Nesta seção são apresentados os resultados das simulações e para melhorar o entendi- mento dos gráficos de rendimento, está sendo adotado um padrão de cores para representar os dados estimados (reais) e os dados simulados pelo modelo. Neste sentido a cor azul é utilizada para os dados reais obtidos dos sensores e por sua vez a cor laranja é utilizada para exibir os resultados das simulações realizadas.
Na Tabela 4.1 é apresentada a diferença entre a média do rendimento real e o rendimento simulado pelo modelo de Regressão Linear Múltipla, descrito no Capítulo 3, utilizando as subestações subterrâneas que não foram utilizadas na construção do modelo de rendimento deste trabalho.
Tabela 4.1: Resultado Agregado das Simulações. Identificação Referência Média Rendimento
Real (%) Média Rendimento Simulado (%) Diferença (%) 11 48/5 58,48 65,98 -7,50 30 34/5 75,68 74,75 0,93 26 67/13 72,89 72,39 0,50 33 74/11B 77,19 74,39 2,80 27 68/1 76,86 73,47 3,39 9 55/5 69,66 71,72 -2,06 34 112/13 89,63 81,52 8,11
Com objetivo de validar o modelo proposto e mostrar que o mesmo representa de forma coerente o rendimento das subestações é apresentado o resultado da simulação da subestação identificada pelo número 9 na Figura 4.1. Levando em conta o que foi referenciado anterior- mente, onde um modelo pode ser considerado válido quando representar as características fundamentais do sistema que será modelado de forma satisfatória, é possível verificar que o comportamento do rendimento simulado se assemelha ao mundo real e segue os efeitos dentro da normalidade e também as tendências de quedas que acontecem nas subestações, apesar do pequeno atraso em relação a curva real.
É possível observar na Tabela 4.1, para a subestação 9, que a média de rendimento real obtido é de 69,66% e a média simulada é de 71,72%, com uma diferença de 2,06%, demonstrada na Figura 4.1, entre as curvas reais e simuladas. Avaliando as diferenças obtidas do rendimento simulado comparado ao rendimento real, é apresentado na sequência deste capítulo as subestações que possuem rendimento real abaixo do rendimento simulado,
Capítulo 4. Resultado das Simulações e Análise 50
posteriormente as subestações com rendimento real acima do rendimento simulado, e por fim as subestações com rendimento real próximo ao rendimento simulado.
Figura 4.1: Resultado da Simulação do Rendimento da Subestação no 9.
Na Figura 4.2 é apresentado o resultado da simulação da subestação identificada pelo número 11 para o rendimento estimado (real) e o rendimento simulado pelo modelo, sendo que essa subestação que dentre todas as subestações simuladas nesta etapa a que apresentou uma diferença significativa entre o resultado estimado e o simulado. É possível observar visualmente que o rendimento estimado está abaixo do rendimento simulado pelo modelo, que está aquém do esperado. Ainda para esta subestação, conforme Tabela 4.1, a média de rendimento real obtida é de 58,48% e a média simulada é de 65,98%, com uma diferença de 7,50%, representando que o rendimento real desta subestação não alcançou a expectativa de rendimento prevista pelo modelo construído.
Capítulo 4. Resultado das Simulações e Análise 51
O caso apresentado na Figura 4.2 poderia dar um indicativo que esta subestação de nú- mero 11 poderia estar apresentando algum problema de mal funcionamento, o quê mereceria uma maior investigação por parte da concessionária. Neste caso específico, esse problema não decorre, por exemplo por falta de manutenção ou por algum problema em algum dispo- sitivo, mas possivelmente o que está ocorrendo é em decorrência da carga do transformador que conforme pode ser observado na Figura 4.3 está muito abaixo da capacidade nominal do transformador. A corrente medida no período é considerada aquém em relação a corrente nominal do transformador em estudo 1600A. O custo total de operação do transformador nesta situação, conforme Hulshorst [24], é alto e interfere diretamente no rendimento.
Capítulo 4. Resultado das Simulações e Análise 52
Figura 4.3: Corrente do Secundário da Subestação 11.
Já na Figura 4.4 é apresentada o comportamento da corrente do secundário da subes- tação número 34, onde é possível observar claramente a divisão semanal de utilização deste transformador.
Capítulo 4. Resultado das Simulações e Análise 53
Em contrapartida esta subestação identificada pelo número 34 possui rendimento simu- lado pelo modelo abaixo do rendimento estimado (real). Este efeito é observado na Figura 4.5 e na Tabela 4.1 onde a média de rendimento real obtida é de 89,63% e a média simulada é de 81,52%, com uma diferença de 8,11%, representando que o rendimento real desta subes- tação está dentro da normalidade tanto que superou a expectativa de rendimento prevista pelo modelo construído.
Figura 4.5: Resultado da Simulação do Rendimento da Subestação no 34.
Pela posição geográfica da subestação número 34 representada na cor verde, conforme Figura 4.6 é identificado que ela está localizada em uma região cercada por complexos ha- bitacionais e em hipótese, a carga aplicada neste espaço não “agride” tanto o transformador em comparação a uma região cercada de industrias que interfere diretamente no rendimento onde estas subestações estão localizadas.
Capítulo 4. Resultado das Simulações e Análise 54
Figura 4.6: Localização Geográfica da Subestação 34.
Por fim é apresentada a subestação identificada pelo número 30 com uma aproximação entre o rendimento estimado (real) comparado ao simulado, conforme ilustra a Figura 4.7. Neste sentido é possível observar que a representação gráfica do rendimento real é próxima do que o modelo (simulado) teria como "expectativa". Neste caso pode-se observar também na Tabela 4.1 que a média de rendimento real obtida é de 75,68% e a média simulada é de 74,75%, com uma diferença de 0,93% que não é significativa o suficiente para indicar uma análise mais aprofundada no transformador desta subestação.
Capítulo 4. Resultado das Simulações e Análise 55
Figura 4.7: Resultado da Simulação do Rendimento da Subestação no 30.
4.3
Resumo do Capítulo
Neste capítulo são apresentados os resultados das simulações e sua análise realizada na ferramenta computacional Matlab para obtenção do rendimento das subestações subter- râneas em estudo. Em todas as simulações apresentadas o resultado do modelo proposto conseguiu representar o comportamento de rendimento obtido a partir das 20 subestações utilizadas para a construção do modelo. Foi apresentado inicialmente a subestação número 11 onde o rendimento real está abaixo da expectativa da simulação (o que poderia ser um indicativo de falha), na sequência foi demostrado o rendimento da subestação número 34 onde o rendimento real está acima do resultado obtido na simulação, e por fim a subestação número 30 que possui o rendimento real próximo ao simulado. Os outros resultados das
Capítulo 4. Resultado das Simulações e Análise 56
subestações onde o rendimento real se aproxima do simulado estão anexados no Apêndice A deste trabalho. No próximo capítulo são apresentadas as conclusões sobre o trabalho realizado e as possibilidades de trabalhos futuros.
Capítulo 5
Conclusões e Trabalhos Futuros
O crescente avanço tecnológico atualmente proporciona a utilização de ferramentas e técnicas para extrair informações específicas para a resolução de problemas nas mais varia- das áreas de atividade, ampliando a demanda por energia elétrica e impulsionando o estudo e a aplicação de novas tecnologias utilizando a Descoberta de Conhecimento que está di- retamente relacionada aos conceitos de Smart Grid (i.e., redes inteligentes). Além disto, o sistema elétrico convencional que é utilizado atualmente foi desenvolvido no século passado e, apesar dos avanços que este sistema sofreu ao longo do tempo, ainda permanece com as mesmas características do modelo original, agregando poucas tecnologias disponíveis no mercado.
O uso de redes inteligentes utiliza como base a tecnologia da informação e os equipamen- tos digitais com interface para os usuários, garantindo que estes possam controlar diversos fatores que impactam diretamente nas falhas e interrupções na distribuição de energia. Neste sentido, o estudo de métodos que possibilitam a representação e a simulação do com- portamento de uma rede elétrica, se torna de extrema importância. Uma das formas de realizar este processo é através da modelagem matemática, utilizando modelos que possam descrever o rendimento esperado para os transformadores subterrâneos em estudo, a partir de uma base de dados real disponível para análise.
A partir de uma parceria existente entre o Grupo de Automação Industrial e Controle (GAIC), da UNIJUÍ, com a Companhia Estadual de Distribuição de Energia Elétrica - CEEE-D, foi possível o acesso a uma base de dados com mais de 20 grandezas adquiridas de um conjunto de 56 subestações subterrâneas de energia elétrica na cidade de Porto Alegre/RS. Neste sentido, foi possível utilizar esta base de dados para alcançar o principal objetivo deste trabalho, que é aplicar os conceitos de Descoberta de Conhecimento e das Smart Grids, para realizar a busca de padrões de rendimento nos transformadores das
Capítulo 5. Conclusões e Trabalhos Futuros 58
subestações subterrâneas de energia em estudo.
As subestações constituem pontos de interconexão da rede elétrica nos quais ocorrem importantes operações de controle e proteção, além de serem utilizadas também como pontos de aquisição de medidas e informações sobre o estado dos equipamentos. A automação das subestações tem um papel importante na aplicação da Descoberta de Conhecimento e nos conceitos de Smart Grid por permitir a implantação de estratégias distribuídas de monitoração, controle e proteção sistêmica da rede. Sendo que, os resultados obtidos neste trabalho, através do desenvolvimento de um modelo matemático de regressão linear para avaliar o rendimento de um transformador de energia, buscam auxiliar as concessionárias nas atividades de manutenção e ampliação da sua estrutura de distribuição, mais especificamente na manutenção preventiva de transformadores de subestações subterrâneas.
Neste contexto, após a realização da revisão bibliográfica, dentre as diversas tarefas geralmente utilizadas no processo de Descoberta de Conhecimento, foi selecionada a tarefa de regressão para a construção do modelo a partir da base de dados real de uma concessionária de energia elétrica. Utilizando um conjunto de Grandezas Analógicas para a obtenção do modelo de regressão linear com auxílio da ferramenta Matlab que possibilitou a realização das simulações e resultados obtidos e apresentados no Capítulo 4.
É possível observar já na validação apresentada no capítulo anterior, mesmo que de forma visual, que as curvas simuladas acompanham o comportamento semelhante ao obtido no mundo real relacionado ao rendimento dos transformadores das subestações em estudo. Até mesmo quando ocorrem algumas quedas no rendimento este efeito é capturado durante a simulação e representado mesmo que com um pequeno atraso em relação a sua curva real. Posteriormente são destacadas as três situações observadas neste estudo que estão relaci- onadas ao rendimento do transformador, sendo verificado respectivamente que o rendimento real da subestação está abaixo, acima ou próximo da expectativa que o modelo de rendi- mento havia previsto. Nestes casos é recomendado fazer uma analise mais aprofundada nos transformadores que apresentaram rendimento real abaixo do previsto pelo modelo, pois como este estudo considerou os efeitos de 20 subestações para construção do modelo e so- mente a subestação 11 ficou abaixo do rendimento esperado é possível que existam fatores desconhecidos que interfiram no desempenho desta subestação. Conclui-se que o modelo de Regressão Linear representa satisfatoriamente o rendimento médio para as subestações em estudo, e a partir dele é possível prevenir falhas que ainda não foram investigadas e aplicar manutenções preventivas baseadas no histórico de rendimento destes transformadores.
Como trabalhos futuros sugere-se estender este estudo acrescentando um maior número de subestações subterrâneas. É interessante também avaliar quais seriam os impactos das
Capítulo 5. Conclusões e Trabalhos Futuros 59
Grandezas Digitais não utilizadas neste trabalho para obtenção do modelo de rendimento dos transformadores das subestação subterrâneas que seja ainda mais acurado. Também sugere-se criar um cenário injetando corrente na rede para verificar qual o comportamento do rendimento simulado em condições diferentes das amostras estimadas que compreendem os dados reais das subestações e geralmente resultam padrões dentro da normalidade espe- rada para o rendimento destas subestações. Outra opção seria uma abordagem totalmente estatística para avaliar além deste, outros modelos de regressão, revisando alguns fatores que, não foram aplicados.
Referências Bibliográficas
[1] F. Amaral, Aprenda Mineração de Dados: teoria e prática. Alta Books, 2016.
[2] N. B. S. Amaral, “Estudo sobre critérios para a especificação de transformadores, eleva- dores de estações geradoras,” Master’s thesis, Universidade de São Paulo, São Paulo-SP, 2007.
[3] ANEEL, “Agência nacional de energia elétrica,” http://www.aneel.gov.br/, acessado: Janeiro de 2017. [4] ——, “Agência nacional de energia elétrica,”
http://www2.aneel.gov.br/aplicacoes/srd/indqual/default.cfm/, acessado: Janeiro de 2017.
[5] F. A. d. Azevedo, “Otimização de rede de distribuição de energia elétrica subterrânea reticulada através de algoritmos genéticos,” Master’s thesis, Universidade Federal de Paraná, Curitiba-PR, 2010.
[6] G. d. A. Barreto, “Estudo de viabilidade de um sistema de monitoramento de baixo custo para os sistemas de distribuição reticulados subterrâneo,” Master’s thesis, Uni- versidade de São Paulo, Programa de Pós-Graduação em Energia, São Paulo-SP, 2010. [7] R. C. Bassanezi, Temas modelos. Ed. Unicamp, 2012.
[8] G. E. d. A. P. A. Batista, “Pré-processamento de dados em aprendizado de máquina supervisionado,” 2003.
[9] C. O. Camilo and J. Carlos da Silva, “Mineração de dados: Conceitos, tarefas, métodos e ferramentas,” Universidade Federal de Goiás (UFC), pp. 1–29, 2009.
[10] J. Choi, Y. K. Jeong, and I. W. Lee, “Development of the simple building electric power prediction model with local weather forecast based on clustering and silhouette
REFERÊNCIAS BIBLIOGRÁFICAS 61
algorithm,” in Emerging Technologies & Factory Automation (ETFA), 2015 IEEE 20th Conference on. IEEE, 2015, pp. 1–4.
[11] S. da Costa Côrtes, R. M. Porcaro, and S. Lifschitz, Mineração de dados- funcionalidades, técnicas e abordagens. PUC, 2002.
[12] L. A. da Silva, S. M. Peres, and B. Clodis, Introdução à Mineração de Dados: com aplicações em R. Elsevier, 2015.
[13] L. N. de Castro and D. G. Ferrari, Introdução à Mineração de Dados: conceitos básicos, algoritmos e aplicações. Saraiva, 2016.
[14] A. C. dos Santos Baltazar, “Qualidade da energia no contexto da reestruturação do setor elétrico brasileiro,” Master’s thesis, Universidade de São Paulo, 2007.
[15] M. S. Duarte, “Proposta de um sistema para gerenciamento de energia residencial no contexto das smart grids,” Master’s thesis, Dissertação de Mestrado, Universidade Estadual do Ceará, 2014.
[16] A. N. D. E. Elétrica, “Procedimentos de distribuição de energia elétrica no sistema elé- trico nacional,” http://www.aneel.gov.br/modulo-8, 2018, acessado: Janeiro de 2018. [17] U. Fayyad, G. Piatetsky-Shapiro, and P. Smyth, “Data mining to knowledge discovery
in databases,” American Association for Artificial Intelligence, 2006.
[18] D. J. B. Freitas, “Estudo e aplicação de modelos analíticos na predição do tempo de vida de baterias utilizadas em dispositivos móveis: Proposição de extensões aos modelos tradicionais,” Master’s thesis, Universidade Regional do Noroeste do Estado do Rio Grande do Sul (UNIJUÍ), Programa de Pós-Graduação em Modelagem Matemática, Ijuí-RS, 2015.
[19] R. Galvin and K. Yeager, Perfect Power: How the Microgrid Revolution Will Unleash Cleaner, Greener, and More Abundant Energy. McGraw-Hill, 2009, iSBN-13: 978- 0071548823.
[20] J. Giacomini, R. Wuttig, M. d. Campos, and P. S. Sausen, “Monitoramento de uma subestação subterrânea de distribuição de enérgia elétrica utilizando uma rede de sen- sores inteligentes hibrida e plc (power line communication),” Congresso Brasileiro de Automática, (CBA 2012), Campina Grande-PB, 2012.
REFERÊNCIAS BIBLIOGRÁFICAS 62
[21] R. Goldschmidt, E. Passos, and E. Bezerra, Data Mining: Conceitos, técnicas, algorit- mos, orientações e aplicações. Elsevier, 2015.
[22] M. R. Gouvêa, E. C. Belvedere, J. J. d. Oliveira, P. Mascigrande, and P. A. Brunhetoro, “Desenvolvimento de padrões para redes subterrâneas híbridas,” Seminário Nacional de Distribuição de Energia Elétrica - SENDI, Brasília-DF, 2004.
[23] J. Hopkins, Networks of Power: Electrification in Western Society, 1880-1830. Uni- versity Press, 1983, iSBN: 0-8018-2875-2.
[24] W. T. J. Hulshorst and J. Groeman, Energy Saving in Industrial and Distribuition Transformers, 2002.
[25] N. Jia, J. Wang, and N. Li, “Application of data mining in intelligent power consump- tion,” IET, 2012.
[26] M. Kamber, J. Han, and J. Pei, Data mining: Concepts and techniques. Elsevier, 2012.
[27] G. K. Kida, “Implementação de um simulador das lógicas de intertravamento e proteção de subestações de energia elétrica,” Master’s thesis, Universidade de Brasília, Brasília- DF, 2012.
[28] G. Kindermann, Proteção de Sistemas Elétricos de Potência. UFSC, Florianópolis-SC, 2008, iSBN: 85-900853-1-7.
[29] M. Kitayama, R. Matsubara, and Y. Izui, “Application of data mining to customer profile analysis in the power electric industry,” in Power Engineering Society Winter Meeting, 2002. IEEE, vol. 1. IEEE, 2002, pp. 632–634.
[30] I. L. Kosow, Maquinas Elétricas e Transformadores. Editora Globo, 1995, 11a Edição.
[31] D. T. Larose, Discovering knowledge in data: an introduction to data mining. John Wiley & Sons, 2014.
[32] L. R. Lisita, “Determinação de perdas, eficiência e potência máxima de transformadores de distribuição alimentando cargas não lineares,” Master’s thesis, Universidade Federal de Goiás, Goiânia-GO, 2004.
[33] A. S. Massoud and B. F. Wollenberg, Toward a Smart Grid, 2005, dOI 10.1109/M- PAE.2005.1507024.
REFERÊNCIAS BIBLIOGRÁFICAS 63
[34] J. V. C. Matias and L. Leote, Produção, Transporte e Distribuição de Energia Eléctrica. Didáctica Editora, iSBN: 972-65-126-1.
[35] J. D. Mcdonald, Eletric Power Substations Enginnering. CRC Press, 2012, third Edition.
[36] G. L. C. O. Muzy, “Subestações elétricas,” 2012.
[37] M. I. Nakaguishi and P. D. Hermes, “Estudo comparativo técnico/financeiro para im- plantação de redes de distribuição subterrâneas,” Trabalho de Conclusão de Curso - Universidade Federal do Paraná, Curitiba-PR, 2011.
[38] P. R. P. Nazareth, “Análise de sistemas elétricos de potência,” Notas de Aula do Centro de Ensino Superior de Conselheiro Lafaiete, acessado: Janeiro de 2018.
[39] A. E. R. O. Paredes, “Integração de sistemas de supervisão, proteção e automação de subestações de energia elétrica,” Master’s thesis, Universidade Federal de Itajubá, Itajubá-MG, 2002.
[40] E. T. U. Report, “The green grid: Energy savings and carbon emissions reductions enabled by a smart grid,” 1016905, may 2008.
[41] D. V. Rocha, G. P. L. Sepúlveda, and H. A. R. Flores, “Mineração de dados aplicada à detecção de fraudes nas redes de distribuição de energia elétrica,” VI Congresso Brasileiro de Engenharia da Produção. Paraná-PR, 2016.
[42] R. Salustiano, “Análise técnica de transformadores para redes de média tensão,” Mas- ter’s thesis, Universidade Federal de Itajubá, Itajubá-MG, 2012.
[43] R. Schuch, S. L. Dill, P. S. Suasen, E. L. Padoin, and M. de Campos, “Mineração de dados em uma subestação de energia elétrica,” Dincon, 2010.
[44] P. C. Sen, Principles of Electric Machines and Power Electronics. John Wiley and Sons, 1997, iSBN: 0-471-02295-0.
[45] A. J. d. S. d. Silva, “Modelagem matemática de um sistema de distribuição primário de energia elétrica em média tensão do município de ijuí,” Master’s thesis, Universidade Regional do Noroeste do Estado do Rio Grande do Sul (UNIJUÍ), Programa de Pós- Graduação em Modelagem Matemática, Ijuí-RS, 2017.
[46] E. SNET, “Strategic deployment document for europe?s electricity network of the fu- ture,” https://www.etip-snet.eu/, acessado: Janeiro de 2017.
REFERÊNCIAS BIBLIOGRÁFICAS 64
[47] I. Stewart, Nature’s numbers - the unreal reality of mathematics. Basic Books, 1995, p.13.
[48] N. D. Tleis, Power Systems Modelling and Fault Analysis: Theory and Practice. El- sevier, 2008, iSBN-13: 978-0-7506-8074-5.
[49] A. N. C. Viana, E. d. C. Bortoni, F. J. H. Nogueira, J. Haddad, L. A. H. Nogueira, O. J. Venturini, and R. A. Yamachita, Eficiência Energética: Fundamentos e Aplicações. ELEKTRO Eletricidade e Serviços S.A., 2012, 1a Edição.
[50] S. Zhang, D. Zhang, Y. Zhang, J. Cao, D. Gao, and J. Pang, “The research on smart power consumption technology based on big data,” in Smart Grid and Clean Energy Technologies (ICSGCE), 2016 International Conference on. IEEE, 2016, pp. 12–18.
Apêndice A
Resultados das Simulações
Figura A.1: Resultado da Simulação do Rendimento da Subestação no 26.
Apêndice A. Resultados das Simulações 66
Apêndice A. Resultados das Simulações 67
Apêndice B
Publicações Relacionadas a Dissertação
B.1
Artigos Aceitos em Eventos
L. A. Destefani, L. B. Motyczka, P. S. Sausen and A. T. Z. R. Sausen, "Busca de Padrões utilizando Algoritmos de Mineração de Dados no Setor Elétrico," in XXXVII Congresso Na- cional de Matemática Aplicada e Computacional (CNMAC, 2017), São José dos Campos-SP, set. 2017.
L. A. Destefani, L. B. Motyczka, P. S. Sausen and A. T. Z. R. Sausen, "Busca de Padrões Utilizando o Algoritmo Apriori para Mineração de Dados nas Subestações Subterrâneas da CEEE," in Salão do Conhecimento (UNIJUÍ, 2017), Ijuí-RS, set. 2017.
L. A. Destefani, L. B. Motyczka, P. S. Sausen and A. T. Z. R. Sausen, "Busca de Padrões utilizando Algoritmo Bayesiano para Mineração de Dados nas Subestações Subterrânes da CEEE," in XXVIII Congresso Regional de Iniciação - Cientifica e Tecnológica em Engenha- ria (UNIJUÍ, 2017), Ijuí-RS, nov. 2017.