Confiabilidade Sistemas Elétricos

CONFIABILIDADE
DE
SISTEMAS ELTRICOS
DE
POTNCIA
Prof. Luiz Antnio da Fonseca Manso

Departamento de Engenharia Eltrica
OUTUBRO DE 2006
NDICE
CAPTULO 1 INTRODUO ....................................................................................... 1

CAPTULO 2 NOES DE PROBABILIDADE ........................................................ 4
2.1
2.2
2.3
2.4
2.5
2.6
Conceitos ...................................................................................................................
Permutaes e Combinaes ...................................................................................
Conceitos Prticos de Engenharia ..........................................................................
Diagramas de Venn ..................................................................................................
Regras ........................................................................................................................
Distribuies de Probabilidade ...............................................................................
4
5
5
6
6
9
CAPTULO 3 APLICAO DA DISTRIBUIO BINOMIAL .............................. 16

3.1 Conceitos Bsicos .................................................................................................... 16
3.2 Propriedades da Distribuio Binomial ................................................................ 16
3.3 Aplicaes na Engenharia ....................................................................................... 18
CAPTULO 4 INTRODUO CONFIABILIDADE DA GERAO .................. 26
4.1
4.2
4.3
4.4
4.5
Representao a Espao de Estados ......................................................................

Enumerao de Estados .........................................................................................
Sistema Teste IEEE-RTS .......................................................................................
Simulao Monte Carlo .........................................................................................
Referncias ..............................................................................................................
26
26
29
30
33
CAPTULO 5 MODELAGEM DE REDES ................................................................. 34

5.1
5.2
5.3
5.4
5.5
5.6
5.7
Conceitos .................................................................................................................
Sistema Srie ...........................................................................................................
Sistema Paralelo ......................................................................................................
Sistema Srie-Paralelo ............................................................................................
Sistema Parcialmente Redundante ........................................................................
Sistema Redundante a Postos (standby) ............................................................
Sistemas Complexos ................................................................................................
34
34
36
37
38
39
40
CAPTULO 6 DISTRIBUIES DE PROBABILIDADE NA AVALIAO DA

CONFIABILIDADE .............................................................................. 44
6.1 Conceitos sobre Distribuio .................................................................................. 44
6.2 Terminologia de Distribuies ............................................................................... 44
Confiabilidade de Sistemas Eltricos de Potncia
ii
6.3 Funes Gerais de Confiabilidade ......................................................................... 46

6.4 A Distribuio Exponencial .................................................................................... 48
6.5 Avaliao da Confiabilidade usando Distribuies de Probabilidade ................ 51
6.5.1 Sistema Srie ........................................................................................................ 51
6.5.2 Sistema Paralelo .................................................................................................. 52
6.5.3 Sistema Parcialmente Redundante ....................................................................... 54
CAPTULO 7 CADEIAS E PROCESSOS DE MARKOV .......................................... 55
7.1 Introduo ...............................................................................................................
7.2 Cadeias de Markov .................................................................................................
7.2.1 Matriz de Probabilidade de Transio Estocstica ...........................................
7.2.2 Avaliao da Probabilidade Dependente do Tempo ..........................................
7.2.3 Avaliao da Probabilidade Limite dos Estados ................................................
7.2.4 Estados Absorventes ...........................................................................................
7.3 Processos de Markov ..............................................................................................
7.3.1 Taxas de Transio .............................................................................................
7.3.2 Avaliao da Probabilidade Dependente do Tempo ..........................................
7.3.3 Avaliao da Probabilidade Limite dos Estados ................................................
7.3.4 Diagramas de Espao de Estado .........................................................................
7.3.5 Matriz de Transio Estocstica ........................................................................
7.3.6 Tempo Mdio para a Falha ................................................................................
7.3.7 Avaliao de Sistemas Complexos ......................................................................
55
56
57
58
59
60
62
63
64
66
67
69
71
73
CAPTULO 8 NDICES DE FREQNCIA E DURAO ..................................... 74

8.1 Introduo ...............................................................................................................
8.2 Conceitos sobre Freqncia e Durao .................................................................
8.3 Freqncia Individual .............................................................................................
8.4 Freqncia Acumulada ...........................................................................................
8.5 Balano e Desbalano em Freqncia ...................................................................
8.6 Avaliao de ndices F&D atravs da Representao a Espao de Estados .....
8.7 Referncias ..............................................................................................................
74
74
76
78
80
80
82
CAPTULO 9 REPRESENTAO CRONOLGICA ............................................. 83

9.1 Introduo ............................................................................................................... 83
9.2 Simulao Monte Carlo Seqencial....................................................................... 84
9.3 Referncias .............................................................................................................. 86
APNDICE ...................................................................................................................... 87
CAPTULO 1: Introduo
Em nossa sociedade moderna, os engenheiros so responsveis pelo planejamento,
projeto e construo de produtos que vo de simples aparelhos a sistemas extremamente
complexos (e neste caso inclui-se tambm a sua operao). A falha destes, pode causar efeitos
que vo da inconvenincia e irritao a impactos bastante severos para a sociedade e meio
ambiente. Portanto, fundamental saber o quo confivel e seguro so os produtos que
utilizamos.
As tcnicas de avaliao da confiabilidade, inicialmente voltadas s industrias

militares e aeroespaciais, encontraram grande aplicao nas usinas nucleares, no setor eltrico
e nos processos de fabricao contnuos (siderurgia e qumica). Em todos estes casos as falhas
implicam em conseqncias que podem ser bastante severas para a sociedade e/ou meio
ambiente.
Atualmente, as tcnicas de confiabilidade so tambm empregadas na fabricao de

aparelhos eletrodomsticos, automveis, etc., que quando falham tm, individualmente, um
efeito scio-econmico relativamente pequeno. Basicamente tais tcnicas devem de alguma
maneira avaliar o comportamento futuro dos equipamentos e sistemas. O perodo futuro pode
variar de segundos (mssil terra-ar) a dcadas (geradores eltricos). Em qualquer caso, devido
natureza estocstica das falhas e de outros parmetros, o problema no determinstico.
A teoria das probabilidades, embora inteiramente necessria, no suficiente para

predizer a confiabilidade de um sistema. Tambm necessrio um completo entendimento do
sistema, da forma como operado, como falha e do ambiente ao qual est sujeito.
Definio: existem vrias. A mais amplamente aceita : Confiabilidade a

probabilidade de um dispositivo desempenhar seu propsito adequadamente durante o tempo
desejado, sob as condies operativas encontradas. Nesta definio existem quatro
parmetros importantes: probabilidade, desempenho adequado, tempo e condies de
operao.
A teoria das probabilidades fornece os princpios e as tcnicas matemticas para

avaliar numericamente a confiabilidade.. Os outros trs parmetros: desempenho adequado,
tempo e condies de operao, esto diretamente relacionados engenharia. Geralmente,
somente o engenheiro responsvel por um determinado sistema pode fornecer informaes
(consistentes) deste tipo.
Na avaliao da confiabilidade so obtidos diversos ndices de confiabilidade.

Portanto, o termo confiabilidade freqentemente usado como um termo geral para todos
estes ndices, no estando associado somente ao conceito de probabilidade. No existe uma
tcnica ou frmula geral de avaliao da confiabilidade. O mtodo de avaliao depender do
problema em questo e das hipteses a serem utilizadas para a sua modelagem. Assim a
validade da anlise de confiabilidade de um sistema est diretamente relacionada com a
validade do modelo usado para representar o sistema.
A definio de um nvel adequado de confiabilidade uma tarefa difcil pois depende

do sistema e das conseqncias associadas aos diversos modos de falha. Em muitos casos no
importante definir um nvel absoluto de confiabilidade e sim o quanto a confiabilidade de
um sistema melhorada por dollar investido. Portanto, o objetivo definir onde o prximo
dollar deve ser investido no sistema para propiciar o mximo de benefcios em termos de
confiabilidade.
Um produto ou sistema tem uma confiabilidade inerente criada durante a fase do

projeto. Esta confiabilidade pode ser deteriorada se no existir um perfeito controle de
qualidade. Aps a construo do equipamento ou sistema, a confiabilidade pode ser
facilmente degradada por operaes indevidas ou baixa qualidade da manuteno.
Nveis hierrquicos de um sistema de potncia: um sistema de potncia pode ser

dividido em zonas funcionais de gerao, transmisso e distribuio. Estas zonas podem ser
combinadas para formar trs nveis hierrquicos para a anlise de confiabilidade, conforme
figura abaixo.
Nvel Hierrquico 1 - NH1

Gerao
Transmisso
Distribuio
Nos mtodos de avaliao da confiabilidade da gerao (NH1) toda a carga e toda a

gerao esto concentradas numa nica barra. Portanto, as limitaes no transporte de energia
pela rede de transmisso so ignoradas, permitindo uma simples comparao entre a gerao
disponvel e a carga momentnea.
Para a avaliao da confiabilidade composta, i.e. de sistemas compostos de gerao e

transmisso (NH2) necessrio representar as limitaes impostas pela rede de transmisso.
Para isto so utilizados algoritmos de fluxo de potncia incluindo rotinas de otimizao de
medidas corretivas (i.e. redespacho de potncia, ajustes de taps de transformadores, etc. e por
fim o corte de carga).
A avaliao integrada da confiabilidade de um sistema de potncia, incluindo gerao

transmisso e distribuio (NH3) tem sido pouco investigada. Em geral, os estudos de
confiabilidade em sistemas de distribuio so realizados considerando o sistema G&T
(gerao e transmisso) representado por pontos de fornecimento com capacidade ilimitada e
100% confiveis.
CAPTULO 2: Noes de Probabilidade
2.1 Conceitos
Experimento: ao descrevermos um experimento, deveremos especificar que operao

ou procedimento deva ser realizado, assim como o que deva ser observado. Ex.: Jogue uma
moeda quatro vezes e observe o no. de caras.
Eventos: conjunto de resultados possveis ou subconjunto do espao amostral.
Probabilidade: define quantitativamente a possibilidade de um ou mais eventos

ocorrerem. Varia entre ZERO (impossibilidade absoluta) e UM (certeza absoluta).
0,5
Figura 2.1 Escala de Probabilidade
Se os resultados (eventos) de um experimento so classificados em sucesso e falha,

tem-se:
P ( sucesso) =
no. de sucessos
no. de resultados possveis
P ( falha ) =
no. de falhas
no. de resultados possveis
Se s = no. de sucessos e f = no. de falhas, ento:
P ( sucesso) = p =
s
s+ f
P( falha ) = q =
f
s+ f
p+q=1
Ex. 2.1: Qual a probabilidade de se obter cara (ou coroa) em um nico lance de uma moeda?
s=f=1
P(cara) = P(coroa) = 1/2
Ex. 2.2: Avalie a probabilidade de se obter cara (ao menos uma vez) em dois lances
consecutivos.
s: cara/cara ; cara/coroa ; coroa/cara = 3
f: coroa/coroa
P( s ) =
= 1
3
3
=
3 +1 4
para mais lances ....
Ex.: 2.3: Considere 2 dados e a probabilidade de se obter um total de 9 pontos em um nico

lance.
Sucesso: (3+6) ; (4+5) ; (5+4) ; (6+3) => 4 maneiras
O no. total de resultados 6x6 = 36, portanto
P(9 pontos) =
4 1
=
36 9
2.2 Permutaes e Combinaes
Nos exemplos anteriores usamos a classificao (s e f) e contagem dos estados

(possveis realizaes do experimento). Em alguns problemas pode-se utilizar os conceitos de
permutao n Pr =
n!
n!
e combinao n C r =
.
(n r )!
r! (n r )!
2.3 Conceitos Prticos de Engenharia
Em problemas prticos no possvel determinar a probabilidade de sucesso ou falha

a partir do conhecimento da geometria do objeto ou da especificao matemtica do
problema. Neste caso, as probabilidades so avaliadas atravs da evidncia experimental,
utilizando o conceito de freqncia relativa.
f
P(de um particular evento ocorrer ) = lim
n n
sendo:
n = nmero de repeties do experimento

f = nmero de ocorrncias do evento

6
Quanto maior for o tamanho da amostra (n) melhor ser a estimativa para a
probabilidade acima.
Indisponibilidade (unavailability): probabilidade de se encontrar um elemento de um

determinado equipamento ou sistema fora de operao (on outage) ou falha em um tempo
futuro.
indisponibilidade =
tempo fora de operao ou falha

tempo fora de operao ou falha + tempo em operao
2.4 Diagramas de Venn
S
A
A e B: eventos
espao amostral
S:
2.5 Regras
Regra 1 Eventos independentes
Dois eventos so ditos independentes se a ocorrncia de um evento no afeta a

probabilidade de ocorrncia do outro evento. O lanamento de um dado no interfere no
resultado do lanamento de uma moeda.
Regra 2 Eventos mutuamente exclusivos (ou disjuntos)
Eventos que no podem ocorrer ao mesmo tempo. Ex.: as faces de uma moeda.
S
B
A

7
Regra 3 Eventos complementares
Se um evento (A) no ocorre o outro (B) necessariamente ocorre.

B
Ento: P(A) + P(B) = 1 ou P(B) = P( A )

A
Eventos complementares so tambm mutuamente exclusivos. Porm, o inverso no

verdadeiro.
Regra 4 Eventos condicionais
So eventos que ocorrem condicionados ocorrncia de outro(s) evento(s). A

probabilidade condicional de A ocorrer dado que B tenha ocorrido dada por:
P( A B) =
Ento:
P( A B ) =
P( A B )
P( B)
no. de maneiras de ocorrer A e B

no. de maneiras de ocorrer B
P(B A) =
P( A B )
P ( A)
Regra 5 Eventos de ocorrncia simultnea ( A B )
i) eventos independentes
A probabilidade de cada evento no influenciada pela probabilidade de
ocorrncia de outro:
P( A B ) = P( A)
P (B A ) = P (B )
logo: P( A B ) = P( AB ) = P( A) P( B)
Para n eventos independentes Ai:

n
P( A1 A2 ... Ai ... An ) = P ( Ai )
i =1

8
ii) eventos dependentes

A probabilidade de ocorrncia de um evento influenciada pela probabilidade
de ocorrncia do outro:
P( AB) = P( A B ) P( B) = P( B A) P( A)
Regra 6 Ocorrncia de pelo menos um de dois eventos
Ocorrncia de A ou B ou ambos:
P( A B) = P( A + B) = P( A) + P(B ) P( A B)
i) eventos independentes e no mutuamente exclusivos

P( AB) = P( A) P(B )
P ( A + B ) = P( A) + P (B ) P ( A) P( B)
ii) eventos mutuamente exclusivos

P( AB) = 0
P ( A + B ) = P( A) + P(B )
Para n eventos mutuamente exclusivos Ai:

n
P( A1 A2 ... Ai ... An ) = P ( Ai )
i =1
iii) eventos dependentes

P ( A B ) = P ( A + B ) = P( A) + P(B ) P( A B )
= P ( A) + P( B ) P ( A B ) P( B)
= P ( A) + P( B ) P ( B A) P( A)
Regra 7 Aplicao da probabilidade condicional
Se um evento A est condicionado ocorrncia de um conjunto de eventos B

mutuamente exclusivos, ento:
B1
P ( ABi ) = P( A Bi ) P( Bi )
n
P ( A) = P ( ABi ) = P( A Bi ) P( Bi )
i =1
i =1
B2
B5
B4
B3

9
Teorema de Bayes:
Se P( Bi A) =
P ( ABi ) P( A Bi ) P ( Bi )
=
,
P ( A)
P ( A)
P ( Bi A) =
ento:
P ( A B i ) P ( Bi )
n
P( A B j ) P( B j )
j =1
Exemplo: O mercado de um certo equipamento dividido entre dois fabricantes F1 e F2 que

possuem 70% e 30%, respectivamente. O padro mnimo de qualidade (pqm) alcanado por
90% dos equipamentos F1 e 80% de F2.
i) Para cada 100 equipamentos comprados no mercado quantos tero o pqm?
ii) Se o equipamento possui o pqm qual a probabilidade dele ser fabricado por F2?
Definindo
A = o equipamento possui o pqm

B1 = o equipamento fabricado por F1
B2 = o equipamento fabricado por F2
Teremos: P(B1) = 0,7 ; P(B2) = 0,3 ; P(A/B1) = 0,9 ; P(A/B2) = 0,8
i) P(A) = 0,9x0,7 + 0,8x0,3 = 0,87 => De cada 100 equipamentos comprados, em mdia, 87 tero o pqm.
ii) P(B2)/A) = P(A/B2)xP(B2)/P(A) = 0,8x0,3/0,87 = 0,276 => P(B1/A) = 0,724
2.6 Distribuies de Probabilidade

Varivel Aleatria (va): Sejam um experimento e S um espao amostral associado
ao experimento. Uma funo X, que associe a cada elemento s S um nmero real, X(s),
denominada varivel aleatria.
S
X(s)
O parmetro medido ou observado de um determinado evento (ex.: taxa de falha de

um componente, durao do tempo de reparo, valor de um resistor, temperatura de um
equipamento, esforo mecnico de um componente, etc.) uma varivel aleatria.

10
Uma varivel aleatria pode ser discreta (no. discretos de estados ou no. contvel de
valores) ou contnua (no. infinito de estados ou no. incontvel de valores). Exemplos: o lance
de um dado tem 6 estados possveis, j uma corrente eltrica que pode assumir qualquer valor
entre 5 e 10 ampres, tem um nmero infinito de estados possveis.
Funes de distribuio e densidade: Uma mquina corta vergalhes de ao em

comprimentos de aproximadamente 6 metros. Tomando aleatoriamente uma amostra de 20
vergalhes, um engenheiro de controle de qualidade mede os seguintes comprimentos: 5,97;
5,97; 5,98; 5,98; 5,98; 5,99; 5,99; 5,99; 5,99; 5,99; 6,00; 6,00; 6,00; 6,00; 6,00; 6,01; 6,01;
6,02; 6,02; 6,02 metros.
i) distribuio de freqncia representando graficamente essas medidas (dados) na
forma de freqncia de ocorrncia versus o valor da medida (comprimento do vergalho) temse uma distribuio de freqncia:
5
0.25
0.20
freq. 3
0.15 prob.
0.10
0.05
0
5,97
5,98
5,99
6,00
metros
6,01
6,02
ii) histograma de freqncia um mtodo alternativo de representar graficamente as

medidas de comprimento agrupar tais valores em conjuntos com valores prximos. Isto
conveniente se a quantidade de dados relativamente grande. Obtenha um histograma de
freqncia agrupando as medidas nas faixas: 5,965 5,985; 5,985 6,005 e 6,005 6,025.
10
0.5
0.4
freq. 6
0.3 prob.
0.2
0.1
0
5,97
5,98
5,99
6,00
metros
6,01
6,02

11
A escala relativa freqncia de ocorrncia pode ser dividida pelo tamanho da

amostra (20 medidas), tornando-se uma escala de probabilidades. Como todos os resultados
possveis do espao amostral considerado foram includos, a soma das probabilidades deve
ser igual a 1:
n
i =1
i =1
P( X i ) = p i = 1
onde Xi a varivel aleatria: tamanho do vergalho.
iii) funo distribuio de probabilidade (acumulada) obtida pela ordenao da va

em ordem crescente (ou decrescente) de valores, comeando com a probabilidade de
ocorrncia do menor (ou maior) valor, somando seqencialmente (acumulando) as
probabilidades de ocorrncia de cada valor ordenado. Construa o grfico da funo
distribuio para a amostra de 20 vergalhes.
1.0
0.8
prob.
0.6
0.4
0.2
0
5,97
5,98
5,99
6,00
metros
6,01
6,02
Este tipo de distribuio fornece a probabilidade de uma va ser menor ou igual a

algum valor predefinido. Ex.: a probabilidade do comprimento do vergalho de ao ser menor
ou igual a 5,99 0,5. A funo de distribuio de uma va X definida por: FX(x) = P{X x}
Para o caso de va contnuas a funo distribuio de probabilidade acumulada ser

uma funo tambm contnua e no decrescente.
FX(x)
1,0

12
Note que se x1 < x2, ento P{x1 < X x2} = F(x2) - F(x1), seja X uma va discreta ou contnua.
iv) funo densidade de probabilidade definida a partir da diferenciao da funo

distribuio de probabilidade, i.e. f(x) = dF(x)/dx
f(x)
f(x)
contnua
discreta
Se a F(x) descontnua como no exemplo da amostra de vergalhes, a f(x) ser igual a um

conjunto de impulsos de rea pi = probabilidade associada ao resultado xi. A funo densidade
n
para um va discreta descrita por: f ( x) = p i ( x x i ) , sendo (x) = funo impulso ou delta.

i =1
Para va contnuas:
f ( x)dx = 1
P{ X = x1 } = 0
F ( xi ) = P{ X xi } =
xi
f ( x)dx
x2
P{x1 X x 2 } = F ( x 2 ) F ( x1 ) = f ( x)dx
x1
Para va discretas:
f ( x)dx = p i = 1
P{ X = x i } = p i = F ( x i ) F ( x i )
F ( x i ) = P{ X x i } = P{ X = x i }
i
P{x1 < X x 2 } =
x2
f ( x)dx
x1
P{x1 X x 2 } =
x2
f ( x)dx
x1
i tal que X x i

13
v) aproximaes para uma funo densidade contnua podem ser necessrias por
questo de processamento numrico.
f(x)
f(x)
contnua
discreta
pi
f(xi)
x
xi
xi
pi = reai = f(xi)
Quanto menor o mais a funo discreta se aproxima da funo contnua. O valor do
impulso pi pode ser interpretado como uma densidade de massa (de probabilidade).
vi) aproximaes para uma funo densidade discreta utilizada quando se deseja que
todos os impulsos de uma funo discreta sejam eqidistantes entre si (de um valor ).
pj
pi+1
pi
Xi
Xi-1
Xj
ij
Xi+1
Xi+2
j,i+1
sendo = ij + j,i+1, teremos:

pi =
j ,i +1
pj
p i +1 =
ij
pj
p i + p i +1 = p j
Na prtica a maioria das variveis aleatrias se comporta de acordo com um certo no.
de distribuies bastante conhecidas. Funes tpicas de distribuies discretas: binomial e
Poisson. Funes tpicas de distribuies contnuas: normal (Gaussiana), uniforme,
lognormal, exponencial, Weibull e Gamma.

14
Valor Esperado: Na prtica til descrever o comportamento aleatrio de um sistema

ou conjunto de dados por um ou mais parmetros. Isto particularmente verdade no caso da
avaliao da confiabilidade de sistemas. Estes parmetros so conhecidos matematicamente
como momentos de uma distribuio. O mais importante deles o valor esperado
(expectncia ou esperana matemtica, valor mdio ou simplesmente mdia), primeiro
momento de uma distribuio.
va discreta:
va contnua:
E ( X ) = xi pi
... sendo
i =1
E( X ) =
pi = 1
i
xf ( x)dx
... sendo
f ( x)dx = 1
Exemplo: A partir da amostra colhida, o comprimento mdio do vergalho ser:
1
(5,97 + 5,97 + 5,98 + 5,98 + 5,98 + 5,99 + ... + 6 ,02 + 6 ,02)
20
= 5,97 0,10 + 5,98 0,15 + 5,99 0,25 + 6 ,00 0,25 + 6 ,01 0,10 + 6 ,02 0,15 = 5,9955
E( X ) =
Obs.: Em alguns casos o valor esperado de um experimento um resultado impossvel de

ocorrer. D um exemplo.
Exemplo: A probabilidade que um homem de 30 anos sobreviva por um determinado perodo

de tempo igual a 0,995. Uma empresa seguradora oferece uma aplice no valor de $2000
por este perodo, a um preo de $20. Qual o ganho esperado por esta empresa?
va ganho:
homem vive ganho = $20 com prob. 0,995;

homem morre ganho = -$1980 com prob. 0,005
0,995
Ento: E(X) = -19800,005 + 200,995

E(X) = $10
0,005
-1980
+20

15
Propriedades do valor esperado:

i) Se X = C (constante), ento E(X) = C;
ii) Sendo C uma constante, E(CX) = CE(X);
iii) E(X + Y) = E(X) + E(Y);
iv) E(X1 + ... + Xn) = E(X1) + ... + E(Xn);
v) Se X e Y so va independentes {f(x,y) = g(x)h(y)}, ento E(XY) = E(X)E(Y).
Varincia: A disperso dos resultados de uma va X em torno de seu valor esperado

medida pelo segundo momento central de sua distribuio de probabilidade, o qual
denominado varincia V(X).
O k-simo momento central de uma distribuio definido por:

Mk = E{X E(X)}k
Portanto:
V(X) = M2 = E{X E(X)}2 = E(X2) E2(X)
i =1
i =1
va discreta:
V ( X ) = {x i E ( X )} 2 p i = x i2 p i E 2 ( X )
va contnua:
V ( X ) = {x E ( X )}2 f ( x)dx =
Desvio padro:
2
2
x f ( x)dx - E ( X )
= + V (X )
Exemplo: Avaliar a varincia e o desvio padro do comprimento do vergalho de ao.

V ( X ) = 5,97 2 0,10 + 5,98 2 0,15 + 5,99 2 0,25 + 6 ,00 2 0,25 +
6 ,012 0,10 + 6 ,02 2 0,15 5,9955 2 = 2,248 10 4 m 2
X = + V ( X ) 1,499 10 2 m
Estes valores devem ser calculados com certo cuidado para evitar problemas de preciso.
Outros conceitos: valor esperado condicionado, covarincia e coeficiente de correlao, etc.
16
CAPTULO 3: Aplicao da Distribuio Binomial
3.1 Conceitos Bsicos
Considere um nico lance de uma moeda, cujo resultado pode ser cara (H) ou coroa
(T), cada um tendo uma probabilidade de ocorrncia igual a . Todos os possveis resultados
e suas probabilidades podem ser expressos por:
P(H) + P(T) = [P(H) + P(T)]1
Suponha, agora, que a moeda lanada duas vezes. Os resultados possveis so (HH),
(HT), (TH) e (TT), ou ainda, (HH), 2(HT) e (TT) caso somente a combinao de resultados, e
no a sua ordem, seja de interesse. Neste caso, as probabilidades de ocorrncia so , e ,
respectivamente. Tal resultado obtido pela seguinte expresso:
[P(H) + P(T)]2 = P(H)P(H) + 2P(H)P(T) + P(T)P(T) = + +
Generalizando, para n lances o espao amostral determinado pela seguinte expresso:

[P(H) + P(T)]n
V-se que o lanamento de uma moeda ou qualquer outro experimento similar pode
ser analisado pela expresso binomial (p + q)n. Se no exemplo anterior o evento cara
definido como sucesso e coroa como falha, os conceitos descritos anteriormente podem ser
relacionados aos conceitos de confiabilidade em que p representa a probabilidade de sucesso e
q = 1 p representa a probabilidade de falha de um dado equipamento.
3.2 Propriedades da Distribuio Binomial

A aplicao da expresso (p + q)n requer que 4 condies sejam satisfeitas:
i) o nmero de tentativas ou repeties fixo;
ii) cada tentativa deve resultar em sucesso ou falha, i.e. p + q = 1;
iii) p e q permanecem constantes em todas as tentativas;
iv) todas as tentativas so estatisticamente independentes.
17
Um termo genrico para a expanso (p + q)n dado por:

Pr =
n!
p r q nr = n C r p r q nr
r! (n r )!
O termo Pr expressa a probabilidade de ocorrerem r sucessos e n-r falhas em n

tentativas, onde nCr fornece o no. de combinaes possveis para r sucessos em n tentativas.
n
Finalmente, ( p + q) n = n C r p r q n r = 1
r =0
Exemplo 3.1: Uma moeda lanada 5 vezes. Avalie a probabilidade de cada resultado
possvel e desenhe as funes densidade e distribuio de probabilidade.
Nmero de
Caras
Coroas
0
1
2
3
4
5
Prob. Individual
Expresso
Valor
(1/2)5
1
4
5C1(1/2) (1/2)
2
3
5C2(1/2) (1/2)
3
2
5C3(1/2) (1/2)
4
1
5C4(1/2) (1/2)
5
0
5C5(1/2) (1/2)
5
4
3
2
1
0
5C0(1/2)
1/32
5/32
10/32
10/32
5/32
1/32
Prob.
Acumulada
1/32
6/32
16/32
26/32
31/32
32/32
10/32
Prob.
5/32
1/32
0
Exemplo 3.2: Um dado lanado 6 vezes. Calcule a probabilidade de se obter a face 2, zero,
uma, duas, ..., seis vezes.
Exemplo 3.3: Repita o Exemplo 3.1 considerando um experimento cuja probabilidade de

sucesso em uma nica tentativa e que 4 tentativas so realizadas.
18
Nmero de
Sucessos
Falhas
0
1
2
3
4
(3/4)4
1
3
4C1(1/4) (3/4)
2
2
4C2(1/4) (3/4)
3
1
4C3(1/4) (3/4)
4
0
4C4(1/4) (3/4)
4C0(1/4)
4
3
2
1
0
Valor Esperado:
Prob. Individual
Expresso
Valor
0
81/256
108/256
54/256
12/256
1/256
Prob.
Acumulada
81/256
189/256
243/256
255/256
256/256
E(XBIN) = np, i.e. para uma distribuio binomial o nmero
esperado de sucessos igual ao nmero de tentativas multiplicado pela probabilidade de

sucesso. Analogamente, o nmero esperado de falhas ...
Varincia:
V(XBIN) = npq
3.3 Aplicaes na Engenharia
Avaliao restrita: em muitos problemas prticos no necessria a avaliao

completa das distribuies binomiais que os caracterizam.
Exemplo: Sabe-se que, em um determinado processo de fabricao, 1% dos produtos so

defeituosos. Se em mdia um comprador adquire 50 destes produtos selecionados
aleatoriamente, qual a probabilidade dele comprar 2 ou menos produtos defeituosos?
Soluo: Deve-se avaliar apenas as probabilidades do comprador adquirir 2, 1 ou zero
produtos defeituosos (r = 0; 1 e 2). Neste exemplo, n = 50; p = 0,01 e q = 0,99. Ento:
P(2 prod. defeituosos) = 50C2 (0,01)2 (0,99)48 = 0,0756
P(1 prod. defeituoso) = 50C1 (0,01)1 (0,99)49 = 0,3056
P(0 prod. defeituosos) = 50C0 (0,01)0 (0,99)50 = 0,6050
P(2 ou menos prod. defeituosos)
= 0,9862
Efeito da redundncia: Para melhorar a confiabilidade global de um sistema pode-se

aumentar a confiabilidade de seus componentes, ou ainda, aumentar a redundncia entre eles.
19
Exemplo: Considere um sistema de 4 componentes (Quais?) idnticos com probabilidade de

sucesso igual a 0,9 (S = 0,9 e F = 0,1). Os estados em que os componentes podem existir
sero:
(S + F)4 = S4 + 4S3F + 6S2F2 + 4SF3 + F4
Repare que a soma dos coeficientes binomiais igual a 16 = 24 que o nmero total de
estados possveis.
Estado do Sistema
Probabilidade Individual
0,94 = 0,6561
todos os componentes operam

1 componente falha
40,930,1 = 0,2916
2 componentes falham
60,920,12 = 0,0486
3 componentes falham
40,90,13 = 0,0036
todos os componentes falham
0,14 = 0,0001
Considere, agora, os quatro seguintes critrios para a confiabilidade global do sistema:

i) todos os componentes so requeridos para o sucesso;
ii) trs componentes so requeridos para o sucesso;
iii) dois componentes so requeridos para o sucesso;
iv) um componente requerido para o sucesso.
Estes critrios tambm podem ser expressos em termos de falha:
i) a falha de um ou mais componentes causa a falha do sistema;
ii) a falha de dois ou mais componentes causa a falha do sistema;
iii) a falha de trs ou mais componentes causa a falha do sistema;
iv) a falha dos quatro componentes causa a falha do sistema.
Um sistema obedecendo (i) conhecido como no-redundante; j obedecendo (iv)

ser totalmente redundante. Nos casos (ii) e (iii) o sistema dito parcialmente redundante.
(paralelo fsico > paralelo na confiabilidade)
20
Conhecidos os critrios de sucesso (ou de falha), os valores de probabilidade dos

estados mostrados na tabela anterior so combinados apropriadamente para dar a
probabilidade de sucesso ou confiabilidade R do sistema e a probabilidade de falha ou noconfiabilidade Q do sistema. Tomando o critrio (ii) como exemplo:
R = 0,6561 + 0,2916 = 0,9477
Q = 0,0486 + 0,0036 + 0,0001 = 0,0523 = 1 - R
Veja na tabela abaixo como variam os parmetros R e Q em funo do no. de
componentes (1 NC 6) e do no. de componentes requerido para sucesso do sistema (NSUC).
NSUC
6
R
NC
4
5
Q
...
...
0,531441 0,468559
...
0,885735 0,114265
0,59049
0,40951
...
0,984150 0,015850
0,91854
0,08146
0,6561
0,3439
...
0,998730 0,001270
0,99144
0,00856
0,9477
0,0523
...
0,999945 0,000055
0,99954
0,00046
0,9963
0,0037
...
0,99999
0,000001
0,99999
0,00001
0,9999
0,0001
...
0,9
0,1
Veja que (valores sublinhados), para sistemas sem redundncia, a confiabilidade (R) decresce
com o aumento do no. de componentes (NC). J para sistemas com redundncia (valores em
negrito), a confiabilidade cresce com o aumento do no. de componentes (NC).
Em alguns casos o critrio anteriormente usado, baseado no nmero de componentes,
substitudo por outro baseado na capacidade do componente (que pode, por exemplo, ser
expressa por um percentual em relao capacidade de sada do sistema). Isto
particularmente til em problemas envolvendo fluxos.
Estados Intermedirios: Anteriormente foi assumido que os estados de um sistema
podem ser combinados para formar um sistema de 2 estados no qual um grupo de estados
classificado como sucesso e o outro como falha. Este mtodo despreza o fato que, na prtica,
alguns dos estados do sistema podem no cair em qualquer um desses grupos. Por exemplo, o
sistema de gerao de energia eltrica pode operar com capacidade mxima (todas as
unidades disponveis), capacidade zero (nenhuma unidade disponvel) ou com capacidades
intermedirias devido a uma falha parcial do sistema (algumas unidades indisponveis).
21
Este tipo de problema pode ser resolvido atravs da construo de uma tabela de
probabilidade da capacidade indisponvel (ou disponvel) usando a distribuio binomial. Esta
tabela usualmente referida por COPT - capacity outage (available) probability table.
Exemplo: Um parque de gerao est sendo projetado para satisfazer uma carga constante de
10 MW. Quatro alternativas esto sendo consideradas:
(a) 1 x 10 MW, (b) 2 x 10 MW, (c) 3 x 5 MW e (d) 4 x 3 1/3 MW
A primeira alternativa tem redundncia zero, enquanto que as outras 3 alternativas tm uma
unidade de reserva acima do nvel de demanda de 10 MW. A probabilidade de falha
individual para todas as unidades a mesma e igual a 0,02. Na maioria das aplicaes em
engenharia esta probabilidade denominada indisponibilidade da unidade. Em estudos de
avaliao da capacidade geradora tal indisponibilidade conhecida por taxa de sada forada
(FOR forced outage rate). Neste exemplo a disponibilidade igual a 0,98.
COPT
Unidades
Indisponveis
Capacidade (MW)
Indisponvel
Disponvel
Probabilidade
Individual
(a) 1 unidade de 10 MW
0
1
0
10
10
0
0,98
0,02
0
10
20
20
10
0
0,982 = 0,9604
20,980,02 = 0,0392
0,022 = 0,0004
0
5
10
15
15
10
5
0
0,983 = 0,941192
0,057624
0,001176
0,000008
0
3 1/3
6 2/3
10
13 1/3
13 1/3
10
6 2/3
3 1/3
0
(b) 2 unidades de 10 MW
0
1
2
(c) 3 unidades de 5 MW
0
1
2
3
(d) 4 unidades de 3 1/3 MW

0
1
2
3
4
0,984 = 0,92236861
0,07529536
0,00230496
0,00003136
0,00000016
22
As tabelas COPTs mostradas acima fornecem uma indicao das provveis

deficincias da capacidade geradora de cada alternativa, mas no indicam a confiabilidade
relativa. Para isto necessrio relacionar essas tabelas aos requisitos do sistema. Neste
exemplo o requisito satisfazer a demanda de 10 MW. Portanto, deve-se avaliar a quantidade
de carga que no atendida (perda de carga) considerando cada estado de gerao e sua
probabilidade de ocorrncia (j obtida nas COPTs). Para isto define-se uma va: corte de carga
ou potncia no suprida, cujo valor esperado um parmetro de extrema importncia.
A avaliao da potncia esperada no suprida (EPNS Expected Power not
Supplied) mostrada na tabela a seguir. Atravs desta tabela possvel fazer uma
comparao entre os mritos relativos a cada alternativa. Baseado somente na EPNS a
alternativa (b), i.e. 2 unidades de 10 MW, a mais indicada. Entretanto, tal concluso
despreza o aspecto econmico. Para tal assuma que os custos das instalaes so
Capacidade
Probabilidade
Perda de
Indisponvel (MW)
EPNS (MW)
Carga (MW)
(a) 1 unidade de 10 MW
0
10
0,98
0,02
0,9604
0,0392
0,0004
0,941192
0,057624
0,001176
0,000008
0,92236861
0,07529536
0,00230496
0,00003136
0,00000016
0
10
0
0,2
0,2 MW
0
0
10
0
0
0,004
0,004 MW
0
0
5
10
0
0
0,00588
0,00008
0,00596 MW
(b) 2 unidades de 10 MW
0
10
20
(c) 3 unidades de 5 MW
0
5
10
15
(d) 4 unidades de 3 1/3 MW

0
3 1/3
6 2/3
10
13 1/3
0
0
3 1/3
6 2/3
10
0
0
0,00768320
0,00020907
0,00000160
0,00789387 MW
23
proporcionais capacidade total instalada. A tabela abaixo mostra o custo para cada
alternativa considerando que 10 MW representa 1 pu de custo. Porm, fica a pergunta: como
comparar confiabilidade (via ndice EPNS) e custo de investimento ($)?
Alternativa
EPNS (MW)
Custo (pu)
1 10 MW
0,20000
1,00
2 10 MW
0,00400
2,00
3 5 MW
0,00596
1,50
4 3 1/3 MW
0,00789
1,33
O ndice de confiabilidade potncia esperada no suprida EPNS indica a quantidade

de carga que, em mdia, no poder ser suprida. Porm, no fornece nenhuma indicao
quanto ao no. esperado de horas em que ocorrem cortes de carga. Isto pode ser obtido via
ndice LOLE Loss of Load Expectation. Para o clculo da LOLE necessrio obter (somar)
a probabilidade de haver corte de carga total ou parcial (LOLP Loss of Load Probability).
Tendo em mente que o consumo de energia ocorre 8760 horas por ano (h/ano), basta
multiplicar a LOLP por este no. para se obter a LOLE. Um outro ndice de confiabilidade, a
EENS Expected Energy not Supplied, representa o volume de energia no suprida para o
perodo de estudo (e.g. 1 ano), sendo obtido atravs do produto da EPNS pelo no. 8760
(h/ano). A tabela a seguir apresenta os ndices LOLP, LOLE, EPNS e EENS obtidos para as
quatro alternativas de gerao.
Alternativa
LOLP
LOLE
(h/ano)
EPNS
(MW)
EENS
(MWh/ano)
1 10 MW
0,020000
175,200
0,20000
1752,00
2 10 MW
0,000400
3,504
0,00400
35,04
3 5 MW
0,001184
10,372
0,00596
52,21
4 3 1/3 MW
0,002336
20,468
0,00789
69,12
Lembrando: LOLE = LOLP 8760 h/ano

EENS = EPNS 8760 h/ano
Faa uma anlise quanto s vantagens e desvantagens pertinentes a cada um dos

ndices apresentados. Pense nas informaes (e perda de informao) que eles nos fornecem.
24
Efeitos da Indisponibilidade: a indisponibilidade das unidades geradoras (FOR) um

parmetro de fundamental importncia na avaliao da confiabilidade. Como exemplo,
apresentada a tabela a seguir, contendo a EPNS para as quatro alternativas em questo e para
diferentes indisponibilidades: 2%, 4% e 6%. A partir destes resultados pode-se verificar a
necessidade de se observar o comportamento a longo prazo da confiabilidade de uma
instalao e seus componentes.
EPNS (MW)
Alternativa
FOR = 2%
FOR = 4%
FOR = 6%
1 10 MW
0,20000
0,40000
0,60000
2 10 MW
0,00400
0,01600
0,03600
3 5 MW
0,00596
0,02368
0,05292
4 3 1/3 MW
0,00789
0,03112
0,06909
Capacidades Diferentes: considere 2 unidades de 20 MW e 1 de 30 MW. Cada

unidade tem FOR = 0,1. Para resolver este problema necessrio obter duas COPTs: uma
para o par de unidades de 20 MW (COPT1) e outra para a unidade de 30 MW (COPT2). A
COPT do sistema obtida pela convoluo das duas COPTs: COPTSISTEMA = COPT1 * COPT2.
COPT1 2x20 MW
Capacidade
Indisponvel (MW)
0
20
40
COPT2 1x30 MW
Probabilidade
Capacidade
Indisponvel (MW)
0.92 = 0,81
0
30
20,90,1 = 0,18
0,12 = 0,01
COPTSISTEMA
0
20
30
40
50
70
0,9
0,1
= 1,0
= 1,0
Capacidade
Indisponvel (MW)
Probabilidade
Probabilidade
0,810,9 = 0,729
0,180,9 = 0,162
0,810,1 = 0,081
0,010,9 = 0,009
0,180,1 = 0,018
0,010,1 = 0,001
25
Indisponibilidades Diferentes: considere o caso em que todas as unidades tem a

mesma capacidade e indisponibilidade. Ento, pode-se utilizar a distribuio binomial:
(p + q)n = (p + q) (p + q) . . . (p + q)
Se p e q so diferentes para cada unidade, ento:
(p1 + q1) (p2 + q2)
...
(pi + qi) . . .
(pn + qn)
Uma expanso da expresso acima produziria uma equao que similar em conceito
expanso binomial. Porm, a expresso acima s pode ser expandida e usada diretamente se
o no. de unidades relativamente pequeno. Em vez disso, a tcnica utilizada no exemplo
anterior pode ser empregada. Deste modo, o primeiro passo combinar todas unidades
idnticas via distribuio binomial. So, ento, formados grupos de unidades idnticas que
podem ser combinados conforme exemplo anterior (via convoluo).
Exerccio 3.4: Refaa o exemplo anterior considerando uma indisponibilidade (FOR) igual a
0,15 para a unidade de 30 MW.
COPTSISTEMA
Capacidade
Indisponvel (MW)
Probabilidade
0,810,85 = 0,6885
0,180,85 = 0,1530
0,810,15 = 0,1215
0,010,85 = 0,0085
0,180,15 = 0,0270
0,010,15 = 0,0015
0
20
30
40
50
70
Exemplo 3.5: Considere que o sistema do Exemplo 3.4 deve atender a uma carga constante e
igual a 40 MW. Calcule LOLP, LOLE, EPNS e EENS.
Capacidade
Probabilidade
Perda de
Indisponvel (MW)
0
20
30
40
50
70
EPNS (MW)
Carga (MW)
0,6885
0,1530
0,1215
0,0085
0,0270
0,0015
0
0
0
10
20
40
0
0
0
0,085
0,540
0,060
0,685 MW
26
CAPTULO 4: Introduo Confiabilidade da Gerao
Vimos ao final do captulo anterior como obter alguns ndices de confiabilidade de

sistemas de gerao utilizando COPTs. Neste captulo, so introduzidos dois mtodos de
avaliao baseados na representao a espao de estados, cujos conceitos principais so
apresentados a seguir.
4.1 Representao a Espao de Estados
Cada estado de um sistema de potncia pode ser representado por um vetor x = (x1, x2,
..., xm), onde xi o estado do i-simo componente [PPCO90]. Cada componente de x deve
corresponder a um elemento do sistema (geradores) ou ao nvel momentneo da carga. O
espao de estados, ou seja, todas as possveis realizaes de x denotado por X. A cada
estado x X associada um probabilidade de ocorrncia P(x). Se as falhas de cada
componente e as transies da carga so estatisticamente independentes, P(x) fica igual ao
produto das probabilidades associadas com o estado de cada componente e da carga.
Estabelecidos os conceitos preliminares acima, os ndices de confiabilidade so ento

obtidos a partir do clculo do valor esperado de vrias funes teste F(x):
E [ F ] = F ( x ) P( x )
x X
(4.1)
O objetivo destas funes teste verificar se, e/ou de que forma, uma determinada
configurao de geradores capaz de suprir uma dada carga.
4.2 Enumerao de Estados

O clculo de E[F] realizado atravs dos trs passos dados a seguir [PB92]:
selecione (enumere) cada estado x X;

calcule F(x);
acumule em um somador o valor F(x)P(x).
27
Como o nmero de estados cresce exponencialmente com o nmero de componentes

do vetor de estados x (para m componentes o nmero de estados de x ser 2 m ), deve-se
enumerar apenas um subconjunto X X e calcular os limites inferior (lower) e superior
(upper) das estimativas, conforme expresses (4.2) e (4.3) dadas a seguir:
( ))
(4.2)
( ))
(4.3)
E [ F ]lower = ' F ( x ) P( x ) + Flower 1 P X '

x X
E [ F ]upper = ' F ( x ) P( x ) + Fupper 1 P X '

x X
onde P(X) a probabilidade acumulada dos estados x X, e Flower e Fupper so,

respectivamente, limites inferior e superior estimados para F(x) sendo x X.
Tomando a avaliao da LOLP como exemplo, Flower pode ser feita igual a zero (no
h corte de carga para todos os estados no pertencentes a X) e Fupper ser ento igual a um.
Por conseguinte:
LOLPlower =
F ( x ) P( x )
(4.4)
x X '
LOLPupper = LOLPlower + (1 P( X '))
(4.5)
O valor (1 P( X ') ) , correspondente diferena entre as estimativas limites para a

LOLP, definidas acima, relacionado com a probabilidade acumulada dos estados x X, ou
seja, com a soma das probabilidades dos estados no examinados. Se esta muito pequena,
i.e. se a probabilidade acumulada dos estados x X significativamente prxima de um,
possvel obter uma boa estimativa para a LOLP com baixo esforo computacional.
O mtodo da enumerao de estados conceitualmente atrativo, pois corresponde a

uma extenso direta da anlise de contingncias (Critrio N-1). Entretanto, sua aplicao na
avaliao da confiabilidade composta torna-se menos indicada na medida em que a
probabilidade do espao de estados, devido s elevadas indisponibilidades dos geradores,
torna-se mais dispersa.
28
Exemplo 4.1: Considere um sistema formado por 2 unidades de 20 MW (com FOR = 0,1) e 1
unidade de 30 MW (com FOR = 0,15). Calcule os ndices LOLP, LOLE, EPNS e EENS
apresentados por este sistema, ao atender uma carga de 40 MW.
29
4.3 Sistema Teste IEEE-RTS
O sistema IEEE Reliability Test System [APM79] possui 32 unidades geradoras,

distribudas entre 14 usinas, perfazendo uma capacidade total instalada de 3405 MW. O pico
anual da carga equivale a 2850 MW.
Os dados relativos s unidades geradoras so apresentados na tabela abaixo.
Usina
Unidades
FOR
Pot. Ativa (MW)
(%)
Min.
Max.
6.00
12.00
10
10.00
20.00
10
10.00
20.00
30.00
76.00
30.00
76.00
60.00
100.00
80.00
155.00
80.00
155.00
80.00
155.00
10
80.00
197.00
11
150.00
350.00
12
12
200.00
400.00
13
12
200.00
400.00
14
16.00
50.00
Exerccio: Como pode ser verificado este sistema suporta toda e qualquer contingncia
simples. Somente algumas poucas contingncias duplas produzem corte de carga. Baseado
nestas observaes estime ndices de confiabilidade utilizando o critrio N-2, i.e. at
contingncia de segunda ordem.
Exerccio: Faa um algoritmo para o clculo de ndices de confiabilidade atravs do mtodo

da enumerao, capaz de considerar contingncias triplas.
30
4.4 Simulao Monte Carlo
Sero vistos neste captulo apenas os conceitos bsicos do mtodo de Monte Carlo e
sua aplicao ao clculo de ndices de probabilidade e energia para sistemas de gerao,
utilizando a representao a espao de estados (simulao Monte Carlo No-Seqencial)
[PB92]. A obteno de ndices de freqncia e durao (F&D) e de custo de interrupo,
assim como a representao cronolgica (simulao Monte Carlo Seqencial) [S90, M94],
deixada para o final deste curso.
Lance de uma moeda: sabe-se que a probabilidade de dar cara ou coroa 0,5. Estas
probabilidades podem ser estimadas usando o conceito de freqncia relativa. Faa uma
simulao usando 20 lances da moeda. Voc poder concluir que:
i) um no. pequeno de lances produz estimativas pobres para as probabilidades (cara e coroa);
ii) os valores estimados oscilam mas tendem para 0,5 (valor correto);
iii)o valor correto pode ser obtido diversas vezes durante a simulao;
iv) necessrio definir quando se deve interromper o processo de simulao.
Simulao: Quando um sistema real examinado, a ocorrncia de eventos segue o
comportamento inerente dos componentes e variveis contidas no sistema. Quando este

sistema simulado, a ocorrncia de eventos depende dos modelos e distribuies de
probabilidade usados para representar os componentes e variveis.
Gerao de nos. pseudo-aleatrios: um computador usa algoritmos determinsticos
conhecidos como random number generators, para gerar nos. pseudo-aleatrios seguindo uma
distribuio uniforme. Tais geradores devem ter:
i) aleatoriedade e distribuio uniforme;
ii) um perodo grande at que a seqncia se repita;
iii)capacidade de reproduzir a mesma seqncia (usando a mesma semente).
Converso de nos. aleatrios uniformes mtodo da transformao inversa: seja
uma v.a. x seguindo uma distribuio exponencial:

f ( x) = e x
F ( X ) = 1 e x
31
F(X)
1,0
Ui
xi
Fazendo U = F(X) = 1 e-x, onde U uma distribuio uniforme, teremos:

X =
ln(1 U ) =
ln U ,
pois U e 1 - U tm a mesma distrribuio
Caso de uma v.a. uniforme:

F(X)
1,0
Ui
0
a
xi
Caso de uma v.a. binomial:

F(X)
1,0
Ui
q
Uj
0
f
Exemplo: Usando a funo Random de sua calculadora, obtenha uma estimativa para a
probabilidade de se obter cara em um lanamento de uma moeda. Lembre-se que para este
experimento P(s) = P(f) = p = q = . Faa 10 repeties do experimento e estime a
probabilidade de dar cara por: P(H) = (no. de caras)/(no. de sorteios).

32
Devemos utilizar a seguinte funo teste para avaliar o experimento.

0
FH ( x k ) =
1
se x k < 0,5
se x k > 0,5
Ento, estimaremos FH(X) a partir da sua mdia amostral:
~
1
E ( F ( X )) =
N
F (x )
i
i =1
SORTEIO
VALOR
FH(x)
FH(x)
[FH(x)]2
~
E(FH (x))
0,2
0,6
1/2
0,3
1/3
0,1
1/4
0,7
2/5
0,8
1/2
0,6
4/7
0,4
1/2
0,9
5/9
10
0,2
1/2
Critrio de parada: como definir o instante no qual o processo de simulao deve ser
interrompido? Um alternativa clara definir o no. mximo de repeties. Porm, neste caso,
no ser possvel afirmar se o processo est convergido, i.e. se o desvio em torno da estimativa
aceitvel.
~
possvel demonstrar que a varincia do estimador E ( F ( X )) dada por [M76]:

~
V ( F ( X ))
V [ E ( F ( X ))] =
N
~
{F ( x ) E[ F ( X )]} [F ( x )]
N
sendo:
V [ F ( X )] =
i =1
N 1
2
~
N E[ F ( X )]
i =1
N 1
O coeficiente de variao dado abaixo usualmente utilizado como um dos critrios

para interrupo do processo de simulao.
~
V [ E ( F ( X ))]
= ~
E ( F ( X ))

33
Para o exemplo anterior teremos:

N
[F
V [ FH ( X )] =
2
~
( xi )]2 N E[ FH ( X )]
i =1
N 1
5 10 (1 2) 2
= 0,27777777
9
V ( FH ( X )) 0,27777777
~
V [ E ( FH ( X ))] =
=
= 0,02777777
10
N
~
V [ E ( FH ( X ))]
=
~
E ( FH ( X ))
0,02777777
= 0,3333 ou 33,33%
12
Exerccio: Estime a probabilidade de obter a face 1 no lance de um dado. Faa 50 repeties e

calcule o valor de .
Exerccio: Resolva o Exemplo 4.1 atravs da simulao Monte Carlo.
Exerccio: Resolva o Exemplo 4.1 atravs da simulao Monte Carlo, e considerando que a
carga diria vale 100%, 80% e 50% em perodos de 3, 9 e 12 horas, respectivamente.
Exerccio: Obtenha os ndices LOLP, LOLE, EPNS e EENS para o sistema IEEE-RTS. Use
como critrio de parada EPNS = 5%.
4.5 Referncias
[APM79] IEEE Reliability Test System Task Force of the Application of Probability Methods Subcommittee,
IEEE Reliability Test System, IEEE Transactions on Power Apparatus and Systems, 98 (1979) 2047-2054.
[M94] J. C. O. Mello, Determinao do Valor da Confiabilidade em Sistemas Compostos de Gerao e
Transmisso, Tese de Doutorado PUC/RJ (1994).
[M76] P. L. Meyer, Probabilidade Aplicaes Estatstica, LTC, Rio de Janeiro (1976)
[PB92] M. V. F. Pereira, N. J. Balu, Composite Generation/Transmission Reliability Evaluation, Invited Paper
Proceedings of IEEE, Vol. 80, No. 4, (1992) 470-491.
[PPCO90] M. V. F. Pereira, L. M. V. G. Pinto, S. H. F. Cunha, G. C. Oliveira, Monte Carlo Based Composite
Reliability Evaluation - Modeling Aspects and Computational Results, in Reliability Assessment of Composite
Generation and Transmission Systems, IEEE Tutorial Course 90EH0311-1-PWR (1990).
[S90] L. Salvaderi, Monte Carlo Simulation Techniques, in Reliability Assessment of Composite Generation
and Transmission Systems, IEEE Tutorial Course 90EH0311-1-PWR, (1990).

34
CAPTULO 5: Modelagem de Redes
5.1 Conceitos
Um sistema freqentemente representado por uma rede em que os componentes do

sistema so conectados em srie, paralelo, malha ou uma combinao dessas conexes.
Inicialmente consideraremos sistemas srie e paralelo, para depois tratarmos os sistemas mais
complexos.
Sistemas srie (no redundantes): os componentes de um conjunto so ditos em srie
do ponto de vista da confiabilidade se todos eles precisam operar para o sucesso do sistema,
ou se a falha de apenas um provoca a falha do sistema.
Sistemas paralelo (redundantes): caso em que somente um componente necessrio
para o sucesso do sistema, ou todos os componentes devem falhar para que haja falha do
sistema.
Um sistema fsico, com uma estrutura topolgica fixa, pode ter diferentes
redes/estruturas topolgicas de confiabilidade visto que os requisitos do sistema podem
mudar.
5.2 Sistema Srie

A
Considere que RA e RB so as probabilidades de sucesso na operao de A e B,

respectivamente. As probabilidades de falha so QA e QB. Como sucesso e falha so
mutuamente exclusivos e complementares:
RA + QA = 1
RB + QB = 1
Supondo A e B independentes:
RS = RA RB
Generalizando para n componentes em srie:
R S = Ri
i =1

35
Esta equao estabelece que a confiabilidade de um sistema srie dada pelo produto
das confiabilidades individuais dos componentes. J a no-confiabilidade ou probabilidade de
falha do sistema ser:
QS = 1 - RARB = QA + QB - QAQB
Para um sistema com n componentes em srie:
Q S = 1 Ri
i =1
Exemplo: Um sistema formado por 10 componentes idnticos com confiabilidade 0,95.

Qual a confiabilidade deste sistema se todos os componentes devem operar para o sucesso do
mesmo?
RS = 0,9510 = 0,5987
A confiabilidade de um sistema srie sempre menor que a confiabilidade de
qualquer um de seus componentes. Ela diminui quando o no. de componentes aumenta e
quando a confiabilidade do componente diminui. Para ilustrar, complete a tabela abaixo.
RS
RC
0,9000
0,9500
0,9900
0,9999
NC = 1
NC = 10
NC = 20
NC = 30
NC = 40
NC = 50
NC = 60
NC = 70
0,9000
0,9500
0,9900
0,9999
0,348678
0,000627
0,999000
0,993024
Exemplo: Um sistema srie tem dois componentes idnticos (RA = RB = 0,99). Avalie sua
falibilidade.
QS = 1,0 - 0,992 = 0,0199
ou
QS = 0,01 + 0,01 (0,010,01)
V-se que QS 0,01 + 0,01 = 0,02 uma aproximao vlida quando o no. de componentes
pequeno e a confiabilidade de cada componente elevada (o produto QAQB desprezado).
Exerccio: O projeto de um sistema requer 200 componentes idnticos em srie. Se a

confiabilidade deste sistema no pode ser menor que 0,99, qual deve ser a confiabilidade
mnima de cada componente?
(RC)200 = 0,99 RC 0,9999497

36
5.3 Sistema Paralelo

A
Neste caso o requisito do sistema que somente um componente precisa estar

funcionando para o sucesso do sistema. Ento:
RP = RA + RB - RARB = 1 - QAQB = 1 - QP
n
Para n componentes: R P = 1 Q P = 1 Qi
i =1
Note que as equaes para o sistema paralelo tm a mesma forma das equaes do
sistema srie trocando R por Q. Para os sistemas paralelo a falibilidade decresce quando o no.
de componentes aumenta e quando a falibilidade dos componentes diminui.
Exemplo: Um sistema consiste de 4 componentes em paralelo tendo confiabilidades: 0,99;

0,95; 0,98 e 0,97. Calcule a confiabilidade e falibilidade deste sistema.
QP = (1 0,99)(1 0,95)(1 0,98)(1 0,97) = 3,010-7
RP = 1 QP = 0,9999997
Este exemplo demonstra que mais razovel se trabalhar com a falibilidade Q (o valor de R
freqentemente uma seqncia de noves).
Exemplo: Um sistema composto por um componente com R = 0,8. Avalie o efeito na

confiabilidade global do sistema em funo do aumento do no. de componentes (sistema
paralelo).
NC
RSISTEMA
RINCREMENTAL
RINCREMENTAL (%)
2
3
4
5
6
0,960000
0,992000
0,998400
0,999680
0,999936
0,160000
0,192000
0,198400
0,199680
0,199936
20,00
24,00
24,80
24,96
24,99

37
5.4 Sistema Srie-Paralelo
Estes sistemas devem ser reduzidos seqencialmente atravs das combinaes dos
elementos em srie e paralelo at a obteno de um nico elemento equivalente.
Exemplo: Obtenha a expresso geral de falibilidade para o sistema abaixo. Se todos os

elementos tm Q = 0,2, qual ser a falibilidade deste sistema?
3
1
2
4
Passos para a reduo:
(a)
7
8
5
(b)
(c)
Ento:
(a) Q6 = Q3Q4
(b) Q7 = 1 (1 Q1)(1 Q2)(1 Q6) = 1 (1 Q1)(1 Q2)(1 Q3Q4)
(c) Q8 = Q7Q5 = {1 (1 Q1)(1 Q2)(1 Q3Q4)}Q5
ou em termos da confiabilidade R: ...
Sendo Qi = 0,2 QS = Q8 = 0,07712

38
5.5 Sistema Parcialmente Redundante
As sees anteriores trataram apenas de sistemas em srie (no redundantes) e em

paralelo (completamente redundantes).
Exemplo: Derive a expresso geral da falibilidade para o modelo de confiabilidade abaixo,
onde os elementos 2 e 3 esto em paralelo e o grupo 4, 5 e 6 parcialmente redundante,
operando quando pelo menos 2 elementos operam.
4
2
5
1
3
6
7
Passos para a reduo:
(a)
10
11
7
(c)
(b)
Ento:
(a) Q8 = Q2Q3
Q9 = Q4Q5R6 + Q4R5Q6 + R4Q5Q6 + Q4Q5Q6
se Q6 = Q5 = Q4 Q9 = (Q4)3 + 3(Q4)2R4
(b) Q10 = 1 (1 Q1)(1 Q8)(1 Q9)
(c) Q11 = Q10Q7
= {1 (1 Q1)(1 Q2Q3)(1 [Q4Q5R6 + Q4R5Q6 + R4Q5Q6 + Q4Q5Q6])}Q7
Supondo Qi = 0,2 QS = Q11 = 0,06237

39
5.6 Sistema Redundante a Postos (standby)
Alguns componentes redundantes podem permanecer no modo standby, i.e. podem ser
chaveados para o modo de operao quando um componente normalmente em operao falha.
Chaveamento perfeito: a chave no falha durante sua operao normal (posio usual)
e tambm em operao de chaveamento (posio normal). O elemento B no falha na posio

standby. Portanto, a falha do sistema obtida pela falha de A e falha de B dado que A falhou.
Como tais eventos so independentes: QS = QAQB. Esta expresso idntica a obtida para
componentes em paralelo. A diferena est na maior confiabilidade do componente B, que
usado esporadicamente.
Chaveamento imperfeito: considere QCH = 1 PCH a probabilidade da chave falhar
durante sua operao de chaveamento:

P(sistema falhar) = P(sist. falhar dado o sucesso do chaveamento)P(sucesso do chaveamento) +
P(sist. falhar dado a falha do chaveamento)P(falha do chaveamento)
Portanto: QS = QAQBPCH + QAQCH = QAQBPCH + QA(1 - PCH) = QA - QAPCH(1 QB)
Considere agora que a chave possa falhar em sua posio normal de operao com
probabilidade QNR (RNR = 1 QNR). Ento:
RS = {1 [QA - QAPCH(1 QB)]}RNR
A
CH
B
NR

40
5.7 Sistemas Complexos
So sistemas compostos de estruturas que no podem ser reduzidas a sistemas em

srie e em paralelo.
A
C
E
Figura 5.7 Rede do Tipo Ponte
Existem vrias tcnicas para avaliar a confiabilidade deste tipo de estrutura, entre elas
as mais importantes so:
i)
ii)
iii)
iv)
v)
mtodo da probabilidade condicionada;

anlise do conjunto de corte e ligao (cut & tie set);
diagramas de rvores;
diagramas lgicos;
matrizes de conexo.
Mtodo da probabilidade condicionada - baseado na equao:

P(sucesso do sistema) = P(sucesso do sistema se o comp. x est bom)P(comp. x est bom) +
P(sucesso do sistema se o comp. x est ruim)P(comp. x est ruim)
Exemplo: Considere o sistema da Fig. 5.7, onde o sucesso da operao requer que pelo menos
um dos caminhos AC, BD, AED e BEC estejam disponveis. Avalie a expresso geral de
sucesso e a confiabilidade do sistema, considerando RCOMPONENTE = 0,99.
Para aplicar a expresso acima deve-se escolher para x o componente que traz maior
simplificao ao problema. Fazendo x = E, tem-se a seguinte subdiviso do sistema original:
E est bom
E est ruim

41
Logo: R(sist. dado que E est bom) = (1 QAQB)( 1 QCQD)

R(sist. dado que E est ruim) = 1 - (1 RARC)( 1 RBRD)
RS = R(sist. dado que E est bom)RE + R(sist. dado que E est ruim)QE
= (1 QAQB)( 1 QCQD)RE + [1 - (1 RARC)( 1 RBRD)]QE
Se RA = ... = RE = R RS = 0,99979805
Este mtodo pouco adequado para implementao digital.
Mtodo dos conjuntos de corte possui duas vantagens em relao ao mtodo
anterior:
i) pode ser facilmente programado, permitindo uma avaliao eficiente de uma rede geral;
ii) os conjuntos de corte esto diretamente relacionados aos modos de falha do sistema e,
portanto, identificam como o sistema falha.
Definio: um conjunto de corte mnimo um conjunto de componentes do sistema que,
quando falha, causa a falha do sistema, mas quando qualquer componente desse conjunto no
falha, no causa falha no sistema.
Exemplo: Para o sistema da Fig. 5.7 teremos a tabela abaixo.
No. do conj. de corte mnimo
Componentes do conj. de corte
1
2
3
4
AB
CD
AED
BEC
Para que haja falha do sistema necessrio a falha de pelo menos um conjunto de
corte (o qual falha se todos os seus componentes falharem). Portanto, do ponto de vista de
uma rede de falibilidade tem-se:
A
Conj.s de
Corte
C1
C2
C3
C4

42
Denominando Ci o i-simo corte mnimo, com probabilidade de ocorrncia P(Ci),

ento a falibilidade do sistema dada por:
QSIST = P(C1 C2 ... Ci ... Cn)
Exemplo: Avalie a falibilidade do sistema da Fig. 5.7 a partir da equao acima.
QSIST = P(C1 C2 C3 C4)
= P(C1) + P(C2) + P(C3) + P(C4) P(C1 C2) P(C1 C3) P(C1 C4)
P(C2 C3) P(C2 C4) P(C3 C4) + P(C1 C2 C3)
+ P(C1 C2 C4) + P(C1 C3 C4) + P(C2 C3 C4)
P(C1 C2 C3 C4)
onde:
P(C1) = QAQB
P(C2) = QCQD
P(C3) = QAQEQD
P(C4) = QBQEQC
P(C1 C2) = P(C1)P(C2) = QAQBQCQD
...
P(C3 C4) = P(C3)P(C4) = QAQBQCQDQE
P(C1 C2 C3) = ... = P(C1 C2 C3 C4) = QAQBQCQDQE
Portanto:
QSIST = QAQB + QCQD + QAQEQD + QBQEQC QAQBQCQD QAQBQDQE
QAQBQCQE QAQCQDQE QBQCQDQE + 2QAQBQCQDQE
Se QA = QB = QC = QD = QE =Q, teremos:
QSIST = 2Q2 +2Q3 5Q4 + 2Q5
Se Q = 0,01
QSIST = 0,00020195
RSIST = 0,99979805
OBS.: A avaliao precisa da confiabilidade ou falibilidade de um sistema pode se tornar um

processo exaustivo, exigindo um alto custo computacional. Nestes casos necessrio fazer
uso de aproximaes [BA92].
Deduo dos conjuntos de corte mnimo para sistemas prticos no possvel
identificar os conjuntos de corte mnimo por inspeo visual. A seguir apresentado um dos
diversos mtodos de identificao existentes.
Definio: Um caminho entre os pontos de entrada e sada de uma rede mnimo se nenhum
n percorrido mais de uma vez.

43
Mtodo:
i) deduza todos os caminhos mnimos;
ii) construa a matriz de incidncia que identifica todos os componentes em cada caminho;
iii) se todos os elementos de qualquer coluna da matriz de incidncia so no-nulos, o
componente associado a esta coluna forma um corte mnimo de 1a ordem;
iv) combine (soma pela lgebra booleana) 2 colunas da matriz de incidncia. Se todas as
combinaes so no-nulas, os componentes associados a essas duas colunas formam um
corte de 2a ordem. Elimine qualquer corte contendo os elementos de corte de 1a ordem,
para obter os cortes mnimos de 2a ordem;
v) repita o passo anterior com trs colunas, eliminando os cortes de 3a ordem contendo
elementos relativos aos cortes de 1a e 2a ordem;
vi) continue at que o corte de ordem mxima tenha sido alcanado.
Exemplo: A partir do mtodo acima, deduza os cortes mnimos para o sistema da Fig. 5.7.
i) caminhos mnimos: AC, BD, AED e BEC;
ii) matriz de incidncia:
COMPONENTE
CAMINHO
1
2
3
4
1
0
1
0
0
1
0
1
1
0
0
1
0
1
1
0
0
0
1
1
iii) no existe nenhuma coluna cujos elementos so todos no-nulos. Portanto, no existem
cortes de 1a ordem;
iv) combinao de duas colunas: A + B 1 + 0 = 1
0+1=1
1+0=1
0+1=1
; B + C 1 ; etc.
1
0
1
Assim, AB e CD so os cortes mnimos de 2a ordem;

v) combinao de 3 colunas: ABC, ABD, ABE, ACD, ADE, BCD, BCE, CDE. Eliminando
aquelas contendo AB e CD ADE e BCE;
vi) no existem cortes de ordem superior a 3.
Resultado
os cortes mnimos so: AB, CD, ADE e BCE.
Os demais mtodos podem ser encontrados na referncia [BA92 - R. Billinton, R.
N. Allan, Reliability Evaluation of Engineering Systems, Plenum Press, New York (1992)].
44
CAPTULO 6: Distribuies de Probabilidade na

Avaliao da Confiabilidade
6.1 Conceitos sobre Distribuio

Componentes idnticos, sob as mesmas condies de operao, no falham todos ao
mesmo instante, mas sim depois de diferentes tempos de operao. Estes tempos de operao
correspondem a uma v.a., obedecendo a uma distribuio de probabilidade que pode ou no
ser conhecida. Isto , a probabilidade que um dado componente falhe at um determinado
tempo de operao ou sobreviva alm deste tempo definida por uma distribuio de
probabilidade. Portanto, e diferentemente do considerado no captulo anterior, o valor de
probabilidade associado a tais eventos uma funo do tempo. Similarmente, um
equipamento que tenha falhado e que agora est sendo reparado, provavelmente no ter um
tempo de reparo constante e sim uma funo de distribuio para o tempo de reparo.
Em todos os casos prticos, a FDP no pode ser determinada a partir do conhecimento
da geometria do componente, dispositivo ou sistema, e sim deduzida atravs de amostras de
testes ou de um esquema de coleo de dados associada com a operao dos componentes,
dispositivos ou sistemas.
6.2 Terminologia de Distribuies

Na avaliao da confiabilidade, a v.a. freqentemente o tempo. Se em t = 0, um
componente ou sistema est operando, este ter probabilidade de falha nula em t = 0.
Contrariamente, a probabilidade de falha fica muito prxima de um quando t . V-se que
possvel definir uma funo de distribuio de falha acumulada, designada por Q(t), a qual
tem valor nulo para t = 0 e cresce at atingir um quando t .
Em vrios casos pode ser mais adequado definir a probabilidade de sobrevivncia para
um dado perodo de tempo. Pode-se, ento, definir a distribuio de probabilidade de
sobrevivncia:
R(t) = 1 Q(t)
(6.1)
45
A funo densidade de falha :

f (t ) =
dQ(t )
dR(t )
=
dt
dt
(6.2)
ou
t
Q(t ) = f ( )d
R (t ) = 1 f ( )d =
f ( )d
Na figura abaixo tem-se uma funo densidade de falha hipottica, a partir da qual
possvel identificar a probabilidade de falha at t [Q(t)] e a probabilidade de sobreviver alm
de t [R(t)].
f(t)
Q(t)
0
R(t)
t
tempo
Existe uma funo adicional, no discutida no Captulo 2, a qual recebe a

denominao geral de funo taxa de transio. Dependendo das circunstncias sendo
consideradas, esta funo recebe o nome de funo taxa de risco (hazard rate function),
funo taxa de falha (failure rate function), funo taxa de reparo (repair rate function), etc.
Taxa de falha: uma medida da razo em que as falhas ocorrem, e no simplesmente

o no. de falhas que ocorre em um dado perodo de tempo. Obviamente, o no. de falhas
depende do tamanho da amostra. Portanto, a taxa de falha (ou risco) dependente do no. de
falhas em um dado perodo e do no. de componentes expostos falha:
(t ) =
no. de falhas por unidade de tempo

no. de componentes expostos falha
(6.3)
46
6.3 Funes Gerais de Confiabilidade

As equaes e relaes matemticas entre vrias funes de confiabilidade, que sero
vistas nesta seo, no assumem qualquer forma especfica e so igualmente aplicveis a toda
e qualquer funo de distribuio de confiabilidade.
Considere que:
NS(t) = no. de componentes que sobreviveram alm de t;
Nf(t) = no. de componentes que falharam at t;
Em t = 0 NS(0) = N0 e Nf(0) = 0;
Em t 0 NS(t) + Nf(t) = N0.
Em qualquer instante t, a funo confiabilidade ou sobrevivncia ser:
R (t ) =
N f (t )
N S (t ) N 0 N f (t )
=
= 1
N0
N0
N0
(6.4)
J a funo distribuio de falha ser:

Q(t ) =
N f (t )
N0
(6.5)
Derivando a equao acima temos a funo densidade de falha:

f (t ) =
dQ(t )
dR (t )
1 dN f (t )
=
=
dt
dt
N0
dt
(6.6)
Comparando as eqs. (6.3) e (6.6), e lembrando que NS(0) = N0, conclui-se que (0) =
f(0), ou ainda, que para um instante t qualquer:
(t ) =
dN f (t )
N0
1
1 dN f (t )
N S (t )
dt
N S (t ) N 0
dt
(6.7)
De (6.4), (6.6) e (6.7) temos:

(t ) =
f (t )
R (t )
(6.8)
A partir de (6.2):
(t ) =
dR (t )
1
R (t )
dt
(6.9)
47
Da equao (6.9) possvel obter a distribuio de confiabilidade a partir da taxa de

falha (ou risco):
t
R(t ) = e
(t ) dt
(6.10)
Considerando o caso particular em que a taxa de falha no depende do tempo ((t) =
), a funo confiabilidade segue uma distribuio exponencial:

R(t ) = e t
(6.11)
A curva que representa a taxa de risco em funo do tempo tem uma forma tpica
denominada por curva banheira, sendo geralmente dividida em trs regies distintas. A
regio I (onde decrescente) conhecida como a fase da mortalidade infantil ou fase de
depurao, e caracteriza os erros de fabricao. A regio II conhecida como perodo de vida
til ou operao normal e caracterizada por um praticamente constante. Nesta regio,
onde as falhas ocorrem puramente ao acaso, a aplicao da distribuio exponencial vlida.
A regio III representa a fase de desgaste ou fadiga, sendo caracterizada por um crescimento
rpido da taxa de falha com o tempo.
(t)
I
II
III
tempo
f(t)
I
II
III
tempo
0

48
Estas trs regies podem ser identificadas tambm atravs da curva da funo
densidade de falha. Na regio II a funo densidade de falha segue bem prxima a uma curva
exponencial negativa que pode ser extrapolada em ambos os lados (linhas tracejadas). A
regio I apresenta valores significativamente maiores do que aqueles que seriam obtidos se a
curva exponencial tivesse sido usada a partir de t = 0. Na regio III, a funo densidade
primeiro cresce para depois decrescer at zero, podendo ser aproximada por um modelo de
distribuio Normal, Gamma ou Weibull.
Caso haja uma manuteno preventiva constante e cuidadosa, a maioria dos
componentes e sistemas podem permanecer dentro do perodo de operao normal (regio II)
durante a maior parte de suas vidas economicamente viveis. Sob esta hiptese vlido
utilizar taxas de falha constantes, simplificando em muito o processo de avaliao da
confiabilidade.
6.4 A Distribuio Exponencial
Vrias funes de distribuio de probabilidade (Poisson, Binomial, Normal, Weibull,
Gamma, etc.) tm aplicao na avaliao da confiabilidade de sistemas, dentre elas a mais
utilizada e conhecida a distribuio exponencial (a qual pode ser vista como um caso
particular das distribuies de Poisson, Gamma e Weibull).
O fator mais determinante para a popularidade da distribuio exponencial est em
sua taxa de falha constante, o que a torna bastante eficiente para a anlise de sistemas
reparveis, nos quais os componentes alternam entre os estados de operao (up) e de falha
(down).
Se a taxa de falha constante, a probabilidade de um componente sobreviver alm de t
( i.e., a funo sobrevivncia) dada pela equao (6.11). Portanto, a fdp de falha :
f (t ) =
dR(t )
= e t
dt
(6.12)
f(t)
Q(t)
0
R(t)
t
tempo

49
R(t ) = e t dt = e t
t
Q(t ) = e t dt = 1 e t = 1 R(t )
o
Probabilidade de falha a posteriori: Considere que um componente tenha operado

por um perodo T. Pretende-se avaliar a probabilidade de falha no prximo intervalo de tempo
t, i.e., em (T, T + t). Esta probabilidade no uma probabilidade a priori, pois tal valor no
pode ser avaliado independentemente do comportamento no passado (perodo T). A razo
para isto que, se o componente falhou em (0, T), ento no poder falhar no perodo (T, T +
t). Portanto, para avaliar a probabilidade de falha durante (T, T + t) necessrio considerar a
probabilidade de no falhar durante (0, T). V-se que a probabilidade a posteriori depende da
histria operativa do componente.
Este problema pode ser resolvido usando probabilidade condicional:

P(A/B) = P(AB)/P(B)
Definindo:
P(A/B) = P[ falhar at (T + t) dado que sobreviveu alm de T ] = QC(t)
P(AB) = P[ sobreviver alm de T e falhar at (T + t) ]
=
T +t
dt = e T e (T +t )
P(B) = P[ sobreviver alm de T ] = e t dt = e T

T
Ento:
P(A/B) = QC(t) =
e T e (T +t )
= 1 e t = Q(t)
e T
f(t)
P(AB)
1-P(B)
T+t
tempo
50
Este resultado muito importante pois mostra que a probabilidade de falha em

qualquer intervalo fixo de tempo t independente do tempo anterior de operao. Deve-se
notar que este resultado aplicvel somente para a distribuio exponencial (componentes
operando na regio II). Esta propriedade da distribuio exponencial aquela que caracteriza
uma distribuio dita sem memria, i.e., a probabilidade de falha depende somente do tempo
de exposio falha, sem nenhuma memria com o passado. Portanto, as probabilidades a
priori e a posteriori so iguais para este caso particular (regio II).
Valor esperado e desvio padro
Sendo:
E (t ) = tf (t )dt = t e t dt
2 = t 2 e t dt
E 2 (t )
integrando por partes:

E(t) = 1/
= 1/
O valor esperado da funo densidade de falha usualmente designado por tempo

mdio para a falha (mean time to failure MTTF). Para o caso particular da regio II
(exponencial), este valor igual ao inverso da taxa de falha.
Certa confuso surge com relao a esta terminologia devido a um termo ligeiramente
diferente: tempo mdio entre falhas (mean time between failures MTBF). No caso de
sistemas reparveis, o valor MTBF indica o ciclo de tempo entre falhas. Portanto:
MTBF = MTTF + MTTR
onde MTTR indica o tempo mdio para reparo (mean time to repair).
Para a maioria dos equipamentos MTTF >> MTTR, portanto MTTF MTBF.
51
6.5 Avaliao da Confiabilidade usando Distribuies de Probabilidade

6.5.1 Sistema Srie
Se probabilidades dependentes do tempo so consideradas, a confiabilidade do sistema
torna-se uma funo do tempo. Portanto, para 2 componentes em srie tem-se:
RS(t) = R1(t)R2(t)
ou
t
RS (t ) = e
1 (t ) dt
0
2 (t ) dt
(6.13)
Para um sistema srie formado por n componentes com taxas de falha 1(t), 2(t), ...,
n(t), tem-se:
t
RS (t ) = e
i (t ) dt
(6.14)
i =1
As equaes 6.13 e 6.14 se aplicam a qualquer tipo de distribuio de falha, assim

como no assumem que todos os componentes tenham a mesma distribuio. Portanto, cada
componente
do
sistema
pode
ser
representado
por
sua
correta
distribuio.
Consequentemente, dado que a expresso i(t) conhecida e que pode ser integrada, a
avaliao de RS(t) para qualquer conjunto de componentes sries prontamente obtida. Se a
expresso de i(t) no pode ser expressa analiticamente, tcnicas de integrao numrica
devem ser usadas na avaliao de RS(t).
No caso especial da distribuio exponencial, as equaes 6.13 e 6.14 ficam:

R S (t ) = e 1t e 2t = e ( 1 + 2 )t
(6.15)
RS (t ) = e
i t
= e
i t
i =1
i =1
(6.16)
As equaes 6.13 a 6.16 so vlidas para qualquer sistema que possa ser descrito por
um sistema srie, isto , qualquer sistema em que todos os componentes devem operar para o
seu sucesso. Se tais sistemas forem representados por um nico componente equivalente, com
taxa e(t), a expresso de RS(t) para o caso geral ser:
52
RS (t ) = e
e (t ) dt
0
= e
i (t ) dt
0
n t
i (t ) dt
i =1 0
t n
i ( t ) dt
e 0 i=1
i =1
logo:
n
e (t ) = i (t )
i =1
No caso em que todas as distribuies so exponenciais (i.e., i(t) = i):

n
e = i
i =1
Exemplo: Um circuito eletrnico formado por 6 transistores (t = 10-6 f/h), 4 diodos (d =

0,510-6 f/h), 3 capacitores (c = 0,210-6 f/h), 10 resistores (r = 5,010-6 f/h), 2 chaves (ch
= 2,010-6 f/h). Assumindo que os conectores e fios so 100% confiveis, avalie a taxa de
falha equivalente do sistema e a probabilidade do sistema sobreviver (a) 1000 hs e (b)
10000hs se todos os componentes devem operar para o sucesso do sistema.
e = 6(1,010-6) + 4(0,510-6) + 3(0,210-6) + 10(5,010-6) + 2(2,010-6)

e = 6,2610-5 f/h
RS (1000) = e e 1000 = e 6, 2610
1000
RS (10000) = e e 10000 = e 6, 2610
= 0,9393
10000
= 0,4653
6.5.2 Sistema Paralelo

Para um sistema com 2 componentes em paralelo:
QP(t) = Q1(t)Q2(t)
ou
t
1 (t ) dt
0
Q P (t ) = 1 e
2 (t ) dt
0
1 - e
e
RP(t) = 1 - Q1(t) Q2(t) = R1(t) + R2(t) - R1(t)R2(t)
53
Para n componentes em paralelo:

t
i ( t ) dt
0
QP (t ) = 1 e
i =1
e
t
i (t ) dt
R P (t ) = 1 1 e 0
i =1
Estas equaes podem ser usadas com qualquer tipo de distribuio, fornecendo a
probabilidade de sobrevivncia alm de t ou, alternativamente, a probabilidade de falha no
perodo de tempo t.
Para um sistema paralelo com 2 componentes com taxas de falha constantes:
) (
Q P (t ) = 1 e 1t 1 - e 2t = 1 e 1t + e 2t e ( 1 + 2 )t
e
R P (t ) = e 1t + e 2t e ( 1 + 2 )t
Para n componentes:
n
Q P (t ) = 1 e i t
i =1
e
n
RP (t ) = 1 1 e i t
i =1
Deve-se notar que para um sistema paralelo no possvel obter uma taxa de risco
equivalente, pois no mais possvel expressar a confiabilidade do sistema por uma nica
funo exponencial e sim por uma srie de funes exponenciais. Portanto, mesmo quando
todos os componentes de um sistema paralelo possuem taxa de falha constante (i.e.,
distribuio exponencial), a taxa de falha resultante ser dependente do tempo (i.e.,
distribuio no exponencial).
54
Exemplo: Avalie a probabilidade de sobreviver 1000 hs e 10000 hs se: (a) dois, (b) trs
circuitos idnticos queles do exemplo anterior so usados. assumido que o sucesso da
operao requer que pelo menos um circuito funcione.
Do exemplo anterior temos que i = 6,2610-5 f/h.
(a)
R P (1000) = e 6, 2610
1000
+ e 6, 2610
1000
e 26,2610
1000
= 0,9963
RP(10000) = 0,7835
Estes resultados poderiam ter sido avaliados a partir dos resultados do exemplo anterior. Como?
(b)
R P (1000) = 1 1 e 6, 2610
1000
) = 0,9998
3
RP(10000) = 0,8993
Como era de se esperar, a confiabilidade ou probabilidade de sobrevivncia aumenta

quando a redundncia aumenta e diminui quando o tempo de exposio falha aumenta.
6.5.3 Sistema Parcialmente Redundante

A aplicao de distribuies de probabilidade em sistemas parcialmente redundantes
pode ser visualizada a partir da seguinte expresso binomial (componentes idnticos):
[R(t) + Q(t)]n
ou, para o caso de componentes no idnticos:

[R1(t) + Q1(t)] [R2(t) + Q2(t)] ... [Ri(t) + Qi(t)] ... [Rn(t) + Qn(t)]
As expresses acima so perfeitamente gerais e podem ser aplicadas a qualquer tipo

de distribuio. No caso especial de distribuies exponenciais:
Ri(t) = e-i
Qi(t) = 1 - e-it
Exemplo: Considere um sistema com 4 unidades idnticas cada uma tendo uma taxa de falha
de 0,1 f/ano. Avalie a probabilidade do sistema sobreviver 0,5 anos e 5,0 anos se pelo menos
duas unidades devem operar para o sucesso do sistema.
RSIST(t) = R4(t) + 4R3(t)Q(t) + 6R2(t)Q2(t)
RSIST(t) = e-0,4 + 4e-0,3 (1- e-0,1 ) + 6e-0,2 (1- e-0,1 )
t
RSIST(0,5) = 0,9996
t 2
RSIST(5,0) = 0,8282
55
CAPTULO 7: Cadeias e Processos de Markov
7.1 Introduo
No captulo anterior foram descritas vrias tcnicas analticas para avaliar a confiabilidade de sistemas no-reparveis. Estas tcnicas podem ser tambm aplicadas em sistemas
reparveis, desde que seja assumido que o processo de reparo instantneo, ou desprezvel se
comparado com o tempo de operao, o que pode ser uma grave restrio para inmeros
problemas prticos. Em tais casos a modelagem de Markov tem sido freqentemente utilizada.
As tcnicas de Markov podem ser aplicadas na modelagem do comportamento
aleatrio de sistemas que variam de maneira discreta ou contnua com o tempo e espao. Nem
todos os processos estocsticos podem ser modelados usando as tcnicas de Markov, embora
tais tcnicas possam ser estendidas para avaliar certos tipos de processos [BA92].
Para que as tcnicas de Markov sejam aplicveis, o comportamento do sistema deve
ser caracterizado pela falta de memria, i.e., os estados futuros de um sistema so
independentes de todos os estados passados exceto aquele imediatamente precedente.
Portanto, o comportamento futuro de um sistema depende somente do estado em que ele se
encontra no momento presente e no dos estados em que residiu anteriormente ou da maneira
como chegou ao presente estado. Tambm necessrio que o processo (estocstico) seja
estacionrio, o que significa que a probabilidade de transio de um estado para outro
sempre a mesma (estacionria) em qualquer instante de tempo (passado ou futuro).
As tcnicas de Markov so aplicveis em sistemas que possam ser descritos por uma
distribuio de probabilidade que caracterizada por uma taxa de transio constante
(Poisson e exponencial), pois somente taxas constantes fazem com que a probabilidade da
transio entre dois estados permanea constante no tempo. Se esta probabilidade uma
funo do tempo, ento, o processo no-estacionrio e designado no-Markoviano.
No caso geral dos modelos de Markov, tanto o espao quanto o tempo podem ser
discretos ou contnuos. No caso particular da avaliao da confiabilidade de sistemas, o
espao representado por um conjunto (espao) de estados discretos e identificveis nos
56
quais o sistema e componentes podem residir. J o tempo pode ser considerado discreto
(cadeias de Markov) ou contnuo (processos de Markov).
7.2 Cadeias de Markov
Considere o sistema abaixo em que dois estados esto identificados, assim como as
probabilidades de permanecer ou deixar cada estado em um particular intervalo de tempo
(t). Tais probabilidades so assumidas constantes para todos os intervalos de tempo (t) no
futuro. Tem-se, ento, uma cadeia de Markov, visto que o sistema estacionrio e o
movimento entre estados ocorre em passos discretos.
1/2
1/2
3/4
1/4
Figura 7.1
Considerando que no primeiro intervalo de tempo o sistema parte do estado 1,

verifica-se que ele pode residir neste estado com probabilidade , ou partir para o estado 2
tambm com probabilidade . Note que a soma destas probabilidades igual a 1 (UM). Aps
trs intervalos de tempo tem-se a seguinte rvore:
No. de Intervalos
1
3
Probs
1/8
1/8
1/16
3/16
1/16
1/16
3/32
9/32
Portanto, P(1) = 1/8 + 1/16 + 1/16 + 3/32 = 11/32 e P(2) = 21/32.
57
A tabela abaixo apresenta a evoluo das probabilidades dos estados para os 5

primeiros intervalos, assumindo que o sistema parte do estado 1. possvel verificar a
existncia de um comportamento transitrio, acarretando em valores de probabilidades
dependentes do tempo. Porm, quando o no. de intervalos aumenta, estes valores tendem para
valores constantes, conhecidos como probabilidades limites dos estados ou valores de
probabilidades dos estados independentes do tempo.
Intervalo
1
2
3
4
5
P(1)
1/2 = 0,500
3/8 = 0,375
11/32 = 0,344
43/128 = 0,336
171/512 = 0,334
P(2)
1/2 = 0,500
5/8 = 0,625
21/32 = 0,656
85/128 = 0,664
341/512 = 0,666
O estado do sistema no tempo zero ou passo zero (no caso o estado 1) conhecido
como condio inicial, a qual conhecida para a maioria dos problemas de avaliao da
confiabilidade. Portanto, o problema principal avaliar a confiabilidade do sistema para um
tempo futuro. Pode-se demonstrar que, embora o perodo transitrio seja muito dependente da
condio inicial, os valores limites das probabilidades dos estados so totalmente
independentes da condio inicial. Assim, se o estado inicial para o exemplo em questo fosse
o estado 2, o perodo transitrio seria totalmente diferente mas os valores limites das
probabilidades seriam exatamente aqueles mostrados na tabela acima. Um sistema (processo)
em que os valores limites das probabilidades dos estados independe das condies iniciais
conhecido como sistema (processo) ergdico.
A obteno dos valores limites de probabilidade para os estados atravs da montagem
de rvores fica totalmente impraticvel para grandes sistemas, ou at mesmo para pequenos
sistemas se a anlise de um nmero grande de intervalos de tempo necessria.
7.2.1 Matriz de Probabilidade de Transio Estocstica
Atravs deste mtodo possvel obter (de maneira eficiente):
i) a probabilidade absoluta do sistema ocupar os vrios estados aps um dado nmero de
transies;
ii) a probabilidade de encontrar o sistema em um determinado estado dado que ele vem
efetuando transies por um longo tempo.
58
Para tal, necessrio deduzir uma matriz que representa as probabilidades de se

efetuarem transies entre os estados do sistema em um dado intervalo de tempo:
P11
P
P = 21
.
Pn1
P12
P22
.
Pn1
... P1n
... P2 n
.
.
... Pnn
(7.1)
onde: Pij = probabilidade de transio para o estado j, depois de um intervalo de tempo, dado
que o sistema estava no estado i.
n
Pij = 1,0
j =1
A expresso 7.1 representa a transio para o primeiro intervalo de tempo, i.e.: E(1) =
E(0)P, onde E(0) a condio inicial e E(1) contm as probabilidades dos estados aps o
primeiro intervalo de tempo.
Para o exemplo da Figura 7.1:
E (1) =
[1 0] 1 2 1 2
1 4 3 4 = [1 2 1 2]
7.2.2 Avaliao da Probabilidade Dependente do Tempo

As probabilidades dos estados aps 2, 3, ..., n intervalos de tempo so obtidas a partir
das matrizes de transio estocstica para 2 (P2), 3 (P3), ..., n (Pn) intervalos, onde:
P2 = PP,
P3 = P2P, ...,
Pn = Pn-1P.
Para os dois primeiros intervalos (n = 2) tem-se:

P
P 2 = 11
P21
P12 P11
P22 P21
P12 ( P11 P11 + P12 P21 ) (P11 P12 + P12 P22 )

=
P22 ( P21 P11 + P22 P21 ) ( P21 P12 + P22 P22 )
Para o exemplo da Figura 7.1:

58
1 2 1 2 1 2 1 2 3 8
P2 =
1 4 3 4 = 5 16 11 16
1
4
3
4
59
Pode-se notar que a linha 1 de P2 contm as probabilidades de estar nos estados 1

(3/8) e 2 (5/8) depois de 2 transies, dado que o sistema comeou no estado 1. O elemento
P122 = Prob. de residir no estado 2, depois de duas transies, dado que iniciou no estado 1
= P11 (prob. de residir em 1 durante t) P12 (prob. de ir para 2 durante t) +

P12 (prob. de ir para 2 durante t) P22 (prob. de residir em 2 durante t)
A segunda linha de P2 tem a mesma interpretao dado que o sistema comeou no

estado 2. Portanto, os elementos de P2 fornecem todas as probabilidades dos estados do
sistema depois de 2 intervalos de tempo (transies?), para as condies iniciais: sistema
comeando em 1 e sistema comeando em 2. Analogamente, atravs de Pn possvel obter as
probabilidades dos estados do sistema aps n intervalos de tempo. Como regra geral, Pijn
representa a probabilidade do sistema residir no estado j aps n transies, dado que comeou
no estado i.
Outras condies iniciais podem ser utilizadas, e.g.: E(0) = [0,5
0,5] (Qual o
significado disto?). Obviamente os valores contidos em E(0) devem somar 1,0. Atravs da
expresso abaixo possvel obter as probabilidades dos estados para condies iniciais deste
tipo.
E(n) = E(0)Pn
(7.2)
Exemplo: Para a condio inicial E(0) = [0,5 0,5], como ficam as probabilidades dos estados
do sistema da Figura 7.1, aps 1, 2, 3 e 4 transies?
7.2.3 Avaliao da Probabilidade Limite dos Estados
Os valores limites ou estacionrios das probabilidades dos estados de um sistema
(processo) ergdico podem ser avaliados da seguinte forma:
E(1) = E(0)P
E(2) = E(1)P
......................
E(n) = E(n-1)P
possvel verificar que quando n a ltima expresso fica: E(n) = E(n)P, pois
E(n-1) fica igual a E(n).
60
Tomando o sistema da Figura 7.1 e considerando E(n) = [E1

[E1
E2] = [E1
[E1
E2 ] =
E2], tem-se:
E2]P
ou
[ E1
E 2 ] 1 2 1 2
1 4 3 4
Ento:
E1 = E1 + E2
E2 = E1 + E2
0 = E1 + E2
0 = E1 E2
Como no sistema acima a 2a equao linearmente dependente da 1a (e vice-versa),

deve-se substituir uma delas pela equao: 1,0 = E1 + E2. Independentemente do tamanho do
sistema haver sempre uma equao redundante, a qual dever ser substituda por 1,0 = Ei.
Com a substituio tem-se:
[0 1] =
[ E1
E2 ] 1 2 1 [ E1
1 4 1 =
E2 ] P11 1 1
P
21 1
Resolvendo o sistema acima, obtm-se E1 = 0,333 e E2 = 0,667

Obs.: possvel obter uma regra simples para a montagem do sistema acima. Qual?
7.2.4 Estados Absorventes
Alguns estados do sistema podem ser absorventes, i.e., uma vez chegando at um
deles no possvel deixa-los at que uma nova misso comece. Tais estados podem estar
associados a falhas catastrficas dos sistemas. Portanto, a probabilidade de entrar em um
desses estados deve ser minimizada para assegurar uma operao segura da misso. Nestes
casos, interessante avaliar o nmero de intervalos de tempo em que o sistema reside em um
dos estados no-absorventes ou, em outras palavras, quantos intervalos de tempo, em mdia, o
sistema opera antes de entrar em um dos estados absorventes.
Esta mesma idia pode ser aplicada a sistemas reparveis para avaliar o nmero mdio
de intervalos de tempo em que o sistema opera satisfatoriamente antes de entrar em um ou
mais estados indesejveis. Neste caso, os estados podem no ser realmente absorventes, pois
o sistema pode deixa-los devido ao de reparo, mas sero definidos como tal.
61
Pode ser verificado, atravs da rvore de estados construda para o sistema da Figura
7.1, que se o sistema comea no estado 1, a probabilidade de continuar a residir nele sem
jamais entrar no estado 2 fica cada vez menor com o aumento do nmero de intervalos. Tal
probabilidade igual a ()n , o que d zero para n .
Se P a matriz de transio estocstica, uma matriz truncada Q pode ser criada
eliminando-se a(s) linha(s) e coluna(s) associadas com o(s) estado(s) absorvente(s). No caso
do sistema da Figura 7.1, este truncamento cria uma matriz Q tendo um s elemento (P11 se o
estado 2 definido com absorvente). Ento, necessrio avaliar o nmero esperado de
intervalos de tempo em que o sistema permanece em um dos estados representados nesta
matriz Q.
n
Aplicando o princpio do valor esperado ( E ( x) = x i p i ) matriz Q, possvel obter o

i =1
nmero esperado de intervalos de tempo para que o sistema deixe cada um dos estados
representados pela matriz Q. Tais valores esperados sero armazenados na matriz N obtida
conforme expresso abaixo:
N = 1I + 1Q + 1Q2 + ... + 1Qn-1
(7.3)
sendo I a matriz identidade.

O princpio da eq. 7.3 pode ser explicado da seguinte maneira. A matriz identidade
representa a probabilidade de todas as possveis condies iniciais, i.e., a unidade em cada
elemento Iii representa a condio do sistema comeando no estado i. Cada nmero 1 na eq.
7.3 representa um intervalo de tempo e so equivalentes aos valores de xi na expresso do
valor esperado. O primeiro intervalo de tempo ocorre com probabilidade I, o segundo com
probabilidade Q, o terceiro com probabilidade Q2, etc.
A eq. 7.3 pode ser escrita da seguinte forma:
N = I + Q[I + Q + Q2 + ... + Qn-2]
ou, para n :
N = I + QN
Ento:
N = [I Q]-1
(7.4)
62
Para o sistema da Figura 7.1, Q = P11 = se o estado 2 definido como absorvente.

Portanto, N = (1 )-1 = 2. Assim, em mdia o sistema gasta 2 intervalos de tempo para
entrar no estado 2, dado que ele comeou no estado 1.
Exerccio: Considere o sistema de 3 estados mostrado abaixo. Avalie:

(a) os valores limites de probabilidades associadas a cada estado;
(b) o nmero mdio de intervalos gastos em cada estado se o estado 3 definido como
absorvente.
1/4
1/3
1/2
3
1/3
7.3 Processos de Markov
Os problemas de confiabilidade esto normalmente relacionados a sistemas discretos

no espao (i.e., o espao amostral composto por um conjunto de estados discretos e
identificveis) e contnuos no tempo. Portanto, o sistema reside continuamente em um de seus
estados at que uma transio ocorra para leva-lo discretamente at outro estado.
Os processos estacionrios de Markov implicam em caractersticas de falha e reparo

dos componentes obedecendo a distribuies exponenciais. No caso de um nico componente,
ou de componentes estatisticamente independentes, as probabilidades limites (estacionrias)
dos estados no dependem das distribuies do tempo de residncia de cada estado, mas sim
dos seus valores mdios. No entanto, deve ser ressaltado que diferenas considerveis podem
existir nos valores das probabilidades dependentes do tempo (perodo transitrio), as quais
so dependentes das caractersticas das distribuies do tempo de residncia dos estados.
63
7.3.1 Taxas de Transio

Considere um nico componente com taxas de falha e reparo constante (distribuio
exponencial):
Estado 1
em operao
Estado 2
em reparo
Figura 7.2
Para este sistema. as variaes com o tempo para a confiabilidade e disponibilidade so

apresentadas pelo grfico a seguir:
R(t) A(t)
A(t)
R(t)
tempo
Definindo:
P1(t) = probabilidade que o componente esteja operando em t;
P2(t) = probabilidade que o componente esteja falho (em reparo) em t;
= taxa de falha;
= taxa de reparo.
Ento, as funes densidades para os estados de operao e falha so,
respectivamente:
f 1 (t ) = e t
f 2 (t ) = e t
onde os parmetros e so denominados por taxas de transio de estado, e representam a

taxa ou razo com que o sistema transita de um estado do sistema para outro.
No Captulo 6 foi mostrado que a taxa de falha o inverso do tempo mdio para a
falha MTTF. J a taxa de reparo o inverso do tempo mdio para reparo - MTTR. Muito
cuidado deve ser tomado para identificar corretamente todas as transies e perodos de
tempo. Feito isto, possvel calcular as taxas de transio:
=
no. de falhas de um componente no perodo de tempo considerado

perodo de tempo total em que o componente permaneceu em operao
64
no. de reparos de um componente no perodo de tempo considerado

perodo de tempo total em que o componente permaneceu em reparo
Genericamente:
taxa de transio =
no. de vezes em que ocorre uma transio de um dado estado

tempo total de residncia neste estado
Exemplo: Para o histrico abaixo (relativo a um sistema com um nico componente) avalie ,
, A (disponibilidade availability) e U (indisponibilidade unavailability).

TU1
TU2
TD1
TU3
TD2
TD3
onde: TU = tempo em operao (UP) e TD = tempo fora de operao ou em reparo (DOWN).
7.3.2 Avaliao da Probabilidade Dependente do Tempo

Na seo sobre Cadeias de Markov, as transies foram representadas pelos valores de
probabilidade transicional. No caso dos processos contnuos de Markov, as transies so
usualmente representadas por taxas de transio ( e para o diagrama da Figura 7.2).
Considere um intervalo de tempo muito pequeno, tal que a probabilidade de dois ou
mais eventos (transies) ocorrerem durante este tempo seja desprezvel. Ento, a
probabilidade de estar no estado de operao (estado 1) depois deste intervalo de tempo dt
[P1(t + dt)] ser:
[Prob. de estar operativo em t & no falhar em dt] +
[Prob. de estar falho em t & ser reparado em dt]
ou
P1(t + dt) = P1(t)(1 dt) + P2(t)(dt)
(7.5)
P2(t + dt) = P1(t)(dt) + P2(t)(1 - dt)
(7.6)
Similarmente:
Da eq. 7.5:
P1(t + dt) P1(t)
= P1(t) + P2 (t )
dt
65
No limite dt 0:
P1' (t ) =
dP1(t)
= P1(t) + P2 (t )
dt
(7.7a)
Em relao ao estado 2:
P2' (t ) =
dP2 (t)
= P1(t) P2 (t )
dt
(7.7b)
As equaes 7.7 podem ser escritas na forma matricial:
[P (t )
'
1

P2' (t ) = [P1(t) P2(t )]
(7.7c)
A matriz de coeficientes na equao 7.7c no uma matriz de transio estocstica

(suas linhas no somam 1).
A equaes 7.7a
e 7.7b so equaes diferenciais lineares com coeficientes
constantes, cuja soluo pode ser obtida via transformada de Laplace:

P1 (t ) =
P2 (t ) =
[P1( 0 ) + P2( 0)] +
e ( + )t
[P1( 0 ) P2( 0)]
+
(7.8a)
[P1( 0 ) + P2( 0)] +
e ( + )t
[ P1( 0 ) + P2( 0)]
+
(7.8b)
Como para qualquer condio inicial, P1(0) + P2(0) = 1, tem-se:

P1 (t ) =
P2 (t ) =
e ( + )t
[P1( 0 ) P2( 0)]
+
(7.9a)
e ( + )t
[ P1( 0 ) + P2( 0)]
+
(7.9b)
Na prtica mais provvel que o sistema comece (t = 0) no estado 1 (operativo), logo:

P1(0) = 1 e P2(0) = 0. Assim, as expresses que descrevem as variaes das probabilidades
dos estados para um sistema com um nico componente reparvel so:
P1 (t ) =
P2 (t ) =
e ( + )t
(7.10a)
e ( + )t
(7.10b)
66
7.3.3 Avaliao da Probabilidade Limite dos Estados

Tambm no caso dos processos de Markov, o sistema deve ser ergdico para que as
probabilidades estacionrias sejam no nulas. Para o caso do sistema da Figura 7.2 (um s
componente reparvel), os valores limites das probabilidades dos estados so obtidos ao se
fazer t nas equaes 7.9a e 7.9b (observe que os valores limites de probabilidades so
independentes da condio inicial):
P1 = P1 () =
P2 = P2 () =
(7.11a)
(7.11b)
Considerando que tanto a falha quanto o reparo seguem distribuies exponenciais,

pode-se concluir que o tempo mdio para a falha dado por:
MTTF = m = 1/
similarmente, o tempo mdio para reparo ser:
MTTR = r = 1/
Portanto, as eqs. 7.11a e 7.11b podem ser escritas em funo destes tempos mdios:
P1 =
m
m+r
P2 =
r
m+r
Os valores de P1 e P2 so geralmente referidos por disponibilidade (A availability) e

indisponibilidade (U unavailability) para o caso estacionrio ou limite. O valor da
disponibilidade dependente do tempo A(t) para o sistema de um nico componente reparvel
dado pela eq. 7.10a, a qual descreve a probabilidade de se encontrar o sistema operando em
um instante de tempo futuro t, dado que o sistema comeou operando em t = 0. A funo A(t)
considera tambm a hiptese do sistema ter falhado e estar operando novamente, devido a
uma ao de reparo. Portanto, esta funo bem diferente da funo de confiabilidade R(t) =
e-t, a qual fornece a probabilidade de permanecer no estado operativo em funo do tempo.
Uma relao conceitual anloga pode ser feita entre U(t) e Q(t).
67
7.3.4 Diagramas de Espao de Estado

Na construo do diagrama de espao de estados devem ser includos todos os estados
relevantes nos quais o sistema pode residir, assim como todas as maneiras conhecidas de
transio entre os estados. Basicamente, no existem restries ao nmero de estados ou ao
nmero (e tipos) de transies. No objetivo deste texto ilustrar todas as possveis variaes
que podem ocorrer na prtica, portanto, somente alguns exemplos (selecionados) sero
mostrados. Esta fase de soluo do problema muito importante, pois representa a
transformao do conhecimento do analista acerca da operao do sistema em um modelo
matemtico que possa ser resolvido pelas tcnicas de Markov.
Um nico componente reparvel a Figura 7.2 mostra um diagrama de espao de
estados para um s componente a dois estados (UP e DOWN). Porm, para muitas situaes
prticas existem um ou mais estados intermedirios de capacidade:
Estado 1
100%
Estado 2
50%
3
2
2
Estado 3
0%
Figura 7.3
O diagrama da Figura 7.3 inclui todas as possveis transies. Na grande maioria dos
casos a transio de 3 para 2 (2) no existir, pois o processo de reparo dever retornar o
sistema diretamente para o estado com 100% de capacidade.
Dois componentes reparveis em princpio, um sistema composto de 2 componentes
reparveis possui 4 estados, conforme apresenta a Figura 7.4. Nesta figura, 1 e 2 so as
taxas de falha dos componentes 1 e 2, respectivamente. J as taxas de reparo so 1 e 2.
Note que o diagrama independe dos componentes estarem em srie ou em paralelo.
Para o caso srie, o estado 1 representa o sucesso. E no caso de um sistema em paralelo?
68
Representando por Pi a probabilidade de cada estado, tem-se:

para o sistema srie:
PUP = A = P1
PDN = U = P2 + P3 + P4
para o sistema paralelo:
PUP = A = P1 + P2 + P3
PDN = U = P4
Estas equaes se aplicam s probabilidades dependentes do tempo e estacionrias.

Como no caso anterior, estados intermedirios podem ser includos no diagrama da Figura 7.4.
Estado 1
1 UP e 2 UP
1
1
Estado 3
1 UP e 2 DN
Estado 2
1 DN e 2 UP
2
1
1
Estado 4
1 DN e 2DN
Figura 7.4
Algumas das transies do diagrama acima podem no ser possveis, enquanto outras
podem ser includas. Por exemplo, estando no estado 4, o reparo do componente 2 pode nunca
comear at que o componente 1 esteja reparado. Portanto, a transio 2 do estado 4 para o
estado 2 deve ser eliminada. Tambm, pode ser possvel que os componentes 1 e 2 falhem de
modo simultneo (por uma causa comum, o que diferente da ocorrncia simultnea de duas
falhas probabilidade nula em um intervalo pequeno), e neste caso deve haver uma
transio entre os estados 1 e 4. A Figura 7.5 apresenta o diagrama (reduzido) obtido para o
caso dos componentes serem idnticos.
Estado 1
2 Comps. UP
Estado 2
1 Comp. UP
Estado 3
2 Comps. DN
Figura 7.5
Sistemas com um grande nmero de componentes reparveis foi visto no Captulo

4 que impossvel enumerar todos os estados para o caso de sistemas prticos. Para o caso de
componentes a dois estados o nmero de estados do sistema ser 2n.
Se estados
intermedirios so considerados para alguns ou todos os componentes, o nmero de estados

do sistema ser ainda maior.
69
Exemplo: Construa o diagrama de espao de estados para um sistema com trs componentes a
dois estados. Obtenha, em funo das probabilidades individuais dos estados, as
probabilidades de falha e sucesso do sistema considerando as configuraes: srie, paralelo e
parcialmente redundante.
Sistemas no reparveis basta eliminar as transies correspondentes ao reparo de
componentes:
Estado 1
2 Comps. UP
Estado 2
1 Comp. UP
Estado 3
2 Comps. DN
Neste caso, o sistema no mais ergdico, pois nem todos os estados podem se
comunicar e um estado absorvente. Para sistemas no reparveis, as probabilidades
dependentes do tempo podem ser avaliadas usando as tcnicas de Markov da mesma maneira
mostrada para sistemas reparveis. Entretanto, as probabilidades limites no trazem nenhuma
informao adicional (no limite o sistema residir no estado absorvente com probabilidade 1).
7.3.5 Matriz de Transio Estocstica
No caso dos processos contnuos de Markov, um intervalo discreto de tempo no faz
parte da especificao do problema. Portanto, para a obteno de uma matriz de probabilidade
de transio estocstica necessrio introduzir um intervalo de tempo incremental t (como
no Item 7.3.2), tal que a probabilidade de duas ou mais transies, neste intervalo, seja
desprezvel. Como a probabilidade de ocorrncia de uma transio neste intervalo de tempo
igual ao produto entre a taxa de transio e t, possvel obter uma matriz de transio de
modo a descrever discretamente o processo contnuo. Se a taxa de falha , ento, a
probabilidade de uma falha em t ser t e de no falhar 1 - t. O mesmo raciocnio pode
ser aplicado para o caso de reparo. Para um sistema composto por um nico componente
reparvel, representado pelo diagrama da Figura 7.2, a matriz de transio estocstica ser:
t
1 t
P=
t 1 t
(7.12)
Probabilidade limite dos estados

Como visto no Item 7.2.3, no limite (t ) o vetor de probabilidades se mantm
inalterado: E(n) = E(n)P. Ento, para o sistema da Figura 7.2 (representando Pi por Ei):
70
[E1
E 2 ] = [E1
t
1 t
E2 ]
t 1 t
(7.13)
ou
E1 = (1 t)E1 + tE2
E2 = tE1 + (1 t)E2
ou ainda (como t 0)
0 = E1 + E2
0 = E1 E2
Substituindo uma das eqs. (dependncia linear) acima por 1 = E1 + E2 e resolvendo:

E1 =
E2 =
Note que se o termo t for omitido em 7.13 o resultado ser o mesmo. Neste caso, a
matriz de transio toma a seguinte forma:

1
P=
(7.14)
A matriz de transio expressa em 7.14 no pode ser utilizada para o clculo de

probabilidades dependentes do tempo, servindo apenas para a obteno dos valores limites de
probabilidades.
Exemplo: Obtenha as probabilidades limites dos estados para o sistema com dois
componentes idnticos reparveis apresentado na Figura 7.5. Avalie a disponibilidade e
indisponibilidade para o caso de sistema srie e de sistema paralelo.
Probabilidades dependentes do tempo

a) via equaes diferenciais considere o sistema com dois componentes idnticos
reparveis da Figura 7.5. Seguindo o princpio da equao 7.7c, tem-se:
P1' (t )
P2' (t )
P3' (t )
2
= [P1(t) P2(t) P3(t)]
0
0

( + )
2
2
Assumindo que o sistema comea no estado 1 [P1(0) = 1], tem-se como soluo:
71
P1 (t ) =
P2 (t ) =
P3 (t ) =
2
2
2
( + )t
+
+
e
e 2( + )t
( + ) 2
( + ) 2
( + ) 2
2
( + )
2 ( )
( + )
e ( + )t
2 2
( + )
e 2( + )t
2
22
2
( + )t
+
e
e 2( + )t
2
2
2
( + )
( + )
( + )
(7.15a)
(7.15b)
(7.15c)
As equaes acima podem ser obtidas de maneira bem mais simples se a expanso
binomial for aplicada s equaes 7.10a e 7.10b:
Pn1 (t ) + Pn 2 (t ) + Pn 3 (t ) + ... + Pn ( n +1) (t ) = [ P11 (t ) + P12 (t )] n
onde Pni = probabilidade do estado i obtido para n componentes, idnticos, a dois estados.
b) via multiplicao matricial atravs da matriz de transio estocstica construda
para um pequeno intervalo t (eq. 7.12) possvel avaliar discretamente a evoluo dos
valores de probabilidade dos estados. Como j frisado, o valor de t deve ser suficientemente
pequeno para tornar desprezvel a probabilidade de duas ou mais transies ocorrerem em um
intervalo de tempo. Isto requer um profundo conhecimento do sistema sendo analisado. Em
alguns casos o incremento de tempo deve ser menor do que 1 minuto, enquanto que em outros
pode chegar a 1 hora ou mais.
O processo, j apresentado para cadeias de Markov, bastante simples e consiste na
multiplicao sucessiva da matriz de transio por si prpria [Pn] ou pelo vetor de
probabilidade dos estados [E(n) = E(n-1)P]. De fcil implementao em um programa de
computador, este mtodo extremamente rpido (mesmo quando um nmero elevado de
multiplicaes necessrio) e muito mais simples que o mtodo das equaes diferenciais.
7.3.6 Tempo Mdio para a Falha

O MTTF pode ser obtido usando as equaes diferenciais ou a matriz de transio
(sem t). Em ambos os casos o conceito de estados absorventes usado, e o MTTF pode ser
visto como o tempo mdio gasto pelo sistema antes de entrar no estado absorvente. Apenas o
mtodo de avaliao baseado na matriz de transio ser apresentado neste texto.
72
Sistema com 2 componentes idnticos redundantes a partir do diagrama reduzido

da Figura 7.5 e considerando o estado 3 (os componentes falham) como absorvente, possvel
obter a seguinte matriz truncada Q:
2
1 2
Q=
1

Usando a tcnica do Item 7.2.4:

2 2
M = [ I Q] 1 =
1 +
2 2
2
2
O elemento mij da matriz M corresponde ao tempo mdio gasto (pelo sistema) no

estado j, dado que o processo iniciou no estado i, antes de entrar em um estado absorvente. Se
o sistema comea no estado 1, o seu tempo mdio para a falha ser:
MTTF = m11 + m12 =
( + ) + 2
2 2
3 +
2 2
Note que o MTTF obtido acima se refere condio do sistema iniciar com os dois
componentes operando (estado 1). Pode ser necessrio avaliar o MTTF a partir de um estado
com capacidade reduzida, quando 1 ou mais componentes estaro indisponveis (estado 2):
MTTF = m 22 + m 21 =
+ 2
2 2
Sistema com 2 componentes idnticos em srie neste caso os estados 2 e 3 so

considerados estados de falha, devendo ser declarados como absorventes:
Q = [1 2]
M = [1 Q]-1 = [2]-1
Portanto, o MTTF = 1/2.

Taxa de falha o parmetro MTTF pode ser considerado como o inverso da taxa de
falha. Portanto, a taxa de falha para o sistema com 2 componentes idnticos redundantes ser:
f =
2 2
3 +
Para o sistema em srie a taxa de falha ser igual a 2.
73
7.3.7 Avaliao de Sistemas Complexos

As tcnicas descritas nesta seo foram aplicadas a sistemas relativamente simples.
No entanto, elas se aplicam tambm a sistemas complexos, bastando cumprir os seguintes
passos:
(a) identifique todos os estados em que o sistema pode residir;
(b) identifique todas as possveis transies entre estados e especifique os valores numricos
destas transies;
(c) construa a matriz de probabilidade de transio estocstica (com t);
(d) atravs de multiplicaes sucessivas [Pn] ou [E(n) = E(n-1)P], avalie as probabilidades
dos estados em funo do tempo;
(e) usando a matriz de transio estocstica (sem t) e o princpio [E(n) = E(n)P, para n
], obtenha as probabilidades limites dos estados;
(f) identifique os estados de sucesso (UP), de falha (DN) e intermedirios (se existirem);
(g) usando o princpio dos estados absorvente, construa as matrizes Q e M, e obtenha o
MTTF. possvel, ainda, obter estimativas para a funo sobrevivncia R(t).
Exerccio: Aplique os passos descritos acima ao sistema da Figura 7.6. Considere as
hipteses: (a) redundncia para os componentes 2 e 3 e (b) o sistema opera parcialmente
(estados intermedirios) se 1 e 2 ou 1 e 3 esto operando. Utilize 1 = 2 = 3 = 0,01 falhas
por hora e 1 = 2 = 3 = 0,1 reparos por hora.
2
1
3
Figura 7.6
74
CAPTULO 8: ndices de Freqncia e Durao
8.1 Introduo
As tcnicas de Markov descritas no captulo anterior permitem avaliar a probabilidade

de residir em cada estado do sistema. Consequentemente, a probabilidade de estar nos estados
que determinam o sucesso total, o sucesso parcial e a falha da operao do sistema pode ser
avaliada. Tais tcnicas permitem ainda avaliar o MTTF e o MTTR.
Entretanto, para um melhor entendimento do comportamento de sistemas com

componentes reparveis, necessrio obter alguns ndices adicionais de confiabilidade.
Dentre eles esto os ndices de freqncia e durao (F&D), os quais podem representar a
freqncia de se encontrar um estado do sistema e a durao mdia de residncia neste estado.
A avaliao destes ndices baseada nos diagramas de espao de estados para os processos
contnuos de Markov (e.g. Figuras 7.2 7.5).
8.2 Conceitos sobre Freqncia e Durao
Considere o seguinte histrico de um sistema a dois estados:
TU1
TU2
TD1
TU3
TD2
TD3
Figura 8.1
Ento: Ttotal = TU1 + TU2 + TU3 + TD1 + TD2 + TD3
(8.1)
m = 1/ = (TU1 + TU2 + TU3)/3
(8.2)
r = 1/ = (TD1 + TD2 + TD3)/3
(8.3)
A = PU = (TU1 + TU2 + TU3)/Ttotal = m/(m + r) =/( + )
(8.4)
U = PD = (TD1 + TD2 + TD3)/Ttotal = r/(m + r) = /( + )
(8.5)
75
O desempenho mdio deste sistema apresentado pela Figura 8.2, onde T o ciclo de
tempo do sistema. Este ciclo de tempo definido como tempo mdio entre falhas (MTBF),
sendo igual soma de m (MTTF) e r (MTTR).
m
Figura 8.2
Atravs das Figuras 8.1 e 8.2 possvel verificar que a freqncia do ciclo ou
freqncia de encontrar um estado do sistema, pode ser obtida por:
f = 1/T = 1/(m + r) = 3/Ttotal
(8.6)
Para todo e qualquer sistema que tenha seus estados divididos entre falha e sucesso, a
freqncia f, dada acima, ser dita freqncia de falha (obviamente, igual freqncia de
sucesso). Se o comportamento de um sistema descrito somente pelas probabilidades de seus
estados, haver a perda de informaes importantes. Considere, por exemplo, 2 sistemas com
um nico componente reparvel. O primeiro com taxas e e o segundo com taxas 2 e 2.
V-se que ambos tero a mesma indisponibilidade, porm, o segundo falha duas vezes mais
que o primeiro. Esta situao pode ter um grande impacto na operao do sistema. Portanto,
pode ser vital avaliar no somente a indisponibilidade (ou disponibilidade) do sistema, mas
tambm a freqncia e a durao de encontrar os vrios estados do sistema, ou mais
especificamente, a freqncia de falha deste sistema. Atravs das equaes 8.2, 8.4 e 8.6
pode-se concluir que:
f = PU
(8.7)
O conceito da equao 8.7 se aplica para todos os sistemas reparveis,

independentemente do nmero de estados existentes. Se PS a probabilidade de residir no
estado s e Sout a taxa de sada deste estado (para todos os estados diretamente ligados ao
estado s), ento, a freqncia de ocorrncia do estado s ser:
fS = PS Sout
(8.8)
76
Partindo do conceito de taxa de transio, fcil concluir que a durao mdia de um

estado s igual ao inverso de sua taxa de sada Sout. Portanto:
mS = 1/Sout = PS/fS
(8.9)
8.3 Freqncia Individual

Sistemas com dois componentes reparveis os conceitos sobre F&D descritos na
seo anterior so aplicveis apenas ao comportamento a longo/mdio prazo do sistema, no
sendo vlidos para probabilidades/freqncias dependentes do tempo. Estes conceitos tm
sido aplicados em problemas de gerao de energia eltrica contendo centenas de unidades
geradoras. A aplicao destas tcnicas a sistemas multi-componentes (ou estados) pode ser
ilustrada considerando um sistema de dois componentes a dois estados (up and down) com
taxas de falha e reparo: 1, 1 e 2, 2, para os componentes 1 e 2, respectivamente. O
diagrama de espao de estados deste sistema mostrado a seguir:
Estado 1
1 UP e 2 UP
1
1
Estado 3
1 UP e 2 DN
Estado 2
1 DN e 2 UP
2
1
1
Estado 4
1 DN e 2DN
Figura 8.3
P=
A probabilidades limites dos estados podem ser obtidas atravs da matriz de transio
P, dada acima, ou por simples combinaes independentes:
P1 =
1 2
(1 + 1 )( 2 + 2 )
77
P2 =
1 2
(1 + 1 )( 2 + 2 )
P3 =
1 2
(1 + 1 )( 2 + 2 )
P4 =
1 2
(1 + 1 )( 2 + 2 )
Freqncia de se encontrar estados individuais conhecidas as probabilidades

limites dos estados, as freqncias de residncia nos diversos estados do sistema so obtidas
atravs da equao 8.8:
(a) freqncia de se encontrar o estado 1
f 1 = P1 1out =
1 2
(1 + 2 )
(1 + 1 )( 2 + 2 )
Como a freqncia de sada igual de entrada:

f 1 = f 21 + f 31 = ( P2 1 ) + ( P3 2 ) =
1 2
(1 + 1 )( 2 + 2 )
(1 + 2 )
onde f21 a freqncia com que o sistema transita do estado 2 para o estado 1 (f31 ...).
(b) freqncia de se encontrar os demais estados
f 2 = P2 out
2 =
1 2
( 1 + 2 )
(1 + 1 )( 2 + 2 )
ou
f 2 = f 12 + f 42 = ( P1 1 ) + ( P4 2 )
f 3 = P3 out
3 =
1 2
(1 + 1 )( 2 + 2 )
(1 + 2 )
ou
f 3 = f 13 + f 43 = ( P1 2 ) + ( P4 1 )
f 4 = P4 out
4 =
1 2
( 1 + 2 )
(1 + 1 )( 2 + 2 )
ou
f 4 = f 24 + f 34 = ( P2 1 ) + ( P3 2 )
78
Durao mdia dos estados individuais atravs da equao 8.9:

m1 = 1/1out = 1/(1 +2)
m2 = 1/2out = 1/(2 +1)
m3 = 1/3out = 1/(1 +2)
m4 = 1/4out = 1/(1 +2)
Para um sistema srie m1 representa o MTTF, j para um sistema em paralelo m4 ser
o MTTR.
Exerccio: Obtenha a freqncia e durao mdia dos estados individuais para o sistema com
2 componentes idnticos mostrado no diagrama da Figura 7.5.
8.4 Freqncia Acumulada
A avaliao da freqncia e durao de estados individuais somente fornecem uma
informao parcial para o problema da anlise de confiabilidade. Os diversos estados do
sistema devem ser combinados ou acumulados de maneira a fornecer, por exemplo, os estados
de sucesso e de falha da sua operao.
A probabilidade de residir em um desses estados acumulados pode ser avaliada
simplesmente somando as probabilidades de cada estado apropriado, visto que so estados
mutuamente exclusivos. J para o caso da avaliao da freqncia de se encontrar estados
acumulados, necessrio eliminar as intersees, i.e., as freqncias de transio entre os
estados acumulados. Para ilustrar este processo considere o sistema da Figura 8.3 e avalie a
freqncia de se encontrar o estado acumulado resultante da combinao dos estados 3 e 4.
f34 = f3 + f4 (freqncia de encontros entre os estados 3 e 4)
= f3 + f4 (P31 + P41)
= P3(1 + 2) + P4(1 + 2) P31 P41
= (P3 + P4)2
(8.10)
A equao 8.10 permite concluir que a freqncia de se encontrar o estado acumulado

3 e 4 pode ser obtida considerando o no. de transies atravs da fronteira em torno do estado
acumulado. A Figura 8.4 apresenta as fronteiras para alguns estados acumulados possveis.
79
Estado 1
1 UP e 2 UP
Estado 2
1 DN e 2 UP
2
1
Estado 3
1 UP e 2 DN
Estado 4
1 DN e 2DN
1
Figura 8.4
Exerccio: Obtenha a freqncia de se encontrar o estado acumulado composto pelos estados

4, 3 e 2. Repita para o estado resultante da combinao de 1 e 2; compare com f34.
Se o sistema da Figura 8.4 um sistema srie, a freqncia de sucesso ser f1. J a
freqncia de falha ser f432 que igual a f1. Analogamente, se o sistema est em paralelo (do
ponto de vista da confiabilidade) ...
Durao mdia dos estados acumulados o ltimo passo na avaliao dos ndices de
freqncia e durao obter a durao mdia de residir em cada estado acumulado do
sistema. A partir da equao 8.9 pode-se concluir que a durao mdia de qualquer estado
acumulado igual razo entre a probabilidade de estar no estado acumulado e a freqncia
de se encontrar o estado acumulado. Para o sistema da Figura 8.4, tem-se:
m 4 = P4 f 4 =
1 2
(1 + 1 )( 2 + 2 )
m 43 = P43 f 43 =
P4 + P3
1
=
( P4 + P3 ) 2 2
m 432 = P432 f 432 = P432 f 1 =
1 2 ( 1 + 2 )
1
=
(1 + 1 )( 2 + 2 ) 1 + 2
1 2 + 1 2 + 1 2
(1 + 1 )( 2 + 2 )
1 2 + 1 2 + 1 2
1 2 (1 + 2 )
m 4321 = P4321 f 4321 = P4321 0 =
1 2 (1 + 2 )
(1 + 1 )( 2 + 2 )
80
8.5 Balano e Desbalano em Freqncia

Tendo em mente os conceitos adquiridos neste curso, pode-se afirmar que para
qualquer estado de um sistema ergdico, a freqncia esperada de deixar um estado deve ser
igual freqncia esperada de entrar neste estado. Portanto, existe um balano (ou no h
desbalano) para as freqncia de entrada e sada de cada estado do sistema. No entanto, o
mesmo no pode ser dito para as freqncias de transio entre pares de estados do sistema.
Tais freqncias sero balanceadas apenas se todos os componentes do sistema apresentarem
balano em freqncia, caso tpico de componentes a dois estados.
O diagrama da Figura 8.4 representa um sistema balanceado em freqncia. Porm, se
a transio de reparo entre estados 4 e 2 for eliminada, o sistema fica desbalanceado em
freqncia.
Exerccio: Verifique se o componente a 3 estados, apresentado no diagrama abaixo , ou no,
balanceado em freqncia.
Estado 1
100%
0.01
Estado 2
50%
0.7
0.7
0.7
0.01
Estado 3
0%
0.01
Figura 8.5
8.6 Avaliao de ndices F&D atravs da Representao a Espao de Estados

O clculo dos ndices de freqncia e durao (F&D) , a princpio, mais complexo
que o clculo de ndices de probabilidade (e.g. LOLP) e de energia (e.g. EENS). A freqncia
de falha, LOLF (loss of load frequency), avaliada como o valor esperado da seguinte funo
teste [MPL92]:
0
FLOLF ( x k ) =
k
if x k X Sucesso
if x k X Falha
(8.11)
81
onde k a soma das taxas de transio de xk para todos os estados de sucesso que podem ser
alcanados mediante uma transio. A durao mdia da perda de carga, LOLD (loss of load
duration), obtida aplicando-se a equao 8.9, i.e.:
LOLD = LOLP/LOLF
(8.12)
A aplicao da funo teste 8.11 (identificao de k) bastante simples para sistemas

de gerao. Porm, o mesmo no ocorre se a rede de transmisso considerada, quando a
princpio, para cada estado selecionado xk XFalha, com nc componentes, sero necessrias nc
anlises adicionais de adequao para atualizar a estimativa da freqncia. A hiptese de
coerncia para o comportamento do sistema (se um componente falho reparado o desempenho
do sistema nunca piora, e, inversamente, se um componente deixa de operar o desempenho do
sistema nunca melhora) permite reduzir o esforo computacional, seja atravs de filtros
baseados em multiplicadores de Lagrange [MPL92], ou utilizando o conceito de probabilidade
condicionada ou freqncia incremental [MPL93]. Estes mtodos se mostraram extremamente
eficientes, do ponto de vista computacional, e hbeis para lidar com as transies da carga, as
quais exercem papel preponderante na avaliao da LOLF. Entretanto, eles apresentam duas
restries: (i) o uso da hiptese de coerncia; (ii) o uso de um s modelo de Markov para todas
as cargas do sistema, o que impe o mesmo padro de variao para todas as barras de carga do
sistema (coeficiente de correlao igual a 1).
Exemplo 8.1: Considere um sistema formado por 2 unidades de 20 MW (com = 2 falhas/ano
e = 18 reparos /ano) e 1 unidade de 30 MW (com = 3 falhas/ano e = 17 reparos /ano).
Calcule os ndices LOLP, LOLE, EPNS, EENS, LOLF e LOLD apresentados por este
sistema, ao atender uma carga de 40 MW.
Exemplo 8.2: Resolva o exemplo 8.1 considerando que a carga diria vale 100%, 80% e 50%
em perodos de 3, 9 e 12 horas, respectivamente.
Exerccio: Obtenha os ndices LOLP, LOLE, EPNS, EENS, LOLF e LOLD para o sistema
IEEE-RTS. Os dados relativos s unidades geradoras so apresentados na Tabela 8.1.
82
Tabela 8.1 Dados do Sistema IEEE-RTS

Usina
Unidades
(1/ano)
MTTR
(horas)
Pot. Ativa (MW)

Min.
Max.
2.97959
60.00
6.00
12.00
19.4667
50.00
10.00
20.00
19.4667
50.00
10.00
20.00
4.46939
40.00
30.00
76.00
4.46939
40.00
30.00
76.00
7.30000
50.00
60.00
100.00
9.12500
40.00
80.00
155.00
9.12500
40.00
80.00
155.00
9.12500
40.00
80.00
155.00
10
9.22105
50.00
80.00
197.00
11
7.61739
100.00
150.00
350.00
12
7.96364
150.00
200.00
400.00
13
7.96364
150.00
200.00
400.00
14
4.42424
20.00
16.00
50.00
8.7 Referncias
[MPL92] A. C. G. Melo, M. V. F. Pereira, A. M. Leite da Silva, Frequency and Duration

Calculations in Composite Generation and Transmission Reliability Evaluation, IEEE
Transactions on Power Systems, 7 (1992) 469-476.
[MPL93] A. C. G. Melo, M. V. F. Pereira, A. M. Leite da Silva, A Conditional Probability
Approach to the Calculation of Frequency and Duration Indices in Composite Reliability
Evaluation, IEEE Transactions on Power Systems, 8 (1993) 1118-1125.
83
CAPTULO 9: Representao Cronolgica
9.1 Introduo
Os passos necessrios avaliao de ndices de confiabilidade dentro da representao
cronolgica so, a princpio, os mesmos apontados na representao por espao de estados:
a) selecione um estado do sistema, i.e. defina nvel de carga, disponibilidade de
equipamentos, condies operativas, etc.;
b) analise o desempenho do estado selecionado, ou seja, verifique se esta
configurao de geradores e circuitos capaz de atender carga definida para este
estado sem violar limites operativos; se necessrio, acione medidas corretivas tais
como redespacho de gerao, correo de tenses, corte de carga, etc.;
c) estime ndices de confiabilidade tais como LOLP (loss of load probability) e
EPNS (expected power not suplied); se a preciso dos estimadores aceitvel,
pare; caso contrrio, retorne ao passo (a).
A diferena bsica est na forma como so gerados os estados do sistema (passo (a) do
algoritmo). No caso cronolgico necessrio que os estados sejam gerados seqencialmente
no tempo, o que implica em diferenas conceituais na estimao dos ndices (passo (c)).
Devido anlise seqencial no tempo, a avaliao dos ndices de confiabilidade fica
equivalente ao clculo da seguinte expresso [SB77, SPF93]:
E [G ] =
1T
G(t )dt
T0
(9.1)
sendo T o perodo da simulao e G(t) a funo teste que verifica em qualquer instante t se o
estado do sistema , ou no, adequado. Tomando a LOLP como exemplo, G(t) = 1 se o estado
do sistema, no tempo t, de falha. Em caso contrrio, G(t) = 0.
A representao por espao de estados (enumerao e simulao no-seqencial) no
considera os aspectos cronolgicos da operao do sistema. J atravs da simulao
seqencial [S90] possvel representar caractersticas complexas do sistema, como por
exemplo, a curva cronolgica da carga, a manuteno programada e as polticas de operao.
A maior parcela do esforo computacional necessrio avaliao da confiabilidade de
sistemas compostos consumida pela anlise de adequao dos estados operativos do sistema.
84
Na representao cronolgica estes estados so amostrados seqencialmente no tempo atravs

de transies consecutivas, sendo cada uma delas determinada pela transio de apenas um
dos componentes do sistema. Por causa da dependncia temporal de alguns elementos (curva
de carga, manuteno programada, limitaes energticas, etc.), a amostragem seqencial dos
estados deve ser cumprida durante um ano inteiro de simulao para gerar uma nica
observao dos ndices desejados. Desta forma, o nmero de anlises de desempenho de
estados do sistema (e, por conseqncia, o esforo computacional) realizado por modelos
baseados na representao cronolgica significativamente maior que aquele necessrio
quando se tem modelos baseados na representao por espao de estados.
O elevado custo computacional apresentado pela simulao seqencial pode
inviabilizar sua aplicao, principalmente na avaliao da confiabilidade composta, a qual
utiliza um fluxo de potncia com otimizao das medidas corretivas na anlise de
desempenho dos estados encontrados. Como alternativa, as referncias [MPL94, MLP97]
apresentam metodologias as quais combinam caractersticas das simulaes seqencial e noseqencial, a fim de produzir algoritmos mais velozes, porm com a mesma flexibilidade e
preciso da simulao seqencial. Recentemente, foi proposto o algoritmo de simulao
Monte Carlo pseudo-cronolgica [LMMR00, MLM99], o qual capaz de representar
diferentes padres (curvas) de carga para as diversas barras/reas de um sistema, assim como
a manuteno programada.
9.2 Simulao Monte Carlo Seqencial

Seja a equao abaixo, uma estimativa para E[G] em (9.1):
~
E [G ] =
1
NY
NY
G( yk )
k =1
(9.2)
onde: NY o nmero de simulaes anuais;

yk a srie sinttica do sistema no ano k;
G(yk) a funo que estima os ndices de confiabilidade do ano k.
Para a aplicao da equao (9.2) so necessrios os seguintes passos [S90, MPL94]:
a) gere uma srie sinttica anual dos estados do sistema (yk) aplicando
seqencialmente os modelos estocsticos falha/reparo dos equipamentos, e
considerando o modelo cronolgico da carga;
85
b) analise cronologicamente cada estado x da seqncia yk e acumule os resultados;

c) calcule G(yk) dos valores acumulados em (b);
d) estime o valor esperado dos ndices anuais como a mdia dos resultados
encontrados nas seqncias yk simuladas;
e) verifique a convergncia do processo; se a preciso da estimativa satisfatria,
pare, caso contrrio, retorne para (a).
No passo (a) do algoritmo acima, o processo de falha e reparo dos equipamentos

sinteticamente produzido via sorteio alternado dos respectivos tempos de permanncia.
Usualmente, utiliza-se a funo de distribuio exponencial em ambas as situaes, embora
qualquer outra distribuio de probabilidade possa ser utilizada.
Gerao aleatria de duraes (tempos) exponenciais: seja uma v.a. x seguindo uma
distribuio exponencial:
f ( x) = e x
F ( X ) = 1 e x
F(X)
1,0
Fazendo U = F(X) = 1 e-x, onde U uma distribuio uniforme, teremos:

X =
ln(1 U ) =
ln U ,
pois U e 1 - U tm a mesma distrribuio
Exemplo: Gere 10 tempos (duraes) para uma v.a. exponencial com parmetro = 0,001
falhas por hora. Tire a mdia dos tempos calculados e compare com o MTTF.

86
Funes teste: no caso da simulao seqencial a funo teste G(yk) deve ser aplicada
a uma observao do sistema, i.e., a uma srie sinttica anual yk. Para cada barra ou para todo
o sistema, teremos as seguintes funes:
(a) LOLP
GLOLP(yk) = tempo total de interrupo do fornecimento de energia dividido

pelo perodo de estudo (e.g. 1 ano);
(b) EENS
GEENS(yk) = total de energia interrompida;
(c) LOLF
GLOLF(yk) = nmero de interrupes do fornecimento de energia.
TRABALHO: Obtenha os ndices LOLP, LOLE, EPNS, EENS, LOLF e LOLD para o
sistema IEEE-RTS, utilizando simulao seqencial.
9.3 Referncias
[LMMR00] A. M. Leite da Silva, L. A. F. Manso, J. C. O. Mello, R. Billinton, Pseudo-Chronological
Simulation for Composite Reliability Analysis with Time Varying Loads, IEEE Transactions on Power
Systems, 15 (2000) 73-80.
[MLM99] L. A. F. Manso, A. M. Leite da Silva, J. C. O. Mello, Avaliao da Confiabilidade de Sistemas de
Gerao e Transmisso Considerando Cargas Variantes no Tempo, XV SNPTEE, Foz do Iguau/PR, (1999).
[MLP97] J. C. O. Mello, A. M. Leite da Silva, M. V. F. Pereira, Efficient Loss of Load Cost Evaluation by
Combined Pseudo-Sequential and State Transition Simulation, IEE Proc. Gener. Transm. Distrib., 144 (1997)
147-154.
[MPL94] J. C. O. Mello, M. V. F. Pereira, A. M. Leite da Silva, Evaluation of Reliability Worth in Composite
System Based on Pseudo-Sequential Monte Carlo Simulation, IEEE Transactions on Power Systems, 9 (1994)
1318-1326.
[S90] L. Salvaderi, Monte Carlo Simulation Techniques, in Reliability Assessment of Composite Generation
and Transmission Systems, IEEE Tutorial Course 90EH0311-1-PWR, (1990).
[SB77] C. Singh, R. Billinton, System Reliability Modelling and Evaluation, Hutchinson, London (1977).
[SPF93] C. Singh, T. Pravin Chander, J. Feng, Convergence Characteristics of Two Monte Carlo Models for
Reliability Evaluation of Interconnected Power Systems, Electric Power Systems Research, 28 (1993) 1-8.

87
APNDICE
O VALOR DA CONFIABILIDADE
SIMULAO PSEUDO-CRONOLGICA
CONFIABILIDADE PREVENTIVA
ALGORITMOS: SMC SEQENCIAL E NO-SEQENCIAL
COMPARAO DE MTODOS ALTERNATIVOS PARA AVALIAO DOS CUSTOS

DA PERDA DE CARGA EM SISTEMAS DE GERAO E TRANSMISSO
Luiz A.F. Manso1,2
Armando M. Leite da Silva2
Joo C.O. Mello3
Departamento de Eletricidade - DEPEL, Fund. Ensino Superior de So Joo del-Rei - FUNREI, MG, Brasil
Grupo de Engenharia de Sistemas - GESis, Escola Federal de Eng. de Itajub - EFEI, MG, Brasil
3
Centro de Pesquisa de Energia Eltrica - CEPEL - Rio de Janeiro, RJ, Brasil
2
Resumo: Este artigo apresenta uma comparao entre diversos mtodos de avaliao do custo da perda de carga (loss of load cost,
LOLC) para sistemas compostos de gerao e transmisso. Para tal, utilizada como referncia, uma nova metodologia de avaliao
da LOLC, a qual considera de forma precisa os diversos blocos de energia interrompida, e as respectivas duraes, presentes em um
processo de falha. Esta nova metodologia foi implementada em dois algoritmos de confiabilidade composta baseados em simulao
Monte Carlo: um seqencial e outro pseudo-seqencial. Duas polticas de corte de carga, mnimo corte e mnimo custo, so utilizadas
para avaliar o impacto das mesmas sobre os diferentes mtodos. O sistema teste IEEE-MRTS (Modified Reliability Test System)
utilizado neste estudo comparativo, e os resultados obtidos amplamente discutidos.
Abstract: This paper presents a comparison among different methods to evaluate the loss of load cost (LOLC) index for composite
generation and transmission systems. A new methodology is proposed and used as a reference to evaluate LOLC indices. It considers all
blocks of unsupplied energy per consumer class, and the respective duration, to characterize accurately the interruption process. The
proposed methodology is implemented with two composite reliability evaluation algorithms based on Monte Carlo simulation: sequential
and pseudo-sequential. Also two load curtailment policies, minimum load curtailment and minimum cost, are considered and their impact
on the different LOLC evaluation methods assessed. Case studies with the IEEE-MRTS (Modified Reliability Test System) are presented
and discussed.
Key Words: Composite reliability; Reliability worth; Generation and transmission reliability; Uncertainty modeling.
1. Introduo
Em um ambiente competitivo, a expanso de sistemas de
potncia deve ter como guia o chamado planejamento indicativo, o qual ter como objetivo a minimizao do custo global da expanso (planejamento de mnimo custo) e ficar a
cargo de um rgo independente. O planejamento indicativo
deve garantir padres mnimos de qualidade ao fornecimento
de energia, e ao mesmo tempo apresentar sinais que iro nortear os esforos de expanso, identificando possveis pontos
vulnerveis e estabelecendo regras para as tarifas do setor.
Tradicionalmente, o planejamento de mnimo custo da
expanso de sistemas de potncia tem sido baseado somente
na minimizao dos custos de investimento e de produo
necessrios ao atendimento da carga futura, para um dado
nvel de confiabilidade. Neste contexto, valores
preestabelecidos para os ndices LOLE (loss of load
expectation) e EENS (expected energy not supplied) podem
ser utilizados como restrio ao problema de otimizao [1].
Estes ndices representam medidas relativas da adequao de
sistemas de potncia e, portanto, no so capazes de
considerar os impactos econmicos das interrupes de
energia para os consumidores
A introduo do custo da perda de carga, ou custo de
interrupo, no planejamento de mnimo custo depende
fundamentalmente do custo unitrio de interrupo (unit
cost, UC) de cada classe consumidora, usualmente dado em
US$/kWh. O custo unitrio de interrupo obtido atravs
de estudos econmicos especficos (pesquisas diretas ao
consumidor) [2-4]. Estes estudos apontam diversos fatores
que influenciam no valor de UC, sendo a durao do corte de
energia considerada como o de maior importncia. Portanto,
o nvel de preciso dado determinao desta durao um
dos aspectos que mais interferem na qualidade das
estimativas para o custo de interrupo.
Para sistemas compostos de gerao e transmisso, as
estimativas dos custos da perda de carga so obtidas atravs de
algoritmos de avaliao da confiabilidade composta, os quais

so baseados em duas representaes distintas: por espao de
estados e cronolgica. Usualmente,
na avaliao da
confiabilidade composta via representao por espao de
estados esto presentes os seguintes passos [5]:
a)
selecione um estado do sistema (i.e. nvel de carga,

disponibilidade de equipamentos, etc.);
b)
analise o desempenho do estado selecionado (i.e.

verifique se esta configurao de geradores e circuitos
capaz de atender carga definida para este estado sem
violar limites operativos; se necessrio, acione medidas
corretivas tais como redespacho de gerao, correo de
tenses, corte de carga, etc.);
c)
estime ndices de confiabilidade (i.e. LOLP - loss of

load probability, EPNS - expected power not supplied,
etc.); se a preciso dos estimadores aceitvel, pare;
caso contrrio, retorne ao passo (a).
O mtodo da Enumerao de Estados e a simulao Monte

Carlo no-seqencial, baseados na representao por espao de
estados, utilizam a representao Markoviana para
equipamentos e carga. Estes mtodos avaliam os estados do
sistema de forma desconexa, ou seja, sem considerar os
aspectos cronolgicos da operao do sistema [6].
Os passos necessrios avaliao de ndices de
confiabilidade dentro da representao cronolgica
(simulao Monte Carlo seqencial) so, a princpio, os
mesmos apontados para a representao por espao de
estados. A diferena bsica est na forma como so gerados
os estados do sistema (passo (a) do algoritmo). No caso
cronolgico necessrio que os estados sejam gerados
seqencialmente no tempo, o que implica em um esforo
computacional significativamente maior que o necessrio
para a representao por espao de estados. Entretanto,
atravs da simulao seqencial possvel representar
caractersticas complexas do sistema, como por exemplo, a
curva cronolgica da carga, a manuteno programada e as
88
polticas de operao [7]. Tambm possvel utilizar

qualquer funo de distribuio de probabilidade para
simular o processo de falha e reparo dos equipamentos.
Neste artigo realizada uma anlise comparativa entre
mtodos alternativos de avaliao do custo da perda de carga
em sistemas compostos, tendo como referncia uma nova
tcnica capaz de identificar de forma precisa os diversos blocos
de energia interrompida e respectivas duraes.
2. Avaliao do Custo da Perda de Carga
Para o caso das simulaes no-seqencial e pseudoseqencial, a estimativa adotada para a LOLC ser:
LOLC =
fi E[ Ki ]
(3)
i I
onde fi freqncia com que ocorre a interrupo i.

Para a avaliao da estimativa (3), a seguinte funo teste
deve ser aplicada a cada interrupo (simulao pseudoseqencial) ou estado de falha (simulao no-seqencial):
F (i ) = K i E ( D i )
2.1 Custo unitrio de interrupo

Usualmente, para a estimativa do custo de interrupo, so
utilizados os aspectos mais relevantes ao impacto econmico
de uma interrupo, quais sejam: o montante de energia no
suprida (kWh) e o custo unitrio de interrupo (US$/kWh).
Pesquisas realizadas junto aos consumidores determinam que
o custo unitrio de interrupo depende de alguns fatores
relacionados ao processo de interrupo do suprimento de
energia, tais como: durao, instante da ocorrncia, freqncia, notificao prvia, montante cortado e abrangncia
geogrfica. Dentre estes, o mais importante a durao.
A Figura 1 apresenta curvas de custo unitrio de interrupo
para trs classes consumidoras: residencial, comercial e
industrial, em funo da durao do corte de energia. Tais
curvas foram extradas de uma pesquisa realizada pela
Ontario Hydro [2].
US$/kWh
Os mtodos de avaliao da LOLC diferem no apenas no

modo como estimam a expresso (1), mas tambm na forma
como calculam o custo Ki. Considerando que uma interrupo de energia , na grande maioria dos casos, formada por
uma seqncia de estados operativos do sistema, pode-se
afirmar que os algoritmos de confiabilidade baseados na representao cronolgica so mais adequados a sua avaliao.
Mtodo MR (Mtodo de Referncia): O mtodo proposto para
a avaliao de Ki, e adotado como referncia para a anlise
comparativa, foi inicialmente aplicado em sistemas de gerao
[8,9]. Este mtodo considera de forma precisa os diversos
blocos de corte de energia presentes em uma interrupo. Seja,
ento, uma interrupo i, a qual pode ser descrita por um
conjunto Si de cortes de energia produzidos pela combinao
dos sucessivos estados de falha que compem esta interrupo.
O custo associado Ki(US$) definido para uma classe particular
de consumidor dado por:
Ki =
16
(4)
ES
UC ( D j )
(5)
j Si
12
onde:
- corte de energia (energy shortage) j Si,
ESj
Dj
- durao do corte j;
UC(Dj ) - custo unitrio de interrupo (US$/kWh).
Com
Ind
Res
0
0
Observe que ESj igual ao produto: PSj Dj, sendo PSj o corte
de potncia (power shortage) associado ao corte de energia j.
horas
8
Figura 1: Custos Unitrios de Interrupo - Ontario Hydro

2.2 Mtodos de avaliao
K = ES1UC(D1 ) + ES 2 UC(D 2 ) + ES 3 UC(D 3 )
O custo de interrupo, expresso em termos do ndice LOLC,

pode ser avaliado pela seguinte expresso geral:
LOLC = E Ki
i I
(1)
onde:
Ki - custo em US$ de uma realizao da interrupo i;
I
- perodo em anlise;
E[.] - operador valor esperado.
LOLC =
1
NI
(6)
onde ES1=PS1D1, PS1=(P1-0) e D1=(t6-t1). Os demais termos

so obtidos similarmente.
Potncia
Interrompida
ES3
P3
ES2
P2
Se um algoritmo de simulao Monte Carlo seqencial

utilizado, a expresso geral (1) estimada por:
NI
O conceito anterior ilustrado na Figura 2, que mostra uma

interrupo de energia entre tempos t1 e t6, composta por trs
diferentes blocos. Para esta interrupo a equao 5 pode ser
escrita como:
P1
ES1
K
i
n =1 i I n
sendo In o n-simo perodo dentre NI simulados.
(2)
t1
t2
t3
t4 t5
t6
tempo
Figura 2: Representao grfica de uma interrupo
89
Potncia
Interrompida
Mtodo M1: Usando mtodos baseados na representao por

espao de estados, possvel avaliar diretamente a LOLC de
cada barra do sistema (LOLCBUS) sem a necessidade do clculo
de Ki. Neste caso, a LOLC de cada barra aproximada pela
seguinte expresso:
LOLC BUS = EENS BUS UC( LOLD BUS )
(7)
sendo a LOLDBUS (loss of load duration) o valor esperado para

a durao da falha em cada barra do sistema. O mtodo M1 foi
implementado em um algoritmo de simulao no-seqencial.
Mtodo M2: Em geral, um processo de interrupo
composto por vrios estados interligados. Tomando a Figura
2 como exemplo, pode-se supor que a interrupo i seja
composta por trs estados operativos do sistema. O estado 1
apresenta, em suas trs repeties (intervalos [t1 t2], [t3 t4] e
[t5 t6]), o nvel de corte P1. Outros dois estados apresentam
nveis de corte P2 e P3. Atravs da metodologia proposta pela
referncia [10], os estados componentes desta interrupo (e
de outras) so identificados isoladamente, via simulao
Monte Carlo no-seqencial. Como exemplo, o custo
associado a cada realizao do estado 1 fica:
KE1 = PS1 x DA1 x UC(DA1)
(8)
onde DA1 a durao amostral sorteada a partir de uma

distribuio exponencial com parmetro igual ao somatrio
da taxas de sada do estado 1. Para qualquer uma das trs
repeties do estado 1 (e possivelmente para a grande maioria das realizaes deste estado), a durao amostral significativamente menor que a durao total do bloco de energia
(ES1) ao qual elas pertencem. Deste modo, a avaliao do
custo de interrupo sem considerar as possveis conexes
entre estados poder comprometer os resultados do ndice
LOLC. Isto ser verificado durante os testes comparativos.
Mtodo M3: Baseado na simulao Monte Carlo seqencial, o
mtodo proposto pela referncia [11] considera a conexo
temporal entre os estados de falha. No entanto, este mtodo
avalia o custo de uma dada interrupo utilizando somente a
durao total da mesma, o que para o caso da interrupo da
Figura 2, resulta em um custo:
K = (ES1 + ES2 + ES3) UC(D1)
Ind
Com
PMDIO
Res
t1
O mtodo M3 foi inicialmente empregado em conjunto com

o chamado corte proporcional, no qual a energia interrompida em cada barra distribuda proporcionalmente entre as
classes consumidoras presentes, o que simplifica o processo
de avaliao. Caso outros critrios de aplicao do corte
sejam adotados (e. g. critrio da Figura 3, onde prioridades
de cortes so assumidas para as classes residencial, comercial
e industrial, nesta ordem), ser necessrio individualizar, por
classe consumidora, a representao de cada interrupo.
Como demonstra a Figura 3, atravs da representao
conjunta das classes consumidoras, apenas a classe
residencial seria atingida pela interrupo i, pois as demais
classes, prioritrias em relao residencial, estariam acima
do valor mdio de potncia interrompida.
t3
t4 t5
t6
tempo
Figura 3: Energia interrompida por classe consumidora
3. Comparao dos Resultados

A fim de comprovar numericamente a anlise anterior, os
mtodos em questo foram aplicados ao sistema teste MRTS
(Modified IEEE Reliability Test System), o qual resulta de
modificaes feitas no sistema IEEE-RTS [12], com o objetivo
de estressar a rede de transmisso. Neste sentido, foram
duplicadas a capacidade de gerao e a carga em cada barra do
sistema. A curva cronolgica adotada para a carga corresponde
a 52 repeties da semana pico (semana 51 da curva original).
Foram utilizados os custos unitrios de interrupo da Ontario
Hydro [2], mostrados na Figura 1. A participao de cada
classe consumidora, por barra do sistema, foi extrada da
referncia [13]. Os tempos de processamento apresentados foram obtidos em um microcomputador PENTIUM - 150 MHz.
3.1 Caso 1: Corte mnimo de carga
Para cada estado selecionado, uma anlise de adequao do

sistema feita via fluxo de potncia linearizado DC [14].
Caso sejam detectadas violaes operativas utilizado um
modelo de medidas corretivas, baseado em otimizao, que
realiza redespachos de potncia ativa e, nos casos mais
severos, aplica cortes de carga. Para o Caso 1, a minimizao
destes cortes de carga utilizada como funo objetivo do
seguinte problema de otimizao:
n
z = Min
i =1
(9)
Deste modo, o total de energia interrompida (ES = ES1 + ES2

+ ES3), e no mais apenas ES1, multiplicado pelo custo
unitrio obtido para a durao total (D1) da interrupo. Isto
equivale considerao de uma interrupo simplificada, na
qual apenas um corte mdio de potncia (PMDIO = ES/D1)
seria encontrado.
t2
s. a.
B + g + r = d
g
g max
g
g min
r d
f
(10)
f max
onde:
ri
- corte de carga na barra i;
n
- nmero total de barras do sistema;
B - matriz de susceptncia de barra, equivalente matriz
de admitncia de barra para um sistema sem perdas;
- vetor dos ngulos das barras;

g
- vetor de gerao por barra;
r
- vetor de corte de carga;
d
- vetor de demanda por barra;
g max - vetor de mxima capacidade de gerao por barra;
g min - vetor de mnima capacidade de gerao por barra;

f
- vetor dos fluxos nos circuitos;
f max - vetor de mxima capacidade de fluxo por circuito.
90
O algoritmo de soluo adotado basicamente o DualSimplex, modificado para explorar as caractersticas de

esparsidade das equaes da rede eltrica. Com o objetivo de
reduzir os requisitos de memria e o esforo computacional,
o algoritmo utiliza o mtodo da base reduzida [15].
Os resultados obtidos para algumas barras e sistema so apresentados na Tabela 1, onde esto includos os erros percentuais
cometidos por M1, M2 e M3 em relao ao mtodo de
referncia (MR). Estes erros aparecem entre parnteses, logo
abaixo do correspondente valor da LOLC. As barras que
aparecem na Tabela 1 correspondem s barras que apresentam
os maiores valores de LOLC, para o presente caso (B1, B3 e
B14) e para o Caso 2 (B8, B14 e B18), o qual ser visto na
Seo 3.2.
A convergncia apresentada pela LOLC do sistema
corresponde a uma incerteza relativa () de 5% [6,11]. Para
os mtodos MR e M3, os quais utilizam a simulao Monte
Carlo seqencial, foram necessrias 140 sries sintticas
anuais. O tempo de processamento ficou em 41.47 minutos.
Na avaliao da LOLC via mtodos M1 e M2,
implementados em um algoritmo de simulao Monte Carlo
no-seqencial, foram utilizados 39423 sorteios, o que
resultou em um tempo de processamento igual a 1.41
minutos.
Tabela 1: Resultados obtidos para o Caso 1
B1
MR
60.263
B3
26.456
B8
7.216
B14
72.919
B18
14.615
Sist
316.960
LOLC (106 US$/ano)

M1
M2
59.176
( -1.8%)
21.404
(-19.1%)
7.421
( 2.8%)
73.930
( 1.4%)
14.012
( -4.1%)
307.310
( -3.0%)
M3
60.284
( 0.0%)
21.850
(-17.4%)
7.815
( 8.3%)
69.192
( -5.1%)
13.055
(-10.7%)
301.820
( -4.8%)
58.375
( -3.1%)
29.506
( 11.5%)
5.662
(-21.5%)
91.564
( 25.6%)
19.963
( 36.6%)
362.810
( 14.5%)
A partir dos resultados obtidos, foram calculados dois ndices

de desempenho: EMA, erro mdio absoluto e EMP, erro
mdio percentual, cujas expresses so dadas a seguir.
n
EMA =
i =1
Tabela 2: Desempenho dos mtodos M1, M2 e M3 - Caso 1
EMA
(106 US$/ano)
EMP
(%)
M1
M2
M3
1.484
5.737
1.867
6.013
20.845
8.969
semelhante ao de M3, no s para o sistema como para a

maioria das barras, no era esperado. Como discutido na
referncia [16], o mtodo M1 est baseado em duas
hipteses simplificadoras:
E UC( D BUS ) ~ UC E[ D BUS ] = UC( LOLD BUS ) . Deve-
se ter em mente que UC uma funo no-linear;

considerar que a energia no suprida em cada barra e o
correspondente custo unitrio de interrupo UC(DBUS)
sejam variveis aleatrias independentes, para ento
calcular o valor esperado de seu produto, como o produto
de seus valores esperados; conforme expresso (7).
Destaca-se, ainda, que as curvas de custo unitrio utilizadas

(Figura 1) apresentam comportamentos distintos para as
diferentes classes consumidoras. Estes comportamentos
distintos permitem que, em determinadas barras do sistema,
haja uma compensao entre os erros absolutos cometidos
para cada uma das classes presentes. Portanto, um mtodo
aproximado qualquer, apesar de apresentar erros
considerveis nos custos de interrupo individuais das
classes consumidoras, pode fornecer custos de interrupo
globais, at mesmo por barra, muito prximos dos
verdadeiros. Isto vai depender das caractersticas do sistema
e da forma das curvas de custo unitrio.
3.2 Caso 2: Custo mnimo do corte
A funo objetivo do problema de otimizao (10) produz a

minimizao de ndices de energia (e. g. EENS), porm o
mesmo no ocorre com relao ao valor da confiabilidade
(LOLC). O custo de interrupo no apenas funo do
montante do corte de energia, mas tambm do custo unitrio
de interrupo (UC), o qual varia significativamente entre as
classes consumidoras. Portanto, a minimizao do custo de
interrupo muito mais atrativa, em termos econmicos, do
que a pura e simples minimizao do corte de carga. Porm,
o custo unitrio de interrupo funo da durao da falha.
Desta forma, para implementar uma poltica de minimizao
do custo de interrupo, seria necessrio prever a durao de
cada interrupo, para ento desligar as cargas que apresentassem os mais baixos valores de UC. Obviamente, na
prtica, no se dispe de meios para realizar tal previso.
EA i
EMP =
EPi
(11)
i =1
onde EAi e EPi so, respectivamente, os erros absolutos e

percentuais, cometidos para cada uma das n barras de carga
do sistema.
A Tabela 2 apresenta os ndices EMA e EMP obtidos pelos
mtodos M1, M2 e M3 em relao ao mtodo de referncia.
Como era de se esperar, os resultados apresentados pelas
Tabelas 1 e 2 atribuem ao mtodo M2 um desempenho pior
que o de M3, tanto para o sistema como um todo, quanto
para a maioria das barras. Porm, o bom desempenho de M1,
A princpio, possvel implementar polticas de corte de

carga bastante sofisticadas em qualquer algoritmo de
avaliao de confiabilidade. Porm, o mais importante o
quo prximo esta poltica implementada estar daquelas
adotadas na prtica, pelas empresas de energia.
Em geral, as cargas so classificadas, de acordo com sua
importncia, em duas categorias: interruptvel (I) e firme (F).
Usualmente as cargas I envolvem os setores residencial e
comercial, enquanto que as cargas F envolvem, por exemplo, o
setor industrial, grandes consumidores comerciais e hospitais.
Sempre que possvel, as cargas I so cortadas da menos
importante para a mais importante. Se mais que uma barra est
91
igualmente qualificada, a quantidade de potncia a ser cortada

entre estas barras dividida atravs de um critrio de
proporcionalidade. Em principio, as cargas residenciais so as
primeiras a serem cortadas. As cargas F so atingidas somente
aps se rejeitar todas as cargas I do sistema ou de uma rea.
Em geral, a quantidade a ser cortada das barras contendo
cargas do tipo F definida a partir de um critrio proporcional
de corte. Portanto, reas com grande concentrao destas
cargas sero as mais afetadas em termos absolutos de potncia
interrompida. Prioridades podem ser assumidas se algum tipo
de acordo ou contrato for estabelecido a priori entre os
consumidores com cargas do tipo F e a concessionria de
energia eltrica.
A alternativa adotada neste trabalho estabelece a criao de
trs grupos com diferentes nveis de prioridade de corte, para
cada barra (GN1, GN2 e GN3), compostos por diferentes
classes consumidoras. Este agrupamento visa controlar a
aplicao dos cortes de energia, comeando pelo grupo de
nvel 1 (GN1), composto pelas classes de consumidores que
sofrem menores prejuzos (menores UC), e terminando em
GN3, o qual engloba as classes consumidoras com maior
UC. O modelo flexvel de forma a permitir que, por
limitaes topolgicas, classes com elevado UC venham a
fazer parte de GN1, ou em sentido oposto, que consumidores
com baixo UC integrem o grupo GN3. O corte de carga ,
ento, implementado por meio de duas aes distintas:
i)
a funo objetivo do modelo de minimizao do corte

de carga sofre pequena alterao em conseqncia da
incluso de penalidades aplicadas s geraes fictcias
das barras (cortes de carga - vetor r):
de carga direta. Nestes mtodos, apenas a durao mdia da

falha em cada barra (M1) e a durao sorteada para um
estado falho (M2) so utilizadas.
Para a aplicao da poltica de corte de carga proposta, deve
ser conhecida a ordem de importncia entre as barras do
sistema, a qual necessria para a definio das penalidades
i. Como, para o sistema MRTS, no se dispe desta
informao, adotou-se o critrio de restringir o corte aplicado
em barras com baixa participao junto classe residencial
(GN1). Neste caso, a expresso (13) foi utilizada.
n
i = 1 C GN1i CGN1i * 100
i =1
(13)
onde CGN1i o total de carga residencial da barra i.

A Tabela 3 apresenta os resultados obtidos para o sistema e
para as mesmas barras na Tabela 1. Para o presente caso, o
nmero de simulaes necessrias para atingir a mesma
convergncia do Caso 1 ( = 5% para a LOLC do sistema),
foi significativamente maior. Para a simulao seqencial
(mtodos MR e M3), foram utilizadas 200 sries sintticas
anuais, 43% a mais que as 140 sries do Caso 1. A simulao
no-seqencial (mtodos M1 e M2) se mostrou ainda mais
sensvel, necessitando de 81247 sorteios, 106% a mais que os
39423 gastos anteriormente. Em ambas simulaes, o acrscimo no tempo de processamento foi idntico ao incremento
sofrido pelo nmero de simulaes. A reduo no valor do
ndice LOLC, obtido para o Caso 2, a principal causa para
a piora apresentada pela convergncia de suas estimativas.
z = Min
i ri
Tabela 3: Resultados obtidos para o Caso 2
(12)
i =1
ii)
estabelecido o corte de carga ri (passo anterior), este

deve ser aplicado aos diferentes grupos de
consumidores pertencentes barra i, segundo o critrio
de prioridades definido anteriormente.
Em termos do modelo de otimizao, seria correto utilizar o

custo do corte de energia em cada barra, e no as penalidades
acima. Porm, como j bastante discutido, o custo unitrio de
interrupo funo da durao do corte, e esta no
conhecida ao incio da interrupo. Mesmo se possvel, a
utilizao de custos na funo objetivo representaria um
distanciamento em relao ao mundo real. Desta forma, as
penalidades i visam apenas restringir o corte de carga em
barras com elevada participao de cargas prioritrias (GN2
e GN3), reproduzindo de maneira mais fiel as polticas
adotadas pelas concessionrias, as quais geralmente
estabelecem uma ordem de importncia (com base em
padres scio-econmicos) para as barras do sistema. Para
efeito de simplificao, assim como para viabilizar a
comparao com os resultados do Caso 1, ser adotado que
os grupos GN1, GN2 e GN3 so compostos pelas classes
residencial, comercial e industrial, respectivamente.
Como discutido na Seo 2.2, para que o mtodo M3 possa
considerar critrios de corte de carga diferentes do
proporcional, necessrio armazenar separadamente para
cada grupo consumidor, a evoluo cronolgica da falha.
Portanto, para a anlise do mtodo M3, foi necessrio
implementar este procedimento. Para os mtodos M1 e M2,
baseados na representao por espao de estados (simulao
no-seqencial), a implementao de novos critrios de corte
B1
MR
0.379
B3
0.714
B8
54.187
B14
31.523
B18
4.067
Sist
109.910
LOLC (106 US$/ano)

M1
M2
0.325
(-14.3%)
0.604
(-15.3%)
7.205
(-86.7%)
4.136
(-86.9%)
1.01
(-75.1%)
20.196
(-81.6%)
0.494
( 30.3%)
0.938
( 31.5%)
39.097
(-27.9%)
32.799
( 4.1%)
4.306
( 5.9%)
96.149
(-12.5%)
M3
0.348
( -8.2%)
0.660
( -7.5%)
55.665
( 2.7%)
32.054
( 1.7%)
4.212
( 3.6%)
111.870
( 1.8%)
Comparando os resultados apresentados pelas Tabelas 1 e 3,

verifica-se que os custos de interrupo apresentados pela
segunda tabela, tanto para o sistema quanto para a maioria
das barras, so sensivelmente inferiores queles apresentados
pela primeira. A LOLC do sistema, avaliada anteriormente
pelo mtodo MR (Tabela 1), foi superestimada em
aproximadamente 190%. Portanto, a pura e simples
minimizao do corte de carga, dada pela expresso (10), no
deve ser aplicada em anlises de custo-benefcio, como o
caso do planejamento de mnimo custo.
Os ndices de desempenho EMA e EMP, calculados tambm
para o presente caso, so apresentados pela Tabela 4.
92
interessante notar que em relao aos mtodos M1 e M2, os

ndices EMA e EMP apresentam resultados distintos.
Enquanto o primeiro ndice aponta claramente o mtodo M1
como o de pior desempenho, o segundo atribui igual
desempenho para estes dois mtodos. Pode ser observado na
Tabela 3, que o mtodo M2 apresenta maiores erros
percentuais em barras com baixos valores da LOLC, as quais
geralmente apresentam menor convergncia para este ndice.
Como visto, o ndice EMP no sensvel a esta situao.
Tabela 4: Desempenho dos Mtodos M1, M2 e M3 - Caso 2
EMA
(106 US$/ano)
EMP
(%)
M1
M2
M3
9.971
1.874
0.292
48.700
19.620
6.195
O mal desempenho apresentado pelo mtodo M1 justificado pela sua incapacidade em capturar os nveis de
profundidade, para os diferentes tipos de interrupo que
ocorrem em uma determinada barra. Neste mtodo, a
distribuio da energia interrompida entre os grupos comsumidores (GN1- GN3) feita a partir de um corte mdio de
potncia obtido pela razo EENSBUS/LOLEBUS. Para a
maioria das barras do sistema este corte mdio de potncia
inferior, at mesmo, ao total de carga da classe residencial.
Isto explica, inclusive, os baixos valores de custo apresentados por este mtodo. Portanto, embora tenha apre-sentado
um bom desempenho para o caso da minimizao do corte
de carga, o mtodo M1 mostra-se inteiramente inadequado
quando uma poltica de minimizao do custo adotada.
O mtodo M2, alm de no apresentar um bom resultado
para a LOLC do sistema, tem um baixo desempenho para a
maioria das barras. Como discutido ao final da seo
anterior, este desempenho ser ainda pior se os diferentes
grupos consumidores forem analisados separadamente. Esta
constatao reduz ainda mais a validade do mtodo M2, pois
a qualidade de seus resultados pode depender fortemente das
caractersticas do sistema, e da forma das curvas de custo
unitrio de interrupo. Portanto, o mtodo M2 perde muito
em credibilidade, e sua utilizao torna-se altamente
questionvel.
Para demonstrar o efeito de compensao entre os erros
cometidos pelo mtodo M2 para as diferentes classes
consumidoras, um teste adicional foi realizado. A composio
da carga da barra 8 foi alterada, passando de 50% residencial e
50% comercial para 50% residencial e 50% industrial. Com
esta simples alterao os novos valores obtidos para a LOLC
do sistema pelos mtodos MR e M2 so: 87.746x106 US$/ano
e 100.97x106 US$/ano, respectiva-mente. Estes resultados
apresentam um erro percentual (+16.4%) maior e contrrio ao
anteriormente cometido, quando a LOLC do sistema foi
subestimada em 12.5%. Vale frisar que neste teste adicional
foram mantidas as penalidades adotadas para a funo objetivo
(12), e tambm o nmero de simulaes. Conseqentemente,
apenas a LOLC da barra 8 foi alterada. Seus novos valores so:
31.020x106 US$/ano para MR e 43.917x106 US$/ano para M2.
Em relao ao mtodo M3, verifica-se que houve uma
melhora no seu desempenho, a qual atribuda anlise
individual, por grupo consumidor, dos histricos de cada
interrupo. Desta forma, a durao total da falha obtida
para cada classe consumidora, sendo logicamente melhor

ajustada que no caso do corte proporcional, para o qual
apenas uma durao total utilizada. Deve-se ter em mente
que a estrutura do corte de carga, definida pela poltica
proposta, semelhante de uma pirmide, sendo a base
ocupada pelos consumidores residenciais e o topo pelos
consumidores industriais. Uma faixa intermediria
preenchida pelas cargas comerciais.
4. Simulao Pseudo-seqencial com Representao

Markoviana (PSRM)
Nas sees anteriores foi numericamente constatado que os
mtodos baseados na representao por espao de estados
no so capazes de fornecer estimativas confiveis para os
custos de interrupo. Duas razes podem ser apontadas para
este fato: a representao Markoviana da carga e a no
considerao da cronologia da falha. Para demonstrar que a
primeira simplificao no traz maiores problemas e sim a
segunda, ser utilizada a simulao pseudo-seqencial com
representao Markoviana (PSRM) [17], a qual pode ser
interpretada como uma simulao no-seqencial com
gerao de seqncias sintticas apenas para os processos de
falha. Para tanto, o mtodo MR de avaliao da LOLC, foi
implementado no algoritmo da simulao PSRM, o qual
tambm recebeu um novo modelo Markoviano para a carga.
Este modelo obtido diretamente da curva cronolgica da
carga, sem que sejam feitas agregaes entre estados
(patamares de carga) no diretamente vizinhos.
Para efeito de avaliao de desempenho, os resultados
obtidos devem ser comparados com aqueles apresentados
pela simulao Monte Carlo seqencial. Isto feito com o
auxlio da Tabela 5, cujos valores apresentados
correspondem a uma incerteza relativa do ndice LOLC (para
o sistema) igual a: 3.66% para o Caso 1 e 3.18% para o Caso
2. Estes baixos valores de (inferiores a 5%), decorrem da
utilizao das mesmas sries de sorteios no-seqenciais
gerados para os mtodos M1 e M2 (simulao noseqencial). Atravs deste procedimento, as estimativas para
a EENS, para barras e sistema, so iguais para as duas
simulaes, o que oferece as condies ideais para a
comparao das estimativas obtidas para a LOLC.
Tabela 5: Comparao entre as Simulaes
PSRM e Seqencial
LOLC (106 US$/ano)
Caso 1
Caso 2
SEQ.
PSRM
SEQ.
PSRM
B1
60.263
B3
26.456
B8
7.216
B14
72.919
B18
14.615
Sist
316.960
57.374
( -4.8%)
25.933
( -2.0%)
7.152
( -0.9%)
75.639
( 3.7%)
14.204
( -2.8%)
312.920
( -1.3%)
0.379
0.714
54.187
31.523
4.067
109.910
0.359
( -5.4%)
0.745
( 4.4%)
52.438
( -3.2%)
33.388
( 5.9%)
4.298
( 5.7%)
108.770
( -1.0%)
93
Em virtude da gerao sinttica dos processos de falha, o

nmero de estados analisados pela simulao PSRM
acrescido de 15372 para o Caso 1 e de 31162 para o Caso 2,
em relao ao processo no-seqencial de amostragem de
estados. Conseqentemente, os tempos de processamento so
maiores que os obtidos pela simulao no-seqencial.
Entretanto, caso a simulao PSRM fosse interrompida assim
que a incerteza relativa da LOLC atingisse 5%, os tempos de
processamento obtidos seriam de 1.21 (27385 sorteios) e
1.92 (44301 sorteios) minutos, para os casos 1 e 2, respectivamente. Estes tempos so inferiores queles gastos pela
simulao no-seqencial, utilizada pelos mtodos M1 e M2.
Atravs das Tabelas 5 e 6 possvel constatar que o
desempenho apresentado pela simulao PSRM substancialmente superior queles apresentados pelos mtodos M1 e
M2, o que comprova a afirmao feita no incio desta seo.
Tabela 6: Desempenho da simulao PSRM
EMA
(106 US$/ano)
EMP
(%)
Caso 1
Caso 2
1.137
0.400
4.705
7.730
5. Concluses
Este artigo apresentou uma nova metodologia para o clculo de
custos da perda de carga em sistemas de gerao e transmisso,
a qual foi utilizada como referncia para a realizao de uma
anlise comparativa entre diversos mtodos aproximados. Foi,
ento, constatado que os mtodos baseados na representao
por espao de estados so eficientes do ponto de vista
computacional, porm pouco eficazes, em termos de preciso.
Tais mtodos podem eventualmente produzir estimativas
razoveis para os ndices LOLC, entretanto no se pode
garantir a priori, i.e. baseado nas caractersticas dos custos
unitrios, polticas de redespacho e corte de carga, classes de
consumidores, etc., a eficcia do mtodo. Efeitos de compensao de erros podem mascarar a qualidade dos resultados.
Mtodos que utilizam simulao cronolgica so em geral
precisos, porm ineficientes do ponto de vista computacional.
Neste caso, a avaliao de ndices LOLC deve seguir as
caractersticas do mtodo proposto, evitando custear a energia
total interrompida pela durao total da interrupo.
fundamental considerar, por classe consumidora, cada bloco de
energia interrompida e respectiva durao. Para tal necessrio representar somente a evoluo cronolgica da falha.
Atravs da simulao PSRM, modificada de acordo com o
mtodo proposto para avaliar corretamente o ndice LOLC, foi
comprovado que a no representao cronolgica da falha a
principal causa para a baixa preciso apresentada pelos
mtodos baseados na representao por espao de estados. J a
adoo de um modelo Markoviano, no agregado, para a carga
produz alteraes pouco significativas nas estimativas dos
custos da perda de carga.
Tambm possvel concluir que a minimizao do corte de
carga, em geral, conduz a resultados elevados para as
estimativas da LOLC, o que inviabiliza sua aplicao em
anlises de custo/benefcio, como o caso do planejamento de
mnimo custo. Atravs de polticas que visam minimizar o
custo de interrupo possvel reproduzir de maneira mais fiel

a prtica das concessionrias.
6. Referncias
[1]
A. P. Sanghvi, N. J. Balu, M. G. Lauby, Power

System Reliability Planning Practices in North
America, IEEE Trans. Power Syst., 6 (1991) 14851492.
[2] EPRI, Customer Demand for Service Reliability,
Report RP-2810 (1989).
[3] G. Wacker, R. Billinton, Customer Cost of Electric
Service Interruptions, IEEE Proceedings, Vol. 77, N
6, (1989) 919-930.
[4] A. G. Massaud, J. P. Hernandez, M. Th. Schilling,
Custos de Interrupo de Energia Eltrica no Brasil,
IX CBA, Vitria/ES, (1992) 98-104.
[5] EPRI, Transmission System Reliability Models,
Report EL-2526 (1982).
[6] M. V. F. Pereira, N. J. Balu, Composite
Generation/Transmission Reliability Evaluation,
Invited Paper Proceedings of IEEE, Vol. 80, No. 4,
(1992) 470-491.
[7] L. Salvaderi, Monte Carlo Simulation Techniques, in
Reliability Assessment of Composite Generation and
Transmission Systems, IEEE Tutorial Course
90EH0311-1-PWR, (1990).
[8] A. M. Leite da Silva, A. G. Perez, J. W. Marangon Lima,
J. C. O. Mello, Loss of Load Costs in Generation
Capacity Reliability Evaluation, Electric Power
Systems Research, 41 (1997) 109-116.
[9] A. M. Leite da Silva, A. G. Perez, J. W. Marangon Lima,
J. C. O. Mello, Determinao dos Custos da Perda de
Carga em Sistemas de Gerao, XI CBA, So
Paulo/SP, (1996) 1025-1032.
[10] Li Wenyuan, R. Billinton, A Minimum Cost
Assessment Method for Composite Generation and
Transmission System Expansion Planning, IEEE
Trans. Power Syst., 8 (1993) 628-635.
[11] J. C. O. Mello, M. V. F. Pereira, A. M. Leite da Silva,
Evaluation of Reliability Worth in Composite System
Based on Pseudo-Sequential Monte Carlo Simulation,
IEEE Trans. Power Syst., 9 (1994) 1318-1326.
[12] IEEE Reliability Test System Task Force of the
Application of Probability Methods Subcommittee,
IEEE Reliability Test System, IEEE Trans. Power
Appar. Syst., 98 (1979) 2047-2054.
[13] K. Chu and R. Billinton, "A generalized probabilistic
cost of service allocation approach for generation and
transmission facilities", IEEE Trans. Power Syst., 5
(1990) 842-851.
[14] A. J. Monticelli, Fluxo de Carga em Redes de Energia
Eltrica, Edgard Blcher, So Paulo (1983).
[15] B. Stott, J. L. Marinho, Linear Programming for
Power System Network Security Applications, IEEE
Trans. Power Appar. Syst., 98 (1979) 837-848.
[16] J. C. O. Mello, Determinao do Valor da
Confiabilidade em Sistemas Compostos de Gerao e
Transmisso, Tese de Doutorado PUC/RJ (1994).
[17] J. C. O. Mello, A. M. Leite da Silva, M. V. F. Pereira,
Efficient Loss of Load Cost Evaluation by Combined
Pseudo-Sequential and State Transition Simulation,
IEE Proc. Gener. Transm. Distrib., 141 (1997) 147154.
94
PSEUDO-CHRONOLOGICAL SIMULATION FOR COMPOSITE

RELIABILITY ANALYSIS WITH TIME VARYING LOADS
A.M. Leite da Silva 1
L.A.F. Manso 1,2
J.C.O. Mello 3
R. Billinton 4
Institute of Electrical Engineering, Federal University, Itajub - EFEI, MG, Brazil

Electrical Eng. Department, Federal University, So Joo del-Rei - FUNREI, MG, Brazil
3
Electric Power Research Center - CEPEL - Rio de Janeiro, RJ, Brazil
4
Power Systems Research Group - University of Saskatchewan, Saskatoon, Canada
2
Abstract: This paper presents a new methodology to evaluate

loss of load indices, with particular emphasis on LOLC (loss of load
cost) assessment, for composite generation and transmission systems
considering time varying loads for different areas or buses. The
proposed approach, named pseudo-chronological simulation, retains
the computational efficiency of non-sequential Monte Carlo
simulation and the ability to model chronological load curves in
sequential simulation. It considers the actual blocks of unsupplied
energy per consumer class, per bus, and the respective duration, to
accurately characterize the interruption process. Case studies on the
IEEE-MRTS (Modified Reliability Test System) and the BSS
(Brazilian South-Southeastern System) are presented and discussed.
Keywords: Composite reliability; Monte Carlo simulation; Reliability worth; Generation and transmission reliability; Uncertainty
modeling.
1.
INTRODUCTION
The electric power utility environment is becoming increasingly

competitive. Deregulation and competitive pricing will make it
possible for electricity consumers to select their supplier based on
cost-effectiveness and reliability [1]. The electricity industry
therefore, in the emerging energy markets, has to offer a product
with a balanced mix of quality and price. These two objectives are
in conflict since a higher quality level of supply requires more
investment, which in turn results in higher tariffs.
Most composite generation and transmission system reliability
evaluations present results in terms of loss of load indices in the
basis of probability, power, energy, frequency and duration
associated with system failures. Although these indices are useful
reliability parameters in operational or expansion planning, they
always need to be compared to a reference or target value. In
order to establish the right balance between quality and price, the
planning process must achieve the global minimization of the
investment costs, expected operation costs and supply interruption
costs [2,3]. An important index, particularly under the competitive
environment, is the Loss of Load Cost (LOLC) or Expected
Damage Cost (ECOST) [4,5]. Besides providing a relatively easy
figure for discussion, i.e. dollars instead of probabilities, kWh,
occurrences, etc., per year, the LOLC index can be directly
included in the objective function to be minimized in a least-cost
planning approach [6-8]. It is also possible to identify the portion
of the tariff corresponding to reliability worth, and therefore to

assist in the specification of insurance policies among all energy
market participants.
The LOLC index depends on the unit interruption cost (UC) of
each consuming class, usually given in US$/kWh. The UCs are
obtained through specific consumers surveys [9-11]. These studies
describe different factors which may have some impact on the
UCs. The duration of the interruption is considered to be the most
important one. This therefore requires considerable accuracy in
estimating these durations in the LOLC calculations. Moreover, to
accurately characterize the interruption process, the durations
associated with all the actual blocks of unsupplied energy per
consumer class, per bus, have to be identified [12].
For large-scale power systems, composite reliability assessment
methods based on Monte Carlo simulation are attractive compared
to state enumeration methods [13-15]. Among simulation
methods, three options have been considered: non-sequential,
sequential and pseudo-sequential. While non-sequential
simulation methods ensure unbiased results for most loss of load
indices, they encounter some difficulties with the LOLC index.
This index must be evaluated from the complete sequence of
failures states which delineate system failures. This requires
knowledge of the chronological evolution of the system states, or
at least, the chronological evolution of the system failure states.
The sequential Monte Carlo method is the natural tool to simulate
chronological aspects, and it is able to produce not only the usual
reliability indices [4,5,12,16-21], but also the desired specific
interruption durations. Chronological modeling requires more
substantial computational effort than the non-sequential approach
[22]. Pseudo-sequential simulation [4] retains the flexibility and
accuracy of sequential Monte Carlo simulation while reducing the
computational effort. Unfortunately, the speed-up obtained with
the pseudo-sequential approach does not reach the same efficiency
level of non-sequential simulation. The efficiency of the pseudosequential approach can be further enhanced [18] by combining it
with a state transition Monte Carlo technique [23,24]. The system
load Markov model, representing all hourly load states, restricts
the application of this powerful technique only to systems where
hourly load areas/buses are fully correlated with the total system
load [19,20].
This paper presents a new approach, named pseudo-chronological
simulation, which retains the computational efficiency of nonsequential Monte Carlo simulation, and the ability to model
chronological load curves at the area, bus or even consumer
class/sector level of sequential simulation. It is able to capture very
accurately all the actual blocks of unsupplied energy per consumer
class, per bus, and the respective durations, which characterize the
interruption process. Case studies on the IEEE-MRTS (Modified
Reliability Test System) and the BSS (Brazilian South-Southeastern
System) are presented and discussed.
95
2.
ASSESSMENT METHODS, INDICES AND NEW

PROPOSALS
The estimates of loss of load indices for generation and transmission systems are obtained through composite reliability
evaluation algorithms, which are based on two distinct
representations: state space and chronological modeling. Usually,
state space based algorithms follow three major steps [13]:
a) select a system state (i.e. load level, equipment availability,
etc.);
b) analyze the performance of the selected states (i.e. check if
available generating units and circuits are able to satisfy the
associated load without violating any operating limits; if
necessary, activate corrective measures such as generation
redispatch, voltage correction, load curtailment, etc.);
c) estimate reliability indices (i.e. Loss of Load Probability,
etc.); if the accuracy of the estimates are acceptable, stop;
otherwise go back to step (a).
State enumeration and non-sequential Monte-Carlo simulation
methods are examples of state space based algorithms, where
Markov models are used for both equipment and load state
transitions. Therefore, states are selected and evaluated without
considering any chronological connection or memory.
The necessary steps to evaluate reliability indices considering a
chronological representation (sequential Monte-Carlo simulation)
are conceptually the same as those described for the state space
representation [16]. The basic difference is how the system states
are selected; i.e. step (a) of the algorithm. In this case, the
sequential approach moves chronologically through the systems
states, while the non-sequential approach selects the system states
randomly. Sequential simulation can therefore perceive all
chronological aspects and, hence, is able to correctly reproduce
the whole cycle of interruptions. However, the chronological
modeling implies that two consecutive state samples differ from
each other from one state component, and therefore, requires a
more substantial computational effort than the other approach.
Considering that Monte Carlo simulation is more attractive than
state enumeration method to select the system states for large
scale systems, and that interruption costs are quite relevant under
the competitive environment, composite reliability worth indices
have to be assessed by an efficient and accurate Monte Carlo
algorithm.
Loss of load indices can be estimated by Monte Carlo simulation
techniques, as the mean over N sampled system state values xk of the
test function F(xk), i.e. [4,13,14]:
~
E[F] = 1 N
F( x k )
(1)
k=1
All the basic reliability indices can be represented by Eq. (1)

depending on the definition of the test function F. The uncertainty of
the estimate is given by the variance of the estimator:
~
V(E[F]) = V ( F ) N
(2)
where V(F) is the variance of the test function. This uncertainty is

usually represented as the coefficient of variation [13,14]:
~
= V(E[F] ) E[F]
(3)
2.1
Probability and Energy Indices
Non-sequential simulation can easily provide unbiased estimates for

the Loss of Load Probability (LOLP) and Expected Energy Not
Supplied (EENS) indices. In this case, the test functions FLOLP and
FEENS are given by:
0
FLOLP ( x k ) =
1
if x k X Success
if x k X Failure
(4)
and,
0
FEENS ( x k ) =
Pk T
if x k X Success
if x k X Failure
(5)
where X = XSuccess XFailure is the set of all possible states x (i.e. the
state space), divided into two subspaces XSuccess of success states and
XFailure of failures states; PkT is the amount of curtailed power at
the failure state xk, i.e. Pk, multiplied by the period of analysis, e.g.
T=8760 hours for annualized energy not supplied.
Equations (4) and (5) depends only on the probability distributions
associated with the system states xk, which in turn depend on the
probability distributions of the generation and transmission
equipment and load. There is no problem computing probability and
energy indices using non-sequential Monte Carlo simulation, and
this procedure is accurate and extremely fast.
2.2
Frequency and Duration Indices
Non-sequential simulation can also provide unbiased estimates for

the Loss of Load Frequency (LOLF) and Loss of Load Duration
(LOLD) indices. In this case, the test function FLOLF is given by
[14]:
0
FLOLF ( x k ) =
k
if x k X Success
if x k X Failure
(6)
and,
LOLD = LOLP/LOLF
(7)
where k is the sum of the transition rates between xk and all the
success states which can be reached from xk in one transition [14]. In
principle, for each selected state xk XFailure, with nc compon-ents,
at least nc additional adequacy assessments (i.e. power flow,
remedial actions, etc.) have to be carried out to update the frequency
estimate. One approach to reduce computational effort is to assume
that the system is coherent: if a failed component is repaired, the
system performance never becomes worse; conversely, if a working
component fails, the system performance never becomes better. The
use of additional filters, based on Lagrange multipliers, is further
explored to reduce computational effort [14].
Based on the concept of conditional probability or incremental
frequency [15], the amount k can be calculated from the
probabilities and transition rates only, even considering multi-state
Markov models. This method proved to be extremely efficient, from
a computational point of view, and able to deal with transitions
among the load states which play an important role in LOLF evaluations. There are however two restrictions: (i) the coherency
assumption, and (ii) the use of a Markov load model for the whole
system, which imposes the same pattern of variation for all load
buses; i.e. the correlation factors for all the bus loads are equal to 1.
96
A slight variation of pseudo-sequential simulation [4], which

combines state transition [23,24] and conditional Monte Carlo
simulation techniques, is proposed in [18]. Once a state xk XFailure
is sampled, the whole sequence of failure states is also sampled
through a forward/backward simulation. This procedure is outlined
in the Appendix. Starting from the sampled failure state, the
interruption is accurately characterized by connecting both
backward and forward sequences. The total duration DI of an
interruption I is calculated from the summation of all durations D i
(exponentially distributed [18]) associated with the systems failure
states xi, which composes the interruption sequence.
Power Interruption
ES3
P3
ES2
P2
ES1
P1
t1
Utilizing a basic Markovian assumption, all state durations follow an
exponential distribution. As they are statistically independent [23],
the expected value of the total duration E[DI], for a failure or
interruption sequence I, is given by:
E [D i ]
(8)
E[D i ] = T ( j )
(9)
E[D I ] =
i I
t2
t3
t4
t5
t6
time
Figure 1: Graphic Representation of an Interruption
which shows an interruption between times t1 and t6, with three

different blocks of energy shortage. For this particular interruption,
Eq. (11) can be written as:
where:
K = ES 1UC(D1 )+ ES 2 UC(D 2 )+ ES 3 UC(D 3 )
and j is the transition rate, in occurrences per year, between state xk

and any other connected state, and T is the period of analysis,
usually 8760 hours.
Therefore, under the Markovian assumption the following unbiased
test function FLOLF can be used:
0
FLOLF ( x k ) =
1 E[DI ]
if x
X Success
(10)
if x k X Failure
Interruption Cost Indices
From the economic point of view, the most relevant aspects when
estimating the impact of an interruption are: the amount of
unserved energy (kWh) and the unit interruption cost (US$/kWh).
Surveys performed among consumers indicate that the unit
interruption cost depends on several characteristics, such as
duration, frequency, time of occurrence, warning time, depth of
curtailment and geographical coverage [9,10]. The most relevant
is the duration of an interruption. The reliability assessment
method should therefore accurately simulate the whole interruption sequence.
An interruption I, can be described by a set SES(I) of energy shortages
related to successive failed states which compose this interruption.
The associated cost KI (US$) defined for a particular consumer class
or sector is given by:
KI =
ES j UC ( D j )
where ES1=PS1D1, PS1=(P1-0), D1=(t6-t1); ES2=PS2D2, PS2=(P2P1), D2=(t3-t2); and ES3=PS3D3, PS3=(P3-P1) and D3=(t5-t4). A block
of energy shortage may involve different connected
(chronologically) failure states. This makes the proposed model
closer to actual reality, since interruption processes are carried out
by selecting, according to certain priorities, distributors and load
points to be isolated.
Using the Markovian assumption, the following unbiased test
function for index LOLC, FLOLC, can be stated:
The computational effort to use the test function (10) is basically the
same as in a non-sequential Monte Carlo simulation. Moreover, the
evaluation of LOLC indices is quite straightforward.
2.3
(12)
(11)
j S ES(I)
where ESj is the energy shortage j; Dj is the duration of energy

shortage j; UC(Dj ) is the unit interruption cost (US$/kWh). ESj is
equal to the product: PSj Dj, where PSj is the power shortage associated with energy shortage j. This concept is illustrated in Figure 1,
0
FLOLC ( x k ) =
K I E[DI ]
if x k X Success
(13)
if x k X Failure
Note that, considering UC(Dj ) equal to T in Eq. (11), KI becomes

the amount of unserved energy associated with interruption I, and
test function (13) becomes an alternative to test function (5). The
expected value E[DI] can be substituted by the duration DI.
Considering Eqs. (1) and (13), the LOLC index can be estimated
as:
LOLC =
1
N
KI
I S I E [ DI
(14)
where SI is the set of interruptions, obtained from failure state xk

XFailure, sampled according to the probability distribution function
of system states P(x).
Considering a sequential Monte Carlo algorithm, the general
expression (11) is used to estimate the LOLC index as follows:
LOLC =
1
NP
NT
n =1
I Tn
KI
(15)
where Tn is the nth of NP simulated periods of length T. Similar

estimators can be used to assess other reliability indices through a
sequential Monte Carlo simulation [4,5,12,16-21,26].
97
2.4
Markov Load Models

L1(A1)
Any load model is an approximation of the actual load. Its accuracy

depends on the amount and quality of data available. Markovian
assumptions can always be verified not only for equipment outage
durations but also for loads. If they are acceptable, the estimates
based on Eqs. (10) and (13) will be unbiased. Two Markov load
models are discussed in the following.
2.4.1 Aggregate Markov Load Models

Usually, load curves covering 8760 hours are available and provide
extremely useful information for generation and composite
reliability studies [14]. Using Markovian assumptions, these hourly
curves are transformed into multi-state load models, unbalanced in
frequency. This transformation is carried out by clustering
techniques [25], in order to reduce the number of load levels to be
analyzed. The aggregation process minimizes the computational
effort, which is vital in composite reliability analysis, while
maintaining the accuracy of LOLF evaluation, by taking into
account transitions among load states.
L2(A1)
LT(A1)
Lh(A1)
L1(A2)
L2(A2)
Lh(A2)
LT(A2)
L1(Am)
L2(Am)
Lh(Am)
LT(Am)
Figure 2: Multi-Level Non-Aggregate Markov Load Model

The proposed model is intended for use with the test functions
described by Eqs. (10) and (13), and therefore, it is applied to assess
the interruption sequence associated with the failure sampled state,
and therefore very little extra computing CPU time is necessary.
Utilizing aggregate Markov load models, the test functions

described by Eqs. (10) and (13) are able to evaluate accurately
frequency, duration and cost indices, without assuming any coherent
behavior in the system. Moreover, as previously stated, the sampling
process is essentially non-sequential, which keeps the efficiency of
the simulation basically at the same level as the test function
described by Eqs. (4) and (5). The only remaining hypothesis is
related to the inability of aggregate Markov load models to capture
time varying loads.
The proposed multi-level non-aggregate model shown in Fig. 2 is

extremely flexible and covers most of the Markov load models
discussed so far in the literature. The main advantage is the retention
of some chronological representation. Note that, even maintenance
policies associated with time can be approximately represented. In
average, hour h will correspond to hour h in the actual chronological
sequence. That is the reason the proposed algorithm is designated as
pseudo-chronological. The proposed load model makes the
evaluation of composite reliability indices quite advantageous, as
there is no need to assume any coherency for the system. Moreover,
time varying loads can be considered under some basic Markovian
hypotheses.
2.4.2 Multi-Level Non-Aggregate Markov Load Models
2.5
If system components are non-Markovian and time varying loads

are specified by area, bus or even by consumer sectors (e.g.
residential, etc.), the only option to assess reliability indices is
through sequential Monte Carlo simulation. The price to be paid for
such a detailed simulation is the huge amount of CPU time, which
can make the evaluation unfeasible for large practical systems.
Bearing in mind this restriction and that loads may vary with time
following different area patterns, the multi-level non-aggregate
Markov load model described in Figure 2 is proposed. It describes a
set of T load levels, representing, for instance, 8760 hours,
sequentially connected, in the same chronological order as they
appear in the historical sequence. The main idea is to keep some
chronological representation in the Markov load model.
The model uses a constant load transition rate of L = 1/T, where
T represents the time unit used to discretize the period T, e.g. L =
1 transition per hour. Also, m areas are considered, and, for instance,
Lh(Am) represents the load level at hour h in area m. When the load
level in area 1, i.e. L1(A1), transits to L2(A1), the load level in area 2,
i.e. L1(A2), transits to L2(A2), and so on. Note that, the load in a
certain area may be increasing while at the same time in a different
area it may be decreasing. Since all transition rates are the same, the
loads will remain, on average, T hours (e.g. 1 hour), at each level,
and T hours (e.g. 8760 hours), on average, for the total period of
analysis. Clearly, the area concept can be reduced to a bus or sector.
The multi-level Markov load model shown in Fig. 2 can be reduced
to a unique level by considering m = 1. Even in this case, the results
obtained by keeping non-aggregate load states are better than those
obtained using clustering techniques [20].
The Proposed Algorithm
The proposed algorithm is implemented in the following steps:

(i)
sample a system state xk X, based on its distribution P(x);
(ii) evaluate the performance of the sampled state xk by means of

power flows and remedial actions. If xk is a success state return
to step (i); if xk is a failure state, estimate the test functions for
LOLP (Eq. 4) and EENS (Eq. 5), and go to the next step (iii);
(iii) obtain the interruption sequence I associated with state xk based
on forward/backward simulation (see Appendix). Estimate the
test functions for the LOLF (Eq. 10) and LOLC (Eq. 13);
(iv) evaluate the coefficient of variation (Eq. 3). If convergence is
not achieved, return to step (i), otherwise calculate the LOLD
index (Eq. 7) and stop.
3.
CASE STUDIES
The application of the proposed algorithm and associated models

is illustrated using case studies on the Modified IEEE Reliability
Test System (MRTS) and the Brazilian South-Southeastern
System (BSS). A linearized DC power flow and a linear
programming based remedial actions scheme are used in the
adequacy analysis of each state. Reference [20] discusses, among
other concepts, the impact of different remedial actions on the
LOLC indices. Two loading shedding policies are discussed:
minimum load and minimum cost. In the test cases shown, the
remedial actions were based on the minimum load shedding
policy. All simulation results were obtained on a Pentium
200Mhz.
98
Modified Reliability Test System - MRTS
3.1
The MRTS is a result of modifications to the IEEE-RTS [27], with

the objective of stressing the transmission network. The generating
capacity and the load in each bus of the system are duplicated in the
MRTS. The chronological curve adopted for the load corresponds to
52 repetitions of the peak winter week (week 51 of the original
curve) for the 138kV area, and 52 repetitions of the summer week
(week 25) for the 230kV area. Figure 3 illustrates both load curves
(168 hours) and the resulting system curve. The Ontario Hydro
[9,12,19] unit interruption costs were used. The participation of each
consumer class per bus is the same as that used in [4,18].
1.0
138 kV
230 kV
System
(pu)
0.9
0.8
0.7
As shown in Table 1, the proposed pseudo-chronological method

exhibits an excellent performance, in terms of accuracy for the
system indices. Using the alternative based on test function Eq. (13)
to estimate the EENS index, the result obtained is 28.609
GWh/year. The percentage average error for the LOLC indices for
all system buses is 2.49%, which is also very low. The proposed
pseudo-chronological simulation considered 1,435,991 cases, and
took 41 minutes, which represents a speed up of more than 30.
3.2
Brazilian South-Southeastern System - BSS
The reduced BSS planned for 1998 is a 413-bus meshed network

with 255 generating units and 685 circuits, having a installed
capacity of about 46 GW and a peak load of about 41 GW.
Figure 4 summarizes the basic system information through a
simplified diagram of the most important load (L), generation (G)
and transmission areas. The unit interruption cost functions are
based on a Brazilian survey [11]. The global load composition is
19% residential, 28% commercial and 53% industrial.
0.6
L=6139 MW
G=5483 MW
0.5
L=2618 MW
G=690 MW
0.4
Sun
Mon
Tue
Wed
Thu
Fri
Central
Sat
Figure 3: Weekly Load Curves - IEEE MRTS
Minas
L=0 MW
G=7240 MW
Furnas
Table 1 shows the estimated reliability indices for the system,

obtained with the three methods: sequential, pseudo-chronological
and sequential+. The sequential is the standard sequential Monte
Carlo simulation using the specified chronological load curves,
shown in Fig. 3, for the 138 and 230 kV areas. The pseudochronological approach uses the proposed multi-level nonaggregate Markov load to model the chronological loads of both
areas, and the previously proposed test functions; LOLP (Eq. 4),
EENS (Eq. 5), LOLF (Eq. 10), LOLD (Eq. 7) and LOLC (Eq.13).
The sequential+ approach uses a unique chronological load curve
for the system, which is the composite curve of both areas, also
illustrated in Fig. 3. In this case, the load buses are considered to
be fully correlated with the total system load. This is the case
when the algorithm is not able to capture time varying loads.
LOLP ( 102 )
EENS (GWh/y)
LOLF (occ./y)
LOLD (h)
LOLC
(Mil.$/y)
Sequential
3.3779
28.706
54.699
5.3948
120.09
Pseudo-C.
3.3947
28.717
55.580
5.3358
119.31
Sequential+
1.8607
24.432
28.996
5.6061
104.00
Rio
Itaipu
L=17831 MW
G=10385 MW
S.Paulo
L=0 MW
G=12600 MW
South
L=7619 MW
G=8308 MW
Figure 4: Simplified Diagram of BSS

There are specific daily, weekly and monthly load factors for each
area. Figure 5 shows typical daily curves in June (winter season)
for Minas and South areas. The distinct load behaviors are due to
different load compositions in each area and also to more severe
weather conditions in the South area during winter.
Table 1: Estimated Indices for the MRTS

Index
L=6884 MW
G=857 MW
(pu)
1.0
Minas
South
0.9
0.8
0.7
0.6
0.5
A coefficient of variation = 1% was used to ensure convergence

for the system LOLC index, for all three methods. The importance
of modeling the chronological loads per area, if data are available, is
clearly demonstrated by comparing the results obtained with the
sequential and sequential+ simulations. For instance, the introduced
error by ignoring the chronological loads per area, for this particular
example, is ~ 45% considering the LOLP index. The sequential
simulation considered 50,061,216 cases, 5432 years and took 1276
minutes (CPU time). The sequential+ simulation has considered
56,872,612 cases, 6700 years and took 1435 minutes.
12
hours
16
20
24
Figure 5: Daily Load Curves - BSS

Figure 6 shows the typical weekly load curves for the Minas area
and for the whole system. Note that the overall system peak load
falls on a Thursday, whereas for Minas it falls on a Saturday. This
weekend peak load is due to aggressive load management
programs. The variety of load patterns illustrates the importance
99
of having a detailed chronological load representation or, at least,

a state-space load model able to capture these patterns. For
example, the stress resulting from an individual area peak
condition could be higher than for the overall system peak.
(pu)
5.
ACKNOWLEDGMENTS
This work was partially support by CNPq, CAPES, FINEP

and FAPEMIG, Brazil.
1.0
6.
REFERENCES
0.9
[1]
R. Billinton, et al., Reliability Issues in Todays Electric Power

Utility Environment, IEEE Trans. Power Syst., Vol. 12, No. 4, pp.
1708-1714, Nov. 1997.
E.G. Neudorf, et al., Cost Benefit Analysis of Power System
Reliability: Two Utility Case Studies, IEEE Trans. on Power
Systems, Vol. 10, No. 3, pp. 1667-1675, Aug. 1995.
A.F. Vojdani, R.D. Williams, W. Gambel, W. Li, L.Eng and B.N.
Saddeth, Experience with Application of Reliability and Value of
Service Analysis in System Planning, IEEE Trans. on Power
Systems, Vol. 11, No. 3 pp. 1489-1496, Aug. 1996.
J. C. O. Mello, M. V. F. Pereira and A. M. Leite da Silva,
Evaluation of Reliability Worth in Composite System Based on
Pseudo-sequential Monte Carlo Simulation, IEEE Trans. Power
Syst., Vol. 9, No. 3, pp. 1318-1326, Aug 1994.
A. Sankarakrishnan and R. Billinton, Effective Techniques for
Reliability Worth Assessment in Composite Power System
Networks Using Monte Carlo Simulation, IEEE Trans. on Power
Systems, Vol. 11, No. 3, pp.1255-1261, Aug. 1996.
EPRI - Workshop Proceedings, Power System Planning and
Engineering - Research Needs and Priorities, Rep. EL-6503, 1989.
Li Wenyuan and R. Billinton, A Minimum Cost Assessment
Method for Composite Generation and Transmission System
Expansion Planning, IEEE Trans. Power Systems., Vol. 8, No. 2,
pp. 628-635, May 1993.
EPRI, Cost Benefit Analysis of Power System Reliability Determination of Interruption Costs - Vol.1: Measurement Methods
and Potential Application in Reliability Cost-Benefit Analysis,
Report EL-6791, April 1990.
EPRI, Customer Demand for Service Reliability, Report RP-2810,
1989.
G. Wacker and R. Billinton, Customer cost of electric service
interruptions, Proc. of IEEE, Vol. 77, No. 6, pp. 919-930, 1989.
A. G. Massaud, M. Th. Schilling and J. P. Hernandez, Electricity
restriction costs, IEE Proc. C, 141, No. 4, pp. 229-304, July 1994.
A.M. Leite da Silva, G. Perez A., J.W. Marangon Lima and J.C.O.
Mello, Loss of Load Costs in Generating Capacity Reliability
Evaluation, Electric Power Systems Research, Vol. 41, pp. 109116, May 1997.
M. V. F. Pereira and N. J. Balu, Composite Generation/
Transmission Reliability Evaluation, Proc. of IEEE, Vol. 80, No.
4, pp. 470-491, 1992.
A.C.G. Melo, M.V. Pereira and A.M. Leite da Silva, Frequency
and Duration Calculations in Composite Generation and
Transmission Reliability Evaluation, IEEE Trans. on Power
Systems, Vol. 7, No. 2, pp. 469-476, May 1992.
A.C.G. Melo, M.V. Pereira and A.M. Leite da Silva, A Conditional
Probability Approach to the Calculation of Frequency and Duration
Indices in Composite Reliability Evaluations, IEEE Trans. on
Power Systems, Vol. 8, No. 3, pp. 1118-1125, Aug. 1993.
L. Salvaderi, Monte Carlo Simulation Techniques in Reliability
Assessment of Composite Generation and Transmission Systems,
IEEE Tutorial Course 90EH0311-1-PWR, (1990).
A. Sankarakrishnan and R. Billinton, Sequential Monte Carlo
Simulation for Composite Power System Reliability Analysis with
Time Varying Loads, IEEE Trans. on Power Systems, Vol. 10, No.
3, pp.1540-1545, Aug. 1995.
J.C.O. Mello, A.M. Leite da Silva and M.V.F. Pereira, Efficient
Loss-of-Load Cost Evaluation by Combined Pseudo-Sequential and
State Transition Simulation, IEE Proc. Pt. C, Vol. 144, No. 2, pp.
147-154, March 1997.
J.C.O. Mello, M.V.F. Pereira, A.M. Leite da Silva and A.C.G. Melo,
Application of Chronological Load Modeling in Composite
0.8
[2]
0.7
0.6
Minas
0.5
0.4
[3]
System
Sun
Mon
Tue
Wed
Thu
Fri
Sat
[4]
Figure 6: Weekly Load Curves - BSS

For all three methods, a coefficient of variation = 3% was used to
ensure convergence for the system LOLC index. The importance of
modeling the chronological loads per area is again clearly
demonstrated by comparing the results obtained with the sequential
and sequential+ simulations. For instance, the introduced error by
ignoring chronological loads per area, for this particular example, is
~ 33% considering the LOLF index. The sequential simulation
considered 2,416,284 cases, 182 years and took 320 minutes.
[5]
[6]
[7]
Table 2: Estimated Indices for the BSS

Index
LOLP ( 102 )
EENS (GWh/y)
LOLF (occ./y)
LOLD (h)
LOLC
(Mil.$/y)
Sequential
4.5121
25.449
152.56
2.5838
45.390
Pseudo-C.
4.5968
25.572
157.07
2.5567
45.458
Sequential+
3.8128
17.423
101.48
3.2824
31.820
As shown in Table 2, the proposed pseudo-chronological method

provides an excellent performance, in terms of accuracy of system
the indices. The pseudo-chronological simulation considered
116,666 cases, and took 21 minutes. This is the same CPU time
required when using a non-sequential simulation algorithm.
4.
CONCLUSIONS
This paper describes a pseudo-chronological Monte Carlo

simulation algorithm, which retains the computational efficiency of
non-sequential simulation and the accuracy of chronological
simulation. New test functions are proposed for frequency and costs
associated with interruptions. These functions are used in
conjunction with a multi-level non-aggregate Markov load model,
which accurately captures the impact of time varying loads. A
generic energy interruption model is used to accurately measure the
actual associated costs.
Both accuracy and computational efficiency are demonstrated using
two systems; the IEEE Modified Reliability Test system and the
Brazilian South-Southeastern system. Speed-ups up to 30 are
obtained with excellent performance accuracy regarding the
perception of different chronological load patterns. The proposed
methodology can be implemented into existing non-sequential
Monte Carlo simulation algorithms, enhancing their ability to
evaluate composite reliability indices including time varying loads.
[8]
[9]
[10]
[11]
[12]
[13]
[14]
[15]
[16]
[17]
[18]
[19]
100
[20]
[21]
[22]
[23]
[24]
[25]
[26]
[27]
Reliability Worth Evaluation, Electric Power Systems Research,

Vol. 40, pp. 167-174, March 1997.
L.A.F. Manso, A. M. Leite da Silva, and J. C. O. Mello,
Comparison of Alternative Methods for Evaluating Loss of Load
Costs in Generation and Transmission System, submitted to the
Electric Power Systems Research.
J.R. Ubeda and R.N. Allan, Reliability Asessment of Composite
Hydrothermal Generation and Transmission Systems Using
Sequential Simulation, IEE Proc. Pt. C, Vol. 141, No. 4, pp. 257262, July 1994.
C. Singh, T. Pravin Chander and J. Feng, Convergence
Characteristics of Two Monte Carlo Models for Reliability
Evaluation of Interconnected Power Systems, Electric Power
Systems Research, Vol. 28, No. 1, pp. 1-8, 1993.
H. Kumamoto, K. Tanaka, K. Inque and E.J. Henley, State
Transition Monte Carlo for Evaluating Large Repairable Systems,
IEEE Trans. on Reliab., Vol. R-29, No.5, pp. 376-380, Dec. 1980.
R. Billinton and W. Li, "A System State Transition Sampling Method
for Composite System Reliability Evaluation, IEEE Trans. Power
Systems., Vol. 8, No. 3, pp. 761-770, Aug. 1993.
M.R. Anderberg, Cluster Analysis for Applications, Academic
Press, N.Y., 1973.
R. Billinton and W. Li, Reliability Assessment of Electric Power
Systems Using Monte Carlo Methods, Plenum Press, NY, 1994.
IEEE Reliability Test System Task Force of the Application of
Probability Methods Subcommittee, IEEE reliability test system,
IEEE Trans. on PAS., 98 (1979) 2047-2054.
(A1) can be used to identify the backward sequence. Unfortunately, generating units and loads (e.g. the proposed multi-level nonaggregate Markov model proposed in Section 2.4.2) are usually
represented by frequency unbalanced multistate models [14, 15].
The transition probability Prs, is defined as the probability of the
system arriving at xs from state xr. A similar definition applies to
frequency frs. Frequency fsin is the frequency of arriving at state
xs, and fsin = fsout. The transition probability Prs can also be
evaluated as the ratio between frequencies frs and fsin, i.e.
Prs = f rs f sin = P( x r )
Mr
rs
P(x i ) i s
where Mr represents the number of possible states xr which

transits to xs. Dividing both numerator and denominator of Eq.
(A2) by P(xs), and defining rs = P(xr)/P(xs),then:
Pr s = r s r s
Mr
i s i s
Forward simulation:
This simulation process is concerned with the identification
of one possible forward sequence: a sequence of failure
states to be experimented by the system after leaving the
sampled state xs, until it finds a success system state. The
frequency of leaving system state xs to state xt , where the
unique difference between these two states is a change in
the operating state of component k, (e.g. a state changing
from xk = a to xk = b, with transition rate of ab) is given
by: fst = P(xs) ab. The frequency of departure from state xs
is given by: fsout = P(xs) sout, where the departure rate,
sout, is the summation of all transition rates between state
xs and any state connect to it. The transition probability Pst,
between states xs to state xt, is evaluated as the ratio
between frequencies fst and fsout, i.e.
Pst = f st f sout = st
Ms
st = ab
out
s
(A1)
i=1
where Ms represents the number of states the system can go

into, after leaving state xs.
Equation (A1) provides the basis for building the
probability distribution functions associated with the
transitions of departure of the system states that will form
the forward sequence.
(A3)
i=1
The ratio rs can be understood in the following way. Since

systems states xs and xr differ only by one component state,
generically defined as xk, which has changed its state, for instance,
from xk = a to xk = b, then it can be shown that,
r s = P( x k = a ) P( x k = b ) and r s = a b
7. APPENDIX: FORWARD/BACKWARD SIMULATION
(A2)
i=1
(A4)
Therefore, Eq. (A4) depends only on the knowledge of the

transition rates rs of the system states xr connected to xs, and on
the probability rates rs. Both quantities are easily determined
from the transition rates associated with the components states
that changes from xr to xs.
BIOGRAPHIES
Armando M. Leite da Silva (S77, M78, SM91) was born in Rio de
Janeiro, Brazil, in 1954. He received the B.Sc. degree from the PUCRio in 1975, the M.Sc. from the Federal Univ. of Rio de Janeiro
(COPPE-UFRJ) in 1977, and the Ph.D., degree from Univ. of
Manchester (UMIST), England, in 1980. He worked at the Electrical
Eng. (EE) Dept. of PUC-Rio as a Professor until 1994. From 1990 to
1991 he was visiting researcher at the Research Division of Ontario
Hydro, Canada. In 1992, he was a recipient of the Sebastian Z. de
Ferranti Premium, awarded by the Power Division of the IEE, UK, for
his work on generation capacity reliability evaluation. Since 1994, he
is Professor at the Institute of EE, Federal University, Itajub (EFEI),
Brazil.
Luiz Antnio da Fonseca Manso was born in Bias Fortes, Brazil, in
1961. He received the B.Sc. degree from the Federal Univ. of Juiz de
Fora, in 1985, the M.Sc. from PUC-Rio, in 1989 and he is now
working towards a Ph.D. degree at EFEI. Since 1988 he works at the
Electrical Eng. Department, Federal University, So Joo del-Rei FUNREI, MG, Brazil .
Backward simulation:
Joo Carlos de Oliveira Mello (M93, SM97) was born in Niteri,

Brazil, in 1960. He received the B.Sc., M.Sc. and D.Sc. degrees from
PUC-Rio in 1983, 1988 and 1994, respectively. Since 1989 he works
at CEPEL where he is currently coordinating the Electrical/Energy
Planning and Operation Area.
This simulation process is concerned with the identification of one

possible backward sequence: a sequence of failure states to be
experimented by the system before arriving at the sampled state
xs, until it finds a success system state. In a balanced frequency
systems (i.e. systems having balanced frequency components and
load), the frequency of transition between two connected states is
the same regardless of the direction of transition. In this case, Eq.
Roy Billinton (F78) came to Canada from England in 1952.

Presently C.J. Mackenzie Professor of Engineering and Associate
Dean, Graduate Studies, Research and Extension of the College of
Engineering. Author of papers on Power System Analysis, Stability,
Economic System Operation and Reliability. Author or co-author of
eight books on Reliability. Fellow of the IEEE, the EIC and the Royal
Society of Canada.
101
IX SIMPSIO DE ESPECIALISTAS EM PLANEJAMENTO

DA OPERAO E EXPANSO ELTRICA
IX SEPOPE
IX SYMPOSIUM OF SPECIALISTS IN ELECTRIC

OPERATIONAL AND EXPANSION PLANNING
SP065
23 a 27 de maio de 2004
May, 23th to 27rd 2004
Rio de Janeiro (RJ) Brasil
AVALIAO DA CONFIABILIDADE PREVENTIVA DE

Sistemas de Potncia
L. A. F. Manso *1
1
A. M. Leite da Silva2,3
W. S. Sales 1
R. Billinton4
Departamento de Engenharia Eltrica DEPEL, Universidade Federal de So Joo del-Rei - UFSJ, Brasil
2
Unidade de Sistemas de Energia INESC Porto, Portugal
3
Grupo de Engenharia de Sistemas - GESis, Universidade Federal de Itajub - UNIFEI, Brasil
4
Electrical Engineering Department, University of Saskatchewan, Saskatoon, Canada
RESUMO
Este artigo apresenta uma nova metodologia para a
avaliao da confiabilidade preventiva de sistemas
compostos de gerao e transmisso, a qual aplica uma
lista de contingncias para a identificao dos estados
operativos: saudvel, marginal e de falha. Esta
metodologia utiliza a simulao Monte Carlo noseqencial, um modelo de carga Markoviano noagregado, com mltiplos nveis, e um novo processo de
estimao de ndices de freqncia, denominado
processo de transio de estado um passo frente. Novas
funes teste so propostas para a avaliao de ndices
de confiabilidade preventiva. Para a verificao dos
conceitos apresentados, a metodologia desenvolvida
aplicada ao sistema teste IEEE-RTS, incluindo
modificaes no mesmo, e a uma configurao do
sistema Sul-Sudeste Brasileiro.
Palavras-Chave:
Confiabilidade
preventiva;
Confiabilidade composta; Simulao Monte Carlo.
1
L. C. Resende3
INTRODUO
Os mtodos baseados na teoria de probabilidades se

mostraram eficazes na avaliao do desempenho de
sistemas de potncia [1], e tm sido aplicados em muitas
reas, tais como: planejamento da gerao, avaliao da
reserva operativa, sistemas de distribuio, etc.
Entretanto, o planejamento da expanso e da operao de
sistemas compostos so, predominantemente, baseados
em critrios determinsticos (e.g. N-1). Esta abordagem
possui caractersticas muito atrativas: implementao
direta, fcil entendimento e o fato do julgamento de
condies severas e plausveis com base no histrico da
operao do sistema ser geralmente consistente. Porm,
no se pode afirmar que a experincia de planejadores e o
conhecimento de algumas situaes crticas so
suficientes para avaliar sistemas de potncia. As

condies de risco so melhor avaliadas quando a
natureza probabilstica dos parmetros relevantes do
sistema considerada.
Com o objetivo de aproximar as metodologias
determinsticas e probabilsticas, uma nova tcnica,
denominada confiabilidade preventiva [2]-[9], vem
sendo desenvolvida. Atravs dela, os estados operativos
do sistema so divididos em saudveis, marginais e de
falha, conforme mostra a Fig. 1. Diferentemente dos
mtodos tradicionais [10]-[15], a confiabilidade
preventiva avalia cuidadosamente os estados de sucesso.
Atravs da identificao dos estados marginais pode-se
estimar o quo dis tante da fronteira sucesso/falha o
sistema opera.
A confiabilidade preventiva tem sido aplicada em muitas
reas, e.g. sistemas de gerao [5], [8], reserva operativa
[4] e sistemas compostos de gerao e transmisso [2],
[3], [6], [9]. No que se refere ao caso composto, tcnicas
de enumerao de estados vm sendo aplicados em
sistemas teste. No entanto, o emprego destas tcnicas no
indicado a sistemas de grande porte. Nestes casos os
Sucesso
Saudvel
Marginal
Falha
Figura 1 - Modelo para Anlise de Confiabilidade Preventiva
* Departamento de Engenharia Eltrica, Universidade Federal de So Joo del-Rei - UFSJ

Praa Frei Orlando, 170, Centro, 36.307-352, So Joo del-Rei, MG
manso@mgconecta.com.br - Tel.: (32) 3379-2552, Fax: (32) 3379-2306
mtodos baseados em simulao Monte Carlo [7]-[15] so

recomendados. A simulao seqencial, utilizada em [5]
para avaliar sistemas de gerao, pode se tornar invivel
para a anlise de sistemas compostos. Para estes sistemas,
devido ao elevado esforo computacional, a simulao
no -seqencial certamente a mais indicada [7]-[9].
Este artigo estende os conceitos de [8] para sistemas
compostos. Novas funes teste so propostas para
viabilizar o emprego da simulao Monte Carlo noseqencial. Estas funes utilizam um processo de
estimao de ndices de freqncia, denominado
transio de estado um passo frente [15], o qual,
diferentemente de tcnicas anteriores [11], [12],
prescinde da hiptese de coerncia para o
comportamento do sistema. A metodologia desenvolvida
neste trabalho aplicada ao sistema IEEE-RTS (Reliability
Test System) [16], em sua configurao original e
modificada, e a uma configurao do sis tema SSB (SulSudeste Brasileiro).
2
CONFIABILIDADE COMPOSTA
Para sistemas de gerao e transmis so as estimativas dos

ndices de perda de carga so obtidas atravs de
algoritmos baseados em duas representaes distintas:
espao de estados e cronolgica. A enumerao de estados
e a simulao Monte Carlo no-seqencial so exemplos
de algoritmos baseados na representao a espao de
estados. Nestes mtodos, os estados so selecionados e
avaliados sem qualquer conexo cronolgica ou memria
[10]. No caso cronolgico, os estados so selecionados
seqencialmente no tempo [14], o que permite representar
aspectos temporais, como diferentes padres cronolgicos
de carga por rea ou barra do sistema. Entretanto, na
modelagem cronolgica dois estados consecutivos do
sistema diferem um do outro apenas pelo estado de um de
seus componentes, o que requer um esforo
computacional substancialmente maior que o necessrio
para as demais tcnicas.
O padro cronolgico da carga uma varivel de extrema
importncia para a avaliao da confiabilidade composta
[11], [12]. Usualmente, a carga representada por
modelos de Markov que assumem total correlao entre
as barras de carga do sistema. Recentemente, foi proposto
um modelo de Markov no -agregado [13], com mltiplos
nveis, o qual extremamente flexvel. Atravs deste
modelo e do processo de transio de estado um passo
frente [15], a simulao Monte Carlo no-seqencial
pode fornecer estimativas no tendenciosas para o
ndice LOLF (Loss of Load Frequency). Sem adotar a
hip tese de coerncia para o comportamento do sistema,
o processo de estimao utiliza a seguinte funo teste:
FLOLF (x k ) = out
k
se x k X S
se x k X F e x m X S
se x X F e x X F
k
(1)
onde out
o somatrio das taxas de transio do
k
estado de falha xk para todos os estados diretamente
vizinhos, e xm um estado encontrado a partir de xk
atravs de uma simples transio. XS e XF so os
subespaos dos estados de sucesso e falha,
respectivamente.
Note que necessrio simular somente uma transio
partindo de cada estado de falha xk para um estado
vizinho xm. Portanto, o nmero de anlises adicionais de
desempenho pequeno, e conseqentemente, o
acrs cimo do esforo computacional extremamente
baixo. Este acrscimo pode ser expresso em termos do
nmero de anlises adicionais de adequao, o qual
dado pelo produto LOLP NS, onde NS o nmero de
sorteios originais da simulao no-seqencial.
3
3.1
CONFIABILIDADE PREVENTIVA
Conceitos Bsicos
Como mostrado na Fig. 1, a base terica da anlise da

confiabilidade preventiva consiste na diviso dos
estados operativos do sistema em trs grupos: estados
s audveis , marginais e de falha. Para a identificao
destes estados, o sistema submetido a um critrio
determins tico. Um sistema opera no estado saudvel
(S) quando todas as restries de operao so
respeitadas, antes e depois da aplicao do critrio. No
estado marginal (M), o sistema, inicialmente, no viola
as restries de operao, porm h necessidade de
corte de carga quando o critrio aplicado. Finalmente,
um estado de falha (F) apresenta corte de carga,
independentemente
da
aplicao
do
critrio
especific ado.
Em sistemas de gerao, um critrio muito utilizado a
perda da maior unidade geradora disponvel no estado
em anlise, ou o prximo patamar de carga. Este critrio
capaz de representar muito bem o grau de adequao
do sistema, pois identifica a transio para a pior
condio de operao. J para sistemas compostos, a
identificao desta transio no imediata. Neste caso,
deve-se considerar uma lista de contingncias, o que
implica em um nmero de anlises adicionais
extremamente elevado.
As probabilidades (Prob), as freqncias (Freq) e as
duraes (Dur) associadas aos estados S, M e F
propiciam uma avaliao mais detalhada do sistema. A
Prob{F}, a Freq{F} e a Dur{F} so, respectivamente, os
tradicionais ndices: LOLP L( oss of Load Probability),
LOLF e LOLD (Loss of Load Duration). A avaliao da
confiabilidade preventiva para sistemas compostos ,
portanto, uma extenso natural da avaliao da
confiabilidade, permitindo a utilizao de um critrio
determinstico numa base probabilstica. Os estados
marginais devem ser corretamente identificados,
possibilitando aos operadores a alterao da trajetria
operativa do sistema, evitando que um estado de falha

seja alcanado.
3.2 Confiabilidade Preventiva de Sistemas Compo stos
Os estados dos equipamentos e o nvel momentneo da
carga definem um estado xk do sistema. Os ndices de
confiabilidade preventiva so obtidos a partir do valor
esperado de funes teste que avaliam os estados xk ,
amostrados via simulao Monte Carlo no -seqencial.
Saudvel
Marginal
S
M
MS
FS
xmarginal
MF
3.2.1 ndices de Probabilidade

As funes teste utilizadas para avaliar Prob{S},
Prob{M} e Prob{F} so, respectivamente:
1
FPr ob { S } ( x ) =
0
k
1
FPr ob { M } ( x k ) =
0
1
FPr ob{ F } ( x k ) =
0
se x k um estado saudvel
Xfalha
FM
F
Falha
(2)
em caso contrrio
se x k um estado marginal
(3)
em caso contrrio
se x k um estado de falha
(4)
em caso contrrio
Na confiabilidade composta tradicional somente uma

anlise de adequao necessria para classificar
(suces so ou falha) o estado amostrado xk. Em uma
avaliao de confiabilidade preventiva o problema se
torna bem mais complexo. Pela definio de estado
saudvel, nenhum equipamento da lista de contingncias
deve ser, individualmente, capaz de levar o sistema para a
condio de falha. Portanto, para distinguir se um estado
de sucesso saudvel ou marginal, at nl (tamanho da
lista de contingncias) anlises adicionais podem ser
neces srias.
3.2.2 ndices de Freqncia
Considere a Fig. 2, onde S, M e F representam,
respectivamente, o conjunto de todos os estados
saudveis, marginais e de falha. Dado que xmarginal M,
MS corresponde ao somatrio das taxas de transio
entre o estado xmarginal e todos os estados saudveis que
podem ser alcanados mediante uma transio. J o
termo MF representa as taxas de transio do estado
xmarginal para todos os estados de falha diretamente
vizinhos ao mes mo. Analogamente, dado que xfalha
F, FS corres ponde ao somatrio das taxas de
transio entre o estado xfalha e todos os estados
saudveis diretamente ligados a ele. J o termo FM
representa as taxas de transio entre o estado xfalha e
todos os estados marginais que podem ser alcanados
mediante uma transio.
As funes teste para estimar as freqncias Freq{S},
Freq{M} e Freq{F} so, respectivamente:
Figura 2. Transies entre os Grupos de Estados

Saudveis, Marginais e de Falha
k
FFreq{S} ( x ) = MS
FS
se x k S
se x k M
(5)
se x F
+ MF
FFreq{M }( x k ) = MS
0
+ FM
FFreq{F }( x k ) = FS
0
se xk M
se x k M
se x k F
se xk F
(6)
(7)
O clculo dos termos MS, MF, FS e FM muito

caro do ponto de vista computacional. Supondo um
sistema composto por n c componentes, para cada estado
xmarginal ou xfalha sorteado, seria necessrio realizar, a
princpio, um nmero de anlises adicionais superior a
nc . Somente para identificar os estados de falha vizinhos
ao estado sorteado (xmarginal ou xfalha) seriam necessrias
nc anlises. Novas anlises seriam, ento, aplicadas aos
demais estados vizinhos, i.e. que no so de falha, para
distingui-los entre estados saudveis e marginais.
A aplicao das funes teste dadas pelas Equaes (5),
(6) e (7) em sistemas de grande porte torna-se invivel,
pois, em funo do elevado nmero de anlises
adicionais, o esforo computacional envolvido fica
proibitivo. A partir destes aspectos negativos,
vislumbrou-se, para o clculo das freqncias dos
estados saudveis, marginais e de falha, a aplicao de
uma metodologia que faz uso de uma pequena variao
do processo de transio de estado um passo frente
[15].
3.2.3 ndices de Freqncia Utilizando o Processo
de Transio de Estado um Passo Fre nte
Utilizando a metodologia do processo de transio de
estado um passo frente, os ndices Freq{S}, Freq{M}
e Freq{F} podem tambm ser estimados por meio de
amostragens de um estado xm a partir do estado xk
(marginal ou de falha). Neste caso as novas funes
teste devero, re spectivamente, assumir os seguintes

valores:
0
out
k
k
FFreq{S} ( x ) = 0
out
k
0
se xk S
se x k M e xm S
se xk M e xm S
(8)
se x F e x S
k
se xk F e x m S
0
out
k
FFreq { M } ( x ) = k
0
0
se x k S
0
FFreq { F } ( x k ) = out
k
0
se x k S
se x k M
e xm M
se x k M e x m M
(9)
se x k F
se x k M
se x k F e x m F
(10)
se x k F e x m F
onde kout o somatrio das taxas de transio do estado

xk para todos os estados diretamente ligados a ele, e xm
um estado qualquer, encontrado a partir de xk por meio
de uma simples transio.
Note que este novo mtodo simula somente uma das
possveis transies partindo de um estado (marginal ou
de falha) xk , de modo a selecionar um estado vizinho xm.
Isto implica em uma reduo significativa no nmero de
anlises
adicionais
de
desempenho
e,
conseqenteme nte, em um esforo computacional bem
menor. Este mtodo agrega simulao no -seqencial
caractersticas que a tornam mais indicada anlise da
confiabilidade preventiva em sistemas de grande porte.
3.2.4 ndices de Durao
As duraes mdias de residncia do sistema em estados
saudveis, marginais e de falha so dadas,
respectiv amente, por:
Dur{S } =
Prob{S}
Freq {S}
(11)
Dur{M } =
Prob{M }
Freq {M}
(12)
Dur{F } =
Pr ob{F }
Freq {F }
(13)
ii) analise o desempenho do estado amostrado xk por

meio de estudos de fluxo de potncia. Se necessrio,
acione medidas corretivas tais como redespacho de
gerao, corte de carga, etc. Se xk um estado de
falha, simule o processo de transio de estado um
passo frente, estime Prob{F}, Freq{S} e Freq{F},
e v para o passo (iv); em caso contrrio, prossiga no
passo (iii);
iii) submeta o estado xk lista de contingncias. Se xk
um estado saudvel estime Prob{S}; seno, simule o
processo de transio de estado um passo frente e
estime Prob{M}, Freq{S} e Freq{M};
iv) avalie o coeficiente de incerteza relativa [11], [14].
Se a convergncia desejada no obtida, retorne ao
passo (i); em caso contrrio, pare aps avaliar os
ndices Dur{S}, Dur{M} e Dur{F}.
3.4
Lista de Contingncias
A confiabilidade preventiva caracterizada pela incluso
de
critrios
determinsticos
em
metodologias
probabilsticas. Um critrio determinstico muito
utilizado por operadores e planejadores de sistemas de
potncia o N-1. Porm, a aplicao deste critrio na
anlise de confiabilidade preventiva resulta em um alto, e
desnecessrio, esforo computacional. Prope-se, ento, o
emprego de uma lista de contingncias, composta por
equipamentos selecionados segundo parmetros como o
seu grau de importncia e o valor de sua
indisponibilidade.
Um dos principais objetivos da metodologia proposta
alertar o operador quando o sistema caminha para um
ponto de operao pertencente ao grupo de estados
marginais. Uma lista de contingncias bem elaborada,
ou boa, aquela que minimiza a possibilidade do
sistema operar em um estado de falha, sem que o
operador seja previamente alertado. A freqncia de
transio dos estados de falha para os estados saudveis ,
a qual pode ser obtida a partir de FS na Fig. 3.1,
permite avaliar a qualidade de uma lista de
contingncias.
Considerando que diversas falhas so determinadas por
variaes no patamar de carga do sistema, pode ser
neces srio incluir o prximo ponto da curva de carga entre
os eventos pertencentes lista de contingncias.
4
3.3
Algoritmo proposto
O algoritmo proposto implementado atravs dos
seguintes passos:
i) amostre um estado xk X (espao amostral),
baseado em sua distribuio de probabilidade P(x);
RESULTADOS
A aplicao da metodologia proposta, ilustrada atravs

de estudos de caso utilizando os sistemas IEEE-RTS
(Reliability Test System ) e SSB (Sul-Sudeste Brasileiro).
Para a anlise de adequao de cada estado amostrado
utilizado o modelo de fluxo de potncia linearizado,
com um algoritmo de otimizao das medidas
corretivas. Em todos os testes realizados, o critrio de
parada adotado foi a obteno de um coeficiente de
incerteza relativa [11], [14] menor ou igual a 5% para os
ndices estimados. Um processador 1.7Ghz foi utilizado
em todas as simulaes realizadas.
4.1
Sistema IEEE-RTS
O sistema IEEE-RTS (Reliability Test System) [16]
pos sui 24 barras, 38 circuitos e 32 unidades geradoras
distribudas entre 14 usinas, perfazendo um total de 3405
MW de potncia instalada. O valor de pico anual da
carga total do sistema atinge 2850 MW. O sistema
IEEE-MRTS uma modificao do sistema original
IEEE-RTS onde a capacidade de gerao e a carga so
multiplicadas por dois, estressando a rede de transmisso.
Duas curvas de carga so utilizadas: a original do
sistema e uma outra correspondente a 52 repeties da
semana pico de inverno (semana 51 da curva original).
A partir destas curvas de carga foram produzidos dois
modelos de Markov, sem qualquer agregao entre seus
estados. Es tes modelos so utilizados pela simulao
no -seqencial para a realizao de dois estudos, os
quais empregam o mesmo critrio determinstico,
composto pelos seguintes eventos:
Gerao: uma unidade em cada usina;
Transmisso: circuitos 3-24; 9-11; 9-12; 10-11;
10-12; 13-11; 13-12; 14-11; 14-16; 15-24; 23-12;
Carga: prximo ponto na curva de carga.
4.1.1 Caso 1
Neste Caso, o sistema IEEE-RTS utilizado com a curva
de carga original. A Tabela 1 apresenta os resultados
obtidos pela metodologia proposta, e tambm atravs da
simulao seqencial, proposta em [5] para sistemas de
gerao. Em mdia, este sistema opera na condio
marginal menos que 25 vezes por ano (Freq{M}).
Portanto, o Caso 1 apresenta uma operao confortvel.
Tabela 1 - ndices de Confiabil idade Preventiva Caso 1
Metodologia
Proposta
0,9846
0,0143
0,0011
Simulao Monte
Carlo Seqencial
0,9848
0,0140
0,0012
Freq{S} (oc./ano)
Freq{M} (oc./ano)
Freq{F} (oc./ano)
22,93
24,78
2,430
21,75
24,01
2,265
Dur{S} (hora)
Dur{M} (hora)
Dur{F} (hora)
375,2
5,047
4,097
395,6
5,083
4,728
ndices
Prob{S}
Prob{M}
Prob{F}
Tendo em vista um estudo aplicado ao parque gerador

deste sistema [8], pode-se afirmar que a incluso da rede
de transmisso deteriora muito pouco o seu desempenho.
Como exemplo, a Prob{S} do Caso 1 ficou apenas 0,17%
menor que a obtida naquele estudo. Portanto, o sistema
IEEE-RTS dominado por problemas de gerao.
A freqncia de transio dos estados de falha para
estados saudveis ficou em torno de 0,23
ocorrncias/ano. Deste total, 95% (0,22 oc./ano) so
resultantes de uma reduo da carga. O restante desta

freqncia (0,01 oc./ano), resulta do reparo do circuito 8
10. Isto significa que as transies dos estados
saudveis para os estados de falha so desprezveis .
Portanto, a lista de contingncias foi montada
apropriadamente.
Para atingir a convergncia, foram analisados
aproximadamente 4,2 x 106 estados, sendo que as anlises
adicionais realizadas para classificar os estados entre
saudveis e marginais corresponderam a 97% deste total.
O tempo de processamento necessrio para a estimao
dos ndices de confiabilidade preventiva foi de 1050
minutos. Para obter a mesma preciso com a simulao
Monte Carlo seqencial, foram analisados 35,4 x 106
estados. Para este caso a metodologia proposta foi 8,4
vezes mais rpida.
4.1.2 Caso 2
O sistema modificado, IEEE-MRTS, e a curva de carga
referente semana pico so utilizados para compor um
caso altamente estressado. A Tabela 2 apresenta os
resultados obtidos.
Tabela 2 - ndices de Confiabilidade Preventiva - Caso 2
Metodologia
Proposta
0,5882
0,3619
Simulao Monte
Carlo Seqencial
0,5902
0,3583
Prob{F}
Freq{S} (oc./ano)
Freq{M} (oc./ano)
0,0499
302,15
394,15
0,0515
273,3
377,4
Freq{F} (oc./ano)
Dur{S} (hora)
Dur{M} (hora)
Dur{F} (hora)
103,30
16,99
8,019
4,220
92,11
18,86
8,294
4,884
ndices
Prob{S}
Prob{M}
Este sistema reside 59% em estados saudveis, 36% em

estados marginais e 5% em estados de falha. As
freqncias
Freq{S}
e
Freq{M}
aumentam
dramaticamente em relao ao caso anterior. Em mdia,
todos os dias o sistema entra na condio marginal, nela
permanecendo, em mdia, por 8 horas. Isto significa que
o sistema est altamente estressado e passa uma parte
significativa do dia perto da fronteira sucesso/falha. A
durao mdia dos estados saudveis reduzida para 17
horas. A sinalizao fornecida pela anlise de
confiabilidade preventiva extremamente importante e
mede, em uma base probabilstica, a percepo de
planejadores em relao ao grau de conforto da
operao do sistema.
O tempo de simulao necessrio para atingir a
convergncia foi de 55 minutos. Foram analisados
aproximadamente 2,4 x 10 5 estados, incluindo 2,3 x 105
anlises adicionais para distinguir estados saudveis de
estados marginais. A metodologia proposta foi 13,2
vezes mais rpida que a simulao Monte Carlo
seqencial.
Com o objetivo de reduzir o esforo computacional,

obtida uma nova lista baseada numa simulao prvia,
onde a contribuio de cada contingncia, para a
classificao entre estados saudveis e marginais,
contabilizada. O acmulo de 95% destas contribuies, por
meio dos eventos mais crticos, define a seguinte lista
reduzida:
classificao dos estados saudveis e marginais. O tempo

de processamento foi de aproximadamente 913 minutos.
Para obter a mesma convergncia, a simulao
seqencial, analisou 6,5 x 106 estados. Para o estudo do
sistema SSB a metodologia proposta foi 10,8 vezes mais
rpida.
Gerao: uma unidade nas estaes 2 (barra 1), 4 (barra 1),

6 (barra 7), 10 (barra 13), 11 (barra 23) e 14 (barra 22);
Transmisso: circuitos 14-11; 14 -16.
Com a utilizao da lista reduzida o tempo de

proces samento caiu para 37 minutos. O erro mdio
introduzido
por
este
procedimento
foi
de
aproximadamente 4,1%.
4.2
Sistema SSB
A configurao utilizada para o sistema Sul-Sudeste
Brasileiro composta por 413 barras e 685 circuitos. A
capacidade instalada e o pico de carga so
aproximadamente iguais a 46 GW e 41 GW,
respectivamente. Para representar o comportamento da
carga, nas cinco reas (So Paulo, Minas, Rio, Sul e
Centro), so utilizadas 5 curvas de carga com 8736
pontos horrios. Estas curvas so convertidas em um
modelo de Markov, com mltiplos nveis [13], sem
agregao entre seus estados.
Para a composio da lista de contingncias so
con sideradas as unidades com capacidade maior ou
igual a 150 MW (uma de cada estao geradora) e os
circuitos componentes, ou vizinhos, das interligaes.
Atravs de uma simulao prvia, para identificar os
equipamentos mais crticos, obtida uma lista reduzida
composta de 63 circuitos e 6 unidades geradoras.
Os ndices obtidos para o sistema SSB so apresentados
pela Tabela 3. Existe uma razovel semelhana entre
estes ndices e aqueles obtidos para o Caso 2 (IEEEMRTS). No entanto, a operao do sistema SSB ainda
mais estressante. Em mdia, este sistema ingressa na
condio marginal uma vez a cada 15 horas.
Este artigo apresenta uma nova metodologia capaz de

avaliar a confiabilidade preventiva de sistemas
compos tos de gerao e transmisso. Tendo como base
a simulao Monte Carlo no-seqencial, o modelo
proposto utiliza novas funes teste capazes de estimar,
com preciso, todos os ndices envolvidos. Destaca-se
ainda, a utilizao de um modelo Markoviano noagregado com mltiplos nveis, para representar a carga,
e a implementao do processo de transio de estado
um passo frente, o que torna possvel a estimao de
ndices de freqncia, com um baixo custo
computacional. A metodologia proposta se mostrou
capaz de produzir uma ordem de criticidade para uma
dada lista de contingncias e, tambm, de fornecer uma
avaliao quantitativa do grau de conforto da operao
de sistemas eltricos de potncia.
6 AGRADECIMENTOS
Os autores gostariam de agradecer ao CNPq e CAPES
pelo apoio recebido.
7
REFERNCIAS
[1]
R. Billinton & R.N. Allan, Reliability Evaluation of

Power Systems, Plenum Press, New York, 1996.
R. Billinton & E. Khan "A Security Based Approach to
Composite Power System Reliability Evaluation", IEEE
Trans. on Power Systems, Vol. 7, pp. 65-72, Feb. 1992.
R. Billinton & G. Lian, "Composite Power System
Health Analysis Using a Security Constrained Adequacy
Evaluation Procedure", IEEE Trans. on Power Systems,
Vol. 9, No. 2, pp. 936-941, May 1994.
R. Billinton & M. Fotuhi-Firuzabad, "A Basic
Framework For Generating System Operating Health
Analysis", IEEE Trans. on Power Systems, Vol.9, No. 3,
pp.1610-1617, Aug. 1994.
R. Billinton & R. Karki, "Application of Monte Carlo
Simulation to Generating System Well-Being Analysis",
IEEE Trans. on Power Systems, Vol. 14, No. 3, pp.
1172-1177, Aug. 1999.
L. Goel & C. Feng, "Well-Being Framework for
Composite Generation and Transmission System
Reliability Evaluation", IEE Proc.-Gener. Trans. Distrib.,
Vol. 146, No. 5, pp. 528-534, Sep. 1999.
L.C. Resende, "Avaliao da Confiabilidade Preventiva
de Sistemas Eltricos de Potncia", Dissertao de
Mestrado, UNIFEI-MG, Out. 2002.
L.A.F. Manso, W.S. Sales, A.M. Leite da Silva & L.C.
Resende, Confiabilidade Preventiva de Sistemas de
Gerao via Simulao Monte Carlo No-Seqencial, 5 th
Latin-American Congress: Electricity Generation and
Transmission, So Pedro/SP, Nov. 2003.
A.M. Leite da Silva, L.C. Resende, L.A.F. Manso & R.
Billinton,
Well-Being
Analysis
for
Composite
Generation and Transmission Systems, IEEE Trans. on
Power Syst., artigo submetido.
[2]
[3]
[4]
[5]
Tabela 3 - ndices de Confiabilidade Preventiva SSB

Metodologia
Proposta
0,5672
0,3878
0,0450
Simulao Monte
Carlo Seqencial
0,5715
0,3839
0,0446
Freq{S} (oc./ano)
Freq{M} (oc./ano)
Freq{F} (oc./ano)
476,8
613,4
152,7
489,4
593,7
151,4
Dur{S} (hora)
Dur{M} (hora)
Dur{F} (hora)
10,39
5,522
2,574
10,20
5,646
2,576
ndices
Prob{S}
P rob{M}
Prob{F}
[6]
[7]
[8]
[9]
Para este caso foram analisados aproximadamente 0,6 x

106 estados. Deste total, 93% foram destinados
CONCLUSES
[10] M.V.F. Pereira & N.J. Balu, Composite Generation and

Transmission Reliability Evaluation, Proc. of IEEE,
Vol. 80, No. 4, pp. 470-491, April 1992.
[11] A.C.G. Melo, M.V.F. Pereira & A.M. Leite da Silva,
Frequency and Duration Calculations in Composite
Generation and Transmission Reliability Evaluation,
IEEE Trans. on Power Systems, pp. 469-476, May 1992.
[12] A.C.G. Melo, M. V. Pereira & A.M. Leite da Silva, "A
conditional Probability Approach to the Calculation of
Frequency and Duration Indices in Composite Reliability
Evaluations", IEEE Trans. Power Systems, Vol. 8, No. 3,
pp. 1118-1125, Aug. 1993.
[13] A.M. Leite da Silva, L.A.F. Manso, J.C.O. Mello & R.
Billinton,
Pseudo-Chronological
Simulation
for
Composite Reliability Analysis with Time Varying
Loads, IEEE Trans. on Power Syst., 15, pp. 73-80, Feb.
2000.
[14] L. Salvaderi, "Monte Carlo Simulation Techniques in
Reliability Assessment of Composite Generation and
Transmission
Systems",
IEEE
Tutorial
Course
90EH0311-1-PWR, 1990.
[15] L.A.F. Manso & A.M. Leite da Silva, Modelagem de
Cargas Variantes no Tempo na Avaliao de
Confiabilidade Composta via Simulao Monte Carlo
No-Seqencial, XIV CBA Congresso Brasileiro de
Automtica, Natal/RN, pp. 2646-2651, Set. 2002.
[16] IEEE APM Subcommittee, IEEE Reliability Test
System, IEEE Trans. on PAS, Vol. PAS-99, pp. 20472054, Nov/Dec. 1979.
109
Exemplo 8.1: Considere um sistema formado por 2 unidades de 20 MW (com = 2 f/ano e

= 18 r/ano) e 1 unidade de 30 MW (com = 3 f/ano e = 17 r/ano). Calcule os ndices
LOLP, LOLE, EPNS e EENS apresentados por este sistema, ao atender uma carga de 40 MW.
Exerccio: Resolva o Exemplo 8.1 atravs da simulao Monte Carlo no-seqencial.
0
FLOLP ( x ) =
1
k
NS X1
X2
0
FEPNS ( x ) =
P
se x k SUCESSO
se x k FALHA
se x k SUCESSO
se x k FALHA
~
~
X3 FLOLP E(FLOLP ) AFLOLP A2FLOLP FEPNS E(FEPNS ) AFEPNS A2FEPNS
1 0,60 0,02 0,12
20
20
20
400
2 0,65 0,91 0,79
20/2
20
400
3 0,32 0,57 0,86
1/3
20/3
20
400
4 0,15 0,08 0,81
20/4
20
400
5 0,71 0,74 0,75
1/5
20/5
20
400
6 0,84 0,81 0,08
1/6
20/6
20
400
7 0,06 0,09 0,67
2/7
10
30/7
30
500
8 0,74 0,46 0,43
2/8
30/8
30
500
9 0,39 0,92 0,98
2/9
]2
30/9
30
500
10 0,28 0,28 0,23
0,2
3,0
30
500
1
~
LOLP = E(FLOLP ) =
AFLOLP = 0,2
10
V[FLOLP ]
~
V[E(FLOLP )] =
=
N
LOLP =
~
V[E(FLOLP )]
=
~
E(FLOLP )
(FLOLPi )
LOLE = LOLP 8760 h/ano = 1752 h/ano
~
N[E(FLOLP )]2
2 10 0,2 2
=
= 0,01777
10 9
N(N - 1)
0,01777
= 0,6667
0,2
ou
66,67%
1
~
EPNS = E(FEPNS ) =
AFEPNS = 3,0 MW EENS = EPNS 8760 h/ano = 26,28 GWh/ano
10
V[FEPNS ]
~
=
V[E(FEPNS )] =
N
EPNS =
~
V[E(FEPNS )]
=
~
E(FEPNS )
(FEPNSi )
~
N[E(FEPNS )]2
N(N - 1)
4,5555
= 0,7115
3,0
ou
500 10 3,0 2
=
= 4,5555
10 9
71,15%
Confiabilidade de Sistemas Eltricos
110
Algoritmo da SMC no-seqencial
a) defina a tolerncia (tol) e o nmero mximo de sorteios (NSMAX);

b) faa o nmero de sorteios igual a zero NS = 0;
c) sorteie um vetor x X a partir de sua distribuio P(X) e atualize NS NS = NS + 1;
d) se houver corte de carga avalie funes teste para o vetor amostrado x e prossiga;
seno retorne ao passo (c);
1 NS
~
e) estime ndices E ( F ( X )) =
F ( xi ) ;
NS i =1
f) calcule =
~
V [ E ( F ( X ))]
~
E ( F ( X ))
g) se < tol ou se NS > NSMAX calcule/imprima os ndices e respectivos s; seno

retorne ao passo (c).
111
Exerccio: Resolva o Exemplo 8.1 atravs da simulao Monte Carlo seqencial.
G1
1000
1950
6000
250
100
3000
G2
8000
150
G3
950
7000
1800
200
Sistema
300
950
1800
50
50
100
300
50
50
50
100
100
112
Algoritmo da SMC seqencial
a) defina a tolerncia (tol) e o nmero mximo de anos (NYMAX);

b) faa o nmero de anos igual a zero NY = 0;
c) sorteie o estado inicial dos geradores e faa NY = NY + 1;
d) sorteie o primeiro tempo de residncia para cada gerador (TGi, i = 1, ..., NG); use
para tempo de operao e para tempo de reparo;
e) faa TSIS, FLOLE, FEENS, FLOLF iguais a zero;
f) encontre o gerador com o menor tempo de residncia i e TGi;
g) se TGi > 8760 (1 ano) faa TGi = 8760;
h) faa TDUR = TGi TSIS e TSIS = TGi;
i) atualize cada funo teste;
j) se TSIS < 8760 sorteie um novo tempo de residncia (TR) para o gerador que
transitou, faa TGi = TGi + TR e v para o passo (f); seno calcule as estimativas dos
V [E (G(Y ))]
1 NY
G
y
e
os
respectivos
s
;
(
)
ndices E (G(Y )) =
i
(G(Y ))
NY i =1
E
k) se < tol ou se NY = NYMAX calcule/imprima os ndices e respectivos s, e pare;

seno retorne ao passo (c).

Confiabilidade Sistemas Elétricos

Caricato da

Informazioni sul documento

Titolo originale

Copyright

Formati disponibili

Condividi questo documento

Condividi o incorpora il documento

Opzioni di condivisione

Hai trovato utile questo documento?

Questo contenuto è inappropriato?

Copyright:

Formati disponibili

Confiabilidade Sistemas Elétricos

Caricato da

Copyright:

Formati disponibili

CONFIABILIDADE

Prof. Luiz Antnio da Fonseca Manso

CAPTULO 1 INTRODUO ....................................................................................... 1

CAPTULO 3 APLICAO DA DISTRIBUIO BINOMIAL .............................. 16

Representao a Espao de Estados ......................................................................

CAPTULO 5 MODELAGEM DE REDES ................................................................. 34

CAPTULO 6 DISTRIBUIES DE PROBABILIDADE NA AVALIAO DA

Confiabilidade de Sistemas Eltricos de Potncia

6.3 Funes Gerais de Confiabilidade ......................................................................... 46

CAPTULO 8 NDICES DE FREQNCIA E DURAO ..................................... 74

CAPTULO 9 REPRESENTAO CRONOLGICA ............................................. 83

As tcnicas de avaliao da confiabilidade, inicialmente voltadas s industrias

Atualmente, as tcnicas de confiabilidade so tambm empregadas na fabricao de

A teoria das probabilidades, embora inteiramente necessria, no suficiente para

Definio: existem vrias. A mais amplamente aceita : Confiabilidade a

Confiabilidade de Sistemas Eltricos de Potncia

A teoria das probabilidades fornece os princpios e as tcnicas matemticas para

Na avaliao da confiabilidade so obtidos diversos ndices de confiabilidade.

A definio de um nvel adequado de confiabilidade uma tarefa difcil pois depende

Um produto ou sistema tem uma confiabilidade inerente criada durante a fase do

Confiabilidade de Sistemas Eltricos de Potncia

Nveis hierrquicos de um sistema de potncia: um sistema de potncia pode ser

Nvel Hierrquico 1 - NH1

Nos mtodos de avaliao da confiabilidade da gerao (NH1) toda a carga e toda a

Para a avaliao da confiabilidade composta, i.e. de sistemas compostos de gerao e

A avaliao integrada da confiabilidade de um sistema de potncia, incluindo gerao

Confiabilidade de Sistemas Eltricos de Potncia

CAPTULO 2: Noes de Probabilidade

Experimento: ao descrevermos um experimento, deveremos especificar que operao

Eventos: conjunto de resultados possveis ou subconjunto do espao amostral.

Probabilidade: define quantitativamente a possibilidade de um ou mais eventos

Figura 2.1 Escala de Probabilidade

Se os resultados (eventos) de um experimento so classificados em sucesso e falha,

Se s = no. de sucessos e f = no. de falhas, ento:

P(cara) = P(coroa) = 1/2

Confiabilidade de Sistemas Eltricos de Potncia

para mais lances ....

Ex.: 2.3: Considere 2 dados e a probabilidade de se obter um total de 9 pontos em um nico

2.2 Permutaes e Combinaes

Nos exemplos anteriores usamos a classificao (s e f) e contagem dos estados

2.3 Conceitos Prticos de Engenharia

Em problemas prticos no possvel determinar a probabilidade de sucesso ou falha

n = nmero de repeties do experimento

Confiabilidade de Sistemas Eltricos de Potncia

Indisponibilidade (unavailability): probabilidade de se encontrar um elemento de um

tempo fora de operao ou falha

2.4 Diagramas de Venn

Regra 1 Eventos independentes

Dois eventos so ditos independentes se a ocorrncia de um evento no afeta a

Regra 2 Eventos mutuamente exclusivos (ou disjuntos)

Confiabilidade de Sistemas Eltricos de Potncia

Regra 3 Eventos complementares

Se um evento (A) no ocorre o outro (B) necessariamente ocorre.

Ento: P(A) + P(B) = 1 ou P(B) = P( A )

Eventos complementares so tambm mutuamente exclusivos. Porm, o inverso no

Regra 4 Eventos condicionais

So eventos que ocorrem condicionados ocorrncia de outro(s) evento(s). A

no. de maneiras de ocorrer A e B

Regra 5 Eventos de ocorrncia simultnea ( A B )

Para n eventos independentes Ai:

Confiabilidade de Sistemas Eltricos de Potncia

ii) eventos dependentes

Regra 6 Ocorrncia de pelo menos um de dois eventos