Uso de Redes Neurais Artificiais para aumentar a confiabilidade dos sistemas elétricos

Rede de Transmissão de Energia

O sistema elétrico está cada vez mais complexo, integrando diferentes fontes de geração de grande capacidade (fotovoltaica, eólica, biomassa, etc.) e de geração distribuída de até 5MW dos prosumers (consumidores que geram sua própria energia). As redes neurais artificiais são ferramentas importantes para auxiliar na gestão do sistema elétrico, identificando fatores (elétricos, mecânicos, hidráulicos e comportamentais dos consumidores) para melhorar o planejamento e controle.

As fontes de energia fotovoltaica e eólica apresentam intermitência de geração devido as oscilações da velocidade do vento e níveis de irradiação solar, tornando complexa a previsão de geração e, consequentemente, o planejamento de curto prazo para atender a demanda dos consumidores, que pode ser maior que o consumo. Como a energia gerada deve ser consumida imediatamente, deve haver mecanismos para escoamento do excedente, desperdiçando energia, porém com custos extras para as concessionárias.

A velocidade do vento está diretamente relacionada a potência dos aerogeradores da geração eólica. Entretanto, existem fatores associados como densidade do vento, que varia com a pressão atmosférica e temperatura. A irradiação solar para a produção de energia fotovoltaica está relacionada com as condições climáticas, como chuvas e nebulosidade. Na geração distribuída, a quantidade de energia entregue no sistema elétrico integrado depende do consumo interno de cada prosumer, que varia dependendo das condições climáticas, feriados, eventos esportivos, etc.

A forma mais simples de previsão é utilizar o histórico de eventos. Existem estatísticas de consumo de energia elétrica durante os jogos de futebol do Brasil nas Copas do Mundo e a variação do consumo de energia durante o intervalo. Imagine quantos vão até a geladeira pegar uma cerveja acionando a luz interna do refrigerador.

A adição de novas fontes independentes de energia a previsão não é mais trivial. Os sistemas de proteção do sistema elétrico precisam ser revistos e calibrado para atender as novas características de geração, transmissão e distribuição de energia. A informação é crucial para garantir a confiabilidade do sistema.

Evitará, por exemplo, um apagão de grandes proporções como ocorreu em março de 2018 quando um disjuntor da linha de transmissão de Belo Monte estava configurado de forma incorreta, afetando mais de 70 milhões de pessoas e danificando várias turbinas da hidrelétrica de Estreito no Maranhão. A causa raiz do problema, segundo o Operador Nacional do Sistema (ONS), foi uma falha humana, onde o disjuntor deveria ser programado apenas para dar um alarme e não “abrir” interrompendo a transmissão de energia.

O exemplo de Belo Monte mostra a necessidade cada vez maior de automação na gestão do sistema elétrico. Decisões humanas podem ser incorretas e causar prejuízos imensos. A evolução dos carros autônomos sem a necessidade de motorista mostra que sistemas baseados em redes neurais artificiais podem gerenciar sistemas complexos, incluindo os sistemas de energia.

Obviamente, para atingirmos um nível ótimo de automação serão necessários altos investimentos no sistema elétrico. Entretanto, uma única falha pode gerar prejuízos monumentais e ser maior que os investimentos em automação.

As redes neurais artificiais consideram todos os dados disponíveis para análise e definem pesos entre conexões de neurônios da rede, automaticamente, usando diferentes modelos matemáticos. Desta forma, a umidade relativa do ar é considerada para prever a potência de geração de um aerogerador eólico, uma vez que compõe a densidade do vento.

Modelo de Rede Neural Artificial
Figura 1. Rede Neural Artificial

Uma rede neural artificial usa uma abordagem diferente para resolver. A solução de um problema usando um software convencional usa algoritmos, ou seja, o software segue uma sequência de instruções para resolver o problema. Em contraste, uma rede neural imita os neurônios do cérebro humano, que aprende através de exemplos e erros.

As redes neurais possuem nós ou unidades de processamento. Cada unidade possui ligações para outras unidades, nas quais recebem e enviam sinais. Cada unidade pode possuir memória local. Essas unidades são a simulação dos neurônios, recebendo e retransmitindo informações. Somam-se as entradas e se retorna uma saída, caso esta seja maior que o valor da soma.

Uma rede neural pode possuir uma ou múltiplas camadas. O exemplo da figura 1 mostra três camadas: uma camada de entrada, em que as unidades recebem os dados; uma camada oculta (ou intermediária), onde é feito processamento e a identificação dos padrões; e a camada de saída, que apresenta o resultado. Quanto maior o número de camadas, melhor a capacidade de aprendizado. A fase de aprendizagem consiste em fornecer dados como entrada e informar qual é a saída (resposta) esperada.

A camada de entrada deve possuir uma unidade especial conhecida como bias, usada para aumentar os graus de liberdade, permitindo uma melhor adaptação, por parte da rede neural, ao conhecimento a ela fornecido.

O gerenciamento do sistema elétrico no futuro bem próximo só será possível através de inteligência artificial devido a complexidade da integração de diferentes tecnologias com características próprias.