Gestão Hidrotérmica: Abordagem Multicritério e Sistemas de Apoio à Decisão Celso Carneiro Ribeiro Universidade Federal Fluminense.

Apresentação em tema: "Gestão Hidrotérmica: Abordagem Multicritério e Sistemas de Apoio à Decisão Celso Carneiro Ribeiro Universidade Federal Fluminense."— Transcrição da apresentação:

1 Gestão Hidrotérmica: Abordagem Multicritério e Sistemas de Apoio à Decisão Celso Carneiro Ribeiro Universidade Federal Fluminense

2 Escopo da apresentação  Aspectos da modelagem, da metodologia e da tecnologia atuais  Evolução possível da metodologia  Estratégias a serem exploradas

3 Modelagem  Mudança nos objetivos  operação x comercial (cálculo de energia para contratos, preço)  Mudança no ambiente modelado  monopólio x mercado; uso da água (energia, ambiente); matriz energética  Introdução de novas variáveis aleatórias  afluências x (obras, carga, preço de combustível)  Introdução de novas fontes de energia  gás; biomassa  Evolução tecnológica  equivalente x individualizado Modelo? Representação simplificada da realidade Questão: A modelagem é adequada aos propósitos atuais?  simplificação confere factibilidade operacional  equivalência para determinados propósitos e sob certas condições  modelo sujeito a erros e aproximações

4 Metodologia  Otimalidade da solução  introdução de uma regra determinísitica (CAR) na otimização estocástica  Imprecisão x incertezas x otimalidade  Estabilidade e conseqüente confiança dos resultados  simulação influenciada pelo número de séries  condicionamento do sistema de equações  adequação do critério de convergência: custo x variáveis x número de iterações  Pode considerar outros objetivos?  Tempos de processamento permitem avaliação de alternativas? Questão: A metodologia usada é adequada aos propósitos atuais? f = Min c 1 z 1 + c 2 z 2 sa: A 1 z 1 ≥ b 1 E 1 z 1 + A 2 z 2 ≥ b 2

5 Tecnologia Questão: A tecnologia empregada está no nível das possibilidades e das necessidades atuais? É possível: A*, PL, Benders, PDE, PDED, MC, AGs, heurísticas...?  Mudança de regras e critérios face à evolução da estrutura do setor?  Tratamento de critérios múltiplos?  Adoção de modelos mais detalhados com representação do sistema mais próxima da realidade?  Convergência mais rápida?  Utilização de novos recursos computacionais e menores tempos de processamento?

6 Problemas  Necessidade de considerar os conflitos entre os atores envolvidos  Necessidade de considerar as diversas dimensões (incertezas), freqüentemente conflitantes e muitas vezes qualitativas  Necessidade de fundamentar as decisões Sistemas de apoio à decisão Otimização multicritério Suporte analítico ao processo de tomada de decisão, compreen- dendo um conjunto de técnicas cujo objetivo é a recomendação de ações bem fundamentadas. Nestas situações, as técnicas tradicionais da PO têm alcance limitado, pois não contemplam as premissas de um problema complexo: a existência de subjetividade, do juízo de valor dos atores e da multidimensionalidade do processo decisório.

7 Estratégias  Metodologia  Técnicas  Hardware  O ótimo sistêmico é claramente multi-critério.  Ponderar múltiplos objetivos para estabelecer prioridades (?).  Gerar e explorar soluções não-dominadas (eficientes, Pareto-ótimas).  variar peso na combinação dos objetivos para enumerar soluções eficientes: vantajoso para problemas computacionalmente simples  aplicações e ferramentas tratam dois objetivos apenas (difícil extensão)  Usar preferências (a priori, a posteriori, interativo) para análise e comparação de alternativas (decidir entre diversas soluções).  Alternativa: tratar objetivos secundários como restrições e aplicar análise de sensibilidade às restrições: menor custo computacional.  Alternativa: heurísticas para gerar uma aproximação da fronteira de Pareto  métodos que constroem muitas soluções: GRASP, algoritmos genéticos Metodologia multicritério: Z2Z2 Z1Z1          

8 Estratégias  Metodologia  Técnicas  Hardware  Heurísticas x imprecisões, incertezas e tempo de processamento:  problemas de decisão (planejamento, programação)  é importante obter sempre uma “solução ótima exata”?  utilizar heurísticas que fornecem boas soluções aproximadas em tempos de processamento significativamente menores: GRASP, algoritmos genéticos (subproblemas poderão ser simulações)  exploração do espaço de soluções fornece não apenas uma solução, mas sim um grande número de soluções que podem ser exploradas por métodos de análise multicritério e sistemas de apoio à decisão  Vantagens: menores tempos de processamento, flexibilidade (revisão da modelagem, novos objetivos e incorporação de novas regras), alternativas  Aplicações em outras áreas: petróleo (otimização da exploração, campos inteligentes), telecomunicações (engenharia de tráfego, roteamento) Técnicas de otimização:

9 Estratégias  Metodologia  Técnicas  Hardware  Evolução das plataformas computacionais: processamento paralelo  Clusters: conjunto de processadores padrão interligados por rede local e integrados por um sistema de troca de mensagens (tecnologia estabelecida)  Grids: colaboração entre processadores distribuídos geograficamente, utilizando capacidade ociosa (desafios tecnológicos)  Soluções de baixo custo em termos de equipamentos e software  Algoritmos paralelos são freqüentemente mais robustos e menos influenciados por parâmetros  Heurísticas e problemas típicos de otimização em planejamento e programação da operação são estruturalmente passíveis de paralelização Recursos computacionais

10 Estratégias  Metodologia  Técnicas  Hardware  Evolução das plataformas computacionais: processamento paralelo  Clusters: conjunto de processadores padrão interligados por rede local e integrados por um sistema de troca de mensagens (tecnologia estabelecida)  Grids: colaboração entre processadores distribuídos geograficamente, utilizando capacidade ociosa (desafios tecnológicos)  Soluções de baixo custo em termos de equipamentos e software  Algoritmos paralelos são freqüentemente mais robustos e menos influenciados por parâmetros  Heurísticas e problemas típicos de otimização em planejamento e programação da operação são estruturalmente passíveis de paralelização Recursos computacionais Novas técnicas e paradigmas podem reforçar ainda mais a competência do ONS na operação do sistema.

11 Algumas referências  P. Agrell, B. Lence e A. Stam (1998), “An interactive multicriteria decision model for multipurpose reservoir management: the Shellmouth reservoir”, Journal of Multicriteria Decision Analysis 7, 61-86.  M. Basu (2004), “An interactive fuzzy satisfying method based on evolutionary programming technique for multiobjective short-term hydrothermal scheduling”, Electric Power Systems Research 69, 277-285.  S. Bath, J. Dhillon e D.P. Kothari (2004), “Fuzzy satisfying stochastic multi- objective generation scheduling by weightage pattern search methods”, Electric Power Systems Research 69, 311-320.  C. Lyra e L. Ferreira (1995), “A multiobjective approach to the short-term scheduling of a hydroelectric power system”, IEEE Transactions on Power Systems 10, pp. 1750-1754.