Estimação de estados aplicada a um centro de telecomando hidroelétrico

Este documento tem como objetivo a apresentação do trabalho desenvolvido ao longo do 2o semestre para a cadeira de Tese / Dissertação, focando-se na projeção e implementação de um modelo de Estimação de Estados, aplicado ao Centro de Telecomando das Centrais Hidroelétricas da EDP Produção. Estes modelos consistem num conjunto de algoritmos direccionados para a previsão de medidas em tempo real, mais concretamente o nível da Cota de Montante, juntamente com uma base de dados histórica de prévios acontecimentos. Primeiramente, captados através dos sensores instalados nas barragens, deve ser obtido um conjunto de parâmetros de entrada predefinidos, relativos ao aproveitamento hidroelétrico, que o sistema utilizará de suporte para produzir um resultado final. Esses dados serão sempre apresentados, em tempo real, no Sistemas de Supervisão e Aquisição de Dados. Visto o Centro de Telecomando Único das Centrais ´ Hidroelétricas ser responsável pela operação e gestão dos aproveitamentos hidroelétricos, ´e importante que possíveis anomalias nas leituras realizadas pelos sensores, provenientes das centrais sejam imediatamente detetadas, de modo a que os operadores consigam atuar em conformidade. Muitas das atividades desta equipa passam pela operação remota dos aproveitamentos e a garantia que a exploração ´e realizada cumprindo as normas existentes, dai à existência de um sistema de monitorização deste género permite que estes se concentrem nas suas atividades do dia-a-dia, pois qualquer evento fora do comum será detetado pelo modelo de estimação. O foco deste trabalho foi o estudo das implementações de Machine Learning já existentes no mercado, bem como a perceção de quais as possíveis tecnologias integrantes neste tipo de soluções. Seguidamente, com base na análise realizada, o destaque passou para a preparação do modelo de estimação de estados, desenvolvida em linguagem Python, utilizando a ferramenta Tensorflow para a criação da rede neuronal. O modelo tem como principal objetivo a validação da evolução das cotas, em função de um conjunto específico de critérios, presentes em cada uma das albufeiras, possibilitando a análise e deteção de erros no nível da cota de montante, ou outras variáveis registadas nas instalações, como o nível da cota de jusante ou o caudal afluente, turbinado e descarregado da barragem. A realização de um estudo aprofundado dos dados históricos das centrais foi essencial para o estimador produzir resultados mais eficientes e fidedignos.This document goal is to present the thesis project developed throughout the 2nd semester, focused on studying and implementing a State Estimation model, applied to EDP’s hydroelectric remote control center. These models consist on a set of algorithms, aimed at making real time value predictions, using an historical database of previous events. The set of input parameters, that the model will use to produce a final output, will be obtained from direct readings from the Supervisory and Data Acquisition System. Being responsible for the management and operation of the hydroelectric powerplants, the Hydroelectric Remote Control Center needs to have a way of monitoring and detecting possible anomalies in the data coming from the plants, so that operators are able to act accordingly. Many of the activities of the teams involve remote conduction of the facilities and guaranteeing that the work is made in compliance with the existing standards. The existence of a monitoring system of this kind allows them to focus on their day to day tasks, as any event out of the ordinary will be captured model. The main purpose of this work is to study Machine Learning applications already that exist in the current market, as well as to understand what kind of technologies are part of this type of products, in order to gain a better understanding on how these solutions can be developed. Based on the previous analysis, the highlight of the project moves to the preparation of the state estimation model, using the Python language and the Tensorflow framework to create a neural network. The goal of this model is to validate the current water storage levels, according to a specific set of pre-established criteria, providing a deep analysis, and error detections, of the measures registered in the power plants. Carrying out an in-depth study of the historical data of the plants will be essential for the estimator to produce more efficient and reliable results