[pt] Este trabalho explora a estrutura de decomposição de um problema de planejamento da expansão da geração hidrotérmica, utilizando uma integração entre uma Decomposição de Benders modificada e um Progressive Hedging. Consideramos uma representação detalhada das restrições cronológicas de curto prazo, com resolução horária, baseando-se em dias típicos para cada etapa. Além disso, representamos a natureza estocástica de uma política operacional hidrotérmica multiestágio por meio de uma Regra de Decisão Linear otimizada, garantindo decisões de investimento compatíveis com uma política operacional não antecipativa. Para resolver este problema de otimização em grande escala, propomos um método de decomposição de Benders aprimorado com várias instâncias do problema mestre, onde cada uma delas é reforçada por cortes primários além dos cortes de Benders gerados a cada candidato a solução do mestre. Nossa nova abordagem permite o uso de termos de penalização de Progressive Hedging para fins de regularização. Mostramos que o algoritmo proposto é 60 porcento mais rápido que os tradicionais e que a consideração de uma política operacional não antecipativa pode economizar, em média, 8.27porcento do custo total em testes fora da amostra. / [en] This paper exploits the decomposition structure of the hydrothermal generation expansion planning problem with an integrated modified Benders Decomposition and Progressive Hedging approach. We consider a detailed representation of hourly chronological short-term constraints based on typical days per month and year. Also, we represent the multistage stochastic nature of the hydrothermal operational policy through an optimized linear decision rule, thereby ensuring investment decisions compatible with a nonanticipative implementable operational policy. To solve the resulting large-scale optimization problem, we propose an improved Benders Decomposition method with multiple instances of the master problem, each of which strengthened by primal cuts and new Benders cuts generated by each master s trial solution. Additionally, our new approach allows using Progressive Hedging penalization terms for regularization purposes. We show that our method is 60 percent faster than the traditional ones and also that the consideration of a nonanticipative operational policy can save, on average, 8.27 percent of the total cost in out-of-sample tests.