Utilizando informações de contexto para aumentar o poder de análises de desempenho energético

Publicado por Bruno Santos Pimentel em sex, 06/09/2019 - 17:31
viridis-blog-artigo-dispersão-e-regressão_cover

Entenda como combinar informações sobre consumo de energia, produção e variáveis de ambiente (ou contexto) para aperfeiçoar as análises e decisões sobre desempenho energético.

 

Imagine o seguinte cenário. Você é responsável por um processo crítico da sua planta industrial, e deseja entender melhor como aprimorar o desempenho energético, seja intervindo nos procedimentos operacionais, seja investindo em melhorias nos próprios equipamentos, ou uma combinação de ambos.

Você decide então coletar dados sobre esse processo, e logo chega num histórico recente do consumo do principal insumo energético daquele processo (neste exemplo, vamos supor que é o gás argônio, e o consumo medido em Nm3):

grafico


O consumo parece diminuir um pouco ao longo do período, mas os dados ainda não ajudam muito na análise do desempenho energético. Mas você sabe que os níveis de produção desse processo podem variar e isso, naturalmente, influencia o consumo de argônio:

grafico 2


“Uai”, você pensa, enquanto reflete sobre o gráfico. Não parece haver uma relação clara entre as duas variáveis... Você então se lembra de alguns conceitos de estatística e acaba apurando que a correlação entre as duas amostras (consumo e produção) é mesmo muito baixa (ρ=0,00159). Ou seja, por mais que correlação não implique em causalidade, não parece haver uma relação linear significativa entre as duas variáveis – o que complica um pouco a análise, porque a existência de uma relação linear seria a suposição mais simples que você poderia fazer sobre o processo naquele momento.

“Ah, mas e o consumo específico?”, você se lembra. De fato, o consumo do insumo energético para cada unidade de produção (no nosso exemplo, medido por Nm3/t) também deveria ser “bem comportado” – quanto maior a produção, menor o consumo específico, que deveria se aproximar assintoticamente de zero.

grafico 3


“Agora sim”, você respira (parcialmente) aliviado. Mesmo com uma variação pequena, o consumo específico parece mesmo ser influenciado pela produção. “Se fosse possível trabalhar com níveis de produção mais altos, o processo teria um desempenho energético melhor”, você conclui corretamente – mas claro, até um certo limite.

Essa conclusão nos ajuda na análise, mas não é suficiente para compreendermos o comportamento do processo a ponto de inferirmos ações para melhoria do seu desempenho.

“Opa, mas tem um detalhe: o processo trabalha com um mix de produtos que varia ao longo do período...”, e muito provavelmente cada produto tem uma demanda energética diferente, em função de suas características físicas e da sua interação com o equipamento. Felizmente, você possui os dados de consumo e produção também para cada um dos quatro produtos do mix (aqui representados por seus códigos “1”, “15”, “18” e “22”).

grafico 4


Neste ponto, você começa a ficar empolgado com os resultados. O gráfico começa a fazer mais sentido e o comportamento energético do processo parece estar mais condizente com a sua experiência e com os fundamentos físicos e operacionais.

“Realmente existe uma relação linear entre consumo e produção”. Sim, mas ela estava mascarada pela média dos consumos e produções agregados de todos os produtos que são processados pelo equipamento em análise. Ao decompor os dados originais nos respectivos valores de consumo e produção cada produto, as relações ficam mais evidentes.

Novamente, você lança mão de uma ferramenta estatística simples, mas bastante poderosa: a regressão linear. Com ela, as séries de dados de cada produto podem ser aproximadas por funções lineares, deixando evidentes as parcelas fixa (intercepto) e variável (inclinação) do consumo energético.

grafico 5


As equações de reta que descrevem a relação entre consumo e produção de cada um dos produtos são aparentemente bem comportadas, com bons coeficientes de determinação. “Mas como usar esse modelo para orientar ações para melhoria do desempenho energético?”

A magnitude do intercepto está geralmente relacionada ao volume de energia que é consumido independentemente da ocorrência de produção. Em processos em batelada, por exemplo, esse consumo fixo pode representar a energia que é consumida nos intervalos de cada corrida (ou rodada). Em processos contínuos, por outro lado, o intercepto pode representar o consumo basal de energia de um processo. Em ambos os casos, identificar meios para reduzir o consumo fixo implica em ganhos diretos sobre a eficiência do processo – reduzir a potência de ventiladores de sistemas de desempoeiramento nos intervalos entre bateladas e melhorar o isolamento térmico de fornos são exemplos de ações possíveis na direção do aumento do desempenho energético.

A inclinação da reta, por sua vez, está diretamente relacionada à capacidade do processo em converter insumos energéticos em resultados produtivos. Quanto maior a inclinação, mais intensivo em energia é o processo e, naturalmente, mais importante é a identificação de meios para reduzi-la. Melhorar a eficiência de queimadores em fornos e caldeiras são exemplos de ações nessa linha.

E claro, como você já tinha percebido mais cedo, aumentar os níveis de produção – ou seja, reduzir ao máximo os períodos em que há consumo energético sem produção correspondente – tem impacto positivo direto sobre o consumo específico de energia do processo. As curvas abaixo deixam isso bastante claro, apesar de você saber que há limites para o quanto de eficiência operacional pode ser alcançada no processo.

grafico 6


Finalmente, você pode respirar (um pouco). “Qualquer análise fica mais rica com informações de contexto. E isso é mais importante ainda para processos com maiores níveis de variação nos parâmetros de interesse.” De fato, a análise dos dados de consumo e produção, agora com as informações sobre o contexto operacional (neste exemplo, em particular, o mix de produtos), possibilita chegar a importantes insights sobre possíveis ações para melhoria da eficiência energética de processos industriais – algo que teria sido impossível utilizando apenas as informações médias originalmente consideradas para a análise do processo.

“Conhecer bem o processo produtivo, as características dos ativos físicos envolvidos, dos produtos, dos insumos energéticos e dos próprios métodos de gestão operacional aplicados é fundamental para qualquer iniciativa de eficiência energética”, você conclui satisfeito, e parte pro almoço.

Leia também: Como construir modelos de predição de consumo de energia

Gerente de Produto, Viridis

Gerente de Produto da Viridis, com mais de 20 anos de liderança em programas de inovação e tecnologia em organizações industriais de grande porte. Doutor e mestre em Ciência da Computação pela UFMG, Bacharel em Engenharia Mecânica, Innovation & Sustainability Fellow at Sloan School of Management, MIT. Larga experiência na gestão de projetos e equipes de inovação aberta com indústria, academia e startups, aplicando tecnologias digitais e analytics a desafios em produtividade, estratégia e desenvolvimento sustentável.

Comentar