Submitted by Patrícia Cerveira (pcerveira1@gmail.com) on 2017-06-13T15:56:56Z No. of bitstreams: 1 Rene_Cruz_Freire.pdf: 5170376 bytes, checksum: 8c6b6dd8986d23b53ae99ba90dd69ef5 (MD5) / Approved for entry into archive by Biblioteca da Escola de Engenharia (bee@ndc.uff.br) on 2017-06-29T16:38:47Z (GMT) No. of bitstreams: 1 Rene_Cruz_Freire.pdf: 5170376 bytes, checksum: 8c6b6dd8986d23b53ae99ba90dd69ef5 (MD5) / Made available in DSpace on 2017-06-29T16:38:47Z (GMT). No. of bitstreams: 1 Rene_Cruz_Freire.pdf: 5170376 bytes, checksum: 8c6b6dd8986d23b53ae99ba90dd69ef5 (MD5) / Coordenação de Aperfeiçoamento de Pessoal de Nível Superior / Um dos temas de alta relevância para a sociedade atual é a qualidade do suprimento de energia elétrica, que deve ser ininterrupto, seguro e econômico. Para tal, é primordial que o sistema de potência esteja preparado para um possível defeito de algum equipamento da rede, mantendo a operação dentro dos patamares seguros, evitando os blecautes e todas as suas consequências para a sociedade. Isso pode ser feito através do redespacho das unidades geradoras, de modo a encontrar um ponto de operação que concilie segurança e economicidade, dois objetivos conflitantes, enquanto busca se afastar o mínimo possível do ponto de operação previamente estabelecido, via planejamento eletroenergético, para o sistema de potência em questão. Trata-se de uma abordagem multiobjetiva do Fluxo de Potência Ótimo com Restrições de Segurança (FPORS) que pode ser solucionada com uma abordagem de Computação Evolucionária (CE) com viés multiobjetivo. Neste trabalho, foram implementadas e comparadas duas meta-heurísticas evolutivas multiobjetivo: Nondominated Sorting Genetic Algorithm II (NSGA-II) e o Multi-objective Evolutionary Particle Swarm Optimization (MOEPSO). Os resultados dessas heurísticas também foram comparados com a abordagem mono-objetivo do mesmo problema. Os algoritmos foram implementados no MATLAB® e testados em um sistema-teste que simula as condições do Sistema Interligado Nacional (SIN). As heurísticas multiobjetivo foram comparadas através da metodologia de análise da Fronteira de Pareto (FP), onde é analisado qual método concilia melhor os objetivos de economia e segurança. Na primeira análise o NSGA-II saiu-se melhor, entretanto após a implementação de melhorias no algoritmo, o MOEPSO mostrou desempenho superior na segunda análise. Nas duas análises, o viés multiobjetivo mostrou-se superior ao mono-objetivo, na comparação através do critério de agregação de objetivos. Em relação ao tempo de simulação de cada método, o MOEPSO foi superior na primeira análise, já na segunda análise foi implementado um refinamento baseado no Fluxo de Potência Linearizado no FPORS, que baixou o tempo de simulação das duas heurísticas multiobjetivas em comparação com a primeira análise, e o MOEPSO teve o menor tempo de simulação. Na comparação com o viés mono-objetivo, apenas o NSGA-II teve tempo médio de simulação maior que o método mono-objetivo na primeira análise. Na segunda análise, todas as heurísticas multiobjetivo possuíam tempo de simulação menores que o método mono-objetivo. / One of the topics of high relevance to the today’s society is the quality of electric power supply, which must be uninterrupted, safe and economical. To this end, it is essential that the power system be prepared for a possible defect of some equipment from the network while maintaining operation within safe levels, avoiding blackouts and all its consequences for society. This can be done by redispatch of generating units, in order to find an operation point which conciliate security and economy, two conflicting objectives, while seeking to depart as little as possible of the operation point previously established in the energy planning for the power system in question. This is a multi-objective approach to Security Constrained Optimal Power Flow (SCOPF) that can be solved with an approach of Evolutionary Computation with multi-objective bias. In this work we were implemented and compared two multi-objective evolutionary meta-heuristics: Nondominated Sorting Genetic Algorithm II (NSGA-II) and Multi-objective Evolutionary Particle Swarm Optimization (MOEPSO). The results of these heuristics were also compared with mono-objective approach to the same problem. The algorithms were implemented in MATLAB® and tested in a test-case that simulates the conditions of the Brazilian Sistema Interligado Nacional (National Interconnected System). The multi-objective heuristics were compared using the analysis methodology of the Pareto Frontier, where is analyzed which method is better to conciliate the economy and security objectives. In the first analysis the NSGA-II fared better, but after the implementation of improvements in the algorithm, the MOEPSO showed superior performance in the second analisys. In both analyzes, the multi-objective bias was superior to the mono-objective bias, in the comparison through objectives aggregation criteria. Concerning the simulation time of each method, the MOEPSO was superior in the first analysis, but in the second analysis was implemented a refinement based on DC Load Flow, which lowered the simulation time of the two multi-objective heuristics compared with the first analysis, and the MOEPSO had the shortest time simulation. Compared to the mono-objective bias, only the NSGA-II had an average time simulation greater than the mono-objective method in the first analysis. In the second analysis, all multi-objectives heuristics had simulation time smaller than the mono-objective method.

Submitted by Franciele Moreira (francielemoreyra@gmail.com) on 2018-10-30T13:30:59Z No. of bitstreams: 2 Dissertação - Diogo Machado de Freitas - 2018.pdf: 1477764 bytes, checksum: 73759c5ece96bf48ffd4d698f14026b9 (MD5) license_rdf: 0 bytes, checksum: d41d8cd98f00b204e9800998ecf8427e (MD5) / Approved for entry into archive by Luciana Ferreira (lucgeral@gmail.com) on 2018-10-30T13:41:38Z (GMT) No. of bitstreams: 2 Dissertação - Diogo Machado de Freitas - 2018.pdf: 1477764 bytes, checksum: 73759c5ece96bf48ffd4d698f14026b9 (MD5) license_rdf: 0 bytes, checksum: d41d8cd98f00b204e9800998ecf8427e (MD5) / Made available in DSpace on 2018-10-30T13:41:38Z (GMT). No. of bitstreams: 2 Dissertação - Diogo Machado de Freitas - 2018.pdf: 1477764 bytes, checksum: 73759c5ece96bf48ffd4d698f14026b9 (MD5) license_rdf: 0 bytes, checksum: d41d8cd98f00b204e9800998ecf8427e (MD5) Previous issue date: 2018-09-24 / Coordenação de Aperfeiçoamento de Pessoal de Nível Superior - CAPES / Fault Localization is one stage of the software life cycle, which demands important resources such as time and effort spent on a project. There are several initiatives towards the automation of the fault localization process and the reduction of the associated resources. Many techniques are based on heuristics that use information obtained (spectrum) from the execution of test cases, in order to measure the suspiciousness of each program element to be defective. Spectrum data generally refers to code coverage and test results (positive or negative). The present work presents two approaches based on the Genetic Programming algorithm for the problem of Fault Localization: a method to compose a new heuristic from a set of existing ones; and a method for constructing heuristics based on data from program mutation analysis. The innovative aspects of both methods refer to the joint investigation of: (i) specialization of heuristics for certain programs; (ii) application of an evolutionary approach to the generation of heuristics with non-linear equations; (iii) creation of heuristics based on the combination of traditional heuristics; (iv) use of coverage and mutation spectra extracted from the test activity; (v) analyzing and comparing the efficacy of methods that use coverage and mutation spectra for fault localization; and (vi) quality analysis of the mutation spectra as a data source for fault localization. The results have pointed to the competitiveness of both approaches in their contexts. / Localização de Defeitos é uma etapa do ciclo de vida de software, que demanda recursos importantes tais como o tempo e o esforço gastos em um projeto. Existem diversas iniciativas na direção da automação do processo de localização de defeitos e da redução dos recursos associados. Muitas técnicas são baseadas heurísticas que utilizam informação obtida (espectro) a partir da execução de casos de teste, visando a medir a suspeita de cada elemento de programa para ser defeituoso. Os dados de espectro referem-se, em geral, à cobertura de código e aos resultados dos teste (positivo ou negativo). O presente trabalho apresenta duas abordagens baseadas no algoritmo Programação Genética para o problema de Localização de Defeitos: um método para compor automaticamente novas heurísticas a partir de um conjunto de heurísticas existentes; e um método para a construção de heurísticas baseadas em dados oriundos da análise de mutação de programas. Os aspectos inovadores de ambos os métodos referem-se à investigação conjunta de: (i) especialização de heurísticas para determinados programas; (ii) aplicação de abordagem evolutiva para a geração de heurísticas com equações não lineares; (iii) criação de heurísticas a partir da combinação de heurísticas tradicionais; (iv) uso de espectro de cobertura e de mutação extraídos da atividade de teste; (v) análise e comparação da eficácia de métodos que usam os espectros de cobertura e de mutação para a localização de defeitos; e (vi) análise da qualidade dos espectros de mutação como fonte de dados para a localização de defeitos. Os resultados apontaram competitividade de ambas as abordagens em seus contextos.