content apresentacao gpt pibic2025
Aplicando estratégias de diversificação em algoritmos evolutivos para problemas de Otimização em Engenharia Elétrica
Autor: Pedro Victor Rodrigues Veras Prof. Orientador: Rainer Zanghi Departamento de Engenharia Elétrica / Escola de Engenharia / LMSE Universidade Federal Fluminense (UFF) Programa de Iniciação Científica (PIBIC)
Sumário
- Introdução
- Metodologia
- Fundamentação Teórica
- Arquitetura do Software
- Resultados
- Conclusões
MOTIVAÇÃO
Esta pesquisa científica utiliza modelagem matemática e meta-heurísticas baseadas em processos bioinspirados, como a seleção natural, usando apenas a linguagem de programação Python para otimizar o agendamento de intervenções e operações em Sistemas Elétricos de Potência (SEP). O Software utiliza algoritmos evolutivos com DEAP e análise de contingências com Pandapower. O projeto é de código aberto e busca colaboradores para sua documentação online.
Repositorio no Github
- Repopulation-With-Elite-Set (UFF)
Metodologia em 4 etapas
- Estudo Bibliográfico do caso de Agendamento Ótimo no SEP
- Revisão de conceitos fundamentais para anaĺise de Sistemas Elétricos de Potência (SEP) com algoritmos evolutivos e Pandapower
- Elaboração de um novo algoritimo de otimização usando Algoritimo Evolutivo
- Definição de váriaveis de decisão, restrições e função objetivo do problema
- Implementação do código em Python e Simulações de cenários
- Uso apenas da linguagem Python usando as bibliotecas: DEAP, Pandas, PandaPower e Pyside6
- Testes de validação
- Testes de otimização em Redes IEEE 14, 30, 118 e SIN 45
Slide 1 — Capa
Aplicando estratégias de diversificação em algoritmos evolutivos para problemas de Otimização em Engenharia Elétrica
Linha de Pesquisa
- Sistemas Elétricos de Potência (SEP)
- Metaheurísticas
- Algoritmos Evolutivos
- Otimização de Agendamento
- Planejamento da Operação
Tecnologias
- Python
- DEAP
- Pandapower
- Pandas
- PySide6
- Streamlit
Legenda da imagem
Figura 1 — Arquitetura geral do framework de otimização aplicado ao SEP.
Inserir imagem:
- Fluxograma do framework
- AG + Pandapower + Dashboard
- Arquitetura do sistema
Slide 2 — Motivação
Contexto Operativo
-
O Sistema Interligado Nacional (SIN) possui alta complexidade operacional.
-
Desligamentos programados alteram a topologia da rede.
-
Contingências simultâneas podem gerar:
- Sobrecargas
- Colapso de tensão
- Corte de carga
- Ilhamento
Problema
O operador precisa:
- Minimizar riscos operativos
- Atender restrições elétricas
- Respeitar prioridades de manutenção
- Garantir segurança operativa
Desafio Computacional
O problema possui:
- Espaço combinatório explosivo
- Alta epistasia
- Função objetivo não linear
- Alto custo computacional
Legenda da imagem
Figura 2 — Exemplo de múltiplos cenários operativos no agendamento de intervenções.
Inserir imagem:
- Figura 4.3 da tese de doutorado
- Cenários operativos
Slide 3 — Fundamentação Teórica
Metaheurísticas e Algoritmos Evolutivos
- Processo Estocatico, problema classico de programação linear para otimização
Algoritmos Genéticos
Inspirados em:
- Seleção natural
- Mutação
- Cruzamento
- Evolução populacional
Estratégia RCE
Repopulation-With-Elite-Set
Objetivos:
- Evitar convergência prematura
- Preservar diversidade
- Melhorar exploração do espaço de busca
- Intensificar regiões promissoras
Conceitos importantes
- Epistasia
- Diversificação
- Intensificação
- Conjunto Elite
- Critério de Unicidade
Legenda da imagem
Figura 3 — Migração de indivíduos do conjunto elite durante repopulações da estratégia RCE.
Inserir imagem:
- Figura 4.6 da tese de doutorado
Slide 4 — Formulação Matemática
Modelagem Matemática para o algoritmo de otimização
Variáveis de decisão
Cada gene representa:
- Horário inicial de desligamento
- Duração da intervenção
- Cenário operativo
Função Objetivo
Minimizar:
[ Fitness = \sum_{cenários} \left( w_v V_{violação} + w_f F_{violação} + w_c C_{corte} \right) ]
Onde:
- (V_{violação}) → violações de tensão
- (F_{violação}) → sobrecarga em linhas/transformadores
- (C_{corte}) → penalidade por não atendimento
Restrições
- Limites operativos
- Segurança N-1
- Limites de tensão
- Limites térmicos
- Atendimento à demanda
Legenda da imagem
Figura 4 — Representação genética do cromossomo de agendamento.
Inserir imagem:
- Figura 4.4 da tese de doutorado
Slide 5 — Arquitetura do Framework
Framework de Otimização
Estrutura Geral
Núcleo Matemático
- DEAP
- Algoritmos Evolutivos
- Estratégia RCE
Simulação Elétrica
- Pandapower
- Fluxo de potência AC
- Contingências N-k
Interface Desktop
- PySide6 (Qt)
Dashboard Analítico
- Streamlit
Diferencial
O framework transforma:
Pesquisa acadêmica → ferramenta operativa
Legenda da imagem
Figura 5 — Arquitetura modular do framework desenvolvido em Python.
Inserir imagem:
- Arquitetura própria do projeto
- Launcher + núcleo + dashboard
Slide 6 — Classe RedeEletricaPandaPower
Classe RedeEletricaPandaPower
Responsabilidades
- Carregamento da rede
- Simulação elétrica
- Avaliação de cenários
- Controle de contingências
- Cálculo de fitness
Principais Métodos
| Método | Função |
|---|---|
| carregar_redes_padrao() | Carrega rede IEEE |
| avalia_cenarios() | Gera matriz de cenários |
| executar_fluxo_de_carga() | Executa runpp |
| calcular_violacoes_fitness() | Avalia violações |
| hashtableindex() | Evita recálculos |
Otimização Computacional
Uso de:
- Hashtable
- Paralelismo
- Cache de cenários
Legenda da imagem
Figura 6 — Fluxo de execução da classe RedeEletricaPandaPower.
Inserir imagem:
- Fluxograma interno da classe
Slide 7 — (OBS RAINER) Não Convergência do Fluxo
Por que o fluxo não converge?
Não convergência ≠ erro
É um comportamento esperado em cenários críticos.
Possíveis causas
- Colapso de tensão
- Sobrecargas severas
- Instabilidade operacional
- Ilhamento elétrico
Estratégia utilizada
O algoritmo:
- Penaliza cenários inviáveis
- Aumenta fitness do indivíduo
- Aprende regiões seguras da busca
Resultado
O AG aprende automaticamente:
quais combinações operativas devem ser evitadas
Legenda da imagem
Figura 7 — Exemplo de cenário não convergente em contingência N-k.
Inserir imagem:
- Fluxo divergente
- Colapso de tensão
- Curvas de tensão
Slide 8 — Resultados
Resultados Experimentais
Sistemas testados
- IEEE 14
- IEEE 30
- IEEE 57
- IEEE 118
- SIN 45
Resultados observados
- Redução de violações
- Melhor distribuição temporal
- Maior diversidade populacional
- Melhor convergência
Ganhos computacionais
- Uso de Hashtable
- Paralelismo
- RCE
Aplicabilidade
- Planejamento da operação
- Estudos de intervenção
- Apoio ao operador
Legenda da imagem
Figura 8 — Comparação entre agendamento solicitado e otimizado.
Inserir imagem:
- Tabelas 5.24 a 5.32
- Diagramas de tempo
Slide 9 — Dashboard Streamlit
Dashboard Analítico
Funcionalidades
- Evolução do fitness
- Melhor indivíduo
- Comparação entre execuções
- Estatísticas do AG
- Visualização operacional
Benefícios
- Tomada de decisão rápida
- Análise visual
- Interação com resultados
Legenda da imagem
Figura 9 — Dashboard Streamlit para análise das execuções do algoritmo evolutivo.
Inserir imagem:
- Dashboard real do projeto
Slide 10 — Trabalhos Futuros
Trabalhos Futuros
Integrações
- Leitura de arquivos .pwf
- Integração com AnaRede
- Integração com Organon
Inteligência Artificial
- Agentes inteligentes
- IA para apoio operacional
- Aprendizado por reforço
Visualização Avançada
- Redes 3D
- Three.js
- Monitoramento em tempo real
Pesquisa Científica
- Estabilidade transitória
- Métodos híbridos
- Sympy + Quarto.md
- EDOs em SEP
Legenda da imagem
Figura 10 — Roadmap tecnológico do framework de otimização para aplicações futuras.
Inserir imagem:
- Roadmap visual
- Ecossistema tecnológico
Slide 11 — Conclusões
Conclusões
O trabalho demonstrou que
- Algoritmos evolutivos são adequados para o problema de agendamento no SEP.
- A estratégia RCE melhora diversidade e qualidade das soluções.
- O Pandapower permite modelagem eficiente de redes elétricas.
- O framework possui potencial real de aplicação no ONS.
Inserir imagem:
- SIN
- linhas de transmissão
- visualização energética do Brasil
Contribuições Científicas
- Framework open source
- Integração otimização + SEP
- Ferramenta escalável
- Base para futuras pesquisas
referencias
Slide 12 — Fim
Obrigado
Pedro Victor Rodrigues Veras Engenharia Elétrica — UFF
