 Estatísticos Fernando e Amauri.  Ex-colaboradores da CPFL.  Curva de Carga, Previsão de Demanda e Gestão de Mercado.  PhD. Miguel Taube.  Modelagem.

Apresentação em tema: " Estatísticos Fernando e Amauri.  Ex-colaboradores da CPFL.  Curva de Carga, Previsão de Demanda e Gestão de Mercado.  PhD. Miguel Taube.  Modelagem."— Transcrição da apresentação:

1

2  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. Parceria

3 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.

4 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

5 Estrutura do Sistema: Equipamento (Subestações, Alimentadores) Consumidor Ponto de Medição Curvas Carga Data 96 pontos

6 Agilidade: MS Office (Word/Excel) SE (Registradores) ERP (SAP) Sistema Consumidor (Registradores) MainFrame Subestação (GD)

7 Regras de Negócio: Processos Matemáticos da Previsão Processos de análise dos critérios Recursos Matemáticos: Operações Sobre as Curvas Curva Típica Previsões

8 Componentes do Sistema : Formatador Seletor Visualizador

9

10 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

11 Visualizador: Filtro Dinâmico Seleção / Exclusão de curvas Exportação (Excel) Cargas Ativo Reativo Aparente Fator de Potência

12 Visualizador: Operações Soma Subtração Média Desvio Padrão Multiplicação por escalar

13 Visualizador: Processos Máximas e Mínimas Curva Típica Concatenação

14

15 FECHAMENTO

16 SE SANTA GENEBRA

17 CURVAS CONCATENADAS

18 Curva Típica e Desvios

19

20

21 SE SANTA GENEBRA

22

23 Massa de Dados x Resultante

24 Previsão x Resultante

25 Evolução da Previsão (Dia Útil)

26

27 PREVISÃO DE DEMANDA DE SUBESTAÇÕES Projeto CPFL / SEST / UNISOMA Apresentador: Armando Z. Milioni Instituto Tecnológico de Aeronáutica

28 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

29 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)

30 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

31 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.

32 Curvas de um mês m para uma subestação S

33 Apenas os dias úteis do mês m para a subestação S

34 Curva de Referência em Destaque (sem Higienização)

35 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.

36 Curva de Referência em Destaque (sem Higienização)

37 Curva de Referência em Destaque (após Higienização)

38 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.

39 Curvas Selecionadas (Top Ten) e Curva Resultante em Destaque

40 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.

41 Curvas Selecionadas (kVar) antes Higienização e Dia da Referência em Destaque

42 Curvas Selecionadas (kVar) após Higienização e Resultante em Destaque

43 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

44 Evolução da Série Histórica Mensal e Ajuste do Modelo para o Ponto de Máxima

45 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

46 Previsto x Observado Carga Ativa (Março 2001)

47 Previsto x Observado Carga Reativa (Março 2001)

48 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.

49 V. Objeto de Desenvolvimento Estudo Decenal Diversificado (15 anos): Metodologia; Implementação.

50 Contato : e-mail: fernando@unisoma.com Fone: (19) 3208-0006

51 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