A necessidade da modernização
O aumento da demanda energética e a sustentabilidade são os principais motivos para a transição energética que, por sua vez, necessita de um sistema de geração, transmissão e distribuição mais eficiente. Para isso, medidas como a digitalização de subestações e a implementação de sistemas inteligentes tornam-se prioridades. Tendo em vista, a redução nos custos e consumo, aumento da eficiência, confiabilidade e segurança.
Na rede elétrica, a digitalização, com a aplicação da automação, permite a supervisão e o comando à distância e com o uso de algoritmos inteligentes, a detecção e diagnóstico de faltas e defeitos, o gerenciamento do fluxo de potência, ocorre de forma mais otimizada e rápida.
Smart Grids
As Smart Grids (redes inteligentes) são redes elétricas mais modernas que permitem a bidirecionalidade do fluxo energético, o que favorece a integração da geração distribuída no sistema elétrico. A Smart Grid é um conceito que une a tecnologia da informação à automação, visando-se obter um controle baseado em dados obtidos através de sensores e medidores inteligentes. Além disso, ainda é possível, através de ferramentas computacionais, realizar decisões de forma automática.
A Smart Grid surgiu com o intuito principal de empoderar a descentralização da geração de energia elétrica, impulsionando a transição energética através da geração a partir de fontes renováveis nas microrredes. Dessa forma, o país diminui a dependência das termelétricas, que emitem gases poluentes através da queima de combustíveis fósseis.
Fonte: AUTOSSUSTENTAVEL. Disponível em: <https://autossustentavel.com/2018/08/smart-grid.html>. Acesso em outubro, 2022
Machine Learning
Uma maior eficácia na análise do comportamento da rede e a capacidade de se tomar decisões de forma automática é possível através do uso do Machine Learning (aprendizado de máquina), área da IA (Inteligência Artificial). Por meio desse artifício, é possível adquirir conhecimento de forma automática e tomar decisões baseadas em experiências acumuladas por meio da solução de problemas.
O processo começa pela extração de dados, depois é feito o reconhecimento de padrões, classificação e, por fim, é estabelecido o resultado da saída. Essa saída, no sistema de potência, define a melhor a solução para a previsão de geração e carga, resposta de demanda, cibersegurança, detecção de faltas e proteção.
Redes Neurais Artificiais
As redes neurais artificiais ou RNAs possuem estruturas similares ao do sistema nervoso central e são modelos computacionais que fazem parte do processo da machine learning. As RNAs são capazes de resolver problemas que os humanos não conseguem e em curto espaço do tempo, entre eles: aproximação, predição, classificação, categorização e otimização. Algumas das aplicações da RNA, na rede elétrica, são para previsões de demanda de energia e carga elétrica, processo e controle de qualidade.
A forma de aprendizado mais usada pelo ser humano é o aprendizado indutivo, que se baseia no raciocínio de exemplos e generalização. As neurais também utilizam o método indutivo. O aprendizado indutivo pode ser dividido em supervisionado e não-supervisionado. Ao primeiro é fornecido dados rotulados com a resposta correta, enquanto no segundo, os exemplos fornecidos são analisados, tentando-se agrupar em agrupamentos ou clusters, que depois é organizado de acordo com o significado no contexto do problema que está sendo analisado.
As redes neurais podem ser simples ou profundas, elas possuem camadas de entrada, ocultas e de saída. No caso da RNAs simples, as camadas de entrada recebem os exemplos que são processados e enviados, através dos nós, até a camada oculta ou escondida, que, por sua vez, analisam e processam os dados das entradas e os enviam para as saídas. Por outro lado, as RNAs profundas processam os dados da entrada mais de uma vez, isto é, elas possuem estruturas similares ao do sistema nervoso central, existem múltiplas camadas que processam ainda mais os dados da anterior até se obter o resultado que chegará à saída.
Fonte: NUTRIMOSAIC. Disponível em: <https://nutrimosaic.com.br/redes-neurais-artificiais-aplicadas-a-zootecnia/>
A RNA simples depende do ser humano para fornecer os dados corretos que serão utilizados na análise, contudo, o principal objetivo de um sistema inteligente é automatizar o máximo possível o processo. Nesse sentido, o aprendizado profundo, por meio da RNA profunda, permite que seja introduzido ao algoritmo apenas dados brutos que, por sua vez, é analisado de forma independente.
Aplicação do aprendizado de máquina no sistema elétrico
O machine learning é utilizado em diversos domínios de aplicações na rede elétrica integrada, como a operação em tempo real, percepção compreensiva e a realização de decisões inteligentes.
A operação em tempo real permite a resiliência do sistema com o mecanismo self healing (auto reparação), que identifica e corrige falhas de forma automática e rápida. Além disso, com operação em tempo real, é possível controlar o armazenamento de energia da geração distribuída, detectar ataques cibernéticos, anomalias de sistema e gerenciar sistemas de diversas fontes de geração.
A percepção compreensiva é dada através da análise do comportamento do consumo de carga; previsão de carga, geração e preço; infraestrutura avançada de medição e a monitoração da condição de equipamentos elétrico.
A realização de decisões inteligentes contribui no planejamento otimizado do sistema; mercado de energia; na vida útil de equipamentos elétricos, condutores e dispositivos de proteção; gerenciamento de risco no sistema elétrico e demanda.
Referências
https://www.sciencedirect.com/science/article/pii/S2352484721007356?via%3Dihub#sec1
https://ieeexplore.ieee.org/document/8783340
https://www.iea.org/reports/digitalisation
https://www.gta.ufrj.br/ensino/eel878/redes1-2016-1/16_1/smartgrid/
https://aws.amazon.com/pt/what-is/neural-network/
GALLOTTI, V. D. M. Intelligent electric power networks (Smart Grids). Research, Society and Development, [S. l.], v. 10, n. 9, p. e30010918322, 2021. DOI: 10.33448/rsd-v10i9.18322. Disponível em: https://rsdjournal.org/index.php/rsd/article/view/18322. Acesso em: outubro de 2022.
REZENDE, Solange Oliveira. Sistemas Inteligentes: Fundamentos e Aplicações. Barueri, SP: Editora Manole Ltda, 2003. ISBN 8520416837.
