Renata Silva, da GreenYellow: Prever o consumo de energia de uma empresa é fundamental
Ainda persiste a desconfiança dos empresários quanto aos projetos em eficiência energética e uma das razões para isso é a dificuldade de medir os resultados proporcionados por estas ações, pois não se pode medir economia de consumo.
O Brasil é um país rico em termos de fontes de geração de energia. Contudo, a maior parte de sua produção está ainda concentrada nas hidroelétricas e termoelétricas, apesar dos investimentos em energia solar e eólica terem crescido de forma significativa nos últimos anos. É um país de grande extensão territorial também, o que amplia e dificulta os investimentos em transmissão e distribuição, elevando os custos energéticos para toda a população, bem como indústrias dos mais diversos setores, centros de distribuição, comércios e empresas de serviços.
Hoje, é sabido que existem tecnologias no mercado que permitem melhorias nos sistemas, tornando-os mais eficientes do que aqueles que ainda estão em operação em muitas empresas e que são economicamente viáveis – especialmente devido a programas governamentais de incentivo.
A questão é que, mesmo neste contexto favorável, ainda persiste a desconfiança dos empresários quanto aos projetos em eficiência energética (AEEs). As razões podem ser diversas, mas sabe-se que uma delas é a dificuldade de medir os resultados proporcionados por estas ações, pois não se pode medir economia, visto que é uma ausência de consumo.
Pensando nisso, foi criado o Protocolo Internacional de Medição e Verificação de Performance (PIMVP), que estabelece técnicas matemáticas válidas para possibilitar que os gestores comprovem as economias financeiras (retorno de capital) de um determinado investimento. Esta economia é determinada comparando o consumo dos meses anteriores com o atual, posterior à implementação de um programa, e realizando ajustes adequados às alterações nas condições de uso, como o volume de produção. Sendo assim, é necessário definir o consumo da linha de base via medições in loco; identificar as condições de uso que impactam o consumo de energia; criar um ‘gêmeo digital’ para calcular qual seria o consumo com as novas condições de uso (consumo da linha de base ajustado); acompanhar o novo consumo após a implantação da AEE com dados de medição in loco e compará-lo com o da linha de base ajustado.
Por isso, uma vez que o mercado industrial é muito impactado pelos custos de energia – que podem variar de acordo com os turnos de trabalho e equipamentos diversos exigidos nos diferentes processos de negócios, entre outros fatores –, ter modelos de predição de consumo energético simples e eficientes é fundamental para a tomada de decisões estratégicas relacionadas à eficiência energética e para a redução de custos das companhias. Um ponto favorável a este movimento é o avanço da indústria 4.0, que traz maior automação e novas tecnologias para as empresas, fornecendo cada vez mais dados para elaboração de modelos preditivos.
Neste contexto, faz anos que a busca de métodos e tecnologias para simulação do consumo de energia das indústrias dos mais variados setores tem despertado o interesse por pesquisas e testes práticos para encontrar as melhores soluções de modelagem energética.
Atualmente, os métodos mais usuais para modelagem de consumo de energia são modelos de Regressão Linear (RL), porém sabe-se que os mais precisos são os modelos de Redes Neurais (RN). O PIMVP destaca que, quando se utilizam modelos RL, um dos erros que pode ocorrer é a utilização de um modelo matemático inadequado, porque não é capaz de modelar o comportamento não linear do consumo de energia. No caso de modelos RN, o ponto negativo é a dificuldade de entendimento e auditoria dos modelos pelos tomadores de decisão. Recentemente, foi desenvolvido um novo método para modelagem da linha de base, utilizando a metodologia Neuro Fuzzy, um sistema de inteligência artificial que permite o processamento da experiência e conhecimentos humanos utilizando computadores digitais. Este método vem sendo aplicado na engenharia para resolução de diversos problemas caracterizados pela impossibilidade de análise fenomenológica. Essa metodologia alia a precisão do modelo RN à utilização de linguagem humana, facilitando a interpretação até para aqueles que não possuem o conhecimento matemático profundo para compreender o modelo RN.
Por ter maior representatividade do que o modelo de regressão linear clássico (RL), este novo método de modelagem foi escolhido para ajuste da linha de base do consumo de energia para o projeto de eficiência energética realizado em um Centro de Distribuição Refrigerado de uma grande rede varejista. Na comparação, a modelagem Neuro Fuzzy apresentou melhores resultados em termos de coeficiente de determinação: atingiu 0,88 contra 0,72 do modelo RL; e de erro padrão da estimativa, alcançando 6,89 contra 10,19 do modelo RL. Os resultados obtidos mostraram que, com a aplicação da modelagem Neuro Fuzzy, é possível reduzir a incerteza na previsão do consumo de energia total da planta, sendo possível calcular qual seria o consumo de energia se as AEEs não tivessem sido implementadas. Ou seja, as empresas, hoje, têm à disposição um método de modelagem do comportamento do consumo de energia elétrica mais eficiente, simples e prático do que os modelos RL e RN, pois é mais assertivo na avaliação da eficiência energética em instalações com características energéticas não lineares.
Ao ter uma predição mais assertiva do consumo atual e futuro, as indústrias poderão medir, de forma mais adequada e precisa, o retorno de seus investimentos em eficiência energética, algo fundamental em um mercado altamente competitivo e com grandes desafios econômicos como o brasileiro.
Renata Silva é gerente de eficiência energética industrial da GreenYellow e mestra em Engenharia Química.
Fonte: Brasil Energia