MODELO DE REDE NEURONAL ARTIFICIAL PARA AVALIAÇÃO DE SISTEMAS HÍBRIDOS DE ENERGIA EM REDES DE ABASTECIMENTO DE ÁGUA

MODELO DE REDE NEURONAL ARTIFICIAL PARA AVALIAÇÃO DE

SISTEMAS HÍBRIDOS DE ENERGIA EM REDES DE

ABASTECIMENTO DE ÁGUA

Resumo – Os sistemas de abastecimento de água são grandes consumidores de energia,

utilizada principalmente em estações de bombagem e instalações de tratamento, sendo, portanto, a melhoria da eficiência energética uma prioridade importante para os gestores desses sistemas. O actual trabalho apresenta um modelo computacional, baseado em redes neuronais para a determinação da melhor configuração de um sistema híbrido de geração de energia, a ser aplicado a um sistema típico de abastecimento de água. Os componentes da energia utilizada para estabelecer esse sistema híbrido são a rede eléctrica nacional, as micro-hídricas e as turbinas eólicas. A rede neuronal artificial é composta de três layouts e treinada usando os dados gerados por um modelo de optimização de configuração híbrida (e.g. HOMER). A razão para o desenvolvimento de um modelo avançado de previsão baseado em redes neurais é de permitir uma rápida simulação e adequada interacção com outros modelos de simulação hidráulica (e.g. EPANET). Os resultados mostram que este modelo computacional avançado é útil como suporte à decisão na concepção de configurações de sistemas de energia híbrida aplicadas a sistemas de abastecimento de água ou outro sistema hídrico existente, podendo melhorar as soluções no âmbito do desenvolvimento da sua eficiência energética.

Abstract – Water supply systems are large consumers of energy mainly used in pumping

stations and treatment plants, being, therefore, the improvement of energy efficiency, and a major priority for water utilities. The current research work presents a computational model based on neural networks for the determination of the best hybrid energy-generation system configuration to be applied to a typical water system. The components of the energy used to establish this hybrid system are the electrical grid, micro hydropower turbines and wind generator systems. The artificial neural network (ANN) is composed of three hidden layers and is trained using data generated by the optimization hybrid configuration model (e.g. HOMER). The reason for the development of an advanced prediction model based on neural network algorithm is to allow for a rapid simulation and adequate interaction with other hydraulic simulation models (e.g. EPANET). Results have shown that this advanced computational model is useful for decision support systems in the design of hybrid energy configurations applied to water supply systems or other existent hydro-systems which can improve their solutions within new energy efficiency conception.

Palavras chave: sistemas sustentáveis, energias renováveis, sistemas de abastecimento de

água, redes neuronais artificiais, sistemas de energia híbridos.

Keywords: sustainable systems, renewable energy, water supply systems, artificial neural

network, hybrid energy systems. 1

Doutorando do DECivil – Instituto Superior Técnico – Av. Rovisco Pais, 1049-001 – LISBOA – Portugal – e– mail: fabio.vero@gmail.com

INTRODUÇÃO

Nas últimas décadas os gestores de sistemas de abastecimento de água vem se preocupando com a redução do consumo de energia, bem como com as mudanças climáticas. O recente aumento dos preços do petróleo fez da busca de alternativas de geração de energia através de fontes renováveis uma realidade, tornando as energias renováveis como valioso recurso energético, nomeadamente através da utilização de soluções energéticas híbridas.

Soluções híbridas de geração de energia são viáveis para aplicações em sistemas de abastecimento de água que necessitam reduções de custos com a componente energética. Estas soluções têm a vantagem de a produção de energia com base na sua própria energia hidráulica disponível, bem como de fontes renováveis locais disponíveis, economizando na compra de energia produzida por fontes fósseis contribuindo para a redução das emissões de CO2.

Sustentabilidade absoluta do fornecimento de electricidade é um conceito simples: não esgotamento dos recursos mundiais sem acúmulo de resíduos. Sustentabilidade relativa é um conceito mais realista e útil na comparação a sustentabilidade das duas ou mais tecnologias de geração. Portanto, só renováveis são absolutamente sustentáveis. No entanto, qualquer discussão sobre a sustentabilidade não deve negligenciar a capacidade ou não de novas tecnologias para apoiar o bom funcionamento da infra-estrutura de distribuição de energia eléctrica (Omer, 2008).

A preocupação com o consumo de energia em sistemas de abastecimento de água é cada vez maior, induzindo os gestores desses sistemas à buscar soluções óptimas para a melhoria da eficiência energética de tais sistemas. A utilização de fontes renováveis de energia está a aumentar, impulsionada pela crescente preocupação com os efeitos do aquecimento global e do consumo excessivo de combustíveis fósseis, mas ainda longe do nível desejado. A aplicação de soluções híbridas baseadas em fontes de energia renováveis é uma solução ideal para reduzir a dependência dos combustíveis fósseis. A melhor solução híbrida a ser adoptada em um determinado sistema é uma tarefa árdua e complexa, assim como sua optimização, que requerem modelos computacionais onde o desenvolvimento de ferramentas adicionais pode tornar-se difícil (Gonçalves e Ramos, 2008b).

Este trabalho visa apresentar uma rede neuronal artificial que simula um modelo de optimização para obter a melhor configuração de um sistema híbrido de geração de energia para um sistema típico de abastecimento de água.

ESTADO DA ARTE

Conceitos Básicos

Ao contrário de um sistema de geração de energia convencional, um sistema híbrido, por definição, é um, que utiliza um mecanismo alternativo de tecnologias para atingir objectivos semelhantes ou seja, uma constante e fiável fonte de energia. Fontes de energia renováveis assumem formas diferentes, cada uma associada com pontos fortes e fracos, dependendo do local de aplicação e tipo de fontes, mas quando combinados poderiam configurar uma solução integrada para alcançar a melhoria da eficiência energética. A necessidade de uma constante fonte fiável de energia é fundamental, bem como a quantidade necessária (Seare, 1999).

As necessidades de consumo de água, os objectivos ambientais e a poupança de energia se tornaram a principal preocupação crescente nos últimos anos e irão se tornar mais importantes em um futuro próximo. Para isso, energia para sistemas de bombagem utilizada para fornecer água às populações é necessária, o que representa o principal custo da água para as empresas, o custo energético (Vieira e Ramos, 2008a).

Como é conhecido, fontes renováveis são geralmente dependentes da climatologia, onde o potencial produtivo pode ser previsto, mas não controlado. Uma alternativa para um aumento da eficiência energética é a diminuição de custos e uma diminuição da dependência de factores climáticos utilizando sistemas híbridos de produção de energia complementares em sistemas de abastecimento de água, removendo a dependência na rede nacional de energia, mas obtendo também energia de sistemas de geradores eólicos, fotovoltáicos, biomassa, micro hidráulica, entre outras fontes.

A energia renovável gera múltiplos benefícios públicos, como a melhoria do ambiente (redução do efeito estufa, poluição sonora e térmica), a redução dos efeitos da volatilidade dos preços da energia sobre a economia, a segurança económica nacional, uma vez que a energia fóssil é vulnerável à instabilidade política, conflitos comerciais, embargos e outras perturbações, aumento da produtividade económica e do produto interno bruto através de uma maior eficiência dos processos produtivos (Menegaki, 2008).

A energia renovável representa uma opção viável para a geração de energia, uma vez que os recursos energéticos renováveis estão disponíveis localmente; sua utilização resulta em benefícios ambientais através da redução das emissões de CO2 e outros poluentes; contribui

para a criação de emprego promovendo a coesão económica e social; estimula a competitividade da indústria; aumenta a segurança e estabilidade no fornecimento de energia descentralizada, reduzindo as importações.

A União Europeia (UE), com a Directiva 2001/77/CE, reconhece a necessidade de promover fontes de energia renováveis considerando os vectores estratégicos na protecção ambiental e o desenvolvimento sustentável (Comissão Européia, 2001). Através desta directiva, a UE estabeleceu a meta indicativa para a Europa para a produção a partir de fontes renováveis, 22% da electricidade consumida. Espera-se para alcançar este objectivo através de quotas efectuadas pelos Estados-Membros diferentes. Esta quota foi recentemente revista, com a adesão de 10 novos Estados-Membros, reduzindo para 21% (Sousa et al., 2005).

Em Portugal, a directiva da UE levou a um plano estratégico para a promoção de fontes de energia renováveis, denominado Programa E4 (eficiência energética e energias endógenas) (Conselho De Ministros, 2001). Com este programa de apoio, Portugal pretende atingir a meta de 39% da produção de electricidade a partir de fontes renováveis de energia, de acordo com o estabelecido na directiva 2001/77/CE. Para este efeito, Portugal deverá aumentar cerca de 5 mil milhões de euros de investimento para este sector (Conselho De Ministros, 2003).

Sistemas de Energia Híbrida

Sistemas de geração de energia híbridos têm recebido muita atenção ao longo da última década. É uma solução alternativa viável em relação aos sistemas, que dependem inteiramente de combustíveis a base de hidrocarbonetos. Para além da mobilidade do sistema, também possui um ciclo de vida alargado (Gupta et al., 2006).

Um exemplo de um sistema de geração de energia híbrido, integrado no sistema de abastecimento de água aparecem na Figura 1, onde um sistema de abastecimento composto de reservatórios e bombas podem ser abastecidos com energia eléctrica através de um sistema híbrido, o que levaria em conta a curva de consumo, o tarifário eléctrico, características ambientais e o próprio sistema. Em geral, o sistema funciona com a rede nacional de energia, mas durante o pico de maior custo na tarifa eléctrica, a energia eléctrica do sistema poderia ser fornecida por fontes renováveis como a eólica, fotovoltaica ou micro turbinas instaladas no sistema adutor. Quando a curva do preçário da energia forem menores, a energia da rede nacional é utilizada para a bomba, quando a curva do preçário da energia tiver um preço mais elevado, as fontes renováveis de energia são utilizadas no sistema de bombeamento ou utiliza-se a micro turbina para gerar energia excedente para a venda.

Figura 1. Exemplo de uma solução de um sistema de energia híbrida integrado em um sistema de abastecimento de água.

Condições da Modelagem

Em Gupta et al. (2006) a revisão da literatura revela que a modelagem do sistema híbrido da energia e suas aplicações em modo descentralizado são bastante limitadas. Os modelos aplicados, são baseadas em um dos recursos disponíveis, enquanto a literatura é centrada em um ou dois recursos disponíveis. Além disso, tentativas para desenvolver uma combinação óptima de energias de diferentes recursos para satisfazer as necessidades energéticas da população rural também são limitadas. Aplicação de modelos para combinar a energia de demanda projectada com uma combinação de fontes de energia em um nível descentralizado é limitada.

Softwares (como o HOMER, PVSYST) foram utilizados por vários pesquisadores (Gabrovska et al., 2004; Gupta et al., 2006; Barsoum e Vacent, 2007; Gonçalves e Ramos, 2008b; a; Ramos e Ramos, 2008; Vieira e Ramos, 2008a; b), para projectar e investigar

alternativas de sistemas de energia no nosso país, sendo normalmente desenvolvidas por centros de investigação europeus ou americanos (Gabrovska et al., 2004). A necessidade de um software para optimizar a gestão de uma energia eléctrica no sistema híbrido com processos específicos de controlo operacional existe.

Em outros casos (Jafar e Shahrour, 2007; Vieira e Ramos, 2009) o software MATLAB foi utilizado para criar programas de modelagem em sistemas hídricos e na optimização de energia. Em (Vieira e Ramos, 2008a) a programação linear foi usada para criar um modelo de optimização que determina o melhor horário de funcionamento para 1 dia, de acordo com a tarifa eléctrica, para um sistema de armazenamento de água e consumo. Outros autores utilizam outros modelos de programação (programação linear, Algoritmos Genéticos, etc.) para elucidar casos de operação diária em sistemas de abastecimento de água utilizando fontes de energia renovável (Sakarya e Mays, 2000; Castronuovo e Lopes, 2004; Turgeon, 2005; Vieira e Ramos, 2008a).

Redes Neuronais Artificiais

Redes Neuronais Artificiais (RNA), começou a ser utilizada em redes de distribuição de água em modelações de degradação da qualidade de água (Sakarya e Mays, 2000). A pesquisa foi considerada promissora, fornecendo uma base sólida para o desenvolvimento de um modelo económico-financeiro, que foram aplicadas com o modelo de degradação, pode ser capaz de proporcionar uma abordagem integrada para optimizar intervenções estratégias em sistemas de distribuição de água, mesmo com algumas limitações identificadas em redes neuronais artificiais baseados em modelos de degradação, seu desempenho tem provado ser bastante boa, a curto e médio prazo.

Em outra pesquisa, a análise da qualidade da água é efectuada usando um modelo de RNA (Chaves et al., 2004). O modelo desenvolvido foi utilizado para simulação da qualidade da água dentro do reservatório. Um modelo de RNA foi utilizado em detrimento de um modelo físico, já que este último tende a exigir uma grande quantidade de esforço computacional, particularmente quando combinada com técnicas de optimização, tais como a programação dinâmica.

Como parte do projecto de pesquisa POWADIMA, foi realizado um estudo para descrever a técnica usada para prever as consequências das diferentes configurações de controlo sobre o desempenho da rede de distribuição de água, no contexto de tempo real, próximo de um controle optimizado. Desde a utilização de um complexo modelo de simulação hidráulica é algo impraticável para operações em tempo real, como resultado da carga computacional que impõe, a abordagem adoptada foi a de capturar seu domínio de conhecimentos em uma forma muito mais eficiente por meio de uma RNA (Rao e Alvarruiz, 2007).

METODOLOGIA

Concepção da Rede Neuronal

A criação de uma RNA deve incluir os seguintes passos: definição dos padrões; criação da rede; inicialização da rede; definição dos parâmetros de aprendizagem, treinamento e teste da rede.

Qnet2000, um pacote comercial de rede neuronal, foi utilizado para a formação das redes, dando a vantagem de um rápido desenvolvimento de rede através de opções flexíveis

de algoritmos, funções de saída e outros parâmetros de treinamento, aumentando assim a precisão.

A concepção da rede neural de energia híbrida que será comparada com um modelo de configuração e simulador económico – MSCE (e.g. simulador HOMER) para condições limitadas irá adoptar os seguintes procedimentos: uso do MSCE para obter dados que serão usados no processo de treinamento da rede neuronal fidedigna e testá-la em conjunto com um modelo simulador hidráulico e de potência – MSHP (e.g. simulador EPANET), alterando os valores de caudais, diâmetro, comprimento e rugosidade das tubagens, assim como o as diferenças de nível entre os reservatórios, parâmetros característicos de bombagem por consumo de energia e avaliação de procedimentos de turbinagem e bombagem. Esses dados estão disponíveis na investigação de Ramos (2009) que usa um MSHP para analisar o balanço hidráulico de um sistema de abastecimento de água, determinando o comportamento hidráulico do sistema analisado e determinando o consumo e potência da bomba e da turbina, respectivamente.

Antes de iniciar a criação da rede neuronal, foi feita a aquisição dos dados de entrada e saída para o treinamento e a validação da rede. Os dados de entrada foram adquiridos através de um MSHP (e.g. potência instalada de bomba, queda útil disponível na turbina, comprimento de tubagem, caudal, diâmetro da tubagem, potência média, consumo de energia da bomba e diferença de nível entre reservatórios) e um MSCE (potência média de saída do gerador eólico/hidro-turbina e média anual de velocidade do vento e média anual de potência da hidro-turbina).

Estes dados foram implementados em um MSCE e foram úteis para a análise económica com base no cálculo do custo actual líquido (Net Present Cost - NPC) para cada sistema híbrido estudado, determinando assim a solução mais económica rentável. Outros valores foram utilizados para a análise económica feita no MSCE, como o preço de equipamentos execução, custo de venda da energia para a rede eléctrica nacional e a limitação do número de equipamentos a serem utilizados na simulação, que não foram utilizados na concepção do neurais rede por ser comum a todos os modelos e valores que trariam erros associados no processo de formação de rede e sua validação.

O algoritmo de optimização e análise de sensibilidade simplifica a avaliação de diferentes configurações de sistemas. Introduzindo opções tecnológicas, os custos dos componentes e disponibilidade dos recursos, o MSCE testa todas as combinações viáveis e cria uma lista de configurações ordenadas por custo actual líquido (NPC). A fim de ter em conta os benefícios (que são os valores positivos), o NPC é assumido ser negativo e chamado valor actual líquido (VAL), a fim de ser utilizado na RNA.

Os valores de entrada do MSHP e MSCE e os valores de saída de VAL, determinados pelo MSCE foram distribuídos em um ficheiro auxiliar e usado no Qnet2000 para criar a RNA. Com os resultados obtidos dessas simulações, foi possível criar um sistema de redes neurais que transcreve-se, em parte o processo de modelagem através de caminhos adequados decisivos, garantindo a força e a velocidade na avaliação do processo. Um fluxograma descrevendo os procedimentos da concepção da RNA é mostrado na Figura 2.

Figura 2. Fluxograma da RNA desenvolvida.

Rede Neuronal Artificial

O método proposto inicialmente para a arquitectura básica da RNA a ser utilizada será o MLP (“Multilayer Perceptron”), na qual os neurónios são dispostos em camadas sucessivas (“feed-foward”). Serão consideradas a princípio, redes com apenas uma camada oculta. Testes preliminares serão realizados para a determinação dos parâmetros da RNA que forneçam os melhores resultados. Após as análises iniciais, RNA’s com apenas uma camada escondida apresentavam grandes erros quadráticos médios, portanto vários testes com diferentes números de camadas ocultas e com configurações de neurónios foram efectuados.

Na construção da rede neuronal, os padrões de entrada da rede correspondem aos dados usados no MSCE. Os dados considerados como de entrada estão representados na Figura 3, onde os dados são tratados em um software auxiliar (e.g. Excel) e classificados em x1, x2, x3…x15. Cada conjunto de 09 dados será a entrada para a rede neuronal composta por 3 camadas ocultas com 15, 7 e 5 neurónios em cada camada oculta, de acordo com a melhor configuração com menor erro de raiz quadrada médio encontrado nos testes e uma camada de saída com 5 neurónios.

Em cada neurónio ocorrerá as seguintes operações: Os dados de entrada sofrerão uma aplicação de pesos iw[i,m] e irão para um adicionador (junção aditiva), que irá somar os dados de entrada, ponderados pelas respectivas sinapses (iw) e receberá um coeficiente de tendência “bias” b[k] que tem como função, diminuir ou aumentar a entrada líquida da função de activação (Haykin, 2001). Uma função de activação será aplicada para restringir a amplitude da saída do neurónio. A função de activação também é referida como função restritiva já que restringe (limita) o intervalo permissível de amplitude do sinal de saída a um valor finito. Um modelo não linear de um neurónio pode ser interpretado como o da Figura 3.

Figura 3. Exemplo de um neurónio não linear (adaptado de Haykin, 2001).

Em termos matemáticos, pode-se descrever o neurónio escrevendo o seguinte par de equações (Haykin, 2001):

∑

Os dados de saída dos neurónios serão enviados para a camada de saída onde sofrerão mais uma aplicação de pesos iw[i+1,m] e coeficiente de tendência “bias” b[k+1]. A camada de saída comporta-se como um neurónio que recebe os resultados dos neurónios da camada oculta e resulta nos valores de saída apresentados em valores y1,1, y2,1, y3,1, y4,1, y5. Na Figura 4 ilustra-se a configuração a ser usada na criação da rede neuronal desenvolvida.

Há 9 neurónios correspondentes aos dados de entrada, sendo eles [i] comprimento da conduta do sistema estudado, [ii] diferença de nível entre reservatórios, [iii] diâmetro da conduta, [iv] energia anual média produzida por uma turbina eólica, [v] velocidade média anual do vento na região de estudo, [vi] o caudal no sistema, [vii] a altura livre no sistema, [viii] energia média anual produzida pela micro turbina e [ix] a energia consumida pelo sistema de bombagem. Conectado aos neurónios de entrada existe 3 camadas ocultas com respectivamente 15, 7 e 5 neurónios cada, conectadas atreves de funções de tangentes hiperbólicas. Na camada de saída existem 5 neurónios, representando a optimização e a análise de sensibilidade de diferentes configurações do sistema, representando o VAL do sistema utilizando apenas a rede eléctrica nacional (VAL REN), VAL da configuração da rede eléctrica nacional com turbina eólica (VAL REN+Eol), o VAL da configuração da rede eléctrica nacional com turbina hídrica (VAL REN+Hidro) e da configuração da rede eléctrica nacional com turbina eólica e turbina hídrica(VAL REN+Hidro+Eol) e um neurónio com o número de turbinas eólicas para a melhor escolha. Para essas análises apenas as fontes renováveis hídrica e eólica foram consideradas.

Redes neuronais de retro propagação (Back propagation) processam informações interligando processos de transformação de elementos (frequentemente denominadas neurónios, unidades, ou nós). Esses nós são organizados em grupos denominados camadas. Existem três tipos distintos de camadas em uma rede neural de retro propagação: a camada de entrada, camada oculta ou ocultas e da camada de saída. Uma rede é constituída por uma camada de entrada, uma ou mais camadas ocultas e uma camada de saída. As ligações existem entre os nós de camadas adjacentes para retransmitir os sinais de saída de uma camada para a próxima. Redes totalmente ligadas ocorrem quando todos os nós em cada camada recebem ligações de todos os nós em cada camada anterior. Informações entram através de uma rede através dos nós da camada de entrada. Os nós da camada de entrada são os únicos em que a sua única finalidade é a de distribuir a informação de entrada para a próxima camada de transformação (isto é, a primeira camada oculta). A camada oculta e de saída dos nós processa todos os sinais através da aplicação de factores a elas (denominado pesos). Cada camada tem também um elemento adicional chamado nó de “bias”. Nós de “bias” simplesmente debitam um sinal de “bias” para os nós da camada actual. Todas as entradas para um nó são ponderadas, combinadas e, em seguida, processados através de uma função de transferência que controla a intensidade do sinal retransmitido através do nó de saída conexões.

Essa função de transferência, também denominada função de restrição ou de activação, impondo uma amplitude do sinal de saída para um valor finito. Tipicamente a amplitude de normalização dos dados de saída de um neurónio é definido como um intervalo fechado de [0,1] ou [-1,1]. Nesse estudo a amplitude de normalização utilizada foi de [-1,1] e a rede neural criada utiliza a funções de tangente hiperbólica descritas a seguir.

(tanh( ) 1) ( )

2

Y

f Y = + (3)

O software QNet2000 foi utilizado para a criação da rede neuronal para simular as funções objectivas energéticas e económicas. O modelo consiste em um módulo de entrada de dados multi-funcional, onde entrada e saída de dados são inseridos, a rede neural é concebida, assim como todo o processo de formação de rede e parâmetros de definição dos testes.

Após o procedimento de entrada de dados na rede, o processo de treinamento é iniciado para se obter os pesos e coeficientes de “bias” para o procedimento da concepção da rede e

posterior validação. Várias tentativas são feitas para a obtenção de uma rede fiável, modificando o número de redes ocultas, de neurónios, e de funções de transferências usadas, até a obtenção de uma rede cujos erros quadrados médios sejam os menores. Após a obtenção dessa rede fiável, testes foram feitos com valores de novos dados gerados pelo MSCE para o processo de validação da rede proposta.

Cada grupo de dados de entrada foi calculado através do MSCE com várias configurações do recurso disponível (e.g. vento, hidráulica) dependendo das condições meteorológicas e do sistema, e que estão indicadas na Tabela 1.

Tabela 1- Configurações dos dados utilizadas para determinar o melhor sistema híbrido.

Configuração Vel. do Caudal

dos dados Vento m/s l/s

1 4,70 19,00 2 4,70 48,00 3 4,70 106,00 4 4,70 160,00 5 5,90 19,00 6 5,90 48,00 7 5,90 106,00 8 5,90 160,00 METODOLOGIA

No fim do treinamento, a rede neuronal adoptada foi a que apresentou o menor erro de raiz quadrada médio e uma boa correlação dentre as diversas testadas. Após vários testes, modificando a topologia da rede, o número de camadas ocultas e do número de neurónios aplicados a cada camada, a rede que melhor se adaptou, resultando no menor erro quadrado médio dentre as testadas foi a rede neuronal com uma topologia com 9 neurónios na camada de entrada, 15, 7 e 5 neurónios nas 3 camadas ocultas, respectivamente e 5 neurónios na camada de saída. Na Figura 5 o erro de raiz quadrada médio (root mean square error - RMSE) e a correlação alcançada com a rede escolhida é apresentado. Na Figura 6 a comparação da dispersão dos dados alvo normalizada versus os valores de saída da rede ilustram uma boa aproximação com o óptimo desejado.

Figura 6. Comparação da dispersão dos dados alvo normalizados versus saídas da rede.

A melhor solução híbrida determinada através do MSCE foi a baseada no sistema híbrido alimentado pela rede eléctrica nacional em conjunto com turbinas eólicas e turbinas hidráulicas (REN+EOL+Hidro), para variáveis de velocidade de vento de 4,7 m/s e caudal de 160 l/s, com um valor de VAL de 1,26 milhões de Euros, com a presença de 3 turbinas eólicas instaladas.

A primeira etapa foi comparar todos os resultados do MSCE com a RNA ( Figura 7), demonstrando uma boa aproximação entre os valores. A melhor configuração do sistema foi aquele com o maior valor de VAL, e tanto no MSCE quanto na RNA, o melhor valor foi o da configuração REN+EOL+Hidro com a configuração de dados nº 5.

‐1,00 € ‐0,50 € ‐ € 0,50 € 1,00 € 1,50 €

REN REN + Eol REN + Hidro REN + Hidro + Eol

V A L e m M il h õ e s d e E u ro s

Configurações dos sistemas de energia

Resultados MSCE x RNA MSCE ‐ configuração 1 MSCE ‐ configuração 2 MSCE ‐ configuração 3 MSCE ‐ configuração 4 MSCE ‐ configuração 5 MSCE ‐ configuração 6 MSCE ‐ configuração 7 MSCE ‐ configuração 8 RNA ‐ configuração 1 RNA ‐ configuração 2 RNA ‐ configuração 3 RNA ‐ configuração 4 RNA ‐ configuração 5 RNA ‐ configuração 6 RNA ‐ configuração 7 RNA ‐ configuração 8

Figura 7. Resultados do MSCE versus RNA.

A solução da RNA possui um erro relativo de 0,32% comparado com o do MSCE. Para determinar o número de turbinas eólicas a instalar para a melhor configuração, o neurónio com o número de turbinas eólicas demonstrava o valor 3, o mesmo alcançado pelo MSCE.

Uma comparação entre os resultados do MSCE e da RNA na configuração (REN+EOL+Hidro) está descrita na Figura 8, confirmando que o melhor resultado foi alcançado com a configuração de dados nº 5.

-4,00E+05 -2,00E+05 0,00E+00 2,00E+05 4,00E+05 6,00E+05 8,00E+05 1,00E+06 1,20E+06 1,40E+06 1 2 3 4 5 6 7 8 V A L e m m il h õ e s d e E u ro s Configuração de dados

MSCE x RNA (VAL Ren+Eol+Hidro)

MSCE RNA

Figura 8. Comparação entre os resultados alcançados pelo MSCE e pela RNA em diferentes configurações de dados (VAL REN+Eol+Hidro).

Para garantir que todas as respostas da RNA possuem uma boa aproximação, comparações entre a RNA e o MSCE foram feitas com os outros dados provenientes das outras configurações de sistemas e são apresentadas nas Figuras 9-11.

-7,00E+05 -6,00E+05 -5,00E+05 -4,00E+05 -3,00E+05 -2,00E+05 -1,00E+05 0,00E+00 1 2 3 4 5 6 7 8 V A L e m m il h õ e s d e E u ro s Configuração de dados

MSCE x RNA (VAL Ren)

MSCE RNA

Figura 9. Comparação entre os resultados alcançados pelo MSCE e pela RNA em diferentes configurações de dados do sistema REN.

-1,00E+06 -5,00E+05 0,00E+00 5,00E+05 1,00E+06 1,50E+06 1 2 3 4 5 6 7 8 V A L e m m il h õ e s d e E u ro s Configuração de dados

MSCE x RNA (VAL REN+Eol)

MSCE RNA

Figura 8. Comparação entre os resultados alcançados pelo MSCE e pela RNA em diferentes configurações de dados do sistema REN+Eol.

0,00E+00 5,00E+03 1,00E+04 1,50E+04 2,00E+04 2,50E+04 3,00E+04 3,50E+04 4,00E+04 1 2 3 4 5 6 7 8 V A L e m m il h õ e s d e E u ro s Configuração de dados

MSCE x RNA (VAL Ren+Hidro)

MSCE RNA

Figura 8. Comparação entre os resultados alcançados pelo MSCE e pela RNA em diferentes configurações de dados do sistema REN+Hidro.

Com esses resultados pode-se concluir que a rede neuronal se comportou como o MSCE, mostrando uma fiabilidade aceitável com os dados apresentados. Entretanto a RNA possui limitações nos termos do espaço de dados e nos tipos de fontes renováveis usadas para a modelação.

Para trabalhos futuros um maior número de características do sistema e a inclusão de sistemas híbridos estendidos será considerada para a obtenção de um modelo de RNA mais robusta e estendida.

AGRADECIMENTOS

Os autores agradecem à FCT – Fundação para a Ciência e a Tecnologia, através dos projectos POCTI/ECM/58375/2004 e PTDC/ECM/65731/2006, assim como ao CEHIDRO – Centro de Estudos de Hidrossistemas do Departamento de Engenharia Civil do Instituto Superior Técnico (Lisboa - Portugal)

REFERENCIAS BIBLIOGRÁFICAS

Barsoum, N. N. e Vacent, P. (2007). Balancing Cost, Operation and Performance in Integrated Hydrogen Hybrid Energy System. First Asia International Conference on Modelling & Simulation, 2007. AMS '07. . 14-18 p.

Castronuovo, E. D. e Lopes, J. A. P. (2004). On the optimization of the daily operation of a wind-hydro power plant. IEEE Transactions on Power Systems., v.19, n.3, p.1599-1606. Chaves, P., Tsukatani, T. e Kojiri, T. (2004). Operation of storage reservoir for water quality by using optimization and artificial intelligence techniques Mathematics and Computers in Simulation, v.67, n.4-5, p.419-432

Comissão Européia (2001). Directiva 2001/77/EC para da promoção da electricidade produzida a partir de fontes de energia renovável no mercado interno de electricidade. Departamento De Energia Da Comissão Européia: Official Journal of the European Communities. L 283: p.33-40 27 de Setembro de 2001.

Conselho De Ministros (2001). Resolução do Conselho de Ministros nº. 154/2001. E. P. Imprensa Nacional - Casa Da Moeda. Lisboa: Diário da República. I-SÉRIE-B: p.6648 - 6649 27 de Setembro de 2001.

Conselho De Ministros (2003). Resolução do Conselho de Ministros nº. 63/2003. E. P. Imprensa Nacional - Casa Da Moeda. Lisboa: Diário da República. I-SÉRIE-B: p.2722-2731 28 de Abril de 2003.

Gabrovska, K., Wagner, A. e Mihailov, N. (2004). Software system for simulation of electric power processes in photovoltaic-hybrid system. Proceedings of the 5th international conference on Computer systems and technologies: ACM. 1-7 p.

Gonçalves, F. V. e Ramos, H. M. (2008a). Controlo económico e energético e proposta de optimização. In: H. M. Ramos, et al (Ed.). Alterações Climáticas e Gestão da Água e Energia em Sistemas de Abastecimento e Drenagem. Lisboa - Portugal. Controlo económico e energético e proposta de optimização, p. 164-171

Gonçalves, F. V. e Ramos, H. M. (2008b). Metodologia de optimização multi-objectivo com RNA da eficiência energética quando integrada na gestão operacional de SAA. In: H. M. Ramos, et al (Ed.). Alterações Climáticas e Gestão da Água e Energia em Sistemas de Abastecimento e Drenagem. Lisboa - Portugal. Metodologia de optimização multi-objectivo com RNA da eficiência energética quando integrada na gestão operacional de SAA, p. 494-504

Gupta, A., Saini, R. P. e Sharma, M. P. (2006). Modelling of Hybrid Energy System for Off Grid Electrification of Clusters of Villages. Power Electronics, Drives and Energy Systems, 2006 - PEDES '06. 5 p.

Haykin, S. (2001). Redes Neurais: princípios e prática. Porto Alegre: Bookman. 900 p.

Jafar, R. e Shahrour, I. (2007). Modelling the structural degradation in water distribution systems using the artificial neural networks (ANN). Water Asset Management International, v.3, n.3, p.14-18.

Menegaki, A. (2008). Valuation for renewable energy: A comparative review. Renewable and Sustainable Energy Reviews, v.12, n.9, p.2422-2437.

Omer, A. M. (2008). Energy, environment and sustainable development. Renewable and Sustainable Energy Reviews, v.12, n.9, p.2265-2300.

Ramos, J. M. F. M. S. e Ramos, H. M. (2008). Soluções híbridas baseadas em fontes de energia renovável aplicadas a sistemas elevatórios de abastecimento. In: H. M. Ramos,

et al (Ed.). Alterações Climáticas e Gestão da Água e Energia em Sistemas de

Abastecimento e Drenagem. Lisboa, Portugal. Soluções híbridas baseadas em fontes de energia renovável aplicadas a sistemas elevatórios de abastecimento, p. 79-91

Ramos, J. S. e Ramos, H. M. (2009). Sustainable application of renewable sources in water pumping systems: optimised energy system configuration. Energy Policy, v.37, n.2, p.633-643.

Rao, Z. e Alvarruiz, F. (2007). Use of an artificial neural network to capture the domain knowledge of a conventional hydraulic simulation model. Journal of Hydroinformatics, v.9, n.1, p.15-24.

Sakarya, A. B. A. e Mays, L. W. (2000). Optimal Operation of Water Distribution Pumps Considering Water Quality. Journal of Water Resources Planning and Management, v.126, n.4, p.210-220.

Seare, K. D. R. (1999). Grid connecting a hybrid energy system. IEE Colloquium on Protection and Connection of Renewable Energy Systems. 3/1-3/6 p.

Sousa, T. N., Pregitzer, R. G., Martins, J. S. e Afonso, J. L. (2005). Estudo do panorama das energias renováveis na União Europeia e sugestões para Portugal. APDEE. Associação Portuguesa para a Promoção e Desenvolvimento da Engenharia Electrotécnica.

Turgeon, A. (2005). Daily Operation of Reservoir Subject to Yearly Probabilistic Constraints. Journal of Water Resources Planning and Management, v.131, n.5, p.342-350.

Vieira, F. e Ramos, H. M. (2008a). Hybrid solution and pump-storage optimization in water supply system efficiency: A case study. Energy Policy, v.36, n.11, p.4142-4148.

Vieira, F. e Ramos, H. M. (2008b). Soluções híbridas sustentáveis na optimização da eficiência energética em sistemas de abastecimento - caso de estudo. In: H. M. Ramos,

et al (Ed.). Alterações Climáticas e Gestão da Água e Energia em Sistemas de

Abastecimento e Drenagem. Lisboa, Portugal. Soluções híbridas sustentáveis na optimização da eficiência energética em sistemas de abastecimento - caso de estudo, p. 2-10

Vieira, F. e Ramos, H. M. (2009). Optimization of operational planning for wind/hydro hybrid water supply systems. Renewable Energy, v.34, n.3, p.928-936.