Os acadêmicos Maria Elvira Piñeiro Maceira e Albert Cordeiro Geber de Melo participaram da conferência internacional Probabilistic Methods Applied to Power Systems – PMAPS 2020, realizada entre 18 e 21 de agosto. Patrocinada pela Power and Energy Society do IEEE (the Institute of Electrical and Electronics Engineers dos EUA) e pela PMAPS International Society, esta 16ª edição da PMAPS estava programada para ocorrer em Liège, Bélgica, mas, devido à pandemia do COVID-19, aconteceu de forma virtual.

A conferência PMAPS já se configurou no principal fórum para engenheiros e pesquisadores, em todo o mundo, compartilharem e discutirem suas experiências, ideias e pesquisas sobre métodos probabilísticos e estatísticos aplicados a sistemas de energia. Ressaltam ainda que nas últimas edições do PMAPS observa-se uma tendência no aumento do número de trabalhos com aplicações de machine learning em sistemas de potência, aplicadas especialmente em fontes intermitentes de energia.

Maria Elvira apresentou o artigo Periodic Time Series Model with Annual Component Applied to Operation Planning of Hydrothermal Systems, em coautoria com Felipe Treistman (colaborador do Cepel na época do desenvolvimento do trabalho, e atualmente no ONS), Jorge Damazio (pesquisador do Cepel e professor da UERJ) e Cristiane Cruz (pesquisadora do Cepel), na sessão Optimization under uncertainty. O trabalho descreve uma metodologia desenvolvida para o aprimoramento da memória de modelos auto-regressivos periódicos – PAR(p).

“Trata-se de um avanço, tanto metodológico, quanto de implementação computacional, nas áreas de hidrologia e otimização estocásticas. A modelagem PAR(p) é empregada pelo modelo GEVAZP (Modelo de Geração de Cenários de Energias e Vazões Periódicas) na geração de cenários sintéticos de afluências aos modelos NEWAVE (Modelo de Planejamento da Operação de Sistemas Hidrotérmicos Interligados de Longo e Médio Prazo), DECOMP (Modelo de Planejamento da Operação de Sistemas Hidrotérmicos Interligados de Curto Prazo) e SUISHI (Modelo de Simulação a Usinas Individualizadas de Subsistemas Hidrotérmicos Interligados), e foi estendida para a ampliação da sua memória, por meio da inclusão de um novo termo na equação de auto-regressão de cada período sazonal, representado pela média das 12 últimas afluências, sendo a nova metodologia denominada de PAR(p)-A”, observa Maria Elvira. O objetivo deste desenvolvimento foi melhor representar a persistência de uma tendência hidrológica incomum, com reflexos no despacho e na formação do preço spot (PLD). Desde 2013, a região Nordeste e parte da região Sudeste do Brasil estão passando por um longo período mais seco, com vazões mensais na grande maioria inferiores às médias de longo termo, enquanto parte da região Sul está passando por um período mais úmido prolongado, com vazões mensais, na grande maioria, superiores à média de longo termo. Estes cenários sintéticos são elementos cruciais para aplicação do algoritmo de otimização empregado nos modelos da cadeia energética do Cepel.

Os resultados já obtidos mostraram que o aprimoramento melhorou, de fato, a memória do modelo PAR(p) original e conseguiu estender por um tempo maior uma tendência hidrológica de grande persistência trazendo benefícios para a política de operação calculada pelo modelo NEWAVE. Maria Elvira ainda destaca que a utilização explícita das séries sintéticas de afluências aos aproveitamentos hidroelétricos, geradas pelo modelo PAR(p)-A no modelo NEWAVE, implicou estender a derivação dos cortes de Benders do algoritmo de Programação Dinâmica Dual Estocástica (PDDE). Este outro desenvolvimento foi consolidado em relatório técnico entregue no último mês de julho para a Comissão Permanente de Análise de Metodologias e Programas Computacionais do Setor Elétrico – CPAMP, coordenada pelo MME (Ministério das Minas e Energia) e com participação da ANEEL (Agência Nacional de Energia Elétrica), NOS (Operador Nacional do Sistema) , CCEE (Câmara de Comercialização de Energia Elétrica)
e EPE (Empresa de Pesquisas Energéticas).

Tanto o modelo PAR(p)-A quanto a sua introdução no algoritmo PDDE foram considerados prioritários pela CPAMP e pelos agentes para validação no ciclo de trabalho 2020/2021.

Já Albert Melo foi coautor do artigo A Methodology for Joint Data Cleaning of Solar Photovoltaic Generation and Solar Irradiation, em conjunto com José Francisco Pessanha (pesquisador do Cepel e professor da UERJ), Roberto Caldas (ex-pesquisador do Cepel) e com o também acadêmico Djalma Falcão (professor da Coppe/UFRJ), na sessão Applications of machine learning, deep learning & reinforcement learning. O trabalho descreve uma metodologia para correção de registros discrepantes e preenchimento de lacunas de dados nas medições de irradiação solar e geração solar fotovoltaica.

O desempenho de modelos de previsão e de geração de cenários depende da qualidade dos dados utilizados. Falhas no sistema de medição e no manuseio dos dados podem corromper os registros de dados, tais como lacuna de dados, dados errôneos, dados discrepantes e erros na datação dos registros. Dessa forma, torna-se relevante o desenvolvimento de metodologias para tratamento de dados de medições de fontes intermitentes. Uma primeira abordagem foi desenvolvida para o tratamento de dados de medições de irradiação solar e geração solar fotovoltaica com granularidade horária. O procedimento é realizado em etapas sequenciais, combinando técnicas estatísticas (análise exploratória de dados, regressão linear e regressão não paramétrica) e redes neurais artificiais (Mapa de Kohonen)”, aplicadas na análise de dados de medição e de reanálise. A abordagem proposta foi eficaz na correção de dados defeituosos ou ausentes, sem modificar significativamente os dados restantes.

Albert Melo enfatiza que este trabalho se constitui em um bom exemplo de uma tendência atual, que consiste na utilização conjunta de métodos estatísticos e de aprendizagem de máquina. “Há várias classes de problemas em sistemas elétricos que demandam uma grande quantidade de dados para serem resolvidos. Nestes casos, soluções mais eficientes podem ser conseguidas por meio da combinação de abordagens baseadas em modelos probabilísticos e estatísticos (model-driven) e baseadas em dados (data-driven)” observa o acadêmico, e cita como exemplo “o gerenciamento de risco, confiabilidade e resiliência em sistemas elétricos, devido à elevada penetração de fontes renováveis intermitentes e aos impactos da mudança do clima, além da tendência na aceleração da digitalização dos sistemas”.