Please use this identifier to cite or link to this item: https://rima.ufrrj.br/jspui/handle/20.500.14407/23193
Full metadata record
DC FieldValueLanguage
dc.contributor.authorFreitas, Rodrigo Cabral de-
dc.date.accessioned2025-09-15T14:11:47Z-
dc.date.available2025-09-15T14:11:47Z-
dc.date.issued2024-12-11-
dc.identifier.citationFREITAS, Rodrigo Cabral de. Um modelo de programação quadrática aplicado à minimização de custos relacionados à contratos de fornecimento de energia elétrica: um estudo de caso na universidade federal rural do Rio de Janeiro. 2024. 66 f. Dissertação (Mestrado em Modelagem Matemática e Computacional) - Instituto de Ciências Exatas, Universidade Federal Rural do Rio de Janeiro, Seropédica, 2024.pt_BR
dc.identifier.urihttps://rima.ufrrj.br/jspui/handle/20.500.14407/23193-
dc.description.abstractEste estudo propõe o desenvolvimento de um modelo de programação quadrática de apoio à gestão de contratos de demanda energética em instituições de ensino e pesquisa de grande porte, bem como de apoio à tomada decisão em relação à contratação de demandas futuras, tendo como estudo de campo o cenário da Universidade Federal Rural do Rio de Janeiro. A crescente necessidade de eficiência energética e a complexidade das tarifas elétricas exigem diferentes abordagens na gestão do consumo de energia. O modelo de programação quadrática oferece um arcabouço matemático robusto para lidar com cenários desta natureza, proporcionando soluções eficientes para a alocação de recursos energéticos. A pesquisa inclui a análise crítica de algoritmos clássicos e o desenvolvimento de novas abordagens para minimizar os custos envolvidos em um contrato de fornecimento de energia elétrica, considerando parâmetros como sazonalidade e restrições operacionais. O presente estudo visa contribuir para o avanço no entendimento e na aplicação de métodos de programação quadrática na gestão de contratos de fornecimento de energia elétrica, promovendo a sustentabilidade e a eficiência energética em instituições de ensino e pesquisa de grande porte.pt_BR
dc.description.sponsorshipCoordenação de Aperfeiçoamento de Pessoal de Nível Superior - CAPESpt_BR
dc.languageporpt_BR
dc.publisherUniversidade Federal Rural do Rio de Janeiropt_BR
dc.subjectProgramação quadráticapt_BR
dc.subjecteficiência energéticapt_BR
dc.subjectgestão de consumo elétricopt_BR
dc.subjectQuadratic programmingpt_BR
dc.subjectenergy efficiencypt_BR
dc.subjectelectrical consumption managementpt_BR
dc.titleUm modelo de programação quadrática aplicado à minimização de custos relacionados à contratos de fornecimento de energia elétrica: um estudo de caso na universidade federal rural do Rio de Janeiropt_BR
dc.title.alternativeA quadratic programming model applied to minimizing costs related to contracts electric power supply : a case study at the Federal Rural University of Rio de Janeiroen
dc.typeDissertaçãopt_BR
dc.description.abstractOtherThis study proposes the development of a quadratic programming model to support the man- agement of energy demand contracts in large educational and research institutions, as well as to support decision-making in relation to contracting future demands, taking as a field study the scenario of the Universidade Federal Rural do Rio de Janeiro. The increasing need for energy efficiency and the complexity of electricity tariffs require different approaches to managing energy consumption. The quadratic programming model offers a robust mathematical framework to deal with scenarios of this nature, providing efficient solutions for the allocation of energy resources. The research includes the critical analysis of classic algorithms and the development of new approaches to minimize the costs involved in an electricity supply contract, considering parameters such as seasonality and operational restrictions. The present study aims to contribute to the advancement in the understanding and application of quadratic programming methods in the management of electricity supply contracts, promoting sustainability and energy efficiency in large teaching and research institutionsen
dc.contributor.advisor1Gregório, Ronaldo Malheiros-
dc.contributor.advisor1IDhttps://orcid.org/0000-0003-2229-0523pt_BR
dc.contributor.advisor1Latteshttp://lattes.cnpq.br/4502104424266743pt_BR
dc.contributor.advisor-co1Cruz, Marcelo Dib-
dc.contributor.advisor-co1IDhttps://orcid.org/0000-0002-0380-144Xpt_BR
dc.contributor.advisor-co1Latteshttp://lattes.cnpq.br/7385995443437070pt_BR
dc.contributor.referee1Gregório, Ronaldo Malheiros-
dc.contributor.referee1IDhttps://orcid.org/0000-0003-2229-0523pt_BR
dc.contributor.referee1Latteshttp://lattes.cnpq.br/4502104424266743pt_BR
dc.contributor.referee2Silva, Felipe Leite Coelho da-
dc.contributor.referee2IDhttps://orcid.org/0000-0002-7090-5716pt_BR
dc.contributor.referee2Latteshttp://lattes.cnpq.br/9601624302826678pt_BR
dc.contributor.referee3Oliveira, Paulo Roberto-
dc.contributor.referee3Latteshttp://lattes.cnpq.br/7280159257989330pt_BR
dc.contributor.referee4Cruz, Marcelo Dib-
dc.contributor.referee4IDhttps://orcid.org/0000-0002-0380-144Xpt_BR
dc.contributor.referee4Latteshttp://lattes.cnpq.br/7385995443437070pt_BR
dc.creator.Latteshttp://lattes.cnpq.br/9160812683607469pt_BR
dc.publisher.countryBrasilpt_BR
dc.publisher.departmentInstituto de Ciências Exataspt_BR
dc.publisher.initialsUFRRJpt_BR
dc.publisher.programPrograma de Pós-Graduação em Modelagem Matemática e Computacionalpt_BR
dc.relation.references1 TAVARES, Leila Aley. MATRIZ ELÉTRICA BRASILEIRA E AS TENDÊNCIAS FUTURAS. RECIMA21-Revista Científica Multidisciplinar-ISSN 2675-6218, v. 4, n. 5, p. e453135-e453135, 2023. 2 V. P. Batista Júnior; Eficiencia energética. Clube de Autores, 2021. 3 SILVA, Milthon Serna et al. Eficiência energética na gestão da conta de energia elétrica da Universidade Federal de Sergipe. 2011. 4 FILGUEIRAS, Douglas Bortolassi; COELHO DA SILVA, Felipe Leite. A study on the prediction of electricity consumption considering the energy efficiency measures—applied in case of the Brazilian public sector. Energy Efficiency, v. 16, n. 8, p. 94, 2023. 5 BATISTA, Oureste Elias; FLAUZINO, Rogério Andrade. Medidas de Gestão Energética de baixo custo como estratégia para redução de custos com energia elétrica. Revista Gestão da Produção Operações e Sistemas, n. 4, p. 117-117, 2012. 6 MARTINS, A. M. Minimization of the electricity bill of Brazilian consumers with PV system through the optimization of contracting demand and the orientation of photovoltaic panels."2019 IEEE International Conference on Environment and Electrical Engineering and 2019 IEEE Industrial and Commercial Power Systems Europe (EEEIC / ICPS Europe), p. 1-6, 2019. 7 BORGES, Rafael Cruz et al. Análise da estrutura tarifária de energia elétrica de uma unidade consumidora utilizando modelo de otimização para demanda contratada. Brazilian Journal of Development, v. 6, n. 3, p. 10060-10071, 2020. 8 AGÊNCIA NACIONAl DE ENERGIA ELÉTRICA - RESOLUÇÃO NOR- MATIVA ANEEL No 1.000, DE 7 DE DEZEMBRO DE 2021. Disponível em : www.enel.com.br/content/dam/enel-br/megamenu/quem-somos/conselho/REN 9 AGUIAR-PÉREZ, J. M.; PÉREZ-JUÁREZ, M. Á. An Insight of Deep Learning Based Demand Forecasting in Smart Grids. Sensors, [S.l.], v. 23, n. 3, p. 1467, 2023. Disponível em: <https://doi.org/10.3390/s23031467>. 10 WRIGHT, Stephen J. Numerical optimization. 2006. 11 BERTSEKAS, D. P. Nonlinear Programming. 2a ed. Athena Scientific, 1999. 12 WRIGHT, Stephen J. Primal-dual interior-point methods. Society for Industrial and Applied Mathematics, 1997. 13 VANDERBEI, R. J. Linear Programming: Foundations and Extensions. 3rd ed. Springer, 2008. 14 NESTEROV, Y.; NEMIROVSKI, A. Interior-point polynomial algorithms in convex programming. Siam studies in applied mathematics, 1994. 15 BERTSEKAS, Dimitri P. Nonlinear programming. Journal of the Operational Research Society, v. 48, n. 3, p. 334-334, 1997. 16 BIEGLER, L. T. Nonlinear Programming: Concepts, Algorithms, and Applications to Chemical Processes. 2010. 17 FLETCHER, R. Practical Methods of Optimization. 2013. 18 GILL, P. E.; MURRAY, W.; WRIGHT, M. H. Practical Optimization. 1981. 19 SCHRIJVER, A. Theory of Linear and Integer Programming. 1998. 20 BOYD, Stephen P.; VANDENBERGHE, Lieven. Convex optimization. Cambridge university press, 2004. 21 BAZARAA, M. S.; SHERALI, H. D.; SHETTY, C. M. Nonlinear Programming: Theory and Algorithms. 2006. 22 ROCKAFELLAR, R. T.; WETS, R. J.-B. Variational Analysis. 2009. 23 BONNANS, Joseph-Frédéric et al. Numerical optimization: theoretical and practical aspects. Springer Science & Business Media, 2006. 24 POWELL, M. J. D. Approximate Dynamic Programming: Solving the Curses of Dimensionality. 2007. 25 POLAK, Elijah. Computational methods in optimization: a unified approach. Academic press, 1971. 26 GOLUB, Gene H.; VAN LOAN, Charles F. Matrix computations. JHU press, 2013. 27 HESTENES, Magnus R. et al. Methods of conjugate gradients for solving linear systems. Journal of research of the National Bureau of Standards, v. 49, n. 6, p. 409-436, 1952. 28 DAI, Yu-hong; YUAN, Yaxiang. An efficient hybrid conjugate gradient method for unconstrained optimization. Annals of Operations Research, v. 103, p. 33-47, 2001. 29 WÄCHTER, A.; BIEGLER, L. Sobre a implementação de um algoritmo de busca de linha de filtro de ponto interior para programação não linear em grande escala. Matemática. Programa. v. 106, p. 25–57, 2006. <https://doi.org/10.1007/s10107-004-0559-y>. 30 VANDERBEI, R. J. Linear Programming: Foundations and Extensions. 2001. 31 NOCEDAL, J. Updating Quasi-Newton Matrices with Limited Storage. Mathematics of Computation, v. 35, n. 151, p. 773–782, 1980. Disponível em: <https://doi.org/10.2307/2006193>. 32 LUENBERGER, David G. et al. Linear and nonlinear programming. Reading, MA: Addison-wesley, 1984. 33 SHOR, N. Z. Minimization methods for non-differentiable functions. 1985. 34 GILL, Philip E.; MURRAY, Walter. Quasi-Newton methods for unconstrained optimization. IMA Journal of Applied Mathematics, v. 9, n. 1, p. 91-108, 1972. 35 FIACCO, Anthony V.; MCCORMICK, Garth P. Nonlinear programming: sequential unconstrained minimization techniques. Society for Industrial and Applied Mathematics, 1990. 36 BERTSEKAS, Dimitri P. Incremental proximal methods for large scale convex optimization. Mathematical programming, v. 129, n. 2, p. 163-195, 2011 49 37 FORSGREN, A.; GILL, P. E.; WRIGHT, M. H. Interior methods for nonli- near optimization. SIAM Review, v. 44, n. 4, p. 525-597, 2002. Disponível em: <https://doi.org/10.1137/S0036144502414942>. 38 STOER, J.; BULIRSCH, R. Introduction to Numerical Analysis. 2002. 39 DEMBO, Ron S.; EISENSTAT, Stanley C.; STEIHAUG, Trond. Inexact newton methods. SIAM Journal on Numerical analysis, v. 19, n. 2, p. 400-408, 1982. 40 FORSGREN, A.; GILL, P. E.; WRIGHT, M. H. Interior methods for nonlinear optimization. Nova York: SIAM, 2002. 41 BAZARAA, M. S.; SHERALI, H. D.; SHETTY, C. M. Nonlinear Programming: Theory and Algorithms. Nova York: Wiley, 1993. 42 CONN, Andrew R.; GOULD, Nicholas IM; TOINT, Philippe L. Trust region methods. Society for Industrial and Applied Mathematics, 2000. 43 NASH, Stephen G. Newton-type minimization via the Lanczos method. SIAM Journal on Numerical Analysis, v. 21, n. 4, p. 770-788, 1984. 44 SHANNO, David F. Conditioning of quasi-Newton methods for function minimization. Mathematics of computation, v. 24, n. 111, p. 647-656, 1970. 45 FLETCHER, Roger; LEYFFER, Sven. Nonlinear programming without a penalty function. Mathematical programming, v. 91, p. 239-269, 2002. 46 PARDALOS, Panos M.; VAVASIS, Stephen A. Quadratic programming with one negative eigenvalue is NP-hard. Journal of Global optimization, v. 1, n. 1, p. 15-22, 1991. 47 BERTSEKAS, Dimitri P. Nonlinear programming. Journal of the Operational Research Society, v. 48, n. 3, p. 334-334, 1997. 48 Gill, P. E.; Murray, W. (1981). Newton-type methods for unconstrained and linearly constrained optimization 49 WOLFE, Philip. Convergence conditions for ascent methods. SIAM review, v. 11, n. 2, p. 226-235, 1969. 50 MARTINEZ, José Mario; SANTOS, Sandra Augusta. Métodos computacionais de otimização. Colóquio Brasileiro de Matemática, Apostilas, v. 20, 1995. 51 LUENBERGER, D. G.; YE, Y. Linear and Nonlinear Programming. 4th ed. New York: Springer, 2016 52 NOCEDAL, Jorge & WRIGHT, Stephen J. Numerical optimization. 2.ed. Nova Iorque, Springer, 2006. 53 KATOCH, Sourabh; CHAUHAN, Sumit Singh; KUMAR, Vijay. A review on genetic algorithm: past, present, and future. Multimedia tools and applications, v. 80, p. 8091-8126, 2021. 54 IZIDORO, Sandro C.; DE MELO-MINARDI, Raquel C.; PAPPA, Gisele L. GASS: identifying enzyme active sites with genetic algorithms. Bioinformatics, v. 31, n. 6, p. 864-870, 2015. 55 MARIANO, Diego et al. BIOINFO–Revista Brasileira de Bioinformática e Biologia Computacional. Alfahelix Publicações, 2021. 56 CHAUDHRY, Imran Ali; USMAN, Muhammad. Integracija projektiranja tehnoloških procesa i planiranja primjenom genetickih algoritama. Tehni ˇ cki vjesnik, v. 24, n. 5, p. ˇ 1401-1409, 2017. 50 57 LLOYD, Stuart. Least squares quantization in PCM. IEEE transactions on information theory, v. 28, n. 2, p. 129-137, 1982. 58 TIKHONOV, Andrey N.; ARSENIN, Vasiliy Y. Solutions of ill-posed problems. VH Winston & Sons. 1977. 59 HOLLAND, John H. Genetic algorithms. Scientific american, v. 267, n. 1, p. 66-73, 1992.pt_BR
dc.subject.cnpqCiência da Computaçãopt_BR
dc.subject.cnpqCiência da Computaçãopt_BR
Appears in Collections:Mestrado em Modelagem Matemática e Computacional

Se for cadastrado no RIMA, poderá receber informações por email.
Se ainda não tem uma conta, cadastre-se aqui!

Files in This Item:
There are no files associated with this item.


Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.