Embed Size (px)
Citation preview
Estatísticos Fernando
e Amauri.
Ex-colaboradores da
CPFL.
Curva de Carga,
Previsão de Demanda
e Gestão de Mercado.
PhD. Miguel Taube.
Modelagem Matemática
e Estatística.
Logística, Planej. e
Controle de Produção e Previsão de Demanda.
Consultores:
PhD. Milioni,
MSc. Eduardo, e
MSc. Luzia.
Bacharel em Computação
Michel Cusnir.
Desenvolvimento em
Tecnologia de Software.
Desenvolvimento de
Sistemas, Integração de
Sistemas e Tecnologias,
Consultoria em Tecnologia
de Informação.
Programador: Marcos Piaia.
ParceriaParceria
• Objetivo do Sistema:
• Fornecer a previsão de demanda, por barramento, para os estudos de planejamento da operação e da expansão do sistema de transmissão da CPFL e para o ONS;
• Ferramenta de análise de dados de curvas de carga de subestações, alimentadores e consumidores.
• Facilidade de uso e Interatividade:
• Critérios
• Desafio:
• Possibilitar acesso às informações das curvas
• Manter a flexibilidade no acesso a esses dados
• Possibilitar a identificação da curva requisitada pelo usuário
• Solução:
• Abstrair o contexto das informações
• Viabilizar ao usuário filtrar o que ele quiser
• Estrutura do Sistema:
Equipamento(Subestações,Alimentadores)
Consumidor
Ponto de Medição
Curvas
•Carga•Data•96 pontos
• Agilidade:
MS Office (Word/Excel)
SE (Registradores)
ERP (SAP)
Sistema
Consumidor (Registradores)
MainFrame
Subestação (GD)
• Regras de Negócio:
• Processos Matemáticos da Previsão
• Processos de análise dos critérios
• Recursos Matemáticos:
• Operações Sobre as Curvas
• Curva Típica
• Previsões
• Componentes do Sistema :
Formatador
Seletor
Visualizador
Carregar
Selecionar
Recarregar
Apagar
Importar
Exportar
Aparência
Filtro Dinâmico:
- Selecionar curvas
Alterar Cores das Curvas
Estatística
Excluir Curvas
Selecionar Curvas
Operações :
Soma e Subtração
Média e Desvio-Padrão
Potência Aparente
Potência Ativa e Reativa
Fator de Potência
Curva Típica
Máximas e Mínimas
•Visualizador:
• Filtro Dinâmico
• Seleção / Exclusão de curvas
• Exportação (Excel)
• Cargas
•Ativo
•Reativo
•Aparente
•Fator de Potência
•Visualizador:
• Operações
•Soma
•Subtração
•Média
•Desvio Padrão
•Multiplicação por escalar
•Visualizador:
• Processos
•Máximas e Mínimas
•Curva Típica
•Concatenação
FECHAMENTO
SE SANTA GENEBRA
CURVAS CONCATENADAS
Curva Típica e Desvios
SE SANTA GENEBRA
Massa de Dados x Resultante
Previsão x Resultante
Evolução da Previsão (Dia Útil)
PREVISÃO DE DEMANDA DE SUBESTAÇÕES
Projeto CPFL / SEST / UNISOMA
Apresentador: Armando Z. Milioni
Instituto Tecnológico de Aeronáutica
I. Objetivos
II. Magnitude do Problema
III. Metodologia de Previsão
Tratamento aos Dados
Modelagem
IV. Caraterísticas do Sistema
V. Objeto de Desenvolvimento
PREVISÃO DE DEMANDA DE SUBESTAÇÕES
I. Objetivos:
Previsão de Curvas de Carga Ativa e Reativa por Subestações e Global para dia útil, sábado e domingo:
• Curto Prazo (mensal e quadrimestral)
• Médio Prazo (16 meses)
• Longo Prazo (48 meses)
Estudo Decenal Coincidente (10 anos)
Estudo Decenal Diversificado (15 anos)
II. Magnitude do Problema:
Previsão de Curvas de Carga (96 pontos)
Tipos de Carga: Ativa e Reativa (2)
Subestações: 250 aproximadamente
Tipos de dia: útil, sábado e domingo (3)
Curto Prazo: 4 meses * 2 * 3 * 250 = 6.000 curvas
ou 6.000 * 96 = 576 mil pontos
Histórico de 60 meses: 1800 *2 * 250 = 900 mil curvas
900.000*96 = 86,4 milhões de pontos
III. Metodologia de Previsão:
Tratamento aos Dados
Dia útil:
Obtenção da “Curva de Referência”;
Higienização da “Curva de Referência”;
Algoritmo “Top Ten”;
Obtenção da “Curva Resultante”: ativo e reativo.
Sábados e domingos:
Higienização de todas as curvas;
Obtenção da “Curva Resultante”: ativo e reativo.
Curvas de um mês m para uma subestação S
0
1000
2000
3000
4000
5000
6000
1 4 7 10
13
16
19
22
25
28
31
34
37
40
43
46
49
52
55
58
61
64
67
70
73
76
79
82
85
88
91
94
Apenas os dias úteis do mês m para a subestação S
0
1000
2000
3000
4000
5000
6000
1 3 5 7 9 11 13 15 17 19 21 23 25 27 29 31 33 35 37 39 41 43 45 47 49 51 53 55 57 59 61 63 65 67 69 71 73 75 77 79 81 83 85 87 89 91 93 95
Curva de Referência em Destaque (sem Higienização)
0
1000
2000
3000
4000
5000
6000
1 4 7 10
13
16
19
22
25
28
31
34
37
40
43
46
49
52
55
58
61
64
67
70
73
76
79
82
85
88
91
94
III. Metodologia de Previsão:
Tratamento aos Dados
Dia útil:
Obtenção da “Curva de Referência”;
Higienização da “Curva de Referência”;
Algoritmo “Top Ten”;
Obtenção da “Curva Resultante”: ativo e reativo.
Sábados e domingos:
Higienização de todas as curvas;
Obtenção da “Curva Resultante”: ativo e reativo.
Curva de Referência em Destaque (sem Higienização)
0
1000
2000
3000
4000
5000
6000
1 4 7 10
13
16
19
22
25
28
31
34
37
40
43
46
49
52
55
58
61
64
67
70
73
76
79
82
85
88
91
94
Curva de Referência em Destaque (após Higienização)
0
1000
2000
3000
4000
5000
6000
1 4 7 10
13
16
19
22
25
28
31
34
37
40
43
46
49
52
55
58
61
64
67
70
73
76
79
82
85
88
91
94
III. Metodologia de Previsão:
Tratamento aos Dados
Dia útil:
Obtenção da “Curva de Referência”;
Higienização da “Curva de Referência”;
Algoritmo “Top Ten”;
Obtenção da “Curva Resultante”: ativo e reativo.
Sábados e domingos:
Higienização de todas as curvas;
Obtenção da “Curva Resultante”: ativo e reativo.
Curvas Selecionadas (Top Ten) e Curva Resultante em Destaque
0
1000
2000
3000
4000
5000
6000
III. Metodologia de Previsão:
Tratamento aos Dados
Dia útil:
Obtenção da “Curva de Referência”;
Higienização da “Curva de Referência”;
Algoritmo “Top Ten”;
Obtenção da “Curva Resultante”: ativo e reativo.
Sábados e domingos:
Higienização de todas as curvas;
Obtenção da “Curva Resultante”: ativo e reativo.
Curvas Selecionadas (kVar) antes Higienização
e Dia da Referência em Destaque
0
500
1000
1500
2000
2500
3000
3500
Curvas Selecionadas (kVar) após Higienização e Resultante em Destaque
0
500
1000
1500
2000
2500
3000
3500
Seleção dos pontos de interesse:
Horários: 3, 6, 9, 12, 15, 18, 22, 24 e
ponto da máxima;
Série histórica dos pontos: resultantes
Projeção da série histórica dos pontos:
modelo de séries temporais de Holt-Winter;
Montagem final das curvas projetadas:
geração dos perfis da evolução horária (máscara).
III. Metodologia de Previsão: Modelagem
Evolução da Série Histórica Mensal e Ajuste do Modelo para o Ponto de Máxima
7000
9000
11000
13000
15000
17000
19000
21000
observado
ajustado
Seleção dos pontos de interesse:
Horários: 3, 6, 9, 12, 15, 18, 22, 24 e
ponto da máxima;
Série histórica dos pontos: resultantes
Projeção da série histórica dos pontos:
modelo de séries temporais de Holt-Winter;
Montagem final das curvas projetadas:
geração dos perfis da evolução horária (máscara).
III. Metodologia de Previsão: Modelagem
Previsto x Observado Carga Ativa (Março 2001)
0
2000
4000
6000
8000
10000
12000
14000
16000
18000
previsão
observado
Previsto x Observado Carga Reativa (Março 2001)
0
1000
2000
3000
4000
5000
6000
7000
80001 5 9
13
17
21
25
29
33
37
41
45
49
53
57
61
65
69
73
77
81
85
89
93
previsão
observado
IV. Características do Sistema
• Sistema integrado e modulável, com duas funcionalidades:
armazenamento, tratamento e visualização de curvas de carga;
previsão de demanda.
• Sistema de previsão com processamento automático e com possibilidade de intervenção.
V. Objeto de Desenvolvimento
• Estudo Decenal Diversificado (15 anos):
Metodologia;
Implementação.
•Onde queremos chegar:
• Modulação de Curvas
• Acesso via WEB
• Cálculo de Perdas
• Tipologia
• Integração com o GIS
• Desagregação por classe de consumo
• Atendimento aos grandes consumidores
