local da ocorrência e
disponibilidade de equipe para o reparo;
4. normalização do atendimento após a contingência ter sido reparada,
respeitando o critério da radialidade e restrições operacionais do siste-
ma.
INTRODUÇÃO 6
Figura 1.2: Estados de Operações de um Sistema de Distribuição
Fonte: (ARCANJO, 2014).
Diversas técnicas foram desenvolvidas para sanar este problema como subsídio ao
operador do sistema, visto que, a restauração é um procedimento complexo de decisão e con-
trole e que deve ser resolvido o mais breve possível. As metodologias propostas na literatura
buscam, acentuadamente, a robustez do método e o melhor desenvolvimento computacional.
As técnicas podem estar baseadas em otimização clássica, que buscam a solução exata
do problema, e em métodos heurísticos, que buscam soluções aproximadas e de relativa qua-
lidade. A escolha de qual método aplicar na otimização do processo consiste de importantes
fatores, tais como, o problema de explosão combinatorial, a impossibilidade da completa ou
correta formulação matemática e algorítmica do problema, a capacidade computacional de
processamento e memória, o tempo de processamento requerido, dentre outras (MONTICEL-
LI, 1983; MATHIAS-NETO et al., 2000).
Quanto maior o número de barras do sistema elétrico, maior será o espaço de busca e
mais difícil será obter a solução ótima. O problema da restauração possui natureza não linear,
com variáveis contínuas e binárias. Portanto, originalmente é um problema de programação
não linear inteira mista (PNLIM). Pode ter enfoque multiobjetivo, gerando grandes espaços de
buscas e estando sujeito a muitas restrições fundamentais, o que torna difícil a sua implemen-
tação por otimização clássica (MONTICELLI, 1983; LIU, et al., 1988).
Algoritmos heurísticos são exploratórios e buscam soluções aproximadas, dispensando
a representação formal do conhecimento sobre o problema que busca resolver. Uma tecnolo-
gia de inteligência artificial distribuída fornece uma estrutura de execução para coordenar o
comportamento inteligente entre agentes autônomos. Um sistema multiagente pode ser pensa-
do como um grupo de agentes que interagem trabalhando juntos para atingir um grupo de me-
tas. O sistema mencionado é proposto neste trabalho. O algoritmo de otimização por colônia
de formigas – Ant Colony Optimization (ACO) simula o comportamento natural do grupo bio-
INTRODUÇÃO 7
lógico, tem as características da pesquisa heurística, que tem por objetivo encontrar boas solu-
ções com feedback positivo e cálculo distribuído. Isto é o que faz com que seja aplicado com
sucesso em diversos campos (LING. et al., 2005; CARVALHO, 2015).
Diversos métodos têm sido propostos para resolverem os problemas de restauração, de
forma a proporcionar esforços computacionais cada vez menores. Alguns métodos podem ser
citados, como por exemplo: colônia de formigas utilizando a variante hiper-cubo (WATA-
NABE, 2005), Simulated Annealing (MATOS e MELO, 1999), busca de tabu (TOUNE, et al.,
1998)(SILVA, et al., 2008), nuvem de partículas (LU, et al., 2006) e algoritmos genéticos
(XIAOPING, C, et al., 2009)(FUKUYAMA; CHIANG, 1995).
Dentre esses métodos, o ACO vem se destacando devido à sua eficiência para resolu-
ção de problemas de otimização de natureza combinatória (DORIGO; STUTZLE, 2004). Nas
últimas décadas, modificações e novas versões vêm sendo propostas no intuito de melhorar o
desempenho dos Algoritmos de Formigas, tendo como principal desafio, a busca de uma me-
lhor solução com esforço computacional aceitável.
1.3 MOTIVAÇÃO
Na década de 90, o Brasil sofreu uma reestruturação do setor elétrico criando a Agên-
cia Nacional de Energia Elétrica (ANEEL), o Operador Nacional do Sistema (ONS) e a Câ-
mara de Comercialização de Energia Elétrica (CCEE), já nos anos 2000, criou-se a Empresa
de Pesquisa Energética (EPE). Por meio desta iniciativa, intensificaram-se as buscas por me-
lhorias na operação e planejamento do sistema através de investimentos em pesquisas e de
uma regulamentação mais severa do setor. Diante disso, as concessionárias de energia busca-
ram operar o sistema de maneira mais eficiente, visando reduções de custos, que podem ser
alcançadas por meio da diminuição das perdas técnicas e econômicas. Além disso, as conces-
sionárias devem garantir que a qualidade da energia do serviço prestado esteja dentro dos li-
mites estabelecidos pela ANEEL (ANEEL, 2014).
A qualidade e a confiabilidade dos serviços de fornecimento de energia elétrica são
tratadas não apenas como um problema técnico e operacional, mas também, econômico e so-
cial, uma vez que a sociedade moderna está fundamentada e dependente destes serviços, no
que diz respeito ao modo e ao padrão de vida dos indivíduos.
A restauração de redes de energia elétrica é um problema de controle on-line, cujo ob-
jetivo é viabilizar uma configuração factível após a ocorrência da interrupção no sistema elé-
INTRODUÇÃO 8
trico. O plano de contingência deve ser elaborado e executado em prazos dependentes dos ín-
dices de continuidade (DEC, FEC, DIC, FIC) para impedir a ampliação de danos ou aciden-
tes, ou até mesmo, evitar prejuízos financeiros. A Figura 1.3, ilustra um exemplo simples de
operação de chaveamento, que restaura o serviço de fornecimento de energia elétrica na área
que ficou desatendida decorrente da falta permanente no local indicado.
A metodologia empregada para a reconfiguração da rede é diferente nos dois contextos
de planejamento de controle operacional: no planejamento de curto ou longo prazo e no pla-
nejamento em tempo real, mesmo compartilhando aspectos fundamentais. O problema da res-
tauração do serviço está inserido em cenários operacionais geralmente mais críticos e possui
características e objetivos particulares. Dentre as características, está a não integridade do sis-
tema no estado operacional e restaurativo, e o caráter temporário, que, também é urgente do
problema (MORELATO e MONTICELLI, 1989).
Figura 1.3: Exemplo simples da operação de chaveamento para restauração do serviço
Fonte: Adaptado de (WATANABE, 2005).
A nova configuração deve abranger a maior quantidade de consumidores e/ou cargas

mais importantes, minimizando a quantidade de chaves manobradas, porque, quanto maior o
número de manobras, maior o tempo de interrupção, além dos problemas transitórios causa-
dos pelo chaveamento. Este restabelecimento do sistema deve ser feito da melhor forma pos-
sível (WATANABE, 2005).
Em resumo, as meta-heurísticas possuem uma característica muito interessante: explo-
ra partes importantes do espaço de busca, encontrando boas soluções ou o ponto ótimo. O de-
senvolvimento do algoritmo exige do desenvolvedor (projetista) um elevado nível de conhe-
cimento do problema. A codificação adotada, os parâmetros utilizados e os procedimentos de
INTRODUÇÃO 9
melhoria local, devem ser baseados no conhecimento de domínio específico do problema a ser
resolvido.
No próximo capítulo, vão ser mencionados alguns algoritmos que utilizaram a heurís-
tica colônia de formigas para solucionar o problema de restauração de redes de distribuição,
aplicando as variantes Ant System (AS) e a MAX-MIN Ant System (MMAS). O algoritmo a ser
implementado neste trabalho é o Ant Colony System (ACS), por possuir característica de bus-
ca interessante quando comparada a outros algoritmos da mesma heurística, e consequente-
mente, os algoritmos que utilizaram o ACO para a resolução do problema da restauração das
redes elétricas de distribuição, que vale ressaltar, é o tema deste trabalho. Os detalhes do algo-
ritmo estão explanados no Capítulo 4.
1.4 OBJETIVO
1.4.1 Geral
Este trabalho tem como objetivo contribuir para o problema da restauração em siste-
mas de distribuição de energia elétrica, utilizando método de otimização por colônia de for-
migas ACS, realizando uma avaliação quantitativa de sistemas radiais.
1.5 DIVULGAÇÃO DA PESQUISA
 SILVA, E.B.; CARVALHO, T.L.A.; FERREIRA, N.R. Aplicação do Algoritmo Co-

lônia de Formigas na Restauração de Redes Elétricas de Distribuição. In: I Sim-
pósio de Métodos Numéricos em Engenharia, Curitiba, PR, 2016.
1.6 ORGANIZAÇÃO
No Capítulo 2, encontram-se as principais metodologias que podem ser aplicadas na

solução dos problemas de restauração, conceitos sobre heurísticas e metaheurísticas, e, uma
revisão bibliográfica com os principais métodos para resolução do problema. O método ACO
e alguns dos algoritmos mais conhecidos baseados em sua estrutura são apresentados no Capí-
tulo 3. No Capítulo 4, é apresentado um método para cálculo de fluxo de potência em siste-
mas de distribuição. O Capítulo 5 apresenta a metodologia para resolução do problema da res-
tauração via ACO, apresentando variações desse algoritmo. No Capítulo 6, é apresentada a
INTRODUÇÃO 10
solução do problema de restauração de redes de distribuição de energia elétrica, utilizando al-

goritmo colônia de formigas e feitas aplicações a dois sistemas elétricos. Por fim, o Capítulo 7
traz as conclusões e propostas para futuros trabalhos. O Apêndice A apresenta os dados dos
sistemas utilizados neste trabalho.
METODOLOGIAS 11
2 METODOLOGIA
2.1 INTRODUÇÃO
Os algoritmos de otimização podem ser classificados em dois grupos: métodos deter-

minísticos e não determinísticos. Os métodos determinísticos são caracterizados por disporem
de modelos matemáticos definidos para a identificação do problema a ser minimizado. Consi-
derando a complexidade do problema a ser trabalhado, pode-se levar uma margem de tempo
apreciável para obter a solução ótima. Esses métodos são baseados, em sua grande maioria,
nos cálculos de derivadas de primeira e segunda ordem ou de uma aproximação dessas deri-
vadas, possuindo como limitações (SU; LII, 2002):
 Dificuldade de trabalhar com variáveis discretas e de lidar com funções não dife-
renciáveis;
 Necessidade de que a função objetivo seja contínua, diferenciável e convexa no
espaço de busca.
Já os métodos não determinísticos podem ter diversas soluções para certo dado de en-
trada. Este método busca solucionar o problema a ser minimizado através de fenômenos en-
contrados na natureza, a partir de um conjunto de regras e métodos que conduzem a uma reso-
lução relativamente rápida, entretanto, não garantem que a resposta encontrada é o mínimo
global da função. Os modelos não determinísticos utilizam a avaliação da função objetivo e
introduzem no processo de solução de dados que tem origem em eventos aleatórios, além de
não empregar o cálculo de derivadas, atuando diretamente na busca por soluções dentro do
espaço viável (MEDEIROS; KRIPKA, 2012).
Na solução da restauração de redes de distribuição de energia elétrica, em decorrência
da natureza combinatória desses problemas, a resolução por métodos clássicos de otimização
torna-se pouco atraente (CARVALHO, 2015). Diante desse cenário, os métodos não determi-
nísticos baseados em heurísticas são uma boa alternativa para solucionar esses problemas.
2.2 MÉTODOS HEURÍSTICOS
O termo “heurístico” está relacionado com a resolução de problemas reais dispondo

somente dos conhecimentos disponíveis. Esse termo provém de uma palavra grega com um
METODOLOGIAS 12
significado próximo ao conceito de encontrar, sendo supostamente vinculada à expressão eu-

reka de Arquimedes ao descobrir seu famoso princípio (MELIÁN, et al., 2003).
Um procedimento é classificado como heurístico quando se tem um alto grau de con-
fiança, que se podem encontrar boas soluções para um problema de otimização a um custo
computacional razoável, sendo, contudo, incapazes de garantir sua factibilidade ou a distância
da solução até o ótimo (CARVALHO, 2015). Problemas de natureza combinatorial de grande
porte são geralmente de difíceis soluções. Logo, os métodos heurísticos são utilizados, pois
apresentam uma boa relação entre os resultados gerados e o tempo computacional necessário
para gerar esses resultados.
2.3 METAHEURÍSTICAS
Por definição, as metaheurísticas são obtidas através do termo “heurístico” acrescidos

de um prefixo “meta”, o qual caracteriza que se encontra em um nível superior (BLUM; RO-
LI, 2003; MELIÁN et al., 2003). As metaheurísticas são destinadas como procedimentos a
encontrarem uma boa solução, que por ventura, pode ser a ótima consistindo na aplicação, em
cada passo, de uma heurística subordinada, a qual tem de ser modelada para cada problema
(RIBEIRO, 2002). As metaheurísticas são estratégias inteligentes para projetar ou melhorar
procedimentos heurísticos muito generalistas.
Devido ao fato das metaheurísticas serem mais genéricas, elas utilizam a busca por
uma solução dentro de seu espaço de pesquisa e também ao redor de sua vizinha. É mister sa-
lientar que, devido ao conhecimento histórico dos resultados anteriormente adquiridos, as me-
taheurísticas podem usar estratégias para escapar de paradas prematuras dentro de ótimos lo-
cais, explorando assim partes importantes do espaço de busca (BIRATTARI, et al., 2001).
Em Melián, et al. (2003), as metaheurísticas foram classificadas em:
 Metaheurísticas de relaxação: são procedimentos de resolução de problemas que

utilizam flexibilizações do modelo original (ou seja, modelos com modificações
que tornam o problema mais fácil de resolver), cuja solução fornece a solução pa-
ra o problema original;
 Metaheurísticas construtivas: baseia-se em procedimentos que tratam da obtenção
de uma solução a partir da análise e seleção paulatina dos componentes que a
formam;
METODOLOGIAS 13
 Metaheurísticas de busca: chama-se dessa forma qualquer método que percorra

espaços de busca, compostos por soluções, levando em conta fundamentalmente,
em cada passo, a vizinhança da solução obtida na iteração anterior;
 Metaheurísticas evolutivas: enfocam os métodos baseados em conjuntos de solu-
ções que evoluem sobre o espaço de soluções;
 Metaheurísticas híbridas: são metaheurísticas intermediárias em relação aos qua-
tro tipos anteriores ou combinação de métodos.
Apesar de aparentemente diferentes, as metaheurísticas compartilham de uma série de

características comuns respeitantes, em especial dois elementos (DURVAL; BÉATRICE;
JIN-KAO HAO, 2010):
 Codificação: as formas de representarem as soluções candidatas do espaço de

busca;
 Avaliação da aptidão: a forma para se medir a qualidade das soluções candida-
tas.
A forma de exploração do espaço de busca por soluções permite dividir as metaheurís-

ticas em, pelo menos, duas categorias: busca local e busca populacional (SUCUPIRA, 2007):
 A busca local é realizada por meio de deslocamentos aplicados sobre a solução

atual, buscando uma solução de melhor qualidade em torno de sua vizinhança.
Pode-se citar como exemplos de metaheurísticas de busca local: busca tabu, simu-
lated annealing, método de pesquisa em vizinhança variável e busca reativa.
 As buscas populacionais reúnem um conjunto de soluções de boa qualidade e as
combinam de diferentes maneiras. O objetivo é extrair bons atributos de cada so-
lução e, com essas informações, buscar uma solução ainda melhor. Pode-se citar
como exemplos de metaheurísticas de busca populacional: algoritmos genéticos,
colônia de formigas, nuvem de partículas e algoritmos meméticos.
METODOLOGIAS 14
2.3.1 Inteligência coletiva
O termo inteligência coletiva é uma tradução livre para o termo em inglês “Swarm In-
telligence” e nomeia uma subárea da Inteligência Artificial relacionada a projetos de sistemas
multiagentes, inspirados no comportamento coletivo das colônias de insetos sociais e de ou-
tras sociedades animais.
A principal característica dos algoritmos baseados em inteligência coletiva é a utiliza-
ção de agentes que cooperam através de comunicação indireta, executando movimentos no
espaço de decisão. Estes agentes seguem algumas regras simples, que despertam o interesse
de pesquisadores, que buscam entender o comportamento desses insetos sociais. Por meio de
modelos abstratos que imitam esse tipo de comportamento, diversas aplicações baseadas em
inteligência coletiva são introduzidas nas mais variadas áreas do conhecimento (SOUZA,
2013).
Nas colônias de formigas, as interações entre os agentes são feitas de maneira indireta,
através de uma substância denominada feromônio. As abelhas se comunicam por meio de
uma dança rítmica que indica para as abelhas ociosas, à distância e direção em que se encon-
tram os alimentos. Quanto maior a duração e mais frequente é a dança, melhor é a fonte de
alimento encontrada. Mesmo que as abelhas só vejam uma única dança antes de saírem em
busca de alimento e, tendo em vista a inexistência de um mecanismo central que determine o
controle da qualidade do alimento encontrado por todas elas, ainda assim, os agentes são ca-
pazes de perceber as diferenças no meio ambiente e otimizarem a coleta de comida. (FRAGA,
2006).
Esse comportamento de esforço conjunto de vários subsistemas para realização de
uma tarefa complexa pode ser chamado de sinergia. De forma genérica, a sinergia pode ser
definida como o efeito resultante da ação de vários agentes que atuam em conjunto, onde o
valor da ação coletiva resultante é mais significativo que a mera atuação individual de cada
agente da colônia.
2.4 REVISÃO BIBLIOGRÁFICA
Diversas pesquisas foram realizadas no século passado voltadas para o planejamento

da geração e transmissão de energia devido a sua complexidade. Devido ao aumento constan-
te do consumo de energia elétrica, o planejamento e a operação exigiram novas técnicas de
análise para operar o sistema de forma adequada.
METODOLOGIAS 15
Os métodos de otimização são aplicados em larga escala e nas mais diversas áreas do
setor. As perdas geram prejuízos às concessionárias de energia, e o estudo para a sua redução,
sem dúvida, é amplamente explorado, apresentando benefícios técnicos e econômicos para o
sistema elétrico. Contudo, problemas de otimização relacionados ao planejamento e operação
do sistema de distribuição são complexos, normalmente são definidos dentro de domínios dis-
cretos para as variáveis de decisão. No entanto, para sistemas de distribuição reais, a natureza
dimensional e/ou combinatória do problema de otimização torna impraticável o uso da busca
exaustiva, pois o número de combinações seria excessivamente elevado para serem processa-
dos em razoável tempo de computação. Otimizações podem então ser resolvidas em termos de
adoção de meta-heurísticas adequadas (CHICCO, 2011).
Diversas metas-heurísticas são propostas para a solução deste tipo de problema, apre-
sentando princípios e estratégias distintas, dentre elas, algoritmo genético, busca de Tabu, re-
cozimento simulado (Simulated Annealing), nuvem de partículas (Particle Swarm) e colônia
de formigas.
Na literatura encontram-se diversos trabalhos que utilizam a metaheurística ACO com
o propósito de resolver problemas de restauração em sistemas de distribuição de energia elé-
trica.
Em Luan, et al., (2002), é proposto um algoritmo genético utilizado para pesquisar
uma estratégia de restauração de fornecimento em redes de distribuição. Um sistema de codi-
ficação é adotado para cada cromossomo e é feito uma lista dos índices das chaves. O estado
de cada chave é decidido de acordo com a teoria dos grafos, sujeita a restrição de radialidade.
Já no trabalho proposto por Hsiao, et al., (2002), é realizado a implementação de um
algoritmo baseado em lógica difusa (fuzzy), para solucionar o problema de restauração de re-
des de distribuição. A função objetivo é modelada com os conjuntos fuzzy para avaliar a sua
aptidão.
O ACO é visto em Ling, et al., (2005), de forma a propor um modelo distribuído para
a restauração do sistema de potência utilizando o ACO, de forma que, combina a versão AS
do algoritmo de formigas com inúmeros agentes inteligentes de barra e um único agente inte-
ligente de controle, empregando da interação entre eles para obter soluções ótimas locais, e,
posteriormente, encontrar uma solução ótima global.
No modelo realizado por Watanabe (2005), o ACO é formulado com base em um qua-
dro de Hiper Cubo (HC-ACO) que, realiza uma busca na sequência de comutação ideal e a so-
lução fornece um serviço de restauração eficaz.
METODOLOGIAS 16
O ACO é melhorado em Yang, et al., (2009), utilizando-se da combinação do algorit-

mo com a árvore de abrangência estocástica. É implementado a versão MMAS do algoritmo
ACO e é testado em três sistemas do IEEE.
Outro ACO é proposta em Karn, et al., (2011), utilizando a versão AS do algoritmo,
onde são considerados separadamente dois tipos de interruptores, sendo controlados manual e
automaticamente possuindo diferentes tempos de comutação.
Em Silva, et al., (2008), um algoritmo de busca de tabu reativa é implementado para
elevar a confiabilidade do sistema de proteção, com o objetivo de facilitar a restauração em
caso de contingência do sistema de energia.
Já em Shin, et al., (2004), é utilizado o algoritmo de busca de tabu combinado com al-
goritmo genético para encontrar uma solução global.
Outra metaheurística é exibida por Lu, et al., (2006), de forma que, um algoritmo de
otimização em nuvem de partícula é proposto para a otimização do sistema de distribuição,
mostrando que o método tem alta velocidade de cálculo e convergência e pode resolver o pro-
blema de restauração de energia de forma eficaz.
Um método que utiliza algoritmos genéticos de simulated annealing é proposta em
Xiaoping, et al., (2009). A determinação dos pontos de restauração de carga é feita com base
na reconfiguração da rede, na qual a frequência do sistema é calculada por análise de fluxo de
energia prolongada e, as diversas restrições dos sistemas são tratadas por funções de penali-
dade.
OTIMIZAÇÃO POR COLÔNIAS DE FORMIGAS 17
3 OTIMIZAÇÃO POR COLÔNIAS DE FORMIGAS
3.1 INTRODUÇÃO
Inteligência coletiva é uma abordagem recente quanto à resolução de problemas atra-

vés de comportamentos sociais de animais. Em particular, diversos métodos e técnicas são
inspirados no comportamento das formigas, denominada otimização por colônia de formigas
(DORIGO, et al., 2006).
Na ciência temos diversos modelos matemáticos que, estão fortemente aplicados nas
áreas como a física, a engenharia, dentre outros. Essas pesquisas tomaram uma importância
significativa no meio científico, de tal forma que, existe uma área de conhecimento que é vol-
tada ao estudo de métodos e técnicas bioinspiradas (BLUM e ROLI, 2003).
3.2 COMPORTAMENTO DAS FORMIGAS NA BUSCA POR FONTES DE ALIMENTOS
Os comportamentos coletivos agregados ao alto padrão de organização das formigas

na natureza chamaram a atenção dos observadores. Isso porque, em seu habitat natural, as
formigas sempre conseguem descobrir boas soluções para o menor caminho entre o formi-
gueiro e uma fonte de alimento. As formigas ao andarem do formigueiro até o local da comida
depositam no chão uma substância denominada feromônio. Outras formigas percebem a pre-
sença do feromônio e tendem a seguir caminhos onde a concentração de feromônio é mais
elevada. Através deste mecanismo, as formigas são capazes de transportar os alimentos para o
seu ninho de maneira extraordinariamente eficaz conforme mostra a Figura 3.1 (SOUZA, et
al., 2010; SOUZA, et al., 2011).
Figura 3.1: Deslocamento das formigas na busca do alimento
Fonte: (SANCA, 2013).

3.2.1 Experimento da ponte dupla
Em um estudo feito por Dorigo, et al., (2006), investigou-se o comportamento das

formigas seguindo o feromônio. Em uma experiência denominada “experiência de dupla pon-
te”, de forma que o ninho de uma colônia de formigas argentinas foi ligado a uma fonte de
alimento por duas pontes de comprimentos iguais, de acordo com a Figura 3.2. Inicialmente,
as formigas tem movimento aleatório entre o formigueiro e a fonte de comida, visto que não
há presença do feromônio nos caminhos, possuindo desta forma, a mesma probabilidade de
serem escolhidos. Posteriormente com o deslocamento aleatório das formigas, um caminho
será escolhido por um número maior de formigas, fazendo com que a quantidade de feromô-
nio neste caminho seja maior, desta forma, com o passar do tempo toda a colônia converge
para a mesma ponte.
Figura 3.2: Experimento ponte de comprimentos iguais.
Fonte: Adaptado de (DORIGO, et al., 2006).
Em um segundo experimento, Dorigo, et al., (2006) considera uma variante da experi-

ência de ponte dupla, de tal forma que, uma ponte oferece o caminho mais curto quando com-
parada à outra como pode ser visto na Figura 3.3. Nesta situação, as flutuações estocásticas na
escolha inicial de uma ponte são muito reduzidas e um segundo mecanismo desempenha um
papel importante: as formigas que por acaso escolheram a ponte curta, são as primeiras a che-
gar ao ninho. Portanto, a ponte curta recebe primeiramente uma maior quantidade de feromô-
nio, estimulando mais formigas a seguirem pela mesma trilha.
Desta forma, quanto mais formigas seguem uma trilha, mais atrativa é a mesma. A
probabilidade de um caminho ser escolhido aumenta com o número de formigas que, previa-
mente, escolheram este mesmo caminho.
Figura 3.3: Experimento ponte de comprimentos diferentes.
Fonte: Adaptado de (DORIGO, et al., 2006).
O experimento de ponte dupla mostra claramente através da Figura 3.4, que as colô-
nias têm incorporadas a capacidade de otimização, uma vez que, através do uso de regras pro-
babilísticas com base em informações locais, elas podem encontrar o menor caminho entre
dois pontos do ambiente. Vale ressaltar que, com o decorrer do tempo, o feromônio sofre o
processo de evaporação, pois a substância é volátil e a concentração em caminhos menos visi-
tados vai diminuindo, reduzindo também a influência desses caminhos nas decisões das for-
migas. Portanto, a partir da inspiração do experimento, é possível desenvolver formigas artifi-
ciais, tendo como modelo formigas reais, que conseguem encontrar o menor caminho entre a
fonte de comida e o formigueiro, obtendo assim um processo de otimização eficiente (DORI-
GO, et al., 2006).
Figura 3.4: % do tráfego no ramo maior
Fonte: (DORIGO; STUTZLE, 2004).

3.3 COMPARAÇÃO ENTRE AS FORMIGAS REAIS E ARTIFICIAIS
As formigas “artificiais”, criadas para solucionar problemas de otimização via ACO,

possuem muitas semelhanças e algumas diferenças com relação às formigas “reais” encontra-
das na natureza. Destacam-se como semelhanças (DORIGO et al., 1999; SANTOS NETO,
2014):
 A busca pelo caminho mais curto: as formigas reais ou artificiais buscam o cami-
nho mais curto. As formigas reais escolhem o menor caminho entre o ninho e uma
dada fonte de alimento, enquanto que as formigas artificiais, buscam menores ca-
minhos a depender do problema a ser otimizado;
 Colônia de agentes cooperativos: tanto na natureza como no mundo virtual, as
formigas agem de maneira cooperativa por meio da deposição e evaporação do fe-
romônio, a qual se trata de uma substância química quando envolve formigas reais,
já no caso das formigas artificiais, é utilizada como uma variável matemática que
conectará o processo;
 Trilhas de feromônio: o feromônio depositado pelas formigas atua nas duas reali-
dades, modificando o meio ambiente e, consequentemente, ratificando o aprendi-
zado gerado pelas formigas;
 Inteligência coletiva: tanto na realidade como no ACO, a inteligência é obtida
através da coletividade, visto que, o comportamento individual é insuficiente ou
aleatório;
 Comportamento estocástico: a forma probabilística é característica das duas reali-
dades.
Não obstante, existem algumas características que são próprias das formigas “artifici-
ais”. Dorigo, et al. (1999) destacou:
 Natureza do movimento: as formigas artificiais se deslocam de maneira discreta,

enquanto nas formigas reais os movimentos são contínuos;
 Feromônio: o depósito de feromônio no ACO ocorre baseado na qualidade da so-
lução encontrada;
 Memória: as formigas reais não possuem uma estrutura de memória como no caso
das virtuais, que as impeça de realizar movimentos.
3.4 ACO APLICADO AO PROBLEMA DO CAIXEIRO VIAJANTE
A primeira aplicação para um algoritmo baseado no comportamento das formigas foi o

problema do caixeiro viajante ou traveling salesman problem (TSP). Existe um aspecto de
fundamental importância no comportamento das colônias de formigas na busca por fontes de
alimentos, que, após encontrar o menor caminho entre o ninho e a fonte de alimento, esta tri-
lha é mantida pela colônia, desde que não haja nenhuma modificação no ambiente (BONA-
BEAU, et al., 1999).
Este problema consiste em encontrar o menor caminho para percorrer um conjunto C
de cidades que estão completamente conectadas entre si, isto é, para cada par de cidades, exis-
te uma estrada que as liga, conforme a Figura 3.5, sendo a distância d entre elas conhecida.
Dessa forma, o problema consiste em encontrar o menor caminho para percorrer todas as ci-
dades uma única vez. O conjunto de todos os caminhos possíveis define o espaço de busca pa-
ra este problema. Quando se trata de poucas cidades, 5 ou 6, é possível realizar o teste para
todas as possibilidades com a finalidade de encontrar o menor caminho. Entretanto, o sistema
se torna computacionalmente intratável para conjuntos maiores de cidades. Este fato desper-
tou a necessidade de elaborar estratégias computacionalmente eficientes, mas que encontras-
sem soluções ótimas ou próximas delas, para este tipo de problema. Esta é a ideia principal
por trás das metaheurísticas. São estratégias com a finalidade de explorar o espaço de busca
de forma eficiente, encontrando soluções ótimas, ou próximas da melhor solução (SANCA,
2013).
Na solução desse problema, o ACO faz uma simulação com um número de agentes
(formigas) se deslocando de uma cidade para outra através das rotas que as interligam. Para
cada caminho que ligue duas cidades, é associada uma quantidade de feromônio virtual, que
pode ser interpretado e modificado pelos agentes. O ACO é um algoritmo iterativo, e a cada
iteração, um número Na de agentes é considerado. Desse modo, cada agente constrói uma ro-
ta, deslocando-se pelas cidades, até que todas as cidades sejam visitadas. Esse processo é
chamado de ciclo.
Figura 3.5: Resultado obtido para o problema do caixeiro viajante para 30 cidades aplicando o AS
Fonte: (DORIGO, et al., 1996).
Ao início de cada ciclo, os agentes são distribuídos aleatoriamente sobre as cidades

contidas em C. A partir de então, cria-se, para cada agente, uma lista individual Lk das cidades
a serem visitadas. A transição de uma cidade para a outra leva em consideração três aspectos
(DORIGO e STUTZLE, 2004; DORIGO, et al., 1996):
 Se uma cidade já foi ou não visitada: à medida que as formigas se deslocam de

uma cidade para outra, as cidades visitadas são retiradas de sua lista, evitando que
um agente passe por mais de uma vez na mesma cidade;
 Distância entre as cidades: baseado apenas em informações locais, o inverso da
distância entre as cidades é utilizado como heurística para guiarem as formigas na
construção de uma rota. Essa informação é estatística e não sofre alterações duran-
te a resolução do problema;
 Concentração do feromônio: ao transitar de uma cidade para outra, os agentes mo-
dificam a concentração de feromônio sobre os caminhos percorridos. Diferente da
distância, o feromônio sofre mudanças durante a solução do problema para refletir
a experiência adquirida pelos agentes durante o processo de construção da rota.
3.5 ALGORITMOS INSPIRADOS NO ACO
3.5.1 Ant System - AS
Para que seja possível um melhor entendimento sobre o método ACO, a seguir é apre-
sentada a formulação do algoritmo AS. Esta metodologia foi aplicada para resolver o proble-
ma clássico do caixeiro viajante (TSP).
O TSP consiste em, por exemplo, dado um conjunto de cidades e dada também à dis-
tância entre elas, tem-se que determinar a menor rota para que contemple todas as cidades,
passando uma única vez por cada cidade e retorne ao local de partida. A Figura 3.6 exemplifi-
ca a construção da rota.
Figura 3.6: Construção da rota utilizando o AS
Fonte: Adaptado de (COLORNI, et al., 1996).
Durante a etapa de construção, a formiga deve escolher um caminho, dentre as possi-

bilidades de trilhas, tendo como base o seu conhecimento individual (distâncias entre as cida-
des) e coletivo (quantidade de feromônio depositado nas ligações) conforme a Figura 3.7. A
cada iteração o conhecimento coletivo é atualizado.
Figura 3.7: Escolha da rota
Fonte: Adaptado de (COLORNI, et al., 1996).

A escolha para a definição da ligação deve ser probabilística. Com isso, a probabilida-
de de um agente k, que se encontra em uma cidade j, possuindo Ψ (conjunto de cidades vizi-
nhas de j que não foram visitadas pelo agente k), visitar uma cidade z utilizando uma determi-
nada trilha é dada pela equação de transição:
𝛼 𝛽 𝛽
𝑘
𝜏𝑗𝑍 𝜂𝑗𝑍 ⁄∑ 𝜏𝑗𝑙𝛼 𝜂𝑗𝑙 , se 𝑧 ∈ 𝛹
𝑃𝑗𝑍 = 𝑓(𝑥) = { 𝑙∈𝛹
, (3.1)
0, se 𝑧 ∉ 𝛹
𝑘
𝑃𝑗𝑍 é a probabilidade do agente k visitar uma cidade z utilizando a trilha jz; 𝜏𝑗𝑧 é a quantidade
de feromônio sobre a trilha jz; 𝜂𝑗𝑧 é uma informação heurística dada pelo inverso da distância
entre as cidades jz; α e β são os pesos atribuídos ao feromônio e a informação heurística, res-
pectivamente, e por fim, j compreende a cidade onde a formiga se encontra em um determina-
do instante (PEREIRA, 2010).
Nas fases iniciais da pesquisa, se forem definidos valores aleatórios para os feromô-
nios, as formigas não terão orientação e iriam acabar tendo soluções iniciais com baixa quali-
dade, deste modo, a informação heurística tem como objetivo garantir que as formigas tenham
uma boa solução desde a fase inicial. Ela pode existir ou não a depender do problema em
questão (WATANABE, 2005).
A informação heurística pode ser dada por algumas formas, sendo bastante utilizado
para a reconfiguração de redes elétricas como através da Equação (3.2) relacionada com a re-
sistência elétrica do ramo, a Equação (3.3) com base no inverso da perda elétrica ativa no tre-
cho em questão e a Equação (3.4), relacionada com a diferença entre as perdas em cada tre-
cho.
1 (3.2)
𝜂𝑥 =
𝑅𝑥
1 (3.3)
𝜂𝑥 =
𝑃𝐿𝑜𝑠𝑠𝑥(𝑖,𝑗)
𝜂𝑥 = 𝑃𝐿𝑜𝑠𝑠𝑥(𝑖,𝑗)(𝑖𝑛𝑖𝑐𝑖𝑎𝑙) − 𝑃𝐿𝑜𝑠𝑠𝑥(𝑖,𝑗)(𝑎𝑡𝑢𝑎𝑙) (3.4)
Para este caso do caixeiro viajante este valor é representado por:

𝜂(𝑖,𝑗) = 1⁄𝑑𝑖𝑗 (3.5)
𝑑𝑖𝑗 é a distância entre as cidades interligadas pela ligação jz.

A atualização tem como objetivo concentrar a pesquisa em regiões do espaço de busca
com distâncias reduzidas. Devido a isto, após todas as formigas completarem o ciclo, as tri-
lhas de feromônio são atualizadas pelo acréscimo e evaporação do feromônio, Equação (3.6),
conhecida como regra de atualização global (DORIGO, et al., 2006). A evaporação é repre-
sentada pelo coeficiente ρ, que pode estar entre zero e o valor unitário:
𝜏(𝑖, 𝑗) = (1 − 𝜌)𝜏(𝑖, 𝑗) + ∆𝜏(𝑖, 𝑗) (3.6)
∆𝜏(𝑖, 𝑗), representa o depósito de feromônios de todas as formigas no caminho (𝑖, 𝑗), que se
expressa da seguinte forma:
𝑚
(3.7)
∆𝜏(𝑖, 𝑗) = ∑ ∆𝜏𝑘 (𝑖, 𝑗)
𝑘=1
𝑄 ⁄𝐿𝑘 𝑠𝑒 (𝑖, 𝑗) ∈ 𝑎 𝑟𝑜𝑡𝑎 𝑑𝑎 𝑓𝑜𝑟𝑚𝑖𝑔𝑎 𝑘; (3.8)

∆𝜏𝑘 (𝑖, 𝑗) = {
0 𝐶𝑎𝑠𝑜 𝑐𝑜𝑛𝑡𝑟á𝑟𝑖𝑜,
Sendo, 𝑚 a quantidade de formigas, 𝑄 a constante de peso para o depósito do feromônios, 𝐿𝑘

o comprimento da rota k-ésima formiga.
A Equação (3.8) representa a quantidade de feromônios depositado nas trilhas pela
formiga 𝑘. De tal modo que, a quantidade de feromônios depositado no menor caminho é
proporcional à quantidade de formigas que passarem pela mesma, tornando esta rota mais
atrativa.
3.5.2 MAX-MIN Ant System – MMAS
Na busca por alimento, as formigas inicialmente se movimentam sem direção prefe-

rencial. Mais tarde, as formigas que escolheram caminhos mais curtos entre o formigueiro e a
fonte de alimento, completarão as expedições de forma mais rápida, isto faz com que haja re-
forço na trilha de feromônio. Portanto, as formigas tendem a escolher esta rota. Para evitar a
estagnação do algoritmo e as formigas ficarem presas a soluções locais, Stutzle e Hoos,

(2000) apresentaram o algoritmo MMAS.
Neste algoritmo, a etapa de construção é praticamente idêntica a do AS, utilizando a
mesma fórmula para calcular a probabilidade (3.1), o MMAS introduz quatro modificações no
AS:
i. Realiza o reforço do melhor caminho encontrado, somente da formiga 𝑘 que

possui a melhor solução;
ii. Para evitar uma estagnação precoce do algoritmo causado por uma quantidade
excessiva de feromônio nas trilhas de menor caminho, são definidos os limites
mínimos e máximos para o depósito de feromônio [𝜏𝑚𝑖𝑛 , 𝜏𝑚𝑎𝑥 ] nas trilhas;
iii. A inicialização das trilhas do feromônio é realizada com um alto valor de fe-
romônio, 𝜏𝑚𝑎𝑥 , que juntamente com um pequeno coeficiente de evaporação,
favorece a exploração de novos caminhos já no início do processo iterativo;
iv. As trilhas do feromônio são reinicializadas assim que ocorrer a estagnação em
uma solução.
De acordo com Stutzle e Hoos, (2000), a utilização da melhor solução de uma itera-
ção, aumenta o efeito de exploração das melhores soluções durante o processo de busca
(STUTZLE e HOOS, 1997; STUTZLE e HOOS, 2000). Ao mesmo tempo, contribui para o
efeito de intensificação do processo, utilizando sempre as melhores soluções em cada iteração
para a atualização do feromônios.
No MMAS, existem limites superiores e inferiores para o nível de feromônio. Ao rea-
lizar uma atualização do feromônio (aumento e evaporação) num ramo, o seu valor não pode
ultrapassar 𝜏𝑚𝑎𝑥 , nem ser inferior a 𝜏𝑚𝑖𝑛 .
Após cada iteração, se 𝜏𝑖,𝑗 > 𝜏𝑚𝑎𝑥 , então 𝜏𝑖,𝑗 = 𝜏𝑚𝑎𝑥 , se 𝜏𝑖,𝑗 < 𝜏𝑚𝑖𝑛 , então 𝜏𝑖,𝑗 =
𝜏𝑚𝑖𝑛 , além disso, 𝜏𝑚𝑖𝑛 > 0, se 𝜂𝑖,𝑗 < ∞ para todas as componentes da solução. Pode-se dizer
que, a proposta de impor limites à quantidade de feromônio, tem um efeito de intensificação
no processo de busca da melhor solução (para encontrar um maior número de possibilidades).
Após todas as formigas terem construído suas turnês, a atualização do feromônio é
implementada conforme a Equação (3.9):
𝜏𝑚𝑎𝑥
𝜏𝑖𝑗 ← [(1 − 𝜌)𝜏𝑖𝑗 + Δτ𝑏𝑒𝑠𝑡
𝑖𝑗 ] (3.9)
𝜏𝑚𝑖𝑛
A dificuldade é determinar quais são os valores aproximados para 𝜏𝑚𝑖𝑛 e 𝜏𝑚𝑎𝑥 , sendo
que 𝜏𝑚𝑎𝑥 é determinado pela Equação (3.10) (STUTZLE e HOOS, 2000):
∗
𝜏𝑚𝑎𝑥 = 1⁄𝜌. 𝐹𝑚𝑒𝑙ℎ𝑜𝑟 (3.10)
∗
Sendo 𝐹𝑚𝑒𝑙ℎ𝑜𝑟 o valor da melhor solução encontrada da função objetivo até o momento (me-
lhor solução global) ou a melhor solução da iteração. Stuzle e Hoos (2000) também propõem
inicializar o algoritmo fazendo 𝜏0 = 𝜏𝑚𝑎𝑥 , para obter uma intensa exploração das soluções no
espaço de busca.
Quanto ao valor de 𝜏𝑚𝑖𝑛 , não há um completo acordo sobre como pode ser determina-
do. Dorigo, et al. (1996), diz que o valor de 𝜏𝑚𝑖𝑛 é determinado empiricamente, porém existe
uma proposta analítica para determinar este valor, Equação (3.11):
𝜏𝑚𝑖𝑛 = 𝜏𝑚𝑎𝑥 . (1 − 𝑃𝑑𝑒𝑐 )⁄𝑘. 𝑃𝑑𝑒𝑐 (3.11)
𝑘 é a quantidade média de barras adjacentes que a formiga pode escolher em qualquer ponto
de decisão, e 𝑃𝑑𝑒𝑐 é determinado pela Equação (3.12):
𝑛−1
𝑃𝑑𝑒𝑐 = √𝑃𝑚𝑒𝑙ℎ𝑜𝑟 (3.12)
𝑃𝑚𝑒𝑙ℎ𝑜𝑟 é a probabilidade de uma formiga construir o melhor caminho até agora, e 𝑛 é o nú-
mero de passos no caminho (número de barras).
3.5.3 Ant Colony System – ACS
O ACS segundo Dorigo e Gambardella, (1997a,b), diferencia-se do AS em dois pontos

principais. Primeiramente, o feromônio é atualizado apenas para as trilhas (arcos) pertencen-
tes à melhor rota. Em segundo lugar, cada vez que uma formiga se desloca de uma cidade i
para uma cidade j, ela remove certa quantidade de feromônio do arco, com o objetivo de au-
mentar a exploração de caminhos alternativos (DORIGO; STUTZLE, 2004).
O ACS funciona da seguinte forma: as formigas são inicialmente posicionadas em al-
gum local de acordo com uma regra de inicialização (por exemplo, aleatoriamente). Posteri-
ormente, cada formiga segue um caminho aplicando uma regra de transição de estados. Du-
rante a construção do caminho de cada formiga, ela modifica também a quantidade de fe-
romônio nas bordas visitadas através de uma regra de atualização local. Uma vez que todas as
formigas tenham concluído o seu caminho, a quantidade de feromônio das bordas é atualizada
novamente aplicando a regra de atualização global.
A probabilidade da formiga 𝑘 se mover da cidade 𝑖 para 𝑗 é dada pela equação:
𝑎𝑟𝑔𝑚𝑎𝑥𝑗∈𝐽𝑘(𝑖) {[𝜏(𝑖, 𝑗)]𝛼 . [𝜂(𝑖, 𝑗)]𝛽 }, se q ≤ 𝑞0 (3.13)

𝑃𝑘 = {
𝐽, se 𝑐𝑎𝑠𝑜 𝑐𝑜𝑛𝑡𝑟á𝑟𝑖𝑜
𝑞 é um número aleatório dentro do intervalo [0,1], 𝑞0 é o parâmetro com valor: 0 ≤ 𝑞0 ≤ 1;

Com valores de 𝑞0 mais próximos de 1, tem-se uma priorização da intensificação, enquanto
que, com valores de 𝑞0 mais próximos de 0, prioriza-se a diversificação, por conta da regra de
decisão do AS ser utilizada com maior frequência. 𝐽𝑘 é um conjunto das cidades ainda não vi-
sitadas pela formiga 𝑘 e 𝐽 representa a regra de probabilidade conforme Equação 3.1 com
𝛼 = 1.
Ajustando o valor de q0 permite a modulação do grau de exploração e a escolha de se
concentrar a busca em torno da melhor solução encontrada até o momento ou explorar outros
caminhos.
A atualização global do feromônio é ligeiramente similar à do MMAS, onde apenas o
feromônio das melhores turnês é atualizado:
(1 − 𝜌)𝜏𝑖𝑗 + 𝜌Δ𝜏𝑖𝑗 , 𝑠𝑒 (𝑖, 𝑗) 𝑝𝑒𝑟𝑡𝑒𝑛𝑐𝑒 𝑎 𝑚𝑒𝑙ℎ𝑜𝑟 𝑟𝑜𝑡𝑎;

𝜏𝑖𝑗 ← { (3.14)
𝜏𝑖𝑗 , 𝑐𝑎𝑠𝑜 𝑐𝑜𝑛𝑡á𝑟𝑖𝑜.
com Δ𝜏𝑖𝑗 = 1/𝐿𝑏𝑒𝑠𝑡 , onde 𝐿𝑏𝑒𝑠𝑡 é o comprimento da melhor rota, que pode ser a melhor rota
encontrada na iteração corrente ou a menor rota encontrada desde o início do algoritmo.
A maior contribuição do ACS, com toda certeza é a introdução da Regra de Atualiza-
ção Local de Feromônio. A atualização local é realizada por todas as formigas, após cada pas-
so na construção de uma solução. Assim que a formiga se desloca, a quantidade de feromônio
no caminho deslocado é atualizado por:
𝜏𝑖𝑗 ← (1 − 𝜑)𝜏𝑖𝑗 + 𝜑𝜏0 (3.15)

𝜑 𝜖 (0,1] é o coeficiente de decaimento de feromônio e 𝜏0 a quantidade inicial de feromônio.

O objetivo da Regra de Atualização Local é retirar certa quantidade de feromônio no
arco (𝑖, 𝑗), com o propósito de reduzir a probabilidade da próxima formiga visitar este mesmo
caminho. Dessa forma, as formigas tendem a ampliar o espaço de busca com a finalidade de
encontrar novas soluções. Na prática, o seu efeito é fazer com que o algoritmo não se prenda a
ótimos locais.
Cabe ressaltar que, nos algoritmos das outras variantes do ACO, não faz diferença a
quantidade de formigas trabalhando sequencialmente ou paralelamente. Entretanto, no ACS
esse contexto é diferente em virtude da atualização local de feromônio.
FLUXO DE POTÊNCIA 31
4 FLUXO DE POTÊNCIA
4.1 INTRODUÇÃO
Grande parte dos estudos nas áreas de planejamento e operação de sistemas elétricos
de potência utiliza o cálculo de fluxo de potência, para que se consiga de forma geral, obter o
controle sobre a potência ativa e reativa do sistema, de modo que a demanda seja satisfeita e
realize uma análise estática da estabilidade da tensão, que vem se tornando um ponto crítico
para a operação dos sistemas de potência (LEITE; COSTA, et at., 2003).
Diversos métodos de fluxo de potência são encontrados na literatura. Para os sistemas
de transmissão, os mais utilizados são os métodos de Newton-Raphson e suas variações. Po-
rém, em se tratando de fluxo de carga para os sistemas de distribuição, que vale ressaltar é o
foco dessa dissertação, o panorama é outro.
Os métodos de fluxo de carga para redes de transmissão, quando aplicados a redes de
distribuição podem apresentar problemas de convergência. Estes problemas se devem a confi-
guração distinta entre as redes. A rede de distribuição frequentemente possui estrutura radial,
ou seja, ao contrário das redes de transmissão, elas não formam malhas, e possuem também
características elétricas distintas das redes de transmissão, como por exemplo, uma elevada
relação de resistência/reatância (HAFFNER, et al., 2009; GUIMARÃES, 2005; PEREIRA,
2010).
Existem na literatura diversos métodos propostos de algoritmos eficientes para pro-
blemas de fluxo de carga em redes de distribuição radiais. Duas linhas básicas para resolver
este tipo de problema é o método de Newton Raphson desacoplado rápido com rotação de ei-
xos e os métodos baseados em varredura direta e inversa (Backward-Forward-Sweep).
4.2 MODELO DAS REDES DE DISTRIBUIÇÃO
Para realizar a formulação do modelo matemático dos sistemas de distribuição de

energia elétrica, é considerado um sistema radial trifásico balanceado. É possível representar
este modelo através de um equivalente monofásico.
Em redes de distribuição de energia em média tensão, em função da sua natureza di-
versa (configuração radial e relações R/X mais elevadas), para o modelo simplificado, as ca-
pacitâncias em derivação podem ser desprezadas em níveis típicos de tensões (HAFFNER, et

al., 2008).
4.3 MÉTODO DA SOMA DE POTÊNCIAS – MSP
Dentre os métodos mais eficientes para cálculo do fluxo de potência, em redes de dis-
tribuição, o Método da Soma de Potência proposto por Cespedes (1990) utiliza um processo
iterativo nas variáveis perdas de potência ativa e reativa do tipo Backward-Forward-Sweep,
tendo os seguintes objetivos básicos:
 O módulo da tensão de cada barra deve ser a variável de maior interesse, prevale-
cendo sobre a sua fase. Isso, porque em sistemas de distribuição a diferença entre
as fases das tensões de barra é pequena não excedendo alguns graus;
 O método deve permitir a definição do módulo de tensão em qualquer barra do sis-
tema, para que as outras barras possam ser calculadas a partir desta;
 As cargas nas barras podem ser representadas como funções dos respectivos mó-
dulos das tensões nas barras;
 O método deve ser aplicado para fluxos radiais monofásicos e trifásicos;
 O algoritmo deve ter seu tempo de processamento e convergência compatíveis
com outros métodos usualmente utilizados para a solução do problema de fluxo de
potência.
Em uma rede com topologia radial, como pode ser visto da Figura 4.1, o MSP supõe
que, inicialmente, as perdas em todos os trechos são nulas, e a cada iteração as estimativas
dessas perdas melhoram. Quando a tensão da subestação é fornecida e as perdas são conside-
radas nulas, podem-se calcular as tensões das barras conectadas diretamente à subestação
(SE). Esse processo permanece até que todas as tensões das barras sejam calculadas. Após
concluir a primeira parte (forward), obtêm-se valores aproximados de todas as tensões das
barras. Estes valores são ditos aproximados devido às perdas iniciais serem consideradas nu-
las. Conhecidos os valores de tensão, é possível calcular uma estimativa para as perdas em to-
dos os trechos e, em seguida, corrigir os fluxos no processo (backward). O processo completo
(forward – backward) permanece até que a variação, nas perdas totais, seja menor que uma
tolerância pré-estabelecida, ou quando o limite de iterações for excedido.
Figura 4.1: Rede de distribuição radial
A solução do problema do fluxo de carga em um sistema radial utilizando o método da

soma de potências consiste em resolver para cada trecho do alimentador, uma equação biqua-
drada em termos da tensão nodal. O processo para o cálculo da potência consiste basicamente
em somar os valores das potências que faz menção às cargas e as perdas relativas aos trechos
que estão após o trecho de estudo, incluindo a própria carga (SANCA, 2013).
Para a modelagem da rede de distribuição, o sistema é dividido em diversos ramos, os
quais são limitados por barras ou nós. Cada nó representa um ponto onde está instalado um
transformador de distribuição. Na Figura 4.2 é apresentada a representação de circuitos elétri-
cos de um trecho do sistema.
Figura 4.2: Um trecho de um sistema de distribuição.

V1  1 V2   2
I 2  2
P2  j.Q2
R2  j.X 2
1 2
PL1  j.QL1 PL2  j.QL2

Fonte: (SANCA, 2013).
Onde 𝑉1 ∠𝛿1 e 𝑉2 ∠𝛿2 são as tensões de cada barra; 𝐼2 ∠𝜃2 é a corrente que atravessa o trecho
2; 𝑅2 e 𝑗𝑋2 representam, respectivamente, a resistência e reatância série do trecho 2; enquanto
que a carga, tipo potência constante, existente em cada barra, é representa por suas parcelas
ativa e reativa (𝑃𝐿1 + 𝑗𝑄𝐿1 , 𝑃𝐿2 + 𝑗𝑄𝐿2 ). O fluxo de potência num trecho (𝑃2 + 𝑗𝑄2 ) é definido
como aquele que flui no final do mesmo, antes de seu nó terminal, desconsiderando as perdas
do trecho (Δ𝑃2 e Δ𝑄2 ). Esse fluxo é o que chega ao final do trecho, já descontadas as perdas
do fluxo de potência no início do trecho.
4.3.1 Formulação matemática do problema
Na análise da Figura 4.2 pode-se extrair as seguintes equações (4.1) e (4.2).
𝑉1 ∠𝛿1 − 𝑉2 ∠𝛿2
𝐼2 = (4.1)
𝑅2 + 𝑗𝑋2
𝑆2 = 𝑉2 𝐼2∗ ⇒ 𝑆2∗ = 𝑉2∗ 𝐼2 ⇒ 𝑃2 − 𝑗𝑄2 = 𝑉2∗ 𝐼2 (4.2)
Igualando I2 nas equações (4.1) e (4.2), obtém-se o seguinte desenvolvimento:
𝑃2 − 𝑗𝑄2 𝑉1 ∠𝛿1 − 𝑉2 ∠𝛿2

=
𝑉2∗ 𝑅2 + 𝑗𝑋2
𝑉1 𝑉2∠(𝛿1 − 𝛿2 ) − 𝑉22 = (𝑅2 + 𝑗𝑋2 )(𝑃2 − 𝑗𝑄2 )
𝑉1 𝑉2 [𝑐𝑜𝑠 (𝛿1 − 𝛿2 ) + 𝑗𝑠𝑒𝑛(𝛿1 − 𝛿2 )] = 𝑉22 + 𝑅2 𝑃2 + 𝑋2 𝑄2 + 𝑗(𝑋2 𝑃2 − 𝑅2 𝑄2 )
Separando a parte real da imaginária tem-se:
𝑉1 𝑉2 𝑐𝑜𝑠(𝛿1 − 𝛿2 ) = 𝑉22 + 𝑅2 𝑃2 + 𝑋2 𝑄2 (4.3𝑎)
𝑉1 𝑉2 𝑠𝑒𝑛(𝛿1 − 𝛿2 ) = 𝑋2 𝑃2 − 𝑅2 𝑄2 (4.3𝑏)
Elevando-se ao quadrado e somando-se as equações (4.3a) e (4.3b), obtém-se:
𝑉12 𝑉22 = (𝑉22 + 𝑅2 𝑃2 + 𝑋2 𝑄2 )2 + (𝑋2 𝑃2 − 𝑅2 𝑄2 )2
𝑉12 𝑉22 = 𝑉24 + 2𝑉22 (𝑅2 𝑃2 + 𝑋2 𝑄2 ) + (𝑅2 𝑃2 + 𝑋2 𝑄2 )2 + (𝑋2 𝑃2 − 𝑅2 𝑄2 )2
1
𝑉24 + 2𝑉22 [(𝑅2 𝑃2 + 𝑋2 𝑄2 ) − 𝑉22 ] + (𝑅22 𝑃22 + 2𝑅2 𝑃2 𝑋2 𝑄2 + 𝑋22 𝑄22 )
2
+(𝑋22 𝑃22 − 2𝑋2 𝑃2 𝑅2 𝑄2 + 𝑅22 𝑄22 ) = 0
1
𝑉24 − 2 [ 𝑉22 − (𝑅2 𝑃2 + 𝑋2 𝑄2 )] 𝑉22 + (𝑅22 + 𝑋22 )(𝑃22 + 𝑄22 ) = 0 (4.4)
2
A Equação (4.4) pode ser reescrita da seguinte maneira:
𝑉24 − 2𝐴𝑉22 + 𝐵 = 0 (4.5)

onde:
1
𝐴 = 𝑉22 − (𝑅2 𝑃2 + 𝑋2 𝑄2 ) (4.6)
2
𝐵 = (𝑅22 + 𝑋22 )(𝑃22 + 𝑄22 ) (4.7)
Em sistemas de distribuição, as fases das tensões não são de grande importância, pois
a diferença de fase entre a barra da subestação e a última barra do alimentador geralmente é
de apenas alguns graus (CESPEDES, 1990; SANCA, 2013; CARVALHO, 2015). É impor-
tante observar que, a Equação (4.5) é uma equação biquadrada e possui quatro raízes. Logo,
das duas soluções para 𝑉22 , apenas a solução que considera o sinal positivo da raiz quadrada
da solução fornece um valor de tensão possível de se calcular, o mesmo se aplica à raiz qua-
drada da solução para 𝑉2 (CESPEDES, 1990).
Resolvendo a Equação (4.5) encontra-se:
𝑉2 = √𝐴 + √𝐴2 − 𝐵 (4.8)
Sendo que 𝐴 e 𝐵 estão indicados nas equações (4.6) e (4.7) respectivamente.

Essa formulação pode ser estendida para um trecho genérico. Dessa maneira, as equa-
ções (4.6), (4.7) e (4.8) podem ser reescritas para um determinado trecho i do alimentador,
respectivamente:
𝑉𝑖 = √𝐴 + √𝐴2 − 𝐵 (4.9)
1 2
𝐴= 𝑉 − (𝑅𝑖 𝑃𝑖 + 𝑋𝑖 𝑄𝑖 ) (4.10)
2 𝑖−1
𝐵 = (𝑅𝑖2 + 𝑋𝑖2 )(𝑃𝑖 + 𝑄𝑖2 ) (4.11)

Tendo calculado as tensões em todos os nós do sistema, é possível calcular as perdas

ativa e reativa em cada trecho:
𝑆𝑖 2 𝑃𝑖2 + 𝑄𝑖2
Δ𝑃𝑖 = 𝑅𝑖 𝐼𝑖2 ⇒ Δ𝑃𝑖 = 𝑅𝑖 [ ] ⇒ Δ𝑃𝑖 = 𝑅𝑖 [ ]
𝑉𝑖 𝑉𝑖 2
𝑆𝑖 2 𝑃𝑖2 + 𝑄𝑖2
ΔQ𝑖 = 𝑋𝑖 𝐼𝑖2 ⇒ ΔQ𝑖 = 𝑋𝑖 [ ] ⇒ ΔQ𝑖 = 𝑋𝑖 [ ]
𝑉𝑖 𝑉𝑖 2
Desse modo, as perdas de potência ativa e reativa em um trecho genérico i são forne-
cidas pelas seguintes equações:
𝑃𝑖2 + 𝑄𝑖2
Δ𝑃𝑖 = 𝑅𝑖 [ ] (4.12)
𝑉𝑖 2
𝑃𝑖2 + 𝑄𝑖2
ΔQ𝑖 = 𝑋𝑖 [ ] (4.13)
𝑉𝑖 2
Através da figura (4.1) é possível determinar os fluxos de potência ativa e reativa utili-
zando-se as expressões:
𝑃𝑖 = 𝑃𝐿𝑖 + ∑(𝑃𝑘 + Δ𝑃𝑘 ) (4.14)

𝑘𝜖Ψ
𝑄𝑖 = 𝑄𝐿𝑖 + ∑(𝑄𝑘 + ΔQ𝑘 ) (4.15)

𝑘𝜖Ψ
em que 𝑃𝐿𝑖 e 𝑄𝐿𝑖 são as potências da carga instalada no trecho i; 𝑃𝑖 e 𝑄𝑖 são os fluxos de po-
tência ativa e reativa do trecho i; e Δ𝑃𝑘 e 𝛥𝑄𝑘 são as perdas ativa e reativa no trecho k; 𝛹 é o
conjunto de todos os trechos que derivam do trecho i. Quando a diferença entre duas perdas
consecutivas for menor que uma tolerância pré-estabelecida, o algoritmo chegará ao fim.
Retomando a Equação (4.3b), é possível desenvolver uma expressão para o cálculo das
fases das tensões nas barras.
𝑉1 𝑉2 𝑠𝑒𝑛(𝛿1 − 𝛿2 ) = 𝑋2 𝑃2 − 𝑅2 𝑄2
𝑋2 𝑃2 − 𝑅2 𝑄2
𝑠𝑒𝑛(𝛿1 − 𝛿2 ) =
𝑉1 𝑉2
𝑋2 𝑃2 − 𝑅2 𝑄2
𝛿2 = 𝛿1 − 𝑎𝑟𝑐𝑠𝑒𝑛 ( )
𝑉1 𝑉2
De forma genérica:
𝑋𝑖 𝑃𝑖 − 𝑅𝑖 𝑄𝑖
𝛿𝑖 = 𝛿𝑖−1 − 𝑎𝑟𝑐𝑠𝑒𝑛 ( ) (4.16)
𝑉𝑖−1 𝑉𝑖
A fase na subestação é considerada nula e este é o ponto de partida para o cálculo das
demais fases das tensões nas barras. No próximo capítulo o MSP é aplicado em conjunto com
o ACO para a resolução do problema de Restauração de Redes Elétricas de Distribuição.
ACO PARA A RESTAURAÇÃO DE REDES DE DISTRIBUIÇÃO 38
5 ACO PARA A RESTAURAÇÃO DE REDES DE DISTRI-

BUIÇÃO
5.1 INTRODUÇÃO
Interrupções no sistema de energia podem ocasionar um efeito muito grave, tanto no

que se diz respeito aos aspectos técnicos quanto aos econômicos. Desta forma, é de grande
importância à otimização em restaurar sistemas de energia de forma rápida e com segurança
após as interrupções (LING, et al., 2005).
Os sistemas de Distribuição geralmente são operados em topologia radial, entretanto
sua estrutura permite diversas configurações operacionais através do estado do interruptor do
circuito (WATANABE, 2005). Na ocorrência de uma falta, algumas chaves seccionadoras do
alimentador, normalmente fechadas, são abertas para isolar os trechos afetados. No entanto é
uma combinação complexa e de grande escala, sendo um problema de otimização não linear
(YANG, et al., 2009).
A topologia radial da rede elétrica de distribuição é equivalente a uma topologia em
árvore, da teoria dos grafos. Desta forma, na operação radial, os circuitos que estão energiza-
dos correspondem aos ramos da árvore (representando chaves seccionadoras normalmente fe-
chadas) e aqueles que estão desenergizados correspondem aos ramos de ligação (representan-
do chaves de interconexão normalmente abertas), como mostra a Figura 5.1.
Duas condições básicas definem a radialidade do sistema: não é possível assumir es-
truturas malhadas, porque é acíclica; e com a ocorrência de uma interrupção em certo ponto, a
rede deixaria de ser conexa a jusante do defeito, com a desenergização do ramo da árvore. Di-
ante disso, uma parcela receberia energia e outra não (AMASIFEN, et al., 2005; PEREIRA
JUNIOR, et al., 2012).
Figura 5.1: Diagrama unifilar de um sistema de distribuição radial simples
Fonte: Adaptado de (Amasifen, et al., 2005).
Para recuperar a conectividade do sistema, isola-se o defeito e são trocados os ramos

da árvore por ramos de ligação que, necessariamente, possam ser alimentados por um nó raiz
(tradicionalmente uma subestação). Desta forma, é possível alterar a configuração da rede
mantendo a radialidade do sistema, mas não é possível garantir o restabelecimento de toda
conectividade do sistema devido às restrições físicas e operacionais da rede (AMASIFEN, et
al., 2005; PEREIRA JUNIOR, et al., 2012).
Diversos métodos foram formulados para sanar o problema de restauração de serviços
de rede de distribuição. O método tradicional de otimização matemática pode alcançar a solu-
ção ótima global independente da estrutura da rede inicial, porém existem muitos problemas
relacionados com o mesmo. (YANG, et al., 2009).
Nos últimos anos, algumas abordagens meta-heurística têm sido utilizadas para a res-
tauração do serviço nos sistemas de distribuição, no entanto, durante o processo de restaura-
ção do serviço, encontrar uma nova configuração da rede de forma que minimize as perdas
não é o único problema. É importante encontrar uma configuração com o número de mano-
bras reduzido e preferencialmente, o sistema final com menor quantidade de perdas de potên-
cia ativa.
5.1.1 Teoria dos Grafos aplicada à Análise de Redes Elétricas
Para realizar a recomposição do sistema de distribuição, é necessário conhecer muito

bem a topologia da rede. A primeira coisa que deve ser feita no problema em questão, é pri-
meiramente, isolar o local da falta e verificar quais as barras ficaram sem atendimento na situ-
ação pós-falha. Durante o processo de restauração, também é importante verificar se, no fe-
chamento de uma chave, há a formação de laços, o que por sua vez, viola a restrição de radia-
lidade do sistema.
Estes problemas podem ser solucionados utilizando a teoria dos grafos. Esta resolução
é efetuada em diversos problemas na engenharia, principalmente, o que diz respeito a redes
elétricas (BALABANIAN; BICKART; SESHU, 1969). Devido à dimensão das aplicações,
vamos abordar algumas formulações que foram importantes para a resolução deste trabalho.
5.1.2 Identificação de Barras Ilhadas no Sistema
No problema de restauração dos sistemas elétricos de distribuição, devem-se conhecer

as barras que ficaram sem atendimento após a ocorrência de uma falha em um dos circuitos.
Para tanto, deve-se montar a árvore do sistema tendo como nó raiz a subestação, enquanto
que, as barras terminais que não pertencem à raiz, vão ser as barras que ficaram sem atendi-
mento, ou barras ilhadas do sistema.
A Figura 5.2 considera um sistema proposto em que se teve uma falta entre as barras 2
e 3. Dessa forma, as barras 3 e 4 ficaram desenergizadas.
Figura 5.2: Sistema exemplo com defeito entre as barras 2 e 3
A Figura 5.3 apresenta a árvore do sistema indicado na Figura 5.2. Note que, as barras
3 e 4 não fazem parte da árvore, correspondendo aos nós ilhados do grafo.
Figura 5.3: Árvore do sistema exemplo contendo falha entre as barras 2 e 3
Portanto, para determinar as barras isoladas em um sistema de distribuição, basta im-

plementar uma busca em árvore, partindo do nó raiz até os nós terminais. Os nós do grafo que
não pertencerem à raiz vão ser as barras ilhadas do sistema.
5.1.3 Identificação de Laços do Sistema
Durante o período restaurativo, em que houve falha em algum ponto do sistema elétri-
co de distribuição, é importante verificar se, no fechamento de uma chave, não há a formação
de laços no sistema. Uma vez que a radialidade é uma das restrições do problema de restaura-
ção de redes elétricas de distribuição. Essa situação pode ocorrer durante o período restaurati-
vo, em que existe a necessidade de se fechar duas chaves para tentar recompor parte do siste-
ma ou para viabilizar os limites operacionais da rede.
De acordo com Balabanian e Bickart (1969), para um determinado grafo, existe uma
relação de ortogonalidade entre sua matriz incidência 𝐴𝑓 e sua matriz de circuitos fundamen-
tais 𝐵𝑓 , de tal forma que:
𝐴𝑓 𝐵𝑓𝑡 = 0 (5.1)
𝐴𝑓 representa a matriz incidência reduzida;

𝐵𝑓𝑡 representa a matriz de circuitos fundamentais transposta.
A partir dos cálculos algébricos, a matriz de circuitos fundamentais pode ser represen-
tada pela equação:
𝐵𝑟𝑡 = −𝐴−1
𝑟 𝐴𝑒 (5.2)
𝐵𝑟𝑡 representa a matriz de circuitos fundamentais dos ramos transposta;

𝐴𝑟 representa a matriz incidência dos ramos;
𝐴𝑒 representa a matriz incidência dos elos.
Para exemplo de aplicação dessa metodologia, a chave 7 localizada entre as barras 3 e

6 foi fechada no sistema exemplo, conforme apresentado na Figura 5.4.
Figura 5.4: Sistema teste operando normalmente
De acordo com Balabanian e Bickart (1969), o primeiro passo é construir a árvore do

sistema em questão. As arestas pertencentes à árvore do sistema são denominadas ramos, de
forma que, as que não pertencem serão denominas elos. A Figura 5.5 mostra a árvore do sis-
tema, sendo que, o ramo de número 7 não pertence a essa árvore, sendo considerado um elo,
ou seja, é uma chave que poderá formar um laço no sistema caso seja comutada.
Figura 5.5: Árvore do sistema exemplo operando em situação normal

Posteriormente, deve-se montar a matriz incidência completa do sistema, constituída

por ramos e elos. Na Equação (5.3), verifica-se a matriz incidência da Figura 5.5, sendo as li-
nhas representadas pelos vértices e as colunas, pelas arestas. Na Figura 5.5, verifica-se que a
barra 1 (vértice 1) possui ligação com os trechos (arestas) 1 e 4, dessa forma na matriz inci-
dência completa, esta correspondência entre os vértices e as arestas devem assumir valor lógi-
co 1, enquanto as demais que não estiverem conectados assume valor lógico 0. A corrente está
saindo da subestação (vértice 1) e entrando no vértice 2 através da aresta 1, portanto esta as-
sume valor positivo. No entanto, após o fechamento da chave 7, forma-se um laço no sistema
e a corrente retorna ao vértice 1 através da aresta 4, logo, esta assumirá valor negativo. Isto é
feito para todos os vértices e arestas do sistema, construindo assim a matriz de incidência
completa.
(5.3)
Entretanto, pode-se verificar que, efetuando o somatório de todas as linhas da matriz

𝐴𝑎 resulta em uma linha nula. Esta característica é comum aos grafos, e se traduz em uma de-
pendência linear entre as matrizes 𝐴𝑎 . Pode-se eliminar esta restrição retirando-se uma linha
da matriz. Nesse exemplo, o vértice 7 é retirado gerando a matriz 𝐴𝑓 , denominada matriz in-
cidência reduzida. Portanto, a matriz agora assume a forma:
(5.4)
O passo seguinte é seccionar a matriz 𝐴𝑓 entre submatrizes: matriz incidência dos ra-
mos (𝐴𝑟 ) e matriz incidência dos elos (𝐴𝑒 ). Essas submatrizes podem ser vistas da seguinte
forma:
(5.5)
Ao aplicar as matrizes (𝐴𝑟 ) e (𝐴𝑒 ) na Equação (5.2) chega-se na matriz (𝐵𝑟 ) que cor-
responde a submatriz de ramos da matriz de circuitos fundamentais (𝐵𝑓 ). A partir da Equação
(5.6), verifica-se que o sistema exemplo possui apenas um laço, que é formado pelos ramos 1,
2, 4 e 5.
(5.6)
Adicionando a submatriz (𝐵𝑟 ) à submatriz dos elos (𝐵𝑒 ), é formada a matriz de circui-
tos fundamentais (𝐵𝑓 ). Dessa forma, além dos ramos citados acima, o laço também é constitu-
ído pelo elo 7, de acordo com a Equação (5.7).
(5.7)
Na Figura 5.6, é representado o grafo do sistema proposto, de forma que a área trace-
jada destaca a formação do laço identificado através da metodologia proposta.
Figura 5.6: Grafo do sistema, exemplo com formação do laço na área tracejada
5.1.4 Descrição do problema
Na resolução do problema de restauração de redes elétricas de distribuição, além de se

encontrar uma configuração que restaure grande quantidade de cargas, minimizando dessa
forma a potência não fornecida (PNS) do sistema pós-falha, é interessante que este processo
seja realizado com o menor número de manobras. Cabe enaltecer que o período restaurativo
tem relação direta com a quantidade de chaveamentos (CH), uma vez que, as chaves operadas
manualmente, necessitam de um determinado tempo para comutação – deslocamento da equi-
pe e tempo de manobra (WATANABE, 2005). No processo de reconfiguração em redes de
distribuição, buscam-se reduzir as perdas do sistema para a nova topologia, com isto, melhora
a confiabilidade e qualidade da energia que será disponibilizado para o cliente. Portanto, tor-
na-se válido a sua inclusão no cálculo da função objetivo para o problema da restauração no
fornecimento de energia elétrica mediante uma falha no sistema.
Na Equação (5.8) é visto o problema de minimização, de forma a ponderar a quantida-
de de cargas não supridas, a relação da quantidade de chaveamentos e as perdas ativas do sis-
tema.
min f = αPNS+ βCH + 𝜇 Perdas (5.8)
tendo como restrições:
i. configuração radial da rede;

ii. capacidade das ligações Ii ≤ Imax,i ;
iii. tensões nas barras Vmin,i ≤ Vi ≤ Vmax,i .
iv. α + β + 𝜇 = 1;
Onde α é o fator de ponderação da PNS; β é o fator de ponderação da CH; já µ é o fator de

ponderação das perdas ativas; Ii e Imax,i , magnitude da corrente e limite máximo de corrente
em cada ramo i, respectivamente; Vi é o módulo da tensão na barra i; Vmin e Vmax , limites mí-
nimo e máximo de tensão nas barras. A primeira restrição aborda a admissibilidade de uma
solução candidata; já a segunda e terceira restrições explanam a qualidade da solução encon-
trada. A última solução, por sua vez, são os fatores de ponderação fixados pelo pesquisador.
Após o MSP atingir a convergência, todas as tensões das barras são conhecidas, desta
forma, é possível efetuar uma análise com o propósito de verificar se todas as barras do siste-
ma atendem ao critério de tensão mínima, mencionada dentre as restrições. As barras que não
respeitam os limites de tensão serão consideradas como “barras desenergizadas”, descrita da
seguinte maneira:
k-1
PNS = ∑ hk (5.9)
k=0
hk são as barras desenergizadas depois de k-th operações de chaveamento.
5.2 RESTAURAÇÃO DO SISTEMA DE DISTRIBUIÇÃO VIA ACS
O ACS foi proposto por Dorigo e Gambardella (1997ab), para solucionar o problema
do TSP (DORIGO, et al., 2006). Este algoritmo caracteriza-se por atualizar o feromônio ao
final da solução de cada formiga. As formigas decidem qual chave do sistema irão comutar
através da regra de transição de estados bastante semelhante à Equação (3.1).
5.2.1 Regra de Transição de Estados
Durante o problema de restauração de redes elétricas de distribuição, a regra de tran-

sição de estado determina qual será a próxima chave a ser comutada pela formiga. Essa esco-
lha deve ser probabilística. Com isso, um agente k, que se encontra em uma determinada liga-
k(i)
ção (𝑖), possui a probabilidade PZ de visitar uma ligação z, conforme a Equação (5.10):
β
k(i) ταz ηβz ⁄∑ ταl ηl , se z∈Ψ
PZ =f(x)= { l∈Ψ
, (5.10)
0, se z∉Ψ
tendo Ψ como conjunto de chaves que podem ser visitadas pelo agente k. Portanto o conjunto
mencionado é constituído pela união entre os vetores restauração e radialidade. τz é a quanti-
dade de feromônio relacionada à abertura/fechamento da chave z; já ηz corresponde à infor-
mação heurística que será detalhada mais a frente; α e β são os pesos atribuídos ao feromônio
e a informação heurística (PEREIRA, 2010).
5.2.2 Distribuição do Feromônio
A atualização do feromônio tem como objetivo concentrar a pesquisa em regiões do

espaço de busca com distâncias reduzidas. O ACS dispõe de duas formas de atualização, a lo-
cal e global. A atualização local do feromônio é realizada assim que uma formiga realiza a
ação de abertura/fechamento de uma chave. Dessa forma a formiga remove certa quantidade
de feromônio, de acordo com a Equação (5.11) que muito se assemelha com a Equação (3.15)
já mencionada (DORIGO;GAMBARDELLA, 1997):
τz ←(1-φ)τz + φτ0 (5.11)
onde, φ ϵ (0,1] é o coeficiente de decaimento de feromônio, e 𝜏0 a quantidade inicial de fe-

romônio.
A regra de atualização global do feromônio é efetuada assim que uma formiga encon-
tra uma solução assim como descrita na Equação (3.14), e pode ser descrita por:
(1 − 𝜌)𝜏𝑧 + 𝜌𝛥𝜏𝑧 , 𝑠𝑒 (𝑧) 𝑝𝑒𝑟𝑡𝑒𝑛𝑐𝑒 𝑎 𝑚𝑒𝑙ℎ𝑜𝑟 𝑟𝑜𝑡𝑎; (5.12)

𝜏𝑧 = {
𝜏𝑧 , 𝑐𝑎𝑠𝑜 𝑐𝑜𝑛𝑡á𝑟𝑖𝑜.
𝛥𝜏𝑧 representa o depósito de feromônios de todas as formigas na ligação z, semelhan-

tes às Equações (3.7) e (3.8) referentes à Ant System, a qual se expressa da seguinte forma:
m
(5.13)
𝛥𝜏𝑧 = ∑ ∆τk (z)
k=1
Q⁄Lk se k ∈ a rota da formiga k; (5.14)

∆τk (z)= {
0 Caso contrário,
onde, m a quantidade de formigas, Q a constante de peso para o depósito do feromônios e Lk o

comprimento da rota k-ésima formiga.
O ACS, devido ao incremento da atualização local, incentiva às formigas a percorre-
rem todo o espaço de busca, a fim de obter a solução ótima, isto é interessante com o propósi-
to de evitar a estagnação precoce do algoritmo.
5.2.3 Informação Heurística
A informação heurística tem papel fundamental na escolha da decisão de qual barra

será a próxima a ser visitada pela formiga. Na fase inicial do algoritmo, os feromônios, defi-
nidos com valores aleatórios, não orientam as formigas que, por sua vez, acabam construindo
soluções de má qualidade. No problema clássico do caixeiro viajante, a informação heurística
é definida como o inverso da distância entre as cidades. Este trabalho dispõe de dois vetores
de feromônio e dois vetores de informação heurística, justificando o fato de que os critérios
para ativar e desativar uma ligação são distintos.
O vetor de informação heurística, a ser utilizado no cálculo de probabilidade para ati-
var uma ligação, considera a quantidade de cargas que serão restauradas na barra a jusante
desta ligação, auxiliando, assim, na problematização de minimização da função objetivo. Já o
vetor de informação heurística que será utilizado para desativar uma ligação, utiliza o critério
do nível de tensão, justificando o fato de que as barras terminais são candidatas aos piores ní-
veis de tensão e, dessa forma, não atende as restrições. Portanto, estas barras devem ser ali-
mentadas a partir de outro trecho.
5.2.4 Sorteio da ligação
Supondo uma formiga posicionada em determinado nó i, com a probabilidade das li-

gações 1, 2 e 3 calculadas através da Equação (5.10), em 25,6% (aproximado para 26%),
26,1% (aproximado para 26%) e 48,3% (aproximado para 48%) respectivamente, conforme a
Figura 5.7.
Figura 5.7: Escolha aleatória das ligações
Fonte: Adaptado de (DORIGO et al., 2006).
Uma roleta é implementada para o sorteio das ligações com probabilidades calculadas,
dessa forma, não necessariamente a formiga vai escolher a ligação com a maior probabilidade.
Uma análise mais detalhada deste método permite verificar que, as aproximações realizadas
nos cálculos podem proporcionar limitações quando o sistema possui principalmente muitas
ramificações. No exemplo acima, a ligação 1 e 2 teriam a mesma probabilidade para a roleta.
Portanto, outro método é adotado a fim de evitar o procedimento de arredondamento
dos valores de probabilidade, tornando o sorteio, por sua vez, mais justo. A estratégia propõe
gerar um vetor de intervalos numéricos com base nas probabilidades calculadas.
Os intervalos são calculados tomando zero como referência e somando a probabilidade
em cada trecho ao valor acumulado. Dessa forma, para a ligação 1, somando 0 e 25,6%, tere-
mos o intervalo [ 0 – 0,256]. Para a ligação 2, somando-se 25,6% e 26,1% resulta no intervalo
(0,256 - 0,517] e para a ligação 3, somando-se 51,7% e 48,3% resulta no intervalo (0,517 –
1). O procedimento é repetido para todas as ligações. Dessa forma, ao final do processo têm-
se intervalos numéricos representativos de cada ligação. Suponha que para o presente exem-
plo, o número sorteado seja 0,784. A roleta faz as seguintes comparações:
1. 0,784 ≤ 0,256? → NÃO. Compara com o próximo valor do vetor probabilidade

calculada;
2. 0,784 ≤ 0,517? → NÃO. Compara com o próximo valor do vetor probabilidade
calculada;
3. 0,784 ≤ 1? → SIM. Encerra as comparações.
Dessa forma, neste exemplo, a formiga vai escolher percorrer a ligação 3, chegando na
barra k. Com a roleta implementada, torna-se possível explorar todas as trilhas, considerando
até a com valores mais baixos, diversificando assim a busca do algoritmo.
5.3 ALGORITMO DE SOLUÇÃO DO ACS PARA O PROBLEMA DA RESTAURAÇÃO

DE REDES ELÉTRICAS
Passo 1: Efetuar a leitura dos dados do sistema e dos parâmetros do algoritmo;

Passo 2: Isolar o local da falta, realizar o cálculo da potência não fornecida do sistema
e fazer a atualização do vetor chaves de restauração;
Passo 3: Depositar uma quantidade inicial de feromônio em todas barras do sistema;
Passo 4: Incrementar o contador de ciclo do algoritmo;
Passo 5: Incrementar o contador de ciclo da formiga;
Passo 6: Atualizar o vetor chaves de restauração e escolher uma chave com probabili-
dade calculada através da regra de transição de estados para ser fechada e co-
nectar as barras ilhadas ao resto do sistema;
Passo 7: Deslocar a formiga e fechar a chave selecionada;
Passo 8: Executar o MSP e verificar se atende ao critério de parada (PNS = 0 ou cha-
ves do vetor restauração = 0?);
Passo 9: Se não atender ao critério de parada do passo 8, ir para o passo 10, caso con-
trário, ir para o passo 16;
Passo 10: calcular a potência não fornecida, atualizar o vetor chaves de restauração e
escolher uma chave com probabilidade calculada;
Passo 11: Deslocar a formiga e fechar a chave selecionada através da regra da transi-
ção de estados;
Passo 12: Atualizar o vetor chaves de radialidade e escolher uma chave com probabi-
lidade calculada para retornar o sistema de volta a configuração radial;
Passo 13: Deslocar a formiga e abrir a chave selecionada através da regra de transição
de estados;
Passo 14: Efetuar a atualização local do feromônio para as chaves comutadas;
Passo 15: Retornar ao passo 8;
Passo 16: Calcular o valor da função objetivo para a configuração encontrada;
Passo 17: Armazenar o valor da função objetivo no vetor histórico da função objetivo
e armazenar em outro vetor a configuração encontrada;
Passo 18: Verificar se ainda existem formigas a serem incrementadas no contador;
Passo 19: Se positivo o passo 18, retornar para o passo 5, caso contrário, ir para o pas-
so 20;
Passo 20: Procurar o menor valor no vetor histórico da função objetivo e armazenar a
configuração da respectiva solução;
Passo 21: Realizar a atualização global do feromônio para a melhor configuração do
ciclo corrente;
Passo 22: Verificar se é o último ciclo;
Passo 23: Caso positivo o passo 22, retornar para o passo 4, caso contrário, ir para o
passo 24;
Passo 24: Apresentar a melhor configuração radial, exibindo a potência não fornecida
global, as chaves manobradas e as perdas do sistema.
5.4 FLUXOGRAMA PARA O ALGORITMO DO ACS PARA O PROBLEMA DA RES-

TAURAÇÃO DE REDES ELÉTRICAS
Figura 5.8: Fluxograma do ACS para o problema de restauração
TESTES E RESULTADOS NUMÉRICOS 53
6 TESTES E RESULTADOS NUMÉRICOS
6.1 INTRODUÇÃO
Neste capítulo são apresentados os resultados numéricos obtidos. Os algoritmos foram

implementados em Matlab® R2015a para Windows 7 de 64 bits.
6.2 EXEMPLO DO DESLOCAMENTO DAS FORMIGAS – SISTEMA DEFEITUOSO DE

16 BARRAS
Para o melhor entendimento a respeito do deslocamento das formigas durante o pro-

cesso restaurativo, utilizou-se um sistema físico de 16 barras proposto por Cinvalar, et al.,
(1988) e reconfigurado conforme ilustrado no trabalho de Arcanjo (2014), contendo 3 alimen-
tadores (barras 1, 2 e 3), podendo ser visualizado pela Figura 6.1. Esse sistema possui 3 laços
de interconexão e 16 chaves seccionadoras, sendo originalmente 13 chaves fechadas e 3 cha-
ves abertas. Adotou-se a ocorrência do defeito no ramo 𝑆5 . Após a atuação do sistema de pro-
teção, as barras 6, 7 e 10 ficam desenergizadas.
Figura 6.1:Sistema defeituoso de 16 barras - Reconfigurado
Fonte: ARCANJO, 2014.
A formiga possui movimentação de caráter discreto, portanto, pode ter como ponto
inicial qualquer barra do sistema, por exemplo, alguma barra adjacente ao local da falta. A
movimentação das formigas se dá uma por vez, e seus passos estão descritos no fluxograma
da Figura 5.8.
Após o isolamento da falta, inicialmente, a formiga verifica qual a potência não forne-
cida do sistema a partir das barras ilhadas utilizando o MSP descrito no capítulo 4. Feito isso,
a formiga conecta as barras ilhadas do sistema, ativando a ligação com a barra escolhida do
“vetor restauração” a partir da regra de transição de estados explanada na Equação 5.10. A Fi-
gura 6.2 ilustra o deslocamento da formiga de forma hipotética, sendo as ligações desativadas,
aquelas que não compõem as barras do vetor analisado em questão – neste caso o vetor res-
tauração – e as ligações ativáveis são às ligações possíveis – que fazem parte do vetor – e, se-
rão escolhidas mediante a regra de transição já mencionada.
Figura 6.2: Exploração das formigas – estado inicial.
Fonte: Adaptado de (CARVALHO, 2015).
Após o sorteio, a formiga ativará o trecho contemplado pela roleta sem se preocupar
com a formação de laços no sistema – devido às barras estarem ilhadas após a isolação da fa-
lha. Seu deslocamento funciona de acordo com a Figura 6.3.
Figura 6.3: Exploração das formigas – 1ª movimentação.
Fonte: Adaptado de (CARVALHO, 2015).
No estudo do caso em análise, compõem o vetor restauração os trechos:
𝑣𝑒𝑡𝑜𝑟 𝑟𝑒𝑠𝑡𝑎𝑢𝑟𝑎çã𝑜 = {𝑆7 , 𝑆8 }

Estes são os únicos trechos capazes de interligar as barras PNS com o resto do sistema,
restabelecendo por sua vez, a conectividade. Como este sistema é pequeno, é possível verifi-
car qual a melhor configuração. Desta forma, supondo que o trecho escolhido dentro do vetor
restauração seja representado pela chave 𝑆8 , o sistema ficaria de acordo com a Figura 6.4.
Figura 6.4: Sistema de 16 barras após a primeira movimentação das formigas
Fonte: Adaptado (ARCANJO, 2014).
Entretanto, não basta apenas conectar as barras que ficaram sem atendimento, se faz
necessário também, verificar se às restrições foram satisfeitas através do MSP. No caso supra-
citado, verifica-se que algumas barras restringem às restrições, sendo consideras, por sua vez,
como barras PNS.
De acordo com o fluxograma da Figura 5.8, se após a ativação de um trecho o sistema
não atender à condição de parada (PNS = 0) então é calculado, mediante a regra de transição
de estados, outra chave do vetor restauração que ainda não foi operada. Neste caso, o vetor
restauração dispõe unicamente da chave 𝑆7 .
𝑣𝑒𝑡𝑜𝑟 𝑟𝑒𝑠𝑡𝑎𝑢𝑟𝑎çã𝑜 = {𝑆7 }
Desta forma, a formiga ativará a ligação em questão, todavia, devido à configuração

da rede, haverá a formação de um laço do sistema de acordo com a Figura 6.5.
Figura 6.5: Formação do laço no sistema
Fonte: Adaptado (ARCANJO, 2014).
Neste caso, houve a formação de um laço no sistema a partir da interligação entre os

alimentadores 1 e 3. A partir da identificação de laços no sistema descrito no Capítulo 5, é
possível verificar quais chaves representam os trechos que vão compor o “vetor radialidade”,
este que será responsável pela identificação de todas as chaves que integram o laço formado e
terão as seguintes chaves:
𝑣𝑒𝑡𝑜𝑟 𝑟𝑎𝑑𝑖𝑎𝑙𝑖𝑑𝑎𝑑𝑒 = {𝑆1 , 𝑆2 , 𝑆14 , 𝑆8 , 𝑆6 , 𝑆7 , 𝑆15 , 𝑆11 , 𝑆10 }
Desta forma, é implementada novamente a roleta, e a partir da regra de transição de

estados a formiga vai desativar um trecho, retornando o sistema à configuração radial. Supo-
nha-se que a chave escolhida foi a 𝑆6 , desta forma o sistema ficará de acordo com a Figura
6.6.
Figura 6.6: Sistema defeituoso de 16 barras – Restabelecido.
Novamente, de acordo com os passos descritos no fluxograma já mencionado, execu-

tando o MSP, verifica-se que o sistema atende ao critério de parada, dessa forma, houve a
configuração final estabelecida por uma formiga. A configuração encontrada é armazenada,
bem como a função objetivo, e então os passos descritos nessa seção são repetidos por outra
formiga que compõem o contador de formigas, agora com os níveis de feromônio atualizados
pela formiga anterior.
6.3 RESTAURAÇÃO DE REDES DE DISTRIBUIÇÃO
Neste estudo de caso, os algoritmos implementados são testados para dois sistemas de
distribuição conhecidos na literatura: 16 barras (CIVANLAR et al., 1988) e 33 barras (BA-
RAN; WU, 1989). Com o objetivo de validar esse algoritmo quanto ao critério de qualidade
da solução encontrada, os resultados obtidos são comparados com o de outros autores.
Os parâmetros do algoritmo sofrem algumas alterações a depender do sistema, sendo
estabelecidos com base em diversas simulações, utilizando a estratégia de tentativa e erro, até
se observar valores que proporcionassem o melhor desempenho. É importante salientar que,
neste trabalho, o algoritmo foi simulado mais de 200 vezes utilizando valores dos parâmetros
distintos até ser possível determinar quais destes tiveram o melhor resultado. Cabe enaltecer
também que, diferentemente das outras variantes do ACO, a ACS tem comportamento basea-
do na quantidade de formigas devido à introdução da regra de atualização global, sendo esta
quantidade também determinada assim como as demais, entretanto, diretamente proporcional
à dimensão do sistema. Os parâmetros utilizados podem ser visualizados na Tabela 6.1.
Tabela 6.1: Parâmetros Utilizados

Valores
Parâmetros Símbolos
16 barras 33 barras
ACS ACS
Quantidade de formigas m 5 10
Peso do feromônio α 1 1
Peso da inf. heurística β 2 3
Taxa de evaporação ρ 0,2 0,1
Taxa de decaimento ϕ 0,1 0,1
Tolerância do MSP ε 10-3 10-3
Feromônio inicial τ0 1 1
Nº de ciclos ciclos 30 100
A formiga inicia seu movimento partindo de uma barra qualquer, considerando o mo-
vimento de caráter discreto. Este movimento segue às regras supracitadas mediante os vetores
restauração e radialidade, e continua até construir a solução radial e obedecer ao critério de
parada do algoritmo.
6.3.1 Sistema de 16 barras
O sistema teste de 16 barras (CIVANLAR et al., 1988), foi descrito na seção 6.2. A
configuração inicial contém as chaves 14-15-16 abertas de acordo com a Figura 6.7 e apresen-
ta perdas de potência ativa de 511,4 kW. Os dados desse sistema estão contidos no Apêndice
A.
Figura 6.7: Configuração inicial para o sistema de 16 barras
Fonte: CIVANLAR et al., 1988.

No entanto, para fins de comparação vai ser utilizado o sistema reconfigurado da Figu-
ra 6.8. Este sistema possui a reconfiguração ótima do sistema como descrito em (LIN; CHIN,
1998) e (BORGES, 2012) no problema de restabelecimento.
Figura 6.8: Sistema 16 barras - reconfigurado
Fonte: CIVANLAR et al., 1988.
Adotou-se também da mesma forma que Lin e Chin (1998) e Borges (2012), a ocor-
rência do defeito no ramo 𝑆5 . Após a atuação do sistema de proteção, as barras 6, 7 e 10 ficam
desenergizadas, conforme mostra a Figura 6.9. Os limites de tensão nas barras foram conside-
rados entre 0,95 p.u. e 1,05 p.u..
Figura 6.9: Sistema defeituoso de 16 barras - Reconfigurado

Os resultados encontrados para o sistema de 16 barras são apresentados na Tabela 6.2,

sendo comparados com o trabalho de Lin e Chin (1998), que utiliza uma nova abordagem pa-
ra solucionar a reconfiguração aplicada à restauração de redes de distribuição utilizando Índi-
ces de Comutação Ideal, com o trabalho de Borges (2012) de forma a considerar variáveis
discretas do problema como modelos de uma função contínua, permitindo que o problema
possa ser resolvido utilizando-se o Método Primal-Dual de Pontos Interiores, e, também é
comparado com o método de Busca Exaustiva proposta por Arcanjo (2014). Como não foi re-
alizada a análise das perdas de potência ativa neste sistema, para fins de comparação, visto
que a função objetivo é ponderada por três parâmetros, utilizou-se prioritariamente o fator de
ponderação da potência não fornecida e do chaveamento, levando em consideração que o pa-
râmetro de maior importância no caso da restauração de redes de distribuição é restabelecer o
máximo possível de cargas sem atendimento de energia elétrica, portanto, o fator de pondera-
ção da PNS tem peso maior que as demais, mesmo no caso da análise com perdas. Para o sis-
tema de 16 barras, foram utilizados os seguintes fatores de ponderação da função objetivo:
α = 0,7; β = 0,3 e 𝜇 = 0. Note que, para o sistema de 16 barras, os alimentadores 1, 2 e 3 fo-
ram considerados como a “barra 1” conforme a Figura 6.3.
Tabela 6.2: Resultados para o sistema de 16 barras

Experimentos Chaveamento Tensão mínima Carga final restabelecida
Busca Exaustiva Fechar S8 0,954 p.u.

(ARCANJO, 2014) Fechar S7 (Barra 10) 100%
Abrir S6
Índices de Comutação
Ideal Fechar S7 0,950 p.u. (Barra 6) 67%
(LIN;CHIN, 1988)
Método Primal-Dual Fechar S8

de Pontos Interiores Fechar S7 0,954 p.u. (barra 10) 100%
(BORGES, 2012) Abrir S6
Fechar S8
Método Proposto Fechar S7 0,954 p.u. (barra 10) 100%
Abrir S6
A Figura 6.10 e 6.11 mostra o perfil de tensão das barras para o sistema de 16 barras
reconfigurado antes da ocorrência da falta e após a restauração, respectivamente.
Figura 6.10: Perfil de tensão inicial para o sistema de 16 barras reconfigurado antes da ocorrência da falta
Figura 6.11: Perfil de tensão das barras após a restauração para o sistema de 16 barras
O desempenho do algoritmo quanto à convergência pode ser verificado na Figura 6.12.

Diante da resposta apresentada pelo ACS, o número de ciclos deste algoritmo pode ser redu-
zido a um determinado valor, sem que houvesse perda da qualidade da solução encontrada.
Figura 6.12: Convergência do algoritmo ACS para o sistema de 16 barras
Para o sistema de 16 barras, a configuração final e o percentual de cargas restauradas

estão de acordo com alguns valores encontrados na literatura. Os resultados foram compara-
dos com três trabalhos Lin e Chin (1988), Borges (2012) e Arcanjo (2014). A metodologia
proposta, assim como o método encontrado em Borges (2012) e Arcanjo (2014), restabelecem
100% das cargas do sistema chegando ao ótimo global para este problema. Já o método pro-
posto por Lin e Chin (1988) restabelece apenas as cargas das barras 6 e 7 do sistema após o
fechamento da chave S7 . O perfil de tensão da solução encontrada por Lin e Chin (1988) é li-
geiramente menor ao ótimo do problema.
6.3.2 Sistema de 33 barras
Muito utilizado na literatura sobre reconfiguração de sistemas elétricos de distribuição,

o sistema de 33 barras Baran e Wu (1989) apresenta uma tensão nominal de 12,66 kV. Esse
sistema possui 1 subestação (barra 1), 5 laços de interconexão e 37 chaves seccionadoras,
sendo originalmente 32 chaves fechadas e 5 chaves abertas (chaves 33 a 37), conforme a Fi-
gura 6.13. A configuração inicial do sistema apresenta perdas ativas totais de 202,68 kW. Os
dados desse sistema podem ser vistos no Apêndice A.
Figura 6.13: Configuração inicial para o sistema de 33 barras
Fonte: BARAN, WU, 1989.
Com o propósito de se verificar a qualidade dos resultados obtidos pelo algoritmo

ACS em comparação com os trabalhos de Lin e Chin (1998) e Borges (2012), já menciona-
dos, e também com o trabalho de Zidan e El-Saadany, (2011), que utiliza de um algoritmo
dispondo de Índices de Comutação com integração de Geração Distribuída, entretanto, para os
sistemas comparados, não é utilizada a geração. Para este sistema também foi realizado um
comparativo das perdas ativas de cada trabalho. O sistema a ser reconfigurado é o de 33 bar-
ras, conforme a Figura 6.14. Este sistema apresenta as seguintes chaves normalmente abertas:
𝑆7 , 𝑆9 , 𝑆14 , 𝑆32 e 𝑆37 .
Figura 6.14: Sistema de 33 barras reconfigurado
Fonte: (LIN;CHIN, 1998)
No trabalho de restabelecimento do fornecimento de energia elétrica feita por Lin e

Chin (1998), foram aplicados defeitos permanentes e simultâneos nos circuitos, 𝑆5 e 𝑆35 . Em
consequência, as barras 5, 6, 9, 10, 11, 12, 13, 25, 26, 27, 28, 29, 20 e 31 ficam desenergiza-
das, totalizando 1.465 kW de potência não fornecida. Para o sistema de 33 barras com limite
de tensão de 0,85 p.u., utilizaram-se os seguintes valores para os fatores de ponderação da
função objetivo: α = 0,5; β = 0,3 e 𝜇 = 0,2. A Figura 6.15 representa o sistema mencionado.
Figura 6.15: Sistema defeituoso de 33 barras - Reconfigurado
Fonte: (ARCANJO, 2014)

A Tabela 6.3 mostra os resultados obtidos para o sistema de 33 barras com um limite
de tensão de 0,85 p.u..
Tabela 6.3: Comparação do resultado final do restabelecimento do sistema IEEE 33 barras

Experimentos Chaveamento Tensão mínima Carga final restabelecida Perdas
Ativas
Busca Exaustiva Fechar S37 0,928 p.u. 100% 189 kW
(ARCANJO, 2014) Fechar S9 (Barra 6)
Índices de Comutação 301 kW

(LIN;CHIN, 1988) Fechar S9

Ideal Fechar S37 0,928 p.u. (barra 6) 100%
(ZIDAN; EL- Fechar S14
SAADANY, 2011)
Método Primal-Dual de 189 kW

Pontos Interiores Fechar S37 0,928 p.u (barra 6) 100%
(BORGES, 2012) Fechar S9
Fechar S37 0,928 p.u.(barra 6) 100% 189 kW

Método Proposto Fechar S9
A Figura 6.16 e 6.17 mostra o perfil de tensão das barras para o sistema de 33 barras
reconfigurado antes da ocorrência da falta e após a restauração com limite de tensão de 0,85
p.u, respectivamente. Apesar de ser considerável o limite de tensão, a resposta do sistema teve
o seu pior resultado na barra de número 6, cuja tensão é 0,928 p.u..
Figura 6.16: Perfil de tensão inicial para o sistema de 33 barras reconfigurado antes da ocorrência da falta
Figura 6.17: Perfil de tensão das barras após a restauração para o sistema de 33 barras com limite de tensão de
0.85 p.u.
O perfil de convergência do algoritmo pode ser observado na Figura 6.18 para o limite
de tensão de 0.85 p.u..
Figura 6.18: Convergência do algoritmo ACS para o sistema de 33 barras com limite de tensão de 0.85 p.u.
A metodologia proposta, assim como os trabalhos (BORGES, 2012) e (ARCANJO,

2014), indica o restabelecimento ótimo para esse sistema nas condições consideradas. Embora
as metodologias restaurem 100% da carga final, a metodologia proposta, assim como traba-
lhos já mencionados, resolve a problematização, com a ressalva de que o sistema resultante
tem um quantitativo menor de perdas.
A Tabela 6.4 realiza a comparação dos algoritmos propostos para o problema já men-
cionado, entretanto, dispõe de um limite de tensão mais rigoroso, no valor de 0,95 p.u. Para
este sistema, utilizaram-se os seguintes valores para os fatores de ponderação da função obje-
tivo: α = 0,5; β = 0,25 e 𝜇 = 0,25. O perfil de tensão pode ser visto na Figura 6.19 e a con-
vergência do algoritmo na Figura 6.20.
Tabela 6.4: Comparação do resultado final do restabelecimento do sistema IEEE 33 barras - Limite inferior de
tensão de 0,95 p.u.
Experimentos Chaveamento Tensão mínima Carga final restabelecida Perdas
Ativas
(LIN;CHIN, 1988) Fechar S9
Ideal Fechar S37 0,950 p.u. (barra 6) 55%
(ZIDAN; EL- Fechar S14
SAADANY, 2011)
Fechar S37
Método Primal-Dual de Fechar S9
Pontos Interiores Fechar S32 0,952 p.u. (barra 16) 64% 97 kW
(BORGES, 2012) Abrir S17
Fechar S7
Abrir S25
Fechar S37
Fechar S9
Método Proposto Fechar S32 0,952 p.u. (barra 16) 64%
Abrir S17 97 kW
Fechar S7
Abrir S25
Figura 6.19: Perfil de tensão das barras após a restauração para o sistema de 33 barras com limite de tensão de
0.95 p.u.
Figura 6.20: Convergência do algoritmo ACS para o sistema de 33 barras com limite de tensão de 0.95 p.u.
A partir da Tabela 6.4, é possível verificar que o método proposto em Lin e Chin
(1988) restabeleceu apenas 8% da carga do sistema; enquanto que, a metodologia adotada por
Zidan e El-Saadany (2011) restaurou 55%. Continuando a análise, percebe-se que a metodo-
logia proposta, assim como visto em Borges (2012), restabeleceram 64% com uma perda de
97 kW.
CONCLUSÕES E TRABALHOS FUTUROS 69
7 CONCLUSÕES E TRABALHOS FUTUROS
7.1 CONCLUSÕES
A proposta deste trabalho foi implementar um algoritmo baseado em colônia de for-

migas para solucionar o problema de restauração de redes elétricas de distribuição. Muitos au-
tores propuseram solucionar esta questão utilizando diversos algoritmos, entre eles, o algorit-
mo colônia de formigas, no entanto, sua grande maioria utiliza o ACO em conjunto com outro
método e/ou dispuseram apenas da versão mais simples do algoritmo, como a AS. Outros au-
tores dispuseram da variante MMAS. Por consequência, este trabalho teve como objetivo im-
plementar a variante ACS para solucionar o problema de restabelecimento de energia elétrica
em redes de distribuição com o seguinte propósito: efetuar uma análise comparativa do algo-
ritmo implementado com outros trabalhos encontrados na literatura para comprovar a eficácia
do método proposto.
Nessa metodologia, denominada de Otimização por Colônias de Formigas, as formigas
exploram o meio ambiente (rede de distribuição) e em cooperação vão à busca de uma solu-
ção que apresente o menor valor de potência não fornecida em conjunto com o menor número
de manobras de chaveamento e menor perda do sistema restabelecido. Encontrar uma solução
de boa qualidade atingindo valores viáveis dos itens já mencionados constituiu parte das dire-
trizes desse trabalho.
Para verificar o desempenho do algoritmo na solução do problema de restauração, fo-
ram utilizados sistemas de distribuição do IEEE de 16 e 33 barras. Os resultados dos algorit-
mos foram satisfatórios e de acordo com os resultados apresentados por bons trabalhos encon-
trados na literatura. Para as simulações feitas com o sistema de 16 barras o método proposto
conseguiu efetuar a recomposição do sistema restaurando 100% das cargas sem atendimento a
energia elétrica. Para o sistema de 33 barras, simulando 2 locais de falta consecutivos em pon-
tos distintos, deixando por sua vez o total de 1.465 kW de potência não suprida, e, adotando
um limite de tensão de 0,95p.u., o algoritmo restabeleceu 64% das cargas desenergizadas com
apenas 97kW de perdas ativas.
Portanto, o algoritmo implementado nesse trabalho pode ser empregado como meio
para solucionar os problemas de restauração em sistemas elétricos de distribuição. Os estudos
comparativos podem servir como parâmetros para trabalhos futuros e podem ser empregados
como importantes ferramentas na melhoria do desempenho do ACO nas soluções desses pro-
blemas.
CONCLUSÕES E TRABALHOS FUTUROS 70
7.2 PROPOSTAS DE TRABALHOS FUTUROS
 Efetuar a implementação da metodologia em linguagem orientada a objetos utili-

zando linguagem computacional eficiente como C++ ou Python;
 Aplicação do algoritmo baseados em otimização por colônia de formigas em sis-
temas trifásicos desbalanceados, utilizando fluxo de potência trifásico;
 Representação de Geração Distribuída (GD) no sistema, para auxílio inclusive do
processo restaurativo;
 Consideração de corte de carga dos consumidores fora da área afetada pelo defeito.
 Combinar o Algoritmo de Formigas com outras metaheurísticas e aplicar na solu-
ção dos problemas abordados nesse trabalho;
 Criar uma rotina automática de otimização para obter os parâmetros do algoritmo
como citado na página 51;
 Utilizar otimização multiobjetivo;
 Modelar cargas de outra forma que não seja de potência constante.
REFERÊNCIAS BIBLIOGRÁFICAS 71
REFERÊNCIAS BIBLIOGRÁFICAS
AMASIFEN, J. C. C.; MANTOVANI, J. R. S.; ROMERO, R. Algoritmos evolutivos dedi-

cados à reconfiguração de redes radiais de distribuição sob demandas fixas e variá-
veis – estudo dos operadores genéticos e parâmetros de controle. Revista Controle &
Automação, Vol. 16, n. 3, 2005.
ANEEL. Nota técnica nº 0022/2011-SRD/ANEEL. Brasília, 2011. Disponível em:

www.aneel.gov.br.
ANEEL. Ranking de qualidade das distribuidoras de energia. Brasília, 2016. Disponível

em: www.aneel.gov.br.
ARCANJO, D. N. Metodologia multi-estágio para restabelecimento de sistemas elétricos

de distribuição utilizando algoritmos bio-inspirados. Tese de Mestrado. Juiz de Fora –
MG, Brasil. Universidade Federal de Juiz de Fora, 2014.
BALABANIAN, N.; BICKART, T. A.; SESHU, S. Electrical network theory. New York.
Wiley, 1969.
BARAN, M. E.; WU, F. F. Network reconfiguration in distribution systems for loss re-
duction and load balancing. IEEE Transactions on Power Delivery, v. 4, p.1401-1407,
1989.
BIRATTARI, M., PAQUETE, L., STRUTZLE, T., & VARRENTRAPP, K. Classification of

metaheuristics and design of experiments for the analysis of components tech. Rep.
AIDA-01-05. 2001.
BLUM, C.; ROLI, A. Metaheuristics in combinatorial optimization: Overview and con-

ceptual comparison. ACM Computing Surveys (CSUR), v. 35, n. 3, p. 268-308, 2003.
BORGES, T. T. Restabelecimento de sistemas de distribuição utilizando fluxo de potên-

cia ótimo. Tese de Doutorado. Rio de Janeiro – RJ. Brasil. Universidade Federal do Rio
de Janeiro, 2012.
BONABEAU, E.; DORIGO, M.; THÉRAULAZ, G. From natural to artificial swarm intel-
igence. Oxford University Press, 1999.
CARVALHO, T. L. A. Aplicação de algoritmos colônia de formigas na reconfiguração e

alocação de bancos de capacitores em redes elétricas de distribuição. Dissertação de
Mestrado, UFBA, Salvador, 2015.
CESPEDES, R. G. New method for the analysis of distribution networks. IEEE Transac-
tions on Power Delivery, v.5, n.1, p.391-396, 1990.
CHICCO, G. Ant colony system-based applications to electrical distribution system op-

timization, ant colony optimization - methods and applications. INTECH Open Acess
Publisher, 2011.
CIVANLAR, SEYHAN, et al. Distribution feeder reconfiguration for loss reduc-

tion. IEEE Trans. Power Del.;(United States) 3.3, 1988.
COLORNI, A; DORIGO, M; VITTORIO, M. Ant system: optimization by a colony of co-

operating agents. Systems, Man, and Cybernetics, Part B: Cybernetics, IEEE Transac-
tions, vol 26, nº 1, p. 29-41, 1996.
DORIGO, M.; CARO, G. D.; GAMBARDELLA, L. M. Ant algorithms for discrete optimi-
zation. Artificial Life, v.5, n.2, p.137–172, 1999.
DORIGO, M.; GAMBARDELLA, L. M. Ant colonies for the traveling salesman problem.
BioSystems, v.43, n.2, p.73–81, 1997a.
DORIGO, M.; GAMBARDELLA, L. M. Ant Colony System: A Cooperative Learning Ap-

proach to the Traveling Salesman Problem. IEEE Transactions on Evolutionary com-
putation, v.1 n.1, p.53-66, 1997b.
DORIGO, M.; MANIEZZO, V.; COLORNI, A. Ant system: optimization by a colony of

cooperating agents. IEEE Transaction of Systems, Man, and Cybernetics-Part B: Cyber-
netics, v.26, p.29-41, 1996.
DORIGO, M.; STUTZLE, T. Ant colony optimization. MIT Press, 2004
DORIGO; MARCO, M; BIRATTARI, T; STUTZLE. T. Ant colony optimization-artificial

ants as a computational intelligence technique. Universit Libre de Bruxelles, IRIDIA
Technical report Series, Belgium, 2006.
DURVAL; BÉATRICE; JIN-KAO HAO. Advances in metaheuristics for gene selection

and classification of microarray data. Briefings in bioinformatics11.1: 127-141. 2010.
FRAGA, M. C. P. Uma metodologia híbrida colônia de formigas – busca tabu – recone-

xão por caminhos para resolução do problema de roteamento de veículos com jane-
las de tempo. Dissertação de Mestrado em Modelagem Matemática e Computação, Cen-
tro Federal de Educação Tecnológica de Minas Gerais, Belo Horizonte, 2006.
PEREIRA, F. S. Reconfiguração ótima de sistemas de distribuição de energia elétrica ba-

seado no comportamento de colônia de formigas. Tese de Doutorado. São Paulo, Bra-
sil, Universidade de São Paulo, 2010.
FUKUYAMA. Y; CHIANG. H. A parallel genetic algorithm for service restoration in

electric power distribution systems. International Joint Conference of the Fourth IEEE,
International Conference on Fuzzy Systems and The Second International Fuzzy Engi-
neering Symposium IEEE, p. 275-282, 1995.
GUIMARÃES, M. A. N. Reconfiguração de sistemas de distribuição de energia elétrica

utilizando algoritmos de busca de tabu. 2005. 108f. Dissertação (Mestrado em Enge-
nharia Elétrica) – Faculdade de Engenharia Elétrica e de Computação, Universidade Es-
tadual de Campinas, Campinas, SP, 2005.
HAFFNER, S; PEREIRA, L. A; GASPERIN, L. Modelo aproximado para representação

de redes de distribuição de energia elétrica. XVII Congresso Brasileiro de Automática,
2008.
HAFFNER, S; GASPERIN, L. V; PEREIRA, L. A; BARRETO, L. Alocação de bancos de

capacitores em redes de distribuição de energia visando eliminar violações de ten-
são. Revista Controle & Automação, São Paulo, vol 20, nº 4, 2009.
HSIAO, Y.T.; CHIEN, C.Y. Enhancement of restoration service in distribution systems

using a combination fuzzy-GA method. IEEE Transactions on Power Systems 15.4:
1394-1400, 2000.
KARN, R; KUMAR, Y; AGNIHOTRI, G. Development of aco algorithm for service resto-

ration in distribution system. International Journal on Emerging Technologies, Bhopal,
p. 71-77, 2011.
LEITE, L; COSTA, V. Fluxo de potência continuado via equações de injeção de corrente.

Sba Controle & Automação, Campinas, Vol 14, nº 4, 2003.
LUAN, W. P.; MALCOLM R. IRVING; JEREMY S. Genetic algorithm for supply resto-
ration and optimal load shedding in power system distribution networks. IEE Pro-
ceedings-Generation, Transmission and Distribution 149.2: 145-151, 2002.
LIN, W. M; CHIN, H. C. A new approach for distribution feeder reconfiguration for loss
reduction and service restoration. IEEE Transactions on Power Delivery 13.3, 1998.
LING, L; GANG, W; SHAOXIAN, H; ZHIGWEI, L. A distributed model for power sys-

tem restoration based on ant colony optimization algorithm. Transmission and
Distribution Conference and Exhibition: Asia and Pacific, IEEE/PES, Dalian, p. 1-5,
2005.
LIU, C.C.; LEE, S. J.; VENKATA, S. S. Na expert system operational aid for restoration
and loss reduction of distribution systems. IEEE Transactions on Power Systems,
Vol.3, N. 2, 1988.
LU, Z; DONG, Y. Distribution system restoration based on improved binary particle

swarm optimization. Automation of Electric Power Systems, v. 24, p. 007, 2006.
MATOS, M. A; MELO, P. Multiobjective reconfiguration for loss reduction and service

restoration using simulated annealing. Electric Power Engineering, PowerTech
Budapest 99, International Conference IEEE, p. 213, 1999.
MATHIAS-NETO, W. P.; LEÃO, F. B.; MANTOVANI, J. R. S. Distribution system

restoration in a dg environmet using a heuristic constructive multi-start algorithm.
IEEE/PES Transmission and Distribution Conference and Exposition: Latin America, pp.
86 – 91, São Paulo, Brazil, 2010.
MEDEIROS, G. F.; KRIPKA, M. Algumas aplicações de métodos heurísticos na otimiza-

ção de estruturas. Revista CIATEC – UPF, v.4, p.19-32, 2012.
MELIÁN, B.; PÉREZ, J. A. M.; VEGA, J. M. M. Metaheuristics: a global view. Revista

Iberoamericana de Inteligencia Artificial (Asociación Española de Inteligencia Artificial),
v. 7, n. 19, p. 7-28, 2003.
MONTICELLI, A. J. Fluxo de carga em redes de energia elétrica. São Paulo: Edgard Blu-
cher, 1983.
MORELATO, A. L.; MONTICELLI, A. J. Heuristic search approach to distribution sys-

tem restoration. IEEE Transactions on Power Delivery, v. 4, n. 4, p. 2235-2241, 1989.
PEREIRA JÚNIOR, B. R.; COSSI, A. M.; MANTOVANI, J. R. S. Proposta de uma meto-

dologia baseada em busca de tabu para restauração automática de sistemas de dis-
tribuição de energia elétrica. Congresso Brasileiro de Automática, CBA, 2012.
PEREIRA, F. S. Reconfiguração ótima de sistemas de distribuição de energia elétrica ba-

seado no comportamento de colônia de formigas. Tese de Doutorado. São Paulo, Bra-
sil, Universidade de São Paulo, 2010.
RIBEIRO, C.C. Metaheuristics and applications. In Advanced School on Artificial Intelli-

gence, Portugal, 2002.
SILVA, L. G.; WESTZ et al. Optimised placement of control and protective devices in
electric distribution systems through reactive tabu search algorithm. Electric Power
Systems Research, v. 78, n. 3, p. 372-381, 2008.
SU. C. T; LII. G. R. "Reliability design of distribution systems using modified genetic al-
gorithms", Elect. Power Syst. Res., vol. 60, pp. 201-206, 2002.
SANCA, H. S. Reconfiguração Ótima de sistemas de distribuição de energia elétrica

aplicando o algoritmo MAX-MIN Ant System. 2013. 110f. Dissertação de Mestrado
em Engenharia Elétrica, Universidade Federal da Bahia, Salvador, 2013.
SANTOS NETO, M. P.; FERREIRA, N. R. Reconfiguração de sistemas elétricos de distri-

buição utilizando algoritmo de formigas com método de aceleração. In: V Simpósio
Brasileiro de Sistemas Elétricos, Paraná, 2014.
SHIN, DONG-JOON, et al. Optimal service restoration and reconfiguration of network

using genetic-tabu algorithm. Electric Power Systems Research71.2 : 145-152, 2004.
SILVA, L; PEREIRA, R. A. F; ABBAD, J; MANTOVANI, J.R.S. Optimised placement of

control and protective devices in electric distribution systems trhough reactive tabu
search algorithm. Electric Power Systems Research, Elsevier, vol 78, p. 372-381, 2008.
SOUZA, B. A; SILVA, J. P. S; FERREIRA, N. R. Configuração ótima de redes de distri-

buição aplicando um algoritmo colônia de formigas. IEEE PES Transmission and Dis-
tribution Latin America Conference and Exposition, São Paulo, 2010.
SOUZA, B. A; FERREIRA, N. R. Aplicação de algoritmo colônia de formigas na reconfi-

guração de redes elétricas de distribuição. Simpósio Brasileiro de Automação Inteli-
gente. São João Del Rei – MG, p. 1-6, 2011.
SOUZA, R. G. Arquitetura multiagente baseada em nuvem de partículas para hibridiza-

ção de metaheurísticas. Tese de Doutorado em Ciência da Computação, UFRN, Natal –
RN, 2013.
STUTZLE, T.; HOOS, H. H. MAX-MIN Ant System. Future generation computer sys-
tems, v.16, n.8, p.889–914, 2000.
STUTZLE, T.; HOOS, H. MAX-MIN Ant System and local search for the traveling
salesman problem. Proceedings Of 1997 Ieee International Conference On Evolutionary
Computation (ICEC '97), Indianapolis, In, p.309-314, abr. 1997.
SUCUPIRA, I. R. Um estudo empírico de hiper-heurísticas. Dissertação de Mestrado em

Matemática e Estatística. Instituto de Matemática e Estatística, USP, São Paulo, 2007.
TOUNE, S; FUDO, H; GENJI, T; FUKUYAMA, Y; NAKANISHI, Y. A reactive tabu se-

arch for service restoration in electric power distribution systems. In Evolutionary
Computation Proceedings, IEEE World Congress on Computational Intelligence, IEEE
International Conference, p. 763-768, 1998.
WATANABE, I. An aco algorithm for service restoration in power distribution systems.

Evolutionary Compatation, Congress IEEE, Japão, vol. 3, p. 2864-2871, 2005.
XIAOPING, C; XUEPING, G. Determination of the load restoration plans based on ge-

netic simulated annealing algorithms. Transactions of China Electrotechnical Society,
CNKI Journal, China, 2009.
YANG, L; YING, W; LU, W. An Improved ACO algorithm for service restoration in

power distribution systems. Power and Energy Engineering Conference, Asia and Pa-
cific, IEEE/PES. Wuhan, p. 1-4, 2009.
Zidan, Aboelsood, and E. F. El-Saadany. Service restoration in balanced and unbalanced

distribution systems with high DG penetration. 2011 IEEE power and energy society
general meeting. IEEE, 2011.
APÊNDICE 77
APÊNDICE A
DADOS DOS SISTEMAS TESTADOS
A1 Sistema de 16 barras
Resistência do Reatância do Carga barra Carga barra Capacitor barra

Ramo De Para
ramo (pu) ramo (pu) final (MW) final (Mvar) final (Mvar)
1 1 2 0,075 0,1 2 1,6 0
2 2 3 0,08 0,11 3 1,5 1,1
3 2 4 0,09 0,18 2 0,8 1,2
4 4 5 0,04 0,04 1,5 1,2 0
5 1 6 0,11 0,11 4 2,7 0
6 6 7 0,08 0,11 5 3 1,2
7 6 8 0,11 0,11 1 0,9 0
8 7 9 0,11 0,11 0,6 0,1 0,6
9 7 10 0,08 0,11 4,5 2 3,7
10 1 11 0,11 0,11 1 0,9 0
11 11 12 0,09 0,12 1 0,7 1,8
12 11 13 0,08 0,11 1 0,9 0
13 13 14 0,04 0,04 2,1 1 1,8
14 3 9 0,04 0,04
15 8 12 0,04 0,04
16 5 14 0,09 0,12
APÊNDICE 78
A2 Sistema de 33 barras
Resistência do Reatância Carga barra fi- Carga barra fi-

Ramo De Para
Ramo (Ω) do ramo (Ω) nal (kW) nal (kVar
1 33 1 0,0922 0,047 100 60
2 1 2 0,493 0,2511 90 40
3 2 3 0,366 0,1864 120 80
4 3 4 0,3811 0,1941 60 30
5 4 5 0,819 0,707 60 20
6 5 6 0,1872 0,6188 200 100
7 6 7 0,7114 0,2351 200 100
8 7 8 1,03 0,74 60 20
9 8 9 1,044 0,74 60 20
10 9 10 0,1966 0,065 45 30
11 10 11 0,3744 0,1238 60 35
12 11 12 1,468 1,155 60 35
13 12 13 0,5416 0,7129 120 80
14 13 14 0,591 0,526 60 10
15 14 15 0,7463 0,545 60 20
16 15 16 1,289 1,721 60 20
17 16 17 0,732 0,544 90 40
18 1 18 0,164 0,1565 90 40
19 18 19 1,5042 1,3554 90 40
20 19 20 0,4095 0,4784 90 40
21 20 21 0,7089 0,9373 90 40
22 2 22 0,4512 0,3083 90 50
23 22 23 0,898 0,7091 420 200
24 23 24 0,896 0,7011 420 200
25 5 25 0,203 0,1034 60 25
26 25 26 0,2842 0,1447 60 25
27 26 27 1,059 0,9337 60 20
28 27 28 0,8042 0,7006 120 70
29 28 29 0,5075 0,2585 200 600
30 29 30 0,9744 0,963 150 70
31 30 31 0,3105 0,3619 210 100
32 31 32 0,341 0,5301 60 40
33 7 20 2 2
34 8 14 2 2
35 11 21 2 2
36 17 32 0,5 0,5
37 24 28 0,5 0,5

Erick Baleeiro Da Silva

Enviado por

Direitos autorais:

Formatos disponíveis

Erick Baleeiro Da Silva

Enviado por

Dados do documento

Título original

Direitos autorais

Formatos disponíveis

Compartilhar este documento

Compartilhar ou incorporar documento

Opções de compartilhamento

Você considera este documento útil?

Este conteúdo é inapropriado?

Direitos autorais:

Formatos disponíveis

Erick Baleeiro Da Silva

Enviado por

Direitos autorais:

Formatos disponíveis

Universidade Federal da Bahia

ERICK BALEEIRO DA SILVA

APLICAÇÃO DO ALGORITMO COLÔNIA DE FORMIGAS

APLICAÇÃO DO ALGORITMO COLÔNIA DE FORMIGAS

Dissertação de Mestrado apresentada ao Programa de

Prof. Niraldo Roberto Ferreira, D. Sc.

Keywords: optimization by ant colony; distribution system restoration; bio-inspired compu-

1.1 CONSIDERAÇÕES INICIAIS ............................................................................................................... 1

1.2 RESTAURAÇÃO EM SISTEMAS DE DISTRIBUIÇÃO ............................................................................. 4

1.3 MOTIVAÇÃO .................................................................................................................................... 7

1.4 OBJETIVO ........................................................................................................................................ 9

1.4.1 Geral ................................................................................................................................ 9

1.5 DIVULGAÇÃO DA PESQUISA ............................................................................................................ 9

1.6 ORGANIZAÇÃO ................................................................................................................................ 9

2.1 INTRODUÇÃO ................................................................................................................................. 11

2.2 MÉTODOS HEURÍSTICOS ................................................................................................................ 11

2.3 METAHEURÍSTICAS ....................................................................................................................... 12

2.3.1 Inteligência coletiva ....................................................................................................... 14

2.4 REVISÃO BIBLIOGRÁFICA.............................................................................................................. 14

3 OTIMIZAÇÃO POR COLÔNIAS DE FORMIGAS ................................................................... 17

3.1 INTRODUÇÃO ................................................................................................................................. 17

3.2 COMPORTAMENTO DAS FORMIGAS NA BUSCA POR FONTES DE ALIMENTOS ................................... 17

3.2.1 Experimento da ponte dupla .......................................................................................... 18

3.3 COMPARAÇÃO ENTRE AS FORMIGAS REAIS E ARTIFICIAIS .............................................................. 20

3.4 ACO APLICADO AO PROBLEMA DO CAIXEIRO VIAJANTE ................................................................ 21

3.5 ALGORITMOS INSPIRADOS NO ACO .............................................................................................. 23

3.5.1 Ant System - AS .............................................................................................................. 23

3.5.2 MAX-MIN Ant System – MMAS ..................................................................................... 25

3.5.3 Ant Colony System – ACS .............................................................................................. 27

4.1 INTRODUÇÃO ................................................................................................................................ 31

4.3 MÉTODO DA SOMA DE POTÊNCIAS – MSP ....................................................................................... 32

4.3.1 Formulação matemática do problema ........................................................................... 34

5 ACO PARA A RESTAURAÇÃO DE REDES DE DISTRIBUIÇÃO .......................................... 38

5.1 INTRODUÇÃO ................................................................................................................................ 38

5.1.1 Teoria dos Grafos aplicada à Análise de Redes Elétricas ............................................. 39

5.1.2 Identificação de Barras Ilhadas no Sistema .................................................................. 40

5.1.3 Identificação de Laços do Sistema ................................................................................. 41

5.1.4 Descrição do problema .................................................................................................. 45

5.2 RESTAURAÇÃO DO SISTEMA DE DISTRIBUIÇÃO VIA ACS ............................................. 46

5.2.1 Regra de Transição de Estados ..................................................................................... 46

5.2.2 Distribuição do Feromônio............................................................................................ 47

5.2.3 Informação Heurística ................................................................................................... 48

5.2.4 Sorteio da ligação .......................................................................................................... 48

5.3 ALGORITMO DE SOLUÇÃO DO ACS PARA O PROBLEMA DA RESTAURAÇÃO DE REDES

5.4 FLUXOGRAMA PARA O ALGORITMO DO ACS PARA O PROBLEMA DA RESTAURAÇÃO

6 TESTES E RESULTADOS NUMÉRICOS .................................................................................. 53

6.1 INTRODUÇÃO ................................................................................................................................ 53

6.2 EXEMPLO DO DESLOCAMENTO DAS FORMIGAS – SISTEMA DEFEITUOSO DE 16 BARRAS .... 53

6.3 RESTAURAÇÃO DE REDES DE DISTRIBUIÇÃO ............................................................................ 57

6.3.1 Sistema de 16 barras...................................................................................................... 58

6.3.2 Sistema de 33 barras...................................................................................................... 62

7 CONCLUSÕES E TRABALHOS FUTUROS.............................................................................. 69

7.1 CONCLUSÕES ................................................................................................................................ 69

7.2 PROPOSTAS DE TRABALHOS FUTUROS .......................................................................................... 70

REFERÊNCIAS BIBLIOGRÁFICAS ............................................................................................... 71

DADOS DOS SISTEMAS TESTADOS .......................................................................................................... 77

A1 Sistema de 16 barras ............................................................................................................... 77

A2 Sistema de 33 barras ............................................................................................................... 78

Figura 1.1: Histórico de Continuidade do Fornecimento do Brasil ............................................ 3