Modelos de Capacidade e Carga

CAPTULO 1
INTRODUO
1.1. CONSIDERAES INICIAIS
M sistema eltrico de potncia tem por nica funo suprir os consumidores com energia eltrica da forma mais econmica e confivel possvel. Esses objetivos so
conflitantes, pois um melhor desempenho (maior confiabilidade) requer investimentos mais acentuados, o que implica em tarifas mais elevadas. Assim, em estudos de planejamento da expanso de sistemas eltricos, para que se possa decidir quando e onde investir necessrio o emprego de metodologias capazes de quantificar os custos e a confiabilidade das diversas alternativas e escolher dentre elas as mais adequadas [M86]. Nas ltimas dcadas, os ndices de confiabilidade da capacidade de gerao (GCR) tm sido parmetros muito teis para auxiliar engenheiros de planejamento em muitas decises. Diversos artigos e publicaes bibliogrficas tm surgido neste assunto; veja, por exemplo, [BFB01]. Quando a expanso de um sistema de potncia est sendo planejada necessrio avaliar se uma dada configurao de usinas geradoras atende adequadamente aos requisitos da demanda global do mercado consumidor. Este estudo denominado avaliao da confiabilidade de gerao. A metodologia bsica comum a todos os mtodos consiste em supor que no h problemas de transporte de energia, i.e. as linhas de transmisso so consideradas perfeitamente confiveis e sem restries de capacidade. Dentre os mtodos analticos, o mais popular conhecido como a abordagem da LOLE (Loss of Load Expectation), que uma tcnica amplamente utilizada devido a sua flexibilidade e simplicidade de aplicao [E78, A90, BA96, BAS94]. Esta tcnica combina o modelo de gerao do sistema, representada pela tabela de probabilidades das capacidades indisponveis (COPT), com as caractersticas ou modelo da carga do sistema para produzir ndices de confiabilidade como a LOLP (Loss of Load Probability), LOLE, EPNS (Expected Power Not Supplied) e EENS (Expected Energy Not Supplied). A eficincia computacional destes mtodos foi consideravelmente melhorada por meio da utilizao de tcnicas de convoluo discreta [ALAB81, LPC88].
1
CAPTULO 1 INTRODUO
A anlise de frequncia e durao (F&D) certamente uma abordagem analtica mais completa que a LOLE, porque tambm fornece a frequncia de ocorrncia de uma condio de capacidade insuficiente e a durao pela qual se espera que perdure. Estas so indicadas pelos ndices LOLF (Loss of Load Frequency) e LOLD (Loss of Load Duration), respectivamente [BA96, SB77, CS86]. Basicamente, o mtodo de F&D combina, atravs de tcnicas de Markov, estados de capacidades e de carga para obter estados de reserva. Uma vez que todos os estados com margem negativa ou estados de falha sejam identificados, todos os ndices previamente mencionados so avaliados. A fim de tornar este mtodo vivel para grandes sistemas de gerao encontrados na prtica, as tcnicas de convoluo discreta foram estendidas para tratar com os conceitos de frequncia e durao [LMC91, LCM92]. Evitando uma abordagem combinatria em sistemas prticos de gerao, as tcnicas de convoluo discreta claramente aumentaram a eficincia computacional dos mtodos analticos. Estes mtodos, no entanto, permanecem restritos para certos tipos de condies do sistema [PB92]. Os mtodos baseados em Simulao Monte Carlo (SMC) [R91, BL94] possibilitam a avaliao da confiabilidade para as mais diversas condies do sistema, e podem ser divididos nas categorias no-cronolgicos e cronolgicos. A SMC no-cronolgica tem sido uma ferramenta extremamente til na avaliao da confiabilidade de gerao e/ou transmisso de grandes sistemas encontrados na prtica [PB92, MPL92, BL94, LRMB04, L05, SR08]. Mtodos baseados em SMC cronolgica so mais poderosos para avaliar sistemas eltricos de potncia mais complexos, porm o esforo computacional muito mais substancial em comparao com os mtodos no-cronolgicos. Para superar o problema do custo computacional das simulaes cronolgicas, ferramentas de SMC pseudo-cronolgicas foram propostas [LMMB00]. Mais recentemente, tcnicas inteligentes de busca baseadas em populao foram tambm utilizadas para resolver problemas de confiabilidade em sistemas de potncia [WS08, MCRLS09]. Estes so mtodos interessantes, porm, apresentam algumas dificuldades quando aplicados em sistemas de grande porte. Alm disso, o controle da convergncia do processo de otimizao , em geral, muito complicado.
2
CAPTULO 1 INTRODUO
Sem dvida, ferramentas baseadas em tcnicas de SMC so extremamente robustas para resolver problemas de confiabilidade em sistemas de potncia, principalmente em sistemas de grande porte. Porm, eles podem encontrar algumas dificuldades no que diz respeito a eventos raros: e.g. para avaliar valores muito pequenos do ndice LOLP, i.e. 10-5. Embora se possa argumentar que uma configurao muito confivel para um sistema de gerao no um problema, e que a simulao deve ser parada aps se verificar tal condio, em estudos de planejamento da expanso estes valores devem ser calculados considerando que diversas configuraes de reforo esto sendo comparadas. Alm do mais, em problemas que envolvem critrios especficos de projeto, o planejador poderia ter que medir a probabilidade de certo evento, que poderia ser muito raro, mas, a priori, esta condio desconhecida. A fim de melhorar o desempenho das ferramentas de SMC, diversas tcnicas de reduo de varincia esto disponveis [RK07, PAK08]. Algumas delas j foram testadas na avaliao da confiabilidade de sistemas de potncia; veja, por exemplo, [LMMB00, AEPP90, BJ96, BJ97, ZX02]. Tendo em mente sistemas de potncia reais, as eficincias de alguns mtodos podem ser consideradas relevantes e outras marginais. Em relao raridade dos eventos de falha envolvidos, pouca discusso tem sido conduzida em confiabilidade de sistemas de potncia. Um dos mtodos que tem apresentado resultados interessantes baseado em amostragem por importncia (IS); uma tcnica que tem evoludo consideravelmente nos ltimos anos, com a utilizao de algoritmos de otimizao para selecionar os parmetros da funo densidade de probabilidade auxiliar de uma maneira tima. Estes novos algoritmos esto baseados nos conceitos de Entropia Cruzada e da divergncia de Kullback-Leibler, que so idias fundamentais da moderna teoria da informao [RK04, RK07, KHN07]. Este trabalho apresenta uma nova abordagem de SMC baseada no Mtodo da Entropia Cruzada (MEC) para avaliar ndices de confiabilidade em sistemas de gerao. A idia bsica utilizar uma funo massa de probabilidade auxiliar, cujos parmetros so obtidos de um processo de otimizao estocstico. Diversos aspectos como o tamanho do sistema, a raridade dos eventos de falha, o nmero de unidades diferentes e o perfil da curva de carga so considerados a fim de verificar o desempenho da metodologia proposta.
3
CAPTULO 1 INTRODUO
O IEEE-RTS [IEEE79] utilizado para verificar a metodologia proposta. Diversos sistemas testes so criados a partir de modificaes no IEEE-RTS original. Estas modificaes tm como principal objetivo comparar o desempenho do mtodo proposto com uma SMC no-cronolgica e uma tcnica analtica muito eficiente baseada em convoluo discreta [LMC91]. Uma configurao do sistema Sul-Sudeste Brasileiro (SSB) de gerao, planejada para os anos 90, tambm utilizada para demonstrar a aplicao do mtodo proposto, denominado CE-ISMC, em sistemas de potncia encontrados na prtica.
1.2.
DESENVOLVIMENTO HISTRICO
No se pode determinar com preciso quando foi publicado o primeiro trabalho sobre a avaliao da confiabilidade de gerao utilizando mtodos probabilsticos, porm, aproximadamente em 1933 o interesse nesta rea tornou-se evidente. Os principais trabalhos publicados entre 1977 e 1982 esto bem documentados em [ABL84]. De maneira semelhante, os principais trabalhos publicados no perodo compreendido entre 1996 e 1999 esto referenciados em [BFB01]. Desde 1933, bons artigos foram surgindo a cada ano. Calabrese, Lyman, Loane e Watchorn [C47, L47, LW47] publicaram os trabalhos pioneiros que estruturam os mtodos usados at o presente. Estes artigos formam a base da avaliao da confiabilidade da capacidade de gerao por tcnicas probabilsticas, e servem como ponto de partida de outros bons trabalhos. Em 1958, Halperin e Adler [HA58] introduziram pela primeira vez um mtodo de frequncia e durao para a avaliao da confiabilidade de gerao. Todavia a metodologia apresentada foi um tanto complicada e os ndices no foram utilizados de fato at 1968-71. Nesse perodo novas publicaes estenderam a metodologia de frequncia e durao desenvolvendo tcnicas recursivas para a construo do modelo de gerao e para sua combinao com o modelo de carga, as quais facilitaram a implementao computacional. Em 1959, um segundo grupo de artigos foi publicado por Baldwin, Gaver, Hoffman, entre outros [BGH59, BBGH59, BGHR60]. Estas publicaes modificaram e estenderam os mtodos propostos por publicaes anteriores e introduziram uma metodologia mais sofisticada ao problema usando tcnicas de simulao baseadas em amostragem estatstica,
4
CAPTULO 1 INTRODUO
surgindo desta maneira, as primeiras aplicaes da Simulao Monte Carlo em sistemas eltricos de potncia Em 1982, Billinton, Wee e Hamoud [BWH82] publicaram um resumo didtico sobre os mtodos bsicos para a avaliao da confiabilidade de gerao. Foi apresentado tambm um mtodo recursivo para a obteno da frequncia e probabilidade acumulada dos estados de capacidade. Este modelo de gerao no foi combinado com nenhum modelo de carga. Um sistema teste para comparar as diversas metodologias e utilizado at hoje o IEEERTS (i.e., IEEE Reliability Test System), publicado em 1979 pelo IEEE Subcommittee on Application of Probability Methods [IEEE79]. Em 1986 Allan, Billinton e Abdel-Gawad propuseram modificaes que poderiam ser aplicadas a este sistema para o estudo da confiabilidade da gerao [ABA86]. Tambm em 1986, Melo [M86] em sua Tese de Mestrado apresentou uma nova tcnica de frequncia e durao que permitiu modelar de forma precisa os diversos estados operativos das unidades geradoras, bem como os diversos estados de carga, a fim de se obter ndices de confiabilidade mais realsticos para sistemas de grande porte. Este mtodo foi baseado em tcnicas de convoluo discreta propostas por Allan, Leite da Silva, Abu-Nasser e Burchett [ALAB81] em 1981. Em 1991, Leite da Silva, Melo e Cunha [LMC91] apresentaram um mtodo analtico extremamente eficiente, onde no somente as probabilidades dos estados de reserva podiam ser avaliados recursivamente por convoluo discreta, mas tambm suas frequncias incrementais, o que possibilitou a aplicao de tcnicas de truncamento e arredondamento permitindo uma avaliao eficiente dos ndices de frequncia e durao para sistemas de grande porte. Os mtodos analticos tradicionais precisavam muitas vezes de aproximaes para contornar alguns problemas, principalmente no que diz respeito ao grande nmero de estados possveis do sistema. Novos mtodos baseados em tcnicas de simulao, semelhantes a aqueles propostos por Baldwin et alii em 1959 [BGH59, BBGH59, BGHR60] comearam a aparecer. Estes mtodos apresentavam vantagens competitivas com relao aos mtodos analticos em sistemas de grande porte (elevado nmero de estados) e com restries operativas complexas.
CAPTULO 1 INTRODUO
Em 1982, Cunha, Ganes, Oliveira e Pereira [CGOP82] publicaram um dos primeiros trabalhos sobre a utilizao da simulao Monte Carlo na avaliao da confiabilidade de gerao. Trabalhos semelhantes comearam a ser publicados nos anos seguintes, sendo um dos mais importantes, o de Patton, Blackstone e Balu [PBB88] em 1988. Os mtodos de simulao Monte Carlo eram baseados em tcnicas de amostragem estatstica, onde os estados eram amostrados proporcionalmente a sua probabilidade de ocorrncia e possibilitaram a avaliao da confiabilidade para as mais diversas condies do sistema. Apareceram duas categorias bem definidas: a simulao Monte Carlo no-cronolgica e a cronolgica. A SMC no-cronolgica tem sido uma ferramenta extremamente til na avaliao da confiabilidade de gerao e/ou transmisso em sistemas reais. Exemplos de trabalhos relacionados so os de Pereira e Balu em 1992 e 1994 [PB92, BL94]. Os mtodos baseados em SMC cronolgica so mais poderosos para avaliar sistemas de potncia mais complexos, porm o esforo computacional muito maior em comparao com os mtodos no-cronolgicos, pois durante o processo de simulao toda a cronologia levada em considerao. Por este motivo, sua aplicao complexa, ainda hoje, na avaliao da confiabilidade composta de sistemas eltricos. Para superar o problema do custo computacional das simulaes cronolgicas, ferramentas de SMC pseudo-cronolgicas foram propostas por Leite da Silva, Manso, Mello e Billinton em 2000 [LMMB00]. Este mtodo manteve a flexibilidade e a preciso da SMC cronolgica reduzindo o esforo computacional a nveis similares da SMC nocronolgica. A principal desvantagem dos mtodos baseados em simulao Monte Carlo era a necessidade de um tempo de computao maior do que os mtodos analticos convencionais. Estes tempos de computao eram maiores quanto mais raros fossem os eventos envolvidos. O motivo era a necessidade de se ter um nmero elevado de amostras para se estimar um evento raro com relativa preciso. A raridade do evento passou a ser um problema. Vrios trabalhos surgiram com propostas sobre como tratar a raridade do evento, estes tinham como principal objetivo reduzir o esforo computacional. Apareceram assim as chamadas Tcnicas de Reduo de Varincia (VRT).
CAPTULO 1 INTRODUO
Em 1996, Billinton e Jonnavithula [BJ96] utilizaram VRT baseadas em variveis de controle (CV) e variveis antitticas (AV) juntamente com a simulao Monte Carlo cronolgica para avaliar a confiabilidade de sistemas eltricos. Em 1999, Lieber, Nemirovskii e Rubinstein [LNR99] utilizaram uma VRT baseada em amostragem por importncia para acelerar a convergncia da simulao Monte Carlo. A idia central do IS era amostrar os estados do sistema com uma distribuio diferente da original, de tal maneira que o evento raro de interesse fosse encontrado com maior frequncia, porm o problema era justamente encontrar esta nova distribuio pois ela era inicialmente desconhecida. Uma escolha errada poderia ter o efeito contrario e aumentar ainda mais o tempo de computao. Estimar esta distribuio era um processo complicado, e isto levou os pesquisadores a procurarem um mtodo eficiente para resolver este problema. Em 2002, Zhaohong e Xifan [ZX02] apresentaram uma nova tcnica de reduo de varincia denominada Mtodo da Fisso e Roleta que foi aplicada na avaliao da confiabilidade composta de sistemas eltricos de potncia. Porm, a metodologia apresentada foi um tanto quanto complicada e seu desempenho no foi comparado com outras tcnicas de reduo de varincia presentes na literatura. Alm disso, este trabalho no apresentou aplicaes do mtodo proposto em sistemas de grande porte. Tambm em 2002, Homem-de-Mello e Rubinstein [HR02] publicaram um trabalho de grande importncia que apresentou um mtodo para estimar a probabilidade de ocorrncia de eventos raros. Neste trabalho, modelos de simulao baseados em amostragem por importncia e a entropia cruzada de Kullback-Leibler foram utilizados. Inicialmente, a distribuio tima de amostragem era estimada utilizando o CE, e a seguir, a probabilidade do evento raro era estimada utilizando a j conhecida tcnica da amostragem por importncia. Assim surgiu um novo e poderoso mtodo para a simulao de eventos raros e a otimizao contnua ou combinatria. Esta nova metodologia foi denominada Mtodo da Entropia Cruzada. Em 2004, Rubinstein e Kroese [RK04] publicaram um livro que resumia os fundamentos do MEC e suas diversas aplicaes. Nos anos seguintes, vrios trabalhos foram publicados sobre as aplicaes do MEC nas mais diversas reas. Exemplos recentes so os trabalhos de Hui, Bean, Kraetzl e Kroese em 2005 [HBKK05] sobre a aplicao do MEC na avaliao da confiabilidade de redes, os trabalhos de Kroese, Hui e Nariai em 2007 [KHN07] sobre otimizao da confiabilidade de
7
CAPTULO 1 INTRODUO
redes atravs da aplicao do MEC, e os trabalhos de Ernst, Glavic, Stan, Mannor e Wehenkel em 2007 [EGSMW07] sobre a aplicao do MEC na soluo de problemas de otimizao combinatria em sistemas eltricos de potncia. Mais recentemente, outra metodologia para avaliar a confiabilidade de gerao que se afasta um pouco da linha das metodologias anteriores foi proposta por Wang e Singh em 2008 [WS08]. A proposta foi utilizar tcnicas metaheursticas de busca inteligente, baseadas em populao, para avaliar a confiabilidade da gerao. Nesta publicao, tcnicas metaheursticas como Algoritmos Genticos (GA), Otimizao por Enxame de Partculas (PSO), Otimizao por Colnia de Formigas (ACO), entre outros, foram utilizados primeiramente para selecionar os estados dominantes de falha, ou seja, aqueles que tm maior contribuio para os ndices de confiabilidade, e depois os ndices so calculados analiticamente considerando os estados encontrados na etapa anterior. De maneira semelhante a [WS08], Miranda, Carvalho, Rosa, Leite da Silva e Singh [MCRLS09] publicaram em 2009 um trabalho onde eram aplicadas variaes do EPSO em confiabilidade de sistemas de potncia. Ambos os mtodos so interessantes, mas tambm possuem algumas limitaes para controlar a convergncia do processo de otimizao e para tratar com sistemas de grande porte, pois muitas informaes pertinentes a cada estado dominante devem ser salvos e levados a etapa seguinte, o que representa um custo de memria elevado, podendo inclusive inviabilizar esta abordagem em sistemas de grande porte. O objetivo bsico deste trabalho a avaliao de ndices de confiabilidade da capacidade de gerao, atravs de uma nova abordagem que combina uma simulao Monte Carlo no-cronolgica e uma tcnica de amostragem por importncia baseada no Mtodo da Entropia Cruzada. Ser desenvolvido um mtodo que possa aproveitar as caractersticas positivas da simulao Monte Carlo, como a flexibilidade e a capacidade de trabalhar com sistemas de grande porte, mas sem as limitaes provocadas pela raridade do evento. Espera-se que a metodologia proposta possa ser competitiva com outros mtodos disponveis na literatura. O desempenho do mtodo proposto ser verificado em diversos sistemas testes sob as mais diversas condies operativas.
CAPTULO 1 INTRODUO
1.3.
ESTRUTURA DA DISSERTAO
Este trabalho apresenta uma nova metodologia, baseada em tcnicas de simulao Monte Carlo e no mtodo da Entropia Cruzada, para avaliar a confiabilidade da capacidade de gerao. O principal objetivo avaliar os ndices de confiabilidade por meio da j conhecida tcnica da amostragem por importncia. Os parmetros da nova funo massa de probabilidade (pmf), que ser utilizada no processo de amostragem, so encontrados por meio de um processo de otimizao estocstico que minimiza a divergncia de KullbackLeibler entre a pmf tima (inicialmente desconhecida) e a pmf de amostragem a cada iterao. Uma vez posicionado o problema da avaliao da confiabilidade da capacidade de gerao, feito um desenvolvimento histrico da literatura existente e definido o objetivo bsico deste trabalho, cabe agora descrever em poucas linhas o contedo geral de cada captulo. A presente dissertao dividida em cinco captulos brevemente descritos a seguir. Este captulo apresentou as razes pelas quais o problema de avaliar a confiabilidade da capacidade de gerao vem sendo estudado na atualidade, bem como uma classificao e uma discusso geral sobre os trabalhos mais importantes relativos a este assunto, publicados na literatura especializada. O Captulo 2 apresenta a formulao matemtica do problema, assim como um resumo dos principais mtodos tradicionalmente utilizados na avaliao da confiabilidade de gerao com suas respectivas vantagens e desvantagens. O principal objetivo estabelecer fundamentos conceituais para permitir o desenvolvimento do mtodo proposto, baseado em Entropia Cruzada, que ser apresentado no captulo subsequente. O Captulo 3 destina-se apresentao do Mtodo da Entropia Cruzada. As principais tcnicas de reduo de varincia so brevemente discutidas com uma maior nfase na tcnica da amostragem por importncia. apresentada a formulao matemtica do MEC aplicado na simulao de eventos raros. O captulo apresenta tambm como este mtodo pode ser reformulado matematicamente para ser aplicado ao problema da avaliao da confiabilidade da capacidade de gerao. Com o objetivo de facilitar o entendimento do
9
CAPTULO 1 INTRODUO
mtodo e tambm manter a formulao matemtica a mais genrica possvel, todo o desenvolvimento ilustrado com base em um sistema de NC estaes geradoras. No Captulo 4, realizam-se aplicaes numricas com o IEEE Reliability Test System (IEEE-RTS) [IEEE79] e tambm com diversas modificaes deste sistema. O desempenho do mtodo proposto baseado em Entropia Cruzada comparado com uma simulao Monte Carlo no-cronolgica e tambm com um mtodo analtico extremamente eficiente baseado em convoluo discreta. Uma configurao do sistema de gerao brasileiro da regio Sul-Sudeste tambm utilizada para demonstrar a aptido da metodologia proposta em aplicaes reais. Diversos testes de sensibilidade tambm so apresentados, principalmente no que diz respeito raridade dos eventos de falha envolvidos e ao tamanho do sistema. Finalmente, no Captulo 5 sero apresentadas as principais concluses decorrentes deste trabalho, alm de sugestes para possveis trabalhos futuros.
10
CAPTULO 2
AVALIAO DA CONFIABILIDADE DA CAPACIDADE DE GERAO
2.1. INTRODUO
ESTE captulo sero descritos os principais mtodos utilizados para a avaliao da confiabilidade da capacidade de gerao. Sero brevemente discutidas as hipteses
em que eles se baseiam e suas respectivas vantagens e pontos deficientes. Antes, porm, sero feitas algumas consideraes bsicas sobre o problema da confiabilidade da capacidade de gerao. Uma tarefa importante no planejamento e operao de um sistema eltrico de potncia a determinao da capacidade de gerao necessria para o atendimento do mercado consumidor [M86]. Este problema pode ser dividido em duas partes: determinao da capacidade esttica e da capacidade operativa. A capacidade esttica est relacionada com a avaliao em longo prazo das necessidades do sistema em termos globais. A capacidade operativa est relacionada com a avaliao em curto prazo da capacidade real necessria para atender um dado nvel de carga. Na avaliao da confiabilidade de capacidade esttica de gerao se est interessado no clculo de ndices que meam a adequao do sistema no atendimento da carga em termos globais. Para tanto, considera-se que toda a gerao e toda a carga do sistema esto concentradas em um nico barramento. Isto significa supor que no existem restries de transporte de energia e que as linhas de transmisso so 100% confiveis. possvel admitir um nvel aproximado de perdas e inclu-las na carga total do sistema. A metodologia bsica para a obteno dos ndices de adequao consiste na construo de modelos matemticos que representem os comportamentos da gerao existente e da carga do sistema. Estes modelos so a seguir combinados para se obter um modelo de risco ou de
11
CAPTULO 2 AVALIAO DA CONFIABILIDADE DA CAPACIDADE DE GERAO
reserva a qual expressa, em termos de probabilidades, a reserva de capacidade de gerao do sistema.
2.2.
FORMULAO DO PROBLEMA
Reserva, ou margem, definida como a diferena entre a capacidade disponvel e a carga. Deste modo, se os modelos de gerao e de carga possurem vrios estados discretos de capacidade e nveis de demanda, respectivamente, podem ser obtidas informaes sobre disponibilidade, frequncia e durao mdia para vrias condies de reserva [M86]. Um estado de reserva a combinao de um estado de carga e um estado de capacidade. Um estado de reserva negativa representa uma condio em que a carga do sistema excede a capacidade disponvel e descreve, portanto, um estado de falha do sistema. Diferentes estados individuais podem ser acumulados em um nico estado equivalente. Acumulando todos os estados de reserva negativa, temos um nico estado que representa as condies operativas onde o sistema se encontra em uma situao de falha. De maneira semelhante, todos os estados de reserva positiva podem ser acumulados em um nico estado equivalente que representa situaes de sucesso do sistema. Define-se assim, uma fronteira entre o que considerado como sucesso e o que considerado como falha. Estados de fronteira so todos aqueles estados que tem uma ligao direta com algum outro estado que no pertence ao seu grupo acumulado, ou seja, so aqueles estados que podem cruzar a fronteira em uma nica transio. Conforme exposto anteriormente, o principal objetivo determinar ndices que avaliem o risco do parque gerador existente no atender s necessidades do mercado consumidor. Estes ndices de confiabilidade so obtidos a partir das probabilidades e frequncias associadas ao estado acumulado de falha, ou seja, considerando todos os estados com reserva negativa. Os principais ndices so a LOLP, EPNS e LOLF. Outros ndices de confiabilidade como a LOLE, EENS e LOLD podem ser encontrados a partir dos anteriores. O ndice LOLP (Loss of Load Probability) a probabilidade de existir qualquer corte de carga independentemente da magnitude do corte. Matematicamente igual ao somatrio das probabilidades individuais dos estados de reserva negativa, ou seja, onde a capacidade
12
de gerao disponvel inferior que a carga total do sistema. A LOLE (Loss of Load Expectation) o tempo esperado durante o qual o sistema reside em estados de margem negativa, considerando um perodo de anlise T. Matematicamente igual ao produto do ndice LOLP pelo valor do intervalo T, por exemplo, um ano. O ndice EPNS (Expected Power Not Supplied) representa a potncia esperada no suprida. O ndice calculado considerando estados de reserva negativa. Matematicamente, igual ao somatrio dos produtos das probabilidades individuais dos estados de margem negativa, pelas suas respectivas magnitudes de corte de carga. A EENS (Expected Energy Not Supplied), ou energia esperada no suprida, igual ao produto do ndice EPNS pelo perodo de anlise T. O ndice LOLF (Loss of Load Frequency), ou frequncia de perda de carga, o nmero de transies ou nmero de vezes que o sistema saiu do estado de sucesso e foi para o estado de falha (ou vice-versa) em um perodo de anlise T. Se o sistema for ergdico, um espao de estados dividido em dois grupos, por exemplo, A e B, ser balanceado em frequncia, pois o nmero de transies de A para B igual ao nmero de transies de B para A, considerando o mesmo intervalo T. No clculo da LOLF somente os estados de fronteira com margem negativa (ou positiva) so relevantes. A LOLD (Loss of Load Duration) a durao mdia de perda de carga. igual razo entre os ndices LOLP e LOLF.
2.3.
MTODOS ANALTICOS
2.3.1. Consideraes Iniciais Como exposto anteriormente, um sistema de potncia est operando satisfatoriamente enquanto houver gerao disponvel suficiente para atender a demanda imposta pela carga. Portanto, somente unidades geradoras so includas na avaliao e o resto do sistema assumido perfeitamente confivel, com capacidade de transporte de energia ilimitada e sem perdas. possvel tambm admitir um nvel aproximado de perdas e inclu-las na carga total do sistema. Ao longo dos anos, diversos mtodos analticos foram surgindo, cada um deles com suas respectivas vantagens e desvantagens. As principais diferenas entre eles se encontram no
13
nvel de detalhamento com que as unidades geradoras e as cargas so modeladas, assim como nas diversas hipteses assumidas. Neste trabalho, o mtodo analtico utilizado nas comparaes e testes de sensibilidade aquele descrito em [LMC91]. A referncia [LMC91] apresenta um mtodo de Frequncia e Durao (F&D) em sua forma geral, i.e. as unidades geradoras so representadas por modelos de estados mltiplos e a carga representada por nveis discretos horrios. Portando, ambos os modelos so de estados mltiplos e no necessariamente balanceados em frequncia. Tambm foi demonstrado que no somente as probabilidades dos estados de reserva podem ser avaliadas recursivamente por tcnicas de convoluo discreta, mas tambm suas respectivas frequncias incrementais. Isto possibilitou a implementao de tcnicas de truncamento e arredondamento permitindo uma eficincia computacional excelente para os ndices de F&D em sistemas reais. Basicamente, o mtodo de F&D combina, por meio de tcnicas de Markov, estados de capacidade e de carga para obter estados de reserva. Uma vez que todos os estados de reserva so determinados, os principais ndices de confiabilidade, LOLP, LOLE, EPNS, EENS, LOLF e LOLD so avaliados. A avaliao de ndices de confiabilidade da capacidade de gerao envolve trs etapas bsicas: (i) desenvolver um modelo adequado de capacidade de gerao partindo dos parmetros de cada unidade geradora; (ii) desenvolver um modelo adequado de carga a partir de dados histricos disponveis em um perodo de anlise; (iii) finalmente combinar os modelos de capacidade e carga para se obter o modelo probabilstico da reserva. 2.3.2. Modelo da Capacidade de Gerao Tendo em mente a hiptese prvia, todas as unidades de gerao podem ser combinadas para produzir uma unidade equivalente G, que ento combinada com a carga total do sistema L. No mtodo da LOLE, a unidade equivalente G pode ser descrita pela tabela de probabilidades das capacidades indisponveis (COPT). No mtodo da F&D, a frequncia incremental um parmetro fundamental e deve ser includo nesta tabela. Portanto, neste caso, a unidade de gerao equivalente G descrita por uma tabela de probabilidades e frequncias das capacidades indisponveis (COPFT) [LMC91, LCM92].
14
A unidade de gerao equivalente G pode ser expressa pela soma de NG variveis aleatrias independentes Gk representando cada unidade geradora. Este somatrio pode ser efetuado pelo seguinte processo recursivo, com k = 1, , NG 1:
Gk' +1 = Gk' + Gk +1 , onde Gk' = Gi
(2.1)
' (com i = 1, k), e o processo para quando GNG = G . Para ilustrar o
processo de combinao, (2.1) ser simplificado para G = G1 + G2 . Embora a notao seja simplificada, o desenvolvimento matemtico permanece genrico, pois G, G1, e G2 podem representar Gk' +1 , Gk' , e Gk +1 , respectivamente. O modelo das capacidades de gerao no mtodo de F&D pode ser determinado como segue: dadas as capacidades dos estados c, probabilidades p (i.e. disponibilidades) e as frequncias incrementais q de G1 = {c1 ; p1 ; q1} e G2 = {c2 ; p2 ; q2}, determinar os mesmos parmetros para a unidade equivalente G = {cG ; pG ; qG}. Os parmetros p e q so sequncias de impulsos associados com as sequncias de capacidades dos estados c. Ambas sequncias de impulsos so igualmente espaadas por meio de uma capacidade de arredondamento (rounding increment) predefinida. Foi completamente demonstrado em [LMC91] que os parmetros p e q, que caracterizam a unidade equivalente G, podem ser avaliados pelas seguintes equaes de convoluo (*):
p = p1 * p2 ,
(2.2)
q = [ p1 * q2 ] + [q1 * p2 ] .
(2.3)
As equaes (2.2) e (2.3) so ento aplicadas para avaliar o processo recursivo (2.1), e no final deste procedimento, os parmetros da unidade G so expressos pela estrutura G = {cG ; pG ; qG}, onde, por exemplo, pG(gi) o i-simo termo de uma sequncia ou do vetor pG, com dimenso NG, e representa a probabilidade associada com o estado de gerao gi. O processo de convoluo discreta pode ser efetuado utilizando a transformada rpida de Fourier [ALAB81] para acelerar o processamento computacional.
15
2.3.3. Modelo da Carga do Sistema

O comportamento da carga total do sistema L pode ser expresso como uma sequncia de nveis discretos de carga definidos em um perodo de anlise, assim como ilustrado na Fig. 2.1. O step de discretizao pode ser qualquer unidade de tempo desejada ou disponvel. Tambm, os nveis de carga podem ser igualmente espaados ou no. Partindo desta sequncia de carga, possvel construir um modelo de carga descrito pelos mesmos parmetros utilizados no modelo de gerao, i.e. L = {cL ; pL ; qL}, onde, por exemplo, pL(lj) um termo de um vetor (ou sequncia) pL, com dimenso NL, e representa a probabilidade associada com o estado de carga lj.
Carga [MW]
10
15
20
25
30
35
40
45
50
Unidade de Tempo [T]

Fig. 2.1: Modelo de Carga - Sequncia de Nveis Discretos de Carga
Note que, para manter a definio da frequncia incremental coerente para ambos os modelos de gerao e de carga, a sequncia de capacidades de L (i.e. cL) deve ser ordenada tal que o maior estado de capacidade seja associado com o nvel mnimo de carga e, consequentemente, o menor estado de capacidade seja aquele associado com a mxima carga do sistema [LMC91].
2.3.4. Modelo da Reserva e ndices de Confiabilidade

O modelo da capacidade da gerao, representado pela varivel aleatria G, pode ser combinado com o modelo da carga descrito pela varivel aleatria L para produzir o
16
modelo da reserva (esttica) de potncia R, i.e.

R=G-L, com R = {cR ; pR ; qR}, semelhante a G e L. Os ndices de confiabilidade da capacidade de gerao, LOLP, EPNS, e LOLF, podem agora ser avaliados a partir dos estados individuais de reserva de gerao e carga. Primeiro, as equaes (2.2) e (2.3) so utilizadas para se obterem as probabilidades e as frequncias incrementais que descrevem os estados da varivel R. Observe que somente aqueles parmetros do estado k de R, tal que cR(rk) = cG(gi) cL(lj) < 0, devem ser avaliados. Considerando que existam NR destes estados, ento, para k = 1, NR: (2.4)
LOLP = pR (rk ) ,
k
(2.5)
LOLF = qR (rk ) ,
k
(2.6)
EPNS = cR (rk ) pR (rk ) .

k
(2.7)
Os outros trs ndices de confiabilidade podem ser obtidos a partir dos j previamente definidos, i.e.: LOLE = LOLP T; EENS = EPNS T; e LOLD = LOLP/LOLF, onde T representa o perodo de anlise, geralmente de 8736 ou 8760 horas (um ano).
2.4.
TCNICAS DE SIMULAO MONTE CARLO
Os mtodos baseados em tcnicas de Simulao Monte Carlo (SMC) so abordagens muito robustas para avaliar a confiabilidade de sistemas eltricos de potncia. Modelos de SMC tm sido utilizados em uma variedade de sistemas de gerao [CGOP82, PBB88]. Sem dvida, estes mtodos tm sido bastante teis na avaliao de ndices de confiabilidade, principalmente devido a sua flexibilidade e fcil implementao computacional. Outros motivos que incentivaram pesquisas nesta rea so as vantagens competitivas da SMC no
17
tratamento de sistemas de grande porte e/ou com restries operativas complexas. Porm, sua principal desvantagem a necessidade (na maioria dos casos) de um tempo de processamento maior em comparao aos mtodos analticos. O principal problema dos mtodos baseados em SMC no a quantidade de estados possveis do sistema, mas a raridade dos eventos que se desejam capturar. Devido utilizao de um sistema de amostragem proporcional probabilidade de ocorrncia, eventos muito raros sero dificilmente amostrados, o que pode significar um problema grave, pois os esforos computacionais envolvidos nestas condies so muito expressivos. Isto quer dizer que um nmero muito elevado de amostras necessrio a fim de estimar as probabilidades dos eventos raros com relativa preciso, ou com intervalos de confiana estreitos. Os mtodos baseados em SMC podem ser classificados em mtodos cronolgicos (ou sequenciais) e mtodos no-cronolgicos (ou no-sequenciais). A SMC no-cronolgica tem sido uma ferramenta muito til na avaliao da confiabilidade de gerao e/ou transmisso de grandes sistemas encontrados na prtica [PB92, BL94, MPL92, LRMB04, SR08]. Mtodos baseados em SMC cronolgica so mais poderosos para avaliar a confiabilidade de sistemas de potncia mais complexos, porm o esforo computacional muito mais substancial quando comparado com os mtodos no-cronolgicos. Por este motivo, sua aplicao na avaliao da confiabilidade composta de sistemas de potncia ainda , em muitos casos, invivel. Para superar o problema do custo computacional das simulaes cronolgicas, ferramentas de SMC pseudo-cronolgicas foram propostas em [LMMB00]. A seguir, cada uma destas classificaes ser brevemente descrita.
2.4.1. SMC NO-CRONOLGICA

Mtodos como o da Enumerao de Estados e a Simulao Monte Carlo No-Cronolgica so exemplos de algoritmos baseados em espao de estados, onde modelos markovianos so utilizados para ambas as transies entre estados dos equipamentos e da carga. Portanto, os estados so selecionados e avaliados sem considerar nenhuma conexo cronolgica ou memria. Como nenhuma cronologia do sistema est sendo levada em considerao, estados no vizinhos, i.e. estados onde as taxas de transio entre eles so nulas, podem ser amostrados um depois do outro.
18
Em geral, algoritmos baseados em espao de estados seguem trs passos principais: (i) selecionar um estado do sistema (i.e. disponibilidade dos equipamentos e nvel de carga); (ii) analisar o desempenho dos estados selecionados (i.e. verificar se a gerao total disponvel capaz de satisfazer a carga associada sem violar nenhum limite operativo; se necessrio, ativar medidas corretivas como, por exemplo, corte de carga); (iii) estimar ndices de confiabilidade (i.e. LOLP, EPNS, etc.); se as precises das estimativas so aceitveis, parar o processo; caso contrrio volte para o passo (i). O modelo analtico anterior um exemplo de representao com espao de estados, mas toda a avaliao efetuada por meio de tcnicas de convoluo discreta. Os ndices GCR podem ser estimados por meio de tcnicas de simulao Monte Carlo, como a mdia de N valores de uma funo teste H(Yi), considerando cada estado amostrado do sistema Yi (um vetor incluindo estados de gerao e de carga), i.e.:
1 ~ E[ H ] = N
H (Y ) .
N i i =1
(2.8)
Todos os principais ndices GCR podem ser representados por (2.8) dependendo da definio da funo teste H. A incerteza da estimativa dada pela varincia do estimador, representado por,
~ V ( E[ H ]) = V ( H ) N ,
(2.9)
onde V(H) a varincia da funo teste. Esta incerteza geralmente representada como um coeficiente de variao denominado parmetro , muito utilizado como maneira de controlar a convergncia da simulao. O parmetro definido como,
~ ~ = V ( E[ H ]) E[ H ] .
(2.10)
A simulao no-cronolgica pode facilmente fornecer estimativas no tendenciosas para os ndices LOLP e EPNS. Neste caso, as funes testes HLOLP e HEPNS so dadas por [MPL92]:
19
0 H LOLP (Yi ) = 1
se Yi Success se Yi Failure
(2.11)
0 H EPNS (Yi ) = Pi
(2.12)
onde = Success Failure o conjunto de todos os estados possveis Yi (i.e. o espao de estados), dividido em dois subespaos Success de estados de sucesso e Failure de estados de falha; Pi a quantidade de potncia cortada no estado de falha Yi . A simulao no-cronolgica pode tambm fornecer estimativas no tendenciosas para a LOLF. Neste caso, a funo teste HLOLF dada por [MPL92]:
0 H LOLF (Yi ) = i
(2.13)
onde i a soma das taxas de transio (incluindo estados de gerao e carga) entre Yi e todos os estados de sucesso, que podem ser alcanados desde Yi em uma nica transio. obvio que na avaliao de ndices GCR, para cada estado selecionado Yi Failure somente as unidades indisponveis devem ser consideradas na anlise. Outro estimador no tendencioso para o ndice LOLF proposto em [LRMB04]. Finalmente, os outros trs ndices de confiabilidade (i.e. LOLE, EENS e LOLD) podem ser facilmente avaliados.
2.4.2. SMC SEQUENCIAL OU CRONOLGICA

Na subseo anterior pde-se notar que as tcnicas baseadas na representao por espao de estados ignoram os aspectos relativos evoluo cronolgica do sistema. Devido a essa restrio, a aplicao das tcnicas que empregam a representao por espao de estados limita-se a sistemas onde a dependncia dos estados dos componentes com o tempo pequena, podendo ser desprezada sem ocasionar a perda de preciso dos ndices estimados. Em uma representao cronolgica, dois estados consecutivos diferem um do outro apenas pelo estado de um de seus componentes. Desta maneira, o esforo computacional requerido
20
substancialmente maior que aquele apresentado pelas tcnicas baseadas em representao por espao de estados. Isso se torna mais agravante no caso da avaliao da confiabilidade composta de sistemas de potncia, pois neste caso as anlises de adequao dos estados envolvem a resoluo de um problema de fluxo de potncia timo, o que requer um esforo computacional elevado. A representao cronolgica permite, entretanto, uma abordagem com maior flexibilidade, pois possvel reproduzir aspectos temporais tais como diferentes padres cronolgicos de carga por rea ou barra do sistema, a operao dos reservatrios, entre outros aspectos dependentes do tempo. Alm disso, possvel obter as distribuies de probabilidade associadas aos ndices estimados. Essa caracterstica torna a simulao Monte Carlo sequencial a tcnica mais apropriada para lidar com sistemas nos quais a reproduo da cronologia de ocorrncia dos eventos de fundamental importncia para uma correta avaliao dos ndices de confiabilidade. Este o caso dos sistemas com elevada penetrao de energia elica, ou quando se deseja avaliar a reserva operativa.
2.4.3. SMC PSEUDO-CRONOLGICA

A SMC cronolgica a ferramenta natural para simular os aspectos cronolgicos do sistema, porm, o esforo computacional muito elevado. A fim de superar estas dificuldades, uma tcnica de SMC pseudo-cronolgica foi proposta em [LMMB00]. A SMC pseudo-cronolgica retm a flexibilidade e a preciso da simulao cronolgica reduzindo o custo computacional. Nesta metodologia, os estados do sistema so amostrados de maneira semelhante SMC no-cronolgica. Quando um estado de falha encontrado, uma sequncia de interrupo obtida para este estado baseada em simulaes forward/backward conforme apresentado em [LMMB00]. A simulao forward se preocupa em identificar uma possvel sequncia cronolgica de estados de falha, partindo do estado de falha amostrado at encontrar um estado de sucesso. A simulao backward se preocupa em identificar uma possvel sequncia de estados de falha experimentados pelo sistema antes de encontrar o estado de falha amostrado, partindo deste estado at encontrar um estado de sucesso.
21
2.5.
MTODOS BASEADOS EM METAHEURSTICAS
Mais recentemente, mtodos baseados em tcnicas metaheursticas tm sido utilizados na avaliao da confiabilidade da capacidade de gerao [WS08, MCRLS09]. Metaheursticas podem ser definidas como tcnicas iterativas de busca que auxiliam as heursticas combinando diferentes conceitos para explorar (exploring) e aproveitar (exploiting) o espao de solues (search space). Uma tcnica metaheurstica um mtodo informal de soluo de um problema baseado em alguma experincia prvia, ou simplesmente por bom senso, geralmente utilizado quando uma soluo formal do problema no existe, ou sua implementao no vivel. As metaheursticas, em geral, so aplicadas para resolver problemas de otimizao muito complexos, onde uma soluo tima no necessariamente o objetivo, mas sim um conjunto de boas solues. Exemplos de tcnicas metaheursticas que foram aplicadas na avaliao de ndices GCR so: Algoritmos Genticos (GA), Otimizao por Exame de Partculas (PSO), Sistemas Imunolgicos Artificiais (AIS), Otimizao por Colnia de Formigas (ACO) e combinaes e/ou variaes dos mtodos anteriormente citados. Independentemente das particularidades da metaheurstica utilizada, o algoritmo de avaliao de ndices GCR segue sempre, em geral, os mesmos passos. O objetivo principal utilizar uma metaheurstica para selecionar os estados dominantes de falha do sistema, ou seja, aqueles que tm maior contribuio nos ndices GCR. Diferentemente ao que ocorre na SMC, onde os estados so amostrados proporcionalmente a sua probabilidade de ocorrncia, nos mtodos baseados em metaheursticas os estados so selecionados medindo os seus respectivos graus de aptido avaliando-se uma funo denominada funo de fitness. As metaheursticas utilizadas so baseadas em populao. O processo comea com uma populao inicial aleatoriamente gerada, a seguir, o valor da funo de fitness de cada indivduo avaliado baseado em uma funo objetivo predefinida. Aqueles indivduos que tem os melhores valores de fitness so selecionados para gerar uma nova populao, seguindo um conjunto de regras definidas pela metaheurstica escolhida. Este processo continua at que algum critrio de parada seja atingido. Critrios de parada usualmente
22
utilizados so: o nmero mximo de geraes ou iteraes, o tempo mximo de simulao, o conjunto de solues invariante aps certo nmero de geraes, etc. Uma vez que um conjunto de estados de falha sem repetio seja determinado, e este conjunto seja suficiente para ser considerado como representativo, os ndices GCR podem ser calculados analiticamente considerando somente os estados selecionados. Ao contrrio do que ocorre na SMC, somente os estados de falha do sistema so interessantes para o clculo de ndices e os estados de falha so mais provveis de serem amostrados, pois apresentam maior valor de fitness. Estes so mtodos interessantes, porm apresentam algumas deficincias. Como estes mtodos, em geral, so muito dependentes do problema em questo e da metaheurstica escolhida, um esforo considervel pode ser necessrio para especificar corretamente os parmetros inicias dos algoritmos, que sero diferentes para cada problema. O controle da convergncia do processo de otimizao tambm complicado, pois os critrios de convergncia so muito subjetivos e no estritamente definidos matematicamente. A necessidade de encontrar um vetor de resposta onde no existam estados repetidos pode ser um problema, pois um tempo considervel gasto para verificar se um estado j forma parte da soluo ou no. Finalmente, muitas informaes referentes aos estados selecionados precisam ser armazenadas para posteriormente calcular os ndices GCR, o que se traduz em um custo de memria muito elevado, podendo inclusive inviabilizar a aplicao destes mtodos em sistemas reais.
2.6.
COMENTRIOS FINAIS
Cada mtodo de avaliao de ndices GCR descrito neste captulo tem suas respectivas vantagens e desvantagens. Os mtodos analticos so praticamente imbatveis do ponto de vista computacional em sistemas pequenos, onde o nmero de estados possveis no muito elevado, porm apresentam problemas srios quando este nmero aumenta mesmo com a utilizao de algoritmos extremamente eficientes, como o caso da metodologia proposta em [LMC91]. Devido a este problema, a aplicao de mtodos analticos para a avaliao da confiabilidade composta de sistemas reais impraticvel. Outra vantagem dos mtodos analticos que, em geral, a COPT ou mesmo a COPFT do sistema obtida como
23
um subproduto do algoritmo. O desempenho dos mtodos analticos no muito sensvel raridade dos eventos de falha. Tcnicas baseadas em SMC so muito mais flexveis que os mtodos analticos podendo simular restries operativas complexas. Tambm, so muito robustos e tm grande aplicao em sistemas prticos assim como na avaliao da confiabilidade composta. O grande nmero de estados possveis de um sistema no representa um problema significativo. So, em geral, de fcil programao e fornecem estimativas no tendenciosas para os ndices GCR. O principal problema dos mtodos baseados em SMC o tempo de computao necessrio, principalmente em simulaes cronolgicas. Os tempos de simulao para uma mesma preciso pr-especificada crescem exponencialmente com a raridade dos eventos envolvidos, ou seja, neste caso, a raridade do evento torna-se o principal problema. Mtodos baseados em tcnicas metaheursticas so interessantes como uma alternativa para resolver o problema, porm, tm difcil aplicao em sistemas reais devido ao grande custo de memria e tempo necessrio para verificar a no repetio dos estados no vetor de respostas. No entanto, estes mtodos poderiam apresentar resultados interessantes se aplicados em problemas de planejamento da expanso de sistemas eltricos de potncia. Considerando as vantagem e deficincias dos mtodos anteriores, pode se concluir que os principais problemas encontrados so: o nmero de estados possveis do sistema, a raridade dos eventos de falha envolvidos, a definio de um critrio de convergncia adequado, o custo de memria, o tempo de simulao, entre outros. Especificamente no caso dos mtodos baseados em SMC, o principal problema a raridade dos eventos envolvidos. A fim de melhorar o desempenho destes mtodos, diversas tcnicas de reduo de varincia foram propostas, das quais, algumas delas sero tratadas no captulo seguinte. Um novo mtodo de avaliao de ndices GCR ser tambm apresentado que retm os pontos fortes da SMC, mas imune a problemas decorrentes da raridade dos eventos de falha.
24
CAPTULO 3
APLICAO DO MTODO DA ENTROPIA CRUZADA NA CONFIABILIDADE DE GERAO
3.1. INTRODUO
ONFORME foi discutido no captulo anterior, as tcnicas baseadas em SMC so ferramentas extremamente robustas para avaliar a confiabilidade de sistemas de
potncia e podem ser aplicadas para as mais diversas condies operativas. Os mtodos baseados em SMC apresentam como principais vantagens a flexibilidade e a facilidade de trabalhar com sistemas de grande porte, onde o nmero de estados possveis muito elevado. Porm, em sistemas muito confiveis, o esforo computacional necessrio para estimar os ndices com relativa preciso pode ser expressivo. O principal motivo a raridade dos eventos de falha, pois em sistemas muito confiveis estes eventos tm baixssima probabilidade de ocorrncia. A raridade dos eventos envolvidos passa a ser um problema devido prpria metodologia de amostragem na qual se baseiam os mtodos de SMC. A fim de melhorar a eficincia computacional destas ferramentas, diversas tcnicas de reduo de varincia (VRT) esto disponveis e algumas delas sero brevemente comentadas no incio deste captulo. Dentre as principais VRT, maior ateno ser conferida denominada amostragem por importncia (IS), uma tcnica que tem evoludo consideravelmente nos ltimos anos com a utilizao de algoritmos de otimizao para selecionar os elementos do vetor de parmetros de referncia. Este captulo tem como principal objetivo apresentar os conceitos fundamentais do Mtodo da Entropia Cruzada (MEC) para simulao de eventos raros; um mtodo que auxilia a IS na escolha do vetor de parmetros de referncia, e tambm apresentar como este mtodo
25
CAPTULO 3 APLICAO DO MEC NA CONFIABILIDADE DE GERAO
pode ser reformulado matematicamente, partindo da sua formulao genrica, para ser aplicado no problema especfico de avaliar ndices de confiabilidade da capacidade de gerao. Ser apresentado como o MEC pode ser utilizado em conjunto com a j conhecida tcnica de IS e uma SMC no-cronolgica para estimar os principais ndices GCR.
3.2.
TCNICAS DE REDUO DE VARINCIA
Uma tcnica de reduo de varincia um procedimento utilizado em conjunto com uma SMC para aumentar a preciso das estimativas que podem ser obtidas para um nmero definido de amostras. Cada varivel aleatria obtida como resposta de uma simulao (varivel aleatria de sada), tem associada uma respectiva varincia que limita a preciso dos resultados obtidos. Por meio da utilizao de VRT, o desempenho computacional da SMC pode ser consideravelmente melhorado, pois seu principal objetivo fazer com que a simulao se torne estatisticamente eficiente, e assim, os intervalos de confiana das estimativas sejam os mais estreitos possveis. Algumas das VRT mais utilizadas so brevemente comentadas a seguir.
3.2.1. Variveis Antitticas

A idia central por trs das Variveis Antitticas baseia-se na intuio de que valores extremos amostrados podem ser menos impactantes nas estimativas, se outros valores extremos so utilizados para contrabalancear os efeitos provocados por eles [F09]. No caso mais simples, considere um vetor de comprimento N/2 de amostras X que seguem uma distribuio normal, e tambm o vetor X a fim de completar as N amostras. Note que, se as amostras de X seguem uma distribuio normal com mdia e varincia 2, as amostras de X seguiram uma distribuio normal com os mesmos parmetros e 2. Mesmo que X no seja independente de X, possvel obter melhores estimativas para mdia e varincia da distribuio por esta abordagem considerando um N predefinido. Essencialmente, possvel gerar um conjunto de amostras, e complementar este conjunto com outro que segue a mesma distribuio de probabilidade. Por exemplo, uma amostra X de x que segue U(0,1), pode ser complementada por (1X), que tambm segue U(0,1). Algumas aplicaes desta VRT em sistemas de potncia podem ser encontradas em [BJ96, BJ97].
26
3.2.2. Variveis de Controle

A tcnica conhecida como Variveis de Controle procura utilizar a correlao entre duas variveis aleatrias para se obter uma reduo na varincia [BJ97]. Se y uma varivel aleatria que tem uma correlao positiva ou negativa com x e tem um valor esperado conhecido v = E[y], ento a varivel aleatria xc = x a(y v) um estimador no tendencioso de para qualquer nmero real a, onde a conhecido como coeficiente de controle e o valor desconhecido da mdia da varivel aleatria x. O caso especial onde a = 1 tem sido utilizado em muitas aplicaes desta tcnica na avaliao da confiabilidade de sistemas de potncia. A utilizao de +1 ou -1 para a varivel a implica que o sucesso desta tcnica dependa de y, que a varivel de controle. A utilizao de outros valores para o coeficiente a pode fazer a varincia reduzir mais rapidamente. Os limites para o coeficiente de controle e seu valor timo dependem da correlao entre a sada x e a entrada y. Um mtodo para estimar o coeficiente de controle timo pode ser encontrado em [BJ97]. Uma formulao matemtica formal do mtodo pode ser encontrada em [F09]. Exemplos de aplicaes desta tcnica em sistemas de potncia podem ser encontrados em [PAK08, BJ96, BJ97].
3.2.3. Nmeros Aleatrios em Comum

A tcnica de Nmeros Aleatrios em Comum, tambm conhecida como amostragem correlacionada, uma VRT utilizada muito conhecida e til quando duas ou mais configuraes diferentes para um mesmo sistema esto sendo comparadas como, por exemplo, na teoria das filas. Esta VRT requer uma sincronizao dos vetores de nmeros aleatrios para garantir que os mesmos nmeros aleatrios sejam utilizados para simular todas as configuraes. Alm disso, tambm necessrio que cada nmero aleatrio seja utilizado sempre para o mesmo objetivo especfico independentemente da configurao simulada. Este mtodo muito simples e produz redues na varincia, porm, estes ganhos na maioria dos casos no so significativos. Outras tcnicas de reduo de varincia citadas
27
nesta dissertao provaram ser muito mais poderosas. Um exemplo de aplicao desta VRT pode ser encontrado em [C90].
3.2.4. Amostragem Estratificada

Estratificao o processo de agrupar membros de uma populao em subgrupos relativamente homogneos, ou seja, que apresentem aproximadamente as mesmas caractersticas. Os estratos devem ser mutuamente exclusivos e coletivamente exaustivos, i.e. cada amostra deve pertencer unicamente a um estrato e os estratos em conjunto devem representar toda a populao. A seguir uma amostragem aleatria ou sistemtica aplicada em cada estrato. Esta VRT, em geral, melhora a representatividade da amostra e pode produzir uma mdia ponderada que tenha menor varincia que a mdia aritmtica de uma amostragem aleatria da populao. As principais vantagens deste mtodo so a possibilidade de concentrar os esforos nos estratos importantes e a possibilidade de utilizar diferentes tcnicas de amostragem para cada estrato, porm, o mtodo requer um bom conhecimento do comportamento do sistema, no til se todo o sistema relativamente homogneo e a definio dos estratos muitas vezes complicada. Uma aplicao desta tcnica em sistemas de potncia pode ser encontrada em [PAK08].
3.2.5. Amostragem por Importncia

A tcnica de amostragem por importncia uma VRT que pode ser utilizada em conjunto com a SMC. A idia central por trs desta tcnica que certos valores da varivel aleatria de entrada tm maior impacto, em comparao a outros, no parmetro que se deseja estimar via SMC. Se estes valores ditos importantes so enfatizados amostrando-os com maior frequncia, ento a varincia do estimador ser reduzida. Portanto, a metodologia bsica da IS escolher uma distribuio que estimule o aparecimento destes valores significativos. A aplicao direta desta nova distribuio na SMC resultaria em um estimador tendencioso, porm os resultados da simulao so ponderados para compensar este efeito e desta maneira garantir que o estimador final, denominado estimador de IS, seja no28
tendencioso. A ponderao definida pela utilizao da razo de verossimilhana, que ser apresentada mais adiante. O problema fundamental encontrado durante a implementao da IS, conforme ser visto na seo seguinte, a escolha correta desta nova distribuio de amostragem. Escolher, estimar, ou determinar esta nova distribuio considerada como a arte da IS. Uma escolha correta trar como recompensa uma enorme economia em esforo computacional, porm, uma escolha equivocada ser penalizada com tempos de simulao maiores aos que seriam necessrios se uma SMC convencional fosse diretamente utilizada. Vrias maneiras de resolver este problema foram propostas em [LNR99, ZX02, PAK08, QZW08]. Dos mtodos apresentados nestas referncias, a maioria deles recai em resolver algum tipo de problema de otimizao, tal que a varincia do estimador de IS seja minimizada. Outra maneira de estimar a nova distribuio de amostragem foi proposta por Homem-deMello e Rubinstein em 2002 [HR02]. Neste trabalho, um procedimento rpido de dois estgios bem definidos foi utilizado para estimar probabilidades de eventos raros. Este procedimento era baseado em IS e a divergncia de Kullback-Leibler. Os conceitos apresentados neste trabalho, mais algumas outras contribuies, foram posteriormente organizados por Rubinstein dando origem ao denominado Mtodo da Entropia Cruzada. A formulao matemtica formal deste poderoso mtodo ser sintetizada na seguinte seo.
3.3.
O MTODO DA ENTROPIA CRUZADA
O Mtodo da Entropia Cruzada, atribudo a Reuven Y. Rubinstein, uma abordagem genrica da simulao Monte Carlo para problemas de otimizao combinatria e amostragem por importncia. O mtodo teve suas origens na rea de simulao de eventos raros, onde probabilidades muito pequenas precisam ser estimadas com preciso, por exemplo, na anlise da confiabilidade de redes, na teoria das filas, ou na anlise de desempenho de sistemas de telecomunicao. Conforme exposto na seo anterior, a tcnica de amostragem por importncia baseada na idia de fazer com que a ocorrncia de eventos significativos seja mais frequente, ou em outras palavras, acelerar o processo de convergncia da simulao. Estes eventos
29
significativos so aqueles que tm maior contribuio nos parmetros sendo estimados pela SMC. Tecnicamente, a IS procura selecionar uma distribuio de probabilidade diferente da original tal que a varincia do seu estimador seja minimizada. A eficincia desta tcnica depende da obteno desta nova distribuio ou, pelo menos, uma prxima a ela. O principal problema que esta nova distribuio inicialmente desconhecida e geralmente difcil de ser encontrada. Em geral, til escolher a distribuio de IS dentro da mesma famlia de funes densidade de probabilidade (pdf) da distribuio original. Neste caso, ambas as funes tm a mesma distribuio de probabilidade e pertencem mesma famlia de pdf, sendo o conjunto de parmetros que as descrevem a nica diferena entre elas. Assim, o problema se resume em encontrar o melhor conjunto de parmetros para esta nova pdf, denominado vetor de parmetros de referncia timo. O Mtodo da Entropia Cruzada fornece um processo iterativo para estimar os parmetros de referncia timos, sendo esta sua principal vantagem. Isto possvel minimizando a distncia entre a pdf tima de amostragem e a pdf de IS [BKMR05]. A seguir, os fundamentos bsicos do MEC aplicado na simulao de eventos raros sero apresentados.
3.3.1. Formulao Matemtica Bsica

Seja X = [ x1 , x 2 ,..., x n ] um vetor aleatrio que assume valores em certo espao { f ( ; ) } uma famlia de funes de densidade de probabilidade no espao
. Seja
, onde
um vetor real de parmetros. Para qualquer funo mensurvel H temos,
E [ H ( X)] = H ( x) f ( x ; )dx .
Seja S (X) uma funo real no espao
(3.1)
denominada funo desempenho e
um
nmero real. Considere que o objetivo seja estimar a probabilidade sob f ( ; u) . Esta probabilidade pode ser expressa como,
tal que S ( X) ,
l = P {S (X) } = E [ I
u u
{ S ( X ) }
].
(3.2)
30
Neste caso, H ( X) = I{expresso lgica} uma funo teste, cujo valor igual a um se {expresso lgica} tem valor booleano verdadeiro e zero caso contrrio. Se esta probabilidade
for
muito pequena, por exemplo, menor que 10-5 , o evento {S ( X) } pode ser considerado como um evento raro.
Uma maneira de estimar diretamente o valor de
utilizar a simulao Monte Carlo
convencional, i.e. retirar uma amostra aleatria X1 , X 2 ,..., X N considerando f ( ; u) e, a seguir, utilizar o estimador no tendencioso (3.3) de
l,
. (3.3)
i =1
Entretanto, isto implica problemas srios quando {S ( X) } um evento raro. Se este for o caso, um grande esforo computacional ser necessrio a fim de se estimar estreito. Isto devido ao grande nmero de amostras necessrias. Uma alternativa para contornar este problema a tcnica da amostragem por importncia, i.e. retirar uma amostra aleatria X1 , X 2 ,..., X N de uma funo densidade de probabilidade
g , diferente de f, em verossimilhana (3.4),
relativa preciso, i.e. com um erro relativo pequeno ou com um intervalo de confiana
e avaliando
utilizando o estimador da razo de
i =1
conhecido que a melhor maneira de estimar uma densidade dada por,
g opt ( x) =
I{ S ( x )
= 1 I l N
N
{ S ( X i ) }
f ( X i ; u) . g (X i )
utilizar uma mudana de medida com
f ( x ; u)
= 1 I l N
N
{ S ( X i ) }
com
(3.4)
(3.5)
31
De fato, se utilizando esta mudana de medida em (3.4),
g opt ( Xi )
para todo i . Em outras palavras, o estimador (3.4) teria varincia zero, ento seria necessrio gerar N = 1 amostra. A dificuldade evidente que esta nova funo densidade de probabilidade g opt depende do valor desconhecido de se deseja estimar. Obter esta mudana de medida tima, ou pelo menos uma quase tima, partindo da pdf de amostragem original f , at encontrar a nova pdf g opt , o principal desafio. A eficincia da amostragem por importncia dependente da escolha correta desta nova pdf. Uma escolha inadequada de g poderia ter o efeito contrrio e causar com que a varincia do estimador (3.4) sob g seja maior do que seria sob a pdf original f [QZW07]. A idia agora escolher g dentro de { f ( ; u) }, i.e. g pertence mesma famlia de funes densidade de probabilidade de f . Em outras palavras, preciso encontrar um novo vetor de parmetros de referncia tal que a distncia entre as funes de densidade de probabilidade g opt e f ( ; ) seja mnima.
Na teoria de probabilidades e na teoria da informao, a divergncia de Kullback-Leibler (tambm conhecida como divergncia da informao, ganho de informao ou entropia relativa) uma medida no comutativa do afastamento ou da divergncia entre duas funes densidade f1 e f2. A divergncia de Kullback-Leibler definida como,
f1 ( X) ] = f1 ( x) ln f1 ( x)dx - f1 ( x) ln f 2 ( x)dx , f 2 ( X)
D KL ( f1 || f 2 ) = E f1 [ln
onde o primeiro termo denominado de entropia de f1 e o segundo termo denominado de entropia cruzada de f1 e f 2 . Uma definio semelhante pode ser obtida no caso de variveis aleatrias discretas, trocando as funes densidade por funes de massa (pmf) e as integrais por somatrios [HR02]. Mesmo sendo usualmente entendida como uma
32
I{ S ( Xi )
f ( X i ; u)
=l,
(3.6)
l , que justamente o valor que
(3.7)
mtrica de distncia, a divergncia de Kullback-Leibler no uma verdadeira medida de distncia, pois ela no simtrica (por isso utiliza-se o termo divergncia em vez de distncia). Minimizar a divergncia de Kullback-Leibler entre g opt e f ( ; ) em (3.5) equivalente a escolher tal que a entropia cruzada de g opt e f ( ; ) seja mnima [BKMR05]. Isto equivalente a encontrar o mximo da entropia cruzada com sinal invertido, resultando no problema de maximizao (3.8),
max g opt ( x) ln f ( x ; )dx .
(3.8)
Substituindo g opt (x) de (3.5) em (3.8), o seguinte problema de otimizaao obtido, I{ S ( x ) max
f ( x ; u)
ln f ( x ; )dx ,
(3.9)
que equivalente ao problema,
onde D() est implicitamente definido em (3.10). Utilizando amostragem por importncia novamente, com uma mudana de medida f ( ; ) , possvel escrever (3.10) como, max D() = max E [ I{S ( X )

W ( X ; u , ) ln f ( X ; )] ,
para qualquer vetor de parmetros , onde, f ( x ; u) f ( x ; )
W ( x ; u , ) =
max D() = max E u[ I{S ( X )
ln f ( X ; )] ,
(3.10)
(3.11)
(3.12)
33
a razo de verossimilhana em x , entre f ( ; u) e f ( ; ) . A soluo tima de (3.11) pode ser escrita como,
* = argmax E [ I{ S ( X )
W ( X ; u, ) ln f ( X ; )] .
(3.13)
possvel estimar * solucionando o seguinte problema de otimizao estocstico, tambm conhecido como correspondente estocstico de (3.11),
i =1
onde X1 , X 2 ,..., X N uma amostra aleatria considerando f ( ; ) . Em aplicaes tpicas a funo D() em (3.14) convexa e diferencivel em relao a e, portanto, a soluo pode ser diretamente obtida resolvendo (em relao a ) o seguinte sistema de equaes, 1 N I N i =1 { S ( X i ) onde o gradiente em relao a . A principal vantagem do MEC que a soluo de (3.15) pode ser frequentemente calculada analiticamente. Em particular, isto acontece se as distribuies das variveis aleatrias envolvidas pertencem famlia natural de exponenciais (NEF) ou no caso de distribuies com domnio finito. Demonstraes matemticas formais podem ser encontradas em [HR02]. Minimizar a varincia do estimador (3.4) equivalente a minimizar o valor esperado da razo de verossimilhana condicionado ocorrncia do evento raro [QZW08]. Note que minimizar a entropia cruzada equivalente a minimizar o valor esperado do logaritmo natural da razo de verossimilhana, condicionado ocorrncia do evento raro. Isto em certa maneira prximo mas no idntico a minimizar a varincia do estimador. Ou seja, em termos da varincia do estimador, o MEC no busca a soluo tima. Porm, buscar
34
W ( Xi ; u, ) ln f ( Xi ; ) = 0 ,
1 * = max D() = max N
I
N
{ S ( Xi ) }
W ( Xi ; u, ) ln f ( Xi ; ) ,
(3.14)
(3.15)
minimizar a varincia do estimador leva a tentar resolver um problema de otimizao estocstico complicado e que, na maioria dos casos, no tem convexidade podendo levar a timos locais. Contrariamente, o MEC recai em problemas que na maioria dos casos so convexos facilitando o encontro da soluo, e em muitas aplicaes a soluo pode ser encontrada analiticamente [HR02]. 3.3.2. Abordagem de Nveis Mltiplos para Eventos Raros importante notar que a soluo via (3.14) til somente quando P u {S ( X) } no representa um valor muito pequeno, i.e. eventos raros (quando, por exemplo,
l 10
-5
-5
. Entretanto, para probabilidades de
l < 10
), a abordagem descrita por (3.14) difcil de

}
i =1,2,,N, sero iguais a zero, para um N moderado [BKMR05]. Um algoritmo de nveis mltiplos pode ser utilizado para superar esta dificuldade. A idia construir uma sequncia de parmetros de referncia {k , k 0} e uma sequncia de nveis { k , k 1} , e iterativamente achar os valores de k e
. Para isto, inicializada
uma varivel denominada parmetro de nveis mltiplos com um valor, por exemplo, de
= 10-2 sendo definido 0 = u . A seguir, se faz
< tal que, sob a funo de densidade

1
. O vetor 1 ser igual ao vetor de parmetros de referncia timo para estimar
estes dois ltimos passos so repetidos iterativamente com o objetivo de se estimar o par {l, *} . Em outras palavras, cada iterao do algoritmo consiste em duas fases principais. Na primeira fase, com 0
atualizado, e na segunda = u , encontrado como segue.

k k
k atualizado. Especificamente, comeando
Para um dado k -1 , seja
igual ao (1 - ) quantil de S (X) sob k -1 . Ou seja,
de probabilidade original f ( ; u) , a probabilidade de
= E u [ I{ S ( Xi )
1 }
] seja pelo menos
satisfaz,
ser efetuada. De fato, devido raridade dos eventos, a maior parte dos valores de I{ S ( X i )
,e
35
P k -1 {S ( X) k } , P k -1 {S ( X) k } (1 - ) ,
(3.16a)
(3.16b)
onde X ~ f ( ; k -1 ) . Uma estimativa simples
de
pode ser obtida retirando-se uma
amostra X1 , X 2 ,..., X N aleatoriamente de f ( ; k -1 ) , calculando-se os desempenhos S ( Xi ) para todo i, ordenando estes valores do menor ao maior, tal que S[1] S[2] ... S[N] e finalmente avaliando o (1 - ) quantil amostral como,
= S[(1- ) N ] .
(3.17)
Portanto, na primeira iterao e comeando com 0 = u , para se obter uma boa estimativa
de 1 , a raridade do evento objetivo artificialmente diminuda (temporariamente)

utilizando-se um nvel
que escolhido menor que
. O valor de
1 obtido desta
maneira far o evento {S ( X) } ser menos raro na prxima iterao, de tal maneira que na prxima iterao, um valor
mais prximo de
poder ser utilizado. O algoritmo
termina quando, para alguma iterao k, um nvel consequentemente, o valor original de poucas amostras de elite.
atingido que seja pelo menos
e,
pode ser utilizado sem a preocupao de se obter
3.3.3. Algoritmo do MEC para Simulao de Eventos Raros
At aqui, um algoritmo bem genrico do mtodo da entropia cruzada para simulao de eventos raros pode ser resumido como segue. Definir 0 := u . Fazer k := 1 (contador de iteraes). Gerar uma amostra aleatria X1 , X 2 ,..., X N de acordo com a pdf f ( ; k -1 ) .
Passo 1.
Passo 2.
Calcular os desempenhos S ( Xi ) para todo i, e ordenar os valores do menor ao maior tal
36
que, S[1] S[2] ... S[N] . Fazer seja,
igual ao (1 - ) quantil amostral de desempenhos, ou
:= S[(1- ) N ] , caso este valor seja menor que
. Caso contrrio,
:= .
Passo 3.
Utilizar a mesma amostra para calcular o vetor de parmetros da iterao k.
Para cada j, com j=1,2,,J, utilizar a expresso (3.18), onde J o nmero de variveis aleatrias envolvidas.
k , j =
i =1 N
i =1
Passo 4.
Se
= , ento ir para o Passo 5; caso contrrio, fazer k := k + 1 e voltar
para o Passo 2. Seja T a ltima iterao. Gerar uma amostra X1 , X 2 ,..., X N1 de acordo com
Passo 5.
f ( ; T ) e estimar
l utilizando o estimador de amostragem por importncia, = 1 I l N

N1
1 i =1
{ S ( X i ) }
Note que nos Passos 2-4 o vetor de parmetros de referncia timo a ser utilizado na amostragem por importncia estimado. No passo final, este vetor de parmetros de referncia utilizado para estimar a probabilidade do evento objetivo. preciso fornecer o valor de (usualmente entre 0,01 e 0,1) e os parmetros N e N1 a priori. Tambm, possvel demonstrar que se as funes de densidade de probabilidade das variveis aleatrias envolvidas pertencem famlia natural de exponenciais, a soluo do sistema de equaes apresentado em (3.15) sempre se torna semelhante a (3.18) [BKMR05, RK04].
{S ( X i )
I
N
{S ( X i ) k }
W ( X i ; u, k -1 )X ij (3.18)
k } W ( X i ; u, k -1 )
W ( X i ; u, T ) .
(3.19)
37
3.3.4. Parmetro de Suavizao
Em problemas envolvendo variveis aleatrias discretas frequentemente vantajoso a utilizao de um parmetro de suavizao , que tem por objetivo acrescentar um efeito inercial no processo de atualizao dado por (3.18). O desempenho em certos casos melhor, principalmente quando se deseja estimar a probabilidade de eventos extremamente raros. Utilizando-se o parmetro se evita o aparecimento de zeros e uns no vetor de parmetros de referncia, o que pode trazer complicaes, pois sempre que isso acontece o sistema, ou o problema em questo, essencialmente modificado. Este processo de atualizao com efeito inercial pode ser escrito como, k , j = k , j + k -1, j (1 - ) ,
(3.20)
onde k , j o valor resultante da expresso (3.18) na iterao k, k -1, j o valor resultante da expresso (3.20) na iterao k-1 e o denominado parmetro de suavizao que usualmente assume valores reais entre 0,5 e 0,95. Claramente, para = 1 , se tem a regra de atualizao (3.18) original.
3.4.
APLICAO DO MEC NA AVALIAO DE NDICES DE CONFIABILIDADE
Nesta seo ser apresentada uma nova metodologia para avaliar os ndices de confiabilidade da capacidade de gerao utilizando o MEC. Os principais conceitos do MEC aplicado na simulao de eventos raros foram apresentados na seo 3.3. A idia da metodologia proposta utilizar o algoritmo apresentado na seo anterior e adapt-lo para o problema especfico de estimar os ndices de confiabilidade em um sistema de gerao de barra nica. As estaes geradoras seguem distribuies binomiais e so compostas por diversas unidades independentes com caractersticas idnticas. O modelo da carga pode ser representado por um nvel constante ao longo do perodo de anlise ou por nveis discretos diferentes que variam a cada T, por exemplo, de uma hora. Dependendo do grau de confiabilidade do sistema, uma tentativa de se estimar os ndices diretamente por SMC no-cronolgica pode ser invivel. Em sistemas muito confiveis
38
seria necessrio um nmero muito elevado de amostras para se estimar os eventos raros envolvidos, o que se traduz em um grande esforo computacional. Utilizando amostragem por importncia, possvel selecionar uma funo densidade de probabilidade diferente da original, e amostrar os estados do sistema considerando esta nova distribuio. A idia encontrar uma nova pdf tal que os estados de falha sejam encontrados com maior frequncia e, desta maneira, acelerar o processo de convergncia dos principais ndices de confiabilidade. O mtodo proposto apresenta duas etapas bem diferenciadas. Em um primeiro momento, o algoritmo do MEC para simulao de eventos raros ser utilizado para se estimar um vetor de parmetros de referncia timo ou, pelo menos, quase timo. Nesta etapa, as disponibilidades das mquinas individuais sero distorcidas de tal maneira a aumentar a frequncia com que os estados de falha so encontrados. Uma vez determinada esta distoro tima para o sistema, i.e. uma regra de amostragem tima, os ndices LOLP, LOLE, EPNS, EENS, LOLF e LOLD so estimados utilizando-se a j conhecida tcnica da amostragem por importncia. A convergncia dos ndices ser controlada pelo valor do parmetro especificado. O mtodo proposto denominado CE-ISMC (Cross-Entropy-Importance Sampling Monte Carlo), ser aplicado em diversos sistemas testes padres, e seu desempenho ser discutido e comparado com outros mtodos tradicionalmente utilizados na avaliao da confiabilidade de gerao. Os principais resultados destas comparaes, dos testes de sensibilidade e das diversas simulaes sero apresentados no captulo seguinte.
3.4.1. Reformulao do Problema
Considere um sistema de gerao composto por NC estaes geradoras conforme ilustrado na Fig. 3.1. Tambm, considere que a j-sima estao (GSj) est composta por n j unidades idnticas e independentes, cada uma com capacidade C j . O comportamento de cada unidade individual segue uma distribuio de Bernoulli com indisponibilidades u j .
Sob estas consideraes, cada estao geradora uma varivel aleatria binomial com uma funo massa de probabilidade f ( ; n j , u j ) . Note que, na definio da funo massa,
39
indisponibilidades so utilizadas em vez de disponibilidades. Considere tambm que a carga do sistema igual a L com um nvel constante ao longo do perodo de anlise.
Fig. 3.1: Sistema de Gerao - Barra nica
O problema analtico de avaliar o ndice LOLP pode ser descrito por,
LOLP = Eu [ H LOLP ( X)] =
Xk
LOLP
( X k ) f ( X k ; n, u ) ,
(3.21)
onde:
X k um possvel resultado do vetor aleatrio X = [ x1 , x2 , ... , x j , ... , xNC ] que pertence ao
espao de estados
, cujo elemento genrico x j representa o nmero de unidades
disponveis na estao geradora GSj , com x j Z e 0 x j n j ; LOLP (Loss of Load Probability) o somatrio das probabilidades de todos os estados de onde a capacidade de gerao insuficiente para atender L; H LOLP ( X k ) = I{ S ( X k ) < L} , conhecida como funo teste para o ndice LOLP. H LOLP ( X k ) = 1 , se { S ( X k ) < L } verdadeiro e H LOLP ( X k ) = 0 , caso contrrio. Esta funo teste similar definida em (2.11), mas foi adaptada conforme a notao utilizada em [RK04] e [RK07]; f ( X k ; n, u) a probabilidade ou proporo do tempo que o sistema reside em X k considerando a funo massa de probabilidade associada a X, f ( ; n, u) ;
40
u = [u1 , u2 , ... , u j , ... , u NC ] ,
um
vetor
que
contm
os
parmetros
originais
(indisponibilidades) do sistema com u j R e 0 < u j < 1 ;

n = [n1 , n2 , ... , n j , ... , nNC ] um vetor constante com o nmero de unidades existentes em
cada estao geradora GSj , com n j Z e n j > 0 .
A expresso S ( X k ) representa uma funo desempenho no espao de estados
. Neste
caso S ( X k ) basicamente o somatrio de todas as capacidades de gerao disponveis associadas com o estado X k dado por,
S ( X k ) = X k C T = [ x1 , x 2 , ... , x j , ... , x N C ][C1 , C 2 , ... , C j , ... , C N C ]T .
(3.22)
Como todas as variveis aleatrias envolvidas seguem uma distribuio binomial, o valor da funo massa de probabilidade definida em X k sob f ( ; n, u) da forma,
f ( X k ; n , u) =
NC j =1
n j! x j !(n j - x j )!
(1 - u j ) x j (u j ) n j - x j .
(3.23)
Considere que o objetivo seja estimar o valor do ndice LOLP por simulao, tal que, LOLP = P u {S ( X) < L} = E u [ I{ S ( X ) < L} ] , (3.24)
i.e. a probabilidade da capacidade de gerao disponvel ser insuficiente para atender L. A fim de estimar o ndice LOLP em (3.24), uma simulao Monte Carlo no-cronolgica pode ser utilizada, i.e. retirar uma amostra X1 , X 2 ,..., X N onde X ~ f ( ; n, u) , e em seguida utilizar o estimador no tendencioso para o ndice LOLP,
^ 1 LOLP = N
I
N i =1
{ S ( X i ) < L}
(3.25)
41
No entanto, se o nvel de carga L e/ou as indisponibilidades u j so pequenas, o ndice LOLP ter um valor muito baixo, pois o evento {S ( X) < L} ser extremamente raro. Em consequncia, o estimador (3.25) requer um grande esforo computacional, i.e. N precisa ser muito grande para poder estimar o ndice LOLP com um baixo nvel de incerteza . A fim de acelerar o processo de convergncia, tcnicas de IS devem ser utilizadas, e outro estimador no tendencioso para o ndice LOLP dado por,
^ 1 LOLP = N
I
N i =1
{ S ( X i ) < L}
W ( X i ; n, u, v ) ,
(3.26)
onde W ( X i ; n, u, v ) a denominada razo de verossimilhana, e representa uma correo que deve ser realizada no processo de amostragem devido utilizao da funo massa de probabilidade (pmf) f ( ; n, v ) , que diferente da pmf f ( ; n, u) original. No caso das variveis aleatrias binomiais, o valor da razo de verossimilhana definido para um estado X k e dado por,
W ( X k ; n , , ) =
f ( X k ; n, ) = f ( X k ; n, )
x !( n
j =1 j
x !(n
J j =1 J j
n j!
j
- x j )! n j!
j
p j j (1 - p j )
xj
n j -x j
. p ' j (1 - p ' j )
n j -x j
(3.27)
- x j )!
No caso especfico do problema apresentado nesta seo, a expresso (3.27) finalmente resulta em,
W ( X i ; n , u, v ) =
f ( X i ; n, u ) = f ( X i ; n, v )
(1 - u )
NC j
xj
(u j ) n j - x j
.
(3.28)
(1 - v )
j j =1
j =1 NC
xj
(v j )
nj -x j
Uma distoro das probabilidades do espao de estados
determinada pelo vetor de
parmetros v = [v1 , v2 , ... , v j , ... , vN C ] . O problema agora consiste em escolher o melhor
42
conjunto de parmetros de referncia v tal que o esforo computacional da simulao seja reduzido o mximo possvel.
3.4.2. Algoritmo da Abordagem Baseada no MEC
Utilizando os conceitos do MEC apresentados na seo anterior, a idia estimar o vetor de parmetros de referncia timo v opt tal que a divergncia de Kullback-Leibler seja mnima entre f ( ; n, v opt ) e f ( ; n, v ) . Isto atingido pelo subsequente algoritmo de dez passos, onde o Passo 1 o processo de inicializao, Passos 2-6, representam a abordagem de otimizao do MEC, e os Passos 7-10 so a SMC no-cronolgica otimizada com IS. Alm disso, todo o desenvolvimento ser baseado no ndice LOLP e os outros ndices GCR sero discutidos na subseo seguinte. As caractersticas das estaes geradoras, o nvel de carga L e todos os
Passo 1.
parmetros iniciais so especificados. Devem ser especificadas as capacidades das unidades ( C j ), taxas de falha e reparo ( j e j ), nmero de unidades por estao geradora ( n j ) e o nvel de carga (L). As disponibilidades e indisponibilidades so calculadas para o regime permanente a partir das taxas de falha e reparo em (3.29a) e (3.29b), respectivamente.
1- uj =
j j + j
(3.29a)
uj =
j j + j
(3.29b)
O parmetro de suavizao , em geral, igual a um. Valores diferentes de um (tipicamente entre 0,80 e 0,99) so utilizados somente nos casos onde a distoro tima do espao de estados crtica. Uma distoro exagerada pode levar apario de zeros ou uns no vetor de parmetros v , modificando desta maneira o problema original. O parmetro de nveis mltiplos (com valores tpicos entre 0,01 e 0,1) e o nmero de amostras N (por exemplo, 20000 amostras) devem ser especificados para os Passos 2-6 do algoritmo. O
43
coeficiente de variao LOLP (e.g. entre 1% e 5%) deve ser especificado para os Passos 710. Para estes mesmos passos possvel definir um nmero mximo de iteraes NMAX. Definir v 0 := u , ou seja, v 0 ser igual ao vetor de indisponibilidades originais
Passo 2.
do sistema de gerao; logo fazer k := 1 (contador de iteraes do processo de otimizao do MEC). Gerar N amostras aleatrias X1 , X 2 ,..., X N de estados de gerao, de acordo
Passo 3.
com a funo massa de probabilidade f ( ; n, v k -1 ) . Avaliar a funo desempenho S ( Xi ) para todo Xi de acordo com (3.22) e ordenar os resultados em ordem decrescente tal que
S=[ S[1] , S[ 2 ] , ... , S[ N ] ] e S[1] S[ 2 ] ... S[ N ] .
Passo 4.
O prximo passo encontrar o valor de Lk , ou seja, o nvel de carga que ser
considerado na iterao k. O valor de Lk ser uma aproximao do ( ) quantil amostral tal

que Lk := S[(1- ) N ] . Em outras palavras, calcular o valor de (1 - ) N, e utilizar esse valor
como um ponteiro r. Lk ser igual ao valor da r-sima posio do vetor S caso S[(1- ) N ] > L . Se S[(1- ) N ] L , fazer Lk := L . Avaliar a funo teste H ( Xi ) = I{ S ( X
i
) < Lk }
para
todo Xi . Avalie tambm a razo de verossimilhana W ( Xi ; n, u, v k -1 ) para todo Xi de acordo com (3.28). O vetor de parmetros de referncia v k ser agora encontrado resolvendo o
Passo 5.
problema de otimizao estocstico (3.30),
v k = max
vk
1 N
I
N i =1
{ S ( Xi )< Lk }
W ( X i ; n, u, v k -1 ) ln f ( X i ; n, v k ) .
(3.30)
Considerando que a distribuio binomial pertence famlia natural de exponenciais, a soluo de (3.30) pode ser encontrada analiticamente resolvendo o sistema de equaes (3.31),
44
1 N I W ( X i ; n, u, v k -1 ) ln f ( X i ; n, v k ) = 0 . N i =1 { S ( X i ) < L k } No caso da distribuio binomial, a soluo de (3.31) finalmente resulta em, N I{ S ( X i ) < Lk }W ( Xi ; n, u, v k -1 )X ij 1 i =1 , = nj N I{S ( X i ) < Lk } W( Xi ; n, u, v k -1 ) i =1
(3.31)
vk , j
(3.32)
com j = 1,2, ... , N C . Caso 1, corrigir vk , j de maneira semelhante a (3.20). Note que no processo de estimao do vetor v k , definido em (3.32), somente amostras de elite so significativas, i.e. Xi tal que I{ S ( X ) < L } = 1 .
i k
Passo 6.
Caso Lk = L , ento o fim do processo de otimizao baseado no MEC (em
k = K ) e continuar no Passo 7; caso contrario incrementar o contador de iteraes k := k + 1 e recomear o processo iterativo desde o Passo 3. O vetor de referncia timo v opt foi estimado utilizando o MEC nos Passos 1-6.
Passo 7.
Seja K a ltima iterao da primeira etapa do algoritmo. Considere que v opt seja
aproximadamente igual a v K . Agora, uma SMC no-cronolgica e a VRT de IS sero

utilizadas para estimar o ndice de confiabilidade LOLP. Fazer o novo contador de iteraes N1 := 0 .
Passo 8.
Gerar uma amostra X N1 de acordo com a pmf f ( ; n, v K ) , fazer N1 := N1 + 1 .

Avaliar H LOLP ( X N1 ) = I{S ( X N , W ( X N1 ; n, u, v K ) e tambm o estimador no
Passo 9.
) < L}
tendencioso para o ndice LOLP na iterao i como segue:

N ^ 1 1 LOLP = W ( X i ; n, u, v K ) . I N 1 i =1 {S ( Xi ) < L}
(3.33)
45
Passo 10. Calcule o coeficiente de variao N1 . Se N1 LOLP ou N1 NMAX, pare o algoritmo, caso contrrio, volte ao Passo 8. A fim de tornar o processo da SMC mais eficiente, a convergncia pode ser verificada em blocos de, por exemplo, 1000 amostras.
3.4.3. Distoro do Espao de Estados e ndices de Confiabilidade

At aqui, o mtodo de avaliao da confiabilidade da capacidade de gerao via o MEC tem mencionado somente o ndice LOLP. Alm disso, a carga foi fixada somente em um nvel. Note que a distoro do espao de estados estimada para o pico de carga L. A distoro poderia ser baseada em um nvel L diferente de L, porm, no caso da carga ser constante no perodo de anlise, o melhor desempenho em termos de tempo de simulao sempre obtido ajustando o algoritmo para L. Suponha que a distoro do espao de estados ajustada para um nvel de carga L. Basicamente aumentado L, partindo do nvel timo L, a distoro do espao de estados
ser cada vez menor, pois v K vai se aproximando cada vez mais de u . De fato, no limite
onde L igual capacidade instalada do sistema mais um acrscimo infinitesimal (neste caso todas as amostras sero elite), quando N
, temos v K u e W( Xi ; n, u, v K ) 1
para todo Xi , o que implica trabalhar com a simulao Monte Carlo no-cronolgica convencional. Alm disso, diferentes estados de falha no contribuem na mesma proporo para os ndices de confiabilidade. Diminuindo L, partindo do nvel timo L, far com que estados
Xi
extremamente raros sejam amostrados, porm, uma vez compensados com
W ( X i ; n, u, v K ) ser verificado que estes estados em quase nada contribuem para os ndices de confiabilidade, pois W ( X i ; n, u, v K ) ser prximo de zero. Em concluso, em um sistema de gerao com carga constante L, o melhor desempenho sempre obtido fazendo L=L, ou seja, ajustando a distoro do espao de estados para o pico de carga. A Fig. 3.2 apresenta os tempos de simulao necessrios para avaliar o ndice LOLP quando L assume valores acima e abaixo da carga pico L. Estes tempos foram obtidos simulando o sistema de gerao apresentado em [IEEE79], composto por 32 unidades
46
geradoras, com uma capacidade instalada de 3405MW e uma carga constante em 1995MW. Para as simulaes, um LOLP=1% foi especificado. O valor da LOLP nestas condies aproximadamente 8,8610-5. Note que o melhor desempenho obtido quando L=L=1995MW. O tempo necessrio nestas condies foi aproximadamente 2,6 segundos, dos quais 0,7 segundos foram necessrios para estimar o vetor de parmetros de referncia timo. A SMC convencional atingiu o mesmo critrio de convergncia em aproximadamente 2,1 horas.
160
Tempo de Simulao [segundos]
140 120 100 80 60 40 20 0 1200 1400 1600 1800 2000 2200 2400 2600 2800 3000
L' [MW]
Fig. 3.2: Distoro tima do Espao de Estados em L'=L
A Fig. 3.3a ilustra as probabilidades dos estados de gerao sujeitas ao vetor u. Note que a probabilidade de amostrar um estado X i tal que S ( X i ) < L baixa, o que explica a demorada convergncia na SMC. A Fig. 3.3b apresenta a distoro do espao de estados
obtida quando a amostragem baseada no vetor de parmetros de referncia timo v K . Pode-se concluir que o processo de amostragem baseado no vetor v K muito mais
eficiente e o nmero de amostras necessrias para atingir a convergncia drasticamente reduzido. Os efeitos provocados por esta mudana de medida so facilmente compensados pela utilizao da razo de verossimilhana, garantindo desta forma uma estimativa no tendenciosa para o ndice LOLP.
47
0.25
0.2
Probabilidade
0.15
0.1
0.05
0 1000
1500
2000 L
2500
3000
3500
Estado [MW]
(a)
0.04 0.035 0.03
Probabilidade
0.025 0.02 0.015 0.01 0.005 0 1000 1500 2000 L 2500 3000 3500
Estado [MW]
(b)
Fig. 3.3: Probabilidades dos Estados de Gerao
Note tambm que a distoro do espao de estados foi baseada no ndice LOLP. Isto levanta uma dvida sobre as distores timas para os demais ndices de confiabilidade, K pois a distoro tima para o ndice LOLP, i.e v LOLP , no necessariamente tima para estimar os ndices EPNS e LOLF.
Fig. 3.4: Estados de Falha com Contribuies para os ndices GCR
48
A Fig. 3.4 ilustra os diferentes estados do sistema que tm contribuio nos ndices de confiabilidade. No caso do ndice LOLF, qualquer lado da fronteira poderia ter sido indicado. Os estados de falha que contribuem para o ndice LOLP so os mesmos que contribuem para o ndice EPNS, porm no na mesma proporo. Enquanto o ndice LOLP obtido pelo somatrio das probabilidades de todos os estados de falha, o ndice EPNS o somatrio dos produtos das probabilidades dos estados pelo tamanho do corte nesses estados. No caso do ndice LOLP, os estados de falha que mais contribuem so os que se encontram de certa forma prximos fronteira, pois estes so os mais provveis. Em geral, afastandose da fronteira, os eventos tendem a ser cada vez mais raros e suas contribuies vo ficando desprezveis. No caso do ndice EPNS, existe um compromisso entre a raridade do evento e o tamanho do corte. Prximos fronteira, os estados apresentam probabilidades mais significativas, porm, o tamanho do corte baixo. Longe da fronteira, os estados apresentam cortes expressivos, porm, tm baixssima probabilidade de ocorrncia. Contudo, as probabilidades acabam influenciando mais que as magnitudes dos cortes e conclui-se ento que estados dominantes para estimar o ndice EPNS tambm esto localizados prximos fronteira. No caso do ndice LOLF, somente os estados de falha que tm ligao direta com algum estado de sucesso apresentam contribuies, ou seja, necessariamente um estado que contribui para o ndice LOLF deve estar localizado prximo da fronteira. Da discusso acima se conclui que, em geral, as distores timas para cada ndice sero diferentes, porm, considerando que para os trs ndices os estados dominantes esto K K K localizados prximos fronteira, de se esperar que v LOLP v EPNS v LOLF , ento a mesma distoro encontrada para o ndice LOLP pode ser utilizada para estimar os ndices EPNS e LOLF. Note que, se as distores timas do espao de estados fossem muito diferentes para cada ndice, seria necessrio executar um algoritmo especfico para cada um deles, o K K K que poderia tornar esta abordagem invivel. Considerando que v LOLP v EPNS v LOLF , podemos modificar o algoritmo apresentado na subseo 3.4.2 para estimar todos os ndices.
49
Passo 1.
Repetir os Passos 1-6 do algoritmo apresentado na subseo 3.4.2 para estimar
K K K K v LOLP e considerar que v LOLP v EPNS v LOLF . Gerar uma amostra X N1 de acordo com a funo massa de probabilidade
Passo 2.
K f (; n, v LOLP ) e fazer N1 := N1 + 1 . Avaliar H LOLP ( X N1 ) , H EPNS ( X N1 ) , H LOLF ( X N1 ) conforme (2.11), (2.12) e (2.13)
Passo 3.
K respectivamente. Tambm avaliar W( X N1 ; n, u, v LOLP ) e estimar os ndices GCR como

segue.
^ 1 LOLP = N1 ^ 1 EPNS = N1 ^ 1 LOLF = N1
H
N1 i =1
LOLP
K ( X i ) W( X i ; n, u, v LOLP )
(3.34)
H
N1 i =1
EPNS
K ( X i ) W( X i ; n, u, v LOLP )
(3.35)
H
N1 i =1
LOLF
K ( X i ) W( X i ; n, u, v LOLP )
(3.36)
As expresses H LOLP ( X i ) , H EPNS ( X i ) e H LOLF ( Xi ) representam as funes testes da LOLP, EPNS e LOLF respectivamente. Especificando um intervalo de tempo T, por exemplo, de 8736 horas, temos, ^ ^ LOLE = LOLP T ^ ^ EENS = EPNS T
(3.37)
(3.38)
^ ^ LOLP LOLD = ^ LOLF
(3.39)
50

LOLP EPNS LOLF Calcule os coeficientes de variao N1 , N1 e N1 . Caso os trs
Passo 4.
coeficientes sejam menores ou iguais as respectivas tolerncias especificadas, LOLP , EPNS e LOLF ou se N1 NMAX, pare o algoritmo, caso contrrio, volte ao Passo 2. A fim de tornar o processo do CE-ISMC mais eficiente, a convergncia verificada em blocos de, por exemplo, 1000 amostras.
3.4.4. Modelos de Carga Varivel
Qualquer modelo de carga uma aproximao da carga real do sistema. Sua preciso depende da quantidade e qualidade dos dados disponveis. Hipteses markovianas sempre podem ser verificadas no somente para sadas foradas de equipamentos, mas tambm para as cargas. Se elas so aceitveis, as estimativas baseadas nestes modelos sero satisfatrias. O algoritmo de SMC baseado no MEC proposto na subseo anterior apresentou a avaliao dos ndices GCR considerando somente um nvel de carga L, i.e. a carga pico. O algoritmo proposto ser estendido para tratar um modelo de carga de mltiplos estados. Nesta subseo, L ser considerada como uma sequncia cronolgica de T nveis discretos de carga, cada um com durao T, por exemplo, de uma hora, semelhante ao ilustrado na Fig. 3.5.
2600 2400 2200
Carga [MW]
2000 1800 1600 1400 1200
...
10
20
30
40
50
60
70
80
90
100
Hora
Fig. 3.5: Modelo de Carga de Nveis Discretos
51
A curva de carga L contm, por exemplo, 8736 pontos que representam os nveis de carga para 8736 horas. Diferentemente do modelo de carga onde L era representado por um nico estado (constante no perodo de anlise), este modelo de L ser representado por diferentes estados possveis. Isto quer dizer que agora os estados de carga precisam ser amostrados tambm. Uma maneira de amostrar os estados de carga o mapeamento de L por uma distribuio uniforme discreta. Primeiramente, um nmero inteiro a uniformemente distribudo no intervalo [1,8736] sorteado, a seguir, verifica-se o nvel de carga associado. Este procedimento ilustrado na Fig. 3.6.
Fig. 3.6: Mapeamento da Curva de Carga por uma Distribuio Uniforme Discreta
Outra possibilidade utilizar o modelo markoviano sequencial ilustrado na Fig. 3.7. Ele descreve um conjunto de T nveis de carga, representando, por exemplo, 8736 horas, sequencialmente conectadas na mesma ordem cronolgica com que aparecem na sequncia histrica. O modelo utiliza uma taxa constante de transio de carga L = 1/T, onde T representa a unidade de tempo utilizada para discretizar o perodo T, e.g. L = 1 transio por hora. Como todas as taxas de transio so as mesmas, a carga ir permanecer, em mdia, T horas (e.g. 1 hora) em cada nvel, e T horas (e.g. 8736 horas), em mdia para o perodo total de anlise. Este conceito um caso particular do modelo de Markov para nveis mltiplos de carga no agregado proposto em [LMMB00].
52
Fig. 3.7: Modelo Markoviano Sequencial de Carga
Na implementao computacional da metodologia proposta, como o nmero de simulaes elevado, ser considerado que, em mdia, cada estado de carga tem durao de T, por exemplo, de uma hora, no havendo necessidade de sortear os tempos individuais de durao de cada estado. O principal problema em considerar L com mltiplos estados que, em geral, L no obedece a nenhuma distribuio de probabilidade padro conhecida. Caso L seguisse uma distribuio binomial, os parmetros de L poderiam ser distorcidos de maneira semelhante aos de G. Neste cenrio hipottico, o modelo da gerao seria combinado com o modelo da carga, e o modelo resultante, o da reserva R, teria seus parmetros distorcidos para encontrar P u {S ' ( X) < 0} , onde S uma funo real que retorna o nvel de reserva para os
estados X (agora estados de gerao e de carga). Em concluso, considerando que L, em geral, no segue uma distribuio binomial, as probabilidades do modelo da carga L no sero distorcidas. Note tambm que o algoritmo apresentado na subseo anterior determina a distoro do espao de estados de gerao baseado em um nico nvel de carga L. O problema agora determinar qual o nvel de carga L que ter o melhor desempenho considerando que agora o modelo L representado por mltiplos estados. de conhecimento geral que os estados de carga onde h maior contribuio para os ndices de confiabilidade so aqueles onde os nveis de carga so elevados. Dificilmente um estado de carga com nvel baixo ter uma contribuio significativa. Considere que a carga L tenha a distribuio de probabilidades apresentada na Fig. 3.8. Observe que a maior parcela da massa de probabilidade est localizada em estados com nveis de carga menores a 2500MW (aproximadamente 97,4%), ou seja, L passa a maior parte do tempo
53
em estados com cargas de nvel mdio ou baixo que no contribuem significativamente para os ndices.
-3
2 1.8 1.6 1.4
x 10
Probabilidade
1.2 1 0.8 0.6 0.4 0.2 0 500 1000 1500 2000 2500 3000
Carga [MW]
Fig. 3.8: Distribuio de Probabilidade de L
Quando uma distoro de G obtida para L os estados de gerao amostrados sero prximos a L, conforme foi ilustrado na Fig. 3.3b. Portanto, uma escolha de L na faixa de cargas elevadas deve fornecer um bom desempenho. De fato, foi verificado por diversas simulaes que um L igual ou muito prximo ao pico da carga apresenta o melhor desempenho. O nvel L timo desconhecido inicialmente, mas em nenhuma das simulaes foi menor a 0,96LMAX, onde LMAX a carga pico do sistema. De um modo geral, fazendo L=LMAX sempre se obtm um excelente desempenho e isto ser adotado para todas as simulaes futuras. Note que qualquer L tal que L>LMAX sempre apresentar um pior desempenho, pois na medida em que L se aproxima da capacidade instalada do sistema K v LOLP se aproxima de u. 3.4.5. O Parmetro Como as probabilidades dos estados de carga no so distorcidas, a amostragem de L pode ser ineficiente dependendo do fator de carga do sistema, pois nosso interesse limita-se aos estados com cargas elevadas. No caso apresentado na Fig. 3.8, aproximadamente 97,4% das amostras de L no sero relevantes. Em outras palavras, os estados de falha continuam
54
sendo raros, mas agora por causa da distribuio de probabilidades de L e no mais de G, pois seus parmetros foram distorcidos. Uma maneira de contornar este problema utilizando um parmetro adicional denominado
definido como,
= Pv K {S ( Xi ) < l} .
(3.40)
Note que, na definio deste parmetro, as probabilidades so em relao ao vetor de parmetros de referncia timo v K , ou seja, o parmetro definido no mundo distorcido de probabilidades dos estados de gerao. Se a probabilidade for especificada, uma estimativa de l pode ser encontrada por N l amostras (e.g. 10000) dos estados de gerao, i.e. X1 , X 2 ,..., X N de acordo com K f ( ; n, v LOLP ) , que a distribuio obtida pela abordagem proposta (Passos 2-6). A funo de desempenho S(Xi) avaliada para cada Xi, e os resultados so ordenados do menor ao
l maior valor: S[1] S[2] S[N]. O valor de ser tal que l = S[ N ] .
Todos aqueles estados de carga amostrados com nveis de carga menores que sero l automaticamente considerados como estados de sucesso e no sero verificados durante o processo da SMC baseado em IS (i.e. Passos 7-10 do algoritmo apresentado na subseo 3.4.2). Este um procedimento simples, mas muito eficiente do ponto de vista computacional. A Fig. 3.9a apresenta a distoro obtida para o mesmo sistema original apresentado na Fig. 3.3a, porm, para um L = LMAX = 2850MW . Considerando um = 0,05 , temos um
= 1945MW e todos os estados do sistema com nveis de carga menores que sero l l
diretamente considerados como estados de sucesso. Na Fig. 3.9b pode-se observar os estados de carga considerados como sucesso para o mesmo modelo de L apresentado na Fig. 3.8.
55

0.06
0.05
Probabilidade
0.04
0.03
0.02
0.01
0 500
1000
1500
2000
2500
3000
L'=L
MAX
3500
l
x 10
-3
Capacidade de Gerao [MW]

2 1.8 1.6
(a)
Probabilidade
1.4 1.2 1 0.8 0.6 0.4 0.2 0 500 1000 1500 2000 2500 3000
L'=L
MAX
Nvel de Carga [MW]
l^
3500
(b)
Fig. 3.9: Aplicao do Parmetro
O valor da probabilidade depende da raridade dos eventos envolvidos. Valores tpicos so de 0,01 a 0,05 para uma LOLP entre 10-3 a 10-5; de 0,05 a 0,15 para uma LOLP entre 10-5 a 10-8; e de 0,15 a 0,2 para LOLP<10-8. O excelente desempenho computacional do parmetro devido ao fato de um estado de gerao ser sorteado somente se um estado
de carga maior ou igual a l for encontrado primeiro, pois a probabilidade de amostrar um K estado X i , tal que S ( Xi ) < l , considerando a pmf f ( ; n, v LOLP ) , aproximadamente .
sempre importante ter em mente que utilizar o parmetro introduz uma pequena impreciso no processo de estimao, pois alguns estados amostrados so diretamente considerados como sucesso. Esta impreciso, no entanto, pode ser insignificante se os valores de so pequenos. Alm disso, as contribuies j desprezadas no mundo
56
K distorcido sero ainda mais insignificantes uma vez compensadas com W( X N1 ; n, u, v LOLP ) .
Quando no existe conhecimento da ordem de grandeza do ndice LOLP, um = 0,01 pode ser utilizado. Quando a carga for constante ao longo do perodo de anlise este parmetro deve obviamente ser ignorado.
3.5.
COMENTRIOS FINAIS
Neste captulo foi apresentada a estrutura bsica do Mtodo da Entropia Cruzada aplicado na simulao de eventos raros. O principal objetivo foi demonstrar como este poderoso mtodo pode ser aplicado ao problema especfico da avaliao de ndices de confiabilidade em sistemas de gerao. Foi apresentado o algoritmo da metodologia proposta baseada no MEC para a avaliao do ndice LOLP. Posteriormente este algoritmo foi estendido para estimar tambm os demais ndices GCR, i.e. LOLE, EPNS, EENS, LOLF e LOLD, considerando que o vetor timo de K indisponibilidades encontrado para o ndice LOLP, v LOLP , mesmo no sendo timo para os demais ndices, pode ser aplicado satisfatoriamente para estimar tambm os ndices EPNS e LOLF. Foi demonstrado tambm que a carga pico do sistema, LMAX, sempre pode ser utilizada como referncia para estimar o vetor de parmetros timo, independentemente se o modelo L for representado por um nico estado ou por mltiplos estados. Com o objetivo de melhorar a eficincia do processo de amostragem dos estados de L, o parmetro foi introduzido, minimizando problemas encontrados em sistemas muito confiveis e/ou com fatores de carga baixos. Este procedimento resultou simples, prtico e extremamente eficiente do ponto de vista computacional. Erros introduzidos no processo de estimao sero desprezveis para um moderado, conforme ser demonstrado pelas diversas simulaes apresentadas no captulo seguinte. No Captulo 4 sero apresentados os principais resultados obtidos, onde o desempenho computacional da metodologia proposta comparado com um mtodo analtico extremamente eficiente e uma SMC no-cronolgica convencional.
57
CAPTULO 4
RESULTADOS
4.1. INTRODUO
O presente captulo a metodologia proposta baseada no MEC ser implementada e seu desempenho computacional ser comparado com outras metodologias
tradicionalmente utilizadas na avaliao de ndices GCR. Um mtodo analtico extremamente eficiente baseado em convoluo discreta e uma simulao Monte Carlo no-cronolgica sero utilizados para esta finalidade. Ambos os mtodos foram brevemente descritos no Captulo 2 desta dissertao. A fim de avaliar a preciso e a eficincia do mtodo proposto, diferentes sistemas de gerao foram testados. Primeiramente, o sistema IEEE Reliability Test System (IEEERTS) [IEEE79] ser utilizado com o principal objetivo de se obter valores padres para os ndices de confiabilidade. Este sistema, porm, no o mais indicado para verificar completamente a capacidade da metodologia proposta, pois a raridade dos eventos de falha envolvidos no significativa e o nmero de estados possveis no elevado. Em seguida, algumas modificaes do IEEE-RTS so utilizadas para realizar diversas comparaes e testes de sensibilidade. Estas modificaes so determinadas pelo denominado fator de escala, que ser apresentado mais detalhadamente nas sees seguintes. O principal objetivo verificar o desempenho da metodologia proposta quando aplicada a diversas condies operativas do sistema. A eficincia computacional do parmetro tambm ser discutida. Por fim, uma configurao do sistema Sul-Sudeste Brasileiro de gerao ser utilizada para verificar a aplicao da metodologia proposta em aplicaes prticas. Os principais resultados das simulaes e dos testes de sensibilidade sero apresentados na forma de grficos e tabelas. Em todos os casos, a implementao computacional foi desenvolvida em uma plataforma MatLab utilizando um processador Intel Core 2 Duo 2,66 GHz.
58
CAPTULO 4 RESULTADOS
4.2.
IEEE RELIABILITY TEST SYSTEM
Este sistema de gerao consiste em 32 unidades geradoras com capacidade total instalada de 3405MW. Os principais parmetros que descrevem o sistema, i.e. indisponibilidades e capacidades das unidades, podem ser encontrados em [IEEE79]. A carga representada como uma curva horria com 8736 nveis discretos e cronologicamente conectados, cujo valor pico de 2850MW. Este sistema primeiramente utilizado com o nico objetivo de se ter valores padres de referncia para os ndices de confiabilidade e tempos de CPU. No entanto, o IEEE-RTS no o melhor sistema para mostrar a capacidade total do mtodo proposto assim como ser discutido mais adiante. 4.2.1. IEEE-RTS Modelo de Carga Constante Primeiramente, ser considerado o sistema IEEE-RTS com um modelo de carga L de um nico nvel no perodo de anlise (T=8736 horas). A Tabela 4.1 apresenta os resultados dos ndices GCR considerando um nvel constante de carga, i.e. 2850MW, para os mtodos: analtico, SMC convencional e CE-ISMC.
TABELA 4.1 IEEE-RTS: NDICES DE CONFIABILIDADE MODELO DE CARGA CONSTANTE
IEEE-RTS Mtodo Analtico SMC Conv. LOLP LOLE [horas/ano] EPNS [MW] EENS [MWh/ano] 1,28364105 1,28628105 1,27981105 LOLF [oc./ano] LOLD [horas/oc.] Tempo de CPU [s] 0,03
8,4577810-2 7,38872102 1,46936101 8,4204310-2 1,47239101 7,35609102 (0,73572%) (0,98733%) 8,4534910-2 1,46499101 7,38497102 (0,58412%) (0,41708%)
1,95123101 3,78669101 1,92890101 3,81362101 (0,92441%) 1,94612101 3,79472101 (0,99820%)
6,90
CE-ISMC
2,90
Para o mtodo analtico, um incremento =1MW utilizado de maneira semelhante ao descrito em [LMC91]. O parmetro especificado como menor ou igual a 1% para todos os ndices GCR, e seus valores correspondentes so apresentados entre parntesis. Em geral, os ndices EPNS e LOLF requerem maior nmero de amostras para atingir o critrio de convergncia. Para o CE-ISMC, os parmetros = 1 , = 0,1 , e N = 2 10 4 foram utilizados.
59
Todos os mtodos atingem um valor prximo de 8,410-2 para o ndice LOLP. Os mtodos analtico, SMC convencional e CE-ISMC gastam 0,03, 6,9 e 2,9 segundos, respectivamente. Como os eventos envolvidos no so raros (i.e. 10-2), no h ganho computacional significativo entre a SMC convencional e o CE-ISMC: um ganho aproximado de 2,4. Verifica-se que em sistemas pequenos o mtodo analtico apresentado em [LMC91] resulta praticamente imbatvel.
0.2
Probabilidade
0.15
0.1
0.05
0 500
1000
1500
2000
2500
L 3000
3500

0.06
(a)
0.05
Probabilidade
0.04
0.03
0.02
0.01
0 500
1000
1500
2000
2500
L 3000
3500
(b)
Fig. 4.1: Probabilidades dos Estados de Gerao
A Fig. 4.1a ilustra as probabilidades dos estados de gerao sob a funo massa de probabilidade original f ( ; n, u) . A Fig. 4.1b apresenta o mesmo espao de estados de K gerao, mas sob a funo massa de probabilidade tima f ( ; n, v LOLP ) encontrada pelo processo de otimizao (Passos 1-6 do algoritmo apresentado na subseo 3.4.2). K Conclui-se a partir das Fig. 4.1a e Fig. 4.1b, que utilizando f ( ; n, v LOLP ) como a funo
60
massa de probabilidade amostral, o desempenho computacional deve ser sempre melhor, pois os estados dominantes de falha esto sendo amostrados com maior frequncia. Uma quantidade de esforo computacional at 10 segundos um tempo de espera aceitvel para qualquer usurio. Contrariamente, tempos de espera de horas podem realmente causar alguma impacincia aos usurios e isto ser ilustrado a seguir. 4.2.2. IEEE-RTS Modelo de Carga de Nveis Mltiplos A Tabela 4.2 apresenta os resultados para os ndices GCR considerando o modelo markoviano de nveis mltiplos para L apresentado na Fig. 3.7, aplicado aos dados do IEEE-RTS [IEEE79]. O fator de carga aproximadamente 0,6144 com uma carga pico de 2850MW e um perodo de 8736 horas. O parmetro tambm especificado em 1% para todos os ndices GCR, e seus valores correspondentes so apresentados entre parntesis. Na abordagem analtica, =1MW utilizado e no especificada nenhuma probabilidade de truncamento. Para o CE-ISMC, os parmetros = 1 , = 0,1 , N = 2,5 10 4 e = 0,04 foram utilizados. Note que neste caso, a abordagem proposta baseada no MEC tem um desempenho muito melhor do que a SMC convencional, pois a convergncia foi atingida em um tempo de simulao 40,34 vezes menor (ganho).
TABELA 4.2 IEEE-RTS: NDICES DE CONFIABILIDADE MODELO DE CARGA VARIVEL
IEEE-RTS Mtodo Analtico SMC Conv. CE-ISMC (=0,04) LOLP LOLE [horas/ano] EPNS [MW] EENS [MWh/ano] LOLF [oc./ano] 2,01619100 1,99962100 (0,99983%) 2,00882100 (0,99968%) LOLD [horas/oc.] 4,64743100 4,66805100 4,65528100 Tempo de CPU [s] 0,89
1,0725810-3 9,37008100 1,3464910-1 1,17629103 1,0684910-3 1,3276910-1 9,33433100 1,15987103 (0,48375%) (0,65554%) 1,0704710-3 1,3410710-1 9,35163100 1,17156103 (0,41364%) (0,38734%)
1440
35,7
As Fig. 4.2, Fig. 4.3 e Fig. 4.4 ilustram o processo de convergncia de ambos os mtodos, SMC convencional e CE-ISMC, para os ndices LOLP, EPNS e LOLF, respectivamente. Neste caso, o CE-ISMC utiliza um conjunto de parmetros definidos como segue: = 1 , = 0,1 , N = 2,5 10 4 , = 0,02 . Em cada grfico, a ilustrao superior representa os valores para o ndice e a inferior os respectivos valores de .
61
x 10 1.14 1.12
-3
ndice LOLP
CE/ISMC =0.02 SMC Conv.
LOLP
1.1 1.08 1.06 1.04 1.02 0 50 100 150 200 250 300 350 400 450 500 550
Tempo [segundos]
10
2
Coeficiente de Variao
Beta LOLP [%]
10
10
10
-1
50
100
150
200
250
300
350
400
450
500
550
Tempo [segundos]
Fig. 4.2: Processo de Convergncia do ndice LOLP
0.14 0.135 0.13
ndice EPNS
EPNS
0.125 0.12 0.115 0.11 0 50 100 150 200 250 300 350 400 450
500
550
Tempo [segundos]
10
2
Coeficiente de Variaco
Beta EPNS [%]
10
10
10
-1
50
100
150
200
250
300
350
400
450
500
550
Tempo [segundos]
Fig. 4.3: Processo de Convergncia do ndice EPNS
A abordagem de SMC baseada no MEC atingiu um LOLP = 1% em aproximadamente 8,5 segundos para o ndice LOLP, que representa aproximadamente 6,22105 amostras,
62
enquanto a SMC convencional atingiu o mesmo em 332 segundos, ou aproximadamente 9,21106 amostras.
ndice LOLF
2.3 2.2 CE/ISMC =0.02 SMC Conv.
LOLF
2.1 2 1.9 1.8 0 50 100 150 200 250 300 350 400 450 500 550
Tempo [segundos]
10
2
Beta LOLF [%]
10
10
10
-1
50
100
150
200
250
300
350
400
450
500
550
Tempo [segundos]
Fig. 4.4: Processo de Convergncia do ndice LOLF
Em ambos os mtodos o ndice LOLF requer o maior nmero de amostras para atingir a convergncia. O CE-ISMC atingiu o critrio LOLF=1% em aproximadamente 46 segundos, que um tempo um pouco maior ao apresentado na Tabela 4.2, devido utilizao de um menor. A SMC convencional atinge o mesmo critrio em 1440 segundos conforme a Tabela 4.2, porm este valor no aparece na Fig. 4.4 devido necessidade de manter uma escala conveniente. Note que para todos os ndices GCR a varincia do estimador obtida com o CE-ISMC muito menor, o que leva a uma rpida convergncia dos ndices. De fato, observe que quando os coeficientes de variao atingem um nvel de 1% na SMC convencional, estes mesmos coeficientes so prximos a 0,1% no CE-ISMC para o mesmo tempo de simulao. Se um critrio de convergncia de LOLF=5% fosse definido, a convergncia seria atingida em aproximadamente 2,3 segundos considerando o CE-ISMC. importante destacar que as taxas de amostragem, i.e. amostras/segundo, so diferentes para ambos os mtodos principalmente porque 0 e tambm pela implementao
63
computacional especfica de cada um deles. Por isto, a melhor maneira de comparar o processo de convergncia para cada mtodo foi baseada em uma escala de tempo, e no em uma escala definida pelo nmero de amostras como usualmente encontrado na literatura. No entanto, o nmero de amostras necessrias para atingir a convergncia evidentemente menor no CE-ISMC.
4.3.
MODIFICAES NO IEEE-RTS ORIGINAL
A fim de comparar completamente o desempenho do CE-ISMC com ambos os mtodos analtico e SMC convencional, diversas modificaes do IEEE-RTS so criadas. Estas modificaes esto representadas por diferentes fatores de escala. O fator de escala um nmero inteiro que indica a quantidade de sistemas idnticos IEEE-RTS que sero adicionados nos modelos de L e G. Por exemplo, se um fator de escala de cinco est sendo utilizado (denominado como IEEERTS5), isto quer dizer que o nmero de unidades e nveis de carga so multiplicados por este fator. Isto tem um impacto direto no grau de confiabilidade e no nmero de estados possveis do sistema. A Tabela 4.3* apresenta os resultados para o IEEE-RTS modificado por 1 (i.e. o sistema original), 5, 10, 15, e 20 fatores de escala. Aumentar este fator implica no aumento do nmero de estados do sistema, enquanto os valores do ndice LOLP decrescem. Isto ocorre porque a capacidade total do sistema se torna imensa em comparao a uma nica unidade geradora, o que significa que mesmo as sadas foradas das mquinas de maior capacidade no tm um impacto significativo no desempenho operativo normal do sistema. A Tabela 4.3 apresenta os valores para o ndice LOLP calculados com o mtodo analtico e com o CE-ISMC (com =1% para os trs ndices). Tambm apresenta os tempos de processamento obtidos com: o mtodo analtico (=1MW); SMC convencional com =5%; CE-ISMC com =5%; e CE-ISMC com =1%. Para os mtodos de CE-ISMC, diferentes valores do parmetro so apresentados entre parntesis. Os parmetros = 1 ,
Estes valores, expressos em meses (me.) e anos (a), foram obtidos por extrapolao das tendncias em grficos semi-log correspondentes.
64
= 0,1 e N = 2,5 10 4 foram utilizados em todos os casos.

TABELA 4.3 IEEE-RTS FATOR DE ESCALA MODELO DE CARGA VARIVEL
LOLP Mtodo Analtico 1,07258 10-3 1,2439510-6 1,0671410-8 1,5819510-10 2,6930110-12 LOLP CE-ISMC=1 1,0640610-3 1,2127110-6 1,0679710-8 1,5736810-10 2,6905110-12 Tempo de CPU Mtodo Analtico 0,89 s 4,70 s 19,4 s 43,8 s 85,0 s SMC Conv. =5 61,0 s 6,75 h 3 me.* 26 a* 707 a* CE-ISMC=5 () 2,39 s (0,01) 4,21 s (0,05) 5,77 s (0,05) 5,38 s (0,07) 4,96 s (0,1) CE-ISMC=1 () 34,6 s (0,05) 36.6 s (0,13) 34,7 s (0,15) 30,6 s (0,15) 28,2 s (0,2)
Fator de Escala
1 5 10 15 20
Pode ser observado na Tabela 4.3 que os resultados obtidos com o mtodo analtico e com o CE-ISMC (com =1%) so basicamente os mesmos. A Fig. 4.5 tambm ilustra estas comparaes em termos de um diagrama de barras semi-log. Considerando o aumento do fator de escala desde 1 at 20, o ndice LOLP vai de 10-3 a 10-12. De fato, desde um fator de escala igual a 5, os eventos de falha no sistema de gerao podem ser considerados como raros (i.e. menores que 10-5), e os ganhos computacionais obtidos com a SMC baseada no MEC tornam-se evidentes. Note que os desempenhos de ambos os mtodos, analtico e SMC convencional, decrescem quando o tamanho do sistema aumenta. O mtodo analtico no consideravelmente sensvel raridade dos eventos envolvidos, porm, ele ao aumento do nmero possvel de estados, mesmo que um algoritmo numrico extremamente eficiente que evita a maldio combinatria (combinatorial curse) seja utilizado. O contrrio ocorre com a abordagem da SMC convencional, pois ela no muito sensvel ao nmero de estados do sistema, mas dramaticamente sensvel raridade dos eventos envolvidos. O desempenho do CE-MCS indiferente a ambos os problemas. Ele no tem problemas com o nmero de estados do sistema, pois basicamente uma SMC. A raridade dos eventos envolvidos no apresenta problemas devido distoro tima aplicada as indisponibilidades das unidades. Problemas envolvendo sistemas com fatores de carga baixos podem ser minimizados pelo uso adequado do parmetro .
65
10
-2
1.073 x 10-3 1.064 x 10-3
Mtodo Analtico CE-ISMC =1%
10
-4
1.244 x 10-6
10
-6
1.213 x 10-6
LOLP
1.067 x 10-8
10
-8
1.068 x 10-8 1.582 x 10-10
10
-10
1.574 x 10-10 2.691 x 10-12 2.693 x 10-12
10
-12
10
15
20
IEEE RTS x Fator de Escala
Fig. 4.5: Valores da LOLP para Diferentes Modificaes no IEEE-RTS
10
10
Mtodo Analtico CE-ISMC = 5% CE-ISMC = 1% SMC Conv. = 5%
Tempo [segundos]
10
10
10
10
10
15
20
IEEE RTS x Fator de Escala
Fig. 4.6: Comparao de Desempenhos IEEE-RTS com Diferentes Fatores de Escala
A Fig. 4.6 ilustra os desempenhos das metodologias quando aplicadas ao IEEE-RTS com diferentes fatores de escala. Pode ser visto que, enquanto os desempenhos de ambos os mtodos (analtico e SMC convencional) ficam piores, o desempenho do CE-ISMC praticamente constante, o qual neste caso depende principalmente dos valores especificados de e . impressionante observar que enquanto a SMC convencional pode gastar horas (IEEERTS5) ou mesmo anos (IEEE-RTS20) para concluir a avaliao da confiabilidade, o
66
CE-ISMC levar alguns segundos para qualquer sistema. Alm disso, o CE-ISMC torna-se ainda mais veloz do que um mtodo analtico extremamente eficiente, por exemplo, considerando = 5%, o ponto de corte o IEEE-RTS5 (i.e. 4,70s > 4,21s). Observe a Fig. 4.7 onde ilustrado o processo de convergncia para o ndice LOLP considerando o IEEE-RTS5. possvel observar claramente nesta ilustrao a dificuldade que a SMC convencional encontra quando os eventos de falha so raros. Sem dvida, o desempenho do mtodo baseado em Entropia Cruzada excepcional.
ndice LOLP
5 4
x 10
-6
LOLP
3 2 1 0 0 25 50 75 100 125 150 175 200 225 250
Tempo [segundos]
10
2
Beta LOLP [%]
10

0
10
10
-1
25
50
75
100
125
150
175
200
225
250
Tempo [segundos]
Fig. 4.7: Processo de Convergncia do ndice LOLP IEEE-RTS5
4.4.
SISTEMA SUL-SUDESTE BRASILEIRO
A metodologia proposta baseada no MEC foi aplicada em duas configuraes planejadas, normal e fortemente reforada, do sistema Sul-Sudeste Brasileiro (SSB) para os anos 90: veja alguns detalhes em [LMC91]. Existem 67 usinas geradoras: 53 usinas hidrulicas e 14 usinas trmicas. Existem 290 unidades com capacidades que variam de 15MW at 700MW (unidades de ITAIPU). A confiabilidade do sistema SSB avaliada pelos trs mtodos: o analtico (com =1MW),
67
SMC convencional (com = 1% ou N MAX = 5,425 108 amostras), e CE-ISMC (com = 1 , = 0,1 , N = 2,5 10 4 , = 1% , = 0,01 para a configurao normal e = 0,10 para a configurao fortemente reforada). Um modelo de carga horria com 8736 nveis considerado com uma carga pico de 41,2GW. A configurao normal tem uma capacidade total instalada de 42,8GW, e a fortemente reforada tem 45,6GW. Os correspondentes valores do ndice LOLP so 3,44310-3 e 1,90910-5, respectivamente. Os principais resultados deste estudo so apresentados nas Tabelas 4.4 e 4.5.
TABELA 4.4 RESULTADOS PARA A CONFIGURAO NORMAL DO SSB
SSB - Normal Mtodo Analtico SMC Conv. (=1%) CE-ISMC (=1%) CE-ISMC (=5%) LOLP 3,4436910-3 3,4092210-3 0,74741% 3,4503110-3 0,92227% 3,5363110-3 4,59173% EPNS [MW] 1,92595100 1,91135100 0,99978% 1,93725100 0,90152% 1,92110100 4,57637% LOLF [oc./ano] 2,98303101 2,95463101 0,78065% 2,98685101 0,99986% 3,08155101 4,96402% Tempo de CPU 30,2s 912,6s 17,6s 1,8s Nmero de Estados Visitados 5,2329106 1,7606106 6,8085104
TABELA 4.5 RESULTADOS PARA A CONFIGURAO REFORADA DO SSB

SSB - Reforada Mtodo Analtico SMC Conv. (=1%) CE-ISMC (=1%) CE-ISMC (=5%) LOLP 1,9093010-5 1,9093810-5 0,98251% 1,8927310-5 0,93130% 1,8888310-5 4,61376% EPNS [MW] 7,0497510-3 7,0262310-3 1,36264% 6,9888910-3 0,72333% 7,0340010-3 3,59083% LOLF [oc./ano] 1,8956110-1 1,8979210-1 0,99995% 1,8781410-1 1,00000% 1,8875710-1 4,98483% Tempo de CPU 31,2s 26h 31,6s 3,3s Nmero de Estados Visitados 5,4253108 5,9896106 2,3904105
Os tempos de processamento para os mtodos, analtico, SMC convencional e CE-ISMC,
Para a abordagem CE-ISMC, na coluna Nmero de Estados Visitados, os valores apresentados consideram somente aqueles estados visitados durante a segunda etapa do algoritmo, i.e. a SMC baseada em IS.
68
para a configurao normal, so respectivamente: 30,2s, 912,6s, e 17,6s. Os tempos de processamento para a configurao reforada obtidos para os mtodos, analtico, SMC convencional e CE-ISMC, so respectivamente: 31,2s, 26 horas, e 31,6s. Considerando um
= 5%, o CE-ISMC gasta 3,3 segundos, o que muito mais rpido que a abordagem
analtica. Torna-se evidente o excelente desempenho da SMC baseada no MEC.
4.5.
COMENTRIOS ADICIONAIS
Nesta seo sero apresentados os resultados dos principais testes de sensibilidade. Estes resultados so organizados em ilustraes com o objetivo de visualizar melhor o comportamento dos diversos mtodos quando certas caractersticas dos sistemas testes variam, principalmente, no que diz respeito raridade dos eventos de falha envolvidos e ao nmero de estados possveis do sistema. Os resultados apresentados nesta seo tm como principal objetivo reforar hipteses levantadas em sees e captulos anteriores. A Fig. 4.8 ilustra os desempenhos obtidos para o IEEE-RTS1, com L constante no perodo de anlise, quando o valor do ndice LOLP varia de aproximadamente 10-1 e 10-4. Isto atingido modificando o pico de carga utilizada. Note que o desempenho do mtodo analtico (=1MW) praticamente invariante quando o ndice LOLP decresce. Neste caso, como o sistema pequeno, este mtodo apresenta o melhor desempenho.
10
10
Mtodo Analtico SMC Conv. = 1% SMC Conv. = 5% CE-ISMC = 1% CE-ISMC = 5%
Tempo [segundos]
10
10
10
10
-1 -4 -3 -2 -1
10
10
LOLP
10
10
Fig. 4.8: Raridade do Evento de Falha IEEE-RTS1
69
O CE-ISMC ( = 1 ,
= 0,1 ,
N = 2,5 10 4 ) tambm apresenta um desempenho
relativamente constante. Porm a SMC convencional tem seu desempenho afetado de maneira quase linear considerando uma escala logartmica em ambos os eixos. Quando os eventos de falha so da ordem de 10-1 o SMC convencional apresenta melhor desempenho que o CE-
K ISMC sendo esta diferena basicamente o tempo necessrio para estimar v LOLP .
A Fig. 4.9 ilustra os desempenhos obtidos para o IEEE-RTS20 com L constante no pico, quando o valor do ndice LOLP varia de aproximadamente 10-1 e 10-4. Note que os desempenhos dos mtodos baseados em simulao no so significativamente alterados pelo aumento da dimenso do sistema, porm o mtodo analtico teve uma reduo expressiva no seu desempenho.
10
4
10
Mtodo Analtico SMC Conv. = 1% SMC Conv. = 5% CE-ISMC = 1% CE-ISMC = 5%
Tempo [segundos]
10
10
10
10
-1 -4 -3 -2 -1
10
10
LOLP
10
10
Fig. 4.9: Raridade do Evento de Falha IEEE-RTS20
Considerando ambas as ilustraes pode-se concluir o j exposto na seo anterior. O mtodo analtico apresenta problemas se o nmero de estados possveis do sistema elevado, mas indiferente ao valor da LOLP. Na SMC convencional ocorre o contrrio sendo a raridade dos eventos de falha o principal problema e finalmente no CE-ISMC nenhum destes problemas representam limitaes para o mtodo. Quando o modelo de L representado por mltiplos estados, o parmetro e tambm o
processo de amostragem dos estados de L passam a ser relevantes. Duas maneiras de

amostragem diferentes foram implementadas computacionalmente. A primeira consiste no
mapeamento da curva de carga pela distribuio uniforme discreta conforme a Fig. 3.6. A
70
segunda consiste em utilizar o modelo markoviano sequencial ilustrado na Fig. 3.7 e considerar que o nmero de amostras grande. A Fig. 4.10 apresenta os tempos de simulao necessrios para avaliar os ndices GCR (=5%) para o IEEE-RTS10, considerando o algoritmo do CE-ISMC implementado com e sem o parmetro para ambas as tcnicas de amostragem de L. O valor do ndice LOLP
controlado variando o perfil da curva de carga mantendo constante o fator de carga do sistema. Para todas as simulaes, a seguinte configurao de parmetros foi utilizada: = 1 , = 0,1 , N = 2,5 10 4 , = 0,01 (se for o caso).
10
Uniforme/Markov/Uniforme/ Markov/
Tempo [segundos]
10
10
10
-4
LOLP
10
-3
Fig. 4.10: Eficincia do Parmetro
possvel verificar que o melhor desempenho obtido quando o parmetro utilizado em conjunto com o modelo markoviano sequencial (denominado Markov/ ). O mesmo ocorreu em todas as simulaes realizadas e por este motivo esta configurao foi utilizada em todos os resultados apresentados anteriormente (exceto no caso de L ser constante no perodo de anlise). A Tabela 4.6 apresenta os resultados obtidos para o pior caso ilustrado na Fig. 4.10. Nesta condio o valor do pico de carga 31070MW (o IEEE-RTS10 original tem carga pico de 28500MW e LOLP=1,0671410-8). O tempo necessrio para a avaliao analtica aproximadamente de 21 segundos. A SMC convencional com =5% requer 764 segundos. O
71
CE-ISMC sem o parmetro apresenta um melhor desempenho que a SMC convencional,
mas este desempenho muito inferior se comparado com o mtodo analtico. O principal motivo a ineficiente amostragem dos estados de L. Quando um parmetro especificado mesmo com um valor baixo (para o ndice LOLP considerado), o desempenho do CE-ISMC melhora drasticamente sem comprometer a preciso das estimativas. Considerando a melhor configurao (Markov/ ), o CE-ISMC atinge o critrio de convergncia =5% em aproximadamente 2,4 segundos.
TABELA 4.6 IEEE-RTS 10 COM CARGA PICO DE 31070MW
IEEERTS10 Mtodo Analtico SMC Conv. CE-ISMC Uniforme/CE-ISMC Markov/CE-ISMC Uniforme/ CE-ISMC Markov/ LOLP LOLE [horas/ano] EPNS [MW] EENS [MWh/ano] 1,70010102 1,73420102 1,65290102 1,70634102 1,67174102 1,70797102 LOLF [oc./ano] 2,1012110-1 2,0434110-1 2,1266410-1 2,0703210-1 2,1420610-1 2,1339410-1 LOLD [horas/oc.] 2,11492 2,14135 2,07018 2,13488 2,04646 2,04727 Tempo [s] 20,89 764,43 172,50 158,67 13,05 2,37
5,0868810-5 4,4439010-1 1,9460910-2 5,0087510-5 4,3756410-1 1,9851210-2 5,0395210-5 4,4025210-1 1,8920510-2 5,0593810-5 4,4198810-1 1,9532310-2 5,0178810-5 4,3836210-1 1,9136210-2 5,0008610-5 4,3687510-1 1,9551010-2
Considerando que neste caso o valor do ndice LOLP aproximadamente 5,110-5, o parmetro poderia ter sido especificado com um valor maior que 0,01 e desta maneira
melhores desempenhos poderiam ser obtidos. Contudo existe um limite ou saturao onde aumentar o valor do parmetro no apresenta mais ganhos significativos. Foi verificado por diversas simulaes que este limite depende principalmente do valor do ndice LOLP, possibilitando assim definir valores tpicos por faixas (conforme apresentado na subseo 3.4.5 deste trabalho). Conforme exposto anteriormente, utilizar o parmetro implica um compromisso entre a qualidade do resultado e o tempo computacional. Este compromisso ilustrado na Fig. 4.11 considerando o sistema IEEE-RTS10 em sua configurao normal, com o seguinte conjunto de parmetros: = 1 , = 0,1 , N = 2,5 10 4 , = 1% . A Fig. 4.11a apresenta os
valores das estimativas obtidas para o ndice LOLP, e a Fig. 4.11b, os respectivos tempos de
72
simulao. Observe que aumentado o valor do parmetro melhores desempenhos so
obtidos em termos de tempo de simulao, porm, aps certo valor de , a relao custo/benefcio no justifica seguir aumentando o valor deste parmetro.
1.1 1.08
x 10
-8
Tempo vs Qualidade do Resultado com , S10, LOLP=1.067x10-8, = 1%
LOLP
1.06 1.04 1.02 0
0.05
0.1
0.15
0.2
0.25
0.3
(a)
250
Tempo [segundos]
200 150 100 50 0 0 0.05 0.1 0.15 0.2 0.25 0.3
(b)
Fig. 4.11: Parmetro Compromisso entre Qualidade e Esforo Computacional
Note que a estimativa encontrada para = 0,3 no necessariamente ruim (dependendo do critrio adotado), porm, o resultado obtido para = 0,15 muito melhor no
existindo diferena significativa entre os tempos de simulao.
4.6.
COMENTRIOS FINAIS
Este captulo apresentou a metodologia proposta, CE-ISMC, aplicada em diversos sistemas testes e tambm em uma configurao planejada do sistema Sul-Sudeste Brasileiro para os anos 90. Em cada caso, o desempenho do CE-ISMC foi comparado com um mtodo analtico extremamente eficiente e com uma SMC no-cronolgica convencional. A metodologia proposta apresentou vantagens competitivas evidentes em comparao a SMC convencional, principalmente em sistemas de gerao muito confiveis. O mtodo tambm obteve um excelente desempenho em sistemas com elevado nmero de estados, sendo inclusive mais eficiente que o mtodo analtico em certas condies.
73
Anlises de sensibilidade foram apresentadas e discutidas, principalmente no que diz respeito raridade dos eventos de falha e ao tamanho do sistema. A eficincia computacional do parmetro foi comprovada assim como sua habilidade para tornar eficiente o processo de amostragem dos estados de carga. Diversos testes e simulaes foram realizados que no se encontram documentados neste trabalho. O principal objetivo foi verificar os limites da metodologia proposta e detectar possveis problemas numricos. Sistemas hipotticos de gerao extremamente confiveis foram testados utilizando fatores de escala maiores e adicionando novas unidades com diferentes capacidades. Diferentes perfis de curva de carga foram tambm utilizados modificando convenientemente o valor do pico e do fator de carga. Em todos os sistemas testados a metodologia proposta apresentou timos desempenhos. Foi verificado que com um conjunto conveniente de parmetros (principalmente N, e ), e considerando os mesmos recursos computacionais, o CE-ISMC fornece boas estimativas dos ndices GCR para qualquer sistema de gerao em no mais de 2 minutos.
74
CAPTULO 5
CONCLUSES
S ferramentas baseadas em Simulao Monte Carlo (SMC) so extremamente robustas para resolver problemas em confiabilidade de sistemas de potncia,
particularmente para sistemas de grande porte, onde o grande nmero de estados possveis dificulta a aplicao de mtodos analticos. Porm, eles podem encontrar alguns obstculos no que diz respeito a eventos raros, por exemplo, para avaliar valores muito pequenos para os ndices LOLP, i.e. 10-5. Embora se possa argumentar que uma configurao muito confivel para um sistema de gerao no um problema, e que a simulao deve ser suspensa aps verificar tal condio, em estudos de planejamento da expanso estes valores devem ser calculados considerando que diversas configuraes de reforo esto sendo comparadas. Alm do mais, em problemas que envolvem critrios especficos de projeto, o planejador poderia ter que medir a probabilidade de certo evento, que poderia ser muito raro, mas, a priori, esta condio desconhecida. Esta dissertao apresentou uma nova abordagem para avaliar os ndices de confiabilidade da capacidade de gerao baseada em tcnicas de SMC e no Mtodo da Entropia Cruzada (MEC). A idia bsica da metodologia proposta foi utilizar uma funo massa de probabilidade auxiliar cujos parmetros foram obtidos atravs de um processo de otimizao estocstico. Esta nova funo foi utilizada em conjunto com a j conhecida tcnica da amostragem por importncia (IS) a fim de reduzir a varincia amostral. Foi demonstrado que reduzindo a varincia do estimador possvel obter ganhos significativos no desempenho das simulaes. O desempenho da abordagem proposta baseada no MEC foi testado em diversas condies diferentes, incluindo sistemas de pequeno, mdio e grande porte com diferentes nveis de confiabilidade. Os resultados obtidos foram comparados com um mtodo analtico extremamente eficiente e tambm com uma simulao Monte Carlo convencional. Foi demonstrado o desempenho excepcional do mtodo proposto baseado em Entropia Cruzada em comparao s abordagens anteriores. mostrado que a abordagem proposta atinge a convergncia especificada em poucos segundos, enquanto a SMC convencional
75
CAPTULO 5 CONCLUSES
poderia levar horas, meses ou at anos para garantir a mesma preciso. No Captulo 2 foi discutida a formulao matemtica do problema, assim como um resumo dos principais mtodos utilizados no presente para avaliar a confiabilidade de gerao com suas respectivas vantagens e desvantagens. Em geral, os mtodos analticos apresentam problemas quando o nmero de estados possveis do sistema aumenta, mas no apresentam problemas no que diz respeito raridade dos eventos de falha envolvidos. No caso da SMC ocorre o contrrio, pois o esforo computacional desta tcnica no muito sensvel ao tamanho dos sistemas, mas extremamente sensvel raridade dos eventos de falha. Foi demonstrado por diversas simulaes que o mtodo proposto baseado em Entropia Cruzada indiferente a ambos os problemas, permitindo a avaliao dos ndices de confiabilidade em poucos segundos para quaisquer que sejam as caractersticas do sistema de gerao. O Captulo 3 apresentou o Mtodo da Entropia Cruzada para simulao de eventos raros e como este mtodo pode ser reformulado matematicamente, partindo da sua formulao bsica, para ser aplicado ao problema de avaliar a confiabilidade da capacidade de gerao. Foi discutido e verificado que a distoro tima do espao de estados encontrada para o ndice LOLP pode ser utilizada para estimar os outros ndices de confiabilidade, i.e. EPNS e LOLF. Portanto, todo o desenvolvimento matemtico e computacional pode ser feito considerando somente o ndice LOLP, e somente um vetor de parmetros de referncia timo necessrio. Considerando um modelo de carga varivel no tempo, diversas simulaes demonstraram que o vetor de parmetros de referncia timo encontrado para um nvel fixo L, no pico de carga ou muito prximo deste pico, apresenta um excelente desempenho computacional. Neste captulo tambm foi introduzido o parmetro e ficou demonstrada a sua eficincia em resolver problemas inerentes ao baixo fator de potncia em alguns sistemas de gerao. No Captulo 4, foram realizadas diversas aplicaes numricas com o IEEE Reliability Test System (IEEE-RTS) [IEEE79] e tambm com diversas modificaes deste sistema. O desempenho do mtodo proposto baseado em Entropia Cruzada foi comparado com uma simulao Monte Carlo no-sequencial e tambm com um mtodo analtico extremamente eficiente que evita a computao combinatria. Uma configurao do sistema de gerao
76
CAPTULO 5 CONCLUSES
brasileiro da regio Sul-Sudeste tambm foi utilizada para demonstrar a aptido do mtodo proposto em aplicaes reais. A partir dos diversos testes realizados, pode-se concluir que o mtodo proposto baseado em Entropia Cruzada pode ser satisfatoriamente aplicado para avaliar os ndices de confiabilidade de qualquer sistema de gerao, independentemente do maior ou menor grau de confiabilidade do mesmo, e tambm do seu tamanho ou caractersticas de carregamento. Foi demonstrado que na medida em que o tamanho do sistema aumenta, os desempenhos dos mtodos analtico e SMC se deteriora, enquanto o desempenho da metodologia proposta permanece praticamente constante para qualquer sistema, sendo que neste caso o desempenho depende principalmente dos valores especificados para os parmetros e . Algumas sugestes para trabalhos futuros so as seguintes: Avaliar a confiabilidade da capacidade de gerao atravs da simulao Monte Carlo Cronolgica, auxiliada pelo Mtodo da Entropia Cruzada; Avaliar a confiabilidade composta (i.e. gerao e transmisso) de sistemas eltricos de potncia atravs do Mtodo da Entropia Cruzada; Comparar os desempenhos computacionais de diversos mtodos existentes na literatura com mtodos baseados em Entropia Cruzada, por exemplo, com a SMC pseudo-cronolgica; Aplicao do Mtodo da Entropia Cruzada no planejamento da expanso de sistemas eltricos de potncia.
77
REFERNCIAS BIBLIOGRFICAS
[A90] G.J. Anders, Probability Concepts in Electric Power Systems, New York: John Wiley and Sons, 1990. [ABA86] R.N. Allan, R. Billinton, N.M.K. Abdel-Gawad, The IEEE Reliability Test System - Extensions to and Evaluation of the Generating System, IEEE Transactions on Power Systems, Vol. 1, No. 4, pp. 1-7, November 1986. [ABL84] R.N. Allan, R. Billinton, S.H. Lee, Bibliography on the Application of Probability Methods in Power System Reliability Evaluation 19771982, IEEE Transactions on Power Apparatus and Systems, Vol. 103, No. 2, pp. 275-282, February 1984. [AEPP90] G.J. Anders, J. Endrenyi, M.V.F. Pereira, L.M.V.G. Pinto, Fast Monte Carlo Simulation Techniques for Power System Reliability Studies, CIGRE Symposium, Paris, Paper 38-205, 1990. [ALAB81] R.N. Allan, A.M. Leite da Silva, A.A. Abu-Nasser, R.C. Burchett, Discrete 1981. [BA96] R. Billinton, R.N. Allan, Reliability Evaluation of Power Systems, 2nd Edition, New York: Plenum, 1984, 1996. [BAS94] R. Billinton, R.N. Allan, L. Salvaderi (Editors), Applied Reliability Assessment in Electric Power Systems, New York: IEEE Press, 1994. Convolution in Power System Reliability, IEEE Transactions on Reliability, Vol. 30, No. 5, pp. 452-456, December
78
[BBGH59]
C.J. Baldwin, J.E. Billings, D.P. Gaver, C.H. Hoffman, Mathematical Models for Use in the Simulation of Power Generating Outages: II Power Systems Forced Outage Distributions, AIEE Transactions, Vol. PAS-78, pp. 1258-1272, 1959.
[BFB01]
R. Billinton, M. Fotuhi-Firuzabad, L. Bertling, Bibliography on the Application of Probability Methods in Power System Reliability Evaluation 19961999, IEEE Transactions on Power Systems, Vol. 16, No. 4, pp. 595-602, November 2001.
[BGH59]
C.J. Baldwin, D.P. Gaver, C.H. Hoffman, Mathematical Models for Use in the Simulation of Power Generating Outages: I Fundamental Considerations, AIEE Transactions, Vol. PAS-78, pp. 1251-1258, 1959.
[BGHR60]
C.J. Baldwin, D.P. Gaver, C.H. Hoffman, J.A. Rose, Mathematical Models for Use in the Simulation of Power Generating Outages: III Models for Large Interconnection, AIEE Transactions, Vol. PAS-78, pp. 1645-1650, 1960.
[BJ96]
R. Billinton, A. Jonnavithula, Variance Reduction Techniques for use with Sequential Monte Carlo Simulation in Bulk Power System Reliability Evaluation, Canadian Conference on Electrical and Computer Engineering 1996, Vol. 1, pp. 416-419, Calgary, May 1996.
[BJ97]
R. Billinton, A. Jonnavithula, Composite System Adequacy Assessment Using Sequential Monte Carlo Simulation with Variance Reduction Techniques, IEE Proceedings on Generation, Transmission and Distribution., Vol. 144, No. 1, pp.1-6, January 1997.
[BKMR05]
P.T. de Boer, D.P. Kroese, S. Mannor, R.Y. Rubinstein, "A Tutorial on the Cross-Entropy Method", Annals of Operations Research, Vol. 134, No.1, pp. 19-67, January 2005.
79
[BL94]
R. Billinton, W. Li, "Reliability Assessment of Electrical Power Systems Using Monte Carlo Methods", New York: Plenum, 1994.
[BWH82]
R. Billinton, C.L. Wee, G. Hamoud, Digital Computer Algorithms for the Calculation of Generating Capacity Reliability Indices, IEEE Transactions on Power Apparatus and Systems, Vol. 101, No. 1, pp. 203-211, January 1982.
[C47]
G. Calabrese, Generating Reserve Capacity Determined by the Probability Method, AIEE Transactions, Vol. 66, pp. 1439-1450, 1947.
[C90]
G.M. Clark, Use of common random numbers in comparing alternatives, Proceedings of the 1990 Winter Simulation Conference, pp. 367-371, New Orleans, U.S.A., December 1990.
[CGOP82]
S.H.F. Cunha, F.B.M. Ganes, G.C. Oliveira, M.V.F. Pereira, Reliability Evaluation in Hydrothermal Generating Systems, IEEE Transactions on Power Apparatus and Systems, Vol. 101, No. 12, pp. 4665-4673, December 1982.
[CS86]
Q. Chen, C. Singh, "Equivalent Load Method for Calculating Frequency & Duration Indices in Generation Capacity Reliability Evaluation", IEEE Transactions on Power Systems, Vol. 1, No. 1, pp. 101-107, February 1986.
[E78]
J. Endrenyi, Reliability Modeling in Electric Power Systems. Chichester, U.K.: John Wiley and Sons, 1978.
[EGSMW07]
D. Ernst, M.Glavic, G. Stan, S. Mannor, L. Wehenkel, "The CrossEntropy Method for Power System Combinatorial Optimization Problems", Power Tech, 2007 IEEE Lausanne, pp. 1290-1295, Lausanne, Switzerland, July 2007.
80
[F09]
P.L. Fackler, Notes on Simulation and Monte Carlo, Notas de Aula, disponvel no site http://www4.ncsu.edu/unity/users/p/pfackler/ www/ECG790C/MCNotes.pdf, January 2009.
[HA58]
H. Halperin, H.A. Adler, Determination of Reserve Generating Capacity, IAEE Transactions, Vol. PAS-77, pp. 530-544, 1958.
[HBKK05]
K.P. Hui, N. Bean, M. Kraetzl, D.P. Kroese, The Cross-Entropy Method for Network Reliability Estimation, Annals of Operations Research, Vol. 134, pp. 101-118, 2005.
[HR02]
T. Homem-de-Mello, R. Y. Rubinstein, Estimation of Rare Event Probabilities Using Cross-Entropy, Proceedings of the 2002 Winter Simulation Conference, Vol. 1, pp. 310-319, San Diego, U.S.A., December 2002.
[IEEE79]
Reliability Test System Task Force of the IEEE Subcommittee on the Application of Probability Methods, IEEE Reliability Test System, IEEE Transactions on Power Apparatus and Systems, Vol. 98, pp. 2047-2054, November/December 1979.
[KHN07]
D.P. Kroese, K.P. Hui, S.Nariai, Network Reliability Optimization via the Cross-Entropy Method, IEEE Transactions on Reliability, Vol. 56, No. 2, pp. 275-287, June 2007.
[L05]
W. Li, Risk Assessment of Power Systems Models, Methods, and Applications, New York: IEEE Press, 2005.
[L47]
W.J. Lyman, Calculating Probability of Generating Capacity Outages, AIEE Transactions, Vol. 66, pp. 1471-1477, 1947.
81
[LCM92]
A.M. Leite da Silva, J. Coelho, A.C.G. Melo, Uncertainty Considerations in Frequency and Duration Analysis for Large Hydrothermal Generating Systems, IEE Proceedings Part C, Vol. 138, No. 3, pp. 277-285, May 1992.
[LMC91]
A.M. Leite da Silva, A.C.G. Melo, S.H.F. Cunha, "Frequency and Duration Method for Reliability Evaluation of Large-Scale Hydrothermal Generating Systems", IEE Proceedings on Generation, Transmission and Distribution, Vol. 138, No. 1, pp. 94-102, January 1991.
[LMMB00]
A.M. Leite da Silva, L.A.F. Manso, J.C.O. Mello, R. Billinton, Pseudo-Chronological Simulation for Composite Reliability Analysis with Time Varying Loads, IEEE Transactions on Power Systems, Vol. 15, No. 1, pp. 73-80, February 2000.
[LNR99]
D. Lieber, A. Nemirovskii, R.Y. Rubinstein, A Fast Monte Carlo Method for Evaluating Reliability Indexes, IEEE Transactions on Reliability. Vol. 48, No. 3, pp. 256-261, September 1999.
[LPC88]
A.M. Leite da Silva, F.A.F. Plazo Blanco, J. Coelho, Discrete Convolution in Generating Capacity Reliability Evaluation - LOLE Calculations and Uncertainty Aspects, IEEE Transactions on Power Systems, Vol. 3, No. 4, pp. 1616-1624, November 1988.
[LRMB04]
A.M. Leite da Silva, L.C. Resende, L.A.F. Manso, R. Billinton, WellBeing Analysis for Composite Generation and Transmission Systems, IEEE Transactions on Power Systems, Vol. 19, No. 4, pp. 1763-1770, November 2004.
[LW47]
E.S. Loane, C.W. Watchorn, Probability Methods Applied to Generating Capacity Problems of a Combined Hydro and Steam Systems, AIEE Transactions, Vol. 66, pp. 1645-1657, 1947.
82
[M86]
A.C. Geber de Melo, Avaliao da Confiabilidade de Gerao atravs do Mtodo da Frequncia e Durao, Tese de Mestrado, Pontifcia Universidade Catlica do Rio de Janeiro, PUC-RJ, Agosto 1986.
[MCRLS09]
V. Miranda, L.M. Carvalho, M.A. Rosa, A.M. Leite da Silva, C. Singh, Improving Power System Reliability Calculation Efficiency with EPSO Variants, IEEE Transactions on Power Systems aceito para publicao, 2009.
[MPL92]
A.C.G. Melo, M.V.F. Pereira, A.M. Leite da Silva, Frequency and Duration Calculations in Composite Generation and Transmission Reliability Evaluation, IEEE Transactions on Power Systems, Vol. 7, No. 2, pp. 469-476, May 1992.
[PAK08]
M. Perninge, M. Amelin, V. Knazkins, "Comparing Variance Reduction Techniques for Monte Carlo Simulation of Trading and Security in a Three-Area Power System", Transmission and Distribution Conference and Exposition: Latin America 2008 IEEE/PES, pp. 1-5, Bogota, Colombia, August 2008.
[PB92]
M.V.F. Pereira, N.J. Balu, Composite Generation/Transmission Reliability Evaluation (invited paper), Proceedings of the IEEE, Vol. 80, No. 4, pp. 470-491, April 1992.
[PBB88]
A.D.Patton, J.H. Blackstone, N.J. Balu, A Monte Carlo Simulation to the Reliability Modeling of Generating Systems Recognizing Operating Considerations, IEEE Transactions on Power Systems, Vol. 3, No. 3, pp. 1174-1180, August 1988.
[QZW07]
Y. Qiu, H. Zhou, Y. Wu, An Importance Sampling Method with Applications to Rare Event Probability, Proceedings of 2007 IEEE International Conference on Grey Systems and Intelligent Services, pp. 1381-1385, Nanjing, China, November 2007.
83
[QZW08]
Y. Qiu, H. Zhou, Y.Wu, An Importance Sampling Method Based on Martingale with Applications to Rare Event Probability, Proceedings of the 7th World Congress on Intelligent Control and Automation, pp. 4041-4045, Chongqing, China, June 2008.
[R91]
R.Y. Rubinstein, Simulation and the Monte Carlo Method, New York: John Wiley and Sons, 1991.
[RK04]
R.Y. Rubinstein, D.P. Kroese, "The Cross-Entropy Method. A Unified Approach to Combinatorial Optimization, Monte-Carlo Simulation, and Machine Learning", New York: Springer, 2004.
[RK07]
R.Y. Rubinstein, D.P. Kroese, "Simulation and the Monte Carlo Methods", Second Edition, New York: John Wiley and Sons, 2007.
[SB77]
C. Singh, R. Billinton, System Reliability Modelling and Evaluation, London, U.K.: Hutchinson, 1977.
[SR08]
M.Th. Schilling, A.M. Rei, Reliability Assessment of the Brazilian Power System Using Enumeration and Monte Carlo, IEEE Transactions on Power Systems, Vol. 23, No. 3, August 2008.
[WS08]
L.Wang, C. Singh, "Population-Based Intelligent Search in Reliability Evaluation of Generation Systems With Wind Power Penetration", IEEE Transactions on Power Systems, Vol. 23, No. 3, pp. 1336-1345, August 2008.
[ZX02]
B. Zhaohong, W. Xifan, "Studies on Variance Reduction Technique of Monte Carlo Simulation in Composite System Reliability Evaluation", Electric Power Systems Research, Vol. 63, No. 1, pp. 59-64, August 2002.
84
UNIVERSIDADE FEDERAL DE ITAJUB PROGRAMA DE PS-GRADUAO EM ENGENHARIA ELTRICA
REINALDO ANDRS GONZLEZ FERNNDEZ
AVALIAO DA CONFIABILIDADE DA CAPACIDADE DE GERAO VIA O MTODO DA ENTROPIA CRUZADA
Dissertao submetida ao Programa de PsGraduao em Engenharia Eltrica como parte dos requisitos para obteno do Ttulo de Mestre em Cincias em Engenharia Eltrica
rea de Concentrao: Sistemas Eltricos de Potncia
Orientador: Prof. Dr. Armando Martins Leite da Silva
Junho 2009 Itajub MG Brasil
AGRADECIMENTOS
Ao Professor Armando Martins Leite da Silva, por toda a dedicao, ensinamentos,
compreenso e pelo excelente trabalho de orientao ao longo do desenvolvimento desta dissertao. Aos colegas e amigos Lus Lima, Lus Nascimento, Warlley e Leandro por toda a
ajuda e apoio prestados desde o meu ingresso no programa de ps-graduao. Ao Programa de Apoio ao Plano de Reestruturao e Expanso das Universidades
Federais (REUNI) pelo apoio financeiro. Ao meu querido pai Reinaldo Andrs J. Gonzlez Cocian, por todo o amor, apoio e
grande incentivo em todos meus projetos e decises importantes. minha me Miryan R. Fernndez de Gonzlez por todo o amor, carinho, educao
e pelas suas constantes oraes que sempre me deram foras para seguir adiante. Aos meus irmos Paulo Cesar, Delia Diana, Eveline Maria e minha noiva Marta
Esperanza, por todo o amor, pacincia e compreenso em todos os momentos de minha vida.
Aos meus queridos pais Reinaldo e Miryan, Aos meus irmos Paulo, Delia e Eveline, e Ao meu grande amor Marta Esperanza.
RESUMO
Nos estudos de planejamento da expanso de sistemas eltricos de potncia, tcnicas so necessrias para quantificar os custos e a confiabilidade das diversas alternativas. Nas ltimas dcadas, os ndices de confiabilidade da capacidade de gerao (generating capacity reliability - GCR) tm sido parmetros muito teis para auxiliar engenheiros de planejamento em muitas decises. Estes ndices so medidas estatsticas que indicam se a capacidade de gerao disponvel suficiente para atender carga total do sistema dentro de padres tcnico-operativos predeterminados. Em problemas que envolvem critrios especficos de projeto, o planejador poderia ter que medir a probabilidade de ocorrncia para certo evento que poderia ser raro, mas, a priori, esta condio desconhecida. Esta dissertao apresenta uma nova metodologia para avaliar os ndices GCR baseada em tcnicas de Simulao Monte Carlo (SMC) e no Mtodo da Entropia Cruzada. A idia bsica utilizar uma funo massa de probabilidade auxiliar, cujos parmetros so obtidos atravs de um processo de otimizao estocstico. Esta nova funo utilizada em conjunto com a j conhecida tcnica da amostragem por importncia a fim de reduzir drasticamente a varincia amostral e, consequentemente, o esforo computacional do processo de estimao baseado em SMC. A fim de verificar completamente o desempenho da metodologia proposta, diversos aspectos como o tamanho do sistema, raridade dos eventos de falha, nmero de unidades diferentes e perfil da curva de carga so considerados. O IEEE-RTS utilizado para testar a metodologia proposta. Tambm, diversas modificaes so feitas neste sistema a fim de comparar o desempenho da abordagem proposta com uma SMC no-cronolgica e uma tcnica analtica extremamente eficiente baseada em convoluo discreta. Uma configurao do sistema Sul-Sudeste Brasileiro (SSB) de gerao tambm utilizada para demonstrar a aptido do mtodo proposto em aplicaes reais.
ABSTRACT
In power systems expansion planning studies, techniques are needed to quantify the costs and reliabilities for each of the several alternatives. In the last few decades, the generation capacity reliability (GCR) indices have been very useful parameters to help planning engineers in many decisions. These GCR indices are statistical measures that indicate if the available generation capacity is sufficient to meet the total system load, considering predetermined technical-operative standards. In problems involving specific design criteria, the planner may have to measure the probability of occurrence for a certain event which may be rare, but, a priori, this condition is unknown. This dissertation presents a new methodology to evaluate the GCR indices based on Monte Carlo Simulation (MCS) techniques and the Cross-Entropy Method. The basic idea is to use an auxiliary probability mass function, whose parameters are obtained from a stochastic optimization process. This new function is used in combination with the well known Importance Sampling technique to drastically reduce the sample variance and, consequently, the computational effort of the estimation process based on MCS. In order to fully verify the performance of the proposed methodology, several aspects such as system size, rarity of the failure events, number of different units and load shape are considered. The IEEE-RTS is used to test the proposed methodology. Also, several modifications are made in this system in order to compare the performance of the proposed approach against a non-chronological MCS and an extremely efficient analytical technique based on discrete convolution. A configuration of the Brazilian South-Southeastern generating system is also used to demonstrate the capability of the proposed method in real applications.
SUMRIO
Lista de Figuras ................................................................................................................... ix Lista de Tabelas ................................................................................................................... x Lista de Abreviaturas e Smbolos ...................................................................................... xi Captulo 1: Introduo ........................................................................................................ 1 1.1. 1.2. 1.3. Consideraes Iniciais ........................................................................................... 1 Desenvolvimento Histrico ................................................................................... 4 Estrutura da Dissertao ........................................................................................ 9
Captulo 2: Avaliao da Confiabilidade da Capacidade de Gerao .......................... 11 2.1. 2.2. 2.3. Introduo ............................................................................................................ 11 Formulao do Problema ..................................................................................... 12 Mtodos Analticos .............................................................................................. 13 Consideraes Iniciais ................................................................................. 13 Modelo da Capacidade de Gerao ............................................................. 14 Modelo da Carga do Sistema ....................................................................... 16 Modelo da Reserva e ndices de Confiabilidade ......................................... 16
2.3.1. 2.3.2. 2.3.3. 2.3.4. 2.4.
Tcnicas de Simulao Monte Carlo ................................................................... 17 SMC No-Cronolgica ................................................................................ 18 SMC Sequencial ou Cronolgica ................................................................. 20 SMC Pseudo-Cronolgica ........................................................................... 21
2.4.1. 2.4.2. 2.4.3. 2.5. 2.6.
Mtodos Baseados em Metaheursticas ............................................................... 22 Comentrios Finais .............................................................................................. 23
Captulo 3: Aplicao do Mtodo da Entropia Cruzada na Confiabilidade de Gerao ............................................................................................................................... 25 3.1. 3.2. Introduo ............................................................................................................ 25 Tcnicas de Reduo de Varincia ...................................................................... 26 vii
3.2.1. 3.2.2. 3.2.3. 3.2.4. 3.2.5. 3.3.
Variveis Antitticas .................................................................................... 26 Variveis de Controle .................................................................................. 27 Nmeros Aleatrios em Comum ................................................................. 27 Amostragem Estratificada............................................................................ 28 Amostragem por Importncia ...................................................................... 28
O Mtodo da Entropia Cruzada ........................................................................... 29 Formulao Matemtica Bsica ................................................................... 30 Abordagem de Nveis Mltiplos para Eventos Raros .................................. 35 Algoritmo do MEC para Simulao de Eventos Raros ............................... 36 Parmetro de Suavizao .......................................................................... 38
3.3.1. 3.3.2. 3.3.3. 3.3.4. 3.4.
Aplicao do MEC na Avaliao de ndices de Confiabilidade .......................... 38 Reformulao do Problema ......................................................................... 39 Algoritmo da Abordagem Baseada no MEC ............................................... 43 Distoro do Espao de Estados e ndices de Confiabilidade ..................... 46 Modelos de Carga Varivel ......................................................................... 51 O Parmetro ............................................................................................. 54
3.4.1. 3.4.2. 3.4.3. 3.4.4. 3.4.5. 3.5.
Comentrios Finais .............................................................................................. 57
Captulo 4: Resultados....................................................................................................... 58 4.1. 4.2. Introduo ............................................................................................................ 58 IEEE Reliability Test System .............................................................................. 59 IEEE-RTS Modelo de Carga Constante ................................................... 59 IEEE-RTS Modelo de Carga de Nveis Mltiplos.................................... 61
4.2.1. 4.2.2. 4.3. 4.4. 4.5. 4.6.
Modificaes no IEEE-RTS Original .................................................................. 64 Sistema Sul-Sudeste Brasileiro ............................................................................ 67 Comentrios Adicionais ....................................................................................... 69 Comentrios Finais .............................................................................................. 73
Captulo 5: Concluses ...................................................................................................... 75 Referncias Bibliogrficas ................................................................................................. 78 viii
LISTA DE FIGURAS
Fig. 2.1: Modelo de Carga - Sequncia de Nveis Discretos de Carga ............................... 16
Fig. 3.1: Sistema de Gerao - Barra nica ....................................................................... 40 Fig. 3.2: Distoro tima do Espao de Estados em L'=L ................................................. 47 Fig. 3.3: Probabilidades dos Estados de Gerao ............................................................... 48 Fig. 3.4: Estados de Falha com Contribuies para os ndices GCR ................................. 48 Fig. 3.5: Modelo de Carga de Nveis Discretos .................................................................. 51 Fig. 3.6: Mapeamento da Curva de Carga por uma Distribuio Uniforme Discreta ........ 52 Fig. 3.7: Modelo Markoviano Sequencial de Carga ........................................................... 53 Fig. 3.8: Distribuio de Probabilidade de L ...................................................................... 54 Fig. 3.9: Aplicao do Parmetro ................................................................................... 56
Fig. 4.1: Probabilidades dos Estados de Gerao ............................................................... 60 Fig. 4.2: Processo de Convergncia do ndice LOLP ......................................................... 62 Fig. 4.3: Processo de Convergncia do ndice EPNS ......................................................... 62 Fig. 4.4: Processo de Convergncia do ndice LOLF ......................................................... 63 Fig. 4.5: Valores da LOLP para Diferentes Modificaes no IEEE-RTS .......................... 66 Fig. 4.6: Comparao de Desempenhos IEEE-RTS com Diferentes Fatores de Escala .. 66 Fig. 4.7: Processo de Convergncia do ndice LOLP IEEE-RTS5 ............................... 67 Fig. 4.8: Raridade do Evento de Falha IEEE-RTS1 ...................................................... 69 Fig. 4.9: Raridade do Evento de Falha IEEE-RTS20 .................................................... 70 Fig. 4.10: Eficincia do Parmetro ................................................................................. 71 Fig. 4.11: Parmetro Compromisso entre Qualidade e Esforo Computacional ......... 73
ix
LISTA DE TABELAS
Tabela 4.1 IEEE-RTS: ndices de Confiabilidade Modelo de Carga Constante ........... 59 Tabela 4.2 IEEE-RTS: ndices de Confiabilidade Modelo de Carga Varivel ............. 61 Tabela 4.3 IEEE-RTS Fator de Escala Modelo de Carga Varivel ............................ 65 Tabela 4.4 Resultados para a Configurao Normal do SSB ........................................... 68 Tabela 4.5 Resultados para a Configurao Reforada do SSB ....................................... 68 Tabela 4.6 IEEE-RTS 10 com Carga Pico de 31070MW ............................................. 72
LISTA DE ABREVIATURAS E SMBOLOS
vk f ( ; ) f ( x ; )
Vetor de parmetros de referncia timo estimado na iterao k Funo massa/densidade de probabilidade definida por Valor da funo massa/densidade de probabilidade f ( ; ) no ponto x Operador diferencial vetorial (Gradiente) Smbolo de pertence Operador de convoluo Operador de definio ou atribuio Famlia de funes massa/densidade qual pertence f ( ; ) Anos Ant Colony Optimization Artificial Immune System Antithetic Variates Cross-Entropy Cross-Entropy Importance Sampling Monte Carlo Capacity Outage Probability and Frequency Table Capacity Outage Probability Table Central Processing Unit Tempo de Simulao Control Variates Divergncia de Kullback-Leibler Valor esperado amostral Expected Energy Not Supplied Expected Power Not Supplied Valor esperado considerando o vetor de parmetros de referncia Frequncia e Durao Modelo matemtico que representa o conjunto de unidades geradoras

* := { f ( ; ) } a ACO AIS AV CE CE-ISMC COPFT COPT CPU CV DKL( || ) [] EENS EPNS E [ ] F&D G
Vrias siglas so mantidas na lngua inglesa por serem mais conhecidas nesta forma.
xi
GA GCR GHz h H( ) I{ } IEEE IS K L L LMAX ln LOLD LOLE LOLF LOLP me MEC MW MWh N
n
Genetic Algorithms Generation Capacity Reliability Gigahertz Horas Funo teste Funo indicadora Institute of Electrical and Electronics Engineers Importance Sampling ltima iterao do processo de estimao de v Modelo matemtico que representa a carga do sistema Nvel no qual ser baseada a distoro das probabilidades de G Nvel de L que representa o pico de carga do sistema Logaritmo natural Loss of Load Duration Loss of Load Expectation Loss of Load Frequency Loss of Load Probability Ms Mtodo da Entropia Cruzada Megawatt Megawatt-hora Nmero total de amostras Vetor que contm o nmero de unidades em cada estao geradora Contador de estados visitados com repetio na fase II do CE-ISMC Nmero de estaes geradoras do modelo G Natural Exponential Family Critrio de convergncia definido pelo mximo nmero de iteraes Ocorrncias Probability density function Probability mass function
N1 NC NEF NMAX oc pdf pmf
xii
PSO P { }
Particle Swarm Optimization Probabilidade de um evento considerando o vetor de parmetros Conjunto dos nmeros reais Modelo matemtico da reserva esttica do sistema Reliability Test System Segundos Funo de desempenho Simulao Monte Carlo Sul-Sudeste Brasileiro Intervalo de tempo que representa o perodo total de anlise Vetor de parmetros de referncia original Distribuio uniforme de probabilidade Varincia Variance Reduction Techniques Razo de verossimilhana Conjunto dos nmeros inteiros Parmetro de suavizao Critrio de convergncia denominado coeficiente de variao Incremento de arredondamento Subdivises de igual comprimento do perodo de anlise T Vetor de parmetros de referncia genrico que define uma pmf/pdf Parmetro de nveis mltiplos Parmetro que determina os estados mais significativos de L
R
R RTS s S( ) SMC SSB T
u
U( ) V( ) VRT
W( )
Z
T
xiii

Modelos de Capacidade e Carga

Uploaded by

Document Information

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

Modelos de Capacidade e Carga

Uploaded by

Copyright:

Available Formats

CAPTULO 1

CAPTULO 2 AVALIAO DA CONFIABILIDADE DA CAPACIDADE DE GERAO

reserva a qual expressa, em termos de probabilidades, a reserva de capacidade de gerao do sistema.

CAPTULO 2 AVALIAO DA CONFIABILIDADE DA CAPACIDADE DE GERAO

CAPTULO 2 AVALIAO DA CONFIABILIDADE DA CAPACIDADE DE GERAO

CAPTULO 2 AVALIAO DA CONFIABILIDADE DA CAPACIDADE DE GERAO

Gk' +1 = Gk' + Gk +1 , onde Gk' = Gi

' (com i = 1, k), e o processo para quando GNG = G . Para ilustrar o

CAPTULO 2 AVALIAO DA CONFIABILIDADE DA CAPACIDADE DE GERAO

2.3.3. Modelo da Carga do Sistema

Unidade de Tempo [T]

2.3.4. Modelo da Reserva e ndices de Confiabilidade

CAPTULO 2 AVALIAO DA CONFIABILIDADE DA CAPACIDADE DE GERAO

modelo da reserva (esttica) de potncia R, i.e.

EPNS = cR (rk ) pR (rk ) .

TCNICAS DE SIMULAO MONTE CARLO

CAPTULO 2 AVALIAO DA CONFIABILIDADE DA CAPACIDADE DE GERAO

2.4.1. SMC NO-CRONOLGICA

CAPTULO 2 AVALIAO DA CONFIABILIDADE DA CAPACIDADE DE GERAO

CAPTULO 2 AVALIAO DA CONFIABILIDADE DA CAPACIDADE DE GERAO

2.4.2. SMC SEQUENCIAL OU CRONOLGICA

CAPTULO 2 AVALIAO DA CONFIABILIDADE DA CAPACIDADE DE GERAO

2.4.3. SMC PSEUDO-CRONOLGICA

CAPTULO 2 AVALIAO DA CONFIABILIDADE DA CAPACIDADE DE GERAO

MTODOS BASEADOS EM METAHEURSTICAS

CAPTULO 2 AVALIAO DA CONFIABILIDADE DA CAPACIDADE DE GERAO

CAPTULO 2 AVALIAO DA CONFIABILIDADE DA CAPACIDADE DE GERAO

CAPTULO 3 APLICAO DO MEC NA CONFIABILIDADE DE GERAO

TCNICAS DE REDUO DE VARINCIA

3.2.1. Variveis Antitticas

CAPTULO 3 APLICAO DO MEC NA CONFIABILIDADE DE GERAO

3.2.2. Variveis de Controle

3.2.3. Nmeros Aleatrios em Comum

CAPTULO 3 APLICAO DO MEC NA CONFIABILIDADE DE GERAO

3.2.4. Amostragem Estratificada

3.2.5. Amostragem por Importncia

CAPTULO 3 APLICAO DO MEC NA CONFIABILIDADE DE GERAO

O MTODO DA ENTROPIA CRUZADA

CAPTULO 3 APLICAO DO MEC NA CONFIABILIDADE DE GERAO

3.3.1. Formulao Matemtica Bsica

um vetor real de parmetros. Para qualquer funo mensurvel H temos,

denominada funo desempenho e

CAPTULO 3 APLICAO DO MEC NA CONFIABILIDADE DE GERAO

Uma maneira de estimar diretamente o valor de

utilizar a simulao Monte Carlo

utilizando o estimador da razo de

conhecido que a melhor maneira de estimar uma densidade dada por,

utilizar uma mudana de medida com

CAPTULO 3 APLICAO DO MEC NA CONFIABILIDADE DE GERAO

De fato, se utilizando esta mudana de medida em (3.4),

l , que justamente o valor que

CAPTULO 3 APLICAO DO MEC NA CONFIABILIDADE DE GERAO

max g opt ( x) ln f ( x ; )dx .

que equivalente ao problema,

para qualquer vetor de parmetros , onde, f ( x ; u) f ( x ; )

max D() = max E u[ I{S ( X )

CAPTULO 3 APLICAO DO MEC NA CONFIABILIDADE DE GERAO

1 * = max D() = max N

CAPTULO 3 APLICAO DO MEC NA CONFIABILIDADE DE GERAO

. Entretanto, para probabilidades de

), a abordagem descrita por (3.14) difcil de

. Para isto, inicializada

< tal que, sob a funo de densidade

. O vetor 1 ser igual ao vetor de parmetros de referncia timo para estimar