Controlador de demanda de energia utilizando inteligência computacional

• Ano de defesa: 2016
• Autor(a) principal: Vieira, Mateus Coelho
• Orientador(a): Lacerda, Wilian Soares
• Banca de defesa: Ferreira, Danton Diego, Botega, Juliana Vilela Lourençoni
• Tipo de documento: Dissertação
• Tipo de acesso: Acesso aberto
• Idioma: por
• Instituição de defesa: Universidade Federal de Lavras
• Programa de Pós-Graduação: Programa de Pós-Graduação em Engenharia de Sistemas e Automação
• Departamento: Departamento de Engenharia
• País: brasil
• Palavras-chave em Português: Energia elétrica – Consumo; Controladores elétricos; Electric power consumption; Electric controllers
• Área do conhecimento CNPq: Automação Eletrônica de Processos Elétricos e Industriais
• Link de acesso: https://repositorio.ufla.br/handle/1/12133

Na atual situação mundial de escassez de recursos, a economia de energia elétrica tornou-se algo relevante. Sendo assim, a Universidade Federal de Lavras, com o objetivo de evitar a ultrapassagem da demanda de energia elétrica contratada, adquiriu um sistema controlador de demanda. O controlador de demanda em seu funcionamento deixou alguns aspectos a desejar, principalmente no que diz respeito à prioridade definida para o desligamento das cargas menos essenciais. Por essa razão, conduziu-se, este trabalho, com o objetivo de melhorar o desempenho do controlador de demanda, otimizando, de forma inteligente e dinâmica, a prioridade de desligamento das cargas. Para isso, foram utilizados conhecimentos de inteligência computacional para a criação de um sistema automatizado que aliado ao controlador de demanda possa obter um melhor desempenho. Sabendo-se que o controlador de demanda trabalha com o desligamento de cargas para não ultrapassagem da demanda, e que as cargas a serem desligadas são ares-condicionados, um sistema de classificação da prioridade de cada carga foi desenvolvido, bem como um sistema de previsão da demanda de energia elétrica para os próximos 15 minutos. A metodologia empregada foi baseada em Redes Neurais Artificiais para o desenvolvimento de dois sistemas computacionais trabalhando paralelamente. Quando analisados os resultados simulados do sistema desenvolvido, verifica-se que para o previsor de cargas, a média e desvio para o EMQ na fase de teste foi de 0,00006701 ± 0,00000262720; o coeficiente R² de treinamento obtido foi de 0,9634 ± 0,00289; e o R² de teste obtido foi de 0,987 ± 0,00152. Para a classificação, verificou o valor do EMQ na fase de treinamento em 0,0014436. Também foi observado o índice Kappa de acertos da sequência geral em 0,8239, conclui-se que o controlador de demanda obteve uma otimização do processo de desligamento das cargas.