PRODUÇÃO DE ENERGIA EM SISTEMAS DE ABASTECIMENTO
BASEADA EM FONTES RENOVÁVEIS: redes neurais
Fábio Veríssimo Gonçalves1; Helena M. Ramos2;Luisa Fernanda R. Reis3
RESUMO --- Os sistemas de abastecimento de água são grandes consumidores de energia, e a sua
redução é um dos fatores mais desejados pelos gestores, sendo o uso de sistemas híbridos de
produção de energia, uma proposta nova que alia a redução do consumo de energia proveniente da
rede nacional com a produção de uma energia mais “verde”. Este trabalho apresenta um modelo
computacional, baseado em redes neurais para a determinação da melhor configuração de um
sistema híbrido de geração de energia, a ser aplicado a um sistema típico de abastecimento de água.
Os componentes da energia utilizada para estabelecer esse sistema híbrido são a rede elétrica
nacional, as micro-hídricas e as turbinas eólicas. A rede neural artificial é composta de seis camadas
e treinada usando os dados gerados por um modelo de configuração e simulador econômico MCSE (e.g. HOMER) permitindo uma rápida simulação e adequada interação com modelos
simuladores hidráulicos e de energia – MSHE (e.g. EPANET). Os resultados mostram que este
modelo computacional avançado é útil como suporte à decisão na concepção de configurações de
sistemas de energia híbrida aplicadas a sistemas de abastecimento de água, podendo melhorar as
soluções no âmbito do desenvolvimento da sua eficiência energética.
ABSTRACT --- Water supply systems are large consumers of energy and a reduction is one of the
most desired factors by their managers. The use of hybrid systems for energy production was a new
proposal that put together the reduction of energy consumption from the national network and the
production of more “green” energy. This work presents a computational model based on neural
networks to determine the best configuration of a hybrid system to generate energy, to be applied to
a typical water supply system. The components of the energy used for this hybrid system are the
national power grid, micro-hydro and wind turbines. The artificial neural network is composed of
six layers, trained by using data generated by a model of hybrid configuration and an economic
simulator (e.g. HOMER). The reason for the development of an advanced model of forecasting
based on neural networks is to allow a rapid and robust simulation with proper interaction between
hydraulic and energy model simulator (e.g. EPANET). The results show that this computational
model is useful for advanced decision support in the design of configurations of hybrid power
systems applied to water supply systems, improving the solutions in the development of its energy
efficiency.
Palavras-chave: sistemas de abastecimento de água, redes neurais artificiais, sistemas de energia
híbridos.
1
2
3
Eng. Civil, Mestre em Tecnologias Ambientais – (UFMS) e Doutorando em Engenharia Civil pelo Instituto Superior Técnico de Lisboa (IST).
E-mail: [email protected]
Professora Associada com Agregação do Instituto Superior Técnico de Lisboa (IST). E-mail: [email protected]
Professora Titular da Escola de Engenharia de São Carlos (USP/EESC). E-mail: [email protected]
XVIII Simpósio Brasileiro de Recursos Hídricos
1
1 - INTRODUÇÃO
A preocupação com o consumo de energia em sistemas de abastecimento de água é cada vez
maior, induzindo os gestores desses sistemas à buscar soluções ótimas para a melhoria da eficiência
energética de tais sistemas. A utilização de fontes renováveis de energia está a aumentar,
impulsionada pela crescente preocupação com os efeitos do aquecimento global e do consumo
excessivo de combustíveis fósseis, mas ainda longe do nível desejado. A aplicação de soluções
híbridas baseadas em fontes de energia renováveis é uma solução ideal para reduzir a dependência
dos combustíveis fósseis. A melhor solução híbrida a ser adotada em um determinado sistema é
uma tarefa árdua e complexa, assim como a sua otimização, que requerem modelos computacionais
onde o desenvolvimento de ferramentas adicionais pode tornar-se difícil (Gonçalves e Ramos,
2008).
Este trabalho visa apresentar uma rede neuronal artificial que simula um modelo de
otimização para obter a melhor configuração de um sistema híbrido de geração de energia para um
sistema típico de abastecimento de água.
2 – ENQUADRAMENTO
A preocupação com o consumo de energia em sistemas de abastecimento de água (SAA) vem
cada vez mais fazendo com que os gestores dos sistemas procurem soluções ótimas para a sua
eficiência energética.
O uso de energias renováveis tem aumentado, devido à crescente preocupação com o efeito do
aquecimento global e o consumo excessivo de combustíveis fósseis. A aplicação de soluções
híbridas baseadas em fontes de energia renovável (e.g. fontes hídricas, eólicas e solar) constitui uma
solução ideal para a redução da dependência dos combustíveis fósseis. Porém a determinação da
melhor solução híbrida a ser adotada, tendo a eficiência energética como principal objetivo, é uma
tarefa árdua e complicada, além de exigir modelos complexos de otimização onde o
desenvolvimento de ferramentas adicionais (toolkits) se torna difícil.
O uso de modelos de otimização baseados em algoritmos genéticos, tem-se tornado, nos
últimos anos, uma forte ferramenta para processos em que a necessidade da otimização de uma ou
várias funções objetivo, permitem a resolução de problemas complexos de eficiência. Largamente
usados em redes de abastecimento que vão desde a detecção de perdas, reabilitação, calibração ou
determinação de regras operacionais de sistemas de abastecimento (Araujo, Ramos et al., 2003;
Silva, Reis et al., 2003; Carrijo, Reis et al., 2004; Cheung, 2004; Formiga, Chaudhry et al., 2006;
Sousa, 2007; Sousa, C.M., Covas, D.I.C. et al., 2007; Sousa, C. M., Covas, D. I. C. et al., 2007), os
XVIII Simpósio Brasileiro de Recursos Hídricos
2
modelos matemáticos apoiados em algoritmos genéticos têm-se mostrado muito fiáveis e robustos
na resolução de soluções eficientes.
O uso de modelos de otimização para a determinação do melhor sistema híbrido de geração de
energia, apoiado em fontes renováveis (hídrica, eólica e solar), passa a ser um objetivo de aplicação
futura.
As Redes Neurais Artificiais (RNA), como ferramenta de previsão mostram-se fiáveis e a sua
aplicação na gestão operacional de sistemas energéticos associados ao poder de decisão e à sua
robustez (Dash, Liew et al., 1995; Chen, 1996; Ozawa, Niimura et al., 1999; Zhang e Dong, 2001;
Rodrigues, 2002; Reis e Silva, 2003), serviram de recurso aos estudos de consumo de água pela
similaridade dos problemas em discussão (Falkenberg, 2005).
Até ao presente momento a matriz energética brasileira encontra-se num sistema de produção
energética centralizada através de recursos hídricos e biomassa (grandes hidrelétricas, PCH’s, lenha
e produtos derivados da cana-de-açúcar) e da produção através da queima de combustíveis fósseis
(como o diesel e gás natural) em usinas termo- elétricas. A produção de energia baseada no vento e
na radiação solar como fontes de energia no setor energético renovável ainda é pequeno. Porém
com o aumento dos preços do petróleo e instabilidade no setor produtivo, além da preocupação com
as alterações climáticas, essas fontes renováveis serão uma aposta positiva para esse sector. A
Figura 01 apresenta a estrutura da oferta interna de eletricidade no Brasil em 2007.
A geração de energia elétrica no Brasil, em centrais de serviço público e de autoprodutoras,
atingiu 444,6 TWh em 2007, resultado 6,0% superior ao de 2006. Permanece como principal a
contribuição de centrais de serviço público, com aproximadamente 90% da geração total. Nestas, a
principal fonte é a energia hidráulica, que apresentou crescimento de 7,0% na comparação com
2006. A geração pública a partir de combustíveis apresentou um decréscimo de 8,8%, com redução
expressiva na geração a partir da energia nuclear (-12,3%) e do gás natural (-18,6%) (Figura 02). A
geração de autoprodutores em 2007 apresentou um crescimento de 13,1% em relação ao ano
anterior, considerando o agregado de todas as fontes utilizadas (Empresa de Pesquisa Energética,
2008).
Como comparação, a Figura 03 apresenta a estrutura de oferta de eletricidade no mundo, em
2006, conforme informações da International Energy Agency – IEA. Pode-se observar que o Brasil
apresenta uma matriz de geração de origem predominantemente renovável, com aproximadamente
75% da oferta sendo atendida por geração interna hidráulica. Somando-se às importações, que
essencialmente também são de origem renovável, pode-se afirmar que mais de 80% a eletricidade
no Brasil é originada de fontes renováveis – sem considerar que parte da geração térmica é
originada de biomassa. Na média mundial, fontes renováveis correspondem a apenas 18,3% da
geração de eletricidade (Empresa de Pesquisa Energética, 2008).
XVIII Simpósio Brasileiro de Recursos Hídricos
3
Figura 01 – Estrutura da Oferta Interna Segundo a
Natureza da Fonte Primária de Geração
Brasil 2007 (Empresa de Pesquisa
Energética, 2008).
Figura 02 – Estrutura da Oferta Segundo a Natureza da
Fonte Primária de Geração Mundo - 2006
(Empresa de Pesquisa Energética, 2008).
O Brasil a médio prazo virá a precisar de sistemas geradores de energia baseados em fontes
renováveis (e.g., mini ou micro hídricas, eólica e solar) para suprir a demanda crescente de
consumo do setor produtivo. Porém a política da gestão em relação à produção e comercialização de
energia encontra-se ainda muito voltada para a centralização, com exceção do programa PROINFA,
implantado pelas Centrais Elétricas Brasileiras S.A – Eletrobrás, que disponibiliza a compra de
energia de empresas que utilizem fontes renováveis para produção de energia (Centrais Elétricas
Brasileiras S.A. - ELETROBRÁS, 2004).
Como pode ser observada na Figuras 02, e com maiores detalhes na Figura 03, grande parte da
energia elétrica ofertada no Brasil provém de sistemas hídricos, sendo a participação de outras
renováveis, ainda muito pequena no contexto, como mostra a Figura 04. Na Figura 05 é apresentado
um descritivo da energia ofertada pelas renováveis, mostrando que a participação da eólica é
irrisória perto de outras fontes, atingindo valores na ordem de 0,02% da oferta interna de energia.
TOTAL
IMPORTAÇÃO
8,0%
HIDRÁULICA
HIDRO
374,0
GÁS NATURAL
15,5
DER. PETRÓLEO
13,3
NUCLEAR
12,4
CARVÃO
6,8
BIOMASSA
18,1
GÁS INDUST.
4,5
IMPORTAÇÃO
38,8
GÁS
INDUSTRIAL
0,9%
BIOMASSA
3,7%
80%
OUTRAS
URÂNIO
60%
HIDRO
77,4%
DERIVADOS DE
PETRÓLEO
2,8%
87
85
94
CARVÃO
MINERAL
40%
CARVÃO
MINERAL
1,4%
GÁS
NATURAL
3,6%
100%
TWh
483,4
GÁS
NATURAL
RENOVÁVEIS:
Brasil: 89 %
OECD: 16 %
Mundo: 18 %
20%
0
NUCLEAR
2,6%
0%
CARVÃO
MINERAL E
6,0%
GÁS
NATURAL
9,3%
TWh
2
2
3
1994
8%aa
45,7
291,8
3
DERIVADOS
DE
PETRÓLEO
2007
4%aa
483,4
Figura 04 – Oferta interna de energia elétrica por fonte
(%) (Ministério de Minas e Energia, 2009a).
NUCLEAR
1,4%
RENOVÁVEIS
45,9%
5
0
1970
Nota: inclui
Autoprodutores
(47,1 TWh)
Figura 03 – Matriz de oferta de energia elétrica Brasil 2007 (%) (Ministério de Minas e
Energia, 2009a).
2
8
OUTRAS
BIOMASSAS
3,1%
Óleos
Vegetais
0,1%
BIOENERGIA
31,0%
PRODUTOS
DA CANA
15,9%
EÓLICA
0,02%
PETRÓLEO
37,4%
milhões tep
238,8
2% da energia total do
Mundo
LENHA E
CARVÃO VEGETAL
12,0%
HIDRÁULICA
14,9%
109,7
7% das renováveis do
Mundo
74,1
6% das biomassas do
Mundo
Figura 05 - Oferta interna de energia – BR – 2007 (%) (Ministério de Minas e Energia, 2009b)
XVIII Simpósio Brasileiro de Recursos Hídricos
4
Na Figura 06 percebe-se o pouco aproveitamento eólico e solar no Brasil, mostrando que
apenas duas regiões do país estão apostando na utilização de energias renováveis não hídricas, mas
nenhuma apostando no uso de energias solares, tanto pelo fato da falta de estudos que comprovem a
sua utilização, como pela falta de investimentos em pesquisas de novas tecnologias de produção,
utilização e gestão de sistemas geradores solares.
Norte
Nordeste
C.I.T: 13,5 GW – 13,4%
HIDRO: 10,5 GW – 13,7%
TERMO: 3,0 GW – 14,0%
C.I.T: 14,3 GW
HIDRO: 10,9 GW
TERMO: 3,3 GW
EÓLICA: 0,1 GW
Centro-Oeste
C.I.T: 11,5 GW – 11,4%
HIDRO: 10,0 GW – 13,1%
TERMO: 1,4 GW – 6,8%
– 14,2%
– 14,2%
– 15,5%
– 32,0%
Sudeste
C.I.T: 35,9 GW – 35,7%
HIDRO: 23,8 GW – 30,9%
TERMO: 10,1 GW – 47,2%
EÓLICA: 0,0 GW – 0,4%
NUCLEAR: 2,0 GW – 100%
Total Brasil
Legenda
C.I.T: 100,4 GW
C.I.T: capacidade instalada
total
Termo: 21,3 GW
%: do Brasil
Nuclear: 2,0 GW
Hidro: 76,9 GW
Eólica: 0,2 GW
C.I.T: 25,3 GW
HIDRO: 21,6 GW
TERMO: 3,5 GW
EÓLICA: 0,2 GW
Sul
– 25,2%
– 28,1%
– 16,5%
– 67,6%
Figura 06 - Capacidade instalada de geração elétrica por região – 2007 (Ministério de Minas e Energia, 2009a).
Na Europa, em particular em Portugal, o sistema de produção energética é descentralizado,
podendo até pessoas particulares produzir e vender energia para o estado. O estado fica encarregado
da grande parte do transporte da energia, ofertando inclusive incentivos fiscais para os geradores de
energia que usem fontes renováveis. Como várias companhias de água, assim como no Brasil,
possuem um alto custo operacional proveniente dos sistemas de bombeamento, muitas vêm optando
na produção própria de energia baseada em fontes renováveis. Como as variáveis climáticas são
instáveis, o uso de sistemas híbridos é uma importante aposta, suprindo a deficiência de uma
componente de produção de energia por outra. Uma configuração de um sistema híbrido a ser
utilizado em sistemas de abastecimento de água pode ser o que é proposto na Figura 07.
Figura 07 – Exemplo de configuração de um sistema híbrido de geração de energia.
XVIII Simpósio Brasileiro de Recursos Hídricos
5
O grande avanço necessário no setor corresponde a uma melhor gestão da determinação de
qual o sistema de geração, baseado em fontes renováveis, que pode ser utilizado e as melhores
configurações, aproveitando o máximo da eficiência de cada componente para reduzir as
deficiências singulares de cada uma, em modelos híbridos.
Assim, é precisamente neste contexto, que se enquadram e justificam as atividades desta
investigação.
De acordo com estudos técnicos realizados pelo Ministério das Cidades - MCidades, visando à
universalização dos serviços de abastecimento de água e esgotamento sanitário no prazo de 20 anos,
a fim de atender toda a população que hoje não tem acesso aos serviços e absorver o crescimento da
população neste período, seriam necessários investimentos estimados em R$ 178 bilhões. Isto
significa um investimento de 0,45% do Produto Interno Bruto - PIB ao ano, para uma taxa de
crescimento projetada do PIB constante de 4% ao ano, neste período (PROCEL, 2009).
É certo que a integração dos serviços de saneamento implicará na utilização de novos
recursos. A energia elétrica para os processos de transporte e tratamento é observada pelo setor com
preocupação, uma vez que atualmente já ocupa a segunda posição na planilha de custos
operacionais da maioria dos prestadores de serviços de saneamento.
No Brasil, o sector de saneamento consome 2,3% do total de energia elétrica gerada no País,
isso significa 6,471 GW/ano (Bahia, 1998). Normalmente, são verificadas perdas de energia elétrica
nos procedimentos operacionais existentes, no dimensionamento dos sistemas, na idade dos
equipamentos, nas tecnologias não eficientes utilizadas, na manutenção, nas formas contratuais e no
desperdício de água. Segundo Tsutiya (2001), as despesas com energia elétrica representam o custo
mais importante nas empresas de saneamento brasileiras, e o custo com consumo de energia
elétrica, em motores para o acionamento de bombas, chega a atingir 90% do total das despesas.
Do atrás exposto, conclui-se que uma alternativa para a redução dos gastos com a energia e
conseqüente redução dos custos seria a utilização de fontes renováveis em sistemas híbridos de
abastecimento. Sistemas baseados não somente na rede energética nacional, mas também em
sistemas que funcionam em consonância com geradores eólicos, placas fotovoltaicas, geradores por
biomassa, micro turbinas, entre outros.
Segundo Sousa (2005), as fontes de energia renovável, embora apresentem custos elevados e
restrições geográficas e ambientais importantes, representam uma opção viável para a produção de
energia, uma vez que:
•
Os recursos energéticos renováveis estão disponíveis localmente;
•
O aproveitamento dos recursos energéticos renováveis traduz-se em benefícios
ambientais com a redução das emissões de CO2 e outros poluentes;
•
Contribuem para a criação de emprego, promovendo a coesão social e econômica;
XVIII Simpósio Brasileiro de Recursos Hídricos
6
•
Estimulam a competitividade da indústria;
•
Aumentam a segurança e a estabilidade no fornecimento de energia descentralizada,
reduzindo as importações.
A União Européia (UE), com a Diretiva 2001/77/EC, reconhece a necessidade de promover as
fontes de energia renovável considerando-as vetores estratégicos na proteção ambiental e no
desenvolvimento sustentável (Comissão Européia, 2001). Através desta diretiva, a EU estabeleceu
como meta indicativa para a Europa a produção, a partir de fontes renováveis, de 22 % da energia
elétrica consumida. Espera-se alcançar este objetivo através de quotas assumidas pelos diferentes
estados-membros. Essa quota foi recentemente revista, quando da adesão dos 10 novos estadosmembros, passando para 21 % (Sousa, Pregitzer et al., 2005).
Em Portugal, a Diretiva comunitária traduziu-se num plano estratégico para a promoção das
fontes de energia renovável, designado Programa E4 (Eficiência Energética e Energias Endógenas)
(Conselho de Ministros, 2001). Com este programa de apoio, Portugal pretende atingir a meta dos
39 % de produção de energia elétrica a partir de fontes de energia renovável, obedecendo ao
estabelecido na Diretiva 2001/77/EC. Para tal, Portugal deverá mobilizar cerca de 5 mil milhões de
euros de investimento para este sector (Conselho de Ministros, 2003).
De acordo com os investigadores Ramos et al. (2005; 2006; 2007), Fernandes (2005), esses
sistemas híbridos, além do caráter econômico induzido a uma determinada região, têm também uma
significativa componente social, levando a população a ter acesso a informação e novas tecnologias
e conseqüentemente a uma melhor qualidade de vida. A energia eólica vem sendo uma alternativa
de geração, que tem crescido muito em Portugal nos últimos anos e que está numa fase de crescente
desenvolvimento no Brasil e no mundo. Países como a Dinamarca, a Alemanha e outros da União
Européia estão proporcionando incentivos para a utilização dessas fontes de energia (Fernandes,
2005; Vieira e Ramos, 2008; Ramos e Ramos, 2009; Vieira e Ramos, 2009). As fontes de energia
renovável do tipo módulos fotovoltaicos e micro turbinas estão a ser alvo de grandes incrementos e
de destaque, quer em termos econômicos quer no aumento da sua eficiência mediante a utilização
de novas tecnologias.
O desenvolvimento sustentável inclui as fontes renováveis de energia, tentando conciliar a
necessidade energética da sociedade e o ambiente, tendo por objetivo encontrar urna produção de
energia que seja menos agressiva. Como é sabido e sem exceção, estas fontes também acarretam
algum tipo de impacto ambiental associado ao processo de fabrico do equipamento. Contudo
durante a exploração não provocam impactos negativos como o que acontece com os decorrentes
das fontes não renováveis de energia. A energia solar com aproveitamento fotovoltaico ou térmico,
a hidroeletricidade, a energia eólica, a biomassa, a energia das marés e a energia geotérmica estão
entre as fontes energéticas que verão a sua importância aumentada no cenário energético mundial,
XVIII Simpósio Brasileiro de Recursos Hídricos
7
tendo os governos e a sociedade uma participação decisiva na transição de um mundo baseado em
energias não renováveis para as fontes de energia que se encaixem na proposta do desenvolvimento
sustentável (Terciote, 2002).
De acordo com Gupta et al. (2006) a modelação de sistemas híbridos de energia e a sua
aplicação em modo descentralizado tem-se apresentado ainda muito limitada. Os modelos aplicados
são normalmente baseados ainda só num recurso renovável, contudo existem estudos (Vieira e
Ramos, 2008; 2009) onde se integra a produção de energia com base em mais do que um recurso
(eólico e hídrico) em sistemas de abastecimento com significativos benefícios acrescidos. A
interação entre diferentes recursos de energia de forma otimizada e equilibrada para satisfazer as
necessidades energéticas regionais e nacionais, tanto de zonas isoladas, como em ambiente urbano
são também ainda muito limitadas. A aplicação de modelos para combinar a exigência de energia
com a interação de fontes disponíveis em vários locais e formas permite a produção descentralizada
e mais equilibrada em termos nacionais.
As redes neurais artificiais (RNA) correspondem a uma tecnologia para resolver problemas
difíceis onde podem existir várias soluções possíveis. Estas redes são ensinadas a partir de casos
típicos, são flexíveis no sentido em que elas podem manipular dados incompletos, podem lidar com
problemas não lineares e, uma vez treinada, podem fazer previsões e executar simulações rápidas.
São usadas em aplicações diversas como o controlo de sistemas, na robótica, na previsão, na
medicina, em sistemas de energia, na produção, na otimização, no processamento de sinais e em
ciências sociais/psicológicas e são particularmente úteis em sistemas de simulação integrados
(Kalogirou, 2001).
As redes neurais têm muitas aplicações práticas bem sucedidas. Na maioria dos casos podem
facilmente ser incluídas nas seguintes classes de problemas: memória associativa; otimização
(incluindo os problemas de satisfação de restrições); classificação; reconhecimento de padrões;
aproximação de funções; processamento de sinais; previsão e controle (Dias, 2008).
Determinar a escolha do sistema híbrido a ser adotado necessita duma avaliação econômica,
ambiental e social, para que a redução dos impactos associados e que as mais-valias da implantação
sejam maximizadas. Inúmeras pesquisas no campo das redes neurais demonstram que as mesmas
são adequadas para situações onde é relevante a velocidade de processamento, a flexibilidade de
manipulação e adequação de dados incompletos, podendo lidar com problemas não lineares e, uma
vez treinada, podem fazer previsões e executar simulações confiáveis (Haykin, 2001; Kalogirou,
2001; Rao e Alvarruiz, 2007; Dias, 2008).
Em outros trabalhos (Florent, Bernardt et al., 1998; Baxter, Zhang et al., 2001; Liu, Savenije
et al., 2003), o uso de redes neurais artificiais foram feitos focando a previsão de consumo de água
diária e horária, objetivando reduzir o consumo do custo de energia gasto no bombeamento,
XVIII Simpósio Brasileiro de Recursos Hídricos
8
indicando que redes neurais possuem performances superiores à modelos auto-regressivos, desde
que hajam dados históricos disponíveis para testes. Em outros trabalhos foi focado mais o uso de
redes neurais em problemas que envolvem recursos hídricos (Galvão e Valença, 1999; Valença e
Ludermir, 2001.).
Deste modo, as RNAs, como ferramenta associada à decisão, podem auxiliar na otimização do
sistema híbrido e promover um melhor gerenciamento de sistemas híbridos de geração de energia
no tocante ao uso maximizado da geração individualizada do sistema.
3 –METODOLOGIA
A criação de uma RNA incluiu os seguintes passos: definição dos padrões; criação da rede;
inicialização da rede; definição dos parâmetros de aprendizagem, treinamento e teste da rede.
Qnet2000, um pacote comercial de rede neural, foi utilizado para a formação das redes, tendo
a vantagem de um rápido desenvolvimento de rede através de opções flexíveis de algoritmos,
funções de saída e outros parâmetros de treinamento, aumentando assim a precisão. A concepção da
rede neural de energia híbrida que será comparada com um modelo de configuração e simulador
econômico – MCSE (e.g. simulador HOMER) para condições limitadas irá adotar os seguintes
procedimentos: utilização do MCSE para obter dados que serão usados no processo de treinamento
da rede neural fidedigna e testá-la em conjunto com um modelo simulador hidráulico e de energia –
MSHE (e.g. simulador EPANET), alterando os valores de caudais, diâmetro, comprimento e
rugosidade das tubagens, assim como as variações de nível nos reservatórios, parâmetros
característicos de bombeamento por consumo de energia e avaliação de procedimentos de
turbinagem e bombeamento. Esses dados estão disponíveis na investigação de Ramos e Ramos
(2009) que usa um MSHE para analisar o balanço hidráulico de um sistema de abastecimento de
água, determinando o comportamento hidráulico do sistema analisado, consumo e a potência da
bomba e da turbina, respectivamente.
Antes de iniciar a criação da rede neuronal, é feita a aquisição dos dados de entrada e saída
para o treinamento e a validação da rede. Os dados de entrada foram adquiridos através de um
MSHE (e.g. potência instalada de bomba, queda útil disponível na turbina, comprimento e diâmetro
do circuito hidráulico, caudal, potência média, consumo de energia da bomba e variação do nível
nos reservatórios) e um MCSE (potência média de saída do gerador eólico/hidro e média anual da
velocidade do vento e média anual da potência da hidro-turbina).
Estes dados são implementados em um MCSE e são úteis para a análise econômica com base
no cálculo do custo atual líquido (Net Present Cost - NPC) para cada sistema híbrido estudado,
determinando assim a solução mais econômica rentável. Outros valores são utilizados para a análise
econômica feita no MCSE, como os custos de investimento, execução, custo de venda da energia
XVIII Simpósio Brasileiro de Recursos Hídricos
9
para a rede elétrica nacional e a limitação do número de equipamentos a serem utilizados na
simulação, que não são utilizados na concepção da rede neural por serem comum a todos os
modelos.
O algoritmo de optimização e análise de sensibilidade simplificam a avaliação de diferentes
configurações de sistemas. Introduzindo opções tecnológicas, os custos dos componentes e
disponibilidade dos recursos, o MCSE testa todas as combinações viáveis e cria uma lista de
configurações ordenadas por custo atual líquido (NPC). A fim de ter em conta os benefícios, o NPC
é transformado em valor atualizado líquido (VAL), a fim de ser utilizado na RNA.
Os valores de entrada do MSHE e MCSE e os valores de saída de VAL, determinados pelo
MCSE são distribuídos em um ficheiro auxiliar e usados para criar a RNA. Com os resultados
obtidos dessas simulações, foi possível criar um sistema de redes neurais que se transcreve, em
parte o processo de modelagem através de caminhos decisivos adequados, garantindo a robustez e a
velocidade na avaliação do processo. Um fluxograma descrevendo os procedimentos da concepção
da RNA é mostrado na Figura 08.
A arquitectura básica da RNA utilizada foi o MLP (“Multilayer Perceptron”), na qual os
neurônios são dispostos em camadas sucessivas (“feed-foward”). Foram consideradas a princípio,
redes com apenas uma camada oculta. Após as análises iniciais, as RNA com apenas uma camada
escondida apresentava grandes erros quadráticos médios (Root Mean Square Error – RMSE),
portanto vários testes são feitos com diferentes números de camadas ocultas e com configurações de
neurônios.
Na construção da rede neural, os padrões de entrada da rede correspondem aos dados usados
no MCSE. Os dados são tratados em um software auxiliar e classificados em x1, x2, x3…x9. Cada
conjunto de 9 dados é a entrada para a rede neural composta por 6 camadas ocultas com 40, 30, 20,
10 neurônios em cada camada oculta, de acordo com a melhor configuração, com menor RMSE
encontrado nos testes e uma camada de saída com 5 neurônios.
XVIII Simpósio Brasileiro de Recursos Hídricos
10
Figura 08 - Fluxograma da RNA desenvolvida.
Em cada neurônio ocorrem as seguintes operações: os dados de entrada sofrem uma aplicação
de pesos iw[i,m] e vão para um adicionador (junção aditiva), que soma os dados de entrada,
ponderados pelas respectivas sinapses (iw) e recebe um coeficiente de tendência “bias” b[k], que
tem como função diminuir ou aumentar a entrada líquida da função de ativação (Haykin, 2001).
Uma função de ativação é aplicada para restringir a amplitude da saída do neurônio. A função de
activação também é referida como função restritiva já que restringe (limita) o intervalo permissível
de amplitude do sinal de saída a um valor finito. Um modelo não linear de um neurônio pode ser
interpretado como o da Figura 09.
Figura 09 - Exemplo de um neurônio não linear (adaptado de Haykin, 2001).
XVIII Simpósio Brasileiro de Recursos Hídricos
11
Em termos matemáticos, pode-se descrever o neurônio escrevendo o seguinte par de equações
(Haykin, 2001):
m
uk = ∑ wkj x j
(1)
j =1
e
yk = ϕ (uk + bk )
(2)
Os dados de saída dos neurônios são enviados para a camada de saída onde sofrem mais uma
aplicação de pesos iw[i+1,m] e coeficiente de tendência “bias” b[k+1]. A camada de saída
comporta-se como um neurônio que recebe os resultados dos neurônios da camada oculta e resulta
nos valores de saída apresentados em valores y1,1, y2,1, y3,1, y4,1, y5.
Os nove neurônios correspondentes aos dados de entrada são: [i] comprimento da conduta do
sistema estudado, [ii] variação do nível entre reservatórios, [iii] diâmetro da conduta, [iv]
velocidade média anual do vento na região de estudo, [v] energia anual média produzida por uma
turbina eólica, [vi] o caudal no sistema, [vii] a queda útil no sistema, [viii] energia média anual
produzida pela micro-turbina e [ix] a energia consumida pelo sistema de bombeamento. Conectado
aos neurônios de entrada existem 4 camadas ocultas com respectivamente 40, 30, 20 e 10 neurônios
cada, conectadas através de funções de tangentes hiperbólicas. Na camada de saída existem 5
neurônios, representando a otimização de diferentes configurações do sistema, representando o
VAL do sistema utilizando apenas a rede elétrica nacional (VAL REN), o VAL da configuração da
rede elétrica nacional com turbina eólica (VAL REN+Eol), o VAL da configuração da rede elétrica
nacional com turbina hídrica (VAL REN+Hidro) e da configuração da rede elétrica nacional com
turbina eólica e turbina hídrica(VAL REN+Hidro+Eol) e um neurônio com o número de turbinas
eólicas para a melhor escolha. Para essas análises apenas as fontes renovável hídrica e eólica foram
consideradas.
Redes neuronais de retro propagação (Back propagation) processam informações interligando
processos de transformação de elementos (freqüentemente denominadas neurônios, unidades, ou
nós). Esses nós são organizados em grupos denominados camadas. Existem três tipos distintos de
camadas em uma rede neural de retro propagação: a camada de entrada, camada oculta ou ocultas e
da camada de saída. Uma rede é constituída por uma camada de entrada, uma ou mais camadas
ocultas e uma camada de saída. As ligações existem entre os nós de camadas adjacentes para
retransmitir os sinais de saída de uma camada para a próxima. Redes totalmente ligadas ocorrem
quando todos os nós em cada camada recebem ligações de todos os nós em cada camada anterior.
As informações entram numa rede através dos nós da camada de entrada. Os nós da camada de
entrada são os únicos em que a sua única finalidade é a de distribuir a informação de entrada para a
próxima camada de transformação (isto é, a primeira camada oculta). A camada oculta e de saída
XVIII Simpósio Brasileiro de Recursos Hídricos
12
dos nós processa todos os sinais através da aplicação de fatores a elas (denominado pesos). Cada
camada tem também um elemento adicional chamado nó de “bias”. Nós de “bias” simplesmente
debitam um sinal de “bias” para os nós da camada atual. Todas as entradas para um nó são
ponderadas, combinadas e em seguida, processadas através de uma função de transferência, que
controla a intensidade do sinal retransmitido através do nó de saída das conexões.
Essa função de transferência, também denominada função de restrição ou de ativação, impõe
uma amplitude do sinal de saída para um valor finito. Tipicamente a amplitude de normalização dos
dados de saída de um neurônio é definida como um intervalo fechado de [0,1] ou [-1,1]. Nesse
estudo a amplitude de normalização utilizada foi de [-1,1] e a rede neural criada utiliza a funções de
tangente hiperbólica descritas a seguir.
f (Y ) =
(tanh(Y ) + 1)
(3)
2
Após o procedimento de entrada de dados na rede, o processo de treinamento é iniciado para
se obter os pesos e coeficientes de “bias” para o procedimento da concepção da rede e posterior
validação. Várias tentativas são feitas para a obtenção de uma rede fiável, modificando o número de
redes ocultas, de neurônios, e de funções de transferências usadas, até a obtenção de uma rede cujos
erros quadrados médios sejam os menores. Após a obtenção dessa rede fiável, testes foram feitos
com valores de novos dados gerados pelo MCSE para o processo de validação da rede proposta.
Cada grupo de dados de entrada foi calculado através do MCSE com várias configurações do
recurso disponível (e.g. vento, hidráulica) dependendo das condições meteorológicas e do sistema e
que estão indicadas no Quadro 01.
Quadro 01- Configurações dos dados utilizadas para determinar o melhor sistema híbrido.
Configuração
das soluções
1
2
3
4
5
6
Vel. do
vento m/s
4,70
4,70
4,70
5,90
5,90
5,90
Caudal
l/s
19,00
48,00
106,00
19,00
48,00
106,00
No fim do treinamento, a rede neural adotada é a que apresenta o menor RMSE e uma boa
correlação dentre as diversas testadas. Na Figura 10 a comparação da dispersão dos dados alvo
normalizada versus os valores de saída da rede ilustram uma boa aproximação com o ótimo
desejado.
XVIII Simpósio Brasileiro de Recursos Hídricos
13
Figura 10 - Comparação da dispersão dos dados alvo normalizados versus saídas da rede.
4 – RESULTADOS E DISCUSSÕES
A melhor solução híbrida determinada através do MCSE foi a baseada no sistema híbrido
alimentado pela rede elétrica nacional em conjunto com turbinas eólicas e turbinas hidráulicas
(REN+EOL+Hidro), para variáveis de velocidade do vento de 5,9 m/s e caudal de 19 l/s, com um
valor de VAL de 1,26 milhões de Euros e com 3 turbinas eólicas instaladas.
A primeira etapa foi comparar todos os resultados do MCSE com a RNA (Figura 11),
demonstrando uma boa aproximação entre os valores. A melhor configuração do sistema é aquela
que corresponde ao maior valor de VAL, e tanto no MCSE quanto na RNA, o melhor valor é o da
configuração REN+EOL+Hidro com a configuração da solução nº 4.
Resultados MCSE x RNA
MCSE ‐ configuração 1
MCSE ‐ configuração 2
1,50 €
MCSE ‐ configuração 3
MCSE ‐ configuração 4
MCSE ‐ configuração 5
MCSE ‐ configuração 6
1,00 €
RNA ‐ configuração 1
VAL em Milhões de Euros
RNA ‐ configuração 2
RNA ‐ configuração 3
0,50 €
RNA ‐ configuração 4
RNA ‐ configuração 5
RNA ‐ configuração 6
‐ €
‐0,50 €
‐1,00 €
REN
REN + Eol
REN + Hidro
REN + Hidro + Eol
Configurações dos sistemas de energia
Figura 11 - Resultados do MCSE versus RNA.
A solução da RNA possui um erro relativo de 1,19% comparado com o do MCSE. Para
determinar o número de turbinas eólicas a instalar para a melhor configuração, o neurônio com o
número de turbinas eólicas demonstrava o valor 3, o mesmo alcançado pelo MCSE.
Uma comparação entre os resultados do MCSE e da RNA na configuração
(REN+EOL+Hidro) está descrita na Figura 12, confirmando que o melhor resultado é alcançado
com a configuração de solução nº 4.
XVIII Simpósio Brasileiro de Recursos Hídricos
14
VAL em milhões de Euros
MCSE x RNA (VAL Ren+Eol+Hidro)
1,50E+06
1,00E+06
5,00E+05
MCSE
RNA
0,00E+00
-5,00E+05
1
2
3
4
5
6
Configuração de dados
Figura 12 - Comparação entre os resultados alcançados pelo MCSE e pela RNA em diferentes configurações de dados
(VAL REN+Eol+Hidro).
Para garantir que todas as respostas da RNA possuem uma boa aproximação, comparações
entre a RNA e o MCSE são efetuadas com os outros dados provenientes das outras configurações
de sistemas e são apresentadas nas Figuras 13-15.
VAL em milhões de Euros
MCSE x RNA (VAL Ren)
0,00E+00
-1,00E+05
-2,00E+05
-3,00E+05
MCSE
-4,00E+05
RNA
-5,00E+05
-6,00E+05
1
2
3
4
5
6
Configuração de dados
Figura 13 - Comparação entre os resultados alcançados pelo MCSE e pela RNA em diferentes configurações de dados
do sistema REN.
MCSE x RNA (VAL REN+Eol)
VAL em milhões de Euros
1,50E+06
1,00E+06
5,00E+05
MCSE
0,00E+00
RNA
-5,00E+05
-1,00E+06
1
2
3
4
5
6
Configuração de dados
Figura 14 - Comparação entre os resultados alcançados pelo MCSE e pela RNA em diferentes configurações de dados
do sistema REN+Eol.
VAL em milhões de Euros
MCSE x RNA (VAL Ren+Hidro)
2,00E+04
1,00E+04
0,00E+00
-1,00E+04
-2,00E+04
MCSE
-3,00E+04
RNA
-4,00E+04
-5,00E+04
1
2
3
4
5
6
Configuração de dados
Figura 15 - Comparação entre os resultados alcançados pelo MCSE e pela RNA em diferentes configurações de dados
do sistema REN+Hidro.
XVIII Simpósio Brasileiro de Recursos Hídricos
15
5 – CONCLUSÕES
A aplicação de soluções híbridas baseadas em fontes de energia renováveis são soluções ideais
para reduzir a dependência externa aos combustíveis fósseis, poluentes e sujeitos a constantes
flutuações no mercado com significantes implicações econômicas ao nível mundial. A melhor
solução híbrida a ser adotada num determinado sistema de abastecimento é uma tarefa complexa,
exigindo a otimização de várias funções objetivo sujeitas a análises multicritério funções de
penalidade, que requerem modelos computacionais avançados onde o desenvolvimento de
ferramentas adicionais apresentam alguma complexidade.
Com os resultados encontrados neste estudo pode-se concluir que a rede neural desenvolvida
se comporta de acordo com os resultados obtidos no MCSE, mostrando fiabilidade aceitável em
termos de soluções possíveis. Contudo, a RNA possui limitações em termos de espaço de dados e
nos tipos de fontes renováveis usadas para esta modelação.
Para trabalhos futuros, pretende-se analisar um maior número de características do sistema e
incluir soluções híbridas estendidas, por forma ao modelo ser ainda mais robusto e abrangente.
AGRADECIMENTOS
Os autores agradecem a CAPES - Coordenação de Aperfeiçoamento de Pessoal de Nível
Superior, através da bolsa de doutorado pleno no exterior concedida ao primeiro autor, a FCT –
Fundação para a Ciência e a Tecnologia, através dos projetos PPCDT/ECM/58375/2004 e
PTDC/ECM/65731/2006, assim como ao CEHIDRO – Centro de Estudos de Hidrossistemas do
Departamento de Engenharia Civil do Instituto Superior Técnico (Lisboa - Portugal).
BIBLIOGRAFIA
ARAUJO, L. D. S.;RAMOS, H. M., et al. (2003). "Optimisation of the use of valves in a network
water distribution system for leakage minimisation". CCWI (Computing and Control for the Water
Industry). Imperial College, UK
BAHIA, S. R. (1998). "Eficiência energética nos sistemas de saneamento". Río de Janeiro-RJ:
IBAM/PROCEL/ELETROBRAS. 1998. 76 p.
BAXTER, C. W.;ZHANG, Q., et al. (2001). "Drinking water quality and treatment: the use of
artificial neural networks", Canadian Journal of Civil Engineering 28, (2001), p.26-35.
CARRIJO, I. B.;REIS, L. F. R., et al. (2004). "Multi-objective Optimization in the Operation of a
Water Distribution System using the Elitist Evolutionary Algorithm(SPEA) - a Case Study from
Brazil. In Decision Support in the Water Industry Under Conditions of Uncertainty". ACTUI2004Centre for Water Systems. Exeter, UK. 1: 8 p.
XVIII Simpósio Brasileiro de Recursos Hídricos
16
CENTRAIS ELÉTRICAS BRASILEIRAS S.A. - ELETROBRÁS. (2004). "PROINFA - Minuta do
Contrato de Compra e Venda de Energia – Fonte Eólica". Rio de Janeiro, Brasil: Centrais Elétricas
Brasileiras S.A. - ELETROBRÁS,: 18 p.
CHEN, J. F. (1996). "Analysis of an adaptive time-series autoregressive moving-average (ARMA)
model for short-term load forecasting", (doi:10.1016/0140-6701(96)87639-9), Fuel and Energy
Abstracts 37, (1996), p.108-108.
CHEUNG, P. B. (2004). "Análise de reabilitação de redes de distribuição de água para
abastecimento via algoritmos genéticos multiobjetivo". (Doctor). Departamento de Hidráulica e
Saneamento, Escola de Engenharia de São Carlos da Universidade de São Paulo, São Carlos, Brasil,
2004. 289 p.
COMISSÃO EUROPÉIA. (2001). "Directiva 2001/77/EC para da promoção da electricidade
produzida a partir de fontes de energia renovável no mercado interno de electricidade".
Departamento De Energia Da Comissão Européia: Official Journal of the European Communities. L
283: 33-40 p.
CONSELHO DE MINISTROS. (2001). "Resolução do Conselho de Ministros nº. 154/2001". E. P.
Imprensa Nacional - Casa Da Moeda. Lisboa: Diário da República. I-SÉRIE-B: 6648 - 6649 p.
CONSELHO DE MINISTROS. (2003). "Resolução do Conselho de Ministros nº. 63/2003". E. P.
Imprensa Nacional - Casa Da Moeda. Lisboa: Diário da República. I-SÉRIE-B: 2722-2731 p.
DASH, P. K.;LIEW, A. C., et al. (1995). "Fuzzy and neuro-fuzzy computing models for electric
load forecasting", Engineering Application of Artificial Intelligence 8, n.4, (1995), p.10.
DIAS, J. L. R. (2008). "Aplicação de Redes Neuronais em Engenharia Sísmica". (Doctor).
Departamento de Estruturas, Instituto Superior Técnico de Lisboa, Lisboa, 2008. 171 p.
EMPRESA DE PESQUISA ENERGÉTICA. (2008). "Balanço Energético Nacional 2008: Ano
base 2007". Rio de Janeiro, RJ, Brasil: Empresa de Pesquisa Energética – EPE: 244 p.
FALKENBERG, A. V. (2005). "Previsão de consumo urbano de água em curto prazo". (Master).
Universidade Federal do Paraná, Curitiba, PR / Brasil, 2005. 105 p.
FERNANDES, R. T. (2005). "Supervisão de um sistema híbrido eólico/diesel usando lógica fuzzy".
(Master). Universidade Federal de Mato Grosso do Sul, Campo Grande - MS, 2005. 118 p.
FLORENT, G.;BERNARDT, B., et al. (1998). "Drinking water demand using an hourly timestep".
The Fifth International Conference on Neural Information Processing. Japan. 3: 3 p.
FORMIGA, K. T. M.;CHAUDHRY, F. H., et al. (2006). "Otimização multiobjetivo de redes de
abastecimento de água". VI SEREA - Seminário Iberoamericano sobre Sistemas de Abastecimento
Urbano de Água. Ufpb. João Pessoa (Brasil): UFPB: 13 p.
GALVÃO, C. O. e VALENÇA, M. J. S. (1999). "Sistemas Inteligentes: aplicações a recursos
hídricos e sistemas ambientais". Porto Alegre, RS, Brasil: Ed. Universidade/UFRGS/ABRH. 1999.
246 p.
GONÇALVES, F. V. e RAMOS, H. M. (2008). "Metodologia de optimização multi-objectivo com
RNA da eficiência energética quando integrada na gestão operacional de SAA". In: H. M. Ramos,
D. I. C. Covas, et al (Ed.). Alterações Climáticas e Gestão da Água e Energia em Sistemas de
Abastecimento e Drenagem. Lisboa - Portugal, p.494-504
XVIII Simpósio Brasileiro de Recursos Hídricos
17
GUPTA, A.;SAINI, R. P., et al. (2006). "Modelling of Hybrid Energy System for Off Grid
Electrification of Clusters of Villages". Power Electronics, Drives and Energy Systems, 2006 PEDES '06., 2006. 5 p.
HAYKIN, S. (2001). "Redes Neurais: princípios e prática". Porto Alegre: Bookman. 2001. 900 p.
KALOGIROU, S. A. (2001). "Artificial neural networks in renewable energy systems applications:
a review", Reneable & Sustainable Energy Reviews, n.5, (2001), p.373-401.
LIU, J.;SAVENIJE, H. H. G., et al. (2003). "Forecast of water demand in Weinan City in China
using WDF-ANN model", (doi:10.1016/S1474-7065(03)00026-3), Physics and Chemistry of the
Earth, Parts A/B/C 28, n.4-5, (2003), p.219-224.
MINISTÉRIO DE MINAS E ENERGIA. (2009a). "Balanço Energético Nacional - Slides e
Apresentações - Slide 4 (Energia Elétrica - Brasil)". Brasília, DF, Brasil
MINISTÉRIO DE MINAS E ENERGIA. (2009b). "Balanço Energético Nacional - Slides e
Apresentações - Slide 6 (Renováveis - Brasil)". Brasília, DF, Brasil
OZAWA, K.;NIIMURA, T., et al. (1999). "Fuzzy time-series model of electric power
consumption". IEEE Canadian Conference on Electrical and Computer Engineering., 1999. 11951198 vol.2-1195-1198 vol.2 p.
PROCEL. (2009). "Apresentação - área de atuação Procel Sanear"
RAMOS, H. M.;COVAS, D. I. C., et al. (2005). "Available energy assessment in water supply
systems". XXXI IAHR Congress. Seoul, Korea
RAMOS, H. M.;COVAS, D. I. C., et al. (2006). "Energia Renovável em Sistemas de
Abastecimento". XXII Congreso Latino-Americano de Hidráulica. Iahr. Ciudad Guayana,
Venezuela: IAHR
RAMOS, H. M. e MELLO, M. (2007). "Micro-Hydro in Water Supply Systems". Hydro2007.
Granada, Spain
RAMOS, J. S. e RAMOS, H. M. (2009). "Sustainable application of renewable sources in water
pumping systems: optimised energy system configuration", (doi:10.1016/j.enpol.2008.10.006),
Energy Policy 37, n.2, (2009), p.633-643.
RAO, Z. e ALVARRUIZ, F. (2007). "Use of an artificial neural network to capture the domain
knowledge of a conventional hydraulic simulation model", (doi:10.2166/hydro.2006.014), Journal
of Hydroinformatics 9, n.1, (2007), p.15-24.
REIS, A. J. R. e SILVA, A. P. A. (2003). "Previsor neural de carga elétrica baseado na
transformada wavelet discreta". VI Congresso Brasileiro de Redes Neurais. São Paulo: Brazilian
Conference on Neural Networks, 2003. 6 p.
RODRIGUES, D. D. (2002). "Previsão de fornecimento de energia elétrica: um estudo de caso do
ponto de vista do barramento". (Master). Universidade Federal de Minas Gerais, Belo Horizonte,
MG / Brasil, 2002.
SILVA, F. D. G. B. D.;REIS, L. F. R., et al. (2003). "Modelo de Calibração de Rede de
Distribuição de Água Considerando Fugas: Estudo de Caso do Setor Real Monte Carlo". Desafios
à Gestão da Água no Limiar do Século XXI. Curitiba-PR: ABRH, 2003. 20 p.
XVIII Simpósio Brasileiro de Recursos Hídricos
18
SOUSA, C. A. M. E. (2007). "Optimização multicritério da operação de sistemas de abastecimento
de água utilizando algoritmos genéticos". (Master). Departamento de Engenharia Civil, Instituto
Superior Técnico - IST, Lisboa, 2007. 207 p.
SOUSA, C. M.;COVAS, D. I. C., et al. (2007). "Multiobjective Optimization of Water Supply
Systems Operation Using Genetic Algorithms". Proceedings of the Combined International
Conference of Computing and Control for the Water Industry (CCWI2007) and Sustainable Urban
Water Management (SUWM2007) Water Management Challenges in Global Change, 2007,
Leicester. B. Ulanicki, K. Vairavamoorthy, et al. De Montford Leicester, UK: Taylor and
Francis/Balkema: 425-432 p.
SOUSA, C. M.;COVAS, D. I. C., et al. (2007). "Optimização da operação de sistemas de
abastecimento de água utilizando algoritmos genéticos. Caso de estudo: sub-sistema da Póvoa/Vila
do Conde". I Conferência INSSAA. Modelação de Sistemas de Abastecimento de água.
Implementação sustentada e integração na indústria da água. Barcelos, Portugal
SOUSA, T. N.;PREGITZER, R. G., et al. (2005). "Estudo do panorama das energias renováveis na
União Europeia e sugestões para Portugal", APDEE. Associação Portuguesa para a Promoção e
Desenvolvimento da Engenharia Electrotécnica, (2005).
TERCIOTE, R. (2002). "Análise da eficiência de um sistema eólico isolado". (Master). Faculdade
de Engenharia Mecanica, UNICAMP, Campinas, 2002. 152 p.
TSUTIYA, M. T. (2001). "Redução do custo de energia elétrica em sistemas de abastecimento de
água". São Paulo- SP: ABES - Associação Brasileira de Engenharia Sanitária e Ambiental. 2001.
185 p.
VALENÇA, M. J. D. S. e LUDERMIR, T. B. (2001.). "Multivariate modelling of water resources
time series using constructive neural networks". Brazilian Conference on Neural Network - V
Congresso Brasileiro de Redes Neurais, Rio de Janeiro, pp. 163-168. Rio de Janeiro, RJ, Brasil,
2001. 6 p.
VIEIRA, F. e RAMOS, H. M. (2008). "Hybrid Solution and Pump-Storage Optimization in Water
Supply System Efficiency: A Case Study", (doi:10.1016/j.enpol.2008.07.040), Energy Policy 36,
n.11, (2008), p.4142-4148.
VIEIRA, F. e RAMOS, H. M. (2009). "Optimization of operational planning for wind / hydro
hybrid Water Supply Systems", (doi:10.1016/j.renene.2008.05.031), Renewable Energy 34, n.3,
(2009), p.928-936.
ZHANG, B. L. e DONG, Z. Y. (2001). "An adaptive neural-wavelet model for short term load
forecasting", Electric Power Systems Research 59, n.2, (2001), p.9.
XVIII Simpósio Brasileiro de Recursos Hídricos
19