Desenvolvimento de uma interface de monitoramento para mini e microgeração fotovoltaica

(1)

CENTRO DE TECNOLOGIA

BACHARELADO EM ENGENHARIA ELÉTRICA

LORENA DE CASTRO DANTAS

DESENVOLVIMENTO DE UMA INTERFACE DE MONITORAMENTO PARA MINI E MICROGERAÇÃO FOTOVOLTAICA

FORTALEZA – CEARÁ 2018

(2)

Monografia apresentada no curso de Engenharia Elétrica da Universidade Federal do Ceará, como requisito parcial à obtenção do título de bacharel em Engenharia Elétrica. Área de concentração: Energias Renováveis.

Orientador: Prof. Dr. Paulo Cesar Marques de Carvalho

Coorientadora: Dra. Renata Imaculada Soares Pereira

FORTALEZA – CEARÁ 2018

(3)

Biblioteca Universitária

Gerada automaticamente pelo módulo Catalog, mediante os dados fornecidos pelo(a) autor(a)

C351d Castro Dantas, Lorena de.

Desenvolvimento de uma interface de monitoramento para mini e microgeração fotovoltaica / Lorena de Castro Dantas. – 2018.

55 f. : il. color.

Trabalho de Conclusão de Curso (graduação) – Universidade Federal do Ceará, Centro de Tecnologia, Curso de Engenharia Elétrica, Fortaleza, 2018.

Orientação: Prof. Dr. Paulo Cesar Marques de Carvalho. Coorientação: Profa. Dra. Renata Imaculada Soares Pereira.

1. Geração fotovoltaica. 2. Geração distribuída. 3. Interface de monitoramento. I. Título.

CDD 621.3 4

(4)

Monografia apresentada no curso de Engenharia Elétrica da Universidade Federal do Ceará, como requisito parcial à obtenção do título de bacharel em Engenharia Elétrica. Área de concentração: Energias Renováveis.

Aprovada em:

BANCA EXAMINADORA

Prof. Dr. Paulo Cesar Marques de Carvalho (Orientador) Universidade Federal do Ceará – UFC

Prof. Dr. Paulo Peixoto Praça Universidade Federal do Ceará - UFC

Prof. Dr. Sandro César Silveira Jucá

(5)

(6)

AGRADECIMENTOS

À minha mãe, Francisca, por toda sua dedicação e por proporcionar sempre as melhores condições para trilhar essa jornada.

Ao meu irmão, Júnior, por todos os aprendizados e momentos compartilhados.

Ao meu noivo, Bruno, por todo o companheirismo e por acreditar sempre muito em mim. À minha coorientadora, Renata Pereira, que desde de antes do início deste trabalho vem me acompanhando e ajudando.

Ao meu orientador, Prof. Dr. Paulo Carvalho, pela excelente orientação neste trabalho.

Aos colegas do curso de Engenharia Elétrica da UFC, por compartilhar os sofrimentos e alegrias durante todo esse tempo.

Aos membros da banca, Prof. Dr. Paulo Peixoto Praça e Prof. Dr. Sandro César Silveira Jucá, pela disponibilidade e contribuição.

(7)

(8)

RESUMO

A partir do início do século XXI, muito se discutiu sobre diversificação da matriz energética brasileira, que ainda é muito dependente das hidrelétricas. A geração distribuída (GD) vem contribuindo efetivamente para essa diversificação com o crescente aumento de usinas descentralizadas que utilizam a energia solar. Com a evolução desses sistemas fotovoltaicos (FV) descentralizados, o monitoramento é fundamental para garantir uma operação com detecção de falhas e otimização da eficiência de conversão. Neste trabalho é desenvolvida uma interface de monitoramento remota para mini e microgeração FV utilizando o software de business intelligence (BI) Power BI da Microsoft. Essa ferramenta possibilita o tratamento, análise e compartilhamento de um grande volume de dados de forma eficiente e acessível. Redes de monitoramento IoT instaladas nas plantas FV nas cidades de Fortaleza - CE, Maracanaú - CE e Colônia - Alemanha coletam dados de irradiância, temperatura dos módulos FV, temperatura ambiente, umidade e velocidade do vento. Esses dados são armazenados em um servidor na nuvem via WiFi e o Power BI se conecta a esse servidor para obtê-los. A interface é composta por diferentes visualizações que estão disponíveis na ferramenta. As três primeiras páginas da interface trazem informações sobre cada planta FV, a quarta apresenta gráficos utilizando as variáveis coletadas pela rede de monitoramento, e a última reúne gráficos que serão criados com variáveis calculadas obtidas a partir das variáveis coletadas. A interface está disponível online para qualquer usuário que possua seu link de acesso.

(9)

Since the beginning of the 21st century, the Brazilian energy matrix diversification has been heavily discussed since it still very dependent on hydroelectric plants. Distributed generation (DG) has effectively contributed to this diversification, increasing the number of decentralized plants that use solar energy. Due to the evolution of these decentralized photovoltaic (PV) systems, the monitoring has become fundamental to guarantee operations with fault detection and optimized conversion efficiency. This work presents a remote monitoring interface for mini and microgeneration PV built with Power BI, a Business Intelligence (BI) software created by Microsoft. Power BI enables the treatment, analysis, and sharing of a large amount of data in an efficient and accessible way. The IoT monitoring network installed in the PV plants in Fortaleza - CE, Maracanaú - CE and Colônia - Germany collects solar irradiance, ambient temperature,

humidity and wind speed. This data are stored on a server in the cloud via WiFi and Power BI connects to the server to obtain the data. The interface has several views that are available in Power BI. The first three pages provide information about each PV plant. The fourth page presents the monitoring network data in graphs and the last one displays graphs from calculated data. The interface is available online for any user who has the access link.

(10)

LISTA DE FIGURAS

Figura 1 – Rede de monitoramento remoto. . . 14

Figura 2 – Potência instalada (MW) de GD solar FV no Brasil. . . 15

Figura 3 – Evolução da potência instalada (MW) em mini e microgeração distribuída por tipo de fonte. . . 16

Figura 4 – Interface ELIPSE SCADA. . . 18

Figura 5 – Web Monitor. . . 19

Figura 6 – Estrutura do banco de dados MySQL. . . 20

Figura 7 – Conexão com os dados. . . 22

Figura 8 – Conexão com o banco de dados. . . 23

Figura 9 – Pré-visualização dos dados. . . 24

Figura 10 – Editor de consultas. . . 24

Figura 11 – Separação da coluna de data e hora. . . 25

Figura 12 – Criação de uma consulta em branco. . . 26

Figura 13 – Comando List.Min. . . 26

Figura 14 – Comando List.Max. . . 27

Figura 15 – Comando Duration.Days. . . 27

Figura 16 – Tabela calendário. . . 28

Figura 17 – Tabela hora. . . 29

Figura 18 – Lista de sensores. . . 30

Figura 19 – Criação da coluna de descrição dos sensores. . . 31

Figura 20 – Tabela sensores. . . 31

Figura 21 – Tabela local. . . 32

Figura 22 – Aplicando as alterações. . . 32

Figura 23 – Alterações disponíveis no modelo. . . 33

Figura 24 – Relação da tabela calendário com as tabelas de dados. . . 34

Figura 25 – Coluna local. . . 34

Figura 26 – Relação de todas as tabelas criadas com as tabelas de dados. . . 35

Figura 27 – Visualizações disponíveis no Power BI. . . 36

Figura 28 – Criação do mapa. . . 37

Figura 29 – Inserir imagem. . . 37

(11)

Figura 32 – Página 3 da interface: planta FV de Colônia. . . 39

Figura 33 – Importação de visual do marketplace. . . 39

Figura 34 – Criação dos grupos de médias de 10 minutos. . . 40

Figura 35 – Criação do gráfico com as variáveis medidas. . . 41

Figura 36 – Criação do filtro local. . . 42

Figura 37 – Gráfico de dados com filtros aplicados. . . 43

Figura 38 – Detalhe dos valores no gráfico. . . 44

Figura 39 – Criação do gráfico das temperaturas dos módulos FV. . . 45

Figura 40 – Gráfico das temperaturas dos módulos FV separadamente. . . 45

Figura 41 – Gráfico de máximos, médios e mínimos com filtros aplicados. . . 47

Figura 42 – Gráficos de irradiação diária e mensal. . . 47

Figura 43 – Iniciando a sessão. . . 48

Figura 44 – Publicar no Power BI Web. . . 48

Figura 45 – Publicar no Power BI Web. . . 49

(12)

LISTA DE TABELAS

Tabela 1 – Sensores. . . 21 Tabela 2 – Nomenclatura das colunas. . . 25

(13)

BI Business Intelligence

CLP Controlador Lógico Programável DAX Data Analysis Expressions

FV Fotovoltaico

GD Geração Distribuída

GEE Gases do efeito estufa HTML Hypertext Markup Language http Hypertext Transfer Protocol IoT Internet of Things

LEA Laboratório de Energias Alternativas PHP Hypertext Preprocessor)

SCADA Supervisory Control and Data Acquisition SQL Structured Query Language

(14)

SUMÁRIO 1 INTRODUÇÃO . . . 13 2 ESTADO DA ARTE . . . 15 3 METODOLOGIA . . . 20 3.1 Sistema de monitoramento . . . 20 3.2 Power BI Software . . . 21

3.2.1 Conexão dos dados . . . 22

3.2.2 Tratamento dos dados . . . 24

3.2.2.1 Tabela calendário . . . 25 3.2.2.2 Tabela hora . . . 28 3.2.2.3 Tabela sensores . . . 29 3.2.2.4 Tabela local . . . 32 3.2.2.5 Aplicando as alterações . . . 32 3.2.3 Relacionar os dados . . . 33 3.2.4 Criação da interface . . . 35 4 RESULTADOS . . . 37 5 CONCLUSÕES . . . 51 6 TRABALHOS FUTUROS . . . 52 REFERÊNCIAS . . . 53

(15)

1 INTRODUÇÃO

Com o crescimento populacional e o desenvolvimento industrial e tecnológico, a demanda energética do planeta vem aumentando continuamente. Durante muito tempo, o consumo de combustíveis fósseis prevaleceu frente aos demais.

O problema das fontes de origem fóssil serem finitas e a preocupação com o aumento da emissão de gases do efeito estufa (GEE), estão impulsionando o crescimento de fontes menos agressivas e poluentes, estimulando o desenvolvimento de um novo ciclo energético (TORRES, 2012). No Brasil, a maior motivação para o incentivo de novas fontes é a redução da dependência das hidrelétricas que estão sujeitas a períodos de seca.

Dentro desse contexto, surgiu a necessidade da diversificação da matriz energética. Uma das principais possibilidades para diversificação da matriz são usinas descentralizadas que usam os recursos solar e eólico (PEREIRA, 2018). A geração distribuída (GD) é uma alternativa frente ao crescimento de grandes parques centralizados que acarretam em impactos socioambientais (FREITAS; HOLLANDA, 2015).

A geração distribuída abriu espaço para o aumento do uso da energia solar, a qual é uma energia limpa e renovável, que passou a ser bastante utilizada por indústrias, comércios e até mesmo consumidores residenciais, ampliando assim a representatividade da geração distribuída e da energia solar na matriz energética.

Com a evolução desses sistemas, é importante que se faça o controle e o monitoramento. Sistemas de aquisição de dados e monitoramento são necessários para indicar falhas em plantas fotovoltaicas (FV), otimização da eficiência de conversão, bem como estimativa do potencial solar de uma determinada região (PEREIRA, 2018).

O presente trabalho de conclusão de curso tem como objetivo o desenvolvimento de uma interface de monitoramento remota para mini e microgeração FV, desenvolvida utilizando o software Power BI da Microsoft. A motivação para o desenvolvimento deste trabalho foi trazer maior eficiência e rapidez no tratamento dos dados coletados das plantas FV, que antes eram tratados e analisados no Excel, o que demandava muito tempo e trabalho repetitivo.

Os dados são obtidos a partir do sistema de aquisição e armazenados em banco de dados na nuvem via WiFi. A rede de monitoramento está instalada em três locais (Figura 1): Fortaleza - CE no Laboratório de Energias Alternativas (LEA) da UFC (1), Maracanaú - CE no IFCE (2) e Colônia - Alemanha (3) na Universidade Técnica de Colônia (Technische Hochschule Köln). Esses sistemas foram desenvolvidos e implementados em tese de doutorado apresentada

(16)

14

no departamento de engenharia elétrica da UFC (PEREIRA, 2018).

Figura 1 – Rede de monitoramento remoto.

(17)

2 ESTADO DA ARTE

O Brasil é altamente privilegiado em irradiação solar (ANEEL, 2008) pois se encontra localizado próximo à linha do Equador, contando com índices superiores a Alemanha, França e Espanha, onde projetos de utilização da energia solar são bastante disseminados (NASCIMENTO, 2017).

A geração de energia elétrica através da energia do sol vem crescendo ao longo dos últimos anos devido ser uma energia limpa, renovável e inesgotável. Esse crescimento colabora para a diversificação da matriz energética fazendo com que o fornecimento de energia se torne mais seguro. A GD tem contribuído bastante para esse cenário.

Na GD a central geradora é instalada próxima à carga de consumo, geralmente na rede de distribuição ou depois do sistema de medição do consumidor (ACKERMANN; ANDERSSON; SÖDER, Junho 2000).

A Figura 2 mostra que o crescimento da potência instalada vem se acentuando ao longo dos anos, chegando em maio de 2018 com 284,5 MW de potência instalada de GD solar FV no Brasil, representando um crescimento de 56,4% em relação ao ano de 2017.

Figura 2 – Potência instalada (MW) de GD solar FV no Brasil.

(18)

16

A partir da publicação da Resolução Normativa Nº 482 de 2012, a qual foi aprimorada no ano de 2015, o crescimento da energia solar FV pode ser observado com maior intensidade. A resolução determina as condições para o acesso de mini e microgeração distribuídas aos sistemas de distribuição e o sistema de compensação de energia elétrica (ANEEL, 2015).

Segundo a (ANEEL, 2015), para a central geradora de energia ser caracterizada como microgeração distribuída, a potência instalada deve ser menor ou igual a 75 kW. Já para a minigeração, a potência instalada deve ser superior a 75 kW e menor ou igual a 5 MW. Ambas devem utilizar cogeração qualificada, de acordo com a regulamentação da ANEEL, ou fontes renováveis de energia conectadas na rede de distribuição (ANEEL, 2015).

A Figura 3 mostra a evolução da potência instalada, em MW, da mini e microgeração distribuída por tipo de fonte de 2012 até maio de 2018. Observa-se que a geração FV (UFV) foi a que mais cresceu desde de 2012 com uma potência instalada de apenas 0,4 MW chegando a 284,5 MW em 2018, com representação de 77% quanto comparado com outras fontes.

Figura 3 – Evolução da potência instalada (MW) em mini e microgeração distribuída por tipo de fonte.

Fonte – Sauaia (2018). Última atualização 19/06/2018.

(19)

antes dependiam única e exclusivamente da energia fornecida pelas concessionárias. Estas formas de geração possibilitam ao consumidor gerar energia e assim ganhar abatimentos na conta e até mesmo injetar a energia excedente na rede básica, sendo possível o acúmulo de créditos por esse excedente.

Com o crescente aumento de unidades descentralizadas de geração de energia, o constante monitoramento e avaliação tornam-se necessários. De acordo com (WOYTE et al., 2013), um sistema de monitoramento adequado é capaz de detectar problemas operacionais e assim garantir um maior rendimento energético. A aplicação desses sistemas de monitoramento na GD só é viável com a diminuição de custos e a flexibilização da instalação e manutenção (PEREIRA, 2018).

Boa parte dos trabalhos presentes na literatura utilizam o supervisório SCADA (Supervisory Control and Data Acquisition) para monitoramento e controle de dados. Por meio de equipamentos de aquisição de dados, as variáveis pertinentes são coletadas. A partir daí, são armazenadas, manipuladas e analisadas para, posteriormente, serem apresentadas ao usuário (SILVA; SALVADOR, 2005). É possível, através de um protocolo http (Hypertext Transfer Protocol), fazer a comunicação com um servidor web que retorna uma página programada em HTML (Hypertext Markup Language) ou PHP (Hypertext Preprocessor), bem como baixar um arquivo em formato CSV ou Excel e a partir disso plotar os gráficos.

Em (MACHADO, 2012), foi desenvolvida uma interface gráfica em ambiente web, implementada em HTML e PHP, onde é possível não só a visualização dos dados em uma tabela como também a construção de gráficos com o auxilio do Adobe Flash. Para isso, é requerida a instalação de um módulo de extensão para a interpretação desses gráficos. Os gráficos são mostrados em períodos de um dia, um mês ou um ano, a depender da opção selecionada pelo usuário.

Na tese de (HALMEMAN, 2012), é utilizado um programa de monitoramento remoto chamado Mgdpv_WEB o qual foi programado na linguagem PHP. Esse programa possibilita o usuário acessar os dados armazenados via Internet bem como o download desses dados.

No artigo publicado por (ABREU; PEREZ, 2017), foi desenvolvido um sistema de monitoramento juntamente com uma interface, programada em liguagem Python utilizando o Framework Django, onde pode-se consultar o histórico de medições entre um intervalo de datas determinado.

(20)

18

Android que mostra, em forma de gráficos, as variáveis coletadas pelo sistema de aquisição de dados em tempo real. No aplicativo, não é possível analisar o histórico dos dados. Para isso, foi utilizado um cartão micro SD para armazenamento e, posteriormente, esses dados são transferidos, manualmente, para um código desenvolvido na linguagem Python que gera os gráficos para análises.

Na monografia apresentada por (CORRÊA, 2011), a interface gráfica para monitoramento de dados foi feita com o software LabVIEW.

A planta instalada no LEA possui um supervisório ELIPSE SCADA (Figura 4), que apresenta os dados coletados via CLP (Controlador Lógico Programável). A interface desse supervisório mostra apenas os dados instantâneos, sendo necessário exportar para um arquivo Excelquando precisar obter os dados do histórico.

Figura 4 – Interface ELIPSE SCADA.

Fonte – PEREIRA (2018).

Foi também desenvolvido no LEA o Web Monitor (ver Figura 5), em linguagem de programação PHP, onde pode-se acessar os dados das três plantas fotovoltaicas que são atualizados a cada minuto. É possível a seleção de um dia por vez, não sendo permitida a escolha de um período como, por exemplo, um mês.

(21)

Figura 5 – Web Monitor.

(22)

20

3 METODOLOGIA

Nesse capítulo é apresentado o sistema de aquisição de dados, a modelagem desses dados e o desenvolvimento da interface de monitoramento para mini e microgeração FV.

3.1 Sistema de monitoramento

O sistema de monitoramento foi resultado de tese de doutorado apresentada no departamento de Engenharia Elétrica da UFC (PEREIRA, 2018).

Nessa tese, foi desenvolvida uma rede de monitoramento utilizando os módulos de Internet das Coisas (do inglês, Internet of Things - IoT) ESP 32 e ESP 8266, que foi instalada em plantas FV nas cidades de Fortaleza CE no LEA, Maracanaú CE no IFCE e Colônia -Alemanha na Universidade Técnica de Colônia (Technische Hochschule Köln). IoT consiste em conectar objetos do dia a dia à Internet.

O sistema de monitoramento coleta irradiância, temperatura ambiente, temperatura dos módulos FV, umidade e velocidade do vento. Cada uma das três plantas FV tem uma tabela de dados específica que é armazenada no banco de dados MySQL (PEREIRA, 2018). Os dados são enviados e armazenados no banco de um em um minuto ao longo de todo o dia.

Os dados postados no banco, mostrados na Figura 6, são o índice (id), que configura a ordem de postagem no banco, a data e hora da postagem, o valor, que apresenta o valor que foi medido e o sensor, que indica qual a variável corresponde ao valor medido.

Figura 6 – Estrutura do banco de dados MySQL.

(23)

Os sensores estão numerados de 1 a 14, conforme a Tabela 1. Tabela 1 – Sensores.

Sensor Variável

1 a 10 Temperaturas dos módulos FV 11 Irradiância

12 Temperatura ambiente 13 Umidade relativa 14 Velocidade do vento

3.2 Power BI Software

A ferramenta utilizada para construção da interface foi o software Power BI da Microsoft. O Power BI é um conjunto de serviços de software que juntos transformam fontes de dados não relacionadas em informações coerentes e interativas aos usuários (MICROSOFT, 2018b), e permite a análise e o compartilhamento de grande volume de informações. Esse software está sendo amplamente utilizado em corporações por ser uma ferramenta robusta, acessível e simples.

O Power BI agrega os suplementos do Excel:

• Power Query: utilizado para o tratamento dos dados. O Power Query possui uma linguagem de fórmulas (Power Query Formula Language) chamada, resumidamente, de linguagem M, a qual é responsável pelo processo de transformação dos dados. Nem sempre precisamos programar efetivamente em M pois existe uma interface onde, para cada ação, é gerado um código em linguagem M o qual o Power Query interpreta;

• Power Pivot: objetivo de mineração e análise dos dados. Aqui, temos uma linguagem chamada DAX (Data Analysis Expressions). O DAX auxilia na criação de novas informações a partir de dados que já estão no modelo (MICROSOFT, 2018a).

• Power View: geração de visuais. Esse ambiente é composto de diferentes tipos de visualizações e gráficos que o usuário pode escolher.

A versão para desktop pode ser baixada gratuitamente diretamente no site do Power BI, mas apenas para Microsoft Windows, o que é uma das desvantagens desse programa.

(24)

22

paga, a qual engloba mais algumas funcionalidades, é bastante competitiva (a partir de $10/mês) quando comparada com outras ferramentas de Business Intelligence (BI) existentes no mercado. Ferramentas de BI são tipos de software de aplicativo que conseguem extrair e processar um grande volume de dados (AZURE, 2018). Estas ferramentas ajudam no tratamento dos dados para criação de relatórios, painéis e visualizações (AZURE, 2018).

Para criação do modelo no Power BI, seguimos três principais etapas sequenciais: 1. Conexão com os dados: é possível se conectar a diversas fontes de dados diferentes, como

um arquivo de Excel, bancos de dados, serviços da Amazon, Google, etc;

2. Tratamento dos dados: são realizadas alterações nos dados, como por exemplo alterar o tipo dos dados, remover colunas ou combinar dados de várias fontes;

3. Criação da interface: cria-se visualizações que auxiliam na interpretação dos dados.

3.2.1 Conexão dos dados

O primeiro passo para começar a criação do modelo no Power BI é se conectar aos dados. Para isso, utiliza-se a conexão com o banco de dados MySQL, conforme apresentado na Figura 7. É selecionado no menu base a opção ’Obter Dados’ (1) > ’Mais’ (2) > ’Base de Dados MySQL’ (3) > ’Ligar’ (4).

Figura 7 – Conexão com os dados.

(25)

Os passos descritos para a conexão com os dados estão mostrados na Figura 8. As credenciais para acesso ao banco de dados são solicitadas. O servidor (1) e a base de dados (2) do MySQL a qual vamos nos conectar são inseridos. No campo instrução SQL (3), a query é escrita usando a linguagem SQL (Structured Query Language). Por fim, o ’OK’ (4) é selecionado para confirmação do comando. Essa query não traz a informação do id, a qual não é relevante para a construção desse modelo, e consulta apenas as colunas data, valor e sensor da tabela leagrid_monit que é a tabela correspondente aos dados coletados no LEA. Usando a cláusula WHERE, apenas as datas que tem o ano diferente de 0000 são retornadas. Datas que possuem ano igual a 0000 aconteceram quando o sistema já estava instalado e coletando dados, porém a configuração no banco ainda não tinha sido feita. A mesma query foi feita para as três tabelas de dados (Fortaleza (leagrid_monit), Maracanaú (pv_maracanau) e Colônia (pv_coloniamonit)).

Figura 8 – Conexão com o banco de dados.

Fonte – Elaborado pelo autor.

Na sequência é mostrada uma pré-visualização dos dados que é resultado da query realizada. O botão carregar é selecionado, conforme mostrado na Figura 9.

(26)

24

Figura 9 – Pré-visualização dos dados.

3.2.2 Tratamento dos dados

Na etapa de tratamento dos dados, pode-se realizar transformações de forma que os dados sejam adequados ao modelo.

Para iniciar o tratamento, é acessada no menu base a opção ’Editar Consultas’, conforme destacado na Figura 10.

Figura 10 – Editor de consultas.

Dentro do editor de consultas (Figura 11), mais conhecido como Power Query, a primeira alteração foi a separação da coluna de data e hora, que serão trabalhadas separadamente. No menu base, escolhe-se a opção ’Dividir Coluna’ (1). Como a hora está separada da data por um espaço, o delimitador como espaço é selecionado (2 e 3) para ser dividido a cada ocorrência (4). Por fim, seleciona-se ’OK’ (5).

(27)

Figura 11 – Separação da coluna de data e hora.

Feito esse procedimento para as três tabelas de dados e renomeadas as consultas de acordo com o local ao qual a tabela pertence (LEA, Maracanaú e Colônia), é preciso também renomear as novas colunas de data e hora que foram geradas. A Tabela 2 mostra como foram renomeadas as colunas criadas.

Tabela 2 – Nomenclatura das colunas.

Tabela Coluna Data Coluna Hora

LEA data_for hora_for

Maracanaú data_marac hora_marac

Colônia data_col hora_col

É preciso agora estabelecer uma conexão entre essas tabelas. No Power BI as tabelas são independentes uma da outra, o que significa que uma conexão deve ser criada para que a interface seja interativa entre todas as tabelas de dados. Para criar essa conexão, utiliza-se as colunas de data e hora, que são colunas que possuem informações em comum nas três tabelas. Assim, uma tabela calendário e uma tabela hora são criadas.

3.2.2.1 Tabela calendário

Para criar a tabela calendário, de acordo com a Figura 12, seleciona-se no menu base a opção ’Nova Origem’ (1) > ’Consulta em Branco’ (2). Essa opção de consulta em branco é utilizada quando não precisa consultar dados de uma fonte externa, mas sim, criar a própria

(28)

26

consulta dentro do Power Query utilizando a linguagem M.

Figura 12 – Criação de uma consulta em branco.

A tabela calendário deve ser uma sequência de todas as datas existentes nas tabelas de dados. Como os sistemas foram instalados em períodos diferentes, algumas tabelas possuem dados de datas mais antigas ou mais recentes. Para criar essa lista, primeiro obtém-se a data mais antiga existente entre as três tabelas de dados utilizando o comando List.Min:

1 = List . Min ( LEA [ d a t a _ f o r ] & C o l o n i a [ d a t a _ c o l ] & M a r a c a n a u [

d a t a _ m a r a c ])

onde o & concatena todas as colunas de datas das tabelas e o List.Min retorna a menor data entre as três tabelas conforme Figura 13. A essa consulta foi dado o nome de DataMin.

Figura 13 – Comando List.Min.

Para obter a data mais recente, utilizamos o comando List.Max:

2 = List . Max ( LEA [ d a t a _ f o r ] & C o l o n i a [ d a t a _ c o l ] & M a r a c a n a u [

(29)

onde o & concatena todas as colunas de datas das tabelas e o List.Max retorna a maior data existente entre as três, conforme Figura 14. A essa consulta foi dado o nome de DataMax.

Figura 14 – Comando List.Max.

Sabendo as datas mais antiga e mais recente, a lista de datas pode agora ser criada. Será utilizado o comando Duration.Days que identifica a quantidade de dias que se tem entre um intervalo de datas determinado:

3 = D u r a t i o n . Days ( D a t a M a x - D a t a M i n ) + 1

onde subtrai-se a maior data da menor e adiciona-se um para obter a quantidade exata de dias (ver Figura 15). Essa variável foi chamada de QtdeDias.

Figura 15 – Comando Duration.Days.

Com todas as informações necessárias para a criação da tabela calendário, cria-se a lista de datas usando o comando List.Dates que recebe três argumentos:

4 List . D a t e s ( s t a r t as date , c o u n t as number , step as d u r a t i o n )

onde a data de inicio da lista será o DataMin, a quantidade de dias é definida pela variável criada QtdeDias e o step será obtido a partir do comando #duration que pede quatro argumentos:

5 # d u r a t i o n ( days as number , h o u r s as number , m i n u t e s as

number , s e c o n d s as n u m b e r )

Para que seja acrescentado um dia a partir da data imediatamente anterior na lista de datas, o comando #duration fica da seguinte forma:

(30)

28

6 # d u r a t i o n (1 , 0 , 0 , 0)

Então, para o comando List.Dates tem-se:

7 = List . D a t e s ( DataMin , QtdeDias , # d u r a t i o n (1 , 0 , 0 , 0) )

Feito esse procedimento, a lista de datas é obtida e convertida em tabela na opção ’Para a Tabela’ no menu transformar, conforme Figura 16.

Figura 16 – Tabela calendário.

3.2.2.2 Tabela hora

Deve-se repetir o mesmo procedimento para a criação de uma tabela hora, já que as colunas de data e hora serão usadas separadamente. O comando utilizado para a criação da lista de horas é o List.Times. Este comando recebe três argumentos:

8 List . T i m e s ( s t a r t as time , c o u n t as number , step as d u r a t i o n )

onde para indicar a hora de início é utilizado o comando #time, que retorna a variável em formato horário:

9 # time ( hour as number , m i n u t e as number , s e c o n d as n u m b e r )

(31)

10 # time (0 , 0 , 0)

Como os valores são lidos e armazenados de um em um minuto no banco de dados durante 24 horas, são 60 minutos a cada hora, que resulta em um total diário de 60x24=1440. Assim, a tabela hora é composta por 1440 horários, onde cada um representa um minuto do dia, desde a hora 00:00 até a hora 23:59.

O argumento step recebe o comando #duration indicando que o incremento deve ser de um em um minuto:

11 # d u r a t i o n (0 , 0 , 1 , 0)

Então, o comando List.Times fica da seguinte forma:

12 = List . T i m e s (# time (0 , 0 , 0) , 1440 , # d u r a t i o n (0 , 0 , 1 , 0) )

A lista hora é criada e transformada para tabela. O resultado é mostrado na Figura 17.

Figura 17 – Tabela hora.

3.2.2.3 Tabela sensores

Para que seja possível a interação das variáveis medidas entre as três tabelas como, por exemplo, realizar comparações entre as variáveis de cada local, foi criada a tabela sensores. O primeiro passo é criar uma lista com os números correspondentes a cada sensor (1 a 14). Os mesmos passos descritos para criar uma consulta em branco são feitos novamente e o comando List.Combine, que cria uma lista com os valores desejados, é utilizado para criar a lista:

(32)

30

13 = List . C o m b i n e ({{1 , 2 , 3 , 4 , 5 , 6 , 7 , 8 , 9 , 10 , 11 , 12 , 13 ,

1 4 } } )

A lista gerada é apresentada na Figura 18.

Figura 18 – Lista de sensores.

Após a lista ser gerada e transformada em tabela, adiciona-se uma nova coluna no menu ’Adicionar Colunas’ (1) > ’Coluna Personalizada’ (2) como mostra a Figura 19. Nessa nova coluna, são acrescentadas as descrições de cada sensor. No campo ’Fórmula de coluna personalizada’ (3), os comandos if e else if são usados, na linguagem M, para fazer a correspondência de cada sensor com a sua descrição:

14 = if [ s e n s o r e s ] = "1" then " FV1 " 15 else if [ s e n s o r e s ] = "2" then " FV2 " 16 else if [ s e n s o r e s ] = "3" then " FV3 " 17 else if [ s e n s o r e s ] = "4" then " FV4 " 18 else if [ s e n s o r e s ] = "5" then " FV5 " 19 else if [ s e n s o r e s ] = "6" then " FV6 " 20 else if [ s e n s o r e s ] = "7" then " FV7 " 21 else if [ s e n s o r e s ] = "8" then " FV8 " 22 else if [ s e n s o r e s ] = "9" then " FV9 " 23 else if [ s e n s o r e s ] = "10" then " FV10 " 24 else if [ s e n s o r e s ] = "11" then " I r r a d i a n c i a " 25 else if [ s e n s o r e s ] = "12" then " T e m p e r a t u r a A m b i e n t e " 26 else if [ s e n s o r e s ] = "13" then " U m i d a d e " 27 else " V e l o c i d a d e do V e n t o "

(33)

Figura 19 – Criação da coluna de descrição dos sensores.

A Figura 20 mostra a tabela sensores final.

Figura 20 – Tabela sensores.

(34)

32

3.2.2.4 Tabela local

A última tabela criada para integrar os dados dos três locais é a tabela local.

Criando uma nova consulta em branco e usando o comando List.Combine, a lista com os nomes dos locais é gerada e transformada em tabela:

28 = List . C o m b i n e ({ {" F o r t a l e z a B r a s i l "} , {" C o l o n i a

-A l e m a n h a "} , {" M a r a c a n a ú - B r a s i l "}})

A Figura 21 mostra a tabela local gerada.

Figura 21 – Tabela local.

3.2.2.5 Aplicando as alterações

Depois de realizar todas essas etapas de tratamento dos dados no Power Query, é preciso aplicá-las ao modelo. Para isso, basta selecionar a opção ’Fechar e Aplicar’ no menu base, conforme mostra a Figura 22.

Figura 22 – Aplicando as alterações.

(35)

3.2.3 Relacionar os dados

Depois de criadas todas as tabelas necessárias para relacionar os dados e aplicadas as alterações ao modelo, os dados ficam disponíveis na tela principal (Power Pivot) do Power BI, conforme destacado na Figura 23.

Figura 23 – Alterações disponíveis no modelo.

É preciso agora fazer a relação entre esses dados. Clicando no menu esquerdo no ícone de ’Relações’, é possível relacionar o que existe em comum entre todas as tabelas criadas apenas ligando esses campos com o mouse. A Figura 24 mostra as relações feitas entre a tabela calendário e as tabelas de dados.

(36)

34

Figura 24 – Relação da tabela calendário com as tabelas de dados.

Para que seja possível relacionar a tabela local com as tabelas de dados, é necessária a criação de uma coluna, dentro de cada tabela, que indique qual o local correspondente a cada tabela. Com a tabela a qual se deseja adicionar a coluna selecionada, conforme mostra o passo (1) na Figura 25, no menu ’Modelação’ (2) > ’Nova coluna’ (3), adiciona-se um código simples, utilizando a linguagem DAX (4), para identificação do local:

29 L o c a l _ f o r = " F o r t a l e z a - CE "

Figura 25 – Coluna local.

(37)

O mesmo é feito para o restante das tabelas de dados:

30 L o c a l _ m a r a c = " M a r a c a n a ú - CE " 31 L o c a l _ c o l = " C o l o n i a - A l e m a n h a "

Depois de relacionadas a tabela calendário com os campos de data de cada tabela de dados, a tabela hora com os campos de hora, a tabela sensores com os campos sensor, e a tabela local com os campos local, a relação de todos os dados fica conforme a Figura 26.

Figura 26 – Relação de todas as tabelas criadas com as tabelas de dados.

3.2.4 Criação da interface

Realizadas as etapas de conexão e tratamento dos dados, a interface pode agora ser criada. O Power BI disponibiliza diversos tipos de visualizações em formatos de gráficos, tabelas, mapas, cartões, que vem integrados na ferramenta, conforme destacado na Figura 27 na aba ’Visualizações’. É possível ainda baixar novas visualizações no site ou no marketplace do Power BI. Na aba ’Campos’ são inseridas as variáveis que compõem as visualizações e na aba ’Formato’ é possível formatar as visualizações conforme desejado.

(38)

36

Figura 27 – Visualizações disponíveis no Power BI.

Com todos os procedimentos realizados até aqui, serão criadas cinco páginas com diferentes visualizações que irão compor a interface. As três primeiras trazem informações sobre cada planta FV, a quarta apresenta gráficos utilizando as variáveis medidas pela rede de monitoramento, e a última reúne gráficos que serão criados com variáveis calculadas obtidas a partir das variáveis coletadas. A interface é apresentada no Capítulo 4.

(39)

4 RESULTADOS

As primeiras visualizações criadas trazem informações sobre as plantas FV instaladas em cada local. Essas visualizações são compostas por um mapa, que mostra a localização de cada planta, uma imagem da planta FV instalada e um texto com suas informações mais relevantes.

O mapa foi criado usando a visualização ’Mapa’, em destaque na Figura 28, inserindo a coluna ’Local_for’ no campo ’Localização’.

Figura 28 – Criação do mapa.

Para adicionar uma imagem no Power BI, seleciona-se o menu ’Base’ (1) > ’Imagem’ (2), conforme Figura 29.

Figura 29 – Inserir imagem.

Depois disso, foi acrescentado um título e o texto com as informações. As Figuras 30 (Fortaleza), 31 (Maracanaú) e 32 (Colônia) apresentam os resultados das três primeiras páginas da interface.

(40)

38

Figura 30 – Página 1 da interface: planta FV de Fortaleza.

Figura 31 – Página 2 da interface: planta FV de Maracanaú.

(41)

Figura 32 – Página 3 da interface: planta FV de Colônia.

A quarta página é composta por dois gráficos. O primeiro gráfico foi criado com a visualização chamada Power KPI. Essa visualização é importada do marketplace do Power BI selecionando o ícone ’Importar um visual personalizado’ (1) > ’Importar do marketplace’ (2) > ’Adicionar’ (3). Essa visualização é utilizada pois permite a criação de gráficos com eixo duplo.

Figura 33 – Importação de visual do marketplace.

(42)

40

valores medidos, por exemplo, de 08:00 até 08:09, são agrupados e geram a média de 08:00. A criação desses grupos de médias é apresentada na Figura 34. É selecionada a opção ’Mais Opções’ (1) > ’Novo Grupo’ (2). O campo é nomeado para hora_10min (3), o ’Tipo de grupo’ é escolhido como discretizar (4), o tamanho da discretização é selecionado em ’Tipo de Discretização’ (5) e o ’Tamanho da Discretização’ é inserido para ser de 10 minutos (6). Finalmente, o ’OK’ (7) é selecionado.

Figura 34 – Criação dos grupos de médias de 10 minutos.

Conforme apresenta a Figura 35, a opção de visualização Power KPI é selecionada (1). Em (2), coloca-se o campo hora_10min que será o eixo X do gráfico. No campo ’Values’ (3) e o campo ’Secondary Values’ (4) são inseridas as variáveis representadas no eixo Y principal e secundário, respectivamente.

(43)

Figura 35 – Criação do gráfico com as variáveis medidas.

Como foram inseridas muitas variáveis em um mesmo gráfico, para que este se torne interativo e de fácil análise, é preciso adicionar filtros para que o usuário selecione apenas o que deseja ver. O primeiro filtro a ser adicionado é o de local, onde o usuário pode escolher se deseja ver dados de Fortaleza, Maracanaú e/ou Colônia. Para criá-lo, é utilizada a visualização ’Segmentação de dados’ e a variável Local da tabela local é inserida em ’Campo’, destacado na Figura 36. Todos os outros filtros criados foram feitos dessa mesma maneira.

(44)

42

Figura 36 – Criação do filtro local.

O mesmo foi feito para a variável data da tabela calendário. Nesse gráfico, a variável temperatura do módulo não será mostrada individualmente, apresentando uma curva para cada medida de temperatura, mas sim como uma média de todas as temperaturas medidas. Então, para que o filtro não mostre todos os módulos FV (FV1, FV2, etc), uma nova coluna foi criada para agrupar todas essas medidas. Foi utilizada a função Search, em linguagem DAX, que recebe quatro argumentos:

32 S E A R C H ( f i n d _ t e x t , w i t h i n _ t e x t , [ s t a r t _ n u m ] ,[ N o t F o u n d V a l u e ])

onde o find_text é o texto que está sendo procurado, within_text é onde o texto será procurado, start_numé um argumento opcional que indica a partir de qual posição o texto deve ser procurado e o NotFoundValue, que também é um argumento opcional, é retornado quando o texto não for encontrado.

Outra função utilizada foi a if que, na liguagem DAX, tem a seguinte estrutura:

33 IF ( l o g i c a l _ t e s t , v a l u e _ i f _ t r u e , v a l u e _ i f _ f a l s e )

Finalmente, o campo nomeado sensores_uni, fazendo a correspondência dos sensores de acordo a Tabela 1, fica da seguinte forma:

(45)

34 s e n s o r e s _ u n i = 35 36 IF ( S E A R C H (" fv "; S e n s o r e s [ d e s c r i c a o ] ; ; 0 ) < >0;" Temp . FV "; 37 38 IF ( S e n s o r e s [ s e n s o r ] = " 1 1 " ; " I r r a d i a n c i a "; 39 40 IF ( S e n s o r e s [ s e n s o r ] = " 1 2 " ; " T e m p e r a t u r a A m b i e n t e "; 41 42 IF ( S e n s o r e s [ s e n s o r ] = " 1 3 " ; " U m i d a d e "; 43 44 IF ( S e n s o r e s [ s e n s o r ] = " 1 4 " ; " V e l o c i d a d e do V e n t o ") ) ) ) )

Utilizando essa expressão, apenas os sensores que possuem na coluna ’descrição’ a sigla FV, indicando que são sensores que medem a temperatura do módulo, serão agrupados dentro de uma nova e única variável chamada Temp. FV. Dessa forma, o usuário poderá escolher se deseja visualizar os dados de temperatura dos módulos (Temp. FV), irradiância, temperatura ambiente, umidade e/ou velocidade do vento.

O último filtro importante é o filtro de data. Com esse filtro, o usuário pode selecionar qualquer período que desejar para analisar os dados. O título, as imagens da UFC e do LEA foram também adicionados. O resultado final é mostrado na Figura 37.

Figura 37 – Gráfico de dados com filtros aplicados.

(46)

44

De acordo como mostra a Figura 38, com o mouse é possível ver no detalhe os valores das variáveis nos determinados horários.

Figura 38 – Detalhe dos valores no gráfico.

O próximo gráfico criado mostra as temperaturas dos módulos FV separadamente. Para que isso seja possível é preciso criar novas colunas, cada uma com os valores medidos de cada módulo pois essas variáveis vem todas agrupadas do banco de dados. Assim, as novas colunas são criadas utilizando o comando if, na linguagem DAX, da seguinte forma:

45 FV1 - For = IF ( LEA [ s e n s o r _ f o r ]=1; LEA [ v a l o r _ f o r ]; B L A N K () )

A expressão lógica if verifica se o valor do sensor (sensor_for) da tabela LEA é igual a 1. Se for, a função retorna o valor medido para aquele sensor (valor_for), também da tabela LEA. Se não for, retorna vazio (BLANK()). FV1 - For identifica que é o módulo de número 1 da cidade de Fortaleza. Criadas as colunas para todos os sensores dos módulos (1 a 10), dentro de cada tabela (LEA, Maracanaú e Colônia), estas são inseridas na visualização ’Gráfico de Linhas’, conforme Figura 39.

(47)

Figura 39 – Criação do gráfico das temperaturas dos módulos FV.

O resultado é apresentado na Figura 40.

Figura 40 – Gráfico das temperaturas dos módulos FV separadamente.

Os filtros de local e data são também aplicados a esse gráfico de temperatura dos módulos FV mostrado na Figura 40.

(48)

46

A quinta e última página da interface é composta por gráficos criados a partir de cálculos realizados com as variáveis do banco de dados. O primeiro deles mostra os valores máximos, médios e mínimos.

Para o cálculo dos valores máximos, a seguinte expressão DAX foi utilizada:

46 M á x . I r r a d i a n c i a - For = MAX ( LEA [ I r r a d i a n c i a - For ])

onde MAX retorna o maior valor encontrado de irradiância da tabela LEA.

Para o cálculo dos valores mínimos, utilizou-se a função CALCULATE na linguagem DAX:

47 C A L C U L A T E ( e x p r e s s i o n ; f i l t e r 1 ; f i l t e r 2 )

onde esta retorna uma expressão de acordo com os filtros aplicados. Assim, a expressão para calcular os valores mínimos fica:

48 M í n . I r r a d i a n c i a - For = C A L C U L A T E ( MIN ( LEA [ I r r a d i a n c i a - For ]) ;

LEA [ I r r a d i a n c i a - For ] < >0)

onde a função CALCULATE retorna o valor mínimo de irradiância da tabela LEA com a função MIN, mostrando apenas os valores diferentes de zero (LEA[Irradiancia-For]<>0).

Para os valores médios basta utilizar as colunas originais do banco de dados que já retornam automaticamente a média. Calculados todos máximos, médios e mínimos de todas as variáveis para todas as tabelas, utilizando a visualização de ’Gráficos Empilhados’, adicionando todos os cálculos e os filtros de local, data e sensores, a visualização fica conforme a Figura 41.

(49)

Figura 41 – Gráfico de máximos, médios e mínimos com filtros aplicados.

As últimas visualizações da interface mostram os valores de irradiação diária e mensal. A irradiação (kWh/m2) é calculada da seguinte forma:

49 I r r a d i a ç ã o - For =( A V E R A G E ( LEA [ I r r a d i a n c i a - For ]) *24) / 1 0 0 0

onde AVERAGE calcula a média da irradiância da tabela LEA. O resultado final é apresentado na Figura 42.

Figura 42 – Gráficos de irradiação diária e mensal.

(50)

48

Para que a interface possa ser acessada pelos usuários, é possível publicá-la na Internet. Primeiramente, é preciso a criação de uma conta que pode ser feita no site do Power BI. A desvantagem aqui é que essa conta não pode ser criada com qualquer tipo de e-mail. É necessário um e-mail com um domínio privado, ou seja, gmails, hotmails e outros não são permitidos. Por isso, a conta foi criada utilizando o e-mail institucional da UFC com o domínio @alu.ufc.br.

Após a criação da conta, inicia-se a sessão (1) com o e-mail (2) e seleciona-se ’Iniciar sessão’ (3) conforme mostra a Figura 43.

Figura 43 – Iniciando a sessão.

De acordo com a Figura 44, seleciona-se a opção ’Publicar’ (1) > ’A minha área de trabalho’ (2) > ’Selecionar’ (3).

Figura 44 – Publicar no Power BI Web.

(51)

Feito isso, a interface está agora disponível no servidor online do Power BI que pode ser acessado no site do Power BI com a conta criada. Com essa publicação, apenas o usuário da conta tem acesso a interface. Então, é necessário publicá-la na Internet. Acessada a conta no site do Power BI, seleciona-se ’Arquivo’ (1) > ’Publicar na Web’ (2) e o link para compartilhamento é gerado (3). Com esse link, qualquer usuário pode ter acesso à interface desenvolvida.

Figura 45 – Publicar no Power BI Web.

A atualização dos dados na interface pode ser feita de várias formas. Na versão gratuita, é preciso a instalação de um gateway, que fará a ponte entre o banco dos dados e a interface no servidor online do Power BI. A instalação do gateway pode ser realizada no próprio site do Power BI.

Instalado o gateway, a Figura 46 mostra o passo a passo para atualização dos dados. No menu ’Meu Workspace’, ’Conjunto de dados’ (1) > ’Abrir o menu’ (2) > ’Atualizar agora’ (3). É possível também programar a atualização (4) para que esta fique automática. No entanto, é necessário a instalação do gateway em um computador que fique ligado durante os períodos programados para atualização.

(52)

50

Figura 46 – Atualização dos dados.

(53)

5 CONCLUSÕES

Desde a publicação da Resolução Normativa Nº 482 de 2012, observa-se um crescente aumento de unidades descentralizadas de geração de energia elétrica. No Brasil, esse crescimento é consequência da necessidade da diversificação da matriz energética que possui sua maior dependência nas hidrelétricas que sofrem com períodos de seca.

Cada vez mais é necessário o constante monitoramento e avaliação desses sistemas descentralizados. O monitoramento é um recurso importante que pode identificar se a planta FV está operando de acordo com o esperado.

Com aumento da GD, um grande volume de dados são gerados e torna-se um desafio a manipulação e análise. Só no LEA da UFC são gerados 14.400 medições em um único dia. Tratar esses dados no Excel por exemplo, é uma tarefa bastante trabalhosa e desgastante, apesar de ser uma ferramenta simples e conhecida pela maioria das pessoas.

No entanto, as ferramentas de BI vem com o intuito de proporcionar informações de forma organizada e coerente, disponibilizando meios para que a análise e tomada de decisão sejam rápidas e assertivas. Essas ferramentas são capazes de transformar, processar e compartilhar uma grande quantidade de dados de forma eficiente.

Este trabalho foi desenvolvido utilizando a ferramenta de BI da Microsoft chamada Power BI. O Power BI está sendo amplamente utilizado por grandes empresas por ser um ferramenta acessível e robusta quando se trata de tratamento, análise e compartilhamento de um grande volume de dados.

Foi desenvolvida uma interface de monitoramento remota utilizando o Power BI que se conecta a um banco de dados MySQL. Esse banco recebe variáveis coletadas dos sistemas de monitoramento instalados em Fortaleza, Maracanaú e Colônia. Utilizando os dados extraídos dessa conexão com o banco, foram criados diversos gráficos a partir das variadas visualizações disponíveis na ferramenta. Esses gráficos permitem o monitoramento e a análise dos dados coletados nos sistemas FV instalados com maior facilidade e agilidade. A interface está sendo utilizada e disponível para todos que possuem o link de acesso.

(54)

52

6 TRABALHOS FUTUROS

Neste capítulo são apresentados os tópicos para desenvolvimento de trabalhos futuros:

• Acrescentar dados coletados pelo CLP e inversor que não estão disponíveis na nuvem, apenas localmente.

• Automatizar a atualização dos dados do CLP e inversor. • Adaptar a interface para acesso mobile.

(55)

REFERÊNCIAS

ABREU, C. S. P. de; PEREZ, A. L. F. SISTEMA PARA CONTROLE DE ABRIGOS DE CULTIVO COM UTILIZAÇÃO DE ENERGIA SOLAR FOTOVOLTAICA. 2017. XIII Simpósio Brasileiro de Automação Inteligente, Porto Alegre – RS. Disponível em:

<https://www.ufrgs.br/sbai17/papers/paper_702.pdf>. Acesso em: 10 out. 2018.

ACKERMANN, T.; ANDERSSON, G.; SÖDER, L. Distributed generation: a definition. Electric Power Systems Research, Elsevier, v. 57, n. 3, p. 195–204, Junho 2000. Disponível em: <https://fardapaper.ir/mohavaha/uploads/2017/09/DG_definition.pdf>.

ANEEL. Atlas de Energia Elétrica do Brasil 3ª edição. 2008. Disponível em: <http://www2.aneel.gov.br/arquivos/pdf/atlas3ed.pdf>. Acesso em: 13 ago. 2018.

ANEEL. Resolução Normativa Nº 482. 2015. 2015. Disponível em:

<http://www2.aneel.gov.br/cedoc/ren2012482.pdf>. Acesso em: 13 ago. 2018.

AZURE, M. O que são ferramentas de business intelligence (BI)? 2018. Disponível em: <https://azure.microsoft.com/pt-br/overview/what-are-business-intelligence-tools/>. Acesso em:

09 nov. 2018.

CORRÊA, L. C. Desenvolvimento e Avaliação de um Protótipo para Monitoramento e Aquisição de Dados Climáticos para Geradores Fotovoltaicos. 2011. Monografia em Engenharia Elétrica pela Universidade Federal do Pampa.

FREITAS, B. M. R.; HOLLANDA, L. Micro e Minigeração no Brasil: Viabilidade Econômica e Entraves do Setor. 2015.

HALMEMAN, R. J. DESENVOLVIMENTO DE UM SISTEMA PARA MONITORAMENTO REMOTO EM CENTRAIS DE MICROGERAÇÃO

FOTOVOLTAICA. 2012. Tese de Doutorado - Faculdade de Ciências Aplicadas, UNESP. Disponível em: <http://www.pg.fca.unesp.br/Teses/PDFs/Arq1123.pdf>. Acesso em: 22 out. 2018.

MACHADO, D. J. da C. Plataforma de monitorização e análise de desempenho de produção de parques fotovoltaicos. 2012. Dissertação de Mestrado em Engenharia Eletrotécnica e de Computadores, FEUP.

MICROSOFT. Início rápido: Aprenda os fundamentos de DAX em 30 minutos. 2018. Disponível em: <https://support.office.com/pt-br/article/

início-rápido-aprenda-os-fundamentos-de-dax-em-30-minutos-51744643-c2a5-436a-bdf6-c895762bec1a>. Acesso em: 31 out. 2018.

MICROSOFT. O que é Power BI? 2018. Disponível em:

<https://docs.microsoft.com/pt-br/power-bi/power-bi-overview>. Acesso em: 16 out. 2018. NASCIMENTO, R. L. ENERGIA SOLAR NO BRASIL: SITUAÇÃO E PERSPECTIVAS. 2017. Disponível em: <http://bd.camara.gov.br/bd/bitstream/handle/bdcamara/32259/energia_ solar_limp.pdf?sequence=1>. Acesso em: 13 ago. 2018.

PEREIRA, R. REDE DE MONITORAMENTO IOT APLICADA EM PLANTAS DE MICROGERAÇÃO FOTOVOLTAICA. 2018. Tese de Doutorado - Programa de

(56)

54

Pós-Graduação em Engenharia Elétrica, UFC. Disponível em: <http://www.repositorio.ufc.br/handle/riufc/37389>.

PIOMBINI, E. S.; MELO, W. W. M.; CAMPOS, G. A. do P. APLICATIVO ANDROID PARA MONITORAMENTO REMOTO DE MÓDULOS FOTOVOLTAICOS. 2018. VII Congresso Brasileiro de Energia Solar.

SAUAIA, R. L. Geração Distribuída Solar Fotovoltáica: Benefícios Líquidos ao Brasil. 2018. Disponível em: <http://www.aneel.gov.br/documents/656877/16832773/4+-+ABSOLAR+ GD+Solar+Fotovoltaica.pdf/f0d41ea4-4bba-8cf8-fb02-b864dc83c293>. Acesso em: 13 ago. 2018.

SILVA, A. P. G. da; SALVADOR, M. O que são sistemas supervisórios? 2005. Disponível em: <https://s3.amazonaws.com/academia.edu.documents/36182970/sist_superv.pdf?

AWSAccessKeyId=AKIAIWOWYYGZ2Y53UL3A&Expires=1540248895&Signature= P39mzzKD1+VqDS9iat9BHRQeXlI=&response-content-disposition=inline;filename=O_ que_sao_sistemas_supervisorios.pdf>. Acesso em: 22 out. 2018.

TORRES, R. Energia solar fotovoltaica como fonte alternativa de geração de energia elétrica em edificações residenciais. 2012. Dissertação de Mestrado - Programa de

Pós-Graduação em Engenharia Mecânica e Área de Concentração em Térmica e Fluídos, USP. WOYTE, A.; RICHTER, M.; MOSER, D.; MAU, S.; REICH, N.; JAHN, U. Monitoring of Photovoltaics Systems: Good Practices and Systematic Analysis. 2013. Presented at the 28TH European PV Solar Energy Conference and Exhibition, Paris, France.