• Fox IoT

Impactos da Inteligência Artificial no Setor Elétrico

Atualizado: Jan 20

A Inteligência Artificial vem revolucionando a indústria nos últimos anos e resolvendo problemas, que antes eram onerosos em tempo e dinheiro, de maneira muito mais eficaz. Problemas de visão computacional, processamento de linguagem natural e diversas outras aplicações só são possíveis graças aos avanços nessa área.


Com a expansão e modernização dos Sistemas Elétricos de Potência, aumentam também o número de variáveis envolvidas no processo de otimização. Entretanto, este aumento de variáveis reflete diretamente na redução das relações lineares entre elas. Dessa forma, torna-se muito difícil o processamento por parte dos algoritmos tradicionais.


Desenvolvida para imitar a inteligência humana, a Inteligência Artificial engloba diversas áreas, sendo as mais comuns atualmente Machine Learning e Deep Learning. Alguns exemplos de aplicações no setor elétrico são o uso de sistemas experts, que contém informações de um domínio específico, métodos de machine learning, que encontram padrões e fazem inferências sem instruções específicas, algoritmos de deep learning, capaz de encontrar padrões abstratos imperceptíveis pelos humanos, e sistemas de controle com Lógica Fuzzy.


Métodos como a Lógica Fuzzy já são conhecidos pelo setor elétrico. A lógica Fuzzy tem como objetivo modelar o modo aproximado de raciocínio, tentando imitar a habilidade humana de tomar decisões racionais em um ambiente de incertezas. Atualmente, a Lógica Fuzzy está disseminada entre as mais variadas aplicações, desde produtos de consumo até sistemas de suporte à decisão e também está presente nos sistemas híbridos. Os sistemas híbridos usam da combinação de duas ou mais técnicas de modelagem, como alinhar Lógica Fuzzy a Redes Neurais.


Algoritmos Genéticos são outro método que encontramos em aplicações em sistemas de potência, como na minimização de perdas elétricas e também na parte de minimização de investimentos no planejamento de sistemas de distribuição, por exemplo. Fazendo parte dos Algoritmos Evolutivos e fortemente influenciados pela natureza, os Algoritmos Genéticos são algoritmos baseados em busca e otimização que tem como inspiração a seleção natural e genética. Esses algoritmos começaram a popularizar-se nos últimos anos devido às diversas vantagens que apresentam sobre outros métodos de optimização. Além de conseguir otimizar funções contínuas e discretas, esse algoritmo também se destaca pelo paralelismo e eficiência quando comparado com métodos tradicionais. Além disso, os algoritmos genéticos não entregam apenas uma solução, mas uma lista delas, sempre melhorando a resposta ao longo do tempo.


Apesar disso, a revolução nas aplicações de Inteligência Artificial ocorreu recentemente junto com o avanço no poder computacional e o Big Data. Métodos de Deep Learning, como as Redes Neurais, se tornaram viáveis e promoveram a solução de diversos problemas nas mais diversas áreas. As Redes Neurais Artificiais (RNA) são um dos principais pilares do Deep Learning. Inspiradas no cérebro humano, as RNA levam esse nome pois tem conexões e motivações biológicas. Assim como no cérebro humano, onde unidade mais básica de processamento é o neurônio, as RNA possuem um elemento que processa impulsos, ou entradas, e que também é chamado de neurônio ou nó. Caso queria rever esses conceitos veja nosso post sobre redes neurais.


Nesse texto vamos falar de dois problemas presentes no setor de Utilities: perdas não-técnicas e previsão de consumo e demandas. Além disso, mostramos como as Redes Neurais podem ser utilizadas para resolvê-los.


Identificação de Perdas Não Técnicas:


As perdas no setor de distribuição de energia elétrica podem ser classificadas de duas formas: perdas técnicas e perdas não técnicas. As perdas técnicas representam a parcela inerente ao transporte de energia, adequações de tensão e outros processos. Já as perdas não técnicas, também conhecidas como perdas comerciais, provém do processo de faturamento do consumo de energia, indo desde ao furto e fraude do medidor até erros de medidas e leituras equivocadas pelos leituristas. Dentre as irregularidades que o consumidor pode cometer estão o furto de energia e fraude. O furto ocorre a partir de ligações clandestinas de cargas a rede elétrica, fazendo com a energia consumida não seja contabilizada pela concessionária. E a fraude ocorre na manipulação do equipamento de medida, sendo enquadrada como estelionato.


Através do sensoriamento remoto e da classificação da superfície terrestre, é possível identificar-se processos naturais, como tipos de superfícies, tipos de vegetação, zonas rochosas e também intervenções humanas, como construções, barragens e estradas. Através de modelos de aprendizagem profunda, pode-se prever essas classes em uma dada imagem. Pode-se ainda utilizar técnicas de detecção de objetos, para identificar casas, estações de distribuição e torres de transmissão. Assim, utilizando sensoriamento remoto e inteligência artificial é possível criar um modelo de aprendizagem profunda na detecção de perdas não técnicas, para a identificação de furtos de energia. Isso irá permitir que empresas de energia elétrica tenham uma maior eficácia na localização de furtos na rede elétrica, reduzindo o tempo e o investimento com equipe de campo e aumentando sua assertividade.


Assim, existem muitos esforços para a localização de perdas de energia por furto, realizando um mapeamento de possíveis ligações clandestinas. Uma abordagem é a utilização de imagens de satélite para a identificação de residência e propriedades e o cruzamento de informações com o sistema de localização de equipamentos da concessionária de energia. A partir da imagens localiza-se construções e ao cruzar com a localização dos transformadores de distribuição, por exemplo, pode se estabelecer um limite e ao identificar a quebra deste uma possível irregularidade é informada.


Para esse desafio, hoje a Fox IoT conta com uma solução inovadora para combater às perdas não técnicas de energia do setor de distribuição, principalmente furtos de energia elétrica. A ferramenta Hefesto AI faz a identificação de possíveis irregularidades na rede através de imagens de satélite, identificando ligações clandestinas a partir da comparação entre a distância de construções (Imagens) e a rede de distribuição (GIS).


Figura 1 – Passos para a identificação de possíveis irregularidades.

Primeiramente é feita a localização de residências afastadas e então o cruzamento com o GIS das concessionárias. Como resultado, temos uma resposta visual baseada na distância das construções ao transformador mais próximo.


Após o cruzamento das duas informações, é possível medir as distâncias entre os transformadores e as construções, tentando identificar as construções fora do grid, que podem representar instalações irregulares e gerar um relatório para que uma equipe se desloque até o local para verificar.


Figura 2 - Distância entre transformadores e construções.
Figura 3 – Exemplo de residência muito longe do grid da rede elétrica.

Previsão de consumo e demanda no setor industrial:


O consumo energético continua crescendo cada vez mais com o passar do tempo, e consequentemente surgem problemas globais, como o efeito estufa. Além disso, técnicas de machine learning vem ganhando espaço no setor de inteligência artificial com o objetivo de encontrar padrões que permitam o consumidor utilizar a energia de maneira mais correta e com menos custos no fim do mês.


Assim, empresas começam a mobilizar-se para desenvolver algoritmos que são aplicáveis ao setor energético, especialmente para monitorar o consumo de uma unidade consumidora (UC) e tornar esses infinitos dados utilizáveis em um sistema de previsão de consumo de energia através de redes neurais ou regressões lineares.


Pensando nisso, a Fox IoT desenvolveu o serviço Ceos AI, o qual é um sistema de duas funcionalidades diferentes: a primeira delas é o de monitoramento e previsão de consumo energético, que é responsável por aplicar os dados produzidos por nossos medidores de energia e gerar previsões futuras para o cliente. Baseado no histórico de consumo dos últimos meses, conforme mostra a Figura 4, aplica-se os dados de maneira inteligente ao desenvolvimento de um modelo computacional, o qual identifica tendências e padrões através da sazonalidade da UC e permite prever o consumo energético futuro.


Figura 4 - Histórico do consumo diário de uma unidade consumidora.

A Figura 5 mostra o resultado da aplicação mensal, a qual permite que o cliente visualize em reais o gasto para a próxima semana. Acreditamos que uma tradução de energia em custo permite ao usuário estimar suas economias na conta de energia e tomar decisões baseadas nisso. E você, já pensou em economizar no próximo mês?



Figura 5 – Previsão de consumo para o mês seguinte gerado pelo serviço Ceos AI.

A segunda funcionalidade a qual o Ceos AI é responsável leva em conta a demanda de energia de um setor industrial. Há determinados consumidores que além de pagar pelo custo de energia consumida, eles devem pagar pela demanda contratada, isso significa que a concessionária é obrigada a entregar uma potência mínima para o consumidor, ou seja, ele paga pela necessidade de uma demanda de uso fixo. Caso ultrapasse por esse valor, ele paga uma multa. Pensando nisso, nosso serviço permite ao usuário uma previsão da demanda energética em até 1 hora, possibilitando a redução da demanda e consequentemente reduzindo o número de multas por infringir a norma.


Por fim, a inteligência artificial é um ramo amplo e que possui diversas aplicações no setor energético. Entre esses desafios, a Fox IoT busca cada vez mais integrar ao serviço monitoramento de energia, com o objetivo de nossos clientes criarem um consumo consciente e um maior controle sobre os custos da conta de energia elétrica.


Publicado por: Matheus Jacques e João Brum

35 visualizações0 comentário

Posts recentes

Ver tudo