Desenvolvimento de um método de tratamento de dados anômalos dedicado a aplicações no ADMS

Resumo

O sistema de distribuição de energia vendo sendo submetido a um processo de modernização caracterizado, entre outros fatores, por um elevado nível de monitoramento e de medição. Neste contexto, a quantidade de medidores inteligentes instalados está aumentando mundialmente. O mercado global de medidores inteligentes foi avaliado em US$21,13 bilhões em 2019, e, de acordo com a Allied Marked Research, é esperado um crescimento a uma taxa de crescimento anual composta de 8,8%, caracterizando um valor de mercado de US$39,2 bilhões em 2027. Os medidores inteligentes e outros medidores instalados ao logo de um alimentador são parte da Infraestrutura Avançada de Medição (no inglês, Advanced Metering Infrastructure - AMI), a qual provê dados essenciais para melhorar as aplicações do Sistema Avançado de Gerenciamento da Distribuição (no inglês, Advanced Distribution Management System - ADMS), como o gerenciamento de perdas e de interrupções, e o controle Volt-var. Entretanto, a melhor observabilidade do sistema provoca uma maior vulnerabilidade do gerenciamento da operação do sistema de distribuição devido a anomalias nos dados. Diferentes metodologias baseadas em inteligência artificial, estatística, ou otimização têm sido propostas na literatura. No entanto, ainda são necessárias metodologias que integrem abordagens baseadas em análises físicas do sistema levando a um melhor desempenho para o tratamento medidas anômalas. Portanto, este projeto propõe uma metodologia escalável e automática de tratamento de dados anômalos que detecta, filtra e recupera continuamente dados anômalos no conjunto de medições disponível, resultando em um conjunto confiável de dados de entrada processados e um relatório de diagnóstico especificando o possível evento ocorrido. Além disso, aplicando os dados processados, é desenvolvido um modelo agregado de recursos energéticos distribuídos. Conjuntos de dados de medição reais serão utilizados para realizar os estudos e validar a metodologia, explorando a variedade de dados de medição. (AU)