universidade federal do cearÁ centro de ......desenvolvimento de uma interface de monitoramento...

UNIVERSIDADE FEDERAL DO CEARÁ

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


DESENVOLVIMENTO DE UMA INTERFACE DE MONITORAMENTO PARA MINI E

MICROGERAÇÃO FOTOVOLTAICA

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

Orientador: Prof. Dr. Paulo Cesar Marques deCarvalho

Coorientadora: Dra. Renata ImaculadaSoares Pereira

FORTALEZA – CEARÁ

2018

Dados Internacionais de Catalogação na Publicação Universidade Federal do Ceará

Biblioteca UniversitáriaGerada 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 deCastro 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

UFCCaixa de texto4

UFCCaixa de textoDantas, Lorena de Castro.


DESENVOLVIMENTO DE UMA INTERFACE DE MONITORAMENTO PARA MINI E

MICROGERAÇÃO FOTOVOLTAICA

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

Aprovada em:

BANCA EXAMINADORA

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

Prof. Dr. Paulo Peixoto PraçaUniversidade Federal do Ceará - UFC

Prof. Dr. Sandro César Silveira JucáInstituto Federal do Ceará - IFCE Campus Maracanaú

Dedico este trabalho a Deus e à minha família.

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.

“A chain is only as strong as its weakest link.”

(Silberschatz, G.)

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.

Palavras-chave: Geração fotovoltaica. Geração distribuída. Interface de monitoramento.

ABSTRACT

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.

Keywords: Photovoltaic generation. Distributed generation. Monitoring interface.

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

Figura 30 – Página 1 da interface: planta FV de Fortaleza. . . . . . . . . . . . . . . . . 38

Figura 31 – Página 2 da interface: planta FV de Maracanaú. . . . . . . . . . . . . . . . 38

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

Figura 46 – Atualização dos dados. . . . . . . . . . . . . . . . . . . . . . . . . . . . . 50

LISTA DE TABELAS

Tabela 1 – Sensores. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21

Tabela 2 – Nomenclatura das colunas. . . . . . . . . . . . . . . . . . . . . . . . . . . 25

LISTA DE ABREVIATURAS E SIGLAS

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

UFV Central Geradora Fotovoltaica

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

13

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

14

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

Figura 1 – Rede de monitoramento remoto.

Fonte – PEREIRA (2018).

15

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.

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

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.

A mini e microgeração permitiram flexibilização aos consumidores de energia, que

17

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.

No trabalho de (PIOMBINI; MELO; CAMPOS, 2018), foi apresentado um aplicativo

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

Excel quando 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.

19

Figura 5 – Web Monitor.

Fonte – Elaborado pelo autor.

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.


21

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

Tabela 1 – Sensores.Sensor Variável1 a 10 Temperaturas dos módulos FV11 Irradiância12 Temperatura ambiente13 Umidade relativa14 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.

O modelo aqui apresentado foi desenvolvido utilizando a versão gratuita. A versão

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.


23

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.


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.

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).

25

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 HoraLEA data_for hora_forMaracanaú data_marac hora_maracColônia 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

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[data_for] & Colonia[data_col] & Maracanau[data_marac ])

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[data_for] & Colonia[data_col] & Maracanau[data_marac ])

27

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 = Duration.Days(DataMax - DataMin) + 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.Dates(start as date ,count as number ,step as duration)

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 #duration(days as number , hours as number , minutes as

number , seconds as number)

Para que seja acrescentado um dia a partir da data imediatamente anterior na lista de

datas, o comando #duration fica da seguinte forma:

28

6 #duration(1, 0, 0, 0)

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

7 = List.Dates(DataMin , QtdeDias , #duration(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.Times(start as time ,count as number ,step as duration)

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

horário:

9 #time(hour as number , minute as number , second as number)

Sendo a hora de início 00:00 o comando #time se apresenta na forma:

29

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 #duration(0, 0, 1, 0)

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

12 = List.Times(#time(0, 0, 0), 1440, #duration(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:

30

13 = List.Combine ({{1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12, 13,14}})

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 [sensores] = "1" then "FV1"15 else if [sensores] = "2" then "FV2"16 else if [sensores] = "3" then "FV3"17 else if [sensores] = "4" then "FV4"18 else if [sensores] = "5" then "FV5"19 else if [sensores] = "6" then "FV6"20 else if [sensores] = "7" then "FV7"21 else if [sensores] = "8" then "FV8"22 else if [sensores] = "9" then "FV9"23 else if [sensores] = "10" then "FV10"24 else if [sensores] = "11" then "Irradiancia"25 else if [sensores] = "12" then "Temperatura Ambiente"26 else if [sensores] = "13" then "Umidade"27 else "Velocidade do Vento"

Para finalizar, o ’OK’ (4) é selecionado.

31

Figura 19 – Criação da coluna de descrição dos sensores.


A Figura 20 mostra a tabela sensores final.

Figura 20 – Tabela sensores.


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.Combine ({ {" Fortaleza - Brasil"}, {" Colonia -Alemanha"}, {" Maracanaú - Brasil "}})

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.


33

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.

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 Local_for = "Fortaleza - CE"

Figura 25 – Coluna local.


35

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

30 Local_marac = "Maracanaú - CE"31 Local_col = "Colonia - Alemanha"

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.

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.

37

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.

38

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


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


39

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.


Os gráficos de dados são construídos a partir das médias de 10 minutos. Os dez

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.

41

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.

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 SEARCH(find_text ,within_text , [start_num],[ NotFoundValue ])

onde o find_text é o texto que está sendo procurado, within_text é onde o texto será procurado,

start_num é 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(logical_test , value_if_true , value_if_false)

Finalmente, o campo nomeado sensores_uni, fazendo a correspondência dos sensores

de acordo a Tabela 1, fica da seguinte forma:

43

34 sensores_uni =35

36 IF(SEARCH ("fv"; Sensores[descricao ];;0) 0;"Temp. FV";37

38 IF(Sensores[sensor ]="11";" Irradiancia ";39

40 IF(Sensores[sensor ]="12";" Temperatura Ambiente ";41

42 IF(Sensores[sensor ]="13";" Umidade ";43

44 IF(Sensores[sensor ]="14";" Velocidade do Vento")))))

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.


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[sensor_for ]=1; LEA[valor_for ]; BLANK ())

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.

45

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.

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 Máx. Irradiancia - For = MAX(LEA[Irradiancia -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 CALCULATE(expression;filter1;filter2)

onde esta retorna uma expressão de acordo com os filtros aplicados.

Assim, a expressão para calcular os valores mínimos fica:

48 Mín. Irradiancia - For=CALCULATE(MIN(LEA[Irradiancia -For]);LEA[Irradiancia -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.

47

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 Irradiação - For=( AVERAGE(LEA[Irradiancia -For])*24) /1000

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.


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.


49

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.

50

Figura 46 – Atualização dos dados.


A interface está disponível no link: https://bit.ly/2PEj5KT

51

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.

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.

53

REFERÊNCIAS

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

ANEEL. Atlas de Energia Elétrica do Brasil 3ª edição. 2008. Disponível em:. Acesso em: 13 ago. 2018.

ANEEL. Resolução Normativa Nº 482. 2015. 2015. Disponível em:. Acesso em: 13 ago. 2018.

AZURE, M. O que são ferramentas de business intelligence (BI)? 2018. Disponível em:. Acesso em:09 nov. 2018.

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

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

HALMEMAN, R. J. DESENVOLVIMENTO DE UM SISTEMA PARAMONITORAMENTO REMOTO EM CENTRAIS DE MICROGERAÇÃOFOTOVOLTAICA. 2012. Tese de Doutorado - Faculdade de Ciências Aplicadas, UNESP.Disponível em: . Acesso em: 22 out.2018.

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

MICROSOFT. Início rápido: Aprenda os fundamentos de DAX em 30 minutos. 2018.Disponível em: .Acesso em: 31 out. 2018.

MICROSOFT. O que é Power BI? 2018. Disponível em:. Acesso em: 16 out. 2018.

NASCIMENTO, R. L. ENERGIA SOLAR NO BRASIL: SITUAÇÃO E PERSPECTIVAS.2017. Disponível em: . Acesso em: 13 ago. 2018.

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

https://www.ufrgs.br/sbai17/papers/paper_702.pdfhttps://fardapaper.ir/mohavaha/uploads/2017/09/DG_definition.pdfhttp://www2.aneel.gov.br/arquivos/pdf/atlas3ed.pdfhttp://www2.aneel.gov.br/cedoc/ren2012482.pdfhttps://azure.microsoft.com/pt-br/overview/what-are-business-intelligence-tools/http://www.pg.fca.unesp.br/Teses/PDFs/Arq1123.pdfhttps://support.office.com/pt-br/article/in�cio-r�pido-aprenda-os-fundamentos-de-dax-em-30-minutos-51744643-c2a5-436a-bdf6-c895762bec1ahttps://support.office.com/pt-br/article/in�cio-r�pido-aprenda-os-fundamentos-de-dax-em-30-minutos-51744643-c2a5-436a-bdf6-c895762bec1ahttps://docs.microsoft.com/pt-br/power-bi/power-bi-overviewhttp://bd.camara.gov.br/bd/bitstream/handle/bdcamara/32259/energia_solar_limp.pdf?sequence=1http://bd.camara.gov.br/bd/bitstream/handle/bdcamara/32259/energia_solar_limp.pdf?sequence=1

54

Pós-Graduação em Engenharia Elétrica, UFC. Disponível em:.

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

SAUAIA, R. L. Geração Distribuída Solar Fotovoltáica: Benefícios Líquidos ao Brasil.2018. Disponível em: . Acesso em: 13 ago.2018.

SILVA, A. P. G. da; SALVADOR, M. O que são sistemas supervisórios? 2005. Disponível em:. Acesso em: 22 out. 2018.

TORRES, R. Energia solar fotovoltaica como fonte alternativa de geração de energiaelétrica em edificações residenciais. 2012. Dissertação de Mestrado - Programa dePós-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 ofPhotovoltaics Systems: Good Practices and Systematic Analysis. 2013. Presented at the28TH European PV Solar Energy Conference and Exhibition, Paris, France.

http://www.repositorio.ufc.br/handle/riufc/37389http://www.aneel.gov.br/documents/656877/16832773/4+-+ABSOLAR+GD+Solar+Fotovoltaica.pdf/f0d41ea4-4bba-8cf8-fb02-b864dc83c293http://www.aneel.gov.br/documents/656877/16832773/4+-+ABSOLAR+GD+Solar+Fotovoltaica.pdf/f0d41ea4-4bba-8cf8-fb02-b864dc83c293https://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.pdfhttps://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.pdfhttps://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.pdfhttps://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

universidade federal do cearÁ centro de ......desenvolvimento de uma interface de monitoramento...

Documents