Este projeto apresenta uma Ferramenta Especialista em Renovação de Ativos, modelo para auxiliar nos planos de avaliação e de renovação de ativos, de maneira a avaliar o ciclo de vida dos equipamentos, realizar previsões e calcular indicadores econômicos. O projeto foi um dos participantes finalistas da etapa nacional do Premio CIER de inovação 2022, na categoria Descarbonização.
O Prêmio CIER de Inovação 2023 está com as inscrições abertas. Participe com seu projeto! Entre em contato
Agradecimentos autorais
“Agradeço ao Comitê Brasileiro da Comissão de Integração Energética Regional – BRACIER o reconhecimento da importância do assunto sobre renovação de ativos nas empresas de energia elétrica, através do Prêmio CIER, tema estratégico atrelado à Gestão de Ativos e que propicia a melhora na qualidade no atendimento aos consumidores da Copel Distribuição”.
Resumo
Este trabalho apresenta uma ferramenta de auxílio à tomada de decisão para a manutenção ou renovação de ativos. A partir da integração de dados contábeis, de georreferenciamento e de manutenção de equipamentos de subestações, é possível gerar relatórios utilizando business intelligence, e indicar os ativos mais depreciados e seu impacto na base de remuneração da empresa. A integração de todas essas bases de dados possibilita a visualização das localizações dos ativos mais depreciados e a medição do resultado de cada ativo para a base de remuneração da empresa. Portanto, a ferramenta apresentada proporciona uma visão detalhada da situação individual dos principais ativos da distribuidora, sendo possível ranquear os ativos a partir da análise de seus critérios. A lista de prioridades também pode ser ordenada por alimentadores, subestações inteiras e regionais de manutenção, sendo possível identificar onde a depreciação é maior e a correlação com os custos operacionais atribuídos àquela região. Por fim, a ferramenta também possibilita estabelecer um plano periódico de renovação, uma vez que permite o acompanhamento das principais características dos ativos.
Autor principal: Dirceu Laube (COPEL)
Outros autores: Starch Melo de Souza (InForma, Brasil); Marcelo Aparecido Pelegrini (Sinapsis, Brasil)
Introdução
Um dos desafios das empresas do setor elétrico é determinar o momento ótimo de substituição de seus equipamentos. Na medida em que os equipamentos instalados em campo se degradam, seja por sua idade ou por situações externas ao sistema, eles tendem a apresentar maior número de falhas, colocando a operação em risco. Assim, um plano eficiente de renovação de ativos tem como objetivo auxiliar a troca destes equipamentos, não permitindo que todo o sistema elétrico chegue a situações críticas, mas possibilitando uma visão antecipada dos comportamentos dos ativos utilizando estratégias de avaliação das manutenções, análises estatísticas e monitoramento da vida útil.
Uma possível técnica para realizar este tipo de avaliação é a estimação de vida útil remanescente. Este parâmetro pode ser entendido como a quantidade de tempo em que o ativo pode operar antes de requerer substituição. Por meio da obtenção deste valor, pode-se planejar a troca do equipamento e otimizar a sua operação, a partir da estimação de seu período final de vida técnica e quais custos e retornos financeiros que ainda podem gerar para a empresa.
Portanto, o objetivo da ferramenta apresentada neste trabalho é o de auxiliar no plano de renovação de ativos, a partir da análise multicritério de equipamentos de subestações de distribuição, apresentando como principais premissas de desenvolvimento: estimação de vida útil remanescente e frequência de manutenções de equipamentos utilizando técnicas de machine learning; estimação dos custos de manutenções; cálculo de receitas dos equipamentos (a partir da regulação vigente); avaliação de criticidade de regiões (via indicadores de continuidade dos conjuntos elétricos), e criticidades individuais (a partir de notas de obsolescências).
Adicionalmente, com a utilização de diferentes fontes de dados e criação de notas utilizando os critérios de análise, cria-se um ranking de priorização de subestações para um plano de substituição de equipamentos, apresentando os resultados em mapas interativos aplicando business intelligence e estudo de caso com a base de ativos da Copel.
Desenvolvimento
Nesta seção serão descritas as diretrizes teóricas utilizadas no modelo proposto por este trabalho, além da especificação geral da solução criada.
1. Diretrizes metodológicas
Uma definição para gestão de ativos é a de operar um grupo de ativos durante todo o ciclo de vida útil técnica, garantindo um retorno adequado de investimentos e assegurando serviço e segurança de acordo com os padrões estabelecidos por normas (Schneider, 2006). Dentro do contexto da distribuição de energia, esta tarefa pode se tornar complexa à medida que as empresas devem atingir diversos objetivos, tendo que procurar pelo equilíbrio entre os retornos adequados de seus investimentos e a manutenção dos níveis de qualidade de fornecimento de energia à população.
Alguns dos pontos que um plano eficiente de gestão de ativos deve apresentar: 1) Escopo e diretrizes de plano; 2) Dados e descritivos dos ativos considerados; 3) Atividades, tarefas, responsáveis e priorizações; 4) Estratégias do ciclo de vida; 5) Previsões financeiras; 6) Práticas de avaliação; 7) Ações de melhoria contínua. Ou seja, a boa gestão de ativos deve acompanhar os ativos ao longo de seu ciclo de vida, recolhendo informações do estado dos equipamentos, avaliando esses dados e predizendo informações importantes de maneira a entender seu funcionamento e realizar previsões de falhas e retornos econômicos. A partir de um histórico de informações de monitoramento dos ativos, é possível aplicar um modelo que caracteriza os ativos a partir de retornos monetários, além de análises de confiabilidade e risco, como ilustra a Figura 1.
Os ativos da rede elétrica se degradam com o passar do tempo, impactando diretamente nas metas de qualidade das concessionárias de distribuição. Por isso, investimentos devem ser realizados a fim de se substituir equipamentos, manter os níveis de qualidade exigidos pelos órgãos regulatórios e renovar a base de remuneração das distribuidoras. Para isso, uma gestão eficiente de ativos deve envolver: estratégias eficientes de manutenção, determinação das condições em que se encontram os ativos, simulações, análises estatísticas de falhas e monitoramento da vida útil técnica.
A previsão do custo de manutenção pode ser realizada por meio da modelagem de dados históricos de manutenção. Pode-se projetar, em um intervalo de tempo futuro, o custo esperado de manutenções a serem realizadas em um equipamento, ou conjunto de equipamentos. Em geral, a previsão pode ser feita de diversas formas, desde técnicas mais simples às mais complexas. Novamente, a escolha da técnica de modelagem recai sob a amostra de dados disponíveis. Caso a amostra de dados seja limitada em termos de tamanho e quantidade de atributos, é indicado o emprego de métodos mais simples, como regressão linear. Por outro lado, caso os dado disponíveis apresentem padrões como tendência ou sazonalidade, é indicado utilizar técnicas mais complexas, como modelos não-lineares de séries temporais (HIRSCHEY, 2009). A Vida Útil Remanescente (VUR) é o tempo de duração restante de um ativo em um determinado momento da operação, a sua estimativa é essencial para prever o tempo após o qual um ativo já não poderá atender a seus requisitos operacionais. A VUR é tipicamente aleatória e, como tal, deve ser estimada a partir de fontes de informação disponíveis, como as informações obtidas no monitoramento de condição e saúde (SI et al., 2011). Desta forma, planos de manutenção e/ou renovação de ativos podem ser traçados a partir da VUR, a fim de otimizar a eficiência operacional.
2. Bases de dados e integrações
As informações para utilização dos modelos propostos neste trabalho são apresentadas a seguir:
- Relatório de Controle Patrimonial, disponibilizando as informações contábeis dos equipamentos, servindo como insumo para as análises de remuneração regulatória e CAPEX da empresa (RCP);
- Base georreferenciada dos equipamentos (BDGD);
- Sistema com as informações de manutenções dos principais equipamentos de subestação e rede;
- Sistema com informações de interrupções na rede de média tensão.
A integração dos dados é apresentada na Figura 2 abaixo, onde as bases gerais são ligadas pelas informações do número do equipamento e do número operacional.
3. Modelos de Machine Learning
3.1. Modelo de estimação de Vida Útil Remanescente
A Vida Útil Remanescente (VUR) pode ser realizada a partir do cálculo da diferença entre a idade do equipamento e da Vida Útil Técnica (VUT), estimada através da implementação de modelos de aprendizagem de máquina que estimam essa variável. Para estimar a VUT, utilizaram-se nove variáveis (ver Figura 3), como atributos de entrada para um modelo de aprendizagem de máquina. Esses modelos, por sua vez, realizam uma tarefa de regressão e resultam no valor da VUT de cada equipamento. Ao todo, utilizaram-se quatro algoritmos de Aprendizagem de Máquina (do inglês, Machine Learning – ML): Regressão Linear Múltipla, Floresta Aleatória, Árvore de Decisão e Gradient Boosting.
Após alguns experimentos, foi utilizada Regressão Linear Múltipla para treinamento de um modelo simplificado, uma vez que os demais são algoritmos de aprendizagem de máquina de maior complexidade computacional e, consequentemente, são mais propensos a super ajuste do modelo para tarefas mais simples. A partir disso, para cada TUC (Tipo de Unidade de Cadastro), realizou-se o treinamento e a validação do modelo por meio de três etapas principais: pré-processamento, estimação da VUT via ML e análise de variáveis e erros. O fluxo de treinamento é ilustrado na Figura 4.
3.2. Modelo de projeções de Manutenções
Os modelos de machine learning para projeção da frequência de manutenção dos ativos possuem, como variáveis preditoras, cinco informações gerais sobre o equipamento (fabricante, regional, família, TUC e idade), além de dados que possuem informações sobre as manutenções realizadas anteriormente (custo e a frequência destas manutenções). Considerando estas variáveis, foram gerados dois modelos de machine learning: um para a frequência de manutenções corretivas e outro para as preventivas. Além disso, optou-se pela utilização de variáveis de frequência de manutenção corretiva e preventiva como dados de entrada do modelo de manutenção corretiva, uma vez que a ocorrência de manutenções preventivas pode impactar na ocorrência das corretivas. Similarmente, para o modelo de projeção de frequência de manutenção preventiva, foram utilizadas as variáveis dos dois tipos de manutenção.
4. Modelo de análise multicritério
Na literatura são encontrados diversos métodos para análise de tomada de decisão a partir de múltiplos critérios. Um dos mais utilizados é o Analytic Hierarchy Process (AHP), originário dos trabalhos do Professor Thomas L. Saaty (SAATY, 1991). É um método simples, em que se pode escolher as melhores opções em um grupo de diversas alternativas utilizando parâmetros qualitativos e quantitativos. Neste método, é realizada a comparação par-a-par dos parâmetros em análise, a partir de pesos estabelecidos pelo planejador. Como é realizada uma normalização dos valores, pode-se realizar a comparação de critérios em diferentes escalas. O objetivo é, a partir da determinação de critérios críticos, e a partir da atribuição de pesos e da comparação par-a-par desses múltiplos critérios, encontrar a alternativa prioritária em um portfólio de opções, garantindo uniformidade no método de avaliação. A Figura 5 ilustra a ideia geral do método de comparação entre os critérios de avaliação.
A Figura 6 apresenta os critérios que foram utilizados para o desenvolvimento da ferramenta, em dois níveis hierárquicos.
5. Resultados
Nesta seção serão apresentados os resultados obtidos pela implementação da metodologia descrita. Primeiramente, é descrita a ferramenta que foi desenvolvida, com demonstração de seus principais relatórios. Após isso, é apresentado o resultado da aplicação dos métodos de machine learning e avaliação multicritério, com discussão sobre os resultados obtidos utilizando a base de equipamentos da Copel.
5.1. Ferramenta Especialista em Renovação de Ativos
A Ferramenta Especialista em Renovação de Ativos tem como principais objetivos apresentar resultados de diagnósticos e estudos de projeções e priorização de troca de equipamentos, com foco em equipamentos individuais de subestações de distribuição. No dashboard criado, os relatórios podem ser classificados nos seguintes grupos:
- Diagnósticos: apresentação dos dados de manutenções realizadas e ocorrências no sistema elétrico sob análise, a fim de se possibilitar uma visão da atual situação dos equipamentos e da evolução de manutenções.
- Projeções: resultados dos estudos de estimação de vida útil remanescente dos ativos individuais, a partir de seus históricos de manutenção, e projeção da frequência de manutenções até sua quebra.
- Priorização de renovação: modelo de priorização de equipamentos para renovação, a partir da criação de rankings resultantes da análise multicritério.
Um dos painéis (ver Figura 7) apresenta o resultado de avaliação dos equipamentos individuais ou por subestação, de acordo com o resultado da integração entre RCP e BDGD. Esta correlação entre equipamentos e valores contábeis foi realizada a partir de códigos de Subestação de Distribuição (SED), Regional e sequência de códigos de cadastro do MCPSE (TUC, Tipo de Instalação – TI, Atributos A1 a A6). Desta forma, pode-se identificar de maneira georreferenciada cada um dos equipamentos, a partir de suas informações de cadastro da BDGD, e associar valores de Valor Novo de Reposição (VNR), Valor de Mercado em Uso (VMU) e Depreciação Acumulada (DAC) à cada posição. A Figura 8 apresenta este relatório da ferramenta. Os gráficos disponíveis são: mapa de bolhas com a localização dos equipamentos, em que o tamanho da bolha é proporcional ao VNR, enquanto a cor segue uma escala proporcional à DAC; gráfico com a porcentagem de VMU e DAC dos equipamentos; valor da base; comparação entre VMU e VNR da seleção; remuneração por ano; cálculo da Quota de Reintegração Regulatória (QRR) e Remuneração Líquida do Capital (RLC) da seleção.
5.2. Projeções utilizando IA
O dashboard de Projeções de Vida Útil Remanescente (RUL, em inglês) apresenta as comparações de idade atual dos equipamentos e projeção de vida esperada, ou seja, em quantos anos o equipamento deverá sair da base por quebra como apresentado na Figura 8.
5.3. Plano de Priorização
A tela da Figura 9 apresenta os resultados dos cálculos dos atributos e dos pesos de cada atributo, junto com o Peso Global e o Ranking obtido. Além disso, épossível aplicar um filtro de equipamentos obsoletos, para apresentação do ranking que tiverem sido sinalizados em condição de obsolescência.
5.4. Avaliação do modelo de priorização
A partir do recorte realizado, torna-se evidente que o modelo de priorização de troca de equipamentos desenvolvido destaca a depreciação acumulada (DAC) e o benefício econômico (VPL) como fatores de maior importância para o ranqueamento. Esse efeito pode ser igualmente observado pela dispersão das notas relativas às parcelas de depreciação e benefício econômico normalizados (40,36%×DAC+16,34%×(-VPL)) com relação à nota global dos ativos, que pode ser aproximada por uma reta com R^2 = 0,9869.
O efeito da composição dos quatro critérios para ordenação dos equipamentos pode ser observado na Figura 10, com aproximação linear de R^2 = 0,8804. Dessa forma, a combinação dos critérios é fundamental para que seja possível obter a ordenação pretendida.
Em resumo, o modelo AHP estabelecido foi desenvolvido para determinação da prioridade de troca de equipamentos de TUC 570. Aplicando a metodologia apresentada, foram utilizados os resultados de questionários junto ao corpo técnico da Copel para determinação dos pesos de seis critérios de avaliação (depreciação, benefício econômico, custo de troca, impacto do desligamento, DEC/FEC e nível de obsolescência), perfazendo os objetivos de receita e criticidade.
Conclusões
Apresentou-se neste trabalho um modelo para auxiliar nos planos de avaliação e de renovação de ativos, de maneira a avaliar o ciclo de vida dos equipamentos, realizar previsões e calcular indicadores econômicos. Este modelo utiliza bases de dados consolidadas pelas distribuidoras, o que o torna replicável.
A ferramenta desenvolvida integra as informações de bases distintas, realiza as previsões e os cálculos econômicos, aplica os pesos da metodologia de avaliação multicritério e apresenta os resultados de maneira interativa com o usuário.
Por fim, os estudos de vida útil remanescente, custo de manutenção e reposição de ativos, acrescidos da metodologia AHP, originou uma ferramenta de alto valor agregado para os planejadores, uma vez que:
- Torna possível identificar os ativos críticos e/ou com alta propensão a falhas;
- Aperfeiçoa planos de substituição de equipamentos, considerando a perda de remuneração ou por elevação dos custos operacionais; e
- Apresenta dados consistentes, que subsidiam as tomadas de decisão da empresa.