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