Alice Arajo Rodrigues da Cunha

Otimizao Energtica em Tempo Real da

Operao de Sistemas de Abastecimento de gua.

Dissertao apresentada Escola de Engenharia de

So Carlos da Universidade de So Paulo, como
parte dos requisitos para obteno do ttulo de
Mestre em Hidrulica e Saneamento.
rea de Concentrao: Hidrulica e Saneamento

Orientadora: Prof Tit. Luisa Fernanda Ribeiro Reis

SO CARLOS - SP
2009

AUTORIZO A REPRODUO E DIVULGAO TOTAL OU PARCIAL DESTE

TRABALHO, POR QUALQUER MEIO CONVENCIONAL OU ELETRNICO,
PARA FINS DE ESTUDO E PESQUISA, DESDE QUE CITADA A FONTE

Ficha catalogrfica preparada pela Seo de Tratamento

da Informao do Servio de Biblioteca - EESC/USP

C972o

Cunha, Alice Arajo Rodrigues da

Otimizao energtica em tempo real da operao de sistemas
de abastecimento de gua / Alice Arajo
Rodrigues da Cunha ; orientadora Luisa Fernanda Ribeiro
Reis. -- So Carlos, 2009.
Dissertao (Mestrado-Programa de ps-Graduao e rea
de Concentrao em Hidrulica e Saneamento) -- Escola de
Engenharia de So Carlos da Universidade de So Paulo,
2009.
1. Otimizao em tempo real. 2. Operao de sistemas
de abastecimento de gua. 3. Algoritmo gentico.
4. Eficincia energtica. I. Ttulo.

ii

Ao meu pai, engenheiro Francisco Humberto,

idealizador deste sonho e grande incentivador.

iii

AGRADECIMENTOS
A Deus.
A toda minha famlia, principalmente minha mammys e meus irmos.
Professora Luisa Fernanda pela pacincia, ateno, apoio e orientao.
Ao Doutor Laudelino Pedrosa pelo inestimvel auxlio.
Aos colegas do LabSim Fausto, Frederico, Ktia, Milena e Thiago.
Aos amigos de So Carlos, especialmente Luis, Micheli, Milena, Nayara, Ricardo e
Valter.
A todos os professores, funcionrios e colegas do Departamento de Hidrulica e
Saneamento da EESC-USP.
A todos da SENHA ENGENHARIA que sempre contriburam para minha formao
profissional.
Aos amigos de Goinia, por suportarem a ausncia, o mal-humor e muito me apoiarem:
Ana Flvia, Bruna, Dbora, Diego, Izabella, Ju, Letcia, Lorena, Lud, Lu, Marlene, Mayra
e Paulinha.

Enfim, a todos que de alguma maneira contriburam para a realizao deste trabalho.

iv
RESUMO
Cunha, A.A.R. Otimizao Energtica em Tempo Real da Operao de Sistemas de
Abastecimento de gua. 2008. 179 p. Dissertao Mestrado Escola de Engenharia,
Universidade de So Paulo, So Carlos.
Este trabalho apresenta um modelo computacional para otimizao energtica de sistemas de
abastecimento em tempo real. Tal modelo composto por trs mdulos principais: (1) um
Mdulo de Simulao Hidrulica que descreve o comportamento do sistema EPANET; (2)
um Mdulo de Previso de Demandas que realiza a previso das demandas futuras aplicvel
utilizao no tempo real (curto prazo), desenvolvido por Odan (2008); e, por fim, (3) um
Mdulo Otimizador estruturado em linguagem C++ que implementa a biblioteca de
Algoritmos Genticos do MIT - Massachusetts Institute of Technology and Matthew Wall, a
GAlib, que permite determinar as rotinas operacionais (acionamento de vlvulas e bombas) de
forma minimizar o custo de energia eltrica no sistema. O processo de otimizao divido
em duas rotinas, Nvel Estratgico e Tempo Real. Na otimizao em Nvel Estratgico, a
partir das Curvas Tpicas de Demanda para cada n de demanda do macro-sistema
considerado, determina-se o conjunto de controles que minimizam os custos de energia
eltrica, respeitando as restries hidrulicas do sistema. Para cada conjunto de controles
otimizados tm-se os nveis que os reservatrios iro atingir ao final de cada hora durante o
horizonte de planejamento considerado, denominados Nveis Metas. Tais nveis servem de
guia para a segunda etapa de otimizao. A Operao em Tempo Real se inicia com o
recebimento dos dados sobre as condies atuais do sistema: nveis dos reservatrios e
demandas da ltima hora. A partir das demandas informadas, o Mdulo de Previso de
Demandas gera todas as demandas para o horizonte de planejamento. Alimenta-se ento o
Otimizador em Tempo Real com os nveis atuais dos reservatrios, os nveis metas e a
previso de demandas, obtm-se o conjunto de regras operacionais timas para o horizonte de
planejamento, sendo que so implementadas apenas as regras para a hora atual. E repete-se
todo o processo a cada hora. Este modelo foi aplicado a um sistema de abastecimento de gua.
Os resultados obtidos demonstraram a eficincia do modelo em achar solues factveis de
serem implementadas e com reduo dos custos com energia eltrica.
Palavras-chave: otimizao em tempo real, operao de sistemas de abastecimento de gua,
algoritmo gentico, eficincia energtica.

v
ABSTRACT
Cunha, A.A.R. Real-time Optimization of Water Supply System Operation. 2008. 179 p.
Master of Sciences Degree Thesis - So Carlos School of Engineering, University of So
Paulo, So Carlos.
This work presents a computational model for real-time optimization of water-distribution
networks operation. An integrated software tool has been developed which is composed of
three main modules: (i) a hydraulic simulator that performs the extended period simulation of
the system (EPANET); (ii) a short-term demand-forecasting model, based on the moving
Fourier series; and (iii) an optimization module, using genetic algorithm, to minimize
pumping costs. The optimization process is divided in two routines, the off-line optimization
and the on-line optimization. The aim of the first routine is to find the ideal operation levels
for the reservoirs which are used as guidance for the on-line optimization. The schedules to be
implemented in the network are determined, however, by an on-line optimization which runs
a new optimization processes at each SCADA (Supervisory Control and Data Acquisition)
update. In the off-line optimization, near-optimal pump and valve settings for a selected
operating horizon are found on the basis of the typical 24-hour water demand cycle in which
each reservoir must also start and end with the same water level. The levels of the reservoirs
at the end of each hour in this optimization process, called Ideal Levels, are considered in the
on-line optimization as a constraint that represents a penalty added to the objective function
whenever a reservoir level is below the Ideal Level at the end of each hourly operation. The
on-line optimization starts updating the state of the network transmitted from the SCADA
system and the demand forecast for the next 24-hour period. Near-optimal pump and valve
settings for a selected operating horizon are then determined but only the control settings for
the next hourly time step are used to implement the operation. At the next SCADA update
(next-time step), the whole process is repeated on a continuous basis and a new operating
strategy is computed. In this way, the control process moves forward in time, correcting any
discrepancies as it progresses. This integrated software tool has been applied to a small
example network. The results obtained from this application have shown that the proposed
model offers a practical tool for finding feasible operation strategies for a water pipeline
system, obtaining reductions in pumping energy costs.
Keywords: real time optimization, water-distribution networks operation, genetic algorithm,
energy costs.

vi

LISTA DE FIGURAS
Figura 2.1 - Representao no EPANET do sistema estudado por Moreira (2008).................28
Figura 2.2 Ciclo Bsico de um AG. ......................................................................................35
Figura 3.1 Fluxograma do Modelo de Operao Otimizada em Tempo Real Proposto. .....48
Figura 3.2 Diagrama de Fluxo da Otimizao em Nvel Estratgico....................................55
Figura 3.3 - Sub-rotina leitura do arquivo ga1.in para Otimizao em Nvel Estratgico. ......56
Figura 3.4 Arquivo ga1.in para Otimizao em Nvel Estratgico. ......................................57
Figura 3.5 Sub-rotina de leitura dos dados do Sistema. ........................................................57
Figura 3.6 Sub-rotina para alocao de memria. .................................................................58
Figura 3.7 - Sub-rotina para gerao da populao inicial de soluo para o AG. ..................58
Figura 3.8 Sub-rotina para obteno do valor da funo de aptido. .....................................59
Figura 3.9 - Diagrama de Fluxo da Otimizao em Tempo Real.............................................62
Figura 3.10 - Vetor soluo de duas bombas e duas vlvulas, horizonte de planejamento T. .64
Figura 3.11 Cdigos de Alerta e respectivas mensagens. Fonte: Toolkit (Rossman, 2000)..69
Figura 4.1 Topologia do Sistema Objeto de Estudo..............................................................74
Figura 4.2 Tarifa horo-sazonal verde e azul para o Sub-Grupo A4, convencional para o SubGrupo A4 e convencional para o Sub-Grupo A3. Fonte: Pedrosa (2006)................................79
Figura 4.3 Curvas Tpicas de Demanda para todos os dias da semana. ................................80
Figura 5.1 Organizao da Aplicao do Modelo Desenvolvido..........................................83
Figura 5.2 Representao no EPANET do Sistema Estudado...............................................88
Figura 5.3 Representao esquemtica do vetor soluo. .....................................................91
Figura 5.4 Evoluo do valor da funo de aptido para diferentes tamanhos de populao.
..................................................................................................................................................94
Figura 5.5 Evoluo da funo de aptido para os diferentes operadores de seleo. ..........95
Figura 5.6 Evoluo da funo de aptido para os diferentes operadores de cruzamento. ...96
Figura 5.7 Funes de aptido para diferentes probabilidades de cruzamento. ....................97
Figura 5.8 Funes de aptido para diferentes probabilidades de mutao. .........................98
Figura 5.9 Evoluo da funo de aptido para diferentes nveis iniciais nos reservatrio.100
Figura 5.10 Diferena entre nveis dos reservatrios e nveis meta para diferentes 4. ......103
Figura 5.11 Custo com energia eltrica (R$) para diferentes valores de 4. .......................104
Figura 5.12 Padro adimensional de demanda associado ao n de consumo a jusante (a) do
CR1 e (b) do CR2. Fonte: Pedrosa (2006). ............................................................................106
Figura 5.13 Distribuio temporal das presses nos ns (a) Rede 1 e (b) Rede 2. .............107
Figura 5.14 Distribuio temporal dos nveis dos reservatrios para otimizao
considerando o enquadramento tarifrio atual (NAotim), a alterao do enquadramento
tarifrio (NAotim nova tarf) e (NAoperacional) Reservatrios R1 e R3. ...........................108
Figura 5.15 Distribuio temporal dos nveis dos reservatrios para otimizao
considerando o enquadramento tarifrio atual (NAotim), a alterao do enquadramento
tarifrio (NAotim nova tarf) e (NAoperacional) Reservatrios R4 e R5. ...........................109
Figura 5.16 - Curvas de Demanda Tpica dos Dias teis, Sbados e Domingos. ...............112
Figura 5.17 Nmero de bombas em funcionamento nas otimizaes estratgicas. ............114
Figura 5.18 Distribuio temporal das presses nos ns (a) Rede 1 e (b) Rede 2, com a
otimizao em nvel estratgico. ............................................................................................115
Figura 5.19 Regras de operao das bombas resultantes da otimizao estratgica. ..........117
Figura 5.20 Regras de operao das vlvulas resultantes da otimizao estratgica. .........118

vii
Figura 5.21 Operao Otimizada em Nvel Estratgico dos reservatrios R2 e R3............119
Figura 5.22 - Operao Otimizada em Nvel Estratgico dos reservatrios R4 e R5. ...........120
Figura 5.23 Sentido de escoamento.....................................................................................121
Figura 5.24 Sentidos de fluxo no CR2. ...............................................................................121
Figura 5.25 Fluxograma das Otimizaes em Tempo Real realizadas................................123
Figura 5.26 - Custo dirio de bombeamento otimizado em tempo real Dias teis.............125
Figura 5.27 Valores das penalidades divididos por seus respectivos coeficientes..............126
Figura 5.28 - Regras de operao otimizadas - Sbado..........................................................127
Figura 5.29 - Regras de operao otimizadas - Domingo. .....................................................128
Figura 5.30 - Regras de operao otimizadas Segunda-feira. .............................................128
Figura 5.31 Nveis dos reservatrios - estratgias operacionais otimizadas sbados..........130
Figura 5.32 Nveis dos reservatrios - estratgias operacionais otimizadas domingos.......131
Figura 5.33 Nveis dos reservatrios - estratgias operacionais otimizadas segundas-feiras.
................................................................................................................................................132
Figura 5.34 Tempo computacional gasto com as otimizaes em tempo real. ...................133
Figura 5.35 Custo de bombeamento para as otimizaes em tempo real dos sbados. ......134
Figura 5.36 - Custo de bombeamento para as otimizaes em tempo real dos domingos. ....134
Figura 5.37 - Custo de bombeamento para as otimizaes em tempo real Segunda-feira. .135
Figura 5.38 Comparao das Demandas Reais Adimensionalizadas (Histrico) com as
Demandas Previstas pelo mdulo de Previso de Demandas Sbado (07/Fevereiro).........136
Figura 5.39 Diferena entre as Demandas Adimensionalizadas Observadas e Previstas. ..138
Figura 5.40 Custos de Bombeamento otimizados utilizando demandas reais e previstas...139
Figura 5.41 Nveis dos reservatrios - estratgias operacionais otimizadas em tempo real
utilizando demandas observadas - Sbados............................................................................141
Figura 5.42 Tempo Computacional das otimizaes utilizando as demandas histricas e as
demandas previstas. ................................................................................................................142

viii
LISTA DE TABELAS
Tabela 2.1 - Custos mensais de energia eltrica e comparativo entre o Planejamento da
operao do SAAE, Estratgico e Operacional atualizado, Moreira (2008). ...........................29
Tabela 4.1 Dados dos conjuntos moto bombas do CR1. Fonte: Pedrosa (2006). .................76
Tabela 5.1 Valores adotados nas anlises de sensibilidade dos operadores e parmetros do
AG. ...........................................................................................................................................93
Tabela 5.2 Operadores e parmetros genticos adotados. .....................................................99
Tabela 5.3 Anlise de sensibilidade do coeficiente de penalidade 3 (3)............................102
Tabela 5.4 Consumo mdio dirio por unidade, real e otimizado.......................................110
Tabela 5.5 Resultados da otimizao para as diferentes Curvas de Demanda Tpica.........113
Tabela 5.6 Quantidade de acionamentos nas otimizaes em nvel estratgico. ................116
Tabela 5.7 - Custo de Bombeamento Tempo Real Com Dados de Demandas Previstos....124
Tabela 5.8 - Resultados das Penalidades Com Dados de Demandas Previstos....................126

ix
SUMRIO
Resumo .................................................................................................................................. iv
Abstract .................................................................................................................................. v
Lista de Figuras ...................................................................................................................... vi
Lista de Tabelas ..................................................................................................................... viii
Sumrio .................................................................................................................................. ix

Introduo ................................................................................................. 1

1.1
1.2
1.3

Enquadramento...............................................................................................................1
Objetivos.........................................................................................................................2
Estrutura e Contedo do Trabalho..................................................................................3

Reviso Bibliogrfica ................................................................................ 5

2.1
Operao de Sistemas de Abastecimento de gua.........................................................5
2.2
Otimizao da Operao de Sistemas de Abastecimento de gua ................................8
2.2.1
Planejamento Estratgico .........................................................................................10
2.2.2
Otimizao em Tempo Real .....................................................................................11
2.3
Tcnicas de Otimizao Aplicveis a Sistemas de Abastecimento de gua ...............31
2.3.1
Algoritmos Genticos ...............................................................................................33
2.4
Aspectos Crticos do Problema ....................................................................................39

Modelo Otimizador................................................................................. 45

3.1
3.2
3.2.1
3.3
3.4
3.4.1
3.4.2
3.4.3
3.4.4

Estrutura .......................................................................................................................45
Mdulo de Previso de Demandas ...............................................................................48
Previsor de demanda.................................................................................................49
Mdulo de Simulao Hidrulica .................................................................................51
Mdulo Otimizador ......................................................................................................54
Rotina 1 - Otimizao em Nvel Estratgico ............................................................54
Rotina 2 - Otimizao em Tempo Real ....................................................................61
Funo de Aptido....................................................................................................63
Algoritmos Genticos Operadores e Parmetros...................................................71

Sistema Objeto de Estudo ...................................................................... 73

4.1
4.2
4.3
4.4

Descrio do Sistema Objeto de Estudo.......................................................................74

Energia Eltrica ............................................................................................................77
Demandas .....................................................................................................................79
Variveis de Deciso ....................................................................................................81

Aplicao do Modelo Desenvolvido....................................................... 83

5.1
5.2
5.3
5.3.1
5.3.2
5.4
5.5
5.6
5.6.1

Estrutura do Modelo Desenvolvido..............................................................................85

Simulador Hidrulico EPANET ................................................................................85
Mdulo Otimizador ......................................................................................................89
Implementao do Algoritmo Gentico ...................................................................89
Anlises de Sensibilidade .........................................................................................92
Previso de Demandas................................................................................................104
Teste de Validade do Modelo.....................................................................................105
Otimizao em Nvel Estratgico...............................................................................111
Curvas de Demanda Tpica ....................................................................................111

x
5.6.2
Resultados da Otimizao em Nvel Estratgico....................................................112
5.6.3
Nveis Meta ............................................................................................................122
5.7
Otimizao em Tempo Real .......................................................................................122
5.7.1
Resultados da Otimizao em Tempo Real com Previso de Demandas ..............124
5.7.2
Avaliao da Influncia da Previso no Resultado da Otimizao ........................135
5.8
Aspectos Crticos........................................................................................................142

Concluses e Recomendaes .............................................................. 145

6.1

Recomendaes para Estudos Futuros .......................................................................146

Referncias Bibliogrficas.................................................................... 149

Apndice A Rotinas do Otimizador em Tempo Real................................ 155

Apndice B Padres de Demandas observadas e previstas utilizadas na
Otimizao em Tempo Real ........................................................................... 171

A vida no consiste apenas em ter boas cartas na mo e sim

em jogar bem as que se tem.
Josh Billings

1.1

Introduo

Enquadramento

Em todo o mundo, no setor de saneamento bsico, principalmente no segmento de

sistemas de abastecimento de gua, ocorrem perdas significativas de energia e gua.
Atualmente as aes de combate s essas perdas so medidas imprescindveis e
inadiveis para garantir a sustentao econmica da grande maioria das empresas de
saneamento existentes no Brasil e no mundo.
De acordo com dados do Servio Nacional de Informao em Saneamento (SNIS,
2005), as perdas de gua (fsicas e de faturamento) nos sistemas de abastecimento do Brasil
so da ordem de 40%, chegando a 70% em algumas cidades.
J as perdas de energia so extremamente difceis de mensurar. Estas se devem
principalmente s prprias perdas de gua, baixa eficincia dos equipamentos eletromecnicos, ausncia de medio e falta de monitoramento dos principais parmetros que
regulam o sistema e procedimentos operacionais inadequados.

De acordo com o Programa Nacional de Conservao de Energia Eltrica para o

Saneamento (PROCEL SANEAR, 2005), mais de dois e meio por cento do consumo total de
energia eltrica do Brasil, o equivalente a aproximadamente 9,6 bilhes de kWh/ano, so
consumidos por prestadores de servios de gua e esgotamento sanitrio.
Nos ltimos anos a repercusso do custo da energia eltrica no setor de saneamento no
Brasil tem se acentuado significativamente e j constitui o segundo item de despesas de
algumas empresas prestadoras destes servios. Segundo Tsutiya (2004) mais de 90% desses
gastos com energia eltrica devem-se s elevatrias dos sistemas de abastecimento de gua.
A otimizao da operao dos sistemas de abastecimento de gua, objeto deste trabalho,
constitui uma das principais medidas operacionais visando reduo das perdas energticas,
uma vez que o grande nmero de elementos passveis de terem seus estados de funcionamento
alterados a cada instante, torna complexa a tarefa dos operadores desses sistemas. Assim, a
operao consiste basicamente em definir, num determinado instante, qual a melhor
combinao do estado operacional das bombas e coeficiente de abertura das vlvulas, de
forma a tornar o sistema mais eficiente em termos energticos. Sem um planejamento
otimizado, os sistemas de distribuio de gua para abastecimento continuaro a desperdiar
uma parcela razovel de energia eltrica.

1.2

Objetivos

O objetivo principal deste trabalho de pesquisa consiste em desenvolver e testar um

modelo de otimizao energtica para a operao em tempo real aplicvel a um sistema de
distribuio de gua para abastecimento pblico. Tal objetivo foi alcanado mediante as
seguintes fases de desenvolvimento:

i. definio do sistema objeto de estudo e aquisio dos dados necessrios;

ii. desenvolvimento de um modelo computacional aplicvel ao sub-sistema em questo
composto por dois mdulos: (1) um Mdulo de Simulao Hidrulica que descreve o
comportamento do sistema EPANET; e, por fim, (2) um Mdulo Otimizador
estruturado em linguagem C++ que implementa a biblioteca de Algoritmos Genticos
do MIT - Massachusetts Institute of Technology and Matthew Wall, a GAlib, acoplado
ao EPANET, que permite determinar as rotinas operacionais (acionamento de vlvulas
e bombas) de forma minimizar o custo de energia eltrica no sistema;
iii. anlise, interpretao dos resultados obtidos e recomendaes de modos de operao
que minimizem os custos de energia eltrica.

1.3

Estrutura e Contedo do Trabalho

Esta dissertao organizada em sete captulos. Aps este captulo introdutrio, o

captulo 2 apresenta uma reviso bibliogrfica sobre o tema principal dessa dissertao, a
otimizao da operao de sistemas de abastecimento de gua em tempo real, englobando os
principais trabalhos disponveis na literatura especializada sobre o tema e uma breve
descrio da tcnica de otimizao aqui utilizada, os Algoritmos Genticos.
No captulo 3, apresenta-se a estrutura do modelo computacional desenvolvido,
constitudo pelos mdulos de previso de demandas, simulao hidrulica e otimizao
operacional, as interaes entre os mdulos e as aplicaes especficas de cada mdulo.
O captulo 4 traz a completa descrio do sistema objeto de estudo, bem como todos os
dados levantados necessrios ao desenvolvimento do trabalho. J no captulo 5 constam os
resultados principais da aplicao do modelo neste sistema.

Na ltima parte do trabalho (captulo 6) apresentam-se a sntese e as concluses gerais

do estudo, bem como a indicao de novas reas de desenvolvimento e as recomendaes
para trabalhos futuros.

A little experience often upsets a lot of theory.

Cadman

2.1

Reviso Bibliogrfica

Operao de Sistemas de Abastecimento de gua

O objetivo da operao de sistemas de abastecimento de gua o atendimento confivel

das necessidades de consumo, a custos operacionais mnimo, tais como os de consumo de
energia e manuteno. O atendimento de tal requisito implica num melhor aproveitamento do
sistema de transporte e reservao.
Pode-se ento dizer que a operao de um sistema a seqncia de manobras exercidas
sobre os seus elementos ativo, tais como vlvulas e bombas, de forma a atender aos objetivos
descritos acima.
Essa operao pode ser realizada de diferentes formas: controle manual, automtico,
automtico programado e centralizado.
No controle manual, os elementos do sistema so manobrados por operadores locais,
que possuem pouca ou nenhuma informao a respeito do restante do sistema. O controle
automtico, mantm a mesma simplicidade do controle manual, prescindindo do operador
humano (reservatrios controlados por bias, elevatrias operadas por pressostatos, etc.) O
controle automtico programado baseado em Controladores Lgicos Programados (PLC). J
no controle centralizado, o processo de operao fica a cargo de uma central de controle, que

se baseia em dados do sistema obtidos atravs de radio, telefone ou telemetria. Sendo que o
controle pode ser exercido por operadores locais que recebem ordens da central, ou ainda por
um operador central que controla remotamente os elementos do sistema.
Independente da forma de operao utilizada o que acontece na maioria dos sistemas do
mundo inteiro que as regras operacionais implementadas so de natureza emprica, e visam,
principalmente, garantia da continuidade do abastecimento pblico, sem vistas
minimizao dos custos com energia eltrica.
A equipe de planejamento da operao geralmente define as regras (fixas ou variveis)
de controle dos sistemas, baseada em informaes e experincias anteriores e no
conhecimento do estado atual do sistema. As regras so transmitidas equipe responsvel
pelo controle do sistema, que por sua vez, implementa tais regras e retorna os resultados das
operaes efetuadas ao setor de planejamento, para avaliao do desempenho e as adequaes
necessrias.
Verifica-se que o trabalho no setor de operaes em um sistema de abastecimento
requer decises eficientes e em tempo real. A aplicao de uma regra operacional inadequada
pode ser desastrosa para a operao do sistema.
Segundo Zahed (1990), para que se possa otimizar as regras operacionais de um sistema
de distribuio de gua so necessrias a definio clara dos objetivos a serem alcanados, o
conhecimento do sistema e de dados previsionais, alm da disponibilidade de um modelo para
otimizao dessas regras.
Os objetivos a serem alcanados devem envolver diferentes aspectos de natureza
tcnica, econmica, social e poltica. Do ponto de vista tcnico restringe-se a minimizar os
custos de operao e/ou garantir a confiabilidade do sistema. Nas ocasies em que h oferta e
demandas equilibradas, o objetivo da operao pode ser voltado minimizao de custos
operacionais, de forma a maximizar os benefcios lquidos. Quando o sistema apresenta

demanda superior capacidade de produo, o objetivo passa a ser o de minimizar os

prejuzos causados pela escassez do recurso oferecido.
O conhecimento do sistema, sua topologia e as caractersticas hidrulicas e mecnicas
dos elementos que o compe, base fundamental para que o simulador hidrulico utilizado
represente da forma mais fiel possvel o comportamento do sistema em anlise. J a previso
das demandas permite que o modelo desenvolvido represente as condies de operao do
sistema.
Os modelos de otimizao da operao, objeto principal deste trabalho, vm sendo
estudados por inmeros pesquisadores desde a dcada de 80.
A preocupao com o planejamento da operao dos sistemas urbanos de abastecimento
de gua ganhou destaque nas ltimas dcadas. A complexidade dos sistemas acompanhou o
crescimento e a diversificao da demanda e, assim, surgiram dificuldades operacionais. Na
tentativa de gerir os sistemas, houve a necessidade da aplicao da anlise de sistemas como
ferramenta de apoio para que os operadores pudessem tomar decises de maneira estruturada.
A aplicao da anlise de sistemas na engenharia de recursos hdricos um campo
relativamente novo e vem se aprimorando paralelamente ao desenvolvimento dos recursos
computacionais, haja vista que os grandes sistemas necessitam de anlises complexas,
envolvendo muitas variveis, praticamente impossveis de serem efetuadas sem o uso de
ferramenta computacional.
No item 2.2, a seguir, feita a reviso bibliogrfica dos principais modelos matemticos
desenvolvidos para a otimizao da operao de sistemas de abastecimento de gua.

2.2

Otimizao da Operao de Sistemas de Abastecimento de gua

A problemtica da otimizao da operao de sistemas de distribuio de gua para

abastecimento pode ser abordada basicamente sob os enfoques do Planejamento Operacional
em Nvel Estratgico e da Operao em Tempo Real. Embora ambos os enfoques visem
determinao de estratgias operacionais otimizadas relativas operao de componentes tais
como vlvulas e bombas dos sistemas, dizendo respeito, portanto, determinao das
variveis de deciso relativas ao status de funcionamento ideal para tais dispositivos a cada
intervalo de tempo do horizonte de planejamento considerado, eles respondem a necessidades
de ordem prtica distintas.
De forma sinttica, o problema de otimizao sob o enfoque do Planejamento
Operacional em Nvel Estratgico apia-se em curvas de demanda tpicas (mdias)
conhecidas e nveis dgua iniciais estabelecidos para os reservatrios com vistas
determinao das trajetrias operacionais timas, de maneira que os nveis dgua dos
reservatrios no final do horizonte de planejamento considerado, geralmente dirio (de 24
horas), coincidam com os iniciais. Pode-se dizer que as estratgias assim obtidas no so
diretamente aplicveis operao, embora constituam ferramentas importantes aos propsitos
de avaliao dos respectivos sistemas (capacidades de armanezamento e transporte,
adequao das bombas, atendimento das demandas, etc.). O Planejamento Operacional
Estratgico possibilita, por exemplo, a investigao do comportamento dos nveis dos
reservatrios, que pode ser reveladora no sentido de apontar subutilizao ou insuficincia de
capacidade. Alm disso, oferecem subsdios a importantes decises relativas contratao de
tarifas de energia eltrica, etc.
Pelas razes apontadas, verifica-se uma tendncia crescente das companhias de
abastecimento de lanarem mo do Planejamento Operacional Estratgico e a literatura

especializada apresenta diversos estudos que tratam desse problema, empregando diferentes
tcnicas de otimizao, a saber, programao linear, no linear e dinmica, simulated
annealing, redes neurais artificiais (RNA), algoritmos genticos (AGs), etc. Dentre elas, a
tcnica dos algoritmos genticos vem se destacando pela sua habilidade em resolver
problemas no lineares, possibilidade de serem diretamente conectados com mdulos externos
de avaliao da funo objetivo (no caso dos sistemas de abastecimento, mdulo de simulao
hidrulica), como exige o problema em foco, sem necessitar de suposies simplificadoras,
clculo de derivadas, etc.
As solues do Planejamento Operacional Estratgico correspondem, entretanto, a um
plano estratgico esttico por natureza. Uma vez formulado, o plano est atrasado devido s
constantes mudanas a que os sistemas geralmente esto sujeitos. Assim, analisando o
problema com o qual os operadores se deparam no dia a dia, percebe-se que a estratgia
operacional estabelecida sob o enfoque do Planejamento Operacional Estratgico se
inviabiliza devido a fatores como ocorrncia de demandas distintos daqueles preconizados
pela curva tpica e de nveis de reservatrios diferentes daqueles previstos para o final de cada
intervalo de tempo (hora). O ideal do ponto de vista prtico ento que as decises sejam
tomadas com base nas condies que se configuram a cada intervalo de tempo. Como as
decises tomadas no presente afetam a operao dos perodos seguintes, devem-se considerar
as incertezas relativas s demandas de perodos (horas) frente para que decises
operacionais mais acertadas sejam tomadas. Esse tipo de anlise impe, portanto, o uso de
uma modelo operacional alimentado por dados de previso de demanda em tempo real, ou
seja, estimados a partir de dados constantemente atualizados. Dessa maneira, a Operao em
Tempo Real transforma uma estratgia operacional esttica em uma estratgia operacional
viva; um plano estratgico para uma estratgia constantemente em construo. Ela oferece
operao a capacidade de ajustar-se continuamente, apontando decises mais adequadas

10

mesmo quando o que se deve fazer no se mostra to bvio. A Operao em Tempo Real
permite que continuamente se faa uma definio estratgica e que novas possibilidades
sejam identificadas.
desejvel ainda que a Operao em Tempo Real represente uma aproximao para as
respostas produzidas pelo modelo de Planejamento Operacional Estratgico. Assim, a
Operao em Tempo Real, representa um desafio ainda maior. Esse fato se confirma tanto
pela escassez de trabalhos publicados sobre o tema (descritos adiante) como pela maneira
mais usual de operao dos sistemas realizada na prtica: a sentimento, de acordo com a
experincia e capacidade intuitiva do operador. Reconhece-se, no entanto que, embora bons
resultados possam ser produzidos dessa maneira, eles certamente podem ser melhorados.
Com vistas ao desenvolvimento de um modelo otimizador para a operao de sistemas
de distribuio de gua em tempo real, ser necessrio tratar o problema de otimizao em
duas etapas: a primeira, de Planejamento Operacional em Nvel Estratgico; e, a segunda da
Operao em Tempo Real propriamente dita. A literatura foi, portanto, analisada objetivando
o tratamento dessas duas abordagens complementares do problema, conforme apresentado a
seguir nos itens 2.2.1 e 2.2.2.

2.2.1

Planejamento Estratgico

Segundo Carrijo (2004), inmeros estudos foram desenvolvidos no sentido de

implementar rotinas de operao estratgica, normalmente baseados em alguma tcnica de
programao matemtica como programao linear, no-linear, dinmica, redes neurais
artificiais e, mais recentemente, mtodos de busca direta como Algoritmos Genticos (AGs),
Ant Colony Optimization Algorithms

e Simulated Annealing. O autor apresentou uma

completa reviso bibliogrfica sobre os trabalhos desenvolvidos nesta rea.

11

2.2.2

Otimizao em Tempo Real

Dentre os trabalhos desenvolvidos sobre a operao em Tempo Real destacam-se os

escritos por: Coulbeck (1987) e (1988); Lansey & Awumah (1994); Nitivattananon et al.
(1996); Orr et al. (1999); Vicente (2005); Ribeiro (2005); Jamieson et al.(2007); e, Moreira
(2008). Alguns softwares comerciais tambm foram desenvolvidos para solucionar o
problema da otimizao da operao de sistemas de abastecimento de gua em tempo real,
conforme descritos adiante.

Segundo Coulbeck (1987), os resultados de pesquisas desenvolvendo algoritmos nas

reas de computao matemtica e tcnicas de controle de engenharia para sistemas de
abastecimento de gua levaram ao desenvolvimento de uma srie de programas
computacionais, dentre os quais destacam-se:
GINAS: um programa computacional desenvolvido para modelar e simular o
comportamento dos sistemas de abastecimento e distribuio de gua.
GIPADS: desenvolvido para representar o funcionamento das bombas de maneira
adequada para uso em modelos de simulao e algoritmos de otimizao.
GICAC: um pacote de calibrao que prev o ajuste automtico de certos parmetros
do modelo, tais como coeficientes de perda de carga.
GIPOS: otimiza sub-sistemas compostos de grupos de bombas em paralelo de
velocidades fixa e variadas, suprindo um nico reservatrio a partir de uma nica
fonte hdrica.
GIMPOS: otimiza sub-sistemas com mltiplas fontes de suprimento de gua
conduzindo a um nico reservatrio.

12

GIPAD: usado para previso de demandas dirias ou semanais. As previses so

baseadas na extrapolao dos dados de tendncias de demandas armazenados e
correntes.
TELSIM: faz a interface entre os dados de telemetria e o simulador hidrulico GINAS.
Coulbeck (1987) cita ainda aplicaes destes programas computacionais a alguns
sistemas de abastecimento de gua de cidades no Reino Unido e, apesar desse trabalho ser
bastante arrojado, principalmente considerando a poca em que foi desenvolvido, os dados
disponveis sobre as tcnicas utilizadas so insuficientes para qualquer avaliao.

Coulbeck et al. (1988) descreveram os mdulos bsicos e procedimentos necessrios

para o sucesso da implementao da otimizao da operao de sistemas de distribuio de
gua em tempo real automtica, ou seja, sem a interferncia do operador do sistema. O
esquema inclui mdulos de previso de demandas, otimizao da operao das bombas e
simulador hidrulico, todos acoplados ao sistema de telemetria. Ou seja, a partir do sistema de
telemetria interligado TELSIM obtm-se os dados atuais do sistema; com base nesses dados,
o previsor de demandas GIPAD gera as novas estimativas de demandas para as prximas 24
horas; com base nessa previso, na estrutura tarifria da energia eltrica, nos dados atuais do
sistema (nveis de reservatrios, status de bombas e vlvulas e etc.), interligados
esquematizao do sistema de distribuio de gua modelados no GIPAD e GINAS, o
otimizador GIPOS gera os comandos para operao tima deste sistema para as prximas 24
horas; e, finalmente, estes comandos so repassados ao sistema novamente pelo TELSIM. A
cada nova atualizao de dados pelo sistema de telemetria, novos comandos operacionais
otimizados para as prximas 24 horas so gerados. Assim, possveis erros gerados durante
todo o processo so corrigidos, o que caracteriza a operao em tempo real. citado tambm
que esse esquema vinha sendo aplicado a um sistema de distribuio de gua de uma cidade

13

no Reino Unido, sem que fosse apresentado qualquer resultado desta implementao. Apesar
desse trabalho ser mais detalhado que o anterior (Coulbeck, 1987) e trazer as bases
necessrias para operao de sistemas de distribuio de gua em tempo real, tambm no
apresenta as tcnicas utilizadas.

Lansey & Awumah (1994) desenvolveram uma aproximao para incluir o acionamento
de bombas como variveis de deciso de um modelo de minimizao dos custos de operao
de sistemas de abastecimento de gua utilizando programao dinmica.
O objetivo era criar regras de operao para o horizonte de planejamento de 24 horas, de
forma a minimizar os custos com energia eltrica, limitando o nmero de acionamentos das
bombas. Segundo os autores, regras operacionais com grande quantidade de acionamentos
(liga/desliga) das bombas podem at reduzir os custos com energia eltrica; no entanto,
podem aumentar consideravelmente os custos de manuteno das bombas. Tais custos no
foram quantificados, todavia admitiu-se que quanto maior for o nmero de acionamentos das
bombas maior seria o custo de manuteno.

Nitivattananon et al. (1996) apresentaram um modelo de otimizao para a operao em

tempo real que utiliza a tcnica de programao dinmica associada a mtodos heursticos
para discretizar as vazes e rearranjar a estratgia de liga/desliga das bombas.
Os autores propuseram a decomposio do problema de duas maneiras: (1)
decomposio espacial, atravs da qual o sistema original dividido em vrios sub-sistemas,
reduzindo a dimensionalidade dos problemas para viabilizar o emprego da tcnica de
programao dinmica e tornar o tempo de processamento computacional apropriado
proposta de tempo real; e, (2) decomposio temporal, que admite o problema de otimizao

14

em dois nveis, longo e curto prazo, cobrindo os perodos de planejamento mensal e

operacional (dirio), respectivamente, ambos discretizados em intervalos horrios.
A proposta do modelo de longo prazo obter as mximas vazes das bombas para
estimar os custos da demanda de energia para cada estao de bombeamento. O procedimento
parte de uma soluo inicial factvel e ento, um algoritmo de otimalidade progressiva
aplicado sobre o perodo de planejamento e os diversos sub-sistemas, simultaneamente. O
problema de otimizao resolvido para cada processo iterativo (um passo de tempo). A cada
iterao, a trajetria dos volumes dos reservatrios mantida fixa, exceto para um par de
passos temporais adjacentes. Apenas o volume do reservatrio desse intervalo de tempo pode
variar e a melhor vazo da bomba assim encontrada. Este processo continua ao longo de
vrios passos de tempo at os volumes dos reservatrios convergirem (a diferena entre dois
valores sucessivos computados obedea a certo nvel de tolerncia pr-especificado).
Finalmente, o conjunto de solues em termos das vazes das bombas discretizado e assim
possvel estimar as demandas de energia.
O modelo de curto prazo utilizado para atualizar as solues do modelo de longo
prazo. Os dois modelos so similares, com exceo do perodo de planejamento; as vazes
das bombas no modelo de curto prazo devem ser discretas; e a demanda calculada no modelo
de longo prazo utilizada como uma restrio adicional nas demandas mxima no modelo de
curto de prazo.
Este modelo de otimizao foi aplicado a parte do sistema de distribuio de gua da
cidade de Pittsburgh, com o objetivo de comparar os custos obtidos usando o modelo
otimizador criado com os respectivos custos estimados com base nas rotinas de operao
praticadas, para um ano teste.
O modelo de longo prazo foi simulado para um ms de faturamento no vero e outro no
inverno. Durante estes mesmos meses, o modelo de curto prazo determinou as operaes

15

timas dirias das bombas, usando os dados histricos de demanda do ano de 1989. O tempo
computacional gasto foi de 1 e 30 minutos para os modelos de curto (24 horas) e longo prazo
(30 dias), respectivamente.
A comparao entre os valores de energia eltrica estimados de acordo com a operao
praticada para o ano estudado e os valores calculados de acordo com a operao otimizada das
bombas apontou uma reduo mdia de 20% a favor da otimizao, variando de 5,1 a 24,1%
de acordo com a estao de bombeamento.
Da forma como apresentado, o modelo e sua aplicao se enquadram melhor como
Planejamento Operacional Estratgico do que Operao em Tempo Real, uma vez que a
operao tima para 24 horas no atualizada a cada intervalo de tempo, de acordo com os
nveis dos reservatrios do sistema e as demandas verificadas a cada hora, o que caracterizaria
o tempo real. No entanto, entende-se que estas atualizaes horrias poderiam ser
introduzidas no modelo de gerao da estratgia operacional tima para as 24 horas, sendo
implementada apenas as decises relativas ao primeiro intervalo horrio a cada vez.

Orr et al. (1999) apresentaram basicamente uma viso geral sobre as principais
caractersticas e consideraes para execuo de modelagem hidrulica em tempo real de
sistema de abastecimento de gua e a integrao e gerenciamento das informaes de um
sistema SCADA (Supervisory Control And Data Acquisition) com o simulador.
Segundo os autores, uma implementao dos procedimentos de modelagem em tempo
real foi incorporada com o suporte de um pacote de modelagem hidrulica largamente
utilizado (H2ONET), como parte de um procedimento de modelagem padro. No entanto, o
artigo no apresenta detalhes dessa implementao.

16

Vicente (2005) props um modelo operacional composto de uma ferramenta de

otimizao integrada com um sistema SCADA, um mdulo de previso de demandas e um
simulador hidrulico comercial. Esse modelo foi aplicado a parte do sistema adutor
metropolitano de So Paulo, com o objetivo de minimizar o consumo de energia eltrica
associado operao de bombeamento.
O modelo previsor de demandas, baseado na Srie de Fourier, atualiza coeficientes
harmnicos de forma diria, com ciclos de 7 dias e correo atravs de um coeficiente que
relaciona os valores previstos com os observados em um perodo de tempo imediatamente
anterior previso.
O modelo utiliza o simulador hidrulico WaterCAD para o clculo hidrulico e
programao linear software Premiun Solver Platform, Frontline Systens, Inc para o
processo de otimizao, fazendo uso de procedimento iterativo para contornar os problemas
relativos s no-linearidades inerentes ao problema.
A comunicao entre o modelo de previso e o SCADA rpida. A previso de
demanda para as 24 horas em todos os reservatrios feita em at 12 minutos, verificada a
cada 30 minutos e recalculada a cada 3 horas.
A simulao hidrulica para o horizonte de planejamento e a otimizao das operaes
de bombeamento consomem, em mdia, 45 minutos de processamento computacional, sendo
que o tempo para o modelo convergir depende da soluo inicial. Salienta-se que este tempo
demandado acaba por dificultar a utilizao deste modelo na operao em tempo real.
O estudo de caso realizado confirmou a economia de energia eltrica atravs da
execuo do conjunto de controles otimizados gerados pelo modelo proposto. No entanto, este
modelo otimizador nem sempre apresentou resultados factveis, principalmente devido no
incluso de todas as restries hidrulicas reais.

17

Apesar de o trabalho propor a otimizao da operao em tempo real e citar que o

problema desenvolvido um problema de planejamento operacional com um horizonte dirio,
em que a freqncia de operao horria, no foi aplicada a Operao em Tempo Real, com
intervalos de atualizao dos dados do sistema pelo SCADA horrios, e sim o Planejamento
Operacional em Nvel Estratgico das bombas para o horizonte de planejamento de 24 horas
com atualizao dos dados do sistema pelo SCADA apenas da primeira hora.

Ribeiro (2005) tambm props um modelo operacional para avaliao dos AGs como
ferramenta de otimizao de sistemas de abastecimento de gua em tempo real. Esse
composto pelo simulador hidrulico EPANET 2.0, algoritmo de otimizao via tcnica dos
AGs e os registros histricos operacionais, considerados como previso perfeita das
demandas, e foi aplicado a uma ala do Sistema Adutor Metropolitano de So Paulo
denominada SAM Leste.
O SAM Leste possui 10 reservatrios, 75,66 quilmetros de adutoras, 1 estao
elevatria, 3 boosters, 9 vlvulas de controle de vazo e 6 vlvulas redutoras de presso.
Foram otimizados 33 cenrios com variaes dos nveis iniciais de operao dos
reservatrios, parmetros dos AGs e pesos das penalidades, chegando aos seguintes
resultados:

O melhor cenrio indicou reduo nos custos com energia eltrica da ordem de 22%, R$
25.000,00, com relao operao usualmente feita pela SABESP na poca;

Baixas taxas de recombinao (30%) produziram melhores resultados na otimizao do

que taxas elevadas (80%);

O tempo computacional demandado foi de 3 horas e 20 minutos para simular 24 horas

de operao, computador Pentium 4 com 2.2GHz de velocidade (excessivamente longo
para aplicaes em Tempo Real).

18

Apesar de esse trabalho propor a avaliao dos AGs na otimizao da operao de

sistemas de abastecimento de gua em tempo real, no foi aplicada a Operao em Tempo
Real, com intervalos de atualizao dos dados do sistema pelo SCADA horrios, e sim o
Planejamento Operacional em Nvel Estratgico das bombas para o horizonte de planejamento
de 24 horas, assim como o trabalho desenvolvido por Vicente (2005).

O projeto POWADIMA - POtable WAter DIstribution MAnagement - foi institudo pela

Comisso Europia, durante o V Framework em Energia, Meio-Ambiente e Desenvolvimento
Sustentvel, com objetivos de: (1) auxiliar a indstria da gua na reduo dos custos
operacionais e das perdas e beneficiar os usurios em termos de vazes; (2) aumentar a
qualidade dos servios prestados em termos de adequao das presses, qualidade da gua e
continuidade no abastecimento; (3) contribuir para um futuro sustentvel atravs da reduo
das demandas dos recursos hdricos e promoo da eficincia energtica; (4) e, fornecimento
de experincia tcnica tanto para as companhias particulares e instituies acadmicas
diretamente implicadas (http://www.ncl.ac.uk/powadima).
O desenvolvimento desse projeto envolveu a elaborao de um software genrico de
otimizao da operao de sistemas de abastecimento de gua em tempo real, para dar suporte
aos operadores na seleo das melhores estratgias operacionais visando reduo dos custos
operacionais e promoo de um abastecimento confivel e operaes mais seguras.
As tcnicas utilizadas para o desenvolvimento desse software e os resultados obtidos
foram publicados na edio especial do Journal of Hydroinformatics. So seis artigos
(Jamieson et al., 2007; Rao e Alvarruiz, 2007; Rao e Salomons, 2007; Alvisi et al., 2007;
Salomons et al. 2007; e, Martnez et al., 2007), detalhados a seguir.
Posteriormente, em 2008, Shamir e Salamons publicaram um artigo sobre a utilizao
desse software a um modelo reduzido de sistema de distribuio de gua.

19

Jamieson et al. (2007) apresentaram um artigo introdutrio sobre os trabalhos

produzidos ao longo do desenvolvimento do projeto POWADIMA, que culminaram no
software de otimizao. Este foi desenvolvido sobre a premissa de que para avaliar as
estratgias operacionais otimizadas de bombas e vlvulas necessrio calcular no apenas o
conjunto de comandos atuais mas aqueles ao longo do horizonte de operao, buscando
selecionar a estratgia de menor custo. Todavia, apenas o conjunto de controles timos para o
passo atual deve ser implementado. Aps a atualizao dos dados do sistema (nveis dos
reservatrios) realizada a previso de demandas antes do processo ser repetido e uma nova
estratgia de operao ser gerada. Assim, o processo de controle operacional otimizado
realizado ao longo do tempo, adaptando a operao de acordo com o comportamento do
sistema durante o processo.
O modelo proposto utiliza uma aproximao ao substituir o simulador hidrulico
convencional pelo uso das redes neurais artificiais (RNA). As RNA aps serem treinadas
para usar valores de entrada e prever valores de sada podem ser utilizadas em substituio ao
simulador hidrulico. O simulador hidrulico utilizado apenas para produzir resultados para
treinamento da RNA. Aps treinada e testada, a RNA embutida num processo de otimizao
cuja funo selecionar a melhor combinao de controles de bombas e vlvulas para
satisfazer as demandas atuais e futuras para o horizonte de operao com custos mnimos de
energia e obedecendo as restries operacionais. O processo de otimizao selecionado
baseado em algoritmos genticos (AGs).

Rao e Alvarruiz (2007) escreveram o segundo artigo, tratando especificamente da

utilizao das Redes Neurais Artificiais em substituio aos simuladores hidrulicos
convencionais. Segundo os autores, o modelo selecionado para prever as conseqncias de

20

diferentes conjuntos de controles (operao de componentes tais como vlvulas e bombas dos
sistemas) com vistas otimizao da operao em tempo real deve ser computacionalmente
eficiente, acurado e numericamente robusto. Os simuladores hidrulicos atendem aos
requisitos de acurcia e robustez, mas podem ser impraticveis para a operao em tempo-real
de grandes sistemas de distribuio de gua, devido ao tempo computacional necessrio.
Modelos hidrulicos simplificados so computacionalmente eficientes, mas a acurcia e
robustez dos mesmos questionvel. As RNAs so computacionalmente eficientes e robustas,
mas requerem uma grande quantidade de padres (entrada-sada) para treinamento e teste.
Portanto, o projeto POWADIMA utilizou dados produzidos simulador hidrulico
convencional para os propsitos de treinamento e teste das RNAs.
Para teste desta proposio foi escolhido o sistema Any Town, amplamente estudado
na literatura. No entanto, visando tornar a otimizao uma tarefa mais desafiadora, mudanas
foram introduzidas nesse sistema, tais como a adio de um reservatrio e tubos na poro
noroeste da rede original. O sistema resultante foi chamado de Any Town (Modified) ou
AT(M). A rede AT(M) possui 41 tubos e 19 ns, com 3 bombas de velocidade fixa e 3
reservatrios.
O sistema AT(M) foi modelado utilizando o pacote de simulao hidrulica EPANET.
O tempo entre um passo e outro adotado foi de uma hora. Foi proposto um modelo de RNA
de uma camada oculta, sendo a camada de entrada dotada de 5 neurnios (valores de entrada:
o primeiro representando o nmero de bombas em uso; o segundo a demanda agregada para
os 19 ns consumidores e os 3 nveis iniciais de gua, um para cada reservatrio) e a camada
de sada de 7 neurnios (valores de sada: a potncia total consumida pelas bombas, as
presses nos 3 ns representativos da rede (170, 90 e 55) e os nveis resultantes em cada qual
dos 3 reservatrios). Atravs do mtodo de tentativa e erro, uma boa representao do modelo
do EPANET foi encontrada com 20 neurnios na camada oculta (intermediria), resultando

21

numa estrutura final de RNA(5, 20, 7). A vantagem computacional deste mtodo uma
reduo mdia de 10 vezes o tempo necessrio para prever as conseqncias de diferentes
conjuntos de controles em comparao com o simulador hidrulico convencional. Os desvios
entre os resultados do EPANET e da RNA foram inferiores a 0,06 metros, para nveis dos
reservatrios, e 0,40 metros para presso.

O artigo desenvolvido por Rao e Salomons (2007) foca a seleo da melhor combinao
de conjuntos de controles no apenas para o a situao presente, mas tambm as condies
esperadas durante o horizonte de operao no sentido de minimizar os custos com
bombeamento. A tecnologia dos AGs foi utilizada para otimizao do controle operacional.
A inicializao do conjunto de controles (variveis de deciso) aleatria. Portanto, o
conjunto de controles usado como entrada para a RNA, que estima as presses e vazes
resultantes, assim como os nveis nos reservatrios e potncias necessrias, a cada passo no
horizonte de operao. O valor da aptido de cada soluo de AG avaliado com base nos
custos operacionais, ao qual so adicionados custos de penalidade para qualquer violao das
restries. Aps a gerao aleatria da populao inicial do AG, e a avaliao de cada
soluo, ento engaja-se no AG, quando parentes so selecionados e acontecem croos-over e
mutao, produzindo nova combinaes de conjuntos de controle. Este novo conjunto de
controles utilizado como entrada na RNA e todo o processo repetido at que se atinja o
nmero mximo de geraes do AG. A melhor combinao de controles encontrada ao fim do
processo de busca referida como a soluo quase tima.
Antes da re-inicializao do conjunto de controles para o prximo passo no tempo, a
previso realizada com base nos dados de demanda atualizados com as informaes
observadas uma hora atrs. Tal previso ento utilizada como entrada para a RNA e o AG
no prximo passo. Tendo computado a nova estratgia operacional, o conjunto de controles

22

para o tempo corrente so implementados via SCADA, enquanto a poro restante espera pela
re-inicializao das variveis de controle com a nova atualizao dos dados atuais do sistema
pelo SCADA. Todo este sistema de controle dinmico foi chamado de DRAGA-ANN
(Dynamic Real-time Adaptive Genetic Algorithm Artificial Neural Network).

Alvisi et al. (2007) desenvolveram o modelo previsor de demanda para tempo real
consistente com as necessidades do otimizador DRAGA-ANN. Segundo os autores, o modelo
reproduz as periodicidades observadas nos nveis anuais, semanais e dirios para estimar os
valores das demandas futuras.
A cidade escolhida para estudo das flutuaes de demanda em curto prazo foi a cidade
italiana de Castelfranco Emilia. A anlise das demandas de gua horrias e dirias revelou a
existncia de padres em que possvel identificar periodicidades sazonal e semanal das
demandas de gua bem como periodicidades dirias nas demandas horrias.
O modelo previsor proposto baseado nos padres implcitos nas sries temporais de
dados de demanda de gua e por esta razo, referido como modelo previsor de demanda de
gua baseado em padres. No primeiro dos dois mdulos a sazonalidade e padres semanais
so levados em conta, junto com a persistncia de mdio prazo. No segundo mdulo, estas
configuraes dirias so combinadas com os padres de demandas dirias e a persitncia de
curto prazo gera as previses horrias sobre o correspondente perodo de 24 horas.
Uma anlise dos resultados obtidos mostra que o modelo capaz de gerar uma previso
robusta e acurada das futuras demandas de gua na base horria.

Salomons et al. (2007) escreveram sobre o primeiro estudo de caso do projeto

POWADIMA. Foi realizado para Haifa, Israel, na parte A do sistema de distribuio de gua
da cidade que compreende cerca de 20% do sistema, servindo uma populao de 60 mil

23

habitantes. O modelo simulador hidrulico composto por 126 tubulaes, 112 ns, 9
reservatrios, 1 vlvula redutora de presso e 17 bombas em 5 diferentes estaes de
bombeamento.
A RNA escolhida tem 29 valores de entrada (neurnios de entrada), 80 neurnios na
camada intermediria e 15 valores de sada (neurnios de sada). Os valores de entrada
compreendem 13 variveis representativas do status de funcionamento das bombas (on/off), 9
nveis de reservatrios em cada instante (t) representativo do incio do passo de tempo em
estudo, 6 demandas correntes (uma para cada zona de presso) e 1 controle de vlvula (10
50 m de presso). Os valores de sada so 5 potncias consumidas de bombas (uma para cada
estao de bombeamento), 9 nveis de reservatrio no instante (t + 1), representativos do final
do passo de tempo considerado, e 1 presso no n crtico do sistema. A RNA foi treinada com
12.000 pares de vetores entrada/sada e testada com mais 5.000 pares. Os desvios em termos
da raiz quadrada mdia (RMSEs) dos dados normalizados foi 0.449 e 0.481% para os
conjuntos de treinamento e teste, respectivamente.
Cada soluo de AG representada por uma cadeia de 408 bits, com 1 bit para cada
bomba e 4 bits para a vlvula redutora de presso, em cada intervalo do horizonte de operao
de 24 horas. O AG operou com uma populao de tamanho 50, probabilidade de cross-over
de 0,76 e de mutao de 0,002. O tamanho do torneio selecionado foi 4 e o nmero de
geraes foi 1000.
Este pacote de otimizao foi aplicado ao sistema A de Haifa para todo o ano de 2000.
Como no estavam disponveis os dados de demanda deste sistema, foram utilizados dados de
demanda de uma cidade com caractersticas urbanas similares e mesma rea. Os dados
horrios dos custos com energia eltrica tambm no estavam disponveis, portanto foi
adotada uma tarifa eltrica qualquer.

24

O EPANET simulou o comportamento do sistema, considerando a prtica operacional

corrente para o ano 2000, com as mesmas demandas e tarifa energtica utilizada na verso
otimizada. Como resultado, a economia potencial de energia eltrica com a otimizao foi
estimada em 25,4%. A avaliao tambm mostrou a melhora na performance em termos dos
servios aos consumidores, no que se refere aos nveis de presso e vazo.
Apenas o conjunto de controles do passo atual determinados pela otimizao
implementado, assim uma nova estratgia de operao gerada com a nova atualizao pelo
sistema SCADA. No entanto, so geradas estratgias operacionais otimizadas para todas as 24
horas. O conjunto de operaes para as 24 horas do dia, a cada hora durante o ano, foi
avaliado pelo EPANET, usando o mesmo conjunto de controles que foi implementado no
processo AG-RNA. Nestas condies foi encontrado que em 1.234 de 8.784 otimizaes
horrias para um ano (14%), os nveis dgua no final do perodo de 24 horas do perodo de
operao excede a faixa de tolerncia para pelo menos um reservatrio do sistema, como
resultado da acumulao de erros. Segundo os autores, AG-EPANET pode ser utilizado em
substituio ao AG-RNA em situaes em que no haja restries do tempo computacional
demandado, eliminando assim uma possvel fonte de erro.
O AG-RNA mostrou-se aproximadamente 25 vezes mais rpido do que AG-EPANET
para o sistema de 112 ns investigado, o que no significa que o AG-RNA seja 25 vezes mais
rpido que o AG-EPANET, uma vez que parte substancial deste tempo demandado pelo
AG.

O segundo dos dois estudos de caso do projeto POWADIMA, desenvolvido por

Martnez (2007), foi realizado para o sistema de distribuio de gua da cidade de Valncia,
Espanha, que abastece uma populao de aproximadamente 1,2 milhes de habitantes e
abastecido por gua superficial via duas estaes de tratamento que possuem diferena

25

significante de custos de tratamento. Os reservatrios disponveis esto localizados na sada

das estaes de tratamento, sendo que cada qual possui sua estao de bombeamento. O
gerenciamento do sistema uma complexa operao envolvendo 4 zonas de presso e 49
vlvulas operadas, das quais 10 ajustadas rotineiramente. A estrutura de tarifa de energia varia
com a hora do dia e o ms do ano. Um modelo de simulao foi criado no EPANET com 725
ns, 10 vlvulas operacionais, 2 reservatrios e 17 bombas reunidas em 2 estaes de
bombeamento. O sistema de controle foi implementado compreendendo um modelo de rede
neural artificial em substituio ao EPANET e um algoritmo gentico dinmico para otimizar
o controle do conjunto de bombas e vlvulas durante o horizonte de 24 horas.
A RNA definida tem 24 neurnios na camada de entrada, 100 na camada intermediria
e 15 na camada de sada. Os valores de entrada compreendem o status operacional de 6
grupos de bombas (on/off), o conjunto de 10 vlvulas de controle remoto, as demandas das 6
zonas de presso e o nvel inicial dos dois reservatrios. Os valores de sada so a potncia
consumida nos 6 grupos de bombas, a presso nos 4 ns crticos, a vazo em 3 pontos crticos
e os nveis de gua resultantes nos 2 reservatrios. O nmero de vetores usados para o estgio
de treinamento foi de cerca de 2.500 e foram gerados aleatoriamente usando o EPANET.
Mais 800 vetores foram utilizados para o processo de teste. O RMSE dos dados normalizados
foi de 1,20 e 1,30% para os conjuntos de treinamento e teste, respectivamente.
Cada cadeia representativa da soluo do AG consistia em 1368 bits, com 1 bit para
cada uma das 17 bombas e 4 bits para cada uma das 10 vlvulas operacionais, para cada passo
durante o horizonte operacional. Baseado em centenas de testes, uma combinao robusta de
parmetros de AG foi encontrada: populao inicial de tamanho 50; probabilidade de crossover e de mutao de 0,765 e 0,002, respectivamente; tamanho do torneio de 4; e 2.000
geraes.

26

O DRAGA-ANN foi aplicado ao sistema de Valncia, considerando os dados de

demanda para todo o ano de 2001. A economia potencial estimada para custos operacionais
do perodo do modelo otimizado varia de acordo com o ms do ano, de 13,4% em agosto a
19,75% em maio, sendo em mdia de 17,6%.
O estudo aplicado ao sistema de Valncia demonstrou a completa capacidade do
DRAGA-ANN em operar sistemas complexos e de grande porte. O ganho computacional
usando a RNA em substituio ao EPANET foi ainda maior do que no sistema Haifa-A. Para
o sistema de Valncia de 725 ns a AG-RNA 94 vezes mais rpida que o AG-EPANET.
Sem dvida este projeto representa um referencial na rea de otimizao da operao de
sistemas de abastecimento de gua em tempo real. Os resultados apresentados demonstram
que o modelo utilizado bastante eficiente.

Salomons et al. (2008) aplicaram o software desenvolvido durante o projeto

POWADIMA na parte B do sistema de distribuio de gua de Haifa, Israel. Eles substituram
a utilizao das redes neurais por um modelo reduzido (esqueletizado) do sistema.
O algoritmo desenvolvido por Ulanici et al. (1996) foi utilizado para criar o modelo
reduzido do sistema Haifa-B. O algoritmo procede em uma eliminao passo-a-passo de ns e
tubos, alocando as demandas dos ns eliminados para os ns vizinhos. Obviamente todas as
bombas, vlvulas e reservatrios permanecem no modelo reduzido.
O sistema completo de distribuio de gua de Haifa-B possui 867 ns, 987 tubos, 9
reservatrios, 17 bombas em 5 estaes elevatrias, 8 vlvulas redutoras de presso e seis
reas de demandas. J o sistema reduzido possui 77 ns e 92 tubos, uma reduo de
aproximadamente 10 vezes, e tempo computacional de simulao 15 vezes inferior.
Os autores rodaram os primeiros 15 dias de janeiro de 2004 com o sistema completo,
conectado ao AG, e compararam aos custos com a operao usualmente feita no sistema. A

27

economia foi de aproximadamente 12% para esses 15 dias. Esse experimento demandou
extensivo tempo computacional, sendo impraticvel para otimizao em tempo real.
O modelo reduzido conectado ao AG foi simulado para dois meses do ano de 2004,
Janeiro (baixa demanda) e Julho (alta demanda), obtendo-se economia em relao a operao
usualmente feita no sistema da ordem de 11 e 8%, respectivamente. O tempo computacional
demandado para simular um ms de aproximadamente 8 horas em um computador
Pentium4, 2 GHz IBM com 1.5 GB RAM.

Moreira (2008) apresentou uma alternativa para a resoluo do problema de otimizao

operacional de sistemas de abastecimento de gua, propondo e testando um procedimento de
minimizao do consumo de energia eltrica em tempo real, via algoritmo gentico, em dois
nveis (nvel estratgico e nvel operacional), e uso de modelo de previso de demandas.
O modelo desenvolvido foi testado em parte do sistema de distribuio de gua da
cidade de So Carlos SP, abrangendo o setor comercial 11 e uma pequena parcela do setor
10, constitudo por quatro reservatrios: Parque Fehr, Jardim Ipanema, So Carlos III e Santa
Felcia, que abastecem cerca de 25% da cidade.
Uma das primeiras fases da pesquisa constituiu no cadastramento digital da rede de
abastecimento de gua utilizada e lanamento da topologia no EPANET Figura 2.1.
Posteriormente foi realizada a filtragem dos dados de vazo obtidos junto ao SAAE-So
Carlos (Superintendncia Municipal de gua e Esgoto de So Carlos), para os reservatrios
que possuam medidores on-line na sada (Parque Fehr e So Carlos III), e a construo de
curvas tpicas de demanda para 24 horas. Uma vez que a variao dos perfis observados para
todos os dias da semana foi muito pequena, foi adotada a curva mdia dos 07 dias como
representativa da curva de padro de demanda de cada sistema de reservao.

28

Figura 2.1 - Representao no EPANET do sistema estudado por Moreira (2008).

Para a minimizao dos custos de energia foi proposta uma otimizao com objetivo
nico, considerando restries hidrulicas do tipo: presses mnimas de abastecimento no
inferiores a 10 mH2O e o desnvel entre os nveis inicial e final de cada reservatrio do
sistema. O algoritmo gentico busca solues que satisfaam a funo objetivo e o EPANET
testa se tais solues violam as restries impostas. O resultado dessa otimizao foi uma
trajetria para os nveis dos reservatrios, denominados nveis meta, a serem perseguidos pelo
planejamento da fase operacional.
O planejamento operacional foi ento iniciado a partir da aplicao do modelo previsor
de demandas baseado na srie de Fourier mvel, considerando o horizonte de previso de 24
horas frente. Estabeleceu a cada passo (hora) a estratgia operacional tima para as
prximas 24 horas, sendo que somente a soluo obtida para a primeira hora seria
efetivamente implementada. Atualizaram-se os dados de demanda e relativos ao estado do
sistema e nova otimizao foi realizada, e, assim, sucessivamente.

29

Com relao eficincia energtica, os resultados obtidos pelo programa foram

comparados com os dados do SAAE, considerando o Planejamento em nvel Estratgico e
Operacional, para o ms de referncia de outubro de 2006. Foram obtidos os regimes de
operao de bombas, vlvulas e variao de nvel dos reservatrios junto ao SAAE para que
pudesse ser realizado este estudo comparativo.
O planejamento em nvel operacional atualizado (tempo real) obteve os resultados mais
expressivos de economia de energia eltrica quando comparados aos resultados do SAAE,
algo em torno de 27% e que o planejamento em nvel estratgico sugere uma economia de
16,4% - Tabela 2.1. O Planejamento em nvel operacional indicou ganhos tambm quando
comparado ao Nvel Estratgico, 12,4%.
Tabela 2.1 - Custos mensais de energia eltrica e comparativo entre o Planejamento da
operao do SAAE, Estratgico e Operacional atualizado, Moreira (2008).

Esse modelo apresentado por Moreira (2008) considerado um pseudo-modelo, uma

vez que, foi necessrio estabelecer correlaes para obteno de dados inexistentes.

Alm dos estudos citados anteriormente, a literatura especializada reporta pesquisas

visando o desenvolvimento de softwares que resolvessem a problemtica da otimizao da
operao de sistemas de abastecimento de gua em tempo real, com carter comercial, cujo
cliente principal seria a indstria da gua. O principal atrativo para essas companhias de gua
a possibilidade de reduzir, com a utilizao de tais softwares, os custos operacionais, atravs
do melhor gerenciamento das presses no sistema e reduo das despesas com energia
eltrica. Dentre esses programas destacam-se o FINESSE e o ENCOMS, descritos a seguir.

30

Cabe ressaltar que as bases tcnicas de desenvolvimento desses programas no foram

explicitadas, o que dificulta a obteno de detalhes que permitam melhor entendimento e
conhecimento das tcnicas utilizadas. Acredita-se que essa dificuldade se deva principalmente
ao carter comercial destes softwares.

FINESSE
Como continuidade dos trabalhos desenvolvidos por Coulbeck (1987) foi desenvolvido
o projeto WaterCIME (WSS 2004), que envolveu um consrcio entre oito entidades de
cinco pases europeus. As pesquisas da WSS tiveram como foco principal o desenvolvimento
de tecnologias de otimizao para solucionar problemas de controle operacional e de presso
em sistemas de abastecimento, que resultou no modelo de suporte deciso FINESSE.
FINESSE um pacote para modelao de sistemas de abastecimento e distribuio de
gua e de sistemas de drenagem. Compreende cinco mdulos principais, cujas funes so:
simulador hidrulico; previsor de demanda; otimizador operacional, simplificador de
modelos; e modelo de calibrao.
O simulador hidrulico realiza simulaes dinmicas e estticas e tem como base
tcnica o software GINAS, desenvolvido por Coulbeck. Possui tambm uma funo especial
para simulaes em tempo real, baseadas nas mais recentes medidas de estado do sistema
como condies iniciais. O simulador configurado para automaticamente receber dados de
entrada que incluem os nveis dos reservatrios, vazes e presses.
O modelo previsor de demanda requer seis semanas de dados histricos para funcionar,
baseado em um algoritmo de alisamento do tipo exponencial triplo.
J o otimizador operacional calcula rotinas de bombeamento para minimizao dos
custos operacionais. O clculo baseado nos softwares GAMS e CONOPT, que utilizam
programao no-linear e so usados em problemas de otimizao diversos.

31

O calibrador ajusta a resistncia dos tubos e demandas nos ns para minimizar as

diferenas entre os valores observados e simulados pelo modelo. Os valores observados
podem ser obtidos on-line a partir do SCADA. O algoritmo relativamente robusto,
necessitando de trabalhos futuros para generalizar a sua aplicao on-line.
Segundo o Manual Tcnico do FINESSE (http://www.eng.dmu.ac.uk/wssys/), esse est
sendo testado: (1) pela Socit du Canal de Provence para otimizao da operao on-line de
um sistema de irrigao; e, (2) Socit Wallonne des Distributions dEau, para otimizao da
operao em tempo real do sistema de distribuio de gua da cidade de Verviers, na Blgica.

ENCONS
ENCOMS (Energy Cost Minimisation System) o nome comercial dado ao software
inicialmente desenvolvido pelo projeto POWADIMA, e aprimorado pela empresa Halcrow
Group Ltd, com vistas sua comercializao.
Rao, Wicks & West (2007), colaboradores da Halcrow Group, apresentam as formas
gerais de funcionamento do ENCOMS e resumem as ferramentas utilizadas no seu
desenvolvimento.

2.3

Tcnicas de Otimizao Aplicveis a Sistemas de Abastecimento de gua

Conforme pode ser verificado no item anterior, ao longo da descrio dos trabalhos
existentes sobre otimizao da operao de sistemas de abastecimento de gua, diferentes
mtodos de otimizao tm sido aplicados.
Tradicionalmente os problemas de otimizao na dcada de 60 eram resolvidos usando
mtodos consagrados como programao linear, no-linear e dinmica. Esses mtodos

32

determinsticos normalmente fazem uso do clculo de derivadas da funo objetivo para a

determinao da direo de busca do ponto timo. Segundo Wu e Simpson (2001) as
principais desvantagens dos algoritmos determinsticos so: a necessidade de clculo de
derivadas; dificuldade de adaptao a projetos com variveis discretas, e complexidade de
implementao nos trabalhos prticos de engenharia. Por outro lado, alguns desses mtodos
possuem grande rapidez e preciso na procura do ponto soluo.
Na dcada de 70, as heursticas passam a despertar mais interesse. Segundo Barr et. al.
(1995) apud Ribeiro (2005), os mtodos heursticos so um conjunto de passos bem definidos
para identificar rapidamente uma soluo de alta qualidade para um problema, cuja soluo
um conjunto de valores desconhecidos para o problema e a qualidade definida por um
critrio ou uma avaliao mtrica padro.
J nos ltimos 15 anos a ateno dos pesquisadores das reas de hidrulica e hidrologia
se voltou para a utilizao de tcnicas meta-heursticas, como por exemplo Redes Neurais,
Lgica Fuzzy, Algoritmos Evolucionrios, rvores de Deciso, Ant Colony Optimization
Algorithms, Simulated Annealing, etc.
Dentre as meta-heursticas mais consagradas esto os Algoritmos Evolucionrios
(Programao Evolutiva, Programao Gentica, Classificadores Genticos e Algoritmos
Genticos), que so sistemas computacionais de soluo de problemas baseados nas tcnicas
de evoluo.
Os Algoritmos Genticos (AGs) so os mais populares dos Algoritmos Evolucionrios,
uma vez que permitem o tratamento de problemas com alto coeficiente de complexidade,
propriedades e comportamento no-lineares, mostrando-se robustos e eficientes.
Em recursos hdricos os AGs tm sido largamente utilizados, apresentando resultados
significativos, sendo possvel encontrar dezenas de trabalhos na literatura especializada.

33

Carrijo (2004), Ribeiro (2005), Pedrosa (2006) e Sousa (2007) descrevem as inmeras
aplicaes dos AGs para resoluo de problemas relacionados a recursos hdricos.
A seguir consta uma breve descrio dos AGs, por se tratar da tcnica utilizada no
desenvolvimento desse trabalho, e da biblioteca utilizada para implementao do mesmo.

2.3.1

Algoritmos Genticos

Os AGs foram criados por Holland na dcada de 60 na Universidade de Michigan e

posteriormente popularizados por um de seus alunos, David Goldberg.
Em contraste com outras tcnicas evolutivas, a grande idia de Holland foi de estudar o
fenmeno de adaptao como ele ocorre na natureza e desenvolver caminhos atravs dos
quais os mecanismos de adaptao natural pudessem ser importados para os sistemas
computacionais (Goldberg, 1989).
O primeiro trabalho publicado sobre AG foi em 1975, nos Estados Unidos, com o ttulo:
Adaptation in Natural and Artificial Systems de autoria de John Holland. Este livro foi o
marco para o desenvolvimento e aplicao dos AGs na resoluo de vrios problemas na rea
de engenharia (Carrijo, 2004).
Os AGs so mtodos de otimizao por busca inspirados nos mecanismos de evoluo
de populaes de seres vivos. Estes algoritmos seguem o princpio da seleo natural e
sobrevivncia dos mais aptos, declarado em 1859, pelo naturalista e fisiologista ingls Charles
Darwin.
Devido a essa origem os AGs possuem muitos termos provenientes da biologia. Para
melhor entendimento dessa tcnica, apresenta-se a seguir uma lista com os principais termos
encontrados sobre o assunto na literatura:

34

Cromossomo e Genoma: os dois representam a estrutura de dados que codifica

uma soluo para um problema, ou seja, um cromossomo ou genoma representa um

simples ponto no espao de busca;

Gene: um parmetro codificado no cromossomo, ou seja, a representao de

um elemento do vetor soluo (cromossomo);

Alelo: representa os valores que um gene pode assumir;

Indivduo: um simples membro da populao de cromossomos ao qual

corresponde um valor de aptido (ajuste ou adaptao);

Gentipo: representa a informao contida no cromossomo ou genoma

(composio gentica contida no genoma);

Fentipo: representa o objeto, estrutura ou organismo construdo a partir das

informaes do gentipo. o cromossomo decodificado;

Epistasia: interao entre genes do cromossomo, isto , quando um valor de um

gene influencia o valor de outro gene.

Elitismo: uma estratgia comum nos AGs tradicionais e baseia-se na

transferncia de melhores cromossomos de uma gerao para outra sem alteraes, j que
os melhores cromossomos podem ser perdidos devido aplicao dos operadores de
recombinao e de mutao. Proposto por DeJong ((1975) apud Lacerda & Carvalho,
1999), o AG com elitismo encontra a soluo mais rapidamente que o AG sem elitismo,
ressaltando que o AG ocasionalmente encontra mximos locais.
De acordo com essa terminologia dos AGs, cada cromossomo, tambm referido como
string, representa uma possvel soluo para o problema e uma populao de cromossomos
representa um conjunto de possveis solues.

35

O primeiro passo de um AG a gerao de uma populao inicial de solues. Durante

o processo de otimizao, a populao avaliada e cada soluo recebe um valor,
denominado de aptido (fitness).
Para criar uma nova populao, cromossomos chamados descendentes so formados
pela unio de dois cromossomos pais da gerao atual, atravs do operador de recombinao
(crossover) e em seguida modificados, atravs do operador mutao. Assim, novas
populaes so formadas sucessivamente, mantendo as solues (cromossomos) mais aptas e
descartando as menos qualificadas, para que seja mantido o tamanho da populao inicial, at
a convergncia para uma soluo tima.
A recombinao promove a troca parcial de segmentos correspondentes entre dois
cromossomos pais, gerando dois cromossomos filhos. E a mutao uma degenerao casual
dos valores permitindo a introduo de novas caractersticas genticas s populaes. A
Figura 2.2 ilustra os passos de um algoritmo gentico.

Figura 2.2 Ciclo Bsico de um AG.

36

Representao das solues

Cada soluo (cromossomo) para o problema em estudo representada atravs de uma
cadeia (string) de caractersticas necessrias sua completa definio e que constituem as
variveis de deciso do problema. Tais caractersticas ou cdigos podem ser valores binrios
ou reais.
A representao binria a tradicional, sendo fcil de utilizar e manipular, alm de
simples de analisar teoricamente. No entanto, se um problema tem parmetros contnuos e
deseja-se trabalhar com uma boa preciso, haver a necessidade do armazenamento de
cromossomos longos na memria, os quais precisam ser decodificados para avaliao da
funo de aptido. Este aspecto pode fazer com que o algoritmo tenha uma convergncia
vagarosa.
Contudo, a representao real (com ponto flutuante), alm de gerar cromossomos
menores, possui uma maior facilidade na criao de novos operadores.

Operadores Gentico
Seleo
Num Algoritmo Gentico torna-se muito importante definir a forma como ser realizada
a seleo dos indivduos que iro constituir a nova gerao. O mecanismo de seleo deve
possibilitar que os indivduos mais aptos (com ndice de aptido mais elevado) se reproduzam
mais vezes para que, desta forma, a populao v melhorando ao longo das geraes. No
entanto, o coeficiente de exigncia deste mecanismo deve ser moderado, uma vez que uma
seleo muito exigente faz com que a populao seja dominada muito rapidamente pelos
melhores indivduos o que pode levar estagnao num extremo local e, ao contrrio, uma
seleo pouco exigente pode tornar o processo de evoluo muito lento.

37

Os tipos de seleo mais usuais so Ordenamento, Roda da Roleta, Torneio, Uniforme,

Amostragem Determinstica e Stochastic Remainder Sampling (SRS).
De acordo com algoritmo do Ordenamento dos cromossomos na populao, definindo
uma aptido arbitrria mxima para o primeiro cromossomo da populao e uma aptido
mnima, tambm arbitrria (geralmente zero), para o ltimo cromossomo, as demais aptides
so calculadas interpolando os dois extremos por uma reta.
Outra forma de seleo a Roda da Roleta, onde so calculadas as probabilidades de
seleo para cada cromossomo de acordo com a razo para sua aptido e da aptido da
populao acumulada. Em seguida, um nmero aleatrio gerado no intervalo de zero at o
valor da aptido acumulada e, ento, a soluo selecionada sofre a ao dos operadores
recombinao e mutao.
Na seleo por torneio so escolhidos, aleatoriamente e com probabilidades iguais, n
cromossomos da populao e comparados os respectivos valores de aptido entre si, sendo o
melhor selecionado.
Com a mesma probabilidade de seleo para todos os cromossomos da populao, a
seleo Uniforme escolhe aleatoriamente os cromossomos a serem recombinados e
mutados.
Na seleo por Amostragem Determinstica as probabilidades de seleo so calculadas
como na Roda da Roleta. Em seguida, cada probabilidade multiplicada pelo nmero de
cromossomos da populao e, ento, cada cromossomo selecionado de acordo com a parte
inteira do valor calculado e a populao ordenada de acordo com a parte decimal deste mesmo
valor. A seguir, selecionam-se uniformemente os cromossomos que sofrero a ao dos
operadores genticos.
No Stochastic Remainder Sampling (SRS) o processo comea como na Amostragem
Determinstica e difere no tratamento das partes fracionrias, que so consideradas

38

probabilidades. Por exemplo, um cromossomo com aptido 1,5 ter uma cpia idntica na
populao intermediaria e uma probabilidade de 50% de ter outra cpia.

Recombinao
A recombinao (ou cruzamento) o mecanismo de criao de indivduos (novas
solues) filhos atravs da recombinao de indivduos pais (solues atuais). Geralmente
este processo realizado atravs de simples permuta ou da combinao de caractersticas
correspondentes entre solues pais. A recombinao pode ser realizada de diferentes formas,
chamadas operadores convencionais de um ponto, Uniforme, de Um Ponto, de Dois Pontos,
Aritmtica e Blend (BLX-).
A recombinao uniforme opera nos genes individuais dos cromossomos selecionados
ao invs de atuar nos blocos de material gentico e cada gene considerado um por um (no
blocos) tanto na recombinao quanto na troca.
Na recombinao em um ou dois pontos, cada um dos cromossomos pais tem sua cadeia
cortada em uma (Um Ponto) ou duas posies (Dois Pontos) aleatrias. As partes so
recombinadas, gerando dois novos cromossomos filhos. A recombinao aplicada com uma
dada probabilidade.
A recombinao aritmtica realiza uma combinao linear entre os cromossomos pais,
produzindo dois cromossomos filhos da seguinte forma:
Filho1 = b*Pai1 + (1 b)*Pai2

(2.1)

Filho2 = (1-b)*Pai1 + b*Pai2

(2.2)

onde o valor de b varia de 0 a 1.

A recombinao BLX- produz um novo cromossomo a partir de dois cromossomos
atravs da seguinte recombinao:
Filho = Pai1 + b*(Pai2-Pai1)

(2.3)

39

onde o valor de b pertence ao intervalo (-, 1+ ), podendo variar o valos de b para cada
par de genes.

Mutao
A mutao um processo que possibilita a introduo de caractersticas genticas
novas s solues existentes, atravs da eventual substituio de genes dos indivduos.
Geralmente realizada bit a bit (representao binria) ou varivel por varivel
(representao real) possibilitando que cada bit ou gene seja alterado com uma pequena taxa
de mutao (Pm) entre 0,001 e 0,1.

Critrios de Parada
Aps a aplicao dos operadores de recombinao e mutao, so implementadas as
avaliaes pertinentes ao processo, at que o critrio de parada seja satisfeito. A literatura
descreve vrios critrios de parada para os AGs, dos quais podem-se destacar: a realizao de
um nmero de geraes (avaliaes) pr-determinado; iterar at que no ocorra melhoramento
significativo no cromossomo de maior aptido por um determinado nmero de geraes ou
at que a variabilidade dos valores de aptido relativos s solues da populao possa ser
considerado desprezvel.

2.4

Aspectos Crticos do Problema

NVEL INICIAL DOS RESERVATRIOS

A soluo tima do problema de otimizao da operao de sistemas de abastecimento
de gua depende do nvel inicial de operao dos reservatrios.

40

Algumas investigaes cientficas pesquisam a influncia desses nveis nos gastos

energticos dos sistemas. Com esse enfoque, Almeida e Barbosa (2002) pesquisaram a
influncia de percentuais iniciais de reservao no consumo de energia de uma bomba, tipo
booster, de rotao varivel, instalada numa rede de distribuio alimentada por dois
reservatrios de montante. Na busca da melhor configurao operacional trataram o problema
como de otimizao determinstica restrita. Chegaram concluso de que, para o estudo de
caso explorado, as condies iniciais dos nveis de gua podem conduzir a economias da
ordem de 35,4% a 36% com relao a potncia de eixo de um dia normal de operao.
Para solucionar esse problema e aferir o nvel de gua inicial para posteriores
simulaes diversos autores realizaram anlise de sensibilidade, dentre eles Lansey &
Awumah (1994), Ribeiro (2005) e Sousa (2007).
A anlise de sensibilidade efetuada por Ribeiro (2005) indicou que os melhores
resultados so fornecidos para nvel inicial (06:00 horas) dos reservatrios igual a 90% da
carga mxima.
Carrijo (2004) optou por impor que os nveis de gua nos reservatrios, no final do
perodo de anlise, sejam idnticos aos considerados no incio da simulao. Com relao aos
nveis iniciais o autor afirma que uma situao desejvel, em termos de operao de sistemas
de distribuio de gua, manter nveis de gua prximos dos mximos nos reservatrios no
final da noite, mas que essa nem sempre uma soluo possvel, alm de implicar em
vazamentos noturnos.
O autor realizou a otimizao multi-objetivo da operao de parte do sistema de
abastecimento de gua de Goinia considerando a minimizao dos custos com energia
eltrica e a maximizao dos benefcios hidrulicos. Foram gerados resultados considerando
os nveis iniciais dos reservatrios iguais aos nveis mximos e aos nveis mdios. As

41

solues que consideram nveis iniciais mximos apresentaram maiores valores do benefcio
hidrulico com, praticamente, os mesmos valores dos custos de energia eltrica.
Pedrosa (2006), ao testar um modelo de otimizao energtica da operao de sistemas
de abastecimento de gua baseado em Algoritmos Genticos no sistema adutor Mars (Joo
Pessoa Paraba), considerou o estado inicial dos reservatrios (24:00 horas) como estando
com 80% da sua lmina til.
Sousa (2007) efetuou anlise de sensibilidade em que foram analisados quatro cenrios
distintos, correspondentes aos nveis iniciais 1,35 (nvel considerado no modelo de
simulao), 1,80, 2,30 e 2,80 m. Para cada um dos cenrios foi determinada a soluo de
custo mnimo e quantificada a confiabilidade hidrulica associada, em termos de capacidade
de reserva disponvel no sistema.

PENALIDADES
Os AGs no tratam diretamente os problemas de otimizao que contenham funes
restritivas. Normalmente esse impedimento nos modelos de otimizao pode ser contornado
empregando-se o Mtodo de Penalidades, atravs do qual as restries do problema podem
ser adicionadas funo objetivo em termos de penalidades, convertendo o problema
inicialmente restrito em um problema irrestrito.
Segundo Deb (2000), a maior dificuldade na utilizao de funes de penalidade
encontrar parmetros de penalidade mais adequados para guiar a busca dos AGs at a
combinao tima.
Wu e Simpson (2002) comentam que se o fator de penalidade muito baixo, muitas
solues no-factveis dominam a populao do algoritmo gentico. Se o fator de penalidade
muito alto, boas solues sero eliminadas do processo de busca do AG. Portanto, esse fator

42

direciona o Algoritmo Gentico para determinada regio do espao de busca influindo na

performance do processo e no resultado da soluo final.
Diversas tcnicas utilizando Algoritmos Genticos tm sido foco de pesquisas para
encontrar solues timas a partir de coeficientes de penalidades bem equilibrados.
Entretanto, para chegar a resultados satisfatrios os tratamentos matemticos empregados
concebem alterao nos operadores genticos naturais (Schoenauer e Michalewicz, 1996) ou
encampam os coeficientes de penalidades como sendo variveis de deciso, modificando o
nmero de cromossomos inicialmente previstos para a populao inicial, (Wu e Simpson,
2002).
Nenhum desses mtodos estudados se enquadra na proposta deste trabalho que de
investigar a viabilidade de se conseguir encontrar resultados factveis para o problema
proposto empregando os Algoritmos Genticos na sua forma primitiva, sem a necessidade de
aperfeio-lo para acelerar o tempo de processamento computacional ou apresentar melhorias
na qualidade das solues resultantes, embora essas qualidades sejam importantes para o
sucesso do modelo empregado, mas que poder ser foco de outros estudos sobre o mesmo
tema.
Ribeiro (2005) normalizou os valores das violaes das restries e o valor dos custos
de energia eltrica a ser minimizado de forma que variassem de 0 a 1 e, para a determinao
dos pesos aplicados a cada penalidade, adotou anlise de sensibilidade.
Pedrosa (2006) optou por empregar uma anlise de sensibilidade para estimar os
melhores valores dos parmetros de penalidade devido s dificuldades operacionais de
aplicao das metodologias existentes e a baixa quantidade de coeficientes de penalidade a
determinar.
Rao e Salomons (2007) utilizaram o Mtodo das Penalidades Multiplicativas (descrito
em detalhes por Hilton & Culver (2000)) para incorporar as restries ao AG. De acordo com

43

esse mtodo a funo objetivo multiplicada por um fator proporcional ao total de violaes,
(x), pela funo linear:
(x) =1,0 +mvm , m=1,...,M

( 2.4)

em que m so os pesos das restries e vm os valores das violaes das restries. Dessa
maneira, se uma soluo no resulta em violaes de nenhuma das restries ento a funo
de aptido permanece igual a funo objetivo original.
Apesar dos autores afirmarem que os pesos das restries (m) podem ser constantes ou
variveis ao longo das geraes de AG e tambm podem ser iguais ou diferentes para todas as
restries M, em nenhum dos artigos publicados sobre o projeto POWADIMA explicitada a
metodologia para determinao desses pesos ou maneira como as restries foram tratadas.

OTIMIZAO COM OBJETIVO NICO

Segundo Walski (2001), no Editorial denominado The wrong paradigm Why water
distribution optimization doesnt work, a principal falha dos modelos de otimizao da
operao de sistemas de abastecimento de gua, que impedem que estes sejam utilizados no
dia-a-dia da operao de sistemas de abastecimento, a otimizao com objetivo nico.
Para Neufville1 (1971 apud Walski, 2001) a relativa simplicidade das funes objetivo
(por exemplo, a minimizao dos custos com energia eltrica sujeita s restries) nos
modelos de otimizao existentes no reflete os vrios critrios pelos quais os sistemas de
abastecimento de gua so usualmente avaliados. Para realizar anlises computacionais mais
significativas necessrio definir aceitveis indicadores de desempenho para todos os
objetivos importantes da operao de um sistema de abastecimento de gua.
Ainda segundo Walski (2001) os modelos de otimizao deveriam se basear no conceito
de que o objetivo mais importante do planejamento de sistemas de abastecimento de gua a
1

Neufiville, R. (1971) System analysis of water distribution networks. Journal of Sanitary

Engineering, ASCE, 825.

44

maximizao dos benefcios lquidos, que a diferena entre custos e benefcios

(confiabilidade do sistema, capacidade de reservao, atendimento das demandas, etc.). No
entanto, na operao de sistemas de abastecimento de gua tais benefcios so subjetivos, de
difcil identificao e mensurao e variam de acordo com o sistema em estudo.
O referido autor cita que, na opinio dele, os modelos de otimizao so to obcecados
em reduzir os custos com energia eltrica que para cada $1.000,00 de reduo de custos, os
benefcios so reduzidos em $2.000,00. E que at que os modelos de otimizao se tornem
capazes de considerar adequadamente tais benefcios, eles no sero capazes de gerar
solues to boas quanto um engenheiro munido de um simulador hidrulico (com o sistema
em estudo devidamente modelado), bom senso e conhecimento, muitas vezes subjetivo, do
funcionamento e operao do sistema.

45

All truths are easy to understand once they are discovered; the
point is to discover them.
Galileo Galilei

3.1

Modelo Otimizador

Estrutura

O propsito deste trabalho estudar a otimizao energtica da operao de sistemas

de abastecimento de gua em tempo real. Um procedimento de minimizao do custo
relativo ao consumo de energia eltrica em tempo real proposto e testado para o sistema
descrito no Captulo 4. O referido procedimento se apia na execuo de trs mdulos
computacionais:

Mdulo de Previso de Demandas: (1) os dados de demanda so submetidos a um

processo de filtragem e determinadas as curvas de demanda tpica; e (2) os dados de
demanda filtrados so modelados com base na metodologia proposta por Zahed
(1990), dando origem previso de demanda;

Mdulo de Simulao Hidrulica: representado pelo programa EPANET, atravs

das funes presentes na Toolkit, responsvel pela avaliao do comportamento
hidrulico das solues geradas pelo Mdulo Otimizador;

46

Mdulo de Otimizao: realiza a otimizao da operao, utilizando a tecnologia

dos AGs de maneira integrada ao Mdulo de Simulao Hidrulica. Para tanto, o
problema de otimizao correspondente posto de forma a tratar o estado de
funcionamento das bombas e vlvulas em intervalos de tempo pr-determinados
como variveis de deciso, cujos valores resultem num custo mnimo de
bombeamento para padres de demanda conhecidos.

Os mdulos de simulao hidrulica e otimizao trabalham conjuntamente, de

forma que o simulador hidrulico repetidamente solicitado para avaliar possveis
solues, gerada pelo AG, na busca de alternativas de melhor performance, ou seja, custos
energticos mnimos.
Conforme explicitado no item 2.2, a otimizao da operao de sistemas de
distribuio de gua pode ser abordada sob os enfoques do Planejamento Estratgico e da
Operao em Tempo Real. Apesar deste trabalho ser voltado para a Otimizao da
Operao em Tempo Real, optou-se pela sua realizao em duas etapas.
Na primeira etapa realizada a otimizao em Nvel Estratgico, a partir das Curvas
Tpicas de Demanda para cada n de demanda do macro-sistema considerado. Determinase o conjunto de controles que minimizam os custos de energia eltrica, respeitando as
restries hidrulicas do sistema, aqui denominado de estratgia operacional.
Para cada conjunto de controles otimizados tm-se os nveis que os reservatrios iro
atingir ao final de cada hora durante o horizonte de planejamento considerado,
denominados Nveis Metas. Tais nveis servem de guia para a segunda etapa de
otimizao, a Operao em Tempo Real.
A Operao em Tempo Real se inicia com o recebimento dos dados sobre as
condies atuais do sistema: nveis dos reservatrios e demandas da ltima hora. A partir

47
das demandas informadas, o Mdulo de Previso de Demandas gera todas as demandas
para o horizonte de planejamento. Alimenta-se ento o Otimizador em Tempo Real com os
nveis atuais dos reservatrios, os nveis metas e a previso de demandas, obtm-se o
conjunto de regras operacionais timas para o horizonte de planejamento, sendo que so
implementadas apenas as regras para a hora atual. Na prxima hora h o recebimento dos
dados do sistema, nova previso de demandas gerada, o Otimizador em Tempo Real
recebe os novos dados de entrada e um novo conjunto de controles otimizados gerado,
sendo implementados apenas os referentes a hora em curso, e assim por diante. Ou seja, a
Otimizao em Tempo Real refeita a cada hora, permitindo que possveis erros inerentes
ao processo possam ser corrigidos e no se acumulem ao longo do horizonte, tal como
seria na aplicao apenas do Planejamento Estratgico.
Cabe ressaltar que a Otimizao em Nvel Estratgico no necessariamente
realizada antes de cada Otimizao em Tempo Real e nem ao final de cada horizonte de
previso. O que determina a execuo da Otimizao em Nvel Estratgico so as Curvas
Tpicas de Demanda.
As mudanas nas Curvas Tpicas de Demanda variam de sistema para sistema e
costumam ocorrer entre dias de semana e finais de semana e de acordo com a estao do
ano, alm da variao gradual devida ao aumento da demanda do sistema.
O diagrama de fluxo do modelo para a otimizao da operao em tempo real
proposto apresentado na Figura 3.1 e nos itens 3.2 a 3.5, a metodologia utilizada para a
construo de cada um dos mdulos.

48

Figura 3.1 Fluxograma do Modelo de Operao Otimizada em Tempo Real Proposto.

3.2

Mdulo de Previso de Demandas

A previso de demandas a estimativa de valores de demanda para um ou mais

intervalos de tempo especficos do futuro. O intervalo de tempo no futuro, que define a
antecedncia das previses, recebe o nome de horizonte de previso. Tipicamente, a
previso de demanda pode ser realizada a curto ou longo prazo. A previso de curto prazo
realizada com antecedncia de minutos ou uma hora, enquanto que a previso de longo
prazo realizada com antecedncia de horas ou um dia.

49
Por sua vez, a freqncia de previso define o perodo de tempo no qual so
produzidos novos dados de previso. Assim, por exemplo, uma previso de demanda que
se estende por 3 dias e que repetida a cada dia tem uma freqncia diria e um horizonte
de 3 dias. Neste trabalho ser utilizada previso com horizonte de 24 horas e freqncia
horria.

3.2.1

Previsor de demanda

O previsor de demandas empregado no presente trabalho, desenvolvido por Odan

(2008), basea-se no modelo desenvolvido por Zahed (1990), o qual utiliza a Srie de
Fourier para prever a demanda de gua, j que esta possui comportamento peridico.
Basicamente, por meio de dados observados, ajusta-se a equao harmnica que
possui a seguinte forma (Zahed,1990):
np

k 2j
k 2j
f (x j ) = a0 + ak cos
+ bk sin

2N
2N
k =1

np < N
( 3.1)

em que: a0 o valor mdio da funo no intervalo utilizado; ak, bk so coeficientes

ajustados; 2N o nmero de pontos eqidistantes equivalente ao perodo 2; j nmero de
ordem de f(x); np o nmero de harmnicos, adotado np = 21; xj = j.(2/2N); e, t a
varivel tempo.
O ajuste dos coeficientes realizado por meio do mtodo dos mnimos quadrados:
a0 =

1
2N

ak =

1
N

2N

Cons( x )

( 3.2)

j =1

2N

kj

Cons( x ) cos
j =1

1 k N

kj
1 k N

N
j =1
Em que: Cons (xj) o consumo observado.
bk =

1
N

( 3.3)

2N

Cons( x ) sin
j

( 3.4)

50

O ciclo adotado semanal, discretizado a nvel horrio (2N= 24x 7 = 168 horas), ou
seja, necessita-se de no mnimo 1 semana de dados observados para a utilizao do
modelo, sendo a atualizao dos coeficientes horria.
No modelo, para cada avano de uma hora na srie de dados observada, realiza-se a
previso de 24h frente.
Ainda segundo Zahed (1990), a fim de incorporar previso as informaes
intrnsecas nos dados de consumo, aplica-se um coeficiente de correo alfa, que
corresponde relao mdia entre os valores observados e os valores obtidos pelos
harmnicos para as ltimas nb horas do conjunto de 168 horas (adotado nb= 6horas).
Neste modelo, durante a previso de 24h, medida que o perodo de previso
avana, inevitavelmente o consumo previsto se afasta dos valores observados, por isso,
caso a diferena entre a previso e a mdia dos valores observados para determinada hora
das semanas anteriores (no caso, foi adotado 3 semanas anteriores) seja maior que um
determinado desvio (adotado 20%), substitui-se o valor previsto pela mdia observada.
No entanto, antes de utilizar a srie de dados observada para realizar a previso, foi
necessrio tratar os dados, pois verificam-se falhas na medio, erros na transmisso de
dados, etc. Para tanto, completam-se os dados faltosos por meio de interpolaes e realizase, tambm, tratamento estatstico dos dados.

51
3.3

Mdulo de Simulao Hidrulica

O termo simulao geralmente se refere reproduo do comportamento de um

sistema fsico de interesse. No caso especfico dos sistemas de abastecimento de gua,
modelos de simulao so ferramentas que permitem, com uma determinada exatido
estimvel, analisar e prever o comportamento hidrulico e de parmetros de qualidade da
gua de sistemas hidrulicos sob presso com base nas caractersticas fsicas dos seus
componentes, do seu modo de operao e das solicitaes de demanda.
Permitem, assim, a partir de um conjunto de dados descritivos das caractersticas
fsicas dos sistemas, das solicitaes a que so sujeitos e das suas condies operacionais,
reproduzir o seu comportamento hidrulico por intermdio de algoritmos de resoluo de
equaes no lineares representativas s leis fsicas que regem o escoamento sob presso.
Atualmente, os modelos de simulao so ferramentas disponveis para suporte ao
diagnstico e anlise dos sistemas de abastecimento de gua.
Existem no mercado diversos modelos e softwares de modelagem matemtica para
desenvolvimento de anlises hidrulicas e de qualidade da gua em redes. Dentre eles:
H2ONET H2OMap Montgomery Watson Inc.; SynerGEE Stoner Workstation
Service; EPANET Environmental Protection Agency; WaterCAD - Bentley's Haestad
Methods; Pipe2000 KYPipe; FINESSE Water Software Systens; etc. O modelo
simulador hidrulico utilizado no presente trabalho se baseia no cdigo original do
EPANET (ROSSMAN, 2000), que pode ser apontado como o software de domnio pblico
mais utilizado no mundo todo, acoplado a um cdigo computacional na linguagem C++
(Borland Builder C++5.0).

52
EPANET
O EPANET um programa de computador, criado pela U.S. Environmental
Protection Agency (USEPA), dos Estados Unidos da Amrica, que permite executar
simulaes estticas e dinmicas do comportamento hidrulico e de qualidade da gua de
sistemas de distribuio de gua para abastecimento.
O pacote computacional distribudo gratuitamente sob duas formas: executvel e
cdigo fonte (Toolkit Library). A forma executvel aplicvel a estudos que envolvem
apenas as simulaes hidrulicas. A forma de cdigo fonte recomendvel para estudos
que envolvem o acoplamento de outros modelos (calibrao, vazamentos, demandas
variveis, entre outros) com o EPANET.
Para a resoluo do conjunto de equaes no lineares que caracterizam os
escoamentos sob presso, designadamente as equaes da continuidade e da conservao
de energia, e as leis de resistncia ao escoamento, o modelo EPANET utiliza o Mtodo do
Gradiente Modificado, que se baseia numa aproximao hbrida n-malha para a resoluo
destas equaes.
As principais vantagens desse simulador so: dimenso da rede a analisar ilimitada;
clculo da perda de carga utilizando as frmulas alternativas de Hazen-Williams, DarcyWeisbach ou Chezy-Manning; possibilidade de considerao das perdas de carga singulares
em curvas, alargamentos, estreitamentos, etc; modelao de bombas de velocidade
constante ou varivel; clculo da energia de bombeamento e do respectivo custo;
modelao dos principais tipos de vlvulas, incluindo vlvulas de seccionamento, de
reteno, reguladoras de presso e de vazo; e, conexo com cdigos computacionais de
diversas linguagens (C++, BASIC, etc) atravs da toolkit.
A toolkit uma biblioteca de vnculo dinmico (DLL) a qual contm funes que
permitem aos programadores o desenvolvimento de aplicaes especficas. Alm disso,

53
essa biblioteca permite abrir e fechar um arquivo que descreve a rede (.inp), bem como ler
e modificar os vrios parmetros de projeto e operao, simular perodos extensivos
acessando resultados a cada passo e escrever os resultados das simulaes nos arquivos de
sada (.rpt).
A verso executvel do EPANET para Windows pode ser obtida gratuitamente na
Internet na verso portuguesa (http://www.dha.lnec.pt/nes/epanet e www.lenhs.ct.ufpb.br)
e na verso original (http://www.epa.gov/nrmrl/wswrd/epanet), juntamente com o manual
de utilizao, exemplos de aplicao e a toolkit de programao.
Para simulao do comportamento hidrulico de um sistema de distribuio de gua
utilizando um software de simulao hidrulica necessrio o fornecimento dos dados que
representem as caractersticas fsicas do sistema e suas condies de contorno. Portanto, foi
representada no EPANET a topologia do sistema em estudo utilizando-se os dados
cadastrais, contendo o posicionamento da rede, vlvulas, reservatrios e demais acessrios,
comprimentos e dimetros dos tubos, bem como cotas do terreno, curvas de bombas, etc.
Posteriormente atribui-se: (1) a demanda base para os determinados ns e padres de
demanda para o horizonte de planejamento; (2) as tarifas de energia eltrica; e, (3) os
nveis iniciais de cada reservatrio.
Vale salientar que a distribuio espacial das demandas nos diferentes ns uma
potencial fonte de erro do modelo. No entanto, como o sistema em estudo corresponde
basicamente macro-aduo, optou-se por alocar as demandas apenas na sada de cada
Centro de Reservao (CR).
Outro fator de extrema importncia, conforme mencionado no Item 2.5 Aspectos
Crticos do Problema, so os nveis iniciais dos reservatrios. Obviamente percebe-se que a
soluo tima para o Nvel Estratgico depende dos nveis iniciais de operao do
reservatrio, que no foi incorporado como varivel de deciso do problema. Portanto

54
optou-se por realizar uma anlise de sensibilidade de forma a verificar quais nveis iniciais
adotar.
Com o sistema devidamente caracterizado no simulador hidrulico, exporta-se,
atravs do prprio EPANET, o arquivo texto (extenso .inp) que ser utilizado pelo
otimizador.

3.4

Mdulo Otimizador

Os modelos de simulao hidrulica disponveis permitem reproduzir o

comportamento hidrulico de um sistema de abastecimento de gua sob determinadas
condies de operao. Estes modelos no possibilitam, no entanto, a determinao das
condies de funcionamento timo dos sistemas, sendo para tal necessrio recorrer
utilizao de modelos computacionais baseados em mtodos de otimizao.
Assim, criaram-se duas rotinas otimizadoras (em Nvel Estratgico e de Tempo Real)
que compe o mdulo otimizador, ambas desenvolvidas em linguagem C++ com o uso do
compilador da Borland, Builder C++ 5.0 e, tambm, do cdigo fonte do EPANET Toolkit
Library, contido no arquivo Epanet2.dll.
A implementao do AG foi feita com o uso da Galib, que a biblioteca de objetos
de

AGs

criada

pelo

MIT

Massachusetts

Institute

of

Technology

(http://lancet.mit.edu/galib-2.4/).

3.4.1

Rotina 1 - Otimizao em Nvel Estratgico

O procedimento geral da rotina de Otimizao em Nvel Estratgico pode ser

representado pelo fluxograma da Figura 3.2.

55

Figura 3.2 Diagrama de Fluxo da Otimizao em Nvel Estratgico.

ETAPA 1 LEITURA E ARMAZENAMENTO DOS DADOS DE ENTRADA DO AG
Cria-se um arquivo texto, denominado ga1.in, com os dados de entrada relativos aos
operadores e parmetros genticos, nmero de bombas e vlvulas e respectivos trechos,
horizonte de planejamento e presso mnima admissvel na rede e uma rotina, Figura 3.3,
para ler estes dados e armazenar nas devidas variveis.
No Item 3.4.2, adiante, apresentado um estudo sobre a adoo dos valores dos
operadores e parmetros genticos utilizados.

56
//Leitura do arquivo ga1.in com os dados de entrada para rodar os AGs
ifstream gaif;
char* fent = "ga1.in";
gaif.open(fent);
gaif.ignore(max,'\n'); // tipo de AG
gaif >> gaType;
gaif.ignore(max,'\n');
gaif.ignore(max,'\n'); //tipo de seleo
gaif >> Selector;
gaif.ignore(max,'\n');
gaif.ignore(max,'\n');//Numero de substituies
gaif >> nReplacement;
gaif.ignore(max,'\n');
gaif.ignore(max,'\n'); //Tipo de recombinao - taxa de recombinao
gaif >> crossover >> crossoverRate;
gaif.ignore(max,'\n');
gaif.ignore(max,'\n'); //Tipo de mutao - taxa de mutao
gaif >> mutation >> mutationRate;
gaif.ignore(max,'\n');
gaif.ignore(max,'\n');//tamanho da populao
gaif >> popsize;
gaif.ignore(max,'\n');
gaif.ignore(max,'\n');//numero de geraes
gaif >> ngen;
gaif.ignore(max,'\n');
gaif.ignore(max,'\n'); //semente aleatria
gaif >> randomSeed;
gaif.ignore(max,'\n');
gaif.ignore(max,'\n');//maxima variancia de fitness
gaif >> maxFitnessVariance;
gaif.ignore(max,'\n');
gaif >> Variaveis; //numero de controles
gaif.ignore(max,'\n');
if (Variaveis != 0)
{
VariavelID1 = new int[Variaveis];
VariavelID2 = new int[Variaveis];
for (i=0; i< Variaveis; i++)
{
gaif >> ID1 >> ID2;
gaif.ignore(max,'\n');
VariavelID1[i] = ID1;
VariavelID2[i] = ID2;
}
}
gaif.ignore(max,'\n');
gaif >> Horas; //numero de horas do horizonte de planejamento
gaif.ignore(max,'\n');
length = Variaveis*Horas;//alocando espao para genoma
gaif.ignore(max,'\n');
gaif >> Pmin; //presso minima visada para a rede
gaif.close();

Figura 3.3 - Sub-rotina leitura do arquivo ga1.in para Otimizao em Nvel Estratgico.

57
// GA type (0:Simple, 1:SteadyState)
0
// Selector (0:Rank,1:RouletteWheel,2:Tournament,3:Uniform)
2
// nReplacer
2
// Crossover (0:Uniform,1:OnePoint,2:TwoPoint,3:EvenOdd),
CrossoverRate
0
0.6
// Mutator (0:FlipMutator), MutationRate
0
0.003
// Population size
50
// Number of generations
1500
// Random seed
1000
//Min required fitness variance
0.001
9 //Nmero de controles, nos trechos abaixo
1
2
//BOMBA 38
3
4
//BOMBA 39
6
7
//BOMBA 40
10
11
//BOMBA 41
14
15
//BOMBA 42
20
21
//BOMBA 45
18
17
//VALVULA 46
23
35
//VALVULA 48
23
36
//VALVULA 49
//Nhoras
24
//Pmin
10

Figura 3.4 Arquivo ga1.in para Otimizao em Nvel Estratgico.

ETAPA 2 LEITURA E ARMAZENAMENTO DOS DADOS PRINCIPAIS DO SISTEMA
O otimizador, atravs da funo ENopen, abre o arquivo de texto da rede (extenso
.inp), conta (ENgetcount) o nmero de links e ns do sistema e armazena nas respectivas
variveis (NumLinks e NumNodes) - Figura 3.5.
//Pega os dados necessrios no EPANET e armazena nas respectivas variveis
void operation :: demandTemp()
{
ENopen("Sistema.inp","Report.rpt","");
ENgetcount(EN_NODECOUNT, &NumNodes
ENgetcount(EN_TANKCOUNT, &NumTanks
ENgetcount(EN_LINKCOUNT, &NumLinks);
NumJunctions = NumNodes - NumTanks;
ENclose();
}

Figura 3.5 Sub-rotina de leitura dos dados do Sistema.

Observa-se que a funo ENopen deve ser seguida de um parnteses dentro do qual
especifica-se o nome do arquivo texto de entrada do EPANET e o nome com que salvo o
report file (relatrio onde so armazenados todas as mensagens geradas durante a
simulao hidrulica e os resultados hidrulicos para ns e trechos).

58
ETAPA 3 ALOCAO DE MEMRIA
Sub-rotina implementada para alocar memria para as matrizes e vetores utilizados
durante a otimizao Figura 3.6.
//Alocao de espaa para os vetores
void operation :: aloca()
{
int i,j,k;
Genoma = new float[length];
Resultado = new float*[Horas];
Resultado[0] = new float[Horas * NumJunctions];
for(k = 1; k <= Horas; k++)
Resultado[k] = Resultado[0]+ k*NumJunctions;
Level = new float*[NumJunctions];
Level[0] = new float[NumJunctions*Horas];
for(k = 1; k <= NumJunctions; k++)
Level[k] = Level[0]+ k*Horas;
Estado = new float*[NumLinks];
Estado[0] = new float[NumLinks*Horas];
for(k = 1; k <= NumLinks; k++)
Estado[k] = Estado[0]+ k*Horas;
Energia = new float*[NumLinks];
Energia[0] = new float[NumLinks*Horas];
for(k = 1; k <= NumLinks; k++)
Energia[k] = Energia[0]+ k*Horas;
InitialLevel = new float[NumJunctions];
}

Figura 3.6 Sub-rotina para alocao de memria.

ETAPA 4 GERAO DA POPULAO INICIAL
Atravs da sub-rotina Initializer Figura 3.7, so gerados aleatoriamente os
cromossomos que formam a populao inicial de soluo. Define-se tambm o tipo de
genoma a ser utilizado, no caso em estudo, vetor de binrios com uma dimenso
(GA1DBinaryStringGenome), conforme explicado a seguir no item 3.4.3.

void Initializer(GAGenome& g)
{
GA1DBinaryStringGenome& genome = (GA1DBinaryStringGenome&)g;
int i;
if (Variaveis != 0)
{
for (i=0;i<Variaveis*Horas;i++)
{
genome.gene(i, GARandomBit());//aqui int
}
}
}

Figura 3.7 - Sub-rotina para gerao da populao inicial de soluo para o AG.

59
ETAPA 5 AVALIAO DA FUNO DE APTIDO
Nesta etapa, o Otimizador solicita o EPANET para simular o sistema proposto
hidraulicamente em tempo estendido (24 horas) considerando os estados de funcionamento
de bombas e vlvulas designados pelo genoma corrente, obtendo o valor da Funo de
Aptido - Figura 3.8.
float Objetivo(GAGenome& g)
{
GA1DBinaryStringGenome& genome = (GA1DBinaryStringGenome&)g;
genome = (GARealGenome&)g;

//GARealGenome&

float fitness;
for (int i=0;i<genome.length();i++)
{
Genoma[i]=genome.gene(i);
//fout<<Genoma[i];
}
operation aux;
objF = aux.run_epanet();
fitness = objF;
return (fitness);
}

Figura 3.8 Sub-rotina para obteno do valor da funo de aptido.

ETAPA 6 AVALIAO DO CRITRIO DE PARADA
Se a quantidade de geraes atende o critrio de parada pr-definido do algoritmo,
ento o processo interrompido, caso contrrio, continua-se a avaliao em busca de
melhores soluo.
Cabe aqui uma ressalva de que as melhores solues encontradas no correspondem
necessariamente s respectivas solues timas, uma vez que a aplicao dos AGs no
garante a convergncia para o timo. Portanto, nesse trabalho, a melhor soluo encontrada
aps um nmero determinado de geraes referida como soluo otimizada e no como
soluo tima.

ETAPA 7 APLICAO DOS OPERADORES GENTICOS

Caso ainda no se tenha atingido o critrio de parada, a populao corrente
submetida aos operadores genticos de Seleo, Cruzamento e Mutao.

60
ETAPA 8 IMPRIME A SOLUO OTIMIZADA
Quando o processo chega ao fim, a soluo otimizada novamente simulada no
EPANET, atravs da sub-rotina results(), e o EPANET gera o report file desta simulao.
Atravs deste report file possvel observar os nveis dos reservatrios, atendimento das
demandas, presses nos ns, vazes nos trechos, entre outros, avaliando-se
hidraulicamente a soluo gerada pelo otimizador.
As sub-rotinas results() e run_epanet(), ao contrrio das demais, no so aqui
apresentadas por serem muito longas. No entanto, so utilizadas tambm na Otimizao em
Tempo Real, cuja rotina completa apresentada no Apndice A.

AVALIAO HIDRULICA - EPANET

Durante a Etapa 5, o Otimizador abre o EPANET, solicita que este simule
hidraulicamente a soluo corrente atravs da sub-rotina run_epanet(), retornando o valor
da Funo Objetivo (objF), e fecha novamente o EPANET.
Essa sub-rotina compreende os seguintes passos:
Passo 1

Abre a anlise hidrulica do sistema atravs da Funo ENopenH;

Passo 2 -

Inicializa nveis dos reservatrios, estados dos trechos, bombas, vlvulas, e

tempo da simulao (ENinitH);

Passo 3 -

Simula, atravs da utilizao em conjunto das funes do - ENrunH(&t) ENnextH(&tstep) while(tstep>0), todo o horizonte de planejamento
considerado. Essa simulao divida em perodos de anlise hidrulica,
com tempo corrente de simulao t (em segundos). Em cada perodo so
informados os estados das bombas e vlvulas, correspondentes ao genoma
da populao corrente, atravs da funo ENsetlinkvalue. Como o tempo de
simulao corrente no necessariamente igual a uma hora, e sim o tempo

61
transcorrido at que o prximo evento hidrulico ocorra, optou-se por
utilizar um contador (tt) que s ir permitir que os valores do genoma sejam
atribudos aos seus respectivos controles (bomba ou vlvula) de hora em
hora. J que o genoma foi concebido como sendo o estado de cada controle
para cada hora ao longo do horizonte de planejamento.
Passo 4 -

Repete-se toda a simulao do Passo 3, agora com os estados dos controles

j definidos, resgatando do EPANET os valores de energia de cada bomba,
as presses em cada n, os nveis dos reservatrios e a quantidade de
acionamentos de cada bomba. Da mesma forma que no passo 3, foi criado
um contador (zz) para que esses valores s fossem tomados a cada hora e
no a cada tempo corrente de simulao (t).

Passo 5 -

A partir dos valores tomados no passo anterior, calcula-se a Funo de

Aptido para a soluo corrente, retornando seu valor (objF).

Consta do item 3.4.3 o detalhamento do clculo da Funo de Aptido e suas

consideraes.

3.4.2

Rotina 2 - Otimizao em Tempo Real

As sub-rotinas implementadas na Otimizao em Tempo Real so basicamente as

mesmas da Otimizao em Nvel Estratgico, descritas no item anterior, com a diferena
de que so constantemente repetidas. O diagrama de fluxo desta sub-rotina apresentado
na Figura 3.9, na pgina seguinte.
As Etapas 1 e 2 so as nicas realizadas apenas uma vez. Em cada novo passo de
tempo h a alocao do espao dos vetores, gerao da populao inicial, avaliao da
funo da aptido da populao atual, verificao do critrio de parada e aplicao dos

62
operadores genticos. Ao final de cada ciclo de otimizao a soluo obtida novamente
simulada no EPANET, atravs da sub-rotina results(), o EPANET gera o report file da
otimizao corrente, desaloca-se todos os vetores utilizados e implementa-se a soluo
otimizada. Na prxima hora, obtm-se os dados atuais do sistema, realiza-se nova previso
de demandas e todo o processo repetido a partir da Etapa 3.
Conforme citado anteriormente, a rotina completa para a Otimizao em Tempo Real
encontra-se apresentada no Apndice A.

Figura 3.9 - Diagrama de Fluxo da Otimizao em Tempo Real.

63
3.4.3

Funo de Aptido

Variveis de Deciso
No problema tratado, a funo objetivo expressa a minimizao dos custos de
energia eltrica relativa ao bombeamento de um sistema de aduo de gua. Assim, a
soluo tima investigada significa encontrar a melhor combinao, operacionalmente
factvel, do estado das bombas e vlvulas, a cada intervalo de tempo, ao longo de um
horizonte de planejamento, de forma a resultar num custo energtico mnimo.
Portanto as variveis de deciso so os conjuntos de controles das bombas xt = (x1t,
x2t, ..., xBt) e das vlvulas yt = (y1t, y2t, ..., yVt), t = 1, ..., T , para todos os intervalos de
tempo t ao longo do horizonte de planejamento T, onde B o nmero de bombas, V o
nmero de vlvulas e T o nmero de intervalos de tempo que totalizam o horizonte de
planejamento (24).
Para bombas de vazo fixa, as variveis de deciso so restritas ao estado da bomba
que pode ser ligado ou desligado. Todavia, para bombas de velocidade varivel essas
variveis de deciso englobam tambm as taxas de vazo da mesma naquele intervalo de
tempo. As vlvulas controladoras de vazo so similares s bombas de velocidade varivel,
as variveis de deciso englobam o coeficiente de abertura da mesma e no somente seu
estado (aberta/fechada).
Nesse trabalho no foram consideradas bombas de velocidade varivel e nem o
coeficiente de abertura das vlvulas controladoras de vazo. E admitiu-se a codificao
binria das variveis, onde cada gene assume o valor 0 ou 1. Assim sendo, as variveis de
deciso limitam-se aos valores 1 ou 0, ou seja, ligada / desligada e aberta / fechada, para as
bombas e vlvulas, respectivamente.

64
Cada soluo (indivduo) representada por um vetor (cromossomo) de dimenso
(B+V)*T, descrevendo as diferentes combinaes de estado das bombas e vlvulas ao
longo do horizonte de planejamento. A Figura 3.10 mostra um simples exemplo de um
vetor soluo (cromossomo) para duas bombas e duas vlvulas, assumindo um horizonte
de planejamento T.

Figura 3.10 - Vetor soluo de duas bombas e duas vlvulas, horizonte de planejamento T.
Funo Objetivo
Como os custos associados ao consumo de energia representam grande parcela dos
custos totais de explorao dos sistemas de abastecimento de gua, a funo objetivo a
minimizar (Cb) do problema pode ser definida pelo somatrio dos custos associados ao
consumo de energia eltrica no bombeamento de gua no sistema.
Se B o nmero de bombas no sistema de aduo, e E o nmero de elevatrias,
ento o custo energtico de bombeamento (Cb) em T perodos de tempo, representado
genericamente por:
B

Cb = [custoconsumo(b, t )] + custodemanda(e)
b =1 t =1

( 3.5)

e =1

Considerando que a cada elevatria (unidade consumidora) possa estar associada

uma estrutura tarifria prpria com tarifas diferenciadas de energia em D perodos
distintos, a funo objetivo pode ser expressa pela equao abaixo.

65
B T
9,81 Q(b, t ) Hm(b, t ) TC (b, t ) t E D
Cb =
+ {TD (e, d ) max_ dem(e, d )}
(b, t )
b =1 t =1
e =1 d =1
( 3.6)

em que, Cb = custo energtico total (R$); Q(b,t) = vazo bombeada (m/h); Hm(b,t) =
altura manomtrica total da bomba (m); TC(t) = tarifa de consumo (R$/kWh); TD(e,d) =
tarifa de demanda (R$/kW); max_dem(e,d) = demanda mxima (kW); (b,t) = rendimento
do conjunto elevatrio. O termo t corresponde a hora do dia, b se refere a uma bomba
particular, e est associado respectiva estao elevatria, e d o perodo do dia (horrio
ponta/fora de ponta).

Restries
A otimizao da operao de sistemas de abastecimento tem sido formulada como
um problema de otimizao sujeito a restries implcitas e explcitas.
As restries implcitas so as restries de igualdade definindo o equilbrio esttico
do sistema, que correspondem conservao da massa em cada n e conservao da
energia no sistema, representadas por um conjunto de equaes implicitamente resolvidas
internamente ao simulador hidrulico.
J as restries explcitas compreendem as restries de ordem fsica e operacional.
As restries fsicas englobam capacidade dos reservatrios, capacidade dos mananciais,
configurao das bombas, etc. As restries operacionais podem assumir as mais diferentes
consideraes, sendo atravs dessas restries que se associa a noo de confiabilidade do
sistema otimizao de objetivo nico (minimizao dos custos com energia eltrica),
garantindo que a soluo encontrada seja vivel operacionalmente. O produto resultante da
otimizao no ser necessariamente a soluo de menor custo e sim uma soluo factvel
de ser implementada na prtica, com os padres de confiabilidade desejados.

66
Optou-se por incorporar Otimizao em Nvel Estratgico as restries relativas s
ocorrncias de presses inferiores mnima, diferena entre os nveis inicial e final nos
reservatrios e quantidade de acionamentos das bombas. Na Otimizao em Tempo Real a
restrio quanto diferena de nveis inicial e final nos reservatrios substituda pela
diferena entre os nveis atingidos pelos reservatrios e os nveis meta, ou seja, obtidos na
otimizao estratgica.
Matematicamente, o problema original de minimizao da funo objetivo (FO),
com restries do tipo,
Minimize: FO(X),

( 3.7)

sujeito a: Pr(X) 0, r = 1,2,...,nr

( 3.8)

em que: X o vetor de variveis de deciso { x1 , x2 , ..., xn }; n o nmero total de

variveis de deciso; e, nr o nmero de restries.
Como o Algoritmo Gentico no trata diretamente de problemas de otimizao que
contenham funes restritivas, esse impedimento nos modelos de minimizao pode ser
contornado empregando-se o Mtodo de Penalidades, segundo o qual as restries so
adicionadas funo objetivo em termos de penalidades, convertendo o problema
inicialmente restrito em um problema irrestrito. Portanto, a formulao inicial do problema
transformada em:
nr

Minimize : objF ( X , r ) = FO( X ) + r Pr

( 3.9)

r =1

em que, Pr calculada usando funes de penalidades que representam as violaes; FO

a funo objetivo original; r o coeficiente de penalidade aplicado a restrio; e objF(X,
r) a funo objetivo transformada (funo de aptido).

67
Penalidades
Penalidade 1 - Presses inferiores mnima
Restrio quanto ocorrncia de presses inferiores mnima, garantindo assim o
atendimento das demandas com presses adequadas e, obviamente, que no haja presses
inferiores atmosfrica, assegurando a continuidade no abastecimento. calculada pela
seguinte expresso:
T = 24

P1 = 1 ( Pmin Pit ), sendo Pit < Pmin

( 3.10)

t =1

em que: 1 o coeficiente de penalidade a ser aplicada funo de restrio; Pit a presso

no n i (desde que haja demanda nesse n) na hora t; e, Pmin igual a 10 mH2O (conforme
preconiza a NBR 12218).
Essa penalidade aplicada apenas aos ns onde h demanda, uma vez que
determinados ns, tais como suco de bombas e sadas de reservatrios apoiados ou
enterrados, sempre tero presses inferiores mnima.

Penalidade 2 - Diferena entre os nveis inicial e final nos reservatrios

Impe-se que o nvel final de gua nos reservatrios seja pelo menos igual ao nvel
de gua no instante inicial. Essa restrio estabelecida para que no final do horizonte de
planejamento operacional o sistema apresente as mesmas condies hidrulicas iniciais,
visando garantir a continuidade da operao em perodos subseqentes.
Para atender essa condicionante foi desenvolvida uma funo de custo (Equaes
3.11 e 3.12) para penalizar a funo de aptido caso os nveis de gua nos reservatrios no
atinjam seus valores iniciais, forando com que o sistema tente recuperar o dficit.
R

P2 = 2 ( N inicial ,r N final ,r ), sendo N inicial ,r > N final ,r

( 3.11)

P2 = 0,

( 3.12)

r =1

para N inicial ,r N final ,r

68
em que: 2 o coeficiente de penalidade a ser aplicado restrio; N inicial ,r e N final ,r =
nveis de gua no reservatrio r para os instantes inicial e final (t=0 e t=24).

Penalidade 3 - Quantidade de acionamentos

Um conjunto de controles em que as bombas e vlvulas so ligadas e desligadas ou
manobradas com freqncia pode at reduzir o consumo de energia. Entretanto, isso pode
acarretar acrscimo nos custos de manuteno, visto que quanto mais vezes uma bomba for
acionada, ou uma vlvula operada, durante um ciclo de operao, maior ser seu desgaste.
Baseando-se no trabalho desenvolvido por Lansey &Awumah (1994), adotou-se que
cada bomba/vlvula poderia ser acionada/manobrada quatro vezes por dia sem haver
acrscimo de penalidades na funo de aptido. A partir do quinto acionamento a restrio
considerada violada, sendo ento aplicada essa penalidade, segundo a funo:
B

b =1

v =1

P3 = 3 ( NAb + NAv ), sendo NA > 4

( 3.13)

em que: 3 o coeficiente penalidade a ser aplicada funo de restrio; NA o nmero

de acionamento da bomba b ou da vlvula v para o horizonte de planejamento considerado.

Penalidade 4 Diferena entre os nveis dos reservatrios e nveis meta

Para a Otimizao em Tempo Real a Penalidade 2 substituda pela Penalidade 4.
Impe-se que o nvel de cada reservatrio em cada perodo de tempo, ao longo do
horizonte de planejamento, seja igual ou superior ao Nvel Meta para aquele perodo e
aquele reservatrio. Ou seja, ao final de cada hora o nvel do reservatrio dever se
aproximar o mximo possvel do Nvel Meta definido pela Otimizao em Nvel
Estratgico.

69
A incluso dessa penalidade tem por objetivo fazer com que os Nveis Metas sirvam
de guia para a Otimizao em Tempo Real.
R

P4 = 4 Nmetart N rt , sendo Nmeta rt > N rt

( 3.14)

r =1 t =1

em que: 4 o coeficiente penalidade a ser aplicada funo de restrio; Nmetar ,t o

nvel meta do reservatrio r no instante t; e, N rt o nvel do reservatrio r no instante t,
determinado pela Otimizao em Tempo Real.

Penalidade 5 Continuidade do Abastecimento

Deseja-se que o abastecimento dos ns de demanda seja contnuo, ou seja, durante as
simulaes no pode haver presses inferiores presso atmosfrica e os ns devem estar
sempre conectados s fontes de suprimento.
A verificao dessa situao efetuada com auxlio da funo ENrunH, disponvel
no Toolkit do EPANET. Essa funo retorna, ao final do processo, um cdigo de alerta
(warning code) se alguma condio operacional foi violada. A Figura 3.11, retirada da

Toolkit (Rossman, 2000), mostra os cdigos e as correspondentes mensagens.

Figura 3.11 Cdigos de Alerta e

respectivas mensagens. Fonte: Toolkit
(Rossman, 2000).

70

Se ENrunH retorna o valor 3 ou 6 em algum instante da simulao, o que representa

a ocorrncia de presso negativa em algum dos ns alimentados pelos reservatrios de
distribuio ou a desconexo de algum n com demanda positiva de sua fonte de
suprimento, h a penalizao.
T

P5 = 5 warningcode, se warningcode = 3ou 6

( 3.15)

t =1

em que: 5 o coeficiente penalidade a ser aplicada funo de restrio; warningcode

cdigo de alerta gerado pela funo ENrunH.

A seleo dos valores apropriados dos coeficientes de penalidades (1, 2, 3, 4 e 5)

para avaliar o custo de cada restrio violada fator crucial para utilizao do Mtodo de
Penalidades. Conforme visto no Item 2.4, existem algumas metodologias para obteno
destes valores. No entanto, pelas dificuldades operacionais de aplicao das metodologias
existentes e pela baixa quantidade de coeficientes de penalidade a determinar, optou-se por
empregar a anlise de sensibilidade para estimar seus melhores valores.

Funo de Aptido
A funo objetivo transformada (funo de aptido) a minimizar passa a ser definida
pela soma dos termos de penalidade funo objetivo original:
Otimizao em Nvel Estratgico:
objF = Cb + P1 + P2 + P3 + P5

( 3.16)

Otimizao em Tempo Real:

objF = Cb + P1 + P4 + P3 + P5

(3.17)

71
em que: objF a funo de aptido; Cb o custo de bombeamento (R$/dia); P1
Penalidade 1 - Presses inferiores mnima; P2 Penalidade 2 - Diferena entre os nveis
inicial e final nos reservatrios; P3 Penalidade 3 - Quantidade de acionamentos das
bombas e vlvulas; P4 Penalidade 4 Diferena entre os nveis dos reservatrios e nveis
meta; e, P5 Penalidade 5 Continuidade do abastecimento.

3.4.4 Algoritmos Genticos Operadores e Parmetros

Para a aplicao dos AGs devem ser definidos os operadores e parmetros genticos
- Etapa 2, do procedimentos de otimizao.
Os tipos de operadores genticos em questo so aqueles disponveis na GAlib, que
o conjunto de objetos de algoritmos genticos em C++ utilizados para implementao do
referido mtodo.
Os operadores e parmetros genticos so sensveis s funes objetivo, quantidade
de variveis de deciso e aos indicadores de desempenho e a melhor implementao destes
no to bvia. Conseqentemente, diferentes estudos resultam em diferentes concluses
sobre valores timos dos parmetros, requerendo investigaes por parte do usurio.
Dentre as tcnicas citadas pela literatura especializada para determinao dos
parmetros genticos destacam-se: as anlises de sensibilidade, aplicadas por diversos
pesquisadores, tais como Pedrosa (2006), Carrijo (2005) e Sousa (2007), em problemas de
otimizao da operao de sistemas de abastecimento de gua; e, a aplicao do Swarm

Particle Optimization SPO, (Zeferino et al., 2007 e Moraes, 2008).

Como a aplicao do SPO requer a realizao de diversas iteraes e em cada uma
delas necessrio rodar o modelo otimizador para avaliao da soluo gerada pelo
SPO, demandando tempo excessivamente longo, optou-se pela realizao de anlise de

72
sensibilidade para aferir os operadores genticos e os valores dos parmetros a adotar,
buscando assim que um bom desempenho seja atingido.

73

Experincia no o que aconteceu com voc, mas o que voc

fez com o que lhe aconteceu.
Aldous Huxley

Sistema Objeto de Estudo

Um

dos

principais

entraves

ao

desenvolvimento

deste

trabalho

foi

indisponibilidade de dados de um sistema de abastecimento de gua real necessrios

otimizao, a saber: topologia do sistema (cotas topogrficas, dimetros e comprimentos
das tubulaes, arranjo hidrulico e interligaes, curvas das bombas e rendimento, etc.),
dados de presso e vazo para calibrao e demandas horrias na sada dos reservatrios.
Atribui-se essa ausncia de dados principalmente falta real de macromedio e
armazenamento dos dados histricos de vazo dos sistemas de abastecimento de gua, que
ainda ocorre na maioria das companhias de saneamento no Brasil.
Aps algumas tentativas frustradas em diferentes companhias de saneamento, optouse por adotar o sistema estudado por Pedrosa (2006) que abastece parte da cidade de Joo
Pessoa/PB e dispe de todos os dados de topologia necessrios j calibrados pelo autor. E
sintetizar uma srie de demandas horrias para os ns de sada dos reservatrios utilizando
o histrico de demandas horrias da cidade de So Carlos/SP.
Assim, o sistema aqui estudado corresponde quele sistema apresentado por Pedrosa
(2006), no que se refere s cotas topogrficas, dimetros e comprimentos das tubulaes,
arranjo hidrulico e interligaes, curvas das bombas e rendimento, demandas base dos
ns, etc., todos retirados da tese do autor. No entanto, o histrico de demandas foi
sintetizado, no correspondendo s demandas reais observadas em tal sistema.

74
4.1

Descrio do Sistema Objeto de Estudo

O sistema objeto de estudo, representado na Figura 4.1, possui 2 fontes de

suprimento de gua (1ETA e 1 poo profundo), 5 reservatrios, 3 estaes elevatrias
(aqui denominadas EEAT, CR1 e CR2), 4 vlvulas controladoras de vazo e
aproximadamente 9,5 km de adutoras.

Figura 4.1 Topologia do Sistema

Objeto de Estudo.

75

4.1.1 Estao Elevatria de gua Tratada EEAT

A EEAT responsvel pelo recalque da gua tratada da ETA at os Centros de

Reservao 1 e 2. Nesta elevatria existem trs bombas, duas Worthington 8-LN-21, motor
500 cv, 1.765 rpm, podendo trabalhar associadas em paralelo, e uma de reserva
Worthington 12-LN-26, motor 750 cv de 1.175 rpm.
A linha de recalque principal constituda por dois trechos contnuos interligados. O
primeiro trecho formado por 3.700 m de tubos de ferro fundido, DN 500, e o segundo
com 2.300 m de extenso, constitudo por tubos de cimento-amianto, DN 450 mm,
totalizando 6.000 metros de linha adutora, at sua chegada ao CR1. Cerca de 25 metros
antes da chegada no CR1 h duas vlvulas de gaveta, V46 e V47, que controlam a admisso
da gua ao Centro.
Na interligao entre os dois trechos da linha de recalque principal inicia-se uma
linha em paralelo esta linha principal, com 2.800 m de tubos de ferro fundido, DN 300,
m at o reservatrio R1 do CR1.
Quase no final da linha tronco tem incio uma sub-adutora de 605 m de comprimento
formada por tubos de ferro fundido, DN 300, responsvel principal pelo abastecimento de
gua do CR2.

4.1.2 Centro de Reservao 1 - CR1

O Centro de Reservao 1 (CR1) formado por dois reservatrios semi-enterrados

(R1 e R2) totalizando um volume de 5.000 m, duas elevatrias com duas bombas cada

76
(Tabela 4.1), e um reservatrio elevado (R3) com capacidade para armazenar 2.000 m de
gua.

Tabela 4.1 Dados dos conjuntos moto bombas do CR1. Fonte: Pedrosa (2006).
ID

Bomba

Motor

Fabricante

Modelo

Potncia (cv)

Rotao (rpm)

B41

Worthington

6 CNE-104

60

1.750

B42

Worthington

6 CNE-104

75

1.750

B43

Worthington

6 CNE-104

60

1.750

B44

Worthington

6 CNE-104

75

1.750

A gua chega no reservatrio R2 de onde recalcada por duas bombas em paralelo

para o reservatrio elevado, R3, atravs de uma curta adutora de 43 m de extenso em ferro
fundido, DN 500, e desnvel geomtrico de cerca de 20 metros.
O reservatrio R1 utilizado como reserva tcnica, seu funcionamento se d apenas
nos meses de maior solicitao, quando essa unidade passa a operar normalmente,
contando com a ajuda das bombas B43 ou B44 para recalcar gua at o reservatrio
elevado R3.
Como essas duas bombas no fazem parte da operao normal diria do sistema na
maioria dos meses do ano, sua operao no foi includa no conjunto de variveis de
deciso do problema operacional aqui tratado.
Por problema de estanqueidade na vlvula V47 (Figura 4.1), que controla o fluxo de
gua para o reservatrio R1, uma vazo estimada de 10 L/s aflui a essa unidade mesmo a
vlvula estando totalmente fechada. Para evitar o transbordamento desse reservatrio uma
das bombas conectadas a ele acionada uma hora por dia para fazer cair o nvel de gua no
seu interior.

77
4.1.3 Centro de Reservao 2 CR2

O Centro de Reservao 2 (CR2) formado por dois reservatrios semi-enterrados

(R4 e R5) totalizando o volume de 4.000 m e um poo artesiano, capacidade de produo de
11,9 L/s, com 176 m de profundidade (DN 150 mm).

Os dois reservatrios semi-enterrados podem abastecer simultaneamente a rede de

distribuio a jusante. No entanto, eles esto assentados em cotas topogrficas diferentes, o
que faz com que o reservatrio R5, de maior cota piezomtrica, tenha capacidade de
abastecer, tanto a rede, como o reservatrio R4.
O modelo hidrulico construdo no EPANET admite uma vlvula de reteno na
sada do reservatrio R4, como forma de direcionar o fluxo de gua apenas para a rede de
distribuio, simplificando o processo.
H, tambm, duas vlvulas tipo gaveta (V48 e V49) que controlam o fluxo de
entrada aos dois reservatrios.

4.2

Energia Eltrica

O custo unitrio da energia, em unidades monetrias por kWh, foi estabelecido em

conformidade com as tarifas cobradas pelas empresas concessionrias de energia eltrica.
As tarifas cobradas dos consumidores finais estruturam-se tanto por nvel de tenso (alta,
mdia e baixa), como por classe de consumo (residencial, industrial, comercial, rural,
servios pblicos, poderes pblicos e iluminao pblica). Os consumidores ligados em
alta e mdia tenso tm a possibilidade de escolher tarifas diferenciadas por horrio de
consumo (ponta e fora de ponta) e por poca do ano (perodo mido e perodo seco). Os
consumidores de mdia e alta tenso so classificados no Grupo A, cuja tenso de

78
alimentao superior a 2,3kV e os de baixa no Grupo B, com tenso de alimentao
menor ou igual a 2,3kV.
A operao da rede pblica de abastecimento de gua se enquadra na categoria de
Servio Pblico, normalmente ligada em alta e mdia tenso.
As faturas de energia eltrica dos consumidores do Grupo A, no qual se enquadram
as concessionrias de gua, so compostas por dois tipos de tarifas: de consumo e de
demanda. A tarifa de consumo corresponde quela cobrada pela energia efetivamente
consumida pela estao de bombeamento; e a tarifa de demanda corresponde a um valor
cobrado mensalmente pela potncia instalada, demandada pela estao de bombeamento.
Essas faturas de tarifa podem ainda ser efetivadas segundo duas modalidades: a
convencional e a horo-sazonal, esta ltima divida em azul e verde.
A horo-sazonal azul possui quatro valores diferenciados para a tarifa de consumo:
para os horrios ponta em perodo mido e seco e fora de ponta em perodo mido e seco,
e dois valores de demandas.
A tarifa horo-sazonal verde cobrada com uma tarifa de demanda nica,
independente do horrio e perodo de operao. Para a tarifa de consumo existem 4 valores
diferenciados segundo os horrios de ponta e fora de ponta e para os perodos seco e
mido.
Dentro da estrutura tarifria acima explicitada a unidade consumidora EEAT1 est
sujeita ao regime tarifrio horo-sazonal Azul, a unidade consumidora CR1 enquadrada no
regime Convencional e o CR2 operando com apenas uma bomba submersa, submetido
tarifao Convencional do Sub-Grupo B3 (baixa tenso).
Neste estudo de caso, todas as tarifas unitrias envolvidas no processo de otimizao
esto apresentadas na Figura 4.2, correspondentes ao perodo de janeiro a abril de 2004,
obtidas em Pedrosa (2006).

79

Figura 4.2 Tarifa horo-sazonal verde e azul para o Sub-Grupo A4, convencional para o
Sub-Grupo A4 e convencional para o Sub-Grupo A3. Fonte: Pedrosa (2006).

O horrio de ponta foi estabelecido para o perodo entre 17h:30 min e 20h:30 min.
Como neste trabalho a discretizao do horizonte de planejamento horria, adotou-se a
simplificao de que o horrio de ponta ocorre entre 18h:00 min e 21h:00 min.

4.3

Demandas

Como no se dispe de histrico de demandas horrias na sada dos centros de

reservao - ns Rede1 e Rede2 (Figura 4.1), optou-se por adimensionalizar os dados de
demanda horria disponveis para os reservatrios Parque Fehr e So Carlos III na cidade
de So Carlos/SP (Moreira, 2007), e multiplic-los pela demanda base dos ns Rede1 e

80
Rede2, apresentadas por Pedrosa (2006), de 234,7 L/s e 75,0 L/s, respectivamente,
obtendo-se, assim, uma srie sinttica de dados de demanda.
Uma vez que para a otimizao em tempo real utilizam-se como base os valores
adimensionalizados de Moreira (2007), tambm definiu-se a utilizao das curvas mdias
de demanda do sistema apresentado pelo referido autor.
Para obter as curvas mdias de demanda, Moreira (2007) submeteu o histrico de
demandas medidas, referente aos dias 27/05/2005 17/08/2005, a um processo de
preenchimento de falhas e filtragem, baseado na metodologia proposta por Zahed (1990),
agrupou estes dados de acordo com o dia de semana e, posteriormente, para cada dia de
semana avaliou a mdia construindo a curva de vazo ao longo do dia para todos os dias da
semana.
Com o objetivo de obter um padro dirio de demanda, adimensionalisou-se as
curvas apresentadas por Moreira (2007), dividindo-se as vazes da curva pela vazo mdia
do dia a que se referem. Os resultados obtidos esto apresentados no grfico da Figura 4.3.

Curvas Tpicas de Demanda

1.60
1.40

Demanda

1.20
1.00
0.80
0.60
0.40
1

10

13

16

19

22

Horas
Sbado

Domingo

Segunda-feira

Tera-feira

Quarta-feira

Quinta-feira

Sexta-feira

Figura 4.3 Curvas Tpicas de Demanda para todos os dias da semana.

81

4.4

Variveis de Deciso

O sistema estudado possui 12 elementos passveis de terem seu estado de

funcionamento alterado durante a operao, sendo 8 bombas e 4 vlvulas. No entanto, as
bombas B43 e B44 e a vlvula V47 no so normalmente operadas uma vez que o
reservatrio R2 considerado reserva tcnica.
Assim, nove so as variveis de deciso para cada hora do perodo de planejamento,
totalizando 216 elementos (9 x 24 horas).

82

83

Voc tem de refletir sobre as grandes coisas enquanto est

fazendo as pequenas coisas, para que todas as pequenas coisas
sigam a direo correta.
Alvin Toffler

Aplicao do Modelo Desenvolvido

O desenvolvimento do modelo de otimizao construdo compreendeu cinco fases

distintas, conforme o fluxograma apresentado na Figura 5.1.

Figura 5.1 Organizao da Aplicao do Modelo Desenvolvido.

84

Nas Fases 1 e 2 foram realizadas a representao do sistema estudado no modelo

desenvolvido (representao no EPANET e a implementao do AG) e as anlises de
sensibilidade para determinao dos coeficientes de penalidade (1, 2, 3, 5), dos
operadores e parmetros genticos (tamanho da populao, tipo de seleo, tipo e
probabilidade de cruzamento e probabilidade de mutao) e dos nveis iniciais dos
reservatrios.
A Fase 3 correspondeu ao teste de validade do modelo desenvolvido. Adotando-se as
curvas de demandas citadas por Pedrosa (2006) e os mesmos nveis iniciais utilizados pelo
autor, realizou-se a otimizao em Nvel Estratgico, verificando-se assim a capacidade do
modelo desenvolvido em produzir bons resultados.
J na Fase 4 realizou-se a otimizao propriamente dita. Foram determinados os
Nveis Metas a serem utilizados na Otimizao em Tempo Real com base nas curvas de
demanda de So Carlos para dias teis, sbados e domingos. Na Fase 5 realizou-se anlise
de sensibilidade para determinao do coeficiente de penalidade para os nveis metas (4)
e, posteriormente, a Otimizao em Tempo Real propriamente dita considerando duas
hipteses: com os Nveis Metas; e, sem os Nveis Metas (elimina-se a Penalidade 4 e inclui
a 2). Nesta ltima fase tambm foram comparados os resultados da Otimizao em Tempo
Real utilizando as demandas previstas pelo Mdulo de Previso de Demandas e utilizando
as demandas reais observadas, de forma a analisar a influncia da qualidade da previso de
demandas sobre os resultados da Otimizao.

85
5.1

Estrutura do Modelo Desenvolvido

O modelo computacional desenvolvido constitudo por trs mdulos: mdulo de

simulao hidrulica; mdulo de previso de demandas; e, mdulo de otimizao.
Os mdulos de simulao hidrulica e de previso de demandas podem ser aplicados
individualmente e independentemente dos restantes desde que o objetivos da sua utilizao
seja o clculo das variveis hidrulicas do sistema, no caso no simulador hidrulico, e o
clculo das demandas previstas, para o mdulo de previso. No entanto, a aplicao do
mdulo de otimizao no independente, na medida em que a aplicao deste mdulo
tem por base os resultados obtidos na execuo do mdulo de simulao hidrulica e
necessita, como dado de entrada, das demandas previstas. Por outro lado, a aplicao do
mdulo de otimizao gera novos dados de entrada para o mdulo de simulao hidrulica,
novas estratgias operacionais (estado de funcionamento das bombas e vlvulas) e
variveis de estado (nveis de operao dos reservatrios).
A dinmica entre mdulos um processo iterativo que se repete consecutivamente
at que o critrio de parada estabelecido no mdulo de otimizao seja verificado.

5.2

Simulador Hidrulico EPANET

A aplicao do modelo de otimizao desenvolvido pressupe a disponibilidade de

um mdulo de simulao que represente de forma fidedigna o comportamento do sistema
em estudo.
De uma maneira geral as redes hidrulicas so representadas por uma rede de fluxo
formada por um conjunto de trechos (links) conectados a ns (nodes) nas suas
extremidades.

86
O sistema em estudo (Figura 5.2) foi modelado no EPANET considerando os
seguintes componentes fsicos:

36 Ns: representativos das singularidades do sistema (mudana de material, mudana

de dimetro, confluncia de condutos) e de pontos aos quais est associado um padro

temporal de demanda;

49 Trechos: que alm das tubulaes, representam os conjuntos moto bombas

instalados nas estaes elevatrias (5) e as vlvulas de controle hidrulico existentes

(4).

2 Reservatrios de Nvel Fixo (RNF): representam um volume de capacidade

ilimitada e carga hidrulica constante. No sistema em questo tanto o poo profundo

considerado como um RNF, cujo nvel de gua igual cota piezomtrica do aqfero,
como o poo de suco da EEAT1, a jusante da ETA.

5 reservatrios de nvel varivel (RNV): caracterizam-se por apresentar volume

definido, podendo ocorrer variao do nvel de gua no seu interior ao longo de uma
simulao de perodo estendido. O Sistema possui 5 RNVs: os reservatrios semienterrados R1, R2, R4 e R5 e o reservatrio elevado R3.
A vlvula de gaveta, V46, foi modelada no EPANET como TCV (throttle control

valve). Ela controla o fluxo para o reservatrio R1 trabalhando totalmente aberta, exceto
quando h a necessidade de aumentar a oferta de gua ao CR2, ocasio em que ela
manobrada manualmente para que a gaveta (cunha) ocupe uma posio correspondente a
uma abertura de aproximadamente 20% da seo plena.
A vlvula, V47, tambm do tipo gaveta, controla o fluxo para o reservatrio R2. Este
dispositivo sempre permanece fechado, uma vez que o volume do reservatrio
considerado reserva tcnica. No entanto, sua estanqueidade est comprometida, permitindo
continuamente a passagem de uma vazo aproximada de 10 L/s para o interior do

87
compartimento, fato que fora o acionamento de uma das bombas durante uma hora por
dia para abaixar o nvel de gua e evitar o transbordamento do R2. A modelao dessa
vlvula, com essas caractersticas, foi possvel considerando-a uma Vlvula Controladora
de Fluxo (FCV).
Para os conjuntos moto bombas adotaram-se as curvas caractersticas e de
rendimento apresentadas por Pedrosa (2006).

88

Figura 5.2 Representao no EPANET do Sistema Estudado.

89

5.3

Mdulo Otimizador

O Captulo 3 desta dissertao estabeleceu a metodologia utilizada para

implementao dos AGs, bem como as funes da GAlib utilizadas. Mostra-se aqui apenas
um pequeno resumo da implementao do AG considerando as caractersticas do sistema
estudado.
Cabe ressaltar que as funes da GAlib variam de acordo com o tipo de genoma
utilizado, conforme explicado anteriormente. Portanto, todas as funes implementadas
levavam em considerao as caractersticas do sistema estudado para utilizao da
representao binria das solues (genoma binrio).

5.3.1 Implementao do Algoritmo Gentico

Funo Objetivo
Considerando que o sistema objeto de estudo possui 6 bombas (B38, B39, B40, B41,

B42 e B45) e 3 estaes elevatrias (apenas 2 possuem custo de demanda, EEAT1 e CR1) a
equao para o clculo do custo de bombeamento (Cb) pode ser representada por:
6 T = 24

Cb = [custoconsumo(b, t )] + custodemanda(e)
b =1 t =1

(5.1)

e =1

Penalidade 1 - Presses inferiores mnima

Como apenas os ns Rede 1 e Rede 2 possuem demanda, a Penalidade 1
representada por:

90
T = 24
T = 24
P1 = 1 (10 PRe de1t ) + (10 PRe de 2t )
t =1
t =1

sendo ( PRe de1t , PRe de 2t ) < 10

(5.2)

em que: 1 o coeficiente de penalidade a ser aplicado restrio P1; Pt a presso nos

ns Rede 1 e Rede 2 (Figura 4.1) na hora t; e, Pmin igual a 10 mH2O (conforme preconiza
a NBR 12218).

Penalidade 2 - Diferena entre os nveis inicial e final nos reservatrios

R =5

P2 = 2 ( N inicial ,r N final ,r ), sendo N inicial ,r > N final ,r

(5.3)

P2 = 0,

(5.4)

r =1

para N inicial ,r < N final ,r

em que: 2 o coeficiente de penalidade a ser aplicado restrio P2; N inicial ,r e N final ,r =

nveis de gua nos reservatrios R1, R2, R3 R4 e R5 para os instantes inicial e final (t=0 e

t=24, respectivamente).

Penalidade 3 - Quantidade de acionamentos das bombas

A partir do quinto acionamento a restrio considerada violada, sendo ento
aplicada a seguinte funo penalidade:
B =6

V =3

b =1

v =1

P3 = 3 ( NAb + NAv ), sendo NA > 4

(5.5)

em que: 3 o coeficiente de penalidade a ser aplicado restrio P3; NAb o nmero de

acionamento de cada bomba (B38, B39, B40, B41, B42 e B45) para o horizonte de
planejamento considerado; e, NAv o nmero de manobra de cada vlvula (V46, V48 e

V49) para o horizonte de planejamento considerado.

91
Penalidade 4 Diferena entre os nveis dos reservatrios e nveis meta
Essa penalidade faz com que os Nveis Meta sirvam de guia para a Otimizao em
Tempo Real.
R =5 T = 24

P4 = 4 Nmeta rt N rt , sendo Nmeta rt > N rt

(5.6)

r =1 t =1

em que: 4 o coeficiente de penalidade a ser aplicado restrio P4; Nmetar ,t o nvel

meta do reservatrio r no instante t; e, N rt o nvel dos reservatrios (R1, R2, R3, R4 ou

R5) no instante t, determinado pela Otimizao em Tempo Real.

Penalidade 5 Continuidade do Abastecimento

T = 24

P5 = 5 warningcode, se warningcode = 3 ou

(5.7)

t =1

em que: 5 o coeficiente de penalidade a ser aplicado restrio P5; warningcode

cdigo de alerta gerado pela funo ENrunH.

Representao da Soluo
A cadeia de valores para as variveis que representam completamente uma soluo
para o problema em estudo representa o estado de cada componente operacional do
sistema: ligado ou desligado para os bombas, e aberto ou fechado para as vlvulas. Na
Figura 5.3 exemplificado o vetor soluo, com 216 elementos, sendo 6 bombas e 3
vlvulas.

Hora 1
i=1

i=2

i=3

...

Hora 2

Hora 24
... i=216

B38 B39 B40 B41 B42 B45 V46 V48 V49 B38 B39 B40 B41 B42 B45 V46 V48 V49

...

B38 B39 B40 B41 B42 B45 V46 V48 V49

Figura 5.3 Representao esquemtica do vetor soluo.

92
5.3.2 Anlises de Sensibilidade

Conforme citado no Captulo 3 Modelo Otimizador, existem diferentes variveis

que afetam o processo de otimizao, tais como coeficientes das penalidades, operadores e
parmetros genticos e nveis iniciais dos reservatrios, cuja definio constitui tarefa para
quem emprega a tcnica dos algoritmos genticos como ferramenta de otimizao.
Neste trabalho optou-se por testar os parmetros que afetam o processo de
otimizao, com critrio de parada de 1.500 geraes, e realizar anlises de sensibilidade
dos resultados obtidos para determinao das diferentes variveis. A seguir so
apresentados os resultados de tais analises.

5.3.2.1 Operadores e Parmetros Genticos

A tcnica otimizao adotada inicia-se com a criao da populao inicial de

solues. Para que o AG inicie sempre com a mesma populao, podendo chegar ao
mesmo valor otimizado a cada aplicao do programa computacional, necessrio
informar a sementegeradora da regra pseudo aleatria a ser utilizada pela GAlib.
Semente (Random seed) nada mais que um nmero utilizado como ponto de partida
para o gerador aleatrio, fazendo com que este inicie em um determinado ponto da
seqncia pseudo-randmica. Se a mesma semente utilizada, a seqncia dos aleatrios
gerada ser a mesma.
O carter estocstico do algoritmo gentico permite encontrar, para cada semente
utilizada, uma soluo diferente para o problema, com um custo energtico prximo do
timo global. Portanto, para as anlises de sensibilidade dos operadores e parmetros

93
genticos efetuaram-se as otimizaes com seis diferentes valores de semente, ou seja, a
partir de 6 populaes iniciais de solues distintas.
Os coeficientes das penalidades utilizados so os definidos no item anterior e o nvel
inicial dos reservatrios foi fixado em 80% do nvel mximo de cada reservatrio Tabela
5.1.
Tabela 5.1 Valores adotados nas anlises de sensibilidade dos operadores e parmetros
do AG.
Variveis
Sementes utilizadas
Critrio de Parada
Nveis Iniciais

Default
800; 1.000; 1.500; 2.000; 2.500; e 3.000
1.500 geraes
80% do mximo

1, 2, 3 e 5

1.000;1.000; 50;1.000

Tamanho da Populao
O tamanho da populao depende do problema e da sua formulao. Populaes de
pequenas dimenses causam convergncia prematura do AG para um mnimo local porque
a pesquisa ocorre em um espao de busca de poucas possibilidades. Por outro lado,
populaes grandes identificam boas solues aps um nmero grande de gerao de AG,
consumindo tempo computacional elevado.
Para determinar o tamanho de populao a adotar foram avaliadas populaes com
20, 50, 100 e 150 indivduos, para as diferentes sementes, considerando para cada
alternativa os mesmos operadores e parmetros genticos. Os resultados assim obtidos so
apresentados na Figura 5.4.

94
(a)
Semente 800

(b)
Semente 1.000
1.8E+04

Funo de Aptido

Funo de Aptido

1.7E+04
1.5E+04
1.3E+04
1.1E+04
9.0E+03
1

201

401

601

801

1001

1201

1.6E+04
1.4E+04
1.2E+04
1.0E+04
8.0E+03
6.0E+03
4.0E+03

1401

201

401

601

(c)
Semente 1.500

1201

1401

1001

1201

1401

1001

1201

1401

1.7E+04

Funo de Aptido

Funo de Aptido

1001

(d)
Semente 2.000

1.7E+04
1.5E+04
1.3E+04
1.1E+04
9.0E+03

1.5E+04
1.3E+04
1.1E+04
9.0E+03

201

401

601

801

1001

1201

1401

201

401

601

801

Geraes

Geraes

(e)
Semente 2.500

(f)
Semente 3.000

1.7E+04

1.7E+04

Funo de Aptido

Funo de Aptido

801

Geraes

Geraes

1.5E+04
1.3E+04
1.1E+04
9.0E+03

1.5E+04

1.3E+04

1.1E+04

7.0E+03

9.0E+03

5.0E+03
1

201

401

601

801

1001

1201

1401

201

401

POPsize20

601

801

Geraes

Geraes

POPsize50

POPsize100

POPsize150

Figura 5.4 Evoluo do valor da funo de aptido para diferentes tamanhos de

populao.

Verificou-se que para a semente 800, populaes de 20 indivduos nem sempre

atingem bons resultados.
Populaes com 150 indivduos produzem os melhores resultados (menores valores
da Funo de Aptido) para quase todas as sementes testadas. No entanto, esta dimenso
de populao demanda tempo computacional excessivamente elevado, de 90 a 150
minutos, o que um fator limitante para a otimizao em tempo real.
Assim sendo, optou-se por adotar populaes de 50 indivduos, que geram boas
solues e dentro da faixa de tempo aceitvel para a Otimizao em Tempo Real.

95
Seleo
Com relao aos tipos de seleo, para todas as sementes utilizadas, a seleo por
torneio produz os melhores resultados entre todos os operadores de seleo testados, a
saber, rank, roleta, torneio de 4 elementos e uniforme, conforme indicado na Figura 5.5. O
torneio aparentemente promove uma presso seletiva maior sobre as solues inviveis,
direcionando a busca dos AGs para a regio vivel, consistindo, a opo de seleo
adotada.
Anlise de Sensibilidade - Tipo Seleo (semente 800)

Anlise de Sensibilidade - Tipo Seleo (semente 1.000)

1.7E+04

Funo de Aptido

Funo de Aptido

1.7E+04

1.5E+04

1.3E+04

1.1E+04

1.5E+04

1.3E+04

1.1E+04

9.0E+03

9.0E+03
1

201

401

601

801

1001

1201

1401

201

401

601

Anlise de Sensibilidade - Tipo Seleo (semente 1.500)

1201

1401

1.7E+04

Funo de Aptido

Funo de Aptido

1001

Anlise de Sensibilidade - Tipo Seleo(semente 2.000)

1.7E+04

1.5E+04

1.3E+04

1.1E+04

9.0E+03

1.5E+04

1.3E+04

1.1E+04

9.0E+03
1

201

401

601

801

1001

1201

1401

Geraes
Anlise de Sensibilidade - Tipo Seleo (semente 2.500)

201

401

601

801

Geraes

1001

1201

1401

Anlise de Sensibilidade - Tipo Seleo (semente 3.000)

1.7E+04

1.7E+04

Funo de Aptido

Funo de Aptido

801

Geraes

Geraes

1.5E+04

1.3E+04

1.1E+04

9.0E+03

1.5E+04

1.3E+04

1.1E+04

9.0E+03

201

401

601

801

1001

1201

1401

Geraes

rank

roleta

201

torneio

401

601

801

1001

1201

Geraes

uniforme

Figura 5.5 Evoluo da funo de aptido para os diferentes operadores de seleo.

1401

96
Cruzamento
Considerando a populao de 50 indivduos e seleo por torneio, investigaram-se os
cruzamentos do tipo Uniforme, de Um ponto, Dois pontos e Par-mpar. Os resultados so
apresentados na Figura 5.6.
Observa-se que, para a maioria das sementes, ao final das 1.500 geraes, os valores
das funes de aptido entre os diferentes tipos investigados so praticamente os mesmos.
Apenas a estratgia Uniforme produz baixos valores de aptido para praticamente todas as
investigaes, sendo escolhida para fazer parte do processo de otimizao.
Anlise de Sensibilidade - Tipo Cruzamento
(semente 1.000)

Anlise de Sensibilidade - Tipo Cruzamento

(semente 800)
1,7E+04

Funo de Aptido

Funo de Aptido

1,7E+04

1,5E+04

1,3E+04

1,1E+04

1,5E+04

1,3E+04

1,1E+04

9,0E+03

9,0E+03
1

201

401

601

801

1001

1201

1401

201

401

601

Anlise de Sensibilidade - Tipo Cruzamento

(semente 1.500)

1201

1401

1201

1401

1201

1401

1,7E+04

Funo de Aptido

Funo de Aptido

1001

Anlise de Sensibilidade - Tipo Cruzamento

(semente 2.000)

1,7E+04
1,5E+04
1,3E+04
1,1E+04
9,0E+03
1

201

401

601

801

1001

1201

1,5E+04

1,3E+04

1,1E+04

9,0E+03

1401

201

401

Geraes

601

801

1001

Geraes

Anlise de Sensibilidade - Tipo Cruzamento

(semente 2.500)

Anlise de Sensibilidade - Tipo Cruzamento

(semente 3.000)

1,7E+04

1,7E+04
Funo de Aptido

Funo de Aptido

801

Geraes

Geraes

1,5E+04

1,3E+04

1,1E+04

1,5E+04

1,3E+04

1,1E+04

9,0E+03

9,0E+03
1

201

401

601

801

Geraes

1001

uniforme

1201

1401

1ponto

2pontos

201

401

601

801
Geraes

1001

par-mpar

Figura 5.6 Evoluo da funo de aptido para os diferentes operadores de cruzamento.

97
J considerando a estratgia de cruzamento Uniforme, foram investigadas as
probabilidades de cruzamento, pc, de 0,6, 0,7, 0,8 e 0,9.
Os resultados, apresentados na Figura 5.7, demonstram que para as seis sementes
utilizadas a probabilidade de 0,9 gera o melhor resultado para uma delas, 0,8 gera o melhor
resultado para duas e 0,7 para trs. Logo, adotou-se pc igual a 0,7.

Funo de Aptido

20.000,0

15.000,0

10.000,0

5.000,0

0,0
Semente
800

Semente 1.000 Semente 1.500 Semente 2.000 Semente 2.500 Semente 3.000

pc=0.6

pc=0.7

pc=0.8

pc=0.9

Figura 5.7 Funes de aptido para diferentes probabilidades de cruzamento.

Mutao
Para aferir a probabilidade de mutao, pm, utilizou-se uma populao de 50
indivduos, seleo por torneio, cruzamento uniforme com probabilidade de 0,7 e mutao
simples, segundo a qual se substitui o bit (0 por 1 ou 1 por 0). As probabilidades de
mutao investigadas foram 0,001, 0,003, 0,005, 0,009 e 0,01.
Ao observar a Figura 5.8 possvel perceber que as probabilidades de 0,005 e 0,009
sempre produzem os mesmos resultados. Outro fato que chama a ateno que apesar de a
probabilidade de mutao de 0,01 no gerar bons resultados para todas as simulaes, para
duas delas identifica valores da funo de aptido extremamente baixos.

98
Visando obter valores de aptido to baixos, a probabilidade de 0,01, apesar de
sabidamente ser uma probabilidade alta em termos de mutao, podendo tornar a busca
aleatria, foi adotada como a probabilidade a ser utilizada.
1.5E+04
1.4E+04

Funo de Aptido

1.3E+04
1.2E+04
1.1E+04
1.0E+04
9.0E+03
8.0E+03
7.0E+03
6.0E+03
5.0E+03
Semente 800 Semente 1.000 Semente 1.500 Semente 2.000 Semente 2.500 Semente 3.000

pm=0.001

pm=0.003

pm=0.005

pm=0.009

pm=0.01

Figura 5.8 Funes de aptido para diferentes probabilidades de mutao.

Concluso
Como era esperado, a anlise de sensibilidade realizada indicou que a utilizao de
diferentes operadores genticos e valores para os parmetros dos AG introduzem
alteraes no comportamento da funo objetivo ao nvel de convergncia e de qualidade
da soluo tima, pelas diferentes formas de explorao do espao de solues.
Foram testadas vrias combinaes de operadores e parmetros dos AG de forma a
avaliar a sua eficincia e rapidez na obteno de solues timas. As melhores solues
encontradas para 1.500 geraes foram: populao de 50 indivduos, seleo por torneio,
cruzamento do tipo uniforme com probabilidade de 0.7 e mutao simples com
probabilidade de 0,01, sintetizados na Tabela 5.2.

99

Tabela 5.2 Operadores e parmetros genticos adotados.

Operadores Genticos
Parmetros de Otimizao
Seleo: Torneio

Dimenso da populao: 50

Cruzamento: Uniforme

Nmero de Geraes: 1.500

Mutao: Simples

Probabilidade de cruzamento (Pc): 0,7

Probabilidade de Mutao (Pm): 0,01

5.3.2.2 Nvel Inicial

A soluo tima do problema de otimizao em estudo depende do nvel inicial de

operao do reservatrio a jusante do sistema elevatrio, que no foi incorporado como
varivel de deciso no problema. Portanto, para melhor definir o nvel inicial de operao
dos reservatrios para posteriores simulaes foram ensaiados os valores de 50, 70, 80 e
90% do nvel mximo dos reservatrios s 06:00 horas.
Ao longo das otimizaes percebeu-se que o reservatrio R3 normalmente estava
com nvel prximo do mximo antes das 06:00 horas. Logo, para o reservatrio R3,
considerou-se o nvel inicial sempre igual a 90% do nvel mximo.
Na Figura 5.9 apresentam-se, para os diferentes nveis iniciais, as solues timas
encontradas em termos da funo de aptido. Uma anlise visual desta permite concluir
que os melhores resultados so obtidos considerando o nvel inicial dos reservatrios igual
a 70% do nvel mximo. Portanto os nveis iniciais utilizados na otimizao so 4,50 m
para o reservatrio R3, 2,80 m para os reservatrios R1, R2 e R5 e 2,65 m para o R4.

100
1.6E+04
1.4E+04

Funo de Aptido

1.2E+04
1.0E+04
8.0E+03
6.0E+03
4.0E+03
2.0E+03
0.0E+00
Semente 1.000

Semente 1.500

h=50%

Semente 2.000

h=70%

h=80%

Semente 2.500

Semente 3.000

h=90%

Figura 5.9 Evoluo da funo de aptido para diferentes nveis iniciais nos reservatrio.

5.3.2.3 Coeficientes das Penalidades (1, 2, 3, 5)

Como AG um mtodo de busca irrestrito, adotou-se o Mtodo das Penalidades para

contemplar as restries do problema em questo. As restries existentes so adicionadas
funo objetivo em termos de penalidades, conforme Equaes 3.16 e 3.17.
Cada penalidade multiplicada por um termo positivo (r) que determina o rigor com
que a respectiva restrio deve ser atendida, dependendo da gravidade de sua violao.
Assim, restries graves devem ter sua violao severamente penalizada atravs de valores
elevados de r.
Para a otimizao em nvel estratgico foram adotadas penalidades quanto:
ocorrncia de presses inferiores mnima (Penalidade 1); diferena entre os nveis
inicial e final nos reservatrios (Penalidade 2); elevada quantidade de acionamentos de

101
bombas e/ou manobras de vlvulas (Penalidade 3); e, descontinuidade do abastecimento
(Penalidade 5).
O no cumprimento das penalidades 1 e 5 significa encontrar solues inviveis de
serem aplicadas a um sistema real, ou seja, uma regra de operao que provocaria presses
inferiores quela preconizada pela norma (NBR 12218) ou intermitncia no abastecimento
de gua. Para assegurar a no ocorrncia dessas solues inviveis, foi adotado valor
elevado para os coeficientes 1 e 5 (1.000).
O no cumprimento da Penalidade 2 tambm foi admitido como uma soluo
invivel, uma vez que a otimizao de uma rede de abastecimento ao longo de um perodo
estabelecido no tem significado se no se leva em conta a periodicidade na operao.
Portanto, adotou-se o mesmo valor dos coeficientes das penalidades 1 e 5 (1= 5 = 2 =
1.000). Cabe lembrar que esse excessivo rigor aqui adotado revisto quando da
Otimizao em Tempo Real, quando j no faz sentido pensar em diferena de nvel inicial
e final dos reservatrios j que o horizonte de planejamento mvel e os nveis dos
reservatrios so guiados pelos Nveis Meta.
Restou, ento, a Penalidade 3, cujo coeficiente de penalidade foi determinado pela
Anlise de Sensibilidade.
Na anlise de sensibilidade foram otimizados 12 cenrios, variando o valor do
coeficiente de penalidade 3 (3) de 1.000 a 10, observando os efeitos desta variao tanto
na funo de aptido quanto nas penalidades. Os coeficientes das demais penalidades (1,
2 e 5,) foram mantidos fixos e igual a 1.000. Na Tabela 5.3 esto sintetizados os
resultados obtidos.

102

Tabela 5.3 Anlise de sensibilidade do coeficiente de penalidade 3 (3).

Resultados Penalidades
Cenrio

Avaliao (Resultados/)

1,000

0.00

1,105.14

0.00

0.00

Custo de
bombeamento
(R$/dia)
9,571.78

2
3
4
5
6
7
8
9

500
250
100
90
80
70
60
50

0.00
0.00
0.00
0.00
0.00
0.00
0.00
0.00

90.40
1,106.44
173.95
0.00
0.00
0.00
0.00
0.00

0.00
500.00
0.00
0.00
160.00
70.00
120.00
50.00

0.00
0.00
0.00
0.00
0.00
0.00
0.00
0.00

10,379.90
9,872.31
9,745.77
9,831.03
9,668.19
9,840.87
9,574.17
9,565.50

P1

P2

P3

P5

NfinalN de
Ninicial
Acionamentos
(m)
(unid.)
1.11
0.00
0.09
1.11
0.17
0.00
0.00
0.00
0.00
0.00

0.00
2.00
0.00
0.00
2.00
1.00
2.00
1.00

10
11

30
20

0.00
0.00

169.49
156.71

330.00
320.00

0.00
0.00

9,678.63
9 ,751.48

0.17
0.16

11.00
16.00

12

10

0.00

929.83

270.00

0.00

9,844.56

0.93

27.00

Observa-se que valores de 3 acima de 100 ou abaixo de 50, destacados em verde,

influenciam a Penalidade 2, gerando diferenas entre os nveis iniciais e finais dos
reservatrios, o que indesejvel. Na faixa de valores de 3 entre 90 e 50, o cenrio 5 (3 =
90), apesar de impor menor quantidade de acionamentos, tem custo de energia eltrica
superior aos demais, com exceo do cenrio 7.
Portanto, adotou-se o cenrio que possui menor custo com energia eltrica na faixa
de valores que no afetam a Penalidade 2, ou seja, 3 = 50.

5.3.2.4 Coeficiente de Penalidade (4)

Para a Otimizao em Tempo Real Com Nveis Meta so adotadas penalidades

quanto: ocorrncia de presses inferiores mnima (Penalidade 1); elevada quantidade
de acionamento de bombas e/ou manobras de vlvulas (Penalidade 3); descontinuidade
do abastecimento (Penalidade 5); e, diferena entre os nveis dos reservatrios e nveis

103
meta (Penalidade 4). J para a Otimizao em Tempo Real Sem Nveis Meta so adotadas
apenas as penalidades 1, 2, 3 e 5.
Assim como os demais coeficientes das penalidades, apresentados no item anterior, o
coeficiente para a Penalidade 4, referente aos Nveis Metas, foi determinado atravs de
anlise de sensibilidade. Para tanto foram testados os valores de 4 de 1, 10, 20, 30, 40, 50
e 100.
Como era esperado, verificou-se a tendncia de maiores valores do coeficiente de
penalidade 4 produzirem menores somatrios das diferenas entre os nveis obtidos com a
otimizao em tempo real e os Nveis Metas Figura 5.10.
1

Diferena dos Nveis Otimizados

e Nveis Metas (m)

120.00

10

20

30

40

50

100

100.00
80.00
60.00
40.00
20.00
0.00

800

1000

1500

2000
Semente

2500

3000

Figura 5.10 Diferena entre nveis dos reservatrios e nveis meta para diferentes 4.

J com relao aos custos de energia eltrica, a relao entre estes e 4 no to

evidente. O mesmo valor de 4 produziu tanto baixos valores de energia eltrica quanto
altos, dependendo da soluo inicial adotada. Observou-se uma leve tendncia dos valores
intermedirios (4 = 30 e 4 = 40) em produzirem menores custos de bombeamento
Figura 5.11.

104

7,500.00

7,000.00

6,500.00
6,000.00
5,500.00

Semente

800
1000
1500
2000
2500
3000

5,000.00

Custo de Bombeamento (R$)

8,000.00

4,500.00
1

10

20

30

40

50

100

Figura 5.11 Custo com energia eltrica (R$) para diferentes valores de 4.

Portanto, adotou-se 4 = 30 que possui menor mdia de custos com energia eltrica
para as diferentes solues iniciais.

5.4

Previso de Demandas

Para a realizao da otimizao em tempo real com previso de demandas utilizou-se

o Mdulo de Previso de Demandas desenvolvido por Odan (2008).
Odan (2008) realizou a previso de demandas com base nos dados histricos da
cidade de So Carlos apresentados por Moreira (2007), para os meses de fevereiro e junho
de 2004, obtendo para cada hora do dia 24 horas a frente de previso de demanda.
Para poder aplicar tais dados ao sistema aqui estudado, as previses de demanda
obtidas por Odan (2008) foram adimensionalizadas, dividindo o valor da demanda de cada
hora pela mdia das 24 horas frente, e posteriormente multiplicando-se este valor pela
demanda base dos ns.

105
Para os valores observados de demanda utilizou-se a mesma metodologia, dividindo
o valor de demanda para cada hora pela mdia do dia correspondente e multiplicando o
valor obtido pela demanda base de cada n.
As previses de demanda e as demandas reais utilizadas na otimizao constam do
Apndice B.

5.5

Teste de Validade do Modelo

Para a verificao da aplicabilidade do modelo desenvolvido foram obtidos dois

conjuntos de regras operacionais para o horizonte de previso de 24 horas. O primeiro
conjunto foi obtido considerando o enquadramento tarifrio atual do sistema estudado
(EEAT1 -Verde; CR1 - Convencional; e, CR2 - Convencional B3) e o segundo
considerando a alterao do enquadramento tarifrio proposto por Pedrosa (2006). Em
ambos os casos consideraram-se os parmetros genticos timos encontrados no item 5.2
deste trabalho.
Como o objetivo deste teste comparar os resultados obtidos pelo modelo
otimizador desenvolvido com os apresentados por Pedrosa (2006), adotou-se, apenas neste

teste, os padres temporais de demanda apresentados pelo autor (Figura 5.12) e o estado
inicial dos reservatrios 80% do nvel mximo, condio adotada pelo autor. Cabe destacar
que para as demais aplicaes do modelo foram utilizados as demandas da cidade de So
Carlos (explicitadas no item 5.4) e os nveis iniciais dos reservatrios determinados pela
anlise de sensibilidade.

106
(a)
2,00
1,80

Fator de Consumo

1,60
1,40
1,20
1,00
0,80
0,60
0,40
0,20
0,00
1

10 11 12 13 14 15 16 17 18 19 20 21 22 23 24
Tempo (h)

(b)
2,00
1,80

Fator de Consumo

1,60
1,40
1,20
1,00
0,80
0,60
0,40
0,20
0,00
1

10 11 12 13 14 15 16 17 18 19 20 21 22 23 24
Tempo (h)

Figura 5.12 Padro adimensional de demanda associado ao n de consumo a jusante (a)

do CR1 e (b) do CR2. Fonte: Pedrosa (2006).

Uma anlise inicial das regras operacionais obtidas mostra que o AG possibilita
encontrar vrias solues viveis de serem praticadas no campo da engenharia. As
restries de no ocorrncia de presso negativa ou inferior 10 mH2O na rede satisfeita
nas simulaes (Figura 5.13), garantindo a continuidade do abastecimento ao longo de todo
alcance de operao, e os nveis operacionais para os reservatrios encontram-se dentro
dos limites praticveis.

107

(a)
Presso - N Rede 1

20.00

Presso (mca)

18.00

16.00

14.00

12.00

10.00
00:00

03:00

06:00

09:00

12:00

15:00

18:00

21:00

Hora

Real

Otimizado

Otim Nova Tarifa

(b)
Presso - N Rede 2

22.00

Presso (mca)

20.00
18.00
16.00
14.00
12.00
10.00
00:00

03:00

06:00

09:00

12:00

15:00

18:00

21:00

Hora

Real

Otimizado

Otim Nova Tarifa

Figura 5.13 Distribuio temporal das presses nos ns (a) Rede 1 e (b) Rede 2.

O comportamento dos nveis de gua entre os limites operacionais dos cinco

reservatrios que compem o sistema adutor pode ser visto nas Figuras 5.14 e 5.15. A
forma mais acidentada que se verifica no perfil corresponde regra de operao otimizada,
que reflete a reao do sistema a maior quantidade de manobras de bombas e/ou vlvulas,
definida pelo algoritmo, necessrias para se aproximar da soluo de custo mnimo,
procurando satisfazer restries de ordem fsica e operacional impostas ao modelo. Na

108
prtica tradicional a quantidade de manobras desses equipamentos comparativamente
bem menor (Pedrosa, 2006).

Reservatrio R2
5.0
4.5
4.0

Nvel (m)

3.5
3.0
2.5
2.0
1.5
1.0
0.5
0.0

11

13

15

17

19

21

23

17

19

21

23

Hora

Reservatrio R3
5.0
4.5

Nvel (m)

4.0
3.5
3.0
2.5
2.0
1.5
1.0
0.5
0.0

11

13

15

Hora
NA max

NA min

NAotim nova tarf

NAotim

NA Operacional

Figura 5.14 Distribuio temporal dos nveis dos reservatrios para otimizao
considerando o enquadramento tarifrio atual (NAotim), a alterao do enquadramento
tarifrio (NAotim nova tarf) e (NAoperacional) Reservatrios R1 e R3.

109

Reservatrio R4
5.0
4.5

Nvel (m)

4.0
3.5
3.0
2.5
2.0
1.5
1.0
0.5
0.0

11

13

15

17

19

21

23

17

19

21

23

Hora

Reservatrio R5
5.0
4.5

Nvel (m)

4.0
3.5
3.0
2.5
2.0
1.5
1.0
0.5
0.0

11

13

15

Hora
NA max

NA min

NAotim nova tarf

NAotim

NA Operacional

Figura 5.15 Distribuio temporal dos nveis dos reservatrios para otimizao
considerando o enquadramento tarifrio atual (NAotim), a alterao do enquadramento
tarifrio (NAotim nova tarf) e (NAoperacional) Reservatrios R4 e R5.

Segundo Pedrosa (2006), as estimativas dos consumos de energia eltrica dirios

reais da EEAT1, CR1 e CR2 so de 9.911.50, 2.076,63 e 305,64 kWh, respectivamente.

110
Com a otimizao possvel alcanar economia mdia 8,5% em relao a estes valores
reais. A comparao destes valores com os resultados obtidos via otimizao, possvel
analisando a Tabela 5.4.
Tabela 5.4 Consumo mdio dirio por unidade, real e otimizado.
Unidade

EEAT1

Consumo mdio dirio praticado (kWh/dia)

9,911.50

2,076.63

305.64 12,293.77

9,492.15

1,541.65

300.89 11,334.69

34.7%

1.6%

(Fonte: Pedrosa)

Consumo dirio otimizado (kWh/dia)

Reduo

4.4%

CR1

CR2

Total

8.5%

Pedrosa (2006) sugere a alterao do enquadramento na tarifao das unidades

consumidoras EEAT1 e CR1 para a classe tarifria horo-sazonal Verde, mantendo o poo
profundo da unidade consumidora CR2 na classe Convencional de baixa tenso B3, com
vistas reduo dos custos com energia eltrica. Segundo o autor, as regras operacionais
determinadas resultaram em significativa melhora no custo de bombeamento, totalizando
custo dirio para as trs unidades de R$ 7.336,27.
Considerando esta alterao tarifria, determinaram-se as regras operacionais para o
sistema em estudo, obtendo um ganho em relao aos custos apontados por Pedrosa (2006)
da ordem de 10% (R$ 6.608,10). No entanto, tal estratgia operacional imps 6
acionamentos a mais do que o nmero considerado, 2 da bomba B38 e 4 da bomba B39.
Cabe destacar que o objetivo desta anlise no comparar a otimizao aqui
realizada com a de Pedrosa (2006) e sim demonstrar que o modelo desenvolvido pode
produzir estratgias operacionais viveis de serem praticadas para o sistema em estudo,
reduzindo o custo relativo energia eltrica consumida. Em outras palavras, o objetivo
aqui perseguido demonstrar a eficincia do modelo computacional construdo.
Para sistemas de maior complexidade, estudos devem ser realizados para verificao
da adequao do modelo, principalmente no que diz respeito ao tempo computacional.

111
5.6

Otimizao em Nvel Estratgico

Aps a realizao dos testes do modelo e definio dos operadores e parmetros

genticos envolvidos no processo de otimizao pode-se proceder a Otimizao da
Operao.
A Otimizao da Operao em Tempo Real dividida em duas etapas: Otimizao
em Nvel Estratgico, cujos resultados so apresentados neste item 5.6; e, Otimizao em
Tempo Real propriamente dita, apresentada no item 5.7.
Cabe salientar que, face ao elevado tempo computacional necessrio aos ensaios
computacionais de otimizao, para ambas as etapas de otimizao foi utilizada uma nica
semente (semente = 2000). Apesar desta simplificao no comprometer o trabalho e os
resultados aqui obtidos, sabe-se que os nveis meta e as estratgias operacionais otimizadas
gerados no podem ser considerados timos. Observa-se que o carter estocstico do
algoritmo gentico permite encontrar, para cada semente utilizada, uma soluo diferente
para o problema, com um custo energtico prximo do timo global.

O objetivo da Otimizao em Nvel Estratgico definir Nveis Metas que sero

utilizados como guias para a otimizao em tempo real. Para tanto determina-se o conjunto
de controle otimizados para o horizonte de planejamento considerado (24 horas) com base
nas curvas mdias de demanda do sistema, definidas como Curvas de Demanda Tpicas.

5.6.1 Curvas de Demanda Tpica

Observando-se as curvas tpicas de demandas para os diferentes dias da semana,

apresentadas e discutidas no Captulo 4 - Figura 4.3, foi possvel perceber que os dias teis

112
possuem comportamento muito parecido, diferenciando-se dos sbados e domingos.
Portanto adotou-se, como Curvas de Demanda Tpicas, as curvas para Dias teis, Sbados
e Domingos, que se apresentam na Figura 5.16.

Demanda Adimensionalizada

1.60
1.40
1.20
1.00
0.80
0.60
0.40
1:00

4:00

7:00

10:00

13:00

16:00

19:00

22:00

Horas
Sbado

Domingo

Dias teis

Figura 5.16 - Curvas de Demanda Tpica dos Dias teis, Sbados e Domingos.

5.6.2 Resultados da Otimizao em Nvel Estratgico

Para cada Curva de Demanda Tpica definida (dias teis, sbados e domingos)
realizou-se uma otimizao em nvel estratgico, utilizando-se os parmetros apontados no
item 5.3.2 Anlises de Sensibilidades. Na Tabela 5.5 esto sintetizados os resultados
obtidos em termos de custo dirio de energia eltrica, penalidades e tempo computacional
gasto.

113
Tabela 5.5 Resultados da otimizao para as diferentes Curvas de Demanda Tpica.
Otimizao
Dias teis
Sbados
Domingos

Tempo
Custo dirio
Penalidade 3 Penalidade 2 Computacional energia eltrica
P3 = Acionamentos, se
P2 = Nfinal-Ninicial (m)
(min)
(R$)
for maior que 4 (unid)
49
8.474,71
0,00
0
57
7.346,50
0,00
7
47
6.666,02
0,00
2

Funo Objetivo
A estratgia gerada pela otimizao em Nvel Estratgico para os dias teis implica
em consumo de 10.638,3 kW (88,6% do total), 1.449,7 kW(11,8%) e 200,7 (1,6%) kW,
nas unidades EEAT1, CR1 e CR2, respectivamente. Sendo a potncia total consumida de
12.288,7 kW/dia e o custo correspondente de R$ 8.474,7 / dia.
Para a EEAT1, em que h diferenciao da tarifa nos horrios de ponta e fora de
ponta nos dias teis, registrou-se consumo de 1.782,9kW no horrio de ponta e 8.855,4kW
fora de ponta. A proporo de consumo de 1:5 ente os horrios fora de ponta de ponta.
Com relao aos domingos, dia que apresenta esquema operacional com menor
quantidade de bombas em funcionamento, conforme observado na Figura 5.17, so
consumidos 13.127,5 kW, distribuidos em: 11.643kW (88,7%) pela EEAT1, 1.451kW
(11,0%) pelo CR1 e 33,5kW (0,3%) pelo CR2. Esses consumos implicam em gastos de
R$5.659,59 (mdia de 0,49reais/ kW), R$ 996,63 (mdia de 0,68 reais/ kW)e R$9,80 (0,29
reais/ kW), nas respectivas unidades.
A Figura 5.17 mostra o nmero de conjuntos moto-bombas em operao nos dias
teis, sbados e domingos ao longo do horizonte de planejamento, considerando o total de
5 equipamentos no sistema estudado. A operao das bombas B43 e B44, por no
constiturem variveis de deciso do problema de otimizao em anlise, assim elas
encontram-se sempre desligadas.

114

Nmero de Bombas
em Funcionamento

Sbados
6
5
4
3
2
1
0
1

11

13
Hora

15

17

19

21

23

13
Hora

15

17

19

21

23

15

17

19

21

23

Nmero de Bombas
em Funcionamento

Domingos
6
5
4
3
2
1
0
1

11

Nmero de Bombas
em Funcionamento

Dias teis
6
5
4
3
2
1
0
1

11

13
Hora

Figura 5.17 Nmero de bombas em funcionamento nas otimizaes estratgicas.

Visando facilitar a compreenso, optou-se por sempre adotar o seguinte esquema de

representao: as bombas da elevatria EEAT1 (B39, B40 e B41) representadas em tons de
azul; as do CR1 (B41 e B42) de verde; e, a do CR2 em vermelho.

Penalidades
As penalidades 1 e 5 sempre resultaram em valor zero, ou seja, as restries impostas
ao problema de no ocorrncia de presso negativa na rede e de presso inferior a 10
mH2O so satisfeitas nas trs simulaes realizadas, o que garante a continuidade do

115
abastecimento ao longo de todo o horizonte de operao, no havendo custos de
penalidades a serem considerados. Na Figura 5.18 podem ser visualizadas as presses nos
ns com demanda ao longo do horizonte de planejamento para os trs ensaios de
otimizao.
(a)
20.00

Presso (mca)

18.00

16.00

14.00

12.00

10.00
00:00

03:00

06:00

09:00

12:00

15:00

18:00

21:00

15:00

18:00

21:00

Hora

(b)
22.00

Presso (mca)

20.00
18.00
16.00
14.00
12.00
10.00
00:00

03:00

06:00

09:00

12:00

Hora

Domingo

Sbado

Dias teis

Figura 5.18 Distribuio temporal das presses nos ns (a) Rede 1 e (b) Rede 2, com a
otimizao em nvel estratgico.

Nos testes de otimizao realizados, conforme ensejado pela adoo do alto valor do
coeficiente de penalidade 2 (2=1.000), os reservatrios sempre conseguem recuperar seu
estado inicial, finalizando a otimizao com nveis superiores a 70% do nvel mximo (e
90% para o reservatrio R3).
Observando a Tabela 5.6 e considerando o valor limite imposto no modelo de 4
acionamentos por elemento possvel perceber as violaes da Penalidade 3. Para a
otimizao considerando a curva tpica de demanda dos domingos houve 2 penalizaes
(B40 e V46). Para os sbados, houve penalidades ainda maiores.

116

Tabela 5.6 Quantidade de acionamentos nas otimizaes em nvel estratgico.

Nmero de Acionamentos por controle
Curva Tpica Bomba Bomba Bomba Bomba Bomba Bomba Vlvula Vlvula Vlvula
38
39
40
41
42
45
46
48
49
DOMINGO
0
3
3
4
3
3
4
5
5
SBADO
0
3
4
2
4
5
5
5
8
DIAS TEIS
0
4
4
4
3
4
3
4
4

Destaca-se que as violaes da Penalidade 3 no comprometem a boa qualidade dos

resultados apresentados pelo modelo. Entretanto, estudos mais aprofundados devem ser
realizados para que se possa realmente quantificar tais ocorrncias. Na prtica sabe-se que
partidas de bombas demandam quantidade de energia eltrica significativa, no computada
pelo modelo aqui apresentado, e que os custos de manuteno tanto das bombas quanto das
vlvulas so diretamente proporcionais quantidade de acionamentos e/ou manobras nos
mesmos.

Esquemas Otimizados de Operao das Bombas

Nos grficos da Figura 5.19 esto apresentadas as regras operacionais otimizadas,
para as 5 bombas do sistema, propostas pelas otimizaes em Nvel Estratgico para dias
teis, sbados e domingos.
Observando-se as regras de operao das bombas otimizadas em Nvel Estratgico
fcil perceber que:
a bomba 38, de maior potncia e que por isso no pode ser acionada em
paralelo com as bombas B39 e/ou B40, permanece desligada ao longo do
horizonte de operao nos trs ensaios de otimizaes realizados;
na otimizao de dias teis o otimizador no consegue desligar todas as bombas
da EEAT1 (B38, B39 e B40) no horrio de ponta, mesmo sendo a tarifa no
horrio de ponta o dobro da fora de ponta e a demanda o triplo ;

117
a bomba B45 permanece ligada apenas 6 horas em dias teis, 4 horas aos
domingos e 15 horas aos sbado, mais tempo do que nos outros dias face
maior demanda registrada aos sbados.
Caso os resultados deste estudo fossem aplicados na prtica, dever-se-iam considerar
os custos de produo das guas provenientes de poos e ETA, j que a gua aduzida pela
EEAT1 possui custo de produo superior do poo, uma vez que provm de uma ETA
com custos de operao e manuteno significativos. Tal considerao poderia alterar
consideravelmente o esquema operacional da bomba B45.
Dias teis
Bomba

10

11

Hora
12 13

14

15

16

17

18

19

20

21

22

23

24

14

15

16

17

18

19

20

21

22

23

24

14

15

16

17

18

19

20

21

22

23

24

Bomba 38
Bomba 39
Bomba 40
Bomba 41
Bomba 42
Bomba 45

Sbados
Bomba

10

11

Hora
12 13

Bomba 38
Bomba 39
Bomba 40
Bomba 41
Bomba 42
Bomba 45

Domingos
Bomba

10

11

Hora
12 13

Bomba 38
Bomba 39
Bomba 40
Bomba 41
Bomba 42
Bomba 45
Legenda:
Desligada
Ligada

Figura 5.19 Regras de operao das bombas resultantes da otimizao estratgica.

118

Esquemas Otimizados de Operao das Vlvulas

O sistema aqui estudado possui 4 vlvulas: V47, localizada na entrada do
reservatrio R1, cuja operao no constitui varivel de deciso do problema, uma vez que
permanece sempre fechada, apesar de permitir a passagem de vazo de 10 L/s devido a
problemas de estanqueidade; V46, localizada na entrada do reservatrio R2, que regula a
admisso de gua para o mesmo, priorizando ou no a aduo de gua para o CR2; V48,
que regula o fluxo de gua para o R4; e, V49, que controla a entrada e sada de gua do
reservatrio R5.
As estratgias operacionais otimizadas para as diferentes curvas tpicas de demanda
so apresentadas na Figura 5.20.
Dias teis
Vlvula

10

11

Hora
12 13

14

15

16

17

18

19

20

21

22

23

24

14

15

16

17

18

19

20

21

22

23

24

14

15

16

17

18

19

20

21

22

23

24

Vlvula 46
Vlvula 48
Vlvula 49

Sbados
Vlvula

10

11

Hora
12 13

Vlvula 46
Vlvula 48
Vlvula 49

Domingos
Vlvula

10

11

Hora
12 13

Vlvula 46
Vlvula 48
Vlvula 49

Figura 5.20 Regras de operao das vlvulas resultantes da otimizao estratgica.

Esquemas Otimizados de Operao dos Reservatrios

As estratgias operacionais para bombas e vlvulas, obtidas da otimizao em Nvel
Estratgico, foram implementadas no simulador hidrulico para a produo dos nveis

119
operacionais dos reservatrios e posterior avaliao do comportamento do sistema nos
diferentes dias da semana.
Nos grficos na Figura 5.21 esto apresentas as curvas de variao dos nveis de gua
nos reservatrios R2 e R3.
Reservatrio R2
4.5
4.0

Nvel (m)

3.5
3.0
2.5
2.0
1.5
1.0
0.5
0.0
1

11

13

Hora

15

17

19

21

23

Reservatrio R3
6.0
5.0

Nvel (m)

4.0
3.0
2.0
1.0
0.0

11

13

15

17

19

21

23

Hora

NA max

NA min

NA Sbado

NA Dias teis

NA Domingo

Figura 5.21 Operao Otimizada em Nvel Estratgico dos reservatrios R2 e R3.

Os grficos mostram que as estratgias de operao dos reservatrios R2 e R3

propostas pelo otimizador encontram-se dentro dos limites operacionais estabelecidos para
todas as curvas tpicas de demanda (dias teis, sbados e domingos).
Observa-se que no reservatrio R3 h o aproveitamento quase que total do volume
disponvel durante o perodo estudado. J para o reservatrio R2 esse aproveitamento
acontece apenas aos sbados.
Para ambos os reservatrios, e todas as otimizaes realizadas, possvel perceber
a tendncia em recuperar o estado inicial dos reservatrios. O nvel dos reservatrios

120
mostra-se crescente durante a madrugada, de forma que as 06:00 esteja superior a 70% do
nvel mximo no R2 e 90% no R3.
No reservatrio R3 h um brusco rebaixamento do nvel durante a madrugada,
evidenciado principalmente aos sbados e domingos s 04:00, resultante do desligamento
da bomba B42, que volta a funcionar apenas s 06:00.
Na Figura 5.22 esto apresentados os grficos com as curvas de variao dos nveis
de gua nos reservatrios R4 e R5.
Reservatrio R4
4.5
4.0

Nvel (m)

3.5
3.0
2.5
2.0
1.5
1.0
0.5
0.0

11

13

15

17

19

21

23

17

19

21

23

Hora

Reservatrio R5
4.5
4.0

Nvel (m)

3.5
3.0
2.5
2.0
1.5
1.0
0.5
0.0

11

13

15

Hora

Figura 5.22 - Operao Otimizada em Nvel Estratgico dos reservatrios R4 e R5.

Ao observar o grfico da Figura 5.22 relativo ao reservatrio R5 possvel

perceber a oscilao do nvel de gua do mesmo, principalmente aos sbados e domingos.
Isto se deve elevada quantidade de manobras no sistema que a otimizao determina,
visando melhores estratgias operacionais.

121
Observa-se que o R5 tanto pode ser abastecido por gravidade pelos reservatrios
R4 e R2 quanto por recalque da EEAT1. Quando as bombas da EEAT1 so desligadas,
diminuindo a presso nas linhas de aduo, ocorre o retorno de gua por gravidade do
reservatrio R2 para o CR2, conforme ilustrado na Figura 5.23.

Figura 5.23 Sentido de escoamento.

R5 ainda possui a caracterstica de poder abastecer, alm do n Rede 2, o

reservatrio R4. Na Figura 5.24 esto ilustrados os sentidos de fluxo de gua que podem
ocorrer no CR2.

Figura 5.24 Sentidos de fluxo no CR2.

122
Outro fato marcante que o reservatrio R5 permanece com nvel mnimo de gua
durante longos perodos, o que no desejvel operacionalmente, mostrando claramente a
deficincia da otimizao de objetivo nico (com vistas apenas minimizao dos custos
com energia eltrica), discutida por Walski (2001) e citada no Captulo 2 desta dissertao.
Apesar das solues otimizadas em nvel estratgico terem reduzido os custos relativos ao
consumo de energia eltrica, o sistema perdeu consideravelmente parte da sua
confiabilidade, uma vez que os reservatrios no acumulam gua suficiente, em grande
parte do dia, para suprir eventuais problemas operacionais.

5.6.3 Nveis Meta

Os nveis dos reservatrios obtidos com a otimizao em Nvel Estratgico para dias
teis, sbados e domingo, apresentados anteriormente nas Figura 5.21 e Figura 5.22, foram
adotados como Nveis Metas para a otimizao em Tempo Real.
Cabe relembrar que, conforme explicitado no item 4.3 Demandas desta
dissertao, a otimizao em nvel estratgico, e, consequentemente, os nveis metas,
foram gerados com base no histrico de demandas referente aos meses de Maio, Junho,
Julho e Agosto. Portanto, os nveis meta gerados so referentes apenas ao perodo de seca.

5.7

Otimizao em Tempo Real

Realizou-se a otimizao em Tempo Real da operao do sistema estudado para o

perodo de uma semana em dois meses distintos: um no perodo de seca (de 05 de junho a
11 de junho) e outro no perodo chuvoso (de 07 a 13 de fevereiro).

123
Com o objetivo de avaliar a influncia dos Nveis Metas realizou-se tambm a
otimizao em Tempo Real sem considerar tais nveis.
J com o objetivo de avaliar a influncia da Previso de Demandas nos resultados da
Otimizao em Tempo Real realizou-se tambm a otimizao em Tempo Real
considerando o histrico de demandas disponvel.
Portanto, foram realizadas otimizaes em tempo real com dados previstos de
demandas e dados histricos de demandas, com nveis metas e sem nveis, para os meses
de fevereiro e junho - conforme apresentado na Figura 5.25.
Fevereiro
Com Nvel Meta
Otimizao com Dados da
Previso de Demandas

Junho
Fevereiro

Sem Nvel Meta

Junho
Fevereiro

Com Nvel Meta

Junho

Otimizao com Dados Histricos

de Demandas

Fevereiro
Sem Nvel Meta
Junho

Figura 5.25 Fluxograma das Otimizaes em Tempo Real realizadas.

Para a Otimizao em Tempo Real Com Nveis Meta foram adotadas penalidades
quanto: ocorrncia de presses inferiores mnima (Penalidade 1); elevada quantidade
de acionamento de bombas e/ou manobras de vlvulas (Penalidade 3); descontinuidade
do abastecimento (Penalidade 5); e, diferena entre os nveis dos reservatrios e nveis
meta (Penalidade 4). J para a Otimizao em Tempo Real Sem Nveis Meta foram
adotadas apenas as penalidades 1, 2, 3 e 5.

124
5.7.1 Resultados da Otimizao em Tempo Real com Previso de Demandas

Aplicando os mdulos relativos ao simulador hidrulico e ao otimizador em tempo

real e utilizando os parmetros descritos nos itens 5.3.2 e a previso de demandas, no
sistema objeto de estudo, obteve-se os custos de bombeamento das estratgias operacionais
otimizadas em tempo real apresentados na Tabela 5.7.

Tabela 5.7 - Custo de Bombeamento Tempo Real Com Dados de Demandas Previstos.
Dia
Sbado
Domingo
Dias teis*

Custo de bombeamento (R$/dia)

Otimizao Tempo Real
Com Nvel Meta
Sem Nvel Meta
Fevereiro
Junho
Fevereiro
Junho
8.281,58
8.424,45
8.127,05
7.989,05
5.636,59
5.667,67
5.596,76
5.518,17
9.124,88
9.104,00
9.274,69
9.038,97

Estratgico
7.346.50
6.666.02
8.474.71

* Mdia do custo dirio de bombeamento para os cinco dias teis otimizados.

Observa-se que a otimizao em Tempo Real produz custos superiores ao da

otimizao em Nvel Estratgico j que a estratgia operacional do Tempo Real no uma
estratgia resultante de um processo de otimizao global do perodo e sim o somatrio da
primeira hora das 24 estratgias resultantes da otimizao realizada para horizontes de 24
horas defasadas de 1 hora.
de se esperar que a otimizao estratgica produza menores custos de
bombeamento do que a otimizao em tempo real. Essa expectativa se confirmou para os
dias teis e sbados. Entretanto tal comportamento no se verificou para o domingo. Uma
explicao para o fato talvez seja de que, como a aplicao dos AGs no garante a
convergncia para o timo, as solues encontradas em nvel estratgico para o domingo
podem no corresponder s respectivas solues timas.

125
DIAS TEIS
O custo de bombeamento obtido com as regras operacionais geradas pela otimizao
em tempo real para os dias teis, conforme pode ser observado na Figura 5.26, so muito
prximos entre si. O desvio padro de R$ 401,50, o que corresponde a menos de 5% do
custo mdio dirio de bombeamento.

Custo bombeamento (R$/dia)

10,000.00

8,000.00

6,000.00

4,000.00

2,000.00

0.00
Fevereiro

Junho

Fevereiro

Com Nvel Meta

Junho

Sem Nvel Meta

Otimizao Tempo Real

Segunda

Tera

Quarta

Quinta

Figura 5.26 - Custo dirio de bombeamento otimizado em tempo real Dias teis.

PENALIDADES
Conforme definido na anlise de sensibilidade, os valores para os coeficientes de
penalidades 2, 3 e 4 adotados foram de 1.000, 50 e 30, respectivamente.
As penalidades 1 e 5 sempre foram iguais a zero, comprovando a aplicabilidade das
estratgias operacionais geradas pelo modelo. As presses nos ns com demanda ao longo
do horizonte de planejamento para as otimizaes em tempo real dos sbados, domingos e
dias teis sempre foram superiores a 10mH2O.
A seguir, na Tabela 5.8 e na Figura 5.27, so apresentados os valores das penalidades
2, 3 e 4 para as otimizaes em tempo real dos sbados, domingos e dias teis.

126
Tabela 5.8 - Resultados das Penalidades Com Dados de Demandas Previstos..
Fevereiro

Junho

Com Nvel Meta

Sem Nvel Meta
Com Nvel Meta
Sem Nvel Meta
Penalidade Penalidade Penalidade Penalidade Penalidade Penalidade Penalidade Penalidade
3
4
2
3
3
4
2
3

Dia

Sbado
Domingo

100,00
100,00

99,65
107,67

660,15
58,90

150,00
150,00

100,00
150,00

122,35
138,25

200,27
234,95

150,00
100,00

Dias teis

150,00

124,42

3,67

250,00

100,00

90,16

0,00

150,00

Os valores obtidos para as Penalidades 2, 3 e 4, apresentados na tabela acima

divididos pelos respectivos coeficientes de penalidade produzem os valores mostrados na
Figura 5.27.
Sbado

Domingo

Dias teis*

6,00
5,00
4,00
3,00
2,00
1,00
0,00
Penalidade Penalidade Penalidade Penalidade Penalidade Penalidade Penalidade Penalidade
3
4
2
3
3
4
2
3
Com Nvel Meta

Sem Nvel Meta

Com Nvel Meta

Fevereiro

Sem Nvel Meta

Junho

Figura 5.27 Valores das penalidades divididos por seus respectivos coeficientes.

Com base em tais valores possvel concluir-se que:

Conforme ensejado pela adoo do alto valor do coeficiente de penalidade 2
(2=1.000), os reservatrios sempre conseguem recuperar seu estado inicial,
finalizando a otimizao com nveis superiores a 70% do nvel mximo (e 90% para o
reservatrio R3) penalidade 2 praticamente nula.
Assim como na otimizao em nvel estratgico, ocorreram violaes da Penalidade 3,
com nmeros de acionamentos das bombas e vlvulas chegando a 7 por elemento.
Ressalta-se que esta penalidade aplicada apenas a partir do quarto acionamento;

127
portanto, os acionamentos em quantidade inferior a 4 por elemento no esto
mostrados na Figura 5.27.
Nas otimizaes com os nveis metas houve maior quantidade de acionamento das
bombas e/ou manobra das vlvulas (Penalidade 3) para que fosse possvel atingir nveis
nos reservatrios superiores aos nveis metas, minimizando a Penalidade 4.

ESQUEMAS OTIMIZADOS DE OPERAO DAS BOMBAS

As estratgias operacionais otimizadas em tempo real para as bombas dos sbados,
domingos e dias teis so apresentadas nas Figura 5.28, Figura 5.29 e Figura 5.30,
Fevereiro

respectivamente.
Bomba

Otimizao

Bomba 39

Estratgico
Com Nvel Meta
Sem Nvel Meta

Bomba 40

Estratgico
Com Nvel Meta
Sem Nvel Meta

Bomba 41

Estratgico
Com Nvel Meta
Sem Nvel Meta

Bomba 42

Estratgico
Com Nvel Meta
Sem Nvel Meta

Bomba 45

Estratgico
Com Nvel Meta
Sem Nvel Meta

10

11

Hora
12 13

14

15

16

17

18

19

20

21

22

23

24

11

Hora
12 13

14

15

16

17

18

19

20

21

22

23

24

Junho
Bomba

Otimizao

Bomba 39

Estratgico
Com Nvel Meta
Sem Nvel Meta

Bomba 40

Estratgico
Com Nvel Meta
Sem Nvel Meta

Bomba 41

Estratgico
Com Nvel Meta
Sem Nvel Meta

Bomba 42

Estratgico
Com Nvel Meta
Sem Nvel Meta

Bomba 45

Estratgico
Com Nvel Meta
Sem Nvel Meta

10

Legenda:
Desligada
Ligada

Figura 5.28 - Regras de operao otimizadas - Sbado.

128
Bomba

Fevereiro
Otimizao

Bomba 39

Estratgico
Com Nvel Meta
Sem Nvel Meta

Bomba 40

Estratgico
Com Nvel Meta
Sem Nvel Meta

Bomba 41

Estratgico
Com Nvel Meta
Sem Nvel Meta

Bomba 42

Estratgico
Com Nvel Meta
Sem Nvel Meta

Bomba 45

Estratgico
Com Nvel Meta
Sem Nvel Meta

10

11

Hora
12 13

14

15

16

17

18

19

20

21

22

23

24

11

Hora
12 13

14

15

16

17

18

19

20

21

22

23

24

Junho
Bomba

Otimizao

Bomba 39

Estratgico
Com Nvel Meta
Sem Nvel Meta

Bomba 40

Estratgico
Com Nvel Meta
Sem Nvel Meta

Bomba 41

Estratgico
Com Nvel Meta
Sem Nvel Meta

Bomba 42

Estratgico
Com Nvel Meta
Sem Nvel Meta

Bomba 45

Estratgico
Com Nvel Meta
Sem Nvel Meta

10

Figura 5.29 - Regras de operao otimizadas - Domingo.

Fevereiro
Bomba

Otimizao

Bomba 39

Estratgico
Com Nvel Meta
Sem Nvel Meta

Bomba 40

Estratgico
Com Nvel Meta
Sem Nvel Meta

Bomba 41

Estratgico
Com Nvel Meta
Sem Nvel Meta

Bomba 42

Estratgico
Com Nvel Meta
Sem Nvel Meta

Bomba 45

Estratgico
Com Nvel Meta
Sem Nvel Meta

10

11

Hora
12 13

14

15

16

17

18

19

20

21

22

23

24

11

Hora
12 13

14

15

16

17

18

19

20

21

22

23

24

Junho
Bomba

Otimizao

Bomba 39

Estratgico
Com Nvel Meta
Sem Nvel Meta

Bomba 40

Estratgico
Com Nvel Meta
Sem Nvel Meta

Bomba 41

Estratgico
Com Nvel Meta
Sem Nvel Meta

Bomba 42

Estratgico
Com Nvel Meta
Sem Nvel Meta

Bomba 45

Estratgico
Com Nvel Meta
Sem Nvel Meta

10

Figura 5.30 - Regras de operao otimizadas Segunda-feira.

129

Uma restrio que no foi colocada no modelo e que pde ser claramente visualizada
nas Figura 5.28 a Figura 5.30 foi com relao ao funcionamento das bombas em paralelo.
Muitas vezes o modelo desliga uma bomba e liga outra da mesma elevatria, aumentando a
quantidade de acionamentos e o desgaste das bombas sem necessidade.
Destaca-se tambm a maior quantidade de acionamentos das bombas na otimizao
em tempo real do que na otimizao em nvel estratgico. Isto porque a otimizao em
tempo real formada pela unio das estratgias operacionais otimizadas da primeira hora
de 24 otimizaes realizadas (uma em cada hora do dia). E, apesar do nmero de
acionamentos ser limitado ao longo de cada otimizao, pela penalidade 3, a unio das
primeiras horas das 24 otimizaes no tem necessariamente a quantidade de acionamentos
limitados.

ESQUEMAS OTIMIZADOS DE OPERAO DOS RESERVATRIOS

Os nveis dos reservatrios ao longo das 24 horas do sbado, domingo e segunda,
para as diferentes otimizaes, so apresentados nas Figura 5.31 aFigura 5.32,
respectivamente.
Observou-se que: (i) os nveis obtidos encontram-se dentro dos limites operacionais
dos reservatrios, demonstrando a viabilidade das estratgias operacionais geradas pelo
modelo proposto; (ii) as otimizaes considerando os nveis metas apresentaram a
tendncia de manter os nveis mais elevados, j que as solues com nvel inferior ao nvel
meta so penalizadas, obviamente que se o valor de 4 fosse maior essa tendncia tambm
seria maior; e, (iii) com a otimizao em tempo real houve um menor aproveitamento do
volume til dos reservatrios, sendo que estes permaneceram a maior parte do dia com
mais de 50% da sua capacidade.

130

Reservatrio R2

5.0

5.0

4.0

Nvel (m)

4.0

Nvel (m)

Reservatrio R3

6.0

6.0

3.0

3.0
2.0

2.0

1.0

1.0

0.0

0.0
1

11

13

15

17

19

21

23

6.0

5.0

5.0

4.0

4.0

Nvel (m)

Nvel (m)

Reservatrio R4
6.0

3.0

2.0

1.0

1.0

0.0
3

11

13

13

15

17

19

21

23

15

17

19

21

23

17

19

21

23

Reservatrio R5

3.0

2.0

11

Hora

Hora

0.0
1

Hora

11

13

15

Hora

NA max

NA min

Nveis Meta SBADO

7/fev - Com Nvel Meta

5/jun - Com Nvel Meta

5/jun - Sem Nvel Meta

7/fev - Sem Nvel Meta

Figura 5.31 Nveis dos reservatrios - estratgias operacionais otimizadas sbados.

131
Reservatrio R2

5,0

5,0

4,0

Nvel (m)

Nvel (m)

4,0
3,0

3,0
2,0

2,0

1,0

1,0

0,0

0,0
1

11

13
15
Hora

17

19

21

23

6,0

5,0

5,0

4,0

4,0

Nvel (m)

6,0

3,0

2,0

1,0

1,0

0,0
3

11

13

15

11

13

15

17

19

21

23

17

19

21

23

17

19

21

23

Reservatrio R5

3,0

2,0

Hora

Reservatrio R4

Nvel (m)

Reservatrio R3

6,0

6,0

0,0
1

Hora

NA max
8/fev - Com Nvel Meta
8/fev - Sem Nvel Meta

11

13

15

Hora

NA min
6/jun - Com Nvel Meta

Nveis Meta Domingo

6/jun - Sem Nvel Meta

Figura 5.32 Nveis dos reservatrios - estratgias operacionais otimizadas domingos.

132
Reservatrio R2

5,0

5,0

4,0

Nvel (m)

Nvel (m)

4,0
3,0

3,0
2,0

2,0

1,0

1,0

0,0

0,0
1

11

13
15
Hora

17

19

21

23

6,0

5,0

5,0

4,0

4,0

Nvel (m)

6,0

3,0

2,0

1,0

1,0

0,0
3

11

13

15

11

13

15

17

19

21

23

17

19

21

23

17

19

21

23

Reservatrio R5

3,0

2,0

Hora

Reservatrio R4

Nvel (m)

Reservatrio R3

6,0

6,0

0,0
1

Hora

NA max
9/fev - Com Nvel Meta
9/fev - Sem Nvel Meta

11

13

15

Hora

NA min
7/jun - Com Nvel Meta

Nveis Meta DIAS TEIS

7/jun - Sem Nvel Meta

Figura 5.33 Nveis dos reservatrios - estratgias operacionais otimizadas segundas-feiras.

133
TEMPO COMPUTACIONAL
Na prtica, para a otimizao em Tempo Real tem-se apenas uma hora para receber
as informaes do sistema atravs do SCADA, realizar a previso de demandas e a
otimizao e implementar a regra operacional gerada. Portanto, o tempo computacional
gasto pelo modelo constitui um fator limitante aplicao do modelo.
Os tempos computacionais demandados para realizar as 24 otimizaes
correspondentes ao perodo de um dia, para as diferentes alternativas aqui avaliadas, so
apresentados na Figura 5.34.
Sbado

Domingo

Dias teis*

160,00
140,00
120,00

Horas

100,00
80,00
60,00
40,00
20,00
0,00
Fevereiro

Junho

Com Nvel Meta

Fevereiro

Junho

Sem Nvel Meta

Figura 5.34 Tempo computacional gasto com as otimizaes em tempo real.

Teoricamente, para que o modelo realmente fosse implantado para a otimizao em

tempo real de um sistema de abastecimento de gua, com freqncia de realizao da
otimizao horria, o tempo computacional gasto para realizar as 24 otimizaes deveria
ser inferior a 24 horas. O que ocorreu apenas em 25% dos ensaios de otimizao
realizados.

134
CUSTOS DE BOMBEAMENTO PARA CADA UMA DAS 24 OTIMIZAES REALIZADAS
A otimizao em tempo real nada mais do que a realizao de uma otimizao,
com perodo de 24 horas, em cada hora do dia. Para se ter a otimizao em tempo real de
um dia junta-se a primeira hora das 24 otimizaes realizadas e as demais horas so
descartadas.
A seguir, nas Figura 5.35 a Figura 5.37, so apresentados os custos de bombeamento
para cada uma das 24 otimizaes realizadas aos sbados, domingos e segunda-feira.

Custo de Bombeamento (R$/24horas)

10,000.00

8,000.00

6,000.00

4,000.00

2,000.00

0.00
1

11

13

15

17

19

21

23

Hora
Fev - Com Nvel Meta

Fev - Sem Nvel Meta

Junho - Sem Nvel Meta

Junho - Com Nvel Meta

Estratgico Sbado

Estratgico Domingo

Custo de Bombeamento (R$/24horas)

Figura 5.35 Custo de bombeamento para as otimizaes em tempo real dos sbados.
10,000.00

8,000.00

6,000.00

4,000.00

2,000.00

0.00
1

11

13

15

17

19

21

23

Hora
Fev - Com Nvel Meta

Fev - Sem Nvel Meta

Junho - Sem Nvel Meta

Junho - Com Nvel Meta

Estratgico Segunda

Estratgico Domingo

Figura 5.36 - Custo de bombeamento para as otimizaes em tempo real dos domingos.

Custo de Bombeamento (R$/24horas)

135
10,000.00

8,000.00

6,000.00

4,000.00

2,000.00

0.00
1

11

13

15

17

19

21

23

Hora
Fev - Com Nvel Meta

Fev - Sem Nvel Meta

Junho - Sem Nvel Meta

Junho - Com Nvel Meta

Figura 5.37 - Custo de bombeamento para as otimizaes em tempo real Segunda-feira.

Um fator que chamou a ateno foi a reduo dos custos de bombeamento ao longo
das 24 horas no sbado e o aumento destes custos ao longo das 24 horas no domingo.
Isto ocorreu porque as demandas aos domingos so menores e, como a otimizao
foi feita para 24 horas frente, nas ltimas horas de sbado tem-se uma maior quantidade
de horas otimizadas no domingo do que no prprio sbado. Na hora 22, por exemplo-se,
otimizou-se das 22:00 hs de sbado s 22:00 hs de domingo, ou seja, quase todo o perodo
otimizado corresponde ao domingo e consequentemente possui menores demandas.
J as ltimas 6 horas de otimizao do domingo apresentaram maiores custos de
bombeamento, pois englobam os horrios de ponta da segunda-feira cuja tarifa quase trs
vezes superior do horrio fora de ponta.

5.7.2 Avaliao da Influncia da Previso no Resultado da Otimizao

Para avaliar a influncia da qualidade da previso de demandas nos resultados da

otimizao da operao em tempo real, realizou-se a otimizao no perodo de trs dias

136
(sbado, domingo e segunda-feira) dos dois meses distintos: um no perodo de seca (de 05
de junho a 07 de junho) e outro no perodo chuvoso (de 07 a 09 de fevereiro) considerando
tambm o histrico de demandas. Ou seja, foram realizadas as mesmas simulaes
apresentadas no item 5.7.1 s que com os dados reais de demanda e no a partir dos
resultantes da previso de demandas.
Antes de tratar da influncia da previso de demandas nos resultados da otimizao
avaliou-se a qualidade da previso realizada.
AVALIAO DAS DEMANDAS GERADAS PELO MDULO OTIMIZADOR
Na Figura 5.38, a seguir, esto apresentadas as demandas previstas e reais para
diferentes horas do dia 07 de Fevereiro. Cabe lembrar que para cada hora realizada a
previso de demandas para as prximas 24 horas, por isso as curvas com 24 horas para
cada hora representada.
Observa-se que existe uma diferena significativa entre as demandas previstas e reais.
PREVISO DE DEMANDAS

HISTORICO DE DEMANDAS

1.6

1.4

1.4

1.2

1.2

PREVISO DE DEMANDAS

1.8

1.6

Qmed

Qmed

1.8

0.8

0.8

0.6

0.6

0.4

0.4

0.2

0.2

0
0

12

18

24

12

Hora
PREVISO DE DEMANDAS

1.8

18

24

Hora 2

HISTORICO DE DEMANDAS

PREVISO DE DEMANDAS

1.8

1.6

1.6

1.4

1.4

1.2

1.2

Qmed

Qmed

HISTORICO DE DEMANDAS

HISTORICO DE DEMANDAS

0.8

0.8

0.6

0.6
0.4

0.4

0.2

0.2

0
0

12

Hora 6

18

24

12

18

24

Hora 24

Figura 5.38 Comparao das Demandas Reais Adimensionalizadas (Histrico) com as

Demandas Previstas pelo mdulo de Previso de Demandas Sbado (07/Fevereiro).

137

J na Figura 5.39 esto apresentadas as diferenas (Dobservada - Dprevista) entre as

demandas observadas e previstas ao longo das primeiras 12 previses horrias realizadas
com horizonte de 24 horas (12 x 24), ilustrando claramente o desvio entre as respectivas
demandas observadas e previstas.

0,8
0,6

Dobservada - Dprevista

0,4
0,2
0
-0,2
-0,4
-0,6
-0,8
-1
0

24

48

72

96

120

144

168

192

216

240

264

Hora (12 x 24)

sab 5/6/2004

sab 7/2/2004

domingo 6/6/2004

domingo 8/2/2004

138

Figura 5.39 Diferena entre as Demandas Adimensionalizadas Observadas e Previstas.

segunda 7/6/2004

segunda 9/2/2004

288

139
CUSTO DE BOMBEAMENTO
Os custos dirios de bombeamento resultantes das otimizaes em tempo real
utilizando as demandas observadas e as demandas previstas esto sintetizados na Figura
5.40. Nota-se que as otimizaes utilizando as demandas reais sempre geram menor custo
com energia eltrica do que as utilizando as demandas previstas.

Custo Bombeamento (R$/dia)

Sbados
9,500.00
9,000.00
8,500.00
8,000.00
7,500.00
7,000.00
6,500.00
6,000.00
5,500.00
5,000.00
Fevereiro

Junho

Fevereiro

Com Nvel Meta

Otimizao utilizando Demandas Reais

Junho

Sem Nvel Meta

Otimizao utilizando Demandas Previstas

Custo Bombeamento (R$/dia)

Domingos

9,500.00
9,000.00
8,500.00
8,000.00
7,500.00
7,000.00
6,500.00
6,000.00
5,500.00
5,000.00
Fevereiro

Junho

Fevereiro

Com Nvel Meta

Otimizao utilizando Demandas Reais

Junho

Sem Nvel Meta

Otimizao utilizando Demandas Previstas

Custo Bombeamento (R$/dia)

Segundas
9,500.00
9,000.00
8,500.00
8,000.00
7,500.00
7,000.00
6,500.00
6,000.00
5,500.00
5,000.00
Fevereiro

Junho

Com Nvel Meta

Otimizao utilizando Demandas Reais

Fevereiro

Junho

Sem Nvel Meta

Otimizao utilizando Demandas Previstas

Figura 5.40 Custos de Bombeamento otimizados utilizando demandas reais e previstas.

140
Portanto, pode-se concluir que a qualidade dos dados gerados pelo mdulo previsor
de demandas influi diretamente nos resultados da otimizao. No entanto, mesmo com
grande diferena entre as demandas previstas e observadas, como foi o caso aqui estudado,
a diferena entre os custos dirios de bombeamento otimizados utilizando as demandas
observadas e as demandas previstas inferior a 5%.

ESQUEMAS OTIMIZADOS DE OPERAO DOS RESERVATRIOS

Outro fato observado, e de fundamental importncia, que as grandes oscilaes nos
nveis dos reservatrios (Figuras 6.17, 6.18 e 6.19), resultantes da Otimizao em Tempo
Real utilizando as demandas previstas, so reduzidas quando da utilizao do histrico de
demandas, com exceo do R5 que ainda apresenta muita variao do nvel dgua
Figura 5.41.
Ou seja, pode-se atribuir uma parcela desta grande oscilao dos nveis dos
reservatrios ao erro da previso de demandas e no somente ao processo de otimizao
em tempo real em si.
Lembrando que, apesar de buscar-se sempre o mximo aproveitamento de todo
volume de reservao disponvel, esta grande oscilao de nveis no desejvel
operacionalmente.

141

R1
6
5

Nvel (m )

4
3
2
1
0
1

11

13

15

17

19

21

23

13

15

17

19

21

23

15

17

19

21

23

R2
6
5

Nvel (m )

4
3
2
1
0
1

11

Hora

R4
6
5

Nvel (m )

4
3
2
1
0
1

11

13
Hora

R5
6
5

Nvel (m )

4
3
2
1
0
1

11

13

15

17

19

21

23

Hora

Nvel Meta R4
Historico - Fevereiro

NAmax
Histrico - Junho

NAmin

Figura 5.41 Nveis dos reservatrios - estratgias operacionais otimizadas em tempo real
utilizando demandas observadas - Sbados.

142
TEMPO COMPUTACIONAL
Com relao aos tempos computacionais demandados para realizar as 24
otimizaes, a otimizao com as demandas reais apresenta tempo de processamento
ligeiramente inferior otimizao utilizando as demandas previstas, conforme pode ser
observado no grfico da Figura 5.42.
160.00

Tempo Computacional (horas)

140.00
120.00
100.00
80.00
60.00
40.00
20.00
0.00
Sbado Domingo Segunda Sbado Domingo Segunda Sbado Domingo Segunda Sbado Domingo Segunda
Fevereiro

Junho
Com Nvel Meta

Otimizao utilizando Histrico de Demandas

Fevereiro

Junho
Sem Nvel Meta

Otimizao utilizando Demandas Previstas

Figura 5.42 Tempo Computacional das otimizaes utilizando as demandas histricas e

as demandas previstas.

5.8

Aspectos Crticos

Ao longo do desenvolvimento deste trabalho pode-se perceber que diversos fatores

influenciaram os resultados obtidos. Alguns so intrnsecos Otimizao em Tempo Real,
outros resultado da metodologia adotada e ainda do sistema objeto de estudo. A seguir
realiza-se uma breve discusso sobre trais fatores.

143
GUA E ENERGIA
gua e energia so intrinsecamente ligadas no contexto das companhias de
saneamento. Essa ligao existe devido ao papel que a energia exerce no transporte de
gua para o consumidor final, assim como seu papel no tratamento de gua e esgotos.
Quando a gua desperdiada num sistema, a energia quase sempre dissipada.
Ao se otimizar energeticamente a operao de um sistema de abastecimento de gua,
provavelmente ocorrer uma reduo das presses nesse sistema. Sabidamente perdas de
gua e presso na rede so diretamente proporcionais. Portanto, a otimizao energtica
poder incorrer na reduo das perdas do sistema e, consequentemente, em custos
operacionais ainda menores, uma vez que, quanto menores forem as perdas, menor ser o
tempo de funcionamento dos conjuntos motobombas para atender aos usurios finais.
Os trabalhos existentes na literatura tcnica sobre otimizao da operao de
sistemas de abastecimento no abordam tal considerao. As demandas no so separadas
em consumo e perdas e os previsores de demanda no enfocam a reduo das perdas (e das
demandas) com a otimizao.
A otimizao em tempo real, com a previso de demandas refeita a cada hora, pode
atuar como meio de minimizar tambm a discrepncia entre as demandas previstas e as
demandas efetivas, uma vez que pode colaborar com a reduo das perdas por vazamento.

UTILIZAO DE SISTEMA HIPOTTICO

O sistema aqui estudado, apesar de ser um sistema de abastecimento de gua real
(que abastece parte da cidade de Joo Pessoa, Paraba), com os dados devidamente
calibrados e modelados no EPANET, deve ser considerado um sistema hipottico uma vez
que para Otimizao foram adotadas demandas que no so prprias deste sistema.

144
Portanto, apesar dos bons resultados obtidos com a aplicao do modelo
desenvolvido, amplamente citados ao longo deste texto, sabe-se que a utilizao de um
sistema hipottico impede a avaliao mais profunda e implementao dos resultados
obtidos. Observa-se que o modelo produz bons resultados em termos de reduo dos custos
com energia eltrica (representado pela funo objetivo) mas no possvel uma avaliao
completa das estratgias operacionais otimizadas do ponto de vista da operao.
Segundo Walski (2001), antes de se inicializar o desenvolvimento de um modelo de
otimizao, deve-se aprender sobre o projeto e funcionamento do sistema em estudo, para
capturar a natureza multi-objetivo do problema.
Ou seja, alm da funo objetivo do modelo desenvolvido considerar apenas a
minimizao dos custos com energia eltrica (o que j indica que as solues encontradas
podem no ser to boas do ponto de vista operacional e de confiabilidade do sistema,
conforme detalhado no item 2.5 desta dissertao) no se dispe do conhecimento sobre a
operao do sistema necessrio para avaliar as regras operacionais geradas.

145

Sessenta anos atrs eu sabia tudo, hoje sei que nada sei. A
educao o descobrimento progressivo da nossa ignorncia.
William James Durant

Concluses e Recomendaes

O modelo construdo foi aplicado ao sistema estudado por Pedrosa (2006). O

histrico de consumos horrios de Moreira (2007), relativo ao sistema de abastecimento da
cidade de So Carlos, SP, foi utilizado tal qual e para a realizao de previses de
consumo, na alimentao do modelo. Assim, as estratgias operacionais produzidas no
possuem referenciais para comparao pelo fato de, na verdade, estar-se trabalhando com
um sistema hipottico.
Os resultados produzidos pelo modelo construdo, que foi subdividido em modelos
para a operao otimizada em nvel estratgico e em tempo real, possibilitaram diversas
concluses, conforme se comenta a seguir.
Primeiramente, pode-se dizer que a qualidade dos resultados produzidos via AGs
mostrou-se fortemente influenciada pelos valores dos coeficientes de penalidade e,
principalmente, operadores e parmetros genticos usados no processo de otimizao.
Acrescenta-se aqui o fato de que todos os ensaios de otimizao realizados
produziram estratgias operacionais factveis de serem implementadas.
No que se refere ao teste comparativo efetuado, pode-se dizer que as estratgias
operacionais produzidas pelo modelo para a operao otimizada em nvel estratgico

146
indicaram uma reduo de custos da ordem de 8,5% em relao aos custos dirios de
energia eltrica obtidos por Pedrosa (2006) para o mesmo sistema.
A utilizao dos nveis meta na forma de restrio para produzir as solues em
tempo real no agilizaram o processo de otimizao, como era esperado, e produziram
solues de maiores custos de bombeamento em relao quelas obtidas sem considerar os
nveis meta. A explicao para esse fato a constatao de que as bombas precisavam ser
acionadas para que os nveis dos reservatrios permanecessem superiores aos nveis meta.
A qualidade das previses de consumo revelou ter influncia direta sobre o
resultado da otimizao, de forma que os nveis dos reservatrios apresentaram maior
oscilao ao longo das 24 horas do dia quando o modelo foi alimentado com dados de
consumo previstos com base na srie de Fourier que quando se empregou o suposto
histrico de consumo.
Do ponto de vista computacional, o tempo de processamento, de 15 a 2.800
minutos gastos para a otimizao de um ciclo dirio completo (=24 x 24 horas), mostrou-se
excessivamente longo para a aplicao do modelo em tempo real, sendo que o EPANET,
usado como mdulo auxiliar de simulao hidrulica de perodo estendido, constituiu o
elemento crtico na velocidade do processo. Assim, apesar do sucesso da metodologia
proposta em produzir solues eficientes e robustas, deve-se pensar em utilizar modelos
simplificados para a reproduo do comportamento do sistema, principalmente se ele
apresentar maior grau de complexidade.

6.1

Recomendaes para Estudos Futuros

Como trabalhos futuros utilizando nessa linha de pesquisa, recomenda-se realizar os

seguintes estudos:

147
Investigar possibilidades de acelerar o processo de avaliao hidrulica do
comportamento do sistema.
Estudo mais detalhado dos operadores e parmetros genticos a utilizar, bem
como dos coeficientes das penalidades, ou a utilizao de mtodos hbridos dos
AGs.
A determinao dos Nveis Metas atravs de otimizao multi-objetivo. Como a
otimizao multi-objetivo complexa demais para ser aplicada otimizao em
tempo real, sugere-se a incorporao dos demais objetivos da operao do
sistema (confiabilidade hidrulica, capacidade de reservao e outros) nos Nveis
Metas. Assim, pressupe-se que a otimizao em tempo real, ao perseguir os
nveis metas, estaria considerando de certa forma tais objetivos.
A utilizao do vetor soluo da Otimizao em Nvel Estratgico como
indivduos das solues iniciais da Otimizao em Tempo Real. Este fato, apesar
de poder levar ocorrncia de convergncia prematura do algoritmo, pode
acrescer agilidade na soluo do problema, diminuindo a quantidade de geraes
necessrias a otimizao.

148

149

Quem conduz e arrasta o mundo no so as mquinas, mas as

idias.
Victor Hugo

Referncias Bibliogrficas

Alvisi, S.; Franchini, M.; Marinelli, A. (2007). A Short-Term, Pattern-Based

Water Demand-Forecasting Model. . Journal of Hydroinformatics, v. 09.1, p. 39-50.

Almeida, R.; Barbosa, P. S. F. (2002). Efeito da Reservao Inicial Sobre o

Desempenho Operacional de Sistemas de Abastecimento de gua. In: SEMINRIO Planejamento, Projeto e Operao de Redes de Abastecimento de gua: O Estado da
Arte e Questes Avanadas, Joo Pessoa-PB, Brasil. Anais do II SEREA, CD-ROM.
Carrijo, I.B. (2004). Extrao de regras operacionais timas de sistemas de

distribuio de gua atravs de algoritmos genticos multiobjetivo e aprendizado de

mquina. So Carlos, SP. 217p. Tese (Doutorado) Escola de Engenharia de So
Carlos, Universidade de So Paulo.
Coulbeck, B.; Orr, C.H (1987). Optimal Control of Water Supply. IEE
Colloquium on Control and Optimization Techniques for the Water Industry. May, p.
1-4.
Coulbeck, B.; Orr, C.H.; Brdys, M. (1988). Real-time optimized control of

water distribution systems. International Conference on Control. Abril, p. 634-640.

150
De Montfort University (2002). FINESSE Technical Description and

Capabilities. verso 4. Leicester UK. http://www.eng.dmu.ac.uk/wssys/

Goldeberg, D. E. (1989). Genetic Algorithms in Search, Optimization and

Machine Learning. Addison-Wesley, Reading, Mass.

Gomes, H. P. (2005). Eficincia hidrulica e energtica em saneamento:

anlise econmica de projetos. Rio de Janeiro: ABES. p. 114.

Jamieson, D. G.; Shamir, U.; Martinez, F.; Franchini. M. (2007). Conceptual

Design of a Generic, Real-Time, Near-Optimal Control System for WaterDistribution Networks. Journal of Hydroinformatics, v. 09.1, p. 3-14.
Lansey, K. E.; Awumah, K., (1994). Optimal Pump Operations Considering

Pump Switches. Journal of Water Resources Planning and Management, Vol. 120,
N01, p. 17-35.
Martnez, F.; Hernndez, V.; Alonso, J. M.; Rao, Z.; Alvisi, S. (2007).

Optimizing the Operation of the Valencia Water Distribution Network. Journal of

Hydroinformatics, v. 09.1, p. 65-78.
Moraes, F.A. (2008). Calibrao de modelo de decaimento de cloro aplicado a

setor de rede de distribuio de gua. So Carlos, SP. 211p. Dissertao (Mestrado)

Escola de Engenharia de So Carlos, Universidade de So Paulo.
Moreira, S. L. S. (2007). Otimizao da Operao em Tempo Real Aplicado a

Sistema de Distribuio da gua para Abastecimento. So Carlos, SP. 232p. Tese

(Doutorado) Escola de Engenharia de So Carlos, Universidade de So Paulo.
Nitivattananon, V.; Sadowski, E.C.; Quimpo, R.G. (1996). Optimization of

Water Supply System Operation. Journal of Water Resources Planning and

Management, v.122, n.5, September/October, p. 374-384.

151
Pedrosa, L. A. F. (2006). Um Modelo de Operao de Sistemas Adutores de

Abastecimento de gua com vistas a Minimizao dos Custos Energticos. Campina

Grande, PB. 174 p. Tese (Doutorado) Universidade Federal de Campina Grande.
Odan, F.K. (2008). Dissertao a ser apresentada Escola de Engenharia de
So Carlos.
Orr, C.; Boulos, P.F.; Stern, C.T.; Liu P.E.P. (1999). Developing Real-Time

Models of Water Distribution Systems. In Water Industry Systems: Modelling and

Optimisation Applications. (ed. D.A. Savic & G.A. Walters), Research Studies Press
Ltd., Baldock, UK, 175-186.
PROCEL SANEAR Programa Nacional de Conservao de Energia Eltrica no
Setor de Saneamento. Disponvel em: <http://www.eletrobras.com/procel>. Acesso
em 08 de abril de 2008.
Rao, Z.; Alvarruiz, F. (2007). Use of an Artificial Neural Network to Capture

the Domain Knowledge of a Conventional Hydraulic Simulation Model. Journal of

Hydroinformatics, v. 09.1, p.1524.
Rao, Z.; Salomons, E. (2007). Development of a Real-Time, Near Optimal

Control Process for Water-Distribution Networks. Journal of Hydroinformatics, v.

09.1, p.2538.
Rao, Z.; Wicks, J.; West, S. (2007). Optimising water supply and distribution

operations. Water Management, v. 160 WM2, p. 95-101.

Ribeiro, G.P. (2005). Operao Otimizada do Sistema Adutor Metropolitano

Utilizando Algoritmos Genticos. Estudo de caso: SAM Leste da Regio

Metropolitana de So Paulo. So Paulo-SP. 239p. Tese (Doutorado) Escola
Politcnica, Universidade de So Paulo.
Rossman, L.A., (2000). EPANET2 - Users Manual, U.S. Environmental
Protection Agency, Cincinnati, Ohio.

152

Salomons, E.; Goryashko, A.; Shamir, U.; Rao, Z.; Alvisi, S. (2007).

Optimizing the Operation of the Haifa-A Water-Distribution Network. Journal of

Hydroinformatics, v. 09.1, p.5164.
Schoenauer, M.; Mirchalewicz, Z. (1996). Evolutionary Computation at the

Edge of Feasibility. InW. Ebeling & H.-M. Voigt (Eds.), Proceeding of the Fourth
Conference on Parallel Problem Solving from Nature, Berlin: Springer- Verlag.
Soares, A.K. (2003). Calibrao de Modelos de Redes de Distribuio de gua

para Abastecimento Considerando Vazamentos e Demandas Dirigidas pela Presso.

So Carlos-S.P. 153p. Dissertao (Mestrado) - Escola de Engenharia de So Carlos
da Universidade de So Paulo.
Sousa C. A. M. (2007). Otimizao Multicritrio da Operao de Sistemas de

Abastecimento de gua Utilizando Algoritmos Genticos. Lisboa Portugal. 207 p.

Dissertao (Mestrado) Instituto Superior Tcnico, Universidade Tcnica de
Lisboa.
SNIS Sistema Nacional de Informao em Saneamento. Programa de
Modernizao do Setor de Saneamento. Disponvel em: <http://www.snis.gov.br>.
Acesso em 08 de abril de 2008.
Tsutiya, M. T. (2004). Abastecimento de gua. So Paulo SP. Departamento
de Engenharia Hidrulica e Sanitria. 643 p.
Vicente R. V. (2005). Modelo de Operao para Centros de Controle de

Sistemas de Abastecimento de gua Estudo de Caso: Sistema Adutor

Metropolitano de So Paulo. So Paulo-SP. 140 p. Dissertao (Mestrado) Escola
Politcnica da Universidade de So Paulo.
Walski, T.M. (2001). The Wrong Paradigm-Why Water Distribution

Optimization Doesnt Work. Journal of Water Resources Planning and Management,

v.122, n.4, July, p. 203-205.

153

Wu, Y. Z.; Simpson, A. R. (2002). A Self-Adaptive Boundary Search Genetic

Algorithm and Its Application to Water Distribution Systems. Journal of Hydraulic

Research, Vol. 40, N 2, p.191-203.
Zahed Filho, K. (1990). Previso de Demanda de Consumo em Tempo Real no

Desenvolvimento Operacional de Sistemas de Distribuio de gua. So Paulo.

135p. Tese (Doutorado). Escola Politcnica da Universidade de So Paulo.
Zeferino, A. J., Antunes, A.P., Cunha, M.C. (2007). An Efficient Simulated

Annealing Algorithm for Regional Wastewater Systems Planning. Joint International

Conference on Computing and Decision Making in Civil and Building Engineering.
June 14-16, 2006 - Montral, Canada.

154

155

Apndice A Rotinas do Otimizador em Tempo Real

156
//--------------------------------------------------------------------------#include <vcl.h>
#include <stdio.h>
#include <iostream.h>
#include <conio.h>
#include <fstream.h>
#include <stdlib.h>
#include <time.h>
#include <c:/Ag_GAlib/GABinStr.h>
#include <c:/Ag_GAlib/GABinStr.CPP>
#include <c:/Ag_GAlib/GA1DBinStrGenome.h>
#include <c:/Ag_GAlib/GA1DBinStrGenome.CPP>
#include <c:/Ag_GAlib/ga.h>
#include "Oper.h"
#include "c:/Epanet2/epanet2.h"
using namespace std;
#pragma hdrstop
#pragma package(smart_init)
//--------------------------------------------------------------------------//Declarao das Variveis Globais

int
int
int
int
int
int
int
int

Variaveis,Horas,Pmin,ND,cont,individuo;
*VariavelID1,*VariavelID2,*IDnodemanda;
contador=0;
p1=1;
p2=1000;
p4=30;
p3=50;
p5=1000;

float
float
float
float
int
int
int
int
int

Cc,Cd,Cb,P1,P2,P4,P3,P5, objF, demanda, previsaodemanda;

*Genoma, *InitialLevel,*Demandas, *Nivel, *Previsao;
**Level, **Estado, **Energia, **NivelMeta, **DemandaReal;
**Resultado;

operation
operation
operation
operation
operation

::
::
::
::
::

NumJunctions;
NumNodes;
NumTanks;
NumLinks;
length;

ofstream fout ("resultados.txt"); //Local onde so salvos os dados de sada do programa.

//--------------------------------------------------------------------------//Algoritmo dos AGs
void operation :: genetic()
{
int e, k, n, NO, R;
float nivelinicial, meta, DR, PD;
int w,y,q,b,v;
int i,j,jj,max=numeric_limits<int>::max(),ID1,ID2;
int gaType,Selector,crossover,ngen,nReplacement;
int mutation,popsize,randomSeed;
float crossoverRate,mutationRate,maxFitnessVariance,Obs1,Obs2;
clock_t start, end;

//Leitura do arquivo ga1.in com os dados de entrada para rodar os AGs

ifstream gaif;
char* fent = "ga1.in";
gaif.open(fent);
gaif.ignore(max,'\n'); // tipo de AG
gaif >> gaType;
gaif.ignore(max,'\n');
gaif.ignore(max,'\n'); //tipo de seleo
gaif >> Selector;
gaif.ignore(max,'\n');
gaif.ignore(max,'\n');//Numero de substituies
gaif >> nReplacement;
gaif.ignore(max,'\n');

157
gaif.ignore(max,'\n'); //Tipo de recombinao - taxa de recombinao
gaif >> crossover >> crossoverRate;
gaif.ignore(max,'\n');
gaif.ignore(max,'\n'); //Tipo de mutao - taxa de mutao
gaif >> mutation >> mutationRate;
gaif.ignore(max,'\n');
gaif.ignore(max,'\n');//tamanho da populao
gaif >> popsize;
gaif.ignore(max,'\n');
gaif.ignore(max,'\n');//numero de geraes
gaif >> ngen;
gaif.ignore(max,'\n');
gaif.ignore(max,'\n'); //semente aleatria
gaif >> randomSeed;
gaif.ignore(max,'\n');
gaif.ignore(max,'\n');//maxima variancia de fitness
gaif >> maxFitnessVariance;
gaif.ignore(max,'\n');
gaif >> Variaveis; //numero de controles
gaif.ignore(max,'\n');
if (Variaveis != 0)
{
VariavelID1 = new int[Variaveis];
VariavelID2 = new int[Variaveis];
for (i=0; i< Variaveis; i++)
{
gaif >> ID1 >> ID2;
gaif.ignore(max,'\n');
VariavelID1[i] = ID1;
VariavelID2[i] = ID2;
}
}
gaif.ignore(max,'\n');
gaif >> Horas; //numero de horas do horizonte de planejamento
gaif.ignore(max,'\n');
length = Variaveis*Horas;
gaif.ignore(max,'\n');
gaif >> Pmin; //presso minima visada para a rede
gaif.ignore(max,'\n');
//Leitura dos arquivos de entrada com os dados para setar no EPANET
gaif.ignore(max,'\n');
// Nmero de ns com demanda
gaif >> ND;
gaif.ignore(max,'\n');
gaif.ignore(max,'\n');
//ID dos ns com demanda
IDnodemanda = new int [ND];
for (e=0; e< ND; e++)
{
gaif >> NO;
gaif.ignore(max,'\n');
IDnodemanda[e] = NO;
}
gaif >> R;
//Nmero de RNV
gaif.ignore(max,'\n');
Nivel = new float [R];
//Nvel Atual dos Reservatrios
for (e=0; e< R; e++)
{
gaif >> nivelinicial;
gaif.ignore(max,'\n');
Nivel[e] = nivelinicial;
}
gaif.ignore(max,'\n');
//Nveis Meta dos Reservatrios
NivelMeta = new float*[Horas];

158
NivelMeta[0] = new float [Horas*R];
for (k=0;k<Horas;k++)
NivelMeta[k] = NivelMeta[0]+k*R;
for (e=0; e<R; e++)
for (n = 0; n<Horas; n++)
{
gaif >> meta;
gaif.ignore(max,'\n');
NivelMeta[e][n] = meta;
}
gaif.ignore(max,'\n');

// Demandas reais ns 22 e 34

DemandaReal = new float*[Horas];

DemandaReal[0] = new float [Horas*ND];
for (k=0;k<Horas;k++)
DemandaReal[k] = DemandaReal[0]+k*ND;
for (e=0;e<ND;e++)
for (n=0; n< Horas; n++)
{
gaif >> DR;
gaif.ignore(max,'\n');
DemandaReal[e][n] = DR;
//fout<<"\n"<<DemandaReal[e][n];
}
gaif.ignore(max,'\n');
// Previso de Demandas ns 22 e 34
Previsao = new float [Horas*Horas];
for (e=0;e<Horas;e++)
for (n=0; n< Horas; n++)
{
gaif >> PD;
gaif.ignore(max,'\n');
Previsao[e*Horas+n] = PD;
}

gaif.close();

demandTemp();
aloca();
GAParameterList params;
GASimpleGA::registerDefaultParameters(params);
GASteadyStateGA::registerDefaultParameters(params);
params.set(gaNpopulationSize, popsize);
params.set(gaNpCrossover, crossoverRate);
params.set(gaNpMutation, mutationRate);
params.set(gaNnGenerations, ngen);
params.set(gaNnReplacement, nReplacement);
params.set(gaNpConvergence, maxFitnessVariance);
GARandomSeed (randomSeed);
GA1DBinaryStringGenome genome (length, Objetivo);//Tipo de genoma a ser utilizado
genome.initializer(::Initializer);//Inicializao do genoma
GAStatistics stats;
GASimpleGA ga(genome);
ga.parameters(params);
ga.scoreFilename("FOGer.txt");
ga.scoreFrequency(1);
ga.flushFrequency(1);
ga.selectScores(GAStatistics::AllScores);
GALinearScaling lin;
ga.scaling(lin);
ga.minimize();
switch(Selector)
{
case 0:
{
GARankSelector selector;

159
ga.selector(selector);
}
break;
case 1:
{
GARouletteWheelSelector selector;
ga.selector(selector);
}
break;
case 2:
{
GATournamentSelector selector;
ga.selector(selector);
}
break;
case 3:
{
GAUniformSelector selector;
ga.selector(selector);
}
break;
case 4:
{
GASRSSelector selector;
ga.selector(selector);
}
break;
case 5:
{
GADSSelector selector;
ga.selector(selector);
}
break;
default:
cout << "\nTipo de Seleo desconhecida.";
}
switch(crossover)
{
case 0:
{
ga.crossover(GA1DBinaryStringGenome::UniformCrossover);
}
break;
case 1:
{
ga.crossover(GA1DBinaryStringGenome::OnePointCrossover);
}
break;
case 2:
{
ga.crossover(GA1DBinaryStringGenome::TwoPointCrossover);
}
break;
case 3:
{
ga.crossover(GA1DBinaryStringGenome::EvenOddCrossover);
}
break;
default:
cout << "\nTipo de Crossover desconhecido.";
}
//Hora 0:
{
start = clock();
individuo=0;
cont=0;
ga.evolve();
genome = ga.statistics().bestIndividual();
stats = ga.statistics();
//Ordenando o genoma (de acordo com a forma em que foi concebido)
for (y=0;y<Horas;y++)
for (b=0;b<Variaveis;b++)
{
Resultado[b][y]=genome.gene(y*Variaveis+b);
}

160

ENopen("Sistema.inp","Report.rpt","Bin.rpt");
results ();
analisanivel();
desaloca();
end = clock();
}
//Hora 1:
{
start = clock();
individuo=0;
cont=0;
contador=contador+1;
aloca();
genome.initializer(::Initializer);
ga.evolve();
genome = ga.statistics().bestIndividual();
stats = ga.statistics();
//Ordenando o genoma (de acordo com a forma em que foi concebido)
for (y=0;y<Horas;y++)
for (b=0;b<Variaveis;b++)
{
Resultado[b][y]=genome.gene(y*Variaveis+b);
}
ENopen("Sistema.inp","Report1.rpt","Bin1.rpt");
results ();
analisanivel();
desaloca();
end = clock();
}
//Hora 2:
{
start = clock();
individuo=0;
cont=0;
contador=contador+1;
aloca();
genome.initializer(::Initializer);
ga.evolve();
genome = ga.statistics().bestIndividual();
stats = ga.statistics();
//Ordenando o genoma (de acordo com a forma em que foi concebido)
for (y=0;y<Horas;y++)
for (b=0;b<Variaveis;b++)
{
Resultado[b][y]=genome.gene(y*Variaveis+b);
}
ENopen("Sistema.inp","Report2.rpt","Bin2.rpt");
results ();
analisanivel();
desaloca();
end = clock();
}
//Hora 3:
{
start = clock();
individuo=0;
cont=0;
contador=contador+1;
aloca();
genome.initializer(::Initializer);
ga.evolve();
genome = ga.statistics().bestIndividual();
stats = ga.statistics();
//Ordenando o genoma (de acordo com a forma em que foi concebido)
for (y=0;y<Horas;y++)
for (b=0;b<Variaveis;b++)
{
Resultado[b][y]=genome.gene(y*Variaveis+b);
}

161

ENopen("Sistema.inp","Report3.rpt","Bin3.rpt");
results ();
analisanivel();
desaloca();
end = clock();
}
//Hora 4:
{
start = clock();
individuo=0;
cont=0;
contador=contador+1;
aloca();
genome.initializer(::Initializer);
ga.evolve();
genome = ga.statistics().bestIndividual();
stats = ga.statistics();
//Ordenando o genoma (de acordo com a forma em que foi concebido)
for (y=0;y<Horas;y++)
for (b=0;b<Variaveis;b++)
{
Resultado[b][y]=genome.gene(y*Variaveis+b);
}
ENopen("Sistema.inp","Report4.rpt","Bin4.rpt");
results ();
analisanivel();
desaloca();
end = clock();
}
//Hora 5:
{
start = clock();
individuo=0;
cont=0;
contador=contador+1;
aloca();
genome.initializer(::Initializer);
ga.evolve();
genome = ga.statistics().bestIndividual();
stats = ga.statistics();
//Ordenando o genoma (de acordo com a forma em que foi concebido)
for (y=0;y<Horas;y++)
for (b=0;b<Variaveis;b++)
{
Resultado[b][y]=genome.gene(y*Variaveis+b);
}
ENopen("Sistema.inp","Report5.rpt","Bin5.rpt");
results ();
analisanivel();
desaloca();
end = clock();
}
//Desaloca demais vetores
delete []Nivel;
delete []Previsao;
delete []DemandaReal[0];
delete []DemandaReal;
delete []NivelMeta[0];
delete []NivelMeta;
if(Variaveis !=0)
{
delete []VariavelID1;
delete []VariavelID2;
}
}

162

//--------------------------------------------------------------------------//Pega os dados necessrios no EPANET e armazena nas respectivas variveis

void operation :: demandTemp()
{
ENopen("Sistema.inp","Report.rpt","");
ENgetcount(EN_NODECOUNT, &NumNodes
ENgetcount(EN_TANKCOUNT, &NumTanks
ENgetcount(EN_LINKCOUNT, &NumLinks
NumJunctions = NumNodes - NumTanks;
ENclose();
}
//--------------------------------------------------------------------------//Alocao de espaa para os vetores
void operation :: aloca()
{
int i,j,k;
Genoma = new float[length];
Resultado = new float*[Horas];
Resultado[0] = new float[Horas * NumJunctions];
for(k = 1; k <= Horas; k++)
Resultado[k] = Resultado[0]+ k*NumJunctions;
Level = new float*[NumJunctions];
Level[0] = new float[NumJunctions*Horas];
for(k = 1; k <= NumJunctions; k++)
Level[k] = Level[0]+ k*Horas;
Estado = new float*[NumLinks];
Estado[0] = new float[NumLinks*Horas];
for(k = 1; k <= NumLinks; k++)
Estado[k] = Estado[0]+ k*Horas;
Energia = new float*[NumLinks];
Energia[0] = new float[NumLinks*Horas];
for(k = 1; k <= NumLinks; k++)
Energia[k] = Energia[0]+ k*Horas;
InitialLevel = new float[NumJunctions];
}
//--------------------------------------------------------------------------//Desalocao do espao dos vetores
void operation :: desaloca()
{
delete []Resultado[0];
delete []Resultado;
delete []Level[0];
delete []Level;
delete []InitialLevel;
delete []Genoma;
delete []Estado[0];
delete []Estado;
delete []Energia[0];
delete []Energia;

163
//--------------------------------------------------------------------------//Simulao Hidralica da soluo gerada pelo AG
float operation :: run_epanet()
{
int NumLinks,NumJunctions;
int h,i,j,k,n,m,x,z,y,NA,E,errcode,Df,Dp,D;
long t,tstep,tt,zz;
float pressure,Gv,Gb, RefDem, energy, status, initiallevel;
int f=0;
int a=0;
Df=0;
Dp=0;
D=0;
objF = 0;
Cc=0;
Cd=0;
Cb= 0;
P1= 0;
P2= 0;
P3= 0;
P4= 0;
P5= 0;
tt=0;
zz=0;

ENopen("Sistema.inp","LixoAG.rpt","");
ENopenH();
ENinitH(00);
ENgetcount(EN_NODECOUNT, &NumNodes);
ENgetcount(EN_LINKCOUNT, &NumLinks);
for (i=1;i<=NumNodes;i++)
{
ENgetnodetype(i,&z);
if (z==2)//Typecode 2 para Tank
{
ENsetnodevalue (i, EN_TANKLEVEL, Nivel[f]);
f=f+1;
}
}
//Roda o EPANET, setando o genoma e obtendo os dados necessrios
do
{
ENgetcount(EN_NODECOUNT, &NumNodes);
ENgetcount(EN_LINKCOUNT, &NumLinks);
ENrunH(&t); //Roda um nico perodo de anlise hidrulica
if (t == zz))
{
//Armazena os valores do cromossomo corrente nas respectivas bombas e vlvulas
for (n=(tt/3600);n<Horas;n++)
{
//fout<<"\n Hora "<<n;
for (i=1;i<=NumLinks;i++)
{
ENgetlinknodes(i, &x, &k);
ENgetlinktype(i,&z);
{
for (m=0;m<=Variaveis;m++)
if ( x == VariavelID1[m] && k == VariavelID2[m])
{
ENsetlinkvalue(i,EN_STATUS,Genoma[n*Variaveis+m]);
}
}
}
for (i=1;i<=NumNodes;i++)
{
ENgetnodetype(i,&z);
if(z==0) // Typecode 0 para node
{
if (i==IDnodemanda[0])
{
previsaodemanda= 75*Previsao[contador*Horas+n];

164
ENsetnodevalue(i, EN_BASEDEMAND, previsaodemanda);
}
if (i==IDnodemanda[1])
{
previsaodemanda= 237.4*Previsao[contador*Horas+n];
ENsetnodevalue(i, EN_BASEDEMAND, previsaodemanda);
}
}
}
break;
}
zz=zz+3600;
}
//Obtem os dados necessrios
ENrunH(&t);
if (t == tt)
{
for (i=1;i<=NumLinks;i++)
{
ENgetlinknodes(i, &x, &k);
for (m=0;m<=Variaveis;m++)
if ( x == VariavelID1[m] && k == VariavelID2[m])
{
ENgetlinkvalue(i,EN_STATUS,&status);
Estado[t/3600][i]=status;
}
ENgetlinktype(i,&z);
if(z==2) // Typecode 2 para link = bomba
{
ENgetlinkvalue(i,EN_STATUS,&status);
if(status==1)// status 1 = bomba ligada
{
ENgetlinkvalue(i,EN_ENERGY,&energy);
Energia[t/3600][i]=energy;
}
}
}
for (i=1;i<=NumNodes;i++)
{
ENgetnodetype(i,&z);
if(z==0) // Typecode 0 para node
{
ENgetnodevalue(i, EN_BASEDEMAND, &RefDem);
if (RefDem>0)
{
ENgetnodevalue(i, EN_PRESSURE, &pressure);
if (pressure<Pmin)
{
P1+=(Pmin-pressure)*p1;
}
}
}
if (z==2)//Typecode 2 para Tank
{
ENgetnodevalue(i, EN_PRESSURE, &pressure);
Level[t/3600][i]=pressure;
ENgetnodevalue(i, EN_TANKLEVEL, &initiallevel);
InitialLevel[i]=initiallevel;
}
}
tt=tt+3600;
}
errcode=ENrunH(&t);
if (errcode==3 || errcode==6)
{
P5+=errcode*p5;//Penalidade devido ocorrncia de WARNINGs
}
ENnextH(&tstep);
} while(tstep > 0);

//Clcula as Penalidades
for (i=1;i<NumNodes;i++)
{

165
ENgetnodetype(i,&z);
if (z==2)
for (t=3600;t<=Horas*3600;t=t+3600)
if (NivelMeta[a][t/3600]>Level[t/3600][i])
{
P4+=(NivelMeta[a][t/3600]-Level[t/3600][i])*p4;
a=a+1;
}
}
for (i=38;i<=49;i++)
{
NA = 0;
E=0;
ENgetlinktype(i,&z);
for (t=3600;t<=Horas*3600;t=t+3600)
{
//Cb - Custo de bombeamento
if (i==38 || i==39 || i==40)
{
if(Estado[t/3600][i]==1)
{
Cc+=(Energia[t/3600][i]*0.09586);
if (Energia[t/3600][i]>Df)
Df=Energia[t/3600][i];
}
}
if (i==41 || i==42)
{
if(Estado[t/3600][i]==1)
{
Cc+=(Energia[t/3600][i]*0.16176);
if (Energia[t/3600][i]>D)
D=Energia[t/3600][i];
}
}
if (i==45)
{
if(Estado[t/3600][i]==1)
Cc+=(Energia[t/3600][i]*0.29263);
}
//Penalidade 3 - Nmero de Acionamento
if (i>=38&&i<=49)
if(Estado[t/3600][i]!=E)
{
E=Estado[t/3600][i];
NA=NA+1;
}
}
if (NA>4)
P3+=(NA-4)*p3;
}
{
Cd=(Df*9.77)+(D*13.12);
Cb=Cc+Cd;
}

ENcloseH();
ENclose();
objF+=(Cb+P1+P2+P3+P4+P5);
return (objF);
}

166
//--------------------------------------------------------------------------void operation :: results()
{
//Setando o genoma no EPANET, para conferir os resultados obtidos
int NumLinks,NumJunctions;
int i,j,k,n,m,x,z, y,b, NA, E, errcode, Df,Dp,D;
long t,tstep,tt,zz;
float pressure, RefDem, energy, status, initiallevel;
int f=0;
int a=0;
Df=0;
Dp=0;
D=0;
tt=0;
zz=0;
Cb=0;
Cc=0;
Cd=0;
P1= 0;
P2= 0;
P3= 0;
P4= 0;
P5= 0;
objF=0;

ENopenH();
ENinitH(11);
ENgetcount(EN_NODECOUNT, &NumNodes);
ENgetcount(EN_LINKCOUNT, &NumLinks);
for (i=1;i<=NumNodes;i++)
{
ENgetnodetype(i,&z);
if (z==2)//Typecode 2 para Tank
{
ENsetnodevalue (i, EN_TANKLEVEL, Nivel[f]);
f=f+1;
}
}
do{
ENrunH(&t);
if(t==zz)
{
ENgetcount(EN_NODECOUNT, &NumNodes);
ENgetcount(EN_LINKCOUNT, &NumLinks);
for (y=(t/3600);y<Horas;y++)
{
b=0;
for (i=1;i<=NumLinks;i++)
{
ENgetlinknodes(i, &x, &k);
ENgetlinktype(i,&z);
{
for (m=0;m<=Variaveis;m++)
if ( x == VariavelID1[m] && k == VariavelID2[m])
{
ENsetlinkvalue(i,EN_STATUS,Resultado[b][y]);
b=b++;
}
}
}
for (i=1;i<=NumNodes;i++)
{
ENgetnodetype(i,&z);
if(z==0) // Typecode 0 para node
{
if (i==IDnodemanda[0])
{
previsaodemanda= 75*Previsao[contador*Horas+y];
ENsetnodevalue(i, EN_BASEDEMAND, previsaodemanda);
}
if (i==IDnodemanda[1])

167
{
previsaodemanda= 237.4*Previsao[contador*Horas+y];
ENsetnodevalue(i, EN_BASEDEMAND, previsaodemanda);
}
}
}
break;
}
zz=zz+3600;
}
ENrunH(&t);
if(t==tt)
{
for (i=1;i<=NumNodes;i++)
{
ENgetnodetype(i,&z);
if (z==0)
{
ENgetnodevalue(i, EN_BASEDEMAND, &RefDem);
if (RefDem>0)
{
ENgetnodevalue(i, EN_PRESSURE, &pressure);
if (pressure<Pmin)
P1+=(Pmin-pressure)*p1;
}
ENgetnodevalue(i,EN_PRESSURE,&pressure);
}
if (z==2)//Typecode para Tank
{
ENgetnodevalue(i,EN_PRESSURE,&pressure);
Level[t/3600][i]=pressure;
ENgetnodevalue(i, EN_TANKLEVEL, &initiallevel);
InitialLevel[i]=initiallevel;
}
}
for (i=1;i<=NumLinks;i++)
{
ENgetlinknodes(i, &x, &k);
ENgetlinktype(i,&z);
if(z==2)
{
ENgetlinkvalue(i,EN_STATUS,&status);
Estado[t/3600][i]=status;
if(status==1)// status 1 = bomba ligada
{
ENgetlinkvalue(i,EN_ENERGY,&energy);
Energia[t/3600][i]=energy;
}
}
for (m=0;m<=Variaveis;m++)
if ( x == VariavelID1[m] && k == VariavelID2[m])
{
ENgetlinkvalue(i,EN_STATUS,&status);
Estado[t/3600][i]=status;
if(status==1)
{
fout<<"\nLINK "<<i<< " open AT TIME "<<(t/3600);
}
if (status==0)
{
fout<<"\nLINK "<<i<< " closed AT TIME "<<(t/3600);
}
}
}
tt=tt+3600;
}
errcode=ENrunH(&t);
if (errcode==3 || errcode==6)
{
P5+=errcode*p5;//Penalidade devido ocorrncia de WARNINGs
}
ENnextH(&tstep);
}while (tstep > 0);

168
//Penalidade 4 - Nveis Meta
for (i=1;i<NumNodes;i++)
{
ENgetnodetype(i,&z);
if (z==2)
for (t=3600;t<=Horas*3600;t=t+3600)
if (NivelMeta[a][t/3600]>Level[t/3600][i])
{
P4+=(NivelMeta[a][t/3600]-Level[t/3600][i])*p4;
a=a+1;
}
}
for (i=38;i<=49;i++)
{
NA = 0;
E=0;
ENgetlinktype(i,&z);
for (t=3600;t<=Horas*3600;t=t+3600)
{
//Cb - Custo de bombeamento
if (i==38 || i==39 || i==40)
{
if(Estado[t/3600][i]==1)
{
Cc+=(Energia[t/3600][i]*0.09586);
if (Energia[t/3600][i]>Df)
Df=Energia[t/3600][i];
}
}
if (i==41 || i==42)
{
if(Estado[t/3600][i]==1)
{
Cc+=(Energia[t/3600][i]*0.16176);
if (Energia[t/3600][i]>D)
D=Energia[t/3600][i];
}
}
if (i==45)
{
if(Estado[t/3600][i]==1)
Cc+=(Energia[t/3600][i]*0.29263);
}
//Penalidade 3 - Nmero de Acionamento
if (i>=38&&i<=49)
if(Estado[t/3600][i]!=E)
{
E=Estado[t/3600][i];
NA=NA+1;
}
}
if (NA>4)
P3+=(NA-4)*p3;
}
{
Cd+=(Df*9.77)+(D*13.12);
Cb=Cc+Cd;
}
ENsaveH();
ENreport();
objF+=(Cb+P1+P2+P3+P4+P5);
ENclose();
}

169
//--------------------------------------------------------------------------void operation :: analisanivel()
{
//Roda o EPANET, obtendo os nveis para prxima hora
int NumLinks,NumJunctions;
int i,j,k,h,n,m,x,z;
long t,tstep,tt,zz;
float pressure,RefDem;
tt=0;
zz=0;
int e=0;
int g=0;
int b=0;
int y=0;
ENopen("Sistema.inp","LixoNivel.rpt","");
ENopenH();
ENinitH(0);
ENgetcount(EN_NODECOUNT, &NumNodes);
ENgetcount(EN_LINKCOUNT, &NumLinks);
for (i=1;i<=NumNodes;i++)
{
ENgetnodetype(i,&z);
if (z==2)//Typecode 2 para Tank
{
ENsetnodevalue (i, EN_TANKLEVEL, Nivel[e]);
e=e+1;
}
}
do{
ENrunH(&t);
if(t==zz)
{
ENgetcount(EN_NODECOUNT, &NumNodes);
ENgetcount(EN_LINKCOUNT, &NumLinks);
for (y=(t/3600);y<Horas;y++)
{
b=0;
for (i=1;i<=NumLinks;i++)
{
ENgetlinknodes(i, &x, &k);
ENgetlinktype(i,&z);
{
for (m=0;m<=Variaveis;m++)
if ( x == VariavelID1[m] && k == VariavelID2[m])
{
ENsetlinkvalue(i,EN_STATUS,Resultado[b][y]);
b=b++;
}
}
}
for (i=1;i<=NumNodes;i++)
{
ENgetnodetype(i,&z);
if(z==0) // Typecode 0 para node
{
if (i==IDnodemanda[0])
{
demanda= 75*DemandaReal[1][contador];
ENsetnodevalue(i, EN_BASEDEMAND, demanda);
}
if (i==IDnodemanda[1])
{
demanda= 237.4*DemandaReal[1][contador];
ENsetnodevalue(i, EN_BASEDEMAND, demanda);
}
}
}
break;
}
zz=zz+3600;
}

170
//Obtem os dados necessrios
ENrunH(&t);
if (t == tt)
{
for (i=1;i<=NumNodes;i++)
{
ENgetnodetype(i,&z);
if (z==2)//Typecode 2 para Tank
if (t/3600==1)
{
ENgetnodevalue(i, EN_PRESSURE, &pressure);
Nivel[g]=pressure;
g=g+1;
}
}
tt=tt+3600;
}
ENnextH(&tstep);
} while(t < 7200);
ENcloseH();
ENclose();
}
//--------------------------------------------------------------------------void Initializer(GAGenome& g)
{
GA1DBinaryStringGenome& genome = (GA1DBinaryStringGenome&)g;
int i;
individuo=individuo+1;
if (Variaveis != 0)
{
for (i=0;i<Variaveis*Horas;i++)
{
genome.gene(i, GARandomBit());
}
}
}
//--------------------------------------------------------------------------float Objetivo(GAGenome& g)
{
GA1DBinaryStringGenome& genome = (GA1DBinaryStringGenome&)g;
float fitness;
cont=cont+1;
for (int i=0;i<genome.length();i++)
{
Genoma[i]=genome.gene(i);
}
operation aux;
objF = aux.run_epanet();
fitness = objF;
return (fitness);
}
//---------------------------------------------------------------------------

171

Apndice B Padres de Demandas observadas e previstas utilizadas na

Otimizao em Tempo Real

172
PADRES DE DEMANDA FEVEREIRO.

domingo, 8 de fevereiro de 2004

sbado, 7 de fevereiro de 2004

Data

Hora
00:00
01:00
02:00
03:00
04:00
05:00
06:00
07:00
08:00
09:00
10:00
11:00
12:00
13:00
14:00
15:00
16:00
17:00
18:00
19:00
20:00
21:00
22:00
23:00
00:00
01:00
02:00
03:00
04:00
05:00
06:00
07:00
08:00
09:00
10:00
11:00
12:00
13:00
14:00
15:00
16:00
17:00
18:00
19:00
20:00
21:00
22:00
23:00

Demanda
Observada
0.586
0.912
0.724
0.535
0.507
0.532
0.597
0.833
1.082
1.397
1.498
1.538
1.577
1.408
1.227
1.107
1.096
1.121
1.162
1.056
1.086
0.963
0.833
0.622
0.589
0.791
0.780
0.792
0.821
0.873
0.925
1.054
1.208
1.362
1.118
1.046
1.360
1.356
1.350
1.233
1.171
1.116
1.127
1.034
0.908
0.771
0.656
0.560

1
0.49
0.44
0.39
0.39
0.40
0.51
0.58
0.70
0.94
1.15
1.35
1.39
1.39
1.35
1.22
1.16
1.16
1.21
1.27
1.32
1.17
0.99
0.78
0.63
0.51
0.48
0.53
0.53
0.52
0.55
0.62
0.75
0.97
1.23
1.45
1.51
1.43
1.39
1.32
1.30
1.27
1.25
1.22
1.12
0.98
1.05
0.85
0.67

2
0.39
0.38
0.42
0.39
0.46
0.60
0.78
1.16
1.36
1.44
1.43
1.38
1.30
1.28
1.27
1.33
1.10
1.40
1.32
1.17
1.20
0.69
0.57
0.50
0.44
0.43
0.44
0.44
0.52
0.66
0.84
1.09
1.33
1.50
1.56
1.47
1.36
1.31
1.30
1.29
1.26
1.18
1.30
1.22
1.05
0.85
0.67
0.55

3
0.40
0.46
0.39
0.45
0.61
0.77
1.01
1.40
1.43
1.36
1.34
1.30
1.31
1.13
1.12
1.09
1.36
1.15
1.32
1.23
0.80
0.69
0.62
0.44
0.43
0.45
0.52
0.54
0.68
0.82
0.98
1.39
1.47
1.46
1.37
1.32
1.31
1.31
1.27
1.20
1.05
1.30
1.22
1.05
0.85
0.67
0.55
0.37

4
0.40
0.39
0.45
0.60
0.78
1.01
1.43
1.29
1.27
1.31
1.36
1.39
1.12
1.14
1.29
1.12
1.32
1.32
1.20
0.82
0.68
0.61
0.43
0.49
0.47
0.45
0.54
0.68
0.82
0.98
1.39
1.35
1.33
1.28
1.27
1.29
1.30
1.21
1.08
1.25
1.30
1.22
1.05
0.85
0.67
0.55
0.36
0.39

5
0.40
0.46
0.60
0.77
1.02
1.35
1.28
1.21
1.36
1.43
1.18
1.36
1.27
1.15
1.19
1.31
1.34
1.20
0.79
0.69
0.60
0.47
0.50
0.49
0.45
0.54
0.68
0.82
0.98
1.30
1.22
1.20
1.25
1.32
1.32
1.25
1.09
0.92
1.25
1.30
1.22
1.05
0.85
0.67
0.55
0.40
0.48
0.48

6
0.46
0.61
0.77
1.01
1.33
1.26
1.33
1.42
1.48
1.41
1.31
1.05
1.10
1.22
1.31
1.33
1.21
0.80
0.67
0.62
0.48
0.50
0.49
0.46
0.54
0.68
0.82
0.98
1.16
1.44
1.50
1.26
1.34
1.29
1.16
0.95
1.12
1.25
1.30
1.22
1.05
0.85
0.67
0.55
0.51
0.47
0.48
0.47

7
0.61
0.78
1.01
1.30
1.36
1.39
1.50
1.41
1.28
1.06
1.16
1.12
1.20
1.34
1.33
1.21
0.80
0.67
0.58
0.49
0.49
0.48
0.46
0.57
0.68
0.83
1.14
1.08
1.44
1.50
1.54
1.30
1.18
0.99
1.14
1.12
1.25
1.30
1.22
1.05
0.85
0.67
0.51
0.45
0.47
0.48
0.47
0.53

8
0.79
1.01
1.35
1.41
1.47
1.43
1.31
1.05
1.17
1.15
1.13
1.22
1.32
1.36
1.21
0.80
0.61
0.60
0.47
0.50
0.47
0.46
0.56
0.71
0.83
1.11
1.03
1.44
1.50
1.54
1.46
1.01
1.13
1.14
1.12
1.25
1.30
1.22
1.05
0.85
0.67
0.65
0.45
0.47
0.48
0.47
0.52
0.69

9
1.03
1.40
1.45
1.40
1.31
1.11
1.22
1.16
1.17
1.13
1.24
1.34
1.34
1.23
0.80
0.68
0.61
0.47
0.48
0.48
0.45
0.56
0.70
0.86
1.06
1.06
1.44
1.50
1.54
1.46
1.22
1.13
1.14
1.12
1.25
1.30
1.22
1.05
0.85
0.64
0.55
0.44
0.47
0.48
0.47
0.52
0.69
0.87

10
1.22
1.41
1.26
1.37
1.35
1.21
1.19
1.16
1.15
1.23
1.36
1.35
1.21
0.87
0.68
0.60
0.48
0.49
0.47
0.46
0.55
0.70
0.86
1.09
1.07
1.44
1.50
1.54
1.46
1.22
1.13
1.14
1.12
1.25
1.30
1.22
1.05
0.69
0.67
0.54
0.44
0.47
0.48
0.47
0.52
0.69
0.84
0.90

Previso de Demandas
11
12
13
14
1.32 1.45 1.40 1.35
1.44 1.38 1.34 1.22
1.37 1.33 1.21 1.18
1.33 1.21 1.18 1.18
1.22 1.20 1.20 1.18
1.18 1.18 1.16 1.27
1.19 1.17 1.27 1.28
1.14 1.24 1.37 1.58
1.25 1.38 1.23 1.26
1.36 1.37 1.25 0.83
1.38 1.19 0.83 0.70
1.23 0.82 0.69 0.62
0.81 0.68 0.61 0.48
0.69 0.62 0.49 0.50
0.60 0.48 0.49 0.47
0.48 0.49 0.47 0.45
0.49 0.48 0.45 0.55
0.47 0.45 0.55 0.68
0.45 0.55 0.68 0.94
0.56 0.70 0.85 0.84
0.68 0.83 0.95 1.24
0.85 1.05 1.26 1.47
1.09 1.27 1.49 1.56
1.09 1.49 1.56 1.61
1.44 1.50 1.54 1.46
1.50 1.54 1.46 1.22
1.54 1.46 1.22 1.13
1.46 1.22 1.13 1.14
1.22 1.13 1.14 1.12
1.13 1.14 1.12 1.25
1.14 1.12 1.25 1.30
1.12 1.25 1.30 1.11
1.25 1.30 1.22 1.18
1.30 1.22 1.06 0.85
1.22 0.86 0.85 0.67
1.05 0.85 0.67 0.54
0.85 0.67 0.54 0.44
0.67 0.55 0.45 0.47
0.54 0.44 0.47 0.48
0.45 0.47 0.48 0.47
0.47 0.48 0.47 0.52
0.48 0.47 0.52 0.82
0.47 0.52 0.69 0.78
0.52 0.69 0.84 0.71
0.80 0.82 0.79 0.60
0.85 0.86 0.71 1.07
0.88 0.80 1.07 1.44
0.72 1.07 1.44 1.41

15
1.23
1.19
1.19
1.16
1.28
1.63
1.42
1.25
0.84
0.70
0.63
0.49
0.49
0.48
0.45
0.55
0.69
0.81
0.99
1.27
1.45
1.54
1.60
1.52
1.22
1.13
1.14
1.12
1.25
1.08
1.21
1.05
0.85
0.67
0.55
0.44
0.47
0.48
0.47
0.52
0.78
0.67
0.85
0.72
1.07
1.44
1.41
1.16

16
1.20
1.19
1.25
1.27
1.41
1.41
1.29
0.83
0.71
0.62
0.49
0.50
0.48
0.46
0.55
0.82
0.84
0.99
1.23
1.49
1.52
1.59
1.51
1.27
1.13
1.14
0.93
1.10
1.23
1.32
1.22
0.85
0.67
0.54
0.45
0.47
0.48
0.47
0.52
0.69
0.79
0.85
0.72
1.07
1.44
1.41
1.16
0.95

17
1.22
1.17
1.27
1.39
1.43
1.28
0.85
0.71
0.63
0.49
0.51
0.48
0.45
0.56
0.65
0.83
1.00
1.24
1.44
1.55
1.56
1.50
1.27
1.18
0.92
1.12
1.28
1.32
1.26
1.15
0.97
0.67
0.54
0.44
0.47
0.48
0.47
0.52
0.58
0.79
0.85
0.72
1.07
1.44
1.41
1.17
0.95
0.73

18
1.18
1.28
1.40
1.41
1.30
0.85
0.72
0.63
0.50
0.50
0.49
0.46
0.66
0.70
0.84
1.00
1.25
1.45
1.51
1.60
1.47
1.25
0.96
1.15
1.30
1.30
1.30
1.18
1.03
0.93
0.67
0.54
0.44
0.47
0.48
0.47
0.58
0.69
0.79
0.85
0.72
1.07
1.44
1.41
1.17
0.95
0.64
0.72

19
1.29
1.40
1.60
1.46
0.86
0.72
0.65
0.50
0.51
0.49
0.47
0.52
0.69
0.85
1.00
1.24
1.46
1.51
1.55
1.51
1.23
1.14
1.35
1.38
1.30
1.17
1.09
0.99
0.91
0.67
0.54
0.45
0.47
0.48
0.47
0.48
0.69
0.79
0.85
0.72
1.07
1.44
1.41
1.17
0.93
0.64
0.72
0.81

20
1.66
1.50
1.37
0.85
0.73
0.64
0.51
0.51
0.49
0.53
0.57
0.70
0.84
1.02
1.24
1.45
1.53
1.56
1.47
1.17
1.26
1.35
1.37
1.21
1.09
1.01
1.00
0.97
0.67
0.54
0.44
0.47
0.48
0.48
0.52
0.69
0.79
0.85
0.72
1.07
1.44
1.41
1.17
1.06
0.64
0.72
0.82
0.88

21
1.42
1.40
0.85
0.72
0.65
0.50
0.52
0.54
0.43
0.57
0.71
0.85
1.00
1.27
1.46
1.52
1.57
1.47
1.24
1.37
1.27
1.21
1.11
1.35
1.02
1.02
1.02
0.67
0.54
0.44
0.56
0.47
0.41
0.52
0.69
0.79
0.85
0.72
1.07
1.44
1.41
1.05
1.14
0.64
0.72
0.82
0.88
0.87

22
1.41
0.85
0.72
0.64
0.51
0.57
0.44
0.47
0.58
0.71
0.87
1.02
1.25
1.48
1.52
1.56
1.25
1.31
1.29
1.23
1.08
1.29
1.35
1.04
1.08
1.01
0.67
0.54
0.44
0.46
0.48
0.47
0.52
0.69
0.79
0.85
0.72
1.07
1.44
1.41
1.14
0.95
0.64
0.72
0.82
0.88
0.87
0.81

23
0.86
0.72
0.76
0.57
0.46
0.50
0.48
0.57
0.72
0.86
1.03
1.27
1.46
1.55
1.56
1.31
1.34
1.19
1.08
1.05
1.26
1.34
1.10
1.07
0.97
0.78
0.63
0.50
0.40
0.48
0.47
0.52
0.69
0.79
0.85
0.61
1.07
1.44
1.16
1.17
0.95
0.64
0.72
0.81
0.88
0.87
0.81
0.83

24
0.81
0.59
0.44
0.52
0.51
0.48
0.59
0.71
0.88
1.03
1.29
1.48
1.53
1.29
1.28
1.22
1.13
1.01
1.01
1.06
1.31
1.03
1.02
0.85
0.64
0.52
0.42
0.47
0.48
0.47
0.52
0.69
0.79
0.85
0.73
1.02
1.44
1.17
1.17
1.06
0.64
0.72
0.81
0.88
0.87
0.81
0.83
1.03

173

tera-feira, 10 de fevereiro de 2004

segunda-feira, 9 de fevereiro de 2004

Data

Hora
00:00
01:00
02:00
03:00
04:00
05:00
06:00
07:00
08:00
09:00
10:00
11:00
12:00
13:00
14:00
15:00
16:00
17:00
18:00
19:00
20:00
21:00
22:00
23:00
00:00
01:00
02:00
03:00
04:00
05:00
06:00
07:00
08:00
09:00
10:00
11:00
12:00
13:00
14:00
15:00
16:00
17:00
18:00
19:00
20:00
21:00
22:00
23:00

Demanda
Observada
0.541
0.479
0.433
0.459
0.447
0.528
0.577
0.789
1.127
1.489
1.818
1.769
1.629
1.476
1.278
1.258
1.244
1.163
1.173
1.124
1.010
0.750
0.772
0.668
0,580
0,470
0,470
0,470
0,446
0,553
0,677
0,822
1,174
1,582
1,740
1,592
1,496
1,375
1,184
1,184
1,086
1,207
1,294
1,150
1,063
0,928
0,818
0,641

1
0.55
0.52
0.50
0.59
0.58
0.65
0.87
0.98
0.97
0.89
1.35
1.88
1.86
1.75
1.30
0.88
0.99
1.11
1.19
1.20
1.10
1.12
1.03
1.05
0,65
0,57
0,54
0,52
0,52
0,57
0,69
0,86
1,07
0,84
0,93
0,92
0,86
0,96
0,98
0,97
0,76
0,84
0,92
0,93
0,96
1,00
0,80
0,88

2
0.49
0.47
0.59
0.51
0.61
0.78
0.99
1.21
0.89
1.48
1.58
1.56
1.43
1.36
0.87
1.00
1.12
1.19
1.19
1.11
1.13
1.19
1.06
0.65
0,58
0,54
0,53
0,57
0,66
0,86
1,06
1,28
0,86
0,94
0,94
0,90
0,97
1,02
0,96
0,77
0,86
0,93
0,93
1,02
0,82
0,94
0,88
0,76

3
0.60
0.50
0.61
0.65
1.00
1.17
1.08
0.89
1.46
1.78
1.78
1.27
1.27
0.86
0.99
1.12
1.21
1.31
1.14
0.97
1.21
1.06
0.78
0.57
0,56
0,56
0,68
0,69
0,83
0,99
1,08
0,86
0,96
0,95
0,92
1,01
1,03
1,00
0,76
0,87
0,95
1,07
0,85
1,02
0,94
0,88
0,76
0,64

4
0.61
0.59
0.65
0.85
0.98
1.06
0.91
1.32
1.79
1.75
1.31
1.40
0.83
0.98
1.11
1.36
1.17
0.97
1.14
1.22
1.07
0.78
0.55
0.59
0,68
0,64
0,70
0,85
0,97
1,09
0,86
0,96
0,97
0,93
1,03
1,07
1,01
0,80
0,86
0,96
0,94
1,01
1,03
0,97
0,87
0,76
0,64
0,61

5
0.59
0.66
0.85
0.98
1.05
0.89
1.28
1.80
1.76
1.25
1.43
0.82
0.94
1.27
1.12
1.20
1.11
1.13
1.21
1.09
0.79
0.57
0.68
0.65
0,65
0,69
0,86
1,00
1,07
0,87
0,96
0,98
0,95
1,04
1,10
1,05
0,80
0,90
0,98
0,98
1,03
1,04
0,97
0,90
0,75
0,64
0,62
0,60

6
0.66
0.86
0.98
1.26
0.89
1.18
1.82
1.76
1.28
1.31
0.80
0.93
1.03
1.18
1.19
1.11
1.15
1.21
1.07
0.80
0.69
0.63
0.65
0.65
0,71
0,85
1,01
1,21
0,86
0,97
0,98
0,95
1,07
1,11
1,08
0,84
1,01
0,81
0,97
1,05
1,06
0,98
0,91
0,78
0,64
0,50
0,63
0,73

7
0.87
0.98
1.14
1.04
1.18
1.79
1.79
1.26
1.23
0.79
0.94
1.05
1.14
1.18
1.11
1.15
1.23
1.07
0.74
0.67
0.64
0.65
0.66
0.71
0,88
1,20
1,11
0,87
0,95
0,98
0,95
1,07
1,14
1,09
0,86
0,85
1,00
1,01
1,04
1,08
1,00
0,92
0,78
0,58
0,67
0,61
0,65
0,80

8
1.11
1.14
1.04
1.16
1.78
1.75
1.23
1.07
0.91
0.75
1.03
1.13
1.14
1.09
1.14
1.23
1.09
0.95
0.67
0.65
0.66
0.66
0.72
0.87
1,12
1,03
0,89
0,98
0,97
0,96
1,07
1,14
1,20
0,93
0,78
1,05
1,02
1,08
1,07
1,02
0,94
0,65
0,66
0,63
0,60
0,65
0,81
0,71

9
1.06
0.89
1.17
1.78
1.75
1.44
1.20
0.79
0.90
1.01
1.10
1.12
1.06
1.13
1.22
0.99
0.80
0.66
0.64
0.67
0.67
0.72
0.88
1.08
1,08
0,88
0,99
0,99
0,95
1,08
1,19
1,01
0,82
0,98
1,08
1,06
1,09
1,12
1,01
0,95
0,88
0,67
0,64
0,62
0,65
0,78
0,66
0,86

10
0.91
1.20
1.78
1.75
1.44
1.18
0.69
0.90
1.01
1.08
1.10
1.04
0.92
1.05
1.25
0.80
0.67
0.64
0.66
0.68
0.73
0.89
1.11
1.16
0,91
0,98
1,01
0,97
1,15
1,02
1,12
0,76
1,01
1,08
1,09
1,14
1,13
0,86
0,94
0,82
0,68
0,64
0,63
0,67
0,66
0,65
0,87
1,03

Previso de Demandas
11
12
13
14
1.13 1.82 1.79 1.47
1.80 1.76 1.45 1.19
1.75 1.44 1.18 0.79
1.44 1.18 0.79 0.89
1.18 0.79 0.89 1.01
0.79 0.90 1.01 0.99
0.91 1.03 1.11 1.10
1.02 1.09 1.09 1.01
1.09 1.08 1.00 1.03
1.08 1.10 1.03 1.10
0.86 1.05 1.12 0.99
1.10 1.14 1.01 0.75
1.31 1.03 0.76 0.64
1.07 0.79 0.66 0.63
0.80 0.67 0.64 0.67
0.67 0.65 0.67 0.68
0.65 0.67 0.68 0.74
0.66 0.67 0.73 0.89
0.67 0.73 0.90 1.17
0.74 0.91 1.26 1.01
0.90 1.23 1.14 0.87
1.20 1.20 1.01 1.03
1.20 0.92 0.95 1.04
0.91 1.13 0.85 1.01
1,01 1,06 0,81 1,13
1,00 0,93 1,10 1,17
1,12 1,10 1,18 1,15
0,99 1,16 1,14 0,91
1,13 1,11 0,88 1,00
1,13 0,90 1,02 1,04
0,89 1,01 1,11 1,23
1,01 1,11 1,02 1,21
1,11 1,13 1,24 1,24
1,10 1,18 1,43 1,15
1,17 1,23 1,14 1,06
1,17 1,11 1,04 0,89
1,04 0,99 0,86 0,72
0,99 0,85 0,72 0,69
0,81 0,68 0,66 0,75
0,69 0,67 0,76 0,73
0,66 0,65 0,70 0,71
0,64 0,73 0,70 0,73
0,73 0,65 0,70 0,90
0,67 0,68 0,75 1,07
0,80 0,86 1,03 1,16
0,70 1,04 1,17 1,38
1,04 1,17 1,38 1,41
1,16 1,37 1,40 1,41

15
1.20
0.80
0.76
0.95
1.20
1.08
1.02
1.04
1.10
0.97
0.73
0.63
0.61
0.66
0.67
0.74
0.91
1.02
1.17
0.94
1.04
1.04
1.02
1.13
1,21
1,15
0,82
1,06
1,27
1,14
1,21
1,25
1,17
1,07
0,92
0,75
0,70
0,68
0,75
0,72
0,86
0,91
1,07
1,20
1,37
1,41
1,42
1,38

16
0.78
0.94
1.20
1.08
1.08
1.00
1.05
1.11
0.98
0.72
0.62
0.60
0.64
0.66
0.73
1.05
0.88
1.16
0.93
1.05
1.05
1.02
1.14
1.20
1,18
1,08
1,04
1,13
1,12
1,22
1,25
1,18
1,10
0,93
0,77
0,72
0,69
0,84
0,68
0,87
0,93
1,09
1,20
1,42
1,40
1,43
1,39
1,18

17
0.91
1.02
1.08
1.08
1.00
1.03
1.12
0.98
0.72
0.60
0.59
0.63
0.64
0.72
0.87
1.07
1.18
0.93
1.04
1.07
1.03
1.14
1.22
1.18
0,94
1,04
1,15
1,15
1,20
1,26
1,18
1,32
0,95
0,78
0,74
0,71
0,78
0,65
0,86
0,94
1,11
1,22
1,42
1,44
1,41
1,39
1,19
1,11

18
1.03
1.09
1.08
1.00
1.03
1.10
1.00
0.73
0.61
0.58
0.61
0.63
0.82
0.89
1.07
1.18
0.94
1.04
1.06
1.05
1.16
1.15
1.20
0.94
1,07
1,14
1,17
1,23
1,44
1,41
1,26
0,95
0,80
0,75
0,85
0,72
0,79
0,90
0,93
1,12
1,24
1,44
1,45
1,46
1,37
1,19
0,89
1,07

19
1.11
1.09
1.00
1.03
1.10
0.98
0.74
0.61
0.58
0.60
0.62
0.66
0.86
1.05
1.17
0.94
1.05
1.05
1.03
1.17
1.23
1.20
0.95
1.07
1,18
1,16
1,25
1,42
1,31
1,31
0,95
0,80
0,77
0,76
0,79
0,82
0,91
0,97
1,11
1,26
1,47
1,47
1,47
1,42
1,18
1,07
1,22
1,18

20
1.10
1.01
1.03
1.10
0.98
0.72
0.62
0.59
0.60
0.64
0.55
0.85
1.02
1.16
0.94
1.05
1.07
1.06
1.16
1.25
1.21
0.95
1.08
1.17
1,19
1,41
1,47
1,40
1,25
0,96
0,80
0,83
0,70
0,80
0,84
0,94
0,98
1,16
1,25
1,49
1,50
1,49
1,43
1,07
1,17
1,18
1,11
1,27

21
1.02
1.04
1.10
0.98
0.72
0.61
0.59
0.65
0.54
0.66
0.83
1.00
1.12
0.92
1.05
0.97
1.05
1.16
1.24
1.23
0.96
1.08
1.19
1.19
1,48
1,39
1,21
1,29
1,06
0,92
0,73
0,76
0,81
0,85
0,97
1,02
1,18
1,30
1,48
1,52
1,51
1,45
1,18
1,23
1,06
0,94
1,28
1,22

22
1.05
1.11
0.98
0.72
0.60
0.69
0.55
0.61
0.67
0.81
0.98
1.10
0.89
0.87
1.24
1.05
1.17
1.23
1.21
0.97
1.09
1.19
1.20
1.51
1,51
1,38
1,29
1,01
0,78
0,77
0,76
0,82
0,87
0,98
1,05
1,22
1,31
1,54
1,50
1,53
1,20
1,20
1,12
0,98
1,15
1,29
1,22
1,16

23
1.12
1.17
0.72
0.72
0.57
0.60
0.62
0.67
0.82
0.96
1.08
0.75
1.04
1.05
1.04
1.18
1.25
1.21
0.97
1.11
1.20
1.21
1.29
1.49
1,39
1,13
0,93
0,69
0,76
0,76
0,81
0,87
1,00
1,06
1,26
1,37
1,56
1,57
1,52
1,22
1,18
1,00
1,18
1,19
1,27
1,23
1,17
0,79

24
1.01
0.76
0.60
0.49
0.60
0.61
0.68
0.82
0.97
1.06
0.97
0.98
1.01
1.03
1.16
1.25
1.23
0.96
1.09
1.22
1.22
1.30
1.48
1.26
1,02
0,97
0,82
0,78
0,75
0,82
0,87
1,00
1,08
1,27
1,41
1,62
1,59
1,59
1,48
1,04
1,19
1,20
1,19
1,32
1,21
1,17
0,78
0,69

174

quinta-feira, 12 de fevereiro de 2004

quarta-feira, 11 de fevereiro de 2004

Data

Hora
00:00
01:00
02:00
03:00
04:00
05:00
06:00
07:00
08:00
09:00
10:00
11:00
12:00
13:00
14:00
15:00
16:00
17:00
18:00
19:00
20:00
21:00
22:00
23:00
00:00
01:00
02:00
03:00
04:00
05:00
06:00
07:00
08:00
09:00
10:00
11:00
12:00
13:00
14:00
15:00
16:00
17:00
18:00
19:00
20:00
21:00
22:00
23:00

Demanda
Observada
0,539
0,465
0,461
0,488
0,501
0,610
0,732
0,963
1,173
1,370
1,488
1,536
1,404
1,197
1,112
1,112
1,122
1,258
1,390
1,353
1,098
0,976
0,895
0,756
0,631
0,498
0,498
0,429
0,453
0,558
0,726
0,914
1,166
1,534
1,560
1,558
1,380
1,248
1,189
1,189
1,248
1,380
1,311
1,152
0,865
0,852
0,892
0,768

1
0,76
0,65
0,62
0,62
0,66
0,70
0,80
0,86
1,03
1,13
1,35
1,36
1,38
1,36
1,17
1,10
1,14
1,15
1,29
1,22
1,16
0,75
0,90
0,80
0,71
0,64
0,62
0,57
0,63
0,71
0,83
0,96
1,15
1,41
1,61
1,26
1,24
1,13
1,00
0,95
1,00
1,06
1,09
1,05
0,92
0,97
0,93
0,83

2
0,64
0,63
0,62
0,67
0,71
0,81
0,86
1,04
1,15
1,34
1,37
1,38
1,35
1,16
1,10
1,13
1,15
1,27
1,23
1,17
0,91
0,88
0,81
0,71
0,64
0,62
0,57
0,63
0,71
0,83
0,97
0,95
1,39
1,58
1,15
1,35
1,31
1,14
0,93
0,99
1,06
1,28
1,22
1,12
0,98
0,94
0,82
0,68

3
0,62
0,62
0,66
0,71
0,82
0,87
1,04
1,16
1,36
1,36
1,39
1,34
1,16
1,09
1,13
1,14
1,27
1,21
1,17
0,92
0,86
0,80
0,72
0,64
0,62
0,58
0,63
0,60
0,76
0,91
1,04
1,37
1,56
1,41
1,34
1,34
1,13
0,97
1,05
1,03
1,30
1,22
1,11
0,97
0,94
0,82
0,66
0,62

4
0,61
0,66
0,71
0,66
0,77
1,04
1,16
1,37
1,39
1,38
1,35
1,15
1,08
1,12
1,14
1,26
1,21
1,16
0,92
0,87
0,78
0,71
0,65
0,62
0,49
0,61
0,76
0,92
1,00
1,03
1,38
1,53
1,39
1,32
1,33
0,94
0,98
1,01
1,22
1,30
1,25
1,11
0,97
0,94
0,83
0,67
0,61
0,56

5
0,58
0,67
0,76
0,86
0,85
1,17
1,37
1,40
1,40
1,34
1,16
1,08
1,11
1,13
1,26
1,21
1,16
0,91
0,87
0,78
0,69
0,64
0,63
0,66
0,63
0,72
0,97
0,99
0,95
1,38
1,54
1,36
1,30
1,30
1,00
1,02
1,13
1,21
1,31
1,25
1,13
0,96
0,93
0,83
0,68
0,62
0,55
0,49

6
0,79
0,83
0,82
1,06
1,19
1,38
1,40
1,41
1,37
1,15
1,08
1,11
1,12
1,26
1,20
1,15
0,91
0,86
0,78
0,69
0,62
0,68
0,58
0,63
0,72
1,01
0,88
1,14
1,39
1,54
1,37
1,27
1,28
0,94
0,95
1,15
1,20
1,30
1,26
1,13
0,98
0,93
0,82
0,67
0,62
0,52
0,65
0,60

7
0,80
0,77
1,05
1,19
1,41
1,41
1,41
1,38
1,17
1,08
1,12
1,12
1,25
1,20
1,15
0,91
0,86
0,77
0,70
0,68
0,60
0,57
0,64
0,72
0,95
0,98
1,15
1,39
1,56
1,37
1,28
1,26
1,11
1,10
1,14
1,22
1,29
1,25
1,14
0,98
0,95
0,82
0,67
0,54
0,56
0,56
0,59
0,67

8
0,87
1,06
1,18
1,41
1,43
1,43
1,38
1,18
1,10
1,11
1,13
1,24
1,19
1,15
0,91
0,85
0,78
0,68
0,62
0,61
0,55
0,63
0,73
0,78
0,98
1,15
1,39
1,55
1,38
1,28
1,27
1,09
1,09
1,12
1,21
1,31
1,23
1,13
0,99
0,95
0,83
0,67
0,68
0,55
0,56
0,60
0,66
0,83

9
1,05
1,18
1,40
1,44
1,45
1,39
1,18
1,11
1,13
1,12
1,25
1,19
1,14
0,90
0,85
0,68
0,69
0,62
0,61
0,56
0,61
0,81
0,69
0,97
1,15
1,40
1,56
1,38
1,29
1,27
1,10
1,07
1,10
1,19
1,30
1,26
1,12
0,98
0,96
0,84
0,70
0,61
0,55
0,56
0,60
0,66
0,97
0,96

10
1,17
1,40
1,42
1,45
1,41
1,19
1,11
1,14
1,14
1,24
1,19
1,13
0,89
0,85
0,89
0,68
0,62
0,60
0,56
0,62
0,68
0,83
0,99
1,15
1,39
1,56
1,38
1,29
1,28
1,09
1,08
1,08
1,17
1,28
1,24
1,14
0,98
0,95
0,70
0,68
0,63
0,55
0,56
0,60
0,67
0,97
0,84
0,89

Previso de
11
12
1,39 1,41
1,43 1,44
1,44 1,40
1,41 1,21
1,21 1,13
1,12 1,15
1,14 1,15
1,15 1,27
1,27 1,21
1,18 1,13
1,14 0,85
0,89 0,84
0,86 0,76
0,76 0,68
0,68 0,61
0,61 0,60
0,60 0,55
0,55 0,63
0,72 0,59
0,60 0,82
0,81 0,95
0,97 1,14
1,16 1,41
1,39 1,56
1,56 1,39
1,39 1,30
1,29 1,28
1,28 1,10
1,10 1,08
1,07 1,09
1,09 1,16
1,15 1,24
1,26 1,20
1,22 1,11
1,13 0,98
0,99 0,89
0,94 0,83
0,87 0,68
0,69 0,63
0,63 0,56
0,56 0,57
0,56 0,59
0,59 0,66
0,67 0,91
0,93 0,79
0,84 1,05
1,04 1,22
1,24 1,35

Demandas
13
14
1,43 1,39
1,41 1,21
1,20 1,13
1,13 1,17
1,16 1,18
1,16 1,29
1,27 1,22
1,22 1,04
1,15 0,91
1,01 0,84
0,84 0,76
0,76 0,67
0,67 0,61
0,61 0,68
0,60 0,64
0,55 0,68
0,63 0,68
0,63 0,67
0,66 0,95
0,95 1,12
1,11 1,35
1,38 1,55
1,58 1,40
1,38 1,29
1,30 1,28
1,29 1,11
1,10 1,08
1,08 1,10
1,10 1,17
1,16 1,25
1,25 1,19
1,18 1,08
1,10 1,01
0,87 0,93
1,04 0,84
0,84 0,69
0,67 0,62
0,63 0,56
0,56 0,57
0,57 0,61
0,61 0,67
0,66 0,75
0,81 0,94
0,95 1,06
1,06 1,24
1,23 1,34
1,33 1,40
1,43 1,50

15
1,19
1,13
1,16
1,18
1,30
1,05
1,15
0,91
0,85
0,91
0,81
0,70
0,66
0,55
0,68
0,69
0,81
0,94
1,12
1,36
1,51
1,38
1,31
1,28
1,11
1,09
1,10
1,16
1,26
1,19
1,00
1,09
0,92
0,82
0,68
0,63
0,55
0,57
0,61
0,77
0,68
0,94
1,05
1,24
1,35
1,41
1,47
1,42

16
1,12
1,16
1,17
1,07
1,16
1,19
1,06
0,95
0,81
0,68
0,69
0,69
0,54
0,70
0,60
0,81
0,94
1,11
1,36
1,52
1,34
1,29
1,30
1,10
1,09
1,11
1,17
1,25
1,03
1,10
0,94
1,07
0,81
0,67
0,63
0,56
0,56
0,61
0,72
0,83
0,96
1,05
1,23
1,35
1,43
1,48
1,39
1,34

17
1,15
1,08
1,17
1,21
1,10
0,95
0,79
0,73
0,71
0,69
0,59
0,54
0,65
0,68
0,80
0,94
1,11
1,34
1,53
1,35
1,26
1,28
1,12
1,08
1,10
0,97
1,07
1,12
1,17
1,10
1,07
0,94
0,66
0,62
0,56
0,57
0,69
0,60
0,84
0,95
1,07
1,23
1,34
1,42
1,50
1,40
1,31
1,24

18
1,18
1,19
1,09
0,98
0,83
0,74
0,71
0,77
0,61
0,70
0,54
0,56
0,68
0,80
0,94
1,10
1,35
1,51
1,36
1,27
1,24
1,10
1,10
0,99
1,13
1,21
1,19
1,12
1,08
0,98
0,95
0,65
0,61
0,55
0,57
0,63
0,67
0,83
0,96
1,07
1,25
1,34
1,41
1,49
1,42
1,32
1,22
1,16

19
1,07
1,24
1,18
0,78
0,75
0,80
0,81
0,62
0,71
0,55
0,60
0,68
0,79
0,93
1,10
1,34
1,51
1,34
1,27
1,25
1,07
1,01
1,17
1,25
1,21
1,18
1,10
1,02
0,97
0,87
0,65
0,71
0,54
0,61
0,54
0,68
0,83
0,96
1,08
1,25
1,36
1,41
1,48
1,41
1,33
1,12
1,30
1,40

20
1,23
1,19
0,93
0,85
0,88
0,70
0,62
0,63
0,49
0,60
0,68
0,79
0,92
1,09
1,33
1,50
1,34
1,25
1,25
0,99
1,15
1,27
1,27
1,19
1,10
1,07
1,00
0,92
0,85
0,73
0,66
0,53
0,52
0,49
0,67
0,84
0,95
1,07
1,26
1,36
1,44
1,48
1,40
1,08
1,28
1,37
1,28
1,18

21
1,17
0,76
0,83
0,93
0,84
0,70
0,52
0,55
0,61
0,68
0,80
0,92
1,09
1,33
1,50
1,33
1,25
1,24
1,17
1,06
1,24
1,22
1,12
1,05
1,01
0,98
0,89
0,78
0,68
0,56
0,51
0,44
0,48
0,66
0,83
0,96
1,06
1,25
1,37
1,44
1,51
1,40
1,22
1,38
1,29
1,18
1,02
0,95

22
0,80
0,87
0,82
0,76
0,59
0,61
0,56
0,61
0,69
0,79
0,93
1,08
1,32
1,49
1,33
1,25
1,15
1,27
1,06
1,26
1,12
1,05
1,02
0,98
0,92
0,84
0,72
0,61
0,54
0,47
0,45
0,58
0,65
0,82
0,96
1,08
1,24
1,36
1,45
1,51
1,18
1,27
1,27
1,20
1,05
0,97
0,93
0,96

23
0,81
0,74
0,60
0,64
0,62
0,56
0,61
0,69
0,81
0,92
1,09
1,31
1,48
1,32
1,09
1,25
1,07
1,24
1,18
1,10
1,22
0,97
0,93
0,86
0,75
0,66
0,58
0,52
0,47
0,44
0,58
0,64
0,81
0,94
1,07
1,26
1,35
1,44
1,52
1,22
1,28
1,14
1,04
1,00
0,97
0,99
0,97
0,96

24
0,78
0,70
0,63
0,62
0,57
0,62
0,69
0,81
0,94
1,08
1,32
1,47
1,31
1,19
1,31
1,27
1,24
1,08
1,04
1,23
1,17
1,09
0,77
0,92
0,81
0,55
0,51
0,48
0,55
0,58
0,65
0,79
0,93
1,05
1,25
1,38
1,43
1,51
1,18
1,15
1,07
0,97
0,98
1,03
1,02
0,98
0,87
0,75

Data

Hora

sexta-feira, 13 de fevereiro de 2004

175
00:00
01:00
02:00
03:00
04:00
05:00
06:00
07:00
08:00
09:00
10:00
11:00
12:00
13:00
14:00
15:00
16:00
17:00
18:00
19:00
20:00
21:00
22:00
23:00

Demanda
Observada
0,592
0,494
0,437
0,467
0,437
0,471
0,537
0,789
1,083
1,432
1,702
1,643
1,584
1,486
1,377
1,238
1,235
1,202
1,159
1,181
1,117
0,886
0,731
0,722

1
0,67
0,63
0,56
0,57
0,63
0,70
0,88
1,01
1,14
1,38
1,48
1,44
1,55
1,54
1,49
1,39
1,36
1,34
1,29
1,21
1,09
0,93
0,79
0,70

2
0,62
0,56
0,56
0,60
0,70
0,87
1,01
1,13
1,34
1,21
1,29
1,36
1,37
1,34
1,34
1,32
1,31
1,18
1,05
1,13
0,77
0,69
0,65
0,64

3
0,55
0,57
0,60
0,67
0,87
0,85
1,01
1,12
1,18
1,27
1,64
1,32
1,33
1,33
1,31
1,21
1,07
1,20
1,11
0,91
0,67
0,64
0,61
0,56

4
0,56
0,49
0,64
0,82
0,97
1,08
1,13
1,16
1,54
1,66
1,27
1,43
1,38
1,26
1,12
1,22
1,22
1,10
0,90
0,82
0,69
0,59
0,50
0,52

5
0,65
0,67
0,96
1,01
1,07
1,10
1,44
1,53
1,62
1,32
1,30
1,33
1,17
1,32
1,24
1,21
1,12
0,88
0,81
0,57
0,56
0,51
0,53
0,46

6
0,66
0,83
1,01
1,00
1,05
1,42
1,52
1,60
1,53
1,22
1,37
1,36
1,34
1,24
1,23
1,11
0,90
0,80
0,67
0,50
0,60
0,53
0,46
0,46

7
0,82
1,06
0,95
1,25
1,42
1,50
1,60
1,52
1,44
1,38
1,32
1,34
1,25
1,23
1,13
0,89
0,82
0,66
0,56
0,61
0,54
0,46
0,46
0,50

8
0,96
0,96
1,24
1,36
1,50
1,57
1,51
1,43
1,35
1,33
1,30
1,26
1,25
1,12
0,91
0,81
0,57
0,56
0,60
0,54
0,47
0,46
0,50
0,63

9
0,89
1,25
1,35
1,43
1,57
1,49
1,42
1,33
1,30
1,32
1,22
1,25
1,14
0,91
0,82
0,74
0,57
0,59
0,53
0,47
0,47
0,51
0,62
0,84

10
1,23
1,36
1,42
1,50
1,48
1,40
1,33
1,28
1,28
1,24
1,22
1,15
0,92
0,74
0,68
0,56
0,60
0,52
0,46
0,47
0,51
0,63
0,83
1,09

Previso de Demandas
11
12
13
14
1,34 1,42 1,49 1,41
1,44 1,51 1,43 1,35
1,50 1,42 1,33 1,24
1,42 1,34 1,25 1,20
1,40 1,30 1,26 1,24
1,30 1,26 1,24 1,17
1,28 1,27 1,19 1,01
1,27 1,19 1,19 1,25
1,21 1,20 1,00 0,88
1,23 1,13 0,91 0,82
1,11 1,00 0,81 0,67
0,76 0,84 0,69 0,58
0,83 0,69 0,58 0,61
0,68 0,57 0,61 0,54
0,57 0,61 0,54 0,47
0,60 0,53 0,46 0,46
0,53 0,47 0,46 0,51
0,46 0,45 0,50 0,62
0,46 0,51 0,63 0,84
0,51 0,64 0,85 0,90
0,64 0,86 1,02 1,35
0,84 1,08 1,32 1,48
1,10 1,32 1,47 1,50
1,32 1,47 1,51 1,49

15
1,33
1,25
1,20
1,19
1,00
1,23
1,08
0,87
0,80
0,68
0,57
0,62
0,54
0,47
0,47
0,50
0,63
0,95
1,09
1,35
1,51
1,51
1,48
1,43

16
1,24
1,21
1,19
1,19
1,16
1,06
0,87
0,79
0,66
0,57
0,60
0,55
0,48
0,46
0,51
0,63
0,85
1,08
1,33
1,50
1,54
1,49
1,42
1,28

17
1,19
1,19
1,11
1,11
1,06
0,86
0,79
0,66
0,56
0,61
0,53
0,48
0,47
0,51
0,64
0,79
1,10
1,31
1,48
1,54
1,52
1,43
1,05
1,13

18
1,33
1,12
1,32
1,18
0,86
0,78
0,65
0,55
0,59
0,54
0,46
0,47
0,52
0,64
0,82
1,09
1,34
1,46
1,52
1,51
1,46
1,14
1,26
1,30

19
1,30
1,20
1,02
0,93
0,78
0,64
0,55
0,59
0,52
0,47
0,46
0,52
0,65
0,88
0,91
1,32
1,49
1,50
1,50
1,20
1,27
1,34
1,38
1,35

Observao: Para se obter as demandas dos ns, multiplicou-se tais valores pela demandas base do n correspondente.

20
1,01
0,96
0,91
0,74
0,64
0,54
0,58
0,52
0,46
0,46
0,51
0,65
1,00
0,98
1,35
1,48
1,53
1,47
1,24
1,44
1,42
1,38
1,34
1,27

21
0,91
0,97
0,74
0,61
0,54
0,57
0,52
0,45
0,45
0,51
0,63
0,87
1,04
1,34
1,50
1,51
1,22
1,29
1,43
1,46
1,37
1,30
1,26
1,22

22
0,96
0,75
0,61
0,52
0,57
0,51
0,45
0,45
0,50
0,64
0,84
1,11
1,10
1,50
1,29
1,32
1,46
1,43
1,41
1,36
1,28
1,24
1,22
1,17

23
0,83
0,62
0,51
0,61
0,51
0,44
0,45
0,49
0,62
0,85
1,15
1,20
1,32
1,35
1,50
1,47
1,47
1,36
1,31
1,30
1,26
1,19
1,11
0,98

24
0,63
0,62
0,61
0,48
0,44
0,44
0,49
0,62
0,83
1,26
1,26
1,43
1,50
1,47
1,55
1,41
1,40
1,29
1,28
1,24
1,13
1,34
1,15
0,71

176
PADRES DE DEMANDA JUNHO.

domingo, 6 de junho de 2004

sbado, 5 de junho de 2004

Data Hora
00:00
01:00
02:00
03:00
04:00
05:00
06:00
07:00
08:00
09:00
10:00
11:00
12:00
13:00
14:00
15:00
16:00
17:00
18:00
19:00
20:00
21:00
22:00
23:00
00:00
01:00
02:00
03:00
04:00
05:00
06:00
07:00
08:00
09:00
10:00
11:00
12:00
13:00
14:00
15:00
16:00
17:00
18:00
19:00
20:00
21:00
22:00
23:00

Dem anda
O bservada
0.59
0.53
0.48
0.50
0.51
0.52
0.62
0.86
1.17
1.50
1.59
1.54
1.52
1.47
1.39
1.32
1.31
1.28
1.25
1.02
0.86
0.80
0.72
0.70
0.70
0.63
0.58
0.53
0.58
0.59
0.74
0.97
1.30
1.50
1.56
1.49
1.49
1.39
1.27
1.08
1.15
1.22
1.13
0.94
0.88
0.84
0.79
0.65

1
0.62
0.55
0.52
0.48
0.50
0.58
0.74
0.95
1.25
1.49
1.65
1.65
1.61
1.52
1.43
1.37
1.32
1.29
1.21
1.14
1.00
0.86
0.75
0.68
0.65
0.62
0.59
0.56
0.56
0.61
0.76
0.96
1.24
1.53
1.68
1.67
1.50
1.36
1.23
1.16
1.13
1.15
1.18
1.10
0.97
0.85
0.75
0.68

2
0.53
0.48
0.50
0.57
0.57
0.69
0.92
1.44
1.62
1.66
1.60
1.48
1.41
1.33
1.29
1.24
1.18
1.08
0.96
0.84
0.75
0.67
0.63
0.61
0.59
0.56
0.56
0.61
0.60
0.68
0.90
1.20
1.64
1.69
1.56
1.41
1.22
1.15
1.13
1.14
1.15
1.11
1.04
0.89
0.77
0.69
0.63
0.62

3
0.50
0.57
0.54
0.56
0.69
0.93
1.22
1.56
1.57
1.49
1.40
1.31
1.29
1.24
1.17
1.07
1.23
1.12
0.97
0.87
0.82
0.62
0.59
0.56
0.56
0.61
0.58
0.58
0.69
0.89
1.23
1.65
1.56
1.40
1.24
1.17
1.14
1.15
1.15
1.10
1.03
0.91
0.80
0.86
0.83
0.64
0.63
0.65

4
0.53
0.52
0.57
0.68
0.93
1.23
1.54
1.35
1.33
1.33
1.32
1.28
1.22
1.10
1.31
1.23
1.12
0.98
0.86
0.80
0.60
0.59
0.59
0.65
0.57
0.58
0.58
0.66
0.90
1.21
1.61
1.39
1.56
1.54
1.17
1.22
1.18
1.13
1.03
1.14
1.06
0.97
0.88
0.83
0.64
0.68
0.71
0.58

5
0.54
0.55
0.69
0.92
1.23
1.47
1.31
1.56
1.27
1.31
1.28
1.14
1.30
1.30
1.22
1.11
0.97
0.87
0.79
0.73
0.59
0.68
0.58
0.57
0.59
0.58
0.67
0.87
1.23
1.47
1.29
1.54
1.53
1.17
1.27
1.20
1.04
0.93
1.15
1.06
0.98
0.87
0.85
0.65
0.72
0.61
0.58
0.57

6
0.56
0.67
0.93
1.45
1.37
1.28
1.56
1.46
1.24
1.18
1.32
1.28
1.31
1.22
1.11
0.97
0.86
0.80
0.73
0.60
0.63
0.59
0.57
0.59
0.59
0.66
0.88
1.38
1.33
1.57
1.57
1.51
1.14
1.20
1.10
0.95
1.15
1.16
1.07
0.97
0.87
0.83
0.75
0.65
0.61
0.58
0.57
0.59

7
0.69
0.90
1.38
1.21
1.59
1.58
1.46
1.45
1.40
1.31
1.30
1.29
1.22
1.10
0.96
0.86
0.79
0.62
0.74
0.62
0.59
0.58
0.59
0.59
0.67
0.87
1.25
1.44
1.59
1.55
1.54
1.11
1.07
0.96
1.08
1.17
1.15
1.07
0.98
0.86
0.71
0.82
0.66
0.61
0.58
0.58
0.59
0.72

8
0.92
1.24
1.21
1.56
1.57
1.48
1.45
1.34
1.29
1.29
1.31
1.21
1.11
0.96
0.85
0.79
0.76
0.68
0.61
0.58
0.58
0.59
0.59
0.68
0.88
1.14
1.45
1.54
1.57
1.52
1.41
1.20
1.08
1.09
1.15
1.17
1.06
0.98
0.71
0.80
0.70
0.65
0.63
0.58
0.58
0.60
0.72
0.91

9
1.23
1.42
1.59
1.55
1.47
1.46
1.34
1.24
1.27
1.30
1.22
1.09
0.96
0.85
0.75
0.72
0.68
0.62
0.57
0.57
0.59
0.59
0.68
0.89
1.14
1.44
1.55
1.52
1.54
1.39
1.22
1.07
1.08
1.16
1.15
1.08
0.97
0.84
0.99
0.70
0.65
0.61
0.60
0.58
0.59
0.73
0.91
1.14

10
1.45
1.54
1.58
1.45
1.46
1.35
1.24
1.21
1.28
1.22
1.11
0.95
0.75
0.78
0.72
0.68
0.61
0.57
0.56
0.58
0.60
0.68
0.89
1.12
1.18
1.54
1.53
1.49
1.41
1.21
1.09
1.06
1.14
1.16
1.06
0.83
0.93
0.84
0.71
0.65
0.62
0.58
0.59
0.59
0.73
0.93
1.18
1.25

Previso de
11
12
1.58 1.56
1.53 1.43
1.48 1.46
1.44 1.33
1.35 1.24
1.25 1.23
1.21 1.22
1.22 1.14
1.19 1.08
1.10 0.96
0.96 0.85
0.95 0.77
0.79 0.72
0.72 0.67
0.67 0.61
0.61 0.57
0.57 0.56
0.57 0.58
0.58 0.58
0.58 0.67
0.69 0.90
0.90 1.14
1.15 1.47
1.47 1.57
1.56 1.54
1.52 1.49
1.50 1.37
1.36 1.18
1.22 1.09
1.08 1.07
1.09 1.15
1.13 1.13
1.14 0.99
0.86 0.98
0.93 0.87
0.88 0.85
0.83 0.70
0.71 0.65
0.65 0.62
0.61 0.58
0.59 0.58
0.58 0.59
0.61 0.74
0.72 0.92
0.93 1.27
1.27 1.18
1.24 1.30
1.15 1.42

Dem andas
13
14
1.46 1.45
1.42 1.31
1.35 1.25
1.23 1.20
1.22 1.23
1.24 1.16
1.15 1.13
0.90 0.90
0.94 0.83
0.85 0.78
0.79 0.72
0.71 0.66
0.67 0.61
0.61 0.56
0.56 0.56
0.56 0.58
0.58 0.58
0.58 0.67
0.67 1.01
0.88 1.20
1.07 1.48
1.48 1.58
1.57 1.55
1.55 1.52
1.51 1.38
1.36 1.18
1.19 1.06
1.06 1.05
1.08 0.95
1.14 1.10
0.95 1.07
1.12 0.96
0.97 0.86
0.87 0.84
0.83 0.70
0.72 0.66
0.65 0.61
0.62 0.59
0.59 0.58
0.58 0.59
0.60 0.73
0.73 0.93
0.94 1.09
1.20 1.18
1.05 1.32
1.32 1.44
1.41 1.37
1.37 1.35

15
1.34
1.21
1.23
1.21
1.15
1.05
0.90
0.80
0.77
0.71
0.67
0.60
0.56
0.56
0.57
0.58
0.67
0.91
1.19
1.46
1.59
1.57
1.52
1.39
1.20
1.06
0.92
1.07
1.30
1.05
0.98
0.85
0.83
0.71
0.65
0.63
0.58
0.58
0.60
0.72
1.07
0.93
1.21
1.31
1.44
1.39
1.35
1.28

16
1.23
1.19
1.15
1.33
1.04
0.91
0.80
0.74
0.70
0.67
0.61
0.56
0.56
0.57
0.57
0.67
0.79
1.20
1.44
1.56
1.57
1.54
1.39
1.20
0.97
1.06
1.25
1.32
1.06
0.97
0.87
0.82
0.70
0.65
0.62
0.60
0.58
0.60
0.73
0.92
1.06
1.19
1.34
1.43
1.39
1.37
1.28
1.15

17
1.13
1.31
1.16
1.03
0.91
0.81
0.74
0.67
0.65
0.60
0.57
0.55
0.57
0.57
0.76
0.87
1.19
1.45
1.54
1.54
1.54
1.40
1.21
1.08
1.24
1.30
1.12
1.03
0.98
0.86
0.84
0.69
0.65
0.62
0.59
0.59
0.59
0.73
0.80
1.06
1.19
1.32
1.46
1.39
1.37
1.30
1.15
0.97

18
1.22
1.12
1.05
0.89
0.80
0.74
0.67
0.63
0.59
0.56
0.56
0.56
0.57
0.66
0.87
1.19
1.44
1.55
1.53
1.51
1.40
1.12
1.23
1.07
1.34
1.26
1.22
1.10
0.87
0.83
0.71
0.64
0.61
0.59
0.58
0.61
0.78
0.93
1.07
1.18
1.32
1.44
1.42
1.36
1.30
0.97
1.14
1.08

19
1.14
1.20
0.91
0.79
0.74
0.68
0.63
0.57
0.55
0.55
0.57
0.64
0.60
0.86
1.18
1.44
1.54
1.53
1.50
1.38
1.28
1.09
1.07
1.32
1.19
1.07
1.07
0.84
0.83
0.70
0.65
0.60
0.58
0.58
0.60
0.71
0.93
1.07
1.19
1.31
1.44
1.39
1.40
1.29
1.19
1.06
1.08
1.41

20
1.13
0.96
0.81
0.73
0.68
0.63
0.57
0.53
0.54
0.64
0.59
0.56
0.87
1.18
1.43
1.54
1.53
1.50
1.21
1.33
1.09
1.08
1.21
1.13
1.05
1.03
0.85
0.81
0.70
0.64
0.62
0.58
0.58
0.69
0.66
0.94
1.06
1.19
1.33
1.43
1.39
1.37
1.21
1.32
1.06
1.09
1.29
1.23

21
0.99
0.92
0.74
0.67
0.63
0.57
0.53
0.61
0.58
0.55
0.58
0.85
1.18
1.43
1.53
1.52
1.28
1.33
1.38
1.27
1.23
1.18
1.08
1.09
1.10
0.84
0.81
0.68
0.65
0.61
0.59
0.67
0.64
0.62
0.93
1.08
1.18
1.33
1.45
1.39
1.20
1.40
1.19
1.06
1.09
1.27
1.13
1.14

22
0.80
0.72
0.68
0.62
0.57
0.62
0.55
0.51
0.55
0.60
0.70
1.16
1.43
1.53
1.22
1.35
1.42
1.31
1.19
1.08
1.09
1.14
1.14
0.96
0.85
0.81
0.69
0.63
0.62
0.67
0.65
0.60
0.61
0.93
1.07
1.21
1.32
1.45
1.32
1.40
1.49
1.39
1.08
1.19
1.15
1.18
1.17
1.00

23
0.74
0.73
0.70
0.60
0.56
0.52
0.52
0.54
0.65
0.78
0.98
1.41
1.27
1.34
1.39
1.34
1.24
1.12
1.06
1.06
1.15
1.22
0.97
0.86
0.94
0.82
0.72
0.65
0.64
0.60
0.60
0.59
0.92
1.07
1.19
1.11
1.27
1.47
1.56
1.44
1.34
1.17
1.18
1.08
1.18
1.28
1.00
0.86

24
0.68
0.54
0.55
0.52
0.52
0.54
0.61
0.70
0.88
1.10
1.36
1.34
1.44
1.35
1.28
1.16
1.10
1.08
1.13
1.16
1.19
1.14
1.00
0.87
0.70
0.61
0.58
0.57
0.60
0.59
0.62
0.91
0.89
1.11
1.34
1.57
1.56
1.49
1.37
1.21
1.12
1.06
1.17
1.19
1.27
1.01
0.85
0.91

177

tera-feira, 8 de junho de 2004

segunda-feira, 7 de junho de 2004

Data Hora
00:00
01:00
02:00
03:00
04:00
05:00
06:00
07:00
08:00
09:00
10:00
11:00
12:00
13:00
14:00
15:00
16:00
17:00
18:00
19:00
20:00
21:00
22:00
23:00
00:00
01:00
02:00
03:00
04:00
05:00
06:00
07:00
08:00
09:00
10:00
11:00
12:00
13:00
14:00
15:00
16:00
17:00
18:00
19:00
20:00
21:00
22:00
23:00

Demanda
Observada
0.61
0.55
0.54
0.53
0.57
0.76
0.98
1.21
1.38
1.41
1.51
1.42
1.31
1.23
1.12
1.07
1.18
1.24
1.16
1.05
0.94
0.82
0.75
0.66
0,58
0,56
0,55
0,56
0,64
0,82
1,00
1,22
1,38
1,41
1,36
1,35
1,21
1,12
1,03
1,13
1,29
1,28
1,20
1,00
0,93
0,89
0,79
0,70

1
0.62
0.62
0.62
0.65
0.69
0.77
0.91
1.12
1.33
1.47
1.48
1.42
1.26
1.13
1.10
1.12
1.18
1.25
1.23
1.14
1.01
0.84
0.75
0.68
0,63
0,59
0,60
0,60
0,63
0,72
0,87
1,07
1,31
1,47
1,53
1,46
1,33
1,19
1,14
1,14
1,25
1,36
1,35
1,25
1,02
0,84
0,71
0,65

2
0.62
0.65
0.58
0.61
0.74
1.10
1.25
1.40
1.43
1.38
1.26
1.13
1.33
1.06
1.15
1.21
1.22
1.17
1.03
0.88
0.76
0.67
0.65
0.62
0,61
0,60
0,64
0,71
0,86
1,05
1,24
1,42
1,52
1,49
1,38
1,28
1,17
1,18
1,27
1,11
1,38
1,30
1,12
0,93
0,74
0,82
0,61
0,61

3
0.57
0.57
0.59
0.74
0.95
1.09
1.38
1.34
1.24
1.16
1.42
1.08
1.10
1.18
1.21
1.13
1.04
1.16
1.02
0.88
0.66
0.63
0.62
0.60
0,63
0,56
0,61
0,74
0,98
1,07
1,19
1,47
1,40
1,27
1,22
1,21
1,25
1,10
1,13
1,31
1,14
0,94
0,99
0,87
0,82
0,60
0,62
0,63

4
0.57
0.59
0.72
0.95
1.08
1.33
1.19
1.47
1.44
1.16
1.16
1.24
1.17
1.13
1.01
1.27
1.15
1.04
0.88
0.64
0.66
0.62
0.65
0.56
0,57
0,60
0,74
0,97
1,06
1,21
1,39
1,26
1,22
1,23
1,28
1,33
1,31
1,30
1,16
1,24
1,13
0,99
0,85
0,84
0,62
0,63
0,68
0,56

5
0.58
0.72
0.92
1.08
1.27
1.12
1.45
1.43
1.21
1.30
1.21
1.17
0.98
1.25
1.28
1.14
1.04
0.90
0.79
0.65
0.68
0.57
0.57
0.56
0,61
0,72
0,97
1,05
1,37
1,31
1,21
1,21
1,33
1,36
1,35
1,27
1,11
1,23
1,26
1,12
0,99
0,85
0,82
0,63
0,69
0,60
0,56
0,55

6
0.71
0.92
1.06
1.21
1.12
1.47
1.18
1.20
1.24
1.18
1.01
1.13
1.26
1.27
1.15
1.03
0.89
0.80
0.63
0.75
0.59
0.56
0.57
0.60
0,73
0,95
1,05
1,26
1,17
1,23
1,27
1,38
1,39
1,28
1,13
0,97
1,22
1,25
1,14
0,99
0,85
0,82
0,67
0,62
0,60
0,56
0,55
0,57

7
0.91
1.16
1.14
1.17
1.24
1.26
1.22
1.13
1.02
0.90
1.14
1.27
1.28
1.13
1.03
0.88
0.64
0.71
0.64
0.59
0.58
0.56
0.61
0.72
0,96
1,03
1,19
1,15
1,22
1,34
1,38
1,30
1,16
0,98
1,13
1,24
1,25
1,13
1,00
0,84
0,67
0,77
0,61
0,61
0,57
0,56
0,58
0,69

8
1.12
1.12
1.22
1.31
1.32
1.17
1.31
1.20
1.10
1.14
1.28
1.29
1.14
1.02
0.89
0.70
0.73
0.66
0.59
0.57
0.58
0.60
0.74
0.95
1,17
1,15
1,19
1,25
1,30
1,34
1,18
1,00
1,13
1,13
1,24
1,27
1,13
1,00
0,86
0,76
0,73
0,61
0,60
0,58
0,56
0,58
0,69
0,93

9
1.19
1.24
1.26
1.24
1.40
1.34
1.18
1.09
1.13
1.28
1.30
1.15
1.03
0.88
0.87
0.72
0.65
0.60
0.57
0.58
0.62
0.72
0.97
1.16
1,16
1,22
1,28
1,27
1,21
1,08
1,13
1,12
1,14
1,24
1,27
1,15
0,99
0,76
0,94
0,72
0,61
0,60
0,57
0,57
0,58
0,69
0,94
0,95

10
1.22
1.17
1.39
1.40
1.33
1.20
1.07
1.12
1.27
1.30
1.16
1.04
0.86
0.78
0.73
0.65
0.60
0.58
0.58
0.61
0.74
0.95
1.19
1.21
1,23
1,20
1,15
1,34
1,22
1,16
1,12
1,14
1,25
1,27
1,15
1,01
0,90
0,82
0,73
0,61
0,60
0,56
0,56
0,59
0,70
0,95
0,95
1,28

Previso de Demandas
11
12
13
14
1.40 1.36 1.34 1.27
1.38 1.35 1.29 1.15
1.36 1.29 1.16 1.06
1.33 1.19 1.09 1.12
1.19 1.09 1.12 1.26
1.09 1.12 1.26 1.05
1.10 1.24 1.26 1.23
1.26 1.29 1.06 1.04
1.29 1.16 1.04 0.89
1.16 1.10 0.90 0.80
0.86 0.90 0.81 0.74
1.04 0.80 0.73 0.65
0.79 0.72 0.65 0.59
0.72 0.64 0.59 0.57
0.65 0.59 0.58 0.58
0.59 0.57 0.58 0.62
0.58 0.59 0.62 0.75
0.59 0.63 0.75 0.99
0.61 0.74 0.97 1.11
0.74 0.97 1.22 1.19
0.98 1.06 1.12 1.31
1.23 1.16 1.28 1.34
1.24 1.07 1.36 1.39
1.17 1.34 1.36 1.31
1,09 1,37 1,32 1,19
1,36 1,31 1,18 1,10
1,34 1,21 1,13 1,11
1,21 1,13 1,12 1,14
1,14 1,13 1,15 1,01
1,14 1,16 1,27 1,19
1,14 1,24 1,27 1,31
1,25 1,27 1,14 1,01
1,28 0,93 1,02 0,87
1,14 1,13 0,86 0,83
0,92 0,86 0,83 0,74
0,86 0,84 0,74 0,62
0,82 0,73 0,61 0,60
0,73 0,61 0,60 0,57
0,62 0,61 0,57 0,56
0,60 0,56 0,55 0,58
0,57 0,56 0,58 0,70
0,56 0,58 0,70 0,95
0,58 0,70 0,95 1,05
0,71 0,97 0,98 0,96
0,95 0,96 1,07 1,30
0,96 1,18 1,29 1,38
1,26 1,03 1,36 1,39
1,15 1,36 1,39 1,29

15
1.14
1.05
1.09
1.02
1.22
1.15
1.02
0.89
0.80
0.74
0.66
0.60
0.58
0.58
0.62
0.74
1.14
0.98
1.19
1.30
1.38
1.36
1.34
1.18
1,12
1,09
1,02
1,17
1,41
1,17
1,01
0,86
0,84
0,73
0,62
0,61
0,56
0,56
0,59
0,69
1,03
0,92
1,11
1,32
1,38
1,41
1,30
1,28

16
1.04
0.99
1.16
1.45
1.14
1.04
0.87
0.80
0.73
0.66
0.60
0.58
0.58
0.61
0.75
0.97
1.07
1.21
1.31
1.36
1.40
1.31
1.21
1.11
1,01
1,15
1,39
1,46
1,16
1,03
0,86
0,84
0,74
0,62
0,61
0,57
0,56
0,58
0,70
0,90
0,80
1,11
1,30
1,41
1,41
1,31
1,28
1,19

17
1.13
1.33
1.45
1.14
1.03
0.89
0.78
0.73
0.65
0.60
0.59
0.59
0.62
0.74
0.82
1.06
1.21
1.33
1.37
1.39
1.35
1.18
0.99
1.15
1,12
1,42
1,51
1,15
1,02
0,88
0,84
0,74
0,63
0,61
0,57
0,57
0,58
0,70
0,81
0,96
1,11
1,30
1,38
1,44
1,31
1,29
1,20
1,05

18
1.37
1.42
1.11
1.03
0.89
0.80
0.72
0.65
0.60
0.59
0.59
0.62
0.84
0.97
1.06
1.19
1.33
1.40
1.39
1.34
0.97
1.12
1.12
1.11
1,23
1,44
1,15
1,01
0,87
0,85
0,74
0,62
0,61
0,57
0,56
0,59
0,78
0,95
0,97
1,11
1,30
1,38
1,41
1,34
1,30
1,02
1,30
1,16

19
1.29
1.24
1.19
0.89
0.79
0.73
0.64
0.60
0.58
0.59
0.63
0.72
0.98
1.05
1.20
1.31
1.39
1.42
1.34
1.11
1.14
1.09
1.13
1.22
1,47
1,29
1,01
0,86
0,84
0,75
0,62
0,61
0,58
0,56
0,59
0,72
0,95
0,97
1,13
1,29
1,38
1,41
1,31
1,09
1,26
1,20
1,16
1,21

20
1.12
1.12
0.86
0.79
0.72
0.65
0.58
0.58
0.59
0.72
0.64
0.99
1.06
1.19
1.32
1.37
1.41
1.15
1.30
1.13
1.13
1.11
1.24
1.37
1,32
0,98
0,86
0,84
0,75
0,63
0,61
0,57
0,57
0,59
0,67
0,96
0,96
1,12
1,31
1,37
1,41
1,05
1,23
1,24
1,20
1,18
1,38
1,33

21
1.12
0.86
0.77
0.73
0.65
0.60
0.57
0.58
0.63
0.76
1.00
1.07
1.20
1.31
1.38
1.40
1.27
1.23
1.13
1.12
1.14
1.39
1.39
1.28
1,00
0,84
0,83
0,74
0,63
0,62
0,57
0,57
0,67
0,62
0,96
0,98
1,11
1,30
1,39
1,40
1,29
1,50
1,21
1,22
1,41
1,35
1,17
1,18

22
0.85
0.77
0.71
0.65
0.59
0.58
0.61
0.59
0.75
1.00
1.08
1.21
1.32
1.37
1.28
1.42
1.23
1.16
1.12
1.13
1.44
1.28
1.34
0.99
0,85
0,81
0,74
0,62
0,61
0,58
0,67
0,62
0,58
0,96
0,98
1,13
1,30
1,38
1,34
1,44
1,30
1,21
1,20
1,38
1,18
1,20
1,15
1,18

23
0.76
0.70
0.76
0.69
0.61
0.58
0.57
0.64
0.99
1.08
1.22
1.07
1.20
1.36
1.56
1.21
1.15
1.14
1.14
1.38
1.38
1.27
1.01
0.85
0,82
0,72
0,62
0,61
0,69
0,64
0,57
0,57
0,97
0,97
1,13
1,07
1,26
1,47
1,32
1,47
1,43
1,34
1,23
1,22
1,17
1,24
1,16
0,92

24
0.73
0.62
0.55
0.56
0.57
0.62
0.69
0.80
0.90
1.05
1.27
1.43
1.45
1.49
1.22
1.14
1.13
1.16
1.35
1.35
1.33
1.15
0.86
0.92
0,80
0,70
0,69
0,63
0,58
0,57
0,58
0,96
0,88
1,09
1,31
1,54
1,54
1,51
1,45
1,26
1,20
1,18
1,19
1,26
1,20
1,17
1,00
0,90

178

quinta-feira, 10 de junho de 2004

quarta-feira, 9 de junho de 2004

Data Hora
00:00
01:00
02:00
03:00
04:00
05:00
06:00
07:00
08:00
09:00
10:00
11:00
12:00
13:00
14:00
15:00
16:00
17:00
18:00
19:00
20:00
21:00
22:00
23:00
00:00
01:00
02:00
03:00
04:00
05:00
06:00
07:00
08:00
09:00
10:00
11:00
12:00
13:00
14:00
15:00
16:00
17:00
18:00
19:00
20:00
21:00
22:00
23:00

Demanda
Observada
0,64
0,58
0,57
0,53
0,56
0,66
0,89
1,09
0,93
1,12
1,30
1,45
1,37
1,32
1,29
1,13
1,08
1,13
1,29
1,40
1,14
0,89
0,87
0,79
0,70
0,58
0,53
0,56
0,53
0,69
0,88
1,05
1,17
1,28
1,33
1,39
1,38
1,36
1,25
1,14
1,10
1,21
1,28
1,15
1,04
0,86
0,82
0,72

1
0,62
0,61
0,61
0,61
0,61
0,68
0,80
1,02
1,26
1,36
1,42
1,39
1,36
1,23
1,19
1,20
1,20
1,17
1,12
1,07
1,03
0,92
0,78
0,69
0,61
0,56
0,52
0,51
0,55
0,62
0,78
0,97
1,17
1,32
1,40
1,36
1,30
1,18
1,14
1,12
1,09
1,10
1,10
1,06
0,95
0,84
0,74
0,67

2
0,61
0,61
0,64
0,58
0,81
0,99
0,97
1,13
1,51
1,48
1,43
1,29
1,23
1,19
1,21
1,21
1,17
1,08
0,98
0,87
0,80
0,69
0,61
0,55
0,52
0,51
0,54
0,49
0,63
0,95
0,97
1,33
1,38
1,38
1,34
1,21
1,14
1,10
1,13
1,13
1,08
1,03
0,95
0,86
0,75
0,67
0,61
0,57

3
0,64
0,54
0,57
0,69
1,12
0,98
1,12
1,51
1,42
1,36
1,30
1,21
1,23
1,23
1,17
1,08
0,99
0,89
0,80
0,88
0,63
0,72
0,53
0,51
0,54
0,51
0,49
0,62
0,81
0,95
1,16
1,36
1,27
1,53
1,52
1,40
1,14
1,15
1,13
1,05
1,20
1,10
0,97
0,69
0,62
0,57
0,54
0,53

4
0,54
0,56
0,68
0,95
0,95
1,13
1,45
1,36
1,27
1,27
1,25
1,23
1,23
1,11
0,98
1,20
1,10
0,98
0,89
0,76
0,73
0,53
0,58
0,63
0,51
0,50
0,62
0,80
0,97
1,34
1,31
1,46
1,50
1,48
1,43
1,12
1,19
1,10
0,99
1,23
1,09
0,96
0,84
0,62
0,58
0,57
0,60
0,55

5
0,57
0,67
0,93
0,96
1,26
1,32
1,32
1,31
1,30
1,25
1,24
1,14
1,02
1,19
1,21
1,09
0,98
0,90
0,77
0,72
0,60
0,66
0,54
0,50
0,49
0,63
0,80
0,96
1,34
1,11
1,47
1,51
1,45
1,39
1,09
1,09
1,04
1,18
1,25
1,12
0,95
0,83
0,76
0,63
0,66
0,54
0,55
0,51

6
0,67
0,91
0,94
1,30
1,15
1,30
1,35
1,35
1,24
1,16
1,06
1,16
1,22
1,23
1,10
0,98
0,90
0,77
0,59
0,64
0,56
0,54
0,51
0,49
0,63
0,81
0,96
1,25
1,09
1,45
1,52
1,46
1,37
1,26
1,02
1,16
1,20
1,26
1,13
0,97
0,82
0,75
0,59
0,63
0,55
0,55
0,52
0,57

7
0,92
0,93
1,22
1,22
1,23
1,35
1,32
1,17
1,04
1,20
1,19
1,20
1,25
1,11
0,98
0,89
0,77
0,67
0,64
0,56
0,55
0,51
0,50
0,62
0,80
0,97
1,16
1,35
1,47
1,50
1,47
1,38
1,24
1,18
1,18
1,19
1,28
1,14
0,99
0,84
0,74
0,67
0,62
0,56
0,56
0,52
0,57
0,64

8
0,93
1,21
1,22
1,30
1,22
1,20
1,05
1,23
1,21
1,18
1,24
1,24
1,14
1,00
0,90
0,64
0,82
0,64
0,57
0,54
0,52
0,50
0,63
0,80
0,96
1,14
1,09
1,46
1,52
1,45
1,39
1,25
1,16
1,15
1,21
1,27
1,16
0,99
0,85
0,66
0,79
0,61
0,55
0,57
0,53
0,58
0,64
0,81

9
1,23
1,23
1,25
1,18
1,30
1,31
1,22
1,22
1,19
1,23
1,27
1,12
1,02
0,91
0,81
0,73
0,64
0,57
0,56
0,51
0,50
0,63
0,81
1,09
1,12
1,13
1,47
1,51
1,47
1,37
1,25
1,16
1,13
1,18
1,29
1,15
1,02
0,86
0,83
0,70
0,60
0,55
0,56
0,54
0,58
0,65
0,81
1,00

10
1,22
1,13
1,38
1,31
1,28
1,23
1,21
1,20
1,24
1,26
1,15
1,00
0,83
0,78
0,74
0,63
0,57
0,56
0,52
0,50
0,64
0,81
1,11
1,08
1,12
1,47
1,51
1,46
1,39
1,24
1,17
1,14
1,16
1,26
1,17
1,00
0,82
0,77
0,71
0,62
0,54
0,56
0,53
0,59
0,65
0,82
1,16
1,13

Previso de
11
12
1,34 1,37
1,36 1,26
1,29 1,27
1,29 1,21
1,20 1,19
1,22 1,20
1,19 1,23
1,24 1,27
1,27 1,15
1,14 1,03
0,85 0,94
1,00 0,79
0,80 0,76
0,74 0,65
0,64 0,57
0,57 0,55
0,55 0,52
0,52 0,51
0,51 0,65
0,63 0,81
0,82 1,16
1,10 1,09
1,12 1,36
1,34 1,45
1,47 1,52
1,52 1,47
1,46 1,38
1,37 1,24
1,25 1,17
1,15 1,13
1,14 1,17
1,17 1,24
1,23 1,12
1,14 0,95
0,85 0,88
0,98 0,78
0,79 0,73
0,71 0,63
0,63 0,56
0,55 0,56
0,55 0,52
0,52 0,58
0,58 0,66
0,66 0,84
0,83 1,10
1,14 0,99
1,06 1,31
1,30 1,41

Demandas
13
14
1,27 1,26
1,25 1,17
1,19 1,18
1,20 1,18
1,17 1,21
1,24 1,07
1,27 1,32
1,07 1,04
1,03 0,94
0,93 0,81
0,81 0,77
0,75 0,65
0,66 0,59
0,58 0,56
0,55 0,52
0,52 0,51
0,51 0,65
0,65 0,83
0,83 1,05
1,11 1,17
1,03 1,38
1,36 1,47
1,47 1,52
1,50 1,45
1,46 1,38
1,39 1,25
1,25 1,16
1,16 1,13
1,14 1,17
1,16 1,23
1,25 1,08
0,92 0,98
1,10 0,84
0,86 0,77
0,80 0,73
0,72 0,64
0,65 0,58
0,56 0,57
0,57 0,54
0,53 0,58
0,57 0,64
0,65 0,83
0,84 0,93
1,04 1,19
1,17 1,34
1,32 1,43
1,41 1,46
1,45 1,42

15
1,18
1,15
1,16
1,06
1,26
1,16
1,03
0,94
0,81
0,77
0,67
0,58
0,57
0,53
0,51
0,64
0,83
0,95
1,20
1,37
1,50
1,52
1,47
1,37
1,25
1,17
1,13
1,16
1,08
1,20
0,99
0,85
0,76
0,71
0,65
0,57
0,59
0,54
0,59
0,66
0,90
0,84
1,18
1,35
1,45
1,47
1,42
1,35

16
1,16
1,02
1,23
1,47
1,13
1,04
0,94
0,81
0,77
0,67
0,60
0,57
0,54
0,52
0,65
0,93
0,83
1,20
1,40
1,48
1,55
1,47
1,39
1,24
1,17
0,93
1,08
1,20
1,32
0,98
0,85
0,77
0,70
0,63
0,58
0,58
0,55
0,60
0,67
0,84
1,00
1,16
1,34
1,46
1,49
1,44
1,36
1,27

17
1,21
1,40
1,23
1,14
1,01
0,94
0,81
0,77
0,67
0,59
0,58
0,53
0,53
0,65
0,83
0,99
1,20
1,40
1,51
1,53
1,49
1,39
1,25
1,16
1,08
1,25
1,29
1,30
0,99
0,84
0,77
0,70
0,62
0,56
0,59
0,55
0,61
0,67
0,78
1,03
1,14
1,33
1,45
1,51
1,46
1,37
1,28
1,18

18
1,19
1,44
1,12
1,02
0,92
0,82
0,77
0,67
0,60
0,58
0,55
0,52
0,67
0,74
0,99
1,19
1,40
1,52
1,56
1,48
1,41
1,25
1,09
1,20
1,29
1,33
1,28
0,98
0,85
0,76
0,71
0,63
0,55
0,57
0,56
0,60
0,78
0,71
1,05
1,18
1,31
1,44
1,49
1,47
1,38
1,29
1,14
1,34

19
1,37
1,22
1,18
0,93
0,79
0,77
0,67
0,60
0,58
0,55
0,54
0,75
0,86
1,01
1,20
1,39
1,51
1,56
1,51
1,40
1,14
1,22
1,30
1,27
1,25
1,25
1,18
0,84
0,77
0,70
0,63
0,56
0,56
0,54
0,61
0,71
0,87
1,05
1,20
1,34
1,41
1,48
1,46
1,40
1,15
1,35
1,15
1,16

20
1,16
1,06
0,91
0,80
0,76
0,67
0,60
0,58
0,55
0,53
0,68
0,85
1,03
1,21
1,40
1,51
1,56
1,51
1,42
1,24
1,35
1,30
1,26
1,17
1,16
1,16
0,85
0,76
0,71
0,62
0,56
0,57
0,53
0,71
0,65
0,86
1,07
1,20
1,36
1,45
1,45
1,45
1,18
1,37
1,21
1,16
1,17
1,38

21
1,10
1,06
0,79
0,76
0,66
0,60
0,58
0,55
0,54
0,63
0,87
1,01
1,24
1,42
1,52
1,55
1,21
1,30
1,34
1,33
1,30
1,19
1,14
1,11
1,11
0,85
0,77
0,70
0,63
0,55
0,57
0,54
0,63
0,55
0,88
1,06
1,23
1,37
1,48
1,49
1,42
1,41
1,53
1,23
1,17
1,41
1,37
1,22

22
0,90
0,77
0,75
0,66
0,59
0,58
0,55
0,63
0,61
0,87
1,04
1,22
1,45
1,53
1,56
1,28
1,47
1,38
1,31
1,21
1,17
1,10
1,10
1,07
1,01
0,77
0,70
0,62
0,56
0,56
0,64
0,57
0,66
0,85
1,08
1,21
1,40
1,48
1,24
1,40
1,47
1,51
1,22
1,19
1,41
1,25
1,23
0,90

23
0,78
0,81
0,65
0,59
0,65
0,63
0,60
0,59
0,87
1,04
1,26
1,43
1,27
1,39
1,40
1,42
1,37
1,28
1,18
1,12
1,11
1,07
1,05
0,94
0,85
0,79
0,73
0,56
0,64
0,56
0,48
0,66
0,84
1,05
1,23
1,38
1,22
1,50
1,64
1,56
1,44
1,40
1,40
1,34
1,28
1,14
1,08
0,95

24
0,77
0,63
0,63
0,60
0,57
0,58
0,64
0,75
0,93
1,14
1,31
1,38
1,52
1,50
1,37
1,30
1,25
1,17
1,12
1,07
1,05
0,97
0,88
0,77
0,69
0,65
0,59
0,56
0,49
0,59
0,67
0,85
1,03
0,99
1,27
1,44
1,64
1,68
1,58
1,42
1,31
1,26
1,26
1,22
1,13
0,96
0,85
0,71

179

sexta-feira, 11 de junho de 2004

Data Hora
00:00
01:00
02:00
03:00
04:00
05:00
06:00
07:00
08:00
09:00
10:00
11:00
12:00
13:00
14:00
15:00
16:00
17:00
18:00
19:00
20:00
21:00
22:00
23:00

Demanda
Observada
0,64
0,56
0,50
0,53
0,52
0,63
0,88
1,05
1,19
1,27
1,44
1,39
1,40
1,34
1,30
1,18
1,17
1,24
1,26
1,10
0,99
0,89
0,81
0,74

1
0,63
0,57
0,53
0,51
0,57
0,67
0,82
1,04
1,26
1,41
1,46
1,43
1,39
1,29
1,24
1,24
1,21
1,18
1,11
1,03
0,92
0,82
0,75
0,68

2
0,55
0,53
0,57
0,66
0,66
0,86
1,21
1,42
1,50
1,50
1,43
1,33
1,28
1,24
1,23
1,21
1,12
1,02
0,92
0,83
0,74
0,68
0,63
0,54

3
0,58
0,52
0,58
0,64
0,84
1,05
1,19
1,48
1,43
1,37
1,32
1,24
1,25
1,23
1,15
1,04
1,19
1,06
0,76
0,69
0,63
0,56
0,49
0,54

4
0,53
0,58
0,65
0,82
1,04
1,20
1,37
1,32
1,30
1,29
1,27
1,20
1,19
1,08
1,21
1,20
1,05
0,93
0,84
0,76
0,68
0,61
0,46
0,51

5
0,59
0,65
0,83
1,01
1,19
1,35
1,24
1,26
1,29
1,26
1,19
1,09
1,01
1,23
1,20
1,06
0,92
0,84
0,77
0,68
0,61
0,56
0,53
0,52

6
0,66
0,83
1,02
1,30
1,28
1,25
1,24
1,26
1,21
1,11
1,02
1,20
1,25
1,23
1,06
0,93
0,83
0,77
0,69
0,56
0,56
0,53
0,53
0,52

7
0,84
1,02
1,27
1,16
1,22
1,23
1,48
1,44
1,37
1,28
1,23
1,23
1,25
1,08
0,94
0,84
0,76
0,69
0,62
0,56
0,53
0,53
0,54
0,55

8
1,03
1,24
1,16
1,43
1,51
1,50
1,41
1,36
1,27
1,23
1,26
1,22
1,10
0,95
0,84
0,77
0,70
0,62
0,57
0,53
0,53
0,54
0,56
0,66

9
1,21
1,14
1,44
1,47
1,48
1,43
1,33
1,27
1,23
1,26
1,25
1,08
0,97
0,86
0,70
0,69
0,61
0,56
0,54
0,53
0,54
0,56
0,68
0,89

10
1,10
1,44
1,48
1,44
1,41
1,34
1,24
1,22
1,25
1,25
1,11
0,95
0,76
0,79
0,69
0,61
0,56
0,54
0,54
0,54
0,56
0,68
0,90
1,14

Previso de Demandas
11
12
13
14
1,46 1,50 1,47 1,40
1,48 1,45 1,38 1,29
1,45 1,38 1,30 1,21
1,37 1,29 1,20 1,16
1,32 1,23 1,19 1,21
1,25 1,21 1,23 1,23
1,20 1,22 1,22 1,20
1,25 1,24 0,96 0,97
1,25 1,10 0,97 0,88
1,11 1,00 0,88 0,80
0,98 0,88 0,80 0,72
0,97 0,78 0,70 0,63
0,80 0,71 0,64 0,59
0,70 0,63 0,58 0,55
0,62 0,57 0,54 0,54
0,56 0,54 0,54 0,54
0,53 0,53 0,54 0,56
0,54 0,55 0,57 0,69
0,55 0,57 0,69 0,88
0,57 0,68 0,99 1,22
0,68 0,91 1,21 1,48
0,91 0,99 1,48 1,61
1,08 1,47 1,59 1,55
1,44 1,56 1,52 1,45

15
1,31
1,21
1,17
1,18
1,19
1,08
0,95
0,87
0,80
0,72
0,64
0,57
0,56
0,55
0,55
0,57
0,68
0,78
1,23
1,49
1,61
1,56
1,48
1,42

16
1,23
1,17
1,17
1,36
1,07
0,96
0,85
0,80
0,71
0,64
0,59
0,55
0,56
0,56
0,57
0,78
0,91
1,23
1,50
1,61
1,56
1,49
1,45
1,31

17
1,18
1,37
1,19
1,04
0,94
0,86
0,78
0,71
0,64
0,59
0,56
0,55
0,57
0,58
0,70
0,92
1,21
1,50
1,63
1,57
1,50
1,46
1,34
1,25

18
1,21
1,19
1,05
0,92
0,85
0,79
0,70
0,64
0,59
0,56
0,56
0,56
0,59
0,65
0,93
1,22
1,48
1,63
1,58
1,50
1,46
1,34
1,14
1,30

19
1,20
1,05
0,93
0,83
0,78
0,70
0,63
0,59
0,56
0,56
0,57
0,66
0,61
0,94
1,23
1,50
1,61
1,58
1,51
1,47
1,14
1,33
1,46
1,41

Observao: Para se obter as demandas dos ns, multiplicou-se tais valores pela demandas base do n correspondente.

20
1,06
0,92
0,84
0,76
0,69
0,63
0,57
0,56
0,56
0,67
0,63
0,70
0,96
1,25
1,51
1,62
1,56
1,52
1,48
1,33
1,49
1,44
1,37
1,21

21
0,94
0,83
0,76
0,67
0,62
0,58
0,55
0,56
0,63
0,57
0,72
0,94
1,27
1,53
1,63
1,58
1,50
1,37
1,44
1,46
1,39
1,24
1,15
1,04

22
0,84
0,76
0,68
0,61
0,57
0,55
0,62
0,59
0,53
0,72
0,96
1,25
1,56
1,66
1,59
1,28
1,41
1,47
1,37
1,25
1,16
1,07
1,05
0,97

23
0,77
0,79
0,73
0,65
0,63
0,58
0,51
0,49
0,72
0,96
1,28
1,53
1,69
1,33
1,40
1,48
1,37
1,28
1,16
1,09
1,07
1,04
0,99
0,87

24
0,73
0,64
0,60
0,55
0,51
0,48
0,48
0,71
0,96
1,28
1,57
1,66
1,47
1,51
1,38
1,30
1,16
1,11
1,08
1,07
1,05
0,96
0,84
0,70