Pós-Graduação em Ciência da Computação – UFPE
Defesa de Tese de Doutorado Nº
 558

Aluno: Andrea Maria Nogueira Cavalcanti Ribeiro
Orientador: Prof. Djamel Fawzi Hadj Sadok
Coorientadora: Profa. Patricia Takako Endo (UPE)
Título: Gerenciamento de energia elétrica de uma indústria de resinas 
termoplásticas
Data: 01/04/2022
Hora/Local: 15h – Virtual – Interessados em assistir entrar em contato com a aluna
Banca Examinadora:
Prof. Aluizio Fausto Ribeiro Araújo (UFPE / Centro de Informática)
Prof. Nelson Souto Rosa (UFPE) / Centro de Informática )
Prof. Gustavo Medeiros de Souza Azevedo (UFPE)  / Departamento de Engenharia Elétrica )
Prof. Eduardo James Pereira Souto (UFAM)   / Instituto de Computação Computação)
Prof. Glauco Estácio Gonçalves  (UFPA / Instituto de Tecnologia )


RESUMO:

A eletricidade se tornou uma das principais fontes de calor e de força nas 
indústrias, representando um percentual importante nos custos da produção.       
É possível afirmar que no contexto mundial o setor industrial é o maior 
consumidor de energia elétrica e a fabricação com uso de energia-intensiva 
é o maior componente desse setor. No contexto nacional o consumo de energia 
elétrica pelas indústrias atualmente representa 35% do consumo total de 
energia consumida no país. A busca por uma melhor eficiência energética 
pelo setor industrial, vem tornando, cada vez mais frequente. O uso de 
dispositivos de Internet of Things (IoT), energias renováveis, 
gerenciamento e monitoramento de energia, bem como Inteligência Artificial 
(IA) são alternativas para alcançar a redução e o consumo consciente da 
energia elétrica. Desta forma, esta pesquisa de doutorado teve como 
objetivo o desenvolvimento de um framework de gerenciamento de energia 
elétrica em uma indústria de resinas termoplásticas. O framework recebe 
como entrada dados de variáveis elétricas e variáveis de processo da planta 
industrial e produz como saída informações para auxiliar a tomada de 
decisão: gráficos com a predição do identificador de desempenho energético; 
alertas; faixas de vazão de produção e tempo de produção; retorno do 
investimento de um dado equipamento ou material, entre outros. O 
processamento desses dados é realizado através da integração entre três 
modelos baseados em técnicas de IA, otimização linear e lei da afinidade – 
modelo de predição do consumo de energia elétrica, escalonamento da vazão 
de produção e viabilidade de materiais e equipamentos. Para validação do 
framework um estudo de caso foi realizado e foi verificado uma economia de 
9,74% oriunda da aplicação do modulo de escalonamento e uma economia mensal 
de aproximadamente R$ 9.000 oriunda do módulo de viabilidade. Além disso, o 
framework contribuiu para a manutenção do certificado da ISO 50001.

Palavras-chave: Eficiência energética. Predição. Consumo de energia 
industrial. Aprendizagem profunda. Aprendizagem de máquina. Escalonamento. 
Viabilidade.

Comentários desativados