Anais do XX Congresso Brasileiro de Automática
Belo Horizonte, MG, 20 a 24 de Setembro de 2014
INTELIGÊNCIA GCR PARA SMART GRIDS DE BAIXA TENSÃO
JOSÉ. R.SICCHAR, CARLOS T.DA COSTA, JOSÉ R. SILVA,RODRIGO C.DE FREITAS
Escola Superior de Tecnologia, Universidade do Estado do Amazonas
Av. Darcy Vargas,1200, Parque Dez,CEP 69050-020,Manaus,AM,Brasil
E-mails: [email protected],[email protected]
ITEC, Depto. de Eng.Elétrica, Universidade Federal do Pará
Av. Augusto Corrêa, 01, CEP 66075-900, Guamá, Belém,PA, Brasil
E-mails: [email protected]
Design Lab, Depto. de Eng.Mecatrônica, Universidade de São Paulo
Av. Prof. Melo Morais, 223, CEP 05508-900, Butantã, São Paulo,SP, Brasil
E-mails: [email protected]
Abstract Nowadays around the world Smart Grids are developing algorithms of energy managing consumption focused to the
final consumers. So this article presents the new results of the Consumption Managing Intelligence algorithm to services automation in Low Voltage Smart Grids, based on Embedded Intelligent Agents. In a particular way the process of forecast energy
consumption is so important for the programming of energy future use to ended costumers. In this paper we explained the Embedded Markovian Agent based on jump Markov chain to the forecasting energy consumption in a residential consumer unit
with three phase connection, and show the energy consumption during twelve months, from history data base in each phase.
These results represented the validation of an important tool for the forecast process into low voltage distribution grid and also in
the programming residential sector of energy consumption. For the other hand these results forming the bases for an intelligent
automation process to the Low Voltage Smart Grid, that allow the applications of news services for residential consumers: the
energy programming consumption, the customized energy use, and the equilibrium state of residential feeders.
Keywords Smart Grids, Energy Managing Consumption Intelligences, Markov Chains, Forecasting Energy Consumption.
Resumo Atualmente no mundo inteiro as Smart Grids vem desenvolvendo algoritmos de gerenciamento de consumo de energia focados no consumidor final. Este artigo apresenta os novos resultados do algoritmo Inteligência de Gerenciamento de Consumo para automatização dos processos de Smart Grids de Baixa Tensão, baseado em Agentes Inteligentes Embarcados. De
forma especial o processo de previsão de consumo de energia é muito importante para a programação do uso de energia futura
nos consumidores finais. Neste artigo explanamos o Agente Markoviano Embarcado baseado nas cadeias de salto de Markov
para a previsão de consumo de energia numa unidade de consumo residencial com conexão trifásica mostrando-se, o consumo
de energia durante doze meses a partir de um histórico de consumo em cada fase. Esses resultados representam a validação de
uma importante ferramenta para o processo de previsão nas redes de distribuição de baixa tensão e também na programação de
consumo de energia no setor residencial. Por outro lado, os resultados formam as bases de um processo de automação inteligente
nas smart grids de baixa tensão, permitindo as aplicações de novos serviços para os consumidores residenciais: programação de
consumo de energia, a customização do uso de energia e, o estado de equilíbrio das fases residenciais.
Palavras-chave Smart Grids, Inteligências de Gerenciamento de Consumo, Cadeias de Markov, Previsão de Consumo.
1
(geração, transmissão, distribuição e comercialização), (Rahimi, 2010).
Particularmente no caso da rede secundária de
Baixa Tensão (BT), o desenvolvimento das inteligências de GCE, é uma aplicação interessante em razão
de otimizar o fluxo dinâmico de consumo de energia
elétrica das unidades consumidoras finais (UCF).
Permitindo futuramente, a automatização de processos e serviços em SG de BT, como a medição e atendimento online da demanda real de consumo, em
conformidade com a Resposta de Demanda (RD),
bem como, o planejamento eficiente de consumo de
energia do setor de BT (Moslehi, 2010). Nesse sentido alguns trabalhos interessantes de modelos de SG
de BT com inteligências ou frameworks de GCE vêm
sendo desenvolvidos no mundo inteiro, porém focados principalmente em prédios administrativos e residenciais.
Introdução
A revisão bibliográfica científica aponta como
estado atual na linha de pesquisa das redes elétricas
inteligentes ou Smart Grids (SG), o desenvolvimento
de algoritmos de Gerenciamento de Consumo de
Energia (GCE) como ferramenta de automação inteligente de processos operacionais e de serviços em
cada setor do sistema elétrico (Nguyen, 2013).
Essa evolução segue as especificações e requisitos técnicos sugeridos pelo National Institute of
Standard and Technologies, (NIST, 2012), que sugere, as diretrizes do desenvolvimento de modelos e
implementação de arquiteturas, bem como, o fluxo de
operações e serviços de SG. Focando a integração
funcional do sistema elétrico em todos seus setores
2748
Anais do XX Congresso Brasileiro de Automática
Belo Horizonte, MG, 20 a 24 de Setembro de 2014
Agrupando-se principalmente em inteligências
GCE de ativação automática de cargas internas conforme: i) horários de consumo (Man, 2010); ii) influencia de parâmetros externos (temperatura, nível de
irradiação solar,etc.), (Brohus, 2012); iii) comportamento dos consumidores(nível de ocupação de espaços), (Dominguez, 2012) e recentemente; iv) pelo
histórico de consumo para ativação de cargas em
melhores horários (Pippattanasomporn, 2012), e ativação de cargas via previsão de curto prazo de consumo (Constanzo, 2012).
Sendo todas essas experiências marcos de melhoria no design de aplicações de modelos de SG de
BT. Más evidenciando-se de forma geral apenas, a
supervisão e ativação automática diferenciadas, de
cargas locais ou um grupo de cargas domésticas num
determinado consumidor final, más sem considerar o
GCE integral da UCF (prédio ou residência).
Nesse sentido e considerando, a aleatoriedade do
consumo das UCF e, o fluxo de análise para previsão
de demanda de energia da rede secundária de BT, os
autores desenvolveram uma inteligência GCE de SG
de BT, com aproximação hibrida Unified Modeling
Language- Petri Nets (UML-PN) usando, agentes
inteligentes ou Agentes de Processamento Específico
(APE), focados na previsão de consumo de energia e,
o diagnóstico do estado de equilibro das fases de uma
UCF trifásica. Tendo arrojado os primeiros resultados de previsão de consumo ao longo de doze meses
e, a faixa limite permitida para o nível de corrente
por fase (Sicchar, 2013).
Assim propomos seguir o desenvolvimento dessa
inteligência denominada inteligência de Gerenciamento de Consumo Residencial (GCR), especificamente no APE de previsão de consumo de energia, o
Agente Markoviano Embarcado (AME) baseado em
cadeias de salto de Markov. Fazendo o tratamento
dos dados, através da distribuição da variância aleatória, para melhorar a precisão da previsão de consumo. Focando, a previsão nas fases de conexão
(UCF trifásica residencial), a partir do histórico de
consumo, por um período de doze meses, em razão
da granularidade mensal, do banco de dados.
Objetivando com isso, a identificação eficiente,
do perfil de consumo futuro, em função das probabilidades de incidência nos estados de consumo. Visando como aplicabilidade prática, o serviço de previsão de energia elétrica ao consumidor final, e à
concessionária. Permitindo consequentemente, o desenvolvimento de outros serviços específicos: o consumo sobremedida, e a programação de consumo;
garantindo assim o consumo ótimo de energia, customizado e de qualidade, na rede secundária de BT.
O artigo segue na segunda seção, a concepção de
SG integrada; na terceira seção o modelo alternativo
de SG para aplicação da proposta; na quarta seção a
arquitetura da inteligência GCR; na quinta seção, se
têm a discussão dos resultados de validação; finalmente apresenta-se a conclusão e indicação de trabalhos futuros.
2 Smart Grid Integrada
As definições estabelecidas no National Institute
of Standard ad Technologies–NIST (Nist, 2012) envolvem os elementos que combinam e formulam a
contextualização e os pilares do processo de SG em
conformidade com os requisitos mínimos focando, o
atendimento eficiente da demanda de energia necessária ao consumidor final. Denotando seu campo de
abrangência de serviços e funcionabilidades dos modelos que se encontram atualmente em desenvolvimento ao redor do mundo.
A Figura 1 ilustra a integração dos elementos
que compõem contexto de SG. Observa-se primeiramente na parte superior da mesma, que os recursos de
automação aplicam-se principalmente como ferramentas de modelagem, sistemas embarcados e dispositivos inteligentes na modernização de arquiteturas
do sistema elétrico visando, agilizar os processos
operacionais do mesmo, especialmente das linhas de
transmissão e da rede elétrica de distribuição.
Figura 1. Elementos, Serviços e Negócios em SG Integrada
No mesmo nível dos recursos de automação, estão os recursos de comunicações na forma, de sistemas e de redes de telecomunicações formando-se,
uma infraestrutura dedicada na transferência de informações de consumo em tempo real, agilizando o
processamento operacional de análise de consumo e
demais serviços funcionais do sistema fornecidos ao
consumidor final. No nível inferior notam-se, as aplicações simultâneas e combinadas dos novos desenvolvimentos de software e hardware na forma de
recursos de Tecnologia da Informação (TI) e desenvolvimento de web services e implementação de plataformas de supervisão, marcando a modernização do
processamento de dados do sistema, da estruturação
do espaço virtual necessário das novas arquiteturas
de SG e, do desenvolvimento das inteligências de
Gerenciamento de Integração Operacional (GIO) dos
setores do sistema elétrico, bem como do desenvolvimento das inteligências de GCE (Nist, 2012).
2749
Anais do XX Congresso Brasileiro de Automática
Belo Horizonte, MG, 20 a 24 de Setembro de 2014
foram geradas focando-se a base de integração do
sistema elétrico como um todo (geração,transmissão,
distribuição e comercialização) conjugando sustentabilidade, confiabilidade, impacto ambiental, e a rentabilidade dos serviços e do processo de negócio como abordam alguns autores (Moslehi, 2010), (Rahimi, 2010).
A integração desses quatro recursos geram, dois
conjuntos interessantes de oportunidades oferecidos
segundo a ótica de ciência de serviços do processo do
SG: na forma de “novos serviços” como resultado da
aplicação de alguma operação ou funcionabilidade
em cada setor do sistema ou; como “novos negócios”
quando apresentados como benefícios diferenciados
opcionais para uso das UCFs (Oliveira, 2012).
Dentro do leque dos novos serviços do SG podemos mencionar: i) “supervisão on-line de consumo
de energia elétrica” tanto nas UCFs como nas subestações de Alta Tensão (AT), nos circuitos alimentadores de Média Tensão (MT), e nos transformadores
da rede secundária de BT; ii) “programação de consumo”, oferecida ao todos os setores do sistema elétrico como ferramenta de organização de consumo de
energia, em função dos melhores horários para uso de
energia, pelo preço de compra da energia no mercado, ou pelo previsão de consumo futuro; contudo é
focada principalmente aos consumidores da rede secundária de BT, em razão do grande numero de perfis dinâmicos encontrados nela; iii) “reconfiguração
automática de fases (RAF)” que pode ser aplicado
quando diagnosticado o estado de desequilibro, entre
as fases de conexão das UCs, comutando automaticamente para uma das fases da rede secundária de BT
obtendo-se assim, não apenas o balanceamento das
fases das UCFs mas também no circuito de BT.
Além desses três novos serviços podemos também mencionar: “execução de rotinas de ligação”
(suspensão e religamento de energia); “detecção de
ligações clandestinas”; “manutenção, extensão e
remanejamento do circuito” e; “proteção dos circuitos da rede secundária de BT” e, entre outros mais.
Por outro lado, no conjunto de novos negócios
do SG podemos mencionar: i) “consumo customizado” focando o desenvolvimento do consumo sobmedida de cada consumidor final, em especial os que
pertencem à rede secundária de BT; ii) “venda e
compra on-line de energia” a fim de desenvolver a
venda avulsa de pacotes de energia em função do
melhor preço e perfil do consumidor,; iii) “microgrids” apontando o desenvolvimento de linha de negócios relacionados, com a compra de energia dos
pequenos produtores independentes, em especial os
distribuídos na rede de distribuição de MT e na rede
secundária de BT.
Alem desses três tipos de novos serviços podemos também relacionar: “análise de consumo”, oferecida como diagnóstico de uso de energia, e como
previsão de consumo; “programação de consumo”
fornecendo o gerenciamento online da ativação e
desativação de cargas domésticas, com maior gasto
nas UCs, em função dos melhores horários e preços
de energia disponíveis no mercado.
Dentro do contexto integral e abrangência de
serviços e negócios do SG, são desejáveis certas características que garantam a boa operação integralizada do sistema elétrico. Muitas temáticas foram iniciadas e discussões de contextualização das mesmas
Figura 2. Caracterização de Smart Grid Integrada
Nesse contexto uma contribuição importante abordada por Salvadori (2013), Wang (2013) propõem
um espaço físico como sendo o centro de supervisão
de controle, de todo o sistema integrado monitorando
e controlado as operações de GIO e de GCE como
mencionado anteriormente neste trabalho.
Tal gerenciamento será somente possível mediante uma infraestrutura de integração como mostrado
na Figura 2, na qual se observa a combinação dos
recursos de automação, comunicação, software e
hardware como base da mesma, permitindo com isso
o fornecimento e gerenciamento dos novos serviços e
novos negócios dentro do contexto atual de SG, em
cada setor do sistema elétrico integrado.
Cuidando de forma especifica do desenvolvimento de inteligências locais que permitam o gerenciamento local e a aplicação integralizada de cada
especificação GIO e de GCE nos setores do SG integrado visando especificamente: na Geração controlar
a injeção de corrente e potencia elétricas (nas redes
de transmissão e redes de distribuição em AT), ambas resultantes da matriz energética híbrida (recursos
de geração de energia).
Na Transmissão controlar o processo automático
de injeção de energia vinda da matriz energética de
geração, bem como do fornecimento de carga dinâmica necessária nas subestações de distribuição.
Na Rede de Distribuição de MT gerenciar e controlar a distribuição dinâmica e de qualidade de energia elétrica dentro do contexto de RD, nos circuitos
alimentadores de MT.
Na Comercialização monitorar e controlar a distribuição de energia elétrica em tempo real e a RD na
rede secundária de BT.
2750
Anais do XX Congresso Brasileiro de Automática
Belo Horizonte, MG, 20 a 24 de Setembro de 2014
mo Residencial (GCR) com aplicação de rotinas operacionais automatizadas GIO para a medição e tratamento de dados, focando os serviços de GCE importantes como a “previsão de consumo” entre outros
nas UCFs. Permitindo: a “programação de consumo”
por melhores horários, “o consumo sobremedida”, “a
compra avulsa de pacotes de energia”, ambos em
função do perfil futuro de uso de energia.
3 Modelo GCR de SG de BT
3.1 Incidências em SG de BT
A Figura 3 ilustra as principais incidências em
SG de BT. Em cujos circuitos (com transformadores
e unidades consumidoras finais- UCF) se registram:
i) “alocação desordenada de cargas eletrodomésticas”; ii) “crescimento rápido de consumidores” em
função da presença de novos consumidores ou do
aumento do próprio consumo; iii) “diversidade de
perfis de consumo” em função das características
inerentes a cada UCF e; iv) presença de “ligações
clandestinas” como grande fator e causa das perdas
de energia na rede de distribuição.
Figura 4. Modelo GCR de SG de BT
A aquisição de consumo de cada carga é realizada, via o Scanner de Carga (SC) alocado nas tomadas internas de corrente da UCF; transmitindo esse
consumo ao dispositivo Gerenciador Central de
Carga (GCC), que transfere via comunicação wireless, a leitura de consumo das cargas ao Gerenciador
de Consumo Residencial (GCR), alocado no medidor
de cada UCF. É nele que são embarcadas as Inteligências de Gerenciamento de Consumo (IGC), realizando entre outras aplicações: a supervisão em tempo
real do consumo interno de cada consumidor, o tratamento para previsão de consumo de energia, e o
diagnóstico de concentração de carga em cada fase
de conexão.
O GCR transfere a informação das aplicações e
de consumo de cada UCF ao Gerenciador de Consumo do Transformador (GCT) dispositivo que concentra a medição, tratamento, previsão e diagnostico
de fases do circuito de BT. O mesmo pode transferir
em tempo real o perfil de consumo do circuito de
forma precisa ao sistema de distribuição de MT.
Figura 3. Principais incidências em SG de BT
Tendo-se como principais consequências das
causas indicadas: “o aumento da manutenção corretiva dos circuitos de BT”; “queima de transformadores” e; concentração de “perdas de energia na rede”
por ligações clandestinas (Gomes, 2010). O gerenciamento das SG de BT foca as aplicações e características do contexto de SG integrada, mas principalmente a supervisão online do fluxo dinâmico de consumo
de energia de baixo para cima – bottom-up para análise de uso e previsão, marcando uma importante
frente para o gerenciamento de SG relacionado com
as propriedades, funções, serviços (GIO) e requisitos
de negócios (GCE), como o acompanhamento e previsão de consumo mensal, supervisão de capacidade
de fornecimento de transformadores, detecção de
perdas de energia, entre outros.
4 Inteligência GCR com APE para Previsão de
Consumo de Energia
3.2 Modelo GCR para SG de BT
A inteligência GCR têm dois Agentes de Processamento Específico (APE) para os serviços de GCE,
observando-se que os APE são ambientes supervisórios que contêm algoritmos de processamento diferenciado (Sicchar, 2012). Tendo ambientes específicos de processamento computacional para cada serviço GIO e GCE relacionados com a previsão de
consumo e balanceamento de fases.
A revisão literária mostra várias iniciativas de
modelos e implementação de arquiteturas de SG de
BT (prédios e residências) no mundo inteiro (Lo,
2013) registrando-se interessantes vantagens, mas
poucas delas com a aplicação de algoritmos de GCE
que integram o fluxo de consumo entre as UCFs e a
rede secundária de BT. Nesse sentido apresentamos
na Figura 4, o modelo de Gerenciamento de Consu-
2751
Anais do XX Congresso Brasileiro de Automática
Belo Horizonte, MG, 20 a 24 de Setembro de 2014
(módulo) de consumo “Xi” e a média “mx” do processo, vezes a incidência da ocorrência “nXi” , dividido
pelas “N”medições de consumo existentes num determinado espaço de tempo como indicado em “(1)”
4.1 Processo de Previsão
Neste trabalho apresentamos especificamente a
arquitetura da inteligência GCR relacionada unicamente com a previsão de consumo de energia elétrica, em UCFs. Assim a Figura 5 mostra a arquitetura
da inteligência GCR que é implementada na forma de
IGC no modelo de SG de BT GCR. A transferência
de dados para tratamento de previsão é realizada através do GCC.
 2 x  lim
n
( X i  mx )2 nX i
N
(1)
Definindo-se, o coeficiente de dispersão dos estados discretos de consumo “ρ” por:

x
100
(2)
Estabelecendo-se, o estado “Médio Consumo”
(MC) pela média de consumo de “N”meses, nas fases; O MC é a referência para o cálculo dos demais
estados discretos. O estado discreto “Baixo Consumo” (BC) é definido pela subtração entre MC e o
produto entre MC e o coeficiente de dispersão aleatória “ρ” como indicado em “(3)”.
BC  M c  ( M c . )
(3)
Analogamente o estado discreto “Alto Consumo”
(AC) é definido pela soma entre MC e o produto entre MC e o coeficiente de dispersão aleatória “ρ”
como indicado na “expressão (4)”.
Figura 5. Inteligência GCR para Previsão de Energia
AC  M c  ( M c . )
O APE para previsão de consumo é o Agente
Markoviano Embarcado (AME), que processa os
dados transferidos pelo GCC, para realizar a Modelagem de Consumo por meio de cadeias de salto de
Markov. Obtendo-se a matriz de transição em função
das probabilidades de incidência de cada estado discreto de consumo. As mesmas iniciam o processo de
simulação de validação de consumo, do modelo Markoviano, buscando a estacionariedade do processo
para a escolha das probabilidades ótimas, para o processo de previsão de consumo.
(4)
A Figura 6 ilustra o diagrama de transição de
estados (DTE), para o processo estocástico de consumo do AME, baseado nas probabilidades de incidência de acertos nos estados discretos (consumo).
4.2 Modelagem do AME
A modelagem do processo de consumo de energia em UCFs é baseada no diagrama de estados de
transição de estados, partindo-se de um histórico de
consumo de energia, como referencia inicial ou memória da modelagem do sistema (de Oliveira, 2010).
Consideram-se três possíveis “π”estados de consumo em cada fase “CFπ”: Baixo Consumo “CBC”,
Consumo Médio “CCM” e Alto Consumo “CAC” com
“πij” combinações de transição de estados probabilísticos de acertos em cada estado discreto de consumo,
partindo-se de um estado anterior.
Para a formulação dos estados de consumo considera-se, a aproximação indicada por de Oliveira
(2010) para a definição de um coeficiente de dispersão aleatória “ρ” dos estados discretos de consumo.
O mesmo é obtido a partir definição da variância
aleatória “σx” que é determinada pelo produto do
quadrado da diferença da medida com maior desvio
Figura 6. Diagrama de Transição de Estados do AME
A partir da dinâmica estocástica do DTE estabelecida, é obtido, um modelo matemático, para a previsão de consumo “CFπ(n+m)” em cada fase de UCF,
conforme ilustrado, em “(5)”. Sendo definida pela
probabilidade de salto “j”, em função da probabilidade do estado anterior “i” e do nível de consumo também anterior “CFπ(k)”.
2752
Anais do XX Congresso Brasileiro de Automática
Belo Horizonte, MG, 20 a 24 de Setembro de 2014
C ij( n  m ) 
F


k 0
C ik n C kj m 
(5)
( n , m )  0
A previsão de consumo de energia é realizada
com a estacionariedade do processo , onde se identificam, as melhores probabilidades, para o processo
de concatenação do processo, como indica “(6)”.
C ij( n ) 
F

n  1  C  k
(n)
(C )
 ( C )ik
kj
n
k 0


(6)
onde :
(C
)
F ij
(n)

1

0
se
i  j
se
i  j
A estacionariedade do processo é obtida com “n”
passos de iterações sucessivas, como mostra “(7)”.
C ij( n )  
C ij x C ij x C ij x ....... C ij  C 


ij
F
" n" passos
(7)
Na “expressão (8)” se mostram as probabilidades
de transição de passo “n” de “i” até “M” futuros estados, isto é, um modelo Markoviano para o consumo
residencial de energia elétrica de “F” fases para
UCFs.
 (00n )

 CF

 C
( n )  F


.
ij
.

 C
 F
C 
F
(n)

10
(n)

M 0
(n)
 C 
 F  01
(n)
 C 
 F 11
.
.
(n)
 C 
 F M1
(n)
 C 
 F  02
(n)
 C 
 F 12
.
.
(n)
 C 
 F M 2
(n)
...  C 
 F  0M
(n)
...  C 
 F 1M
... .
... .
(n)
...  C 
 F  MM









 ij
Este algoritmo permite, a obtenção do consumo
atual e previsão de energia elétrica, seguindo a metodologia de validação e previsão de consumo de energia elétrica em UCFs do tipo residencial (Sicchar,
2013). O mesmo segue o fluxo de processamento
para obtenção das simulações de previsão de consumo futuro de energia em cada fase de UCFs residenciais, como é detalhado a seguir:
i) Inicialização do sistema com as probabilidades
de transição obtidas, a partir do tratamento estatístico
do histórico de consumo. Realizando-se várias iterações focando a estacionariedade do processo, e a
determinação da matriz estacionária do processo (para a seleção das melhores probabilidades de iteração,
no processo de previsão).
ii) Caso não seja possível obter um bom grau de
estacionariedade, processam-se mais iterações até
encontrar uma matriz estacionária adequada;
iii) Geração dos saltos de transição, para gerar o
consumo anual atual e as previsões de consumo, a
partir da matriz estacionária;
iv) Simulação das curvas de consumo para confronto das trajetórias das medições reais, com as trajetórias da variável do modelo.
5 Resultados
(8)
Sendo assim essa matriz de transição de estados
a informação inicial para a obtenção das trajetórias
de desempenho de consumo atual e de previsão.
4.3 Algoritmo de desempenho do AME
A partir da matriz de transição de estados indicada na “expressão (8)” implementa-se o algoritmo
da Figura 7 .
Os resultados de previsão de energia do modelo
GCR, foram obtidos, a partir do histórico de uma
UCF trifásica residencial, cujo consumo por fases
corresponde ao período de 2005-2008, em função da
granularidade mensal dos registros dos dados (off
line), do sistema de informação virtual (concessionária local). Não sendo consideradas por este motivo,
variáveis correlacionadas (variações climáticas, ocorrência de eventos sociais, entre outras).
Foram realizadas simulações de validação do
modelo, para um período de 48 meses, e da previsão,
por um período de 12 meses (2009), somando assim
“60 passos”. Na validação da hipótese foi aplicada a
metodologia da seção 4.3. O sistema de modelagem e
previsão de consumo de energia baseado em cadeias
de Markov foi desenvolvido no software Mathcad.
5.1 Resultados de Implementação do AME
Após um processo de discretização dos níveis de
consumo do banco de dados do período experimental
(2005-2009) focando os estados de consumo do
AME e a incidência probabilística de cada possível
combinação gerada pelos três estados discretos (BC,
CM, AC) foi obtida, a matriz estacionária de estados
para cada fase conforme “(8)”. Nas simulações de
previsão de energia foi aplicado o algoritmo indicado
do AME em cada fase. O desempenho dos dados
reais é representado pelas incidências “azuis”, e o
desempenho do modelo GCR por incidências vazias
“vermelhas”. Adotando-se três valores discretos: “0”
para Baixo Consumo, “1” para Consumo Médio, e
“2” para “Alto Consumo”.
Figura 7. Algoritmo de Previsão de consumo do AME
2753
Anais do XX Congresso Brasileiro de Automática
Belo Horizonte, MG, 20 a 24 de Setembro de 2014
A Figura 8, mostra os resultados da fase A. Havendo na validação do modelo, boa precisão
(70,83%) e, boa margem de previsão (66,67%).
5.2 Tabela de Consumo Futuro de Energia Elétrica
A Tabela 1 apresenta a matriz de consumo de futuro em cada fase da UCF experimental. Tendo sido
colocados em asterisco os valores de consumo que
coincidiram com os dados reais do processo.
Tabela 1. Matriz de Previsão de Consumo de Energia do AME.
Meses de
Previsão
Janeiro
Fevereiro
Março
Abril
Maio
Junho
Julho
Agosto
Figura 8. Trajetória de consumo de energia (2005-2009)-Fase A
Setembro
Na fase B (Figura 9), registra-se na validação do
modelo boa precisão (75%); e boa margem de previsão (66,67%).
Outubro
Novembro
Dezembro
Consumo
Fase A
Consumo
Fase B
Consumo
Fase C
BC
MC*
MC*
MC*
MC*
MC*
MC*
AC
AC
AC
MC*
MC*
BC
MC*
MC*
MC*
MC*
MC*
MC*
AC
AC
AC
MC*
MC*
BC*
BC*
BC*
BC*
BC*
MC*
MC
MC*
MC*
MC
MC
BC
Observa-se para a fase A, no primeiro período
do ano, uma tendência de consumo futuro de energia
de Médio Consumo, registrando-se esse comportamento até o mês de julho. A partir do qual há um
aumento para Alta Tensão. E posteriormente um retorno à Médio Consumo. Tendo-se assim em sumula
para a fase A, a predominância de Médio Consumo.
Todavia notando-se durante os demais meses um
comportamento de consumo que varia entre Médio e
Alto Consumo. Podendo ser aplicado um programa
de diminuição de consumo para os meses onde se
evidencia Alto Consumo.
Na fase B, nota-se um comportamento similar ao
da fase A, talvez pela concentração de maior consumo de carga em ambas as fases. Tendo-se também
neste caso, uma tendência de consumo futuro de Médio Consumo, até o mês de julho. Havendo também
um aumento para Alto Consumo nos próximos três
meses. Retornando posteriormente para Médio Consumo. Podendo ser implementado um programa de
diminuição de consumo para os meses onde se tem
Alto Consumo.
Por outro lado na fase C, registra uma tendência
de Baixo Consumo, nos cinco primeiros meses do
ano. Havendo um acréscimo para Médio Consumo,
nos próximos seis meses do ano. Tendo-se no último
mês do ano uma diminuição para Baixo Consumo.
Evidenciando-se em sumula, um comportamento futuro entre Baixo e Médio Consumo nesta fase.
Através desses resultados pode se constatar a
contribuição deste trabalho, na análise de perfil de
consumo futuro das UCFs, mostrando de forma objetiva, a periodicidade diferenciada do uso de energia,
bem como a identificação dos níveis de consumo em
cada fase de conexão, o que permite em conjunto à
concessionária local maiores subsídios no planeja-
Figura 9. Trajetória de consumo de energia (2005-2009)-Fase B
Na fase C (Figura 10), tem-se na validação do
modelo, boa precisão (66,67%); e margem razoável
de previsão (58,33%).
Figura 10. Trajetória de consumo de energia (2005-2009)-Fase C
2754
Anais do XX Congresso Brasileiro de Automática
Belo Horizonte, MG, 20 a 24 de Setembro de 2014
mento da demanda de consumo de energia futuro, a
partir do comportamento dinâmico de uso de energia
dos consumidores finais, bem como na identificação
dos centros de maior consumo e de identificação de
possíveis perdas de energia. Todavia no desenvolvimento de planos de consumo customizados para cada
UCF cumprindo dessa forma as diretrizes fundamentais do perfil de SG (Nist, 2012), (Rahimi, 2010).
Man,D.M., LIM, J.H (2010). Smart home energy
management system using IEEE 802.15.4 and
ZigBee. IEEE Transactions on Consumer
Electronics, Vol. 56, N˚ 3, pp. 1403-1410.
Moslehi, K. and Kumar, R (2010). A Reliability
Perspective of the Smart Grid. IEEE Trans. on
Smart Grid, Vol. 1, N˚1, pp. 57-63.
Nguyen, T.A. and Aiello M (2013). Energy
Intelligent buildings based on user activity: A
survey. Else-vier, Energy and Building Journal,
Vol.56, pp. 244- 257.
Nist, 2012, NIST Framework and Roadmap for
Smart Grid Interoperability Standards, Release
2.0.NIST special publication 1108R2.
Oliveira, V., Sicchar, J.,Salmon, A.,Silva J, Set 2012,
"Automação e Ciência de Serviço aplicada em
Smart Grid” in Proc. 2012 XIX CBA, pp. 1-6.
Pipattanasomporn,M.,Kuzlu, M., Rahman S (2012).
An Algorithm for Intelligent Home Energy Management and Demand Response Analysis. IEEE
Transactions on Smart Grid, Vol.3, No.4, pp.
2166-2173.
Rahimi, F., Ipackchi, A (2010). Demand Response as
Market Resource Under the Smart Grid
Paradigm. IEEE Transactions on Smart Grid.
Vol. 1, N ˚ 1, pp. 82-88.
Salvadori, F., Gehrke, C.S, de Oliveira A.C, de
Campos M., Sausen P.S (2013). Smart Grid
Infraestructure Using a Hybrid Network
Architecture. IEEE Transactions on Smart Grid.
Vol. 4, N ˚ 3, pp. 1630-1639.
Sicchar, J., De Freitas, R., Silva, J.R., Da Costa, T.
C. Jr., Cavalcante, M.I., GOMES, R.C, Outubro
2013. Inteligência HCR para Automação de
Serviços em Smart Grids de Baixa Tensão.
Redes elétricas inteligentes, Proc. in XI SBAI
2013, pp.1-6.
Sicchar J., Tavares, C., Silva, J.R., de Freitas, R.,
Santos,J.J., Nascimento, C., Rosas F, Setembro
2012. Arquitetura IGCR para Gerenciamento de
Consumo Residencial de Energia. MicroredesRedes elétricas inteligentes, Proc. in XIX CBA
2012, ,pp.1-6.
Wang,J., Zhou, H (2013). Conceptual Design and the
Future Development for Operation Smart System
in China Southern Power Grid. IEEE
Transactions on Smart Grid. Vol. 4, N ˚ 3, pp.
1621-1629.
6 Conclusão
Em função dos resultados obtidos, acreditamos
que estabelecemos as bases de uma metodologia de
previsão de energia elétrica em UCFs, em função do
seu histórico de consumo, num horizonte de um ano,
com desempenhos bastante confiáveis. Tendo-se em
sumula a implementação satisfatória de um serviço
de GCE para SG de BT, que pode auxiliar utilmente
outros serviços de grande importância, entre eles o de
previsão de carga e de análise de carga, a partir dos
resultados aqui mostrados. Entretanto sugerimos, a
realização de mais validações da inteligência proposta, num numero maior de UCFs, com demais tipos de
conexão num mesmo circuito de BT. Podendo reforçar a previsão com a aplicação de outros algoritmos
de previsão, entre eles as redes neurais de Kohonen,
por sua refinada taxa de precisão de mineração preditiva de dados.
Agradecimentos
Agradecemos à FAPEAM, UEA, UFPA e USP por
tornarem possível a realização deste trabalho.
Referências Bibliográficas
Brohus,H.,Frier,C.,Heiselberg,P.Haghighat,F (2012).
Quantification of uncertainty in predicting
building energy consumption: A stochastic
approach.Elsevier,Energy and Building, Vol 55,
pp. 127-1404.
Constanzo, G.T., Zhu G., Anjos M.F, Saward, G
(2012). A System Architecture for Autonomous
Demand Side Load Management in Smart
Buildings. IEEE Transactions on Smart Grid,
Vol.3, No 4, pp. 2157-2165.
de Oliveira, H., 2010, Probabilidade e Processos Estocásticos, parte 4, Processos Estocásticos Específicos, pp. 380-472. PPGEE UFPE.
Gomes, R., PRINTES, A., RAMOS, C., Maio 2010.
“Proposta de Sistema com Arquitetura para
Implementação de uma Smart Grid na Rede de
Distribuição em BT” -SBSE 2010, pp.1-6.
Lo, C.H. and Ansari, N (2013). Decentralized Controls and Communications for Autonomous Distribution Networks in Smart Grid. IEEE Transactions on Smart Grid, Vol.4, No.1, pp. 66-77.
2755