Discente: ELIAS AMANCIO DE SIQUEIRA FILHO
Título: MODELOS HÍBRIDOS MULTIVARIADOS BASEADOS NA CORREÇÃO DE ERRO PARA PREVER O CONSUMO DE COMBUSTÍVEL DE USINAS TERMOELÉTRICAS MOVIDAS A ÓLEO DIESEL/HFO
Orientador: PROF. DR. CARMELO JOSÉ ALBANEZ BASTOS FILHO
Examinador interno: PROF. DR. MANOEL HENRIQUE NÓBREGA MARINHO
Examinador externo: PROF. DR. PATRÍCIA TEIXEIRA LEITE ASANO
Data: 24 DE MARÇO DE 2023
Horário: 09:00
Local: ONLINE
Resumo do projeto:
Monitorar e controlar parâmetros operacionais relacionados a motores diesel/HFO utilizados em UTEs se tornou uma atividade essencial para garantir a confiabilidade do sistema, principalmente em períodos emergenciais. Devido à complexidade inerente ao processo, o controle dos parâmetros operacionais dos motores, que muitas vezes já são monitorados em tempo real, comumente se baseia conhecimento técnico da equipe e em modelos matemáticos simplificados que podem resultar em observações limitadas sobre o comportamento físico do sistema. Uma alternativa para esta tarefa é a utilização de métodos de previsão de séries temporais que buscam generalizar as características do sistema com base em informações passadas. Contudo, apesar destas técnicas serem amplamente aplicadas em UTEs movidas a carvão e gás natural, a análise da operação de motores diesel/HFO de grande porte utilizados em usinas brasileiras sob o regime de despachos foi pouco explorada. Dessa forma, dada as características tipicamente complexas atreladas ao consumo de combustível destes motores durante a geração de energia elétrica, este trabalho buscou investigar a capacidade de generalização de padrões por meio da aplicação de modelos lineares, não-lineares e híbridos de previsão em um banco de dados representativo de um grupo motogerador utilizado em uma usina localizada em Pernambuco. Adicionalmente, foi avaliado o impacto da adição de variáveis exógenas aos modelos univariados com base na análise de causalidade ao longo do tempo que buscou não apenas inferir a relação entre sinais, mas também identificou o regime de influência desta causalidade ao longo do tempo. Em síntese, foi possível observar que os modelos lineares AR e ARIMA-PSO possuíram desempenhos similares entre operações, apesar da melhor aderência do modelo ARIMA-PSO para captação de períodos de ajuste de carga. Em contrapartida, as abordagens não lineares NAR e XGBoost obtiveram desempenho significativamente superiores, especialmente na captação de distúrbios relacionados as etapas de rampa, desligamento e oscilações bruscas no consumo de combustível, apesar de serem inferiores na previsão em plena carga e da alta sensibilidade atrelada ao modelo XGBoost. A etapa de seleção de variáveis exógenas inicialmente identificou melhoria de desempenho ao se utilizar 8 diferentes sinais adicionais. Contudo, a causalidade de cada sinal ao longo das operações indicou que apenas 4 variáveis auxiliaram a previsão do consumo de formas distintas. A introdução destes sinais aos modelos ARIMAX e NARX resultou apenas em melhorias significativas a abordagem não-linear que foi capaz de reconhecer distúrbios operacionais mais rapidamente em comparação aos outros modelos analisados. Além disso, a aplicação dos modelos híbridos aditivos e multivariados proporciou a capacidade de detecção de variações mais complexas e, ao mesmo tempo, a estabilidade do modelo durante a operação em plena carga, se beneficiando da captação de características lineares e não-lineares da modelagem combinada.
Palavras-chave: Previsão de Séries Temporais, Metodologia Box & Jenkins, Aprendizado de Máquina, Modelagem Híbrida, Causalidade
O Programa
