universidade federal do cearÁ centro de ......desenvolvimento de uma interface de monitoramento...
TRANSCRIPT
-
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
-
LORENA DE CASTRO DANTAS
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.
-
LORENA DE CASTRO DANTAS
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.
Fonte – Elaborado pelo autor.
-
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.
Fonte – Elaborado pelo autor.
-
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.
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.
-
24
Figura 9 – Pré-visualização dos dados.
Fonte – Elaborado pelo autor.
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.
Fonte – Elaborado pelo autor.
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.
Fonte – Elaborado pelo autor.
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.
Fonte – Elaborado pelo autor.
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.
Fonte – Elaborado pelo autor.
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.
Fonte – Elaborado pelo autor.
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.
Fonte – Elaborado pelo autor.
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.
Fonte – Elaborado pelo autor.
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.
Fonte – Elaborado pelo autor.
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.
Fonte – Elaborado pelo autor.
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.
Fonte – Elaborado pelo autor.
A Figura 20 mostra a tabela sensores final.
Figura 20 – Tabela sensores.
Fonte – Elaborado pelo autor.
-
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.
Fonte – Elaborado pelo autor.
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.
Fonte – Elaborado pelo autor.
-
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.
Fonte – Elaborado pelo autor.
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.
Fonte – Elaborado pelo autor.
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.
Fonte – Elaborado pelo autor.
-
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.
Fonte – Elaborado pelo autor.
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.
Fonte – Elaborado pelo autor.
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.
Fonte – Elaborado pelo autor.
Para adicionar uma imagem no Power BI, seleciona-se o menu ’Base’ (1) > ’Imagem’
(2), conforme Figura 29.
Figura 29 – Inserir imagem.
Fonte – Elaborado pelo autor.
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.
Fonte – Elaborado pelo autor.
Figura 31 – Página 2 da interface: planta FV de Maracanaú.
Fonte – Elaborado pelo autor.
-
39
Figura 32 – Página 3 da interface: planta FV de Colônia.
Fonte – Elaborado pelo autor.
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.
Fonte – Elaborado pelo autor.
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.
Fonte – Elaborado pelo autor.
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.
Fonte – Elaborado pelo autor.
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.
Fonte – Elaborado pelo autor.
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.
Fonte – Elaborado pelo autor.
-
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.
Fonte – Elaborado pelo autor.
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.
Fonte – Elaborado pelo autor.
O resultado é apresentado na Figura 40.
Figura 40 – Gráfico das temperaturas dos módulos FV separadamente.
Fonte – Elaborado pelo autor.
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.
Fonte – Elaborado pelo autor.
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.
Fonte – Elaborado pelo autor.
-
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.
Fonte – Elaborado pelo autor.
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.
Fonte – Elaborado pelo autor.
-
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.
Fonte – Elaborado pelo autor.
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.
Fonte – Elaborado pelo autor.
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