Informações da Disciplina

 Preparar para impressão 

Júpiter - Sistema de Gestão Acadêmica da Pró-Reitoria de Graduação


Escola Politécnica
 
Engenharia de Energia e Automação Elétricas
 
Disciplina: PEA3422 - Métodos de Otimização Aplicados a Sistemas Elétricos
Optimization Methods Applied to Electrical Systems

Créditos Aula: 4
Créditos Trabalho: 0
Carga Horária Total: 60 h
Tipo: Semestral
Ativação: 01/01/2017 Desativação:

Objetivos
Apresentar técnicas de otimização para modelagem de problemas da engenharia elétrica, incluindo técnicas convencionais (por programação matemática) e técnicas heurísticas, tais como algoritmos genéticos. Aplicação destas técnicas em diversos problemas típicos de engenharia de potência, tais como a minimização de perdas em redes elétricas e o dimensionamento de equipamentos elétricos.
 
The discipline aims at showing optimization techniques for modeling electrical engineering problems, including conventional techniques, such as mathematical programming and heuristic techniques including genetic algorithms. The application of these techniques in various power engineering problems, such as the minimization of losses in electric networks and the design of electrical equipment.
 
 
Docente(s) Responsável(eis)
2088808 - Luiz Lebensztajn
82124 - Nelson Kagan
 
Programa Resumido
Noções de otimização. Modelagem de Problemas de Engenharia de Sistemas Elétricos através de Métodos Determinísticos e Estocásticos. Programação Linear, Programação linear inteira mista, Metaheurísticas como Algoritmos Genéticos, Particle Swarm Optimization e Evolução Diferencial. Modelagem e resolução de problemas a múltiplos objetivos no contexto de sistemas elétricos de potência
 
Formulation of Optimization Problems: Basics. Modeling Electrical Systems Engineering Problems through Deterministic and Stochastic Methods. Linear programming, mixed integer linear programming, Metaheuristics such as Genetic Algorithms, Particle Swarm Optimization and Differential Evolution. Modeling and solving multiobjective optimization problems in the context of Electrical Systems, such as Network Problems and Optimal Design of Electrical Devices.
 
 
Programa
- Noções de problemas de programação não linear e determinação de máximo de funções. - Programação linear (Formulações e Métodos de Solução - SIMPLEX). Modelagem de problemas por programação linear (PL) e principais aplicações em Engenharia de Potência. Utilização de Pacote Computacional (Software de PL). - Programação linear inteira mista (Formulação e o método banch - and- bound) e suas aplicações em problemas de custo fixo envolvendo variáveis contínuas e inteiras. - Algoritmos de busca heurística e aplicações em problemas de configuração. - Computação Evolucionária aplicada a problemas de Sistemas Elétricos. Computação Evolucionária: Algoritmos Genéticos, Particle Swarm Optimization, Evolução Diferencial. Modelagem e resolução de problemas a múltiplos objetivos no contexto de sistemas elétricos de potência.
 
Concepts of non linear programming and function maximization. Linear programming (Formulation and solution methods - SIMPLEX). Modeling linear programming (LP) problems and its main applications in Power Engineering. Use of an optimization (LP) software. Mixed integer linear programming (MILP) - formulation and the branch-and-bound method. Applications to fixed cost problems, considering continuous and integer variables. Transportation problems: algorithms and applications to network loss minimization and electrical power distribution planning. Heuristic search algorithms and applications to network configuration problems and electromechanical design. Evolutionary Computation: Genetic algorithms, Particle Swarm Optimization and its applications to power engineering. Modeling and resolution of multiobjective optimization problems and its applications to power engineering.
 
 
Avaliação
     
Método
Provas escritas e listas de exercícios.
Critério
Aprovação com média maior ou igual a 5,0 correspondendo a média ponderada de provas e listas de exercícios.
Norma de Recuperação
MF=(M+R)/2 em que MF é a média final, M é a média obtida pelo aluno na primeira avaliação e R é a nota obtida pelo aluno na prova de recuperação.
 
Bibliografia
     
[1] HILLIER, F.S. and LIEBERMAN, G.J. Introduction to Operations Research, Holden -Day, San Francisco, 1967. [2] GOLDBERG, D.E. Generic algorithms in search, optimization and machine learning. Addison- Wesley, 1989. [3] KAGAN, N. ; SCHMIDT, Hernán Prieto ; OLIVEIRA, C C B ; KAGAN, Henrique . Métodos de otimização aplicados a sistemas elétricos de potência. 1. ed. São Paulo: Edgard Blücher, 2009. v. 1. 220 p.
[4] Z. Michalewicz Genetic Algorithms + Data Struture = Evolution Programs. Berlin; New York: 2011, 3ºed Springer Verlag. D.E. Goldeberg Genetic Algorithms in Search, Optimatimizaton & Machine Learning, Addison-Wesley, 1989. [5] K. Deb Multi-Objective Optimization Using Evolutionary Algorithms John Wiley & Sons 2001  [6] Paolo Di Barba Multiobjective Shape Design in Electricity and Magnetism, Springer, 2010 
 

Clique para consultar os requisitos para PEA3422

Clique para consultar o oferecimento para PEA3422

Créditos | Fale conosco
© 1999 - 2024 - Superintendência de Tecnologia da Informação/USP