aplicação da lógica fuzzy para avaliação da eficiência e ... · “muito alta” (ma)...

Aplicação da lógica fuzzy para avaliação da eficiência e

racionalidade de usinas sucroalcooleiras

Luís Roberto Almeida Gabriel Filho1, Maria Cristina Rodrigues Halmeman

2,

Odivaldo José Seraphim1, Radames Juliano Halmeman

2, Camila Pires Cremasco

3

1

UNESP - Univ Estadual Paulista, Laboratório de Matemática Aplicada e Computacional,

17602-496, Tupã, SP; Faculdade de Ciências Agronômicas, 18618-000, Botucatu, SP, Brasil.

[email protected], [email protected]

2

UTFPR - Univ Tecnológica Federal do Paraná, 87301-006, Campo Mourão, PR, Brasil.

{cristhal, radames}@utfpr.edu.br

3

FATEC - Faculdade de Tecnologia, 19046-230, Presidente Prudente, SP, Brasil.

[email protected]

Resumo. Este artigo tem como o objetivo desenvolver um sistema baseado em

regras Fuzzy para a avaliação da eficiência e racionalidade um três usinas do

setor sucroalcooleiro, estabelecendo, desta forma um novo índice de

comparação energética denominado Índice Fuzzy de eficiência e racionalidade

( racIEfic ). Os dados foram obtidos em três usinas de açúcar e álcool localizada

na região centro-oeste do estado de São Paulo e referem-se a cinco setores de

operação, totalizando 15 setores. As informações de eficiência e racionalidade

relativas aos setores foram compostas por três grupos de dados, identificadas

por “Fator de Carga Fc”, “Fator de Potência Fp” e “Faturamento Nominal F ”.

Para cada variável, foram definidas cinco funções de pertinência denominadas

“Muito Baixa” (MB), “Baixa” (B), “Media” (M), “Alta” (A) e “Muito Alta”

(MA). Os resultados permitiram construir as funções de pertinência dos

conjuntos fuzzy das variáveis de entradas. Os resultados permitiram concluir

que uma usina possa ter classificações satisfatórias em um ou mais setores e

insatisfatórias em outro, ou vice-versa. Com a quantidade de variáveis e dados

coletados para a análise do uso racional da energia nas usinas, foi possível

estabelecer um método computacional baseado na lógica fuzzy capaz de

interpretar os índices do fator de carga e do fator de potência, para estabelecer o

índice de eficiência e racionalidade ( racIEfic ). Assim, é possível aos gestores

do setor sucroalcooleiro comparar os setores das usinas entre si, e também estes

setores com outros de outras usinas.

Palavras-chave: faturamento de energia elétrica; modelagem matemática;

utilização de energia.

1 Introdução

406 Luís R. Almeida Gabriel Filho, Maria Cristina R. Halmeman, Odivaldo

José Seraphim, Radames Juliano Halmeman, Camila Pires Cremasco.

O Faturamento de energia elétrica mensal cobrado pelas concessionárias de energia

elétrica em grandes unidades consumidoras (empresas de grande porte) configura um

indicador de eficiência e racionalidade, uma vez que na sua elaboração utiliza índices

como o Fator de Carga (FC) e de potência (FP).

Porém, existe a necessidade da comparação da eficiência e racionalidade do uso da

energia elétrica entre empresas do mesmo setor de atividade independentemente de

seu porte, ou seja, independente do consumo energético. Esta comparação pode ser

realizada utilizando equações semelhantes ao do faturamento de energia elétrica (que

utilizam os fatores de carga e potencia) e também com a criação de modelos

matemáticos que consideram alta complexidades (muitas variáveis) utilizando a

lógica fuzzy. A Lógica fuzzy, prevê o desenvolvimento de algoritmos genéticos, que

são capazes de imitar parte do raciocínio humano. Estes métodos são sintetizados

através da criação de um programa de computador com base em regras criadas a partir

dessa lógica, o chamado sistema baseado em regras fuzzy [1].

O fator de carga (FC) é um índice obtido através da relação entre a demanda média

(kWh) e a demanda máxima medida (kWh), durante um período de tempo definido.

Este índice permite verificar se a energia elétrica é utilizada de forma racional e

econômica. O fator de carga pode ser obtido através das faturas de energia ou

medições na área industrial, através de analisadores de energia [2], [3].

Para [4], o fator de potência (FP) é um índice adimensional que indica a

representatividade da energia ativa perante a energia total (aparente) absorvida por um

equipamento ou uma instalação. Da mesma forma que o fator de potência, o fator de

carga varia entre 0 e 1, segundo [2] e [5]. Quando o fator de potência é baixo, podem

surgir problemas na instalação elétrica do consumidor e na rede de distribuição da

concessionária [6].

O faturamento de energia elétrica é um parâmetro que pode ser estimado para

qualquer empresa e é obtido pela relação conforme Equação 1 [3]:

192,0 seC,t

TDTC

92,00 seC,t

TDTC

92,0

F

fpfc

fpfcfp

(1)

em que:

- Fp : fator de potência;

- Fc : fator de carga;

- C : consumo ativo;

- TC : tarifa de consumo;

- TD : tarifa de demanda;

- 730t horas (quantidade de horas em 1 mês).

A utilização da lógica fuzzy em problemas de avaliação de fenômenos agrários,

biológicos e administrativos está tornando-se uma alternativa extremamente eficiente

e eficaz frente aos métodos estocásticos recorrentes. Aplicações em gestão na

utilização de energia [3], caracterização do ambiente produtivo em matrizes gestantes

Aplicação da lógica fuzzy para avaliação da eficiência e racionalidade de usinas

sucroalcooleiras 407

[7] e estimativa de bem estar de matrizes pesadas [8] compõem as diversas aplicações

que esta teoria, baseada em métodos matemáticos e inteligência computacional, é

capaz de abranger.

Para [9] muitos fenômenos são compreendidos através de simulações que

representam determinado comportamento de um dado sistema, podendo ser analisado

por simulações clássicas ou através de simulações que utilizem os sistemas

inteligentes (programas de computador que respondem a dados de entrada, dando

respostas baseadas na lógica do raciocínio humano). Em sistemas complexos, como

em usinas do setor sucroalcooleiro que operam com diferentes configurações, analisar

a qualidade de energia em usinas requer aplicações de modelos matemáticos.

Conforme [4] o modelo multiobjetivo fuzzy pode auxiliar nas decisões do

planejamento agregado da produção e na distribuição de uma usina sucroalcooleira,

com informações úteis para os gestores, ajudando-os a compreender melhor quais são

as variáveis críticas, possibilitando uma decisão mais eficiente.

A lógica fuzzy estabelece a criação de algoritmos genéticos, que são capazes

de imitar parte do raciocínio humano. Estes métodos são sintetizados criando-se um

programa computacional baseado em regras criadas a partir desta lógica, que

denominamos sistema baseado em regras fuzzy.

Esta teoria que busca aplicar a matemática à conceitos difusos, sendo introduzida

por Lotfi Asker Zadeh em 1965, visa aproximar o raciocínio humano por conjuntos

fuzzy, descritos também por variáveis lingüística [10].

Para [11] métodos computacionais, baseados em inteligência artificial

auxiliam a resolver complicados problemas práticos; em vários setores estão se

tornando opções interessantes, principalmente por causa do raciocínio, flexibilidade.

Para [12] usaram variáveis lingüísticas e abordagem da lógica fuzzy para predizer a

energia demanda no setor residencial. Para [13] que aplicou a teoria fuzzy para a

otimização logística da oferta e setores de demanda.

Portanto, o objetivo deste trabalho é desenvolver um sistema baseado em

regras fuzzy para a avaliação da eficiência e racionalidade um três usinas do setor

sucroalcooleiro, estabelecendo, desta forma um novo índice de comparação energética

nas usinas sucroalcoolerias, que denominamos Índice Fuzzy de eficiência e

racionalidade ( racIEfic ).

2 Material e Métodos

A obtenção dos dados experimentais deste trabalho foi realizada em 3 usinas

localizada na região centro-oeste do estado de São Paulo. Os dados utilizados

referem-se a 5 setores de operação, totalizando 15 setores.

As informações de eficiência e racionalidade relativas aos setores foram compostas

por 3 grupos de dados, identificadas por “Fator de Carga Fc”, “Fator de Potência Fp”

e “Faturamento Nominal F ”. Para uma descrição adequada das variáveis foi

realizada uma análise estatística descritiva destes dados criando-se gráficos do tipo

BoxPlot e determinando também os quartis de tais grupos. Vale ressaltar que o



“Faturamento Nominal” F (Equação 2) foi criado a partir da relação do faturamento

de energia elétrica (Equação 1) adotando-se C = 1, e dado por:

192,0 se,t

TDTC

92,00 se,t

TDTC

92,0

F

fpfc

fpfcfp

(2)

Desta forma, o valor de F dependente exclusivamente de FP e FC, o que

possibilita a comparação da eficiência e racionalidade entre todas as usinas

consideradas independentemente do consumo de energia, em que F representa o

quão eficiente e racional é a usina.

Para a criação de um sistema baseado em regras fuzzy, foi necessário definir um

processador de entrada (ou fuzzificador), um conjunto de regras lingüísticas, um

método de inferência fuzzy e um processador de saída (ou defuzzificador), que gera

um número real como saída. A Fig. 1 mostra o sistema baseado em regras fuzzy

proposto.

Fator de

Carga - fc

Fator de

Potência - fp

Faturamento

nominal

Índice Fuzzy de Eficiência

e Racionalidade dos

Setores da Usina

Fig. 1. Sistema baseado em regras fuzzy para determinação do Índice de Eficiência e

Racionalidade no setor sucroalcooleiro.

As variáveis de entrada do sistema baseado em regras fuzzy proposto foram a

“Fator de Carga fc” e “Fator de Potência fp” dos setores das usinas. Para cada

variável, foram definidas 5 funções de pertinência denominadas “Muito Baixa” (MB),

“Baixa” (B), “Media” (M), “Alta” (A) e “Muito Alta” (MA), definidas de acordo com

a Tabela 1 e Fig. 2, nas quais os quartis dos grupos de dados são representados por

Q1, Q2 e Q3, além da utilização dos valores máximos e mínimos, e também de

limites inferiores e superiores definidos por números respectivamente menores a

maiores que o mínimo e máximo, possibilitando a utilização do sistema para até

outros períodos não avaliados de operação dos setores.



Tabela 1. Definição das funções de pertinência das variáveis de entrada.

Conjunto Fuzzy Tipo Delimitadores

“Muito Baixa” (MB) Trapezoidal [- 1, 0, Mínimo, Q1 ]

“Baixa” (B) Triangular [ Mínimo, Q1, Q2 ]

“Media” (M) Triangular [ Q1, Q2, Q3 ]

“Alta” (A) Triangular [ Q2, Q3, Máximo ]

“Muito Alta” (MA) Trapezoidal [ Q3, Máximo, 1, 2]

Fig. 2. Funções de pertinência definidas para os conjuntos fuzzy da variável de entrada.

A variável de saída do sistema fuzzy foi denominada Índice Fuzzy de eficiência e

racionalidade ( racIEfic ), gerando um número real no intervalo [0,1]. As funções de

pertinência desta variável possuíram as mesmas denominações das funções da

variável de entrada e foram todas do tipo triangulares, sendo que os conjuntos MB e

MA eram representados por funções com suporte 0,25 e os conjuntos B, M e A eram

com suporte 0,5, de acordo com o Tabela 2 e Fig. 3.

Tabela 2. Definição das funções de pertinência das variáveis de entrada.

Conjunto Fuzzy Tipo Delimitadores

“Muito Baixa” (MB) Triangular [ -1; 0; 0,25 ]

“Baixa” (B) Triangular [ 0; 0,25; 0,5 ]

“Media” (M) Triangular [ 0,25; 0,5; 0,75 ]

“Alta” (A) Triangular [ 0,5; 0,75; 1 ]

“Muito Alta” (MA) Triangular [ 0,75; 1; 2 ]



Fig. 3. Funções de pertinência definidas para os conjuntos fuzzy da variável de saída Índice

Fuzzy de eficiência e racionalidade.

Para a obtenção da base de regras do sistema fuzzy, considerou-se as 25 (5 5)

combinações entre os conjuntos fuzzy das duas variáveis de entrada. A classificação

de cada combinação foi feita calculando-se os valores do Faturamento nominal F dos

pontos com grau de pertinência 1 à cada conjunto fuzzy considerado, sendo que para

os conjuntos MB e MA utilizou-se respectivamente os maiores e menores pontos das

variáveis de entrada, criando portanto 25 pares da forma FpFc, . A Tabela 3 mostra

os pontos de cada variável assim considerada e as combinações dos conjuntos fuzzy

descritas.

Tabela 3. Combinações das variáveis de entrada com pontos de grau de pertinência 1

associados aos conjuntos fuzzy para a geração da Base de Regras.

Combinações das variáveis de entrada na Base de Regras

Fc Fp

Conjunto Fuzzy

Ponto com grau de

pertinência 1

associado

Conjunto Fuzzy

Ponto com grau de

pertinência 1

associado

MB Mínimo MB Mínimo

MB Mínimo B Q1

MB Mínimo M Q2

MB Mínimo A Q3

MB Mínimo MA Máximo

B Q1 MB Mínimo

B Q1 B Q1

B Q1 M Q2

B Q1 A Q3

B Q1 MA Máximo

M Q2 MB Mínimo

M Q2 B Q1

M Q2 M Q2

M Q2 A Q3

M Q2 MA Máximo



Estes valores calculados de F dos pontos com grau de pertinência 1 foram

classificados por associações com os conjuntos fuzzy da variável de saída. Para isto,

foram determinados os percentis nos níveis 0 % (mínimo), 20 %, 40 %, 60 %, 80 % e

100 % (máximo) do grupo de dados F dos 15 setores de todas usinas (3 × 5),

realizando uma posterior classificação do F dos pontos com grau de pertinência 1,

de acordo com a convenção seguinte, caracterizando a base de regras do sistema

fuzzy:

- Se %)20(PF então o Índice Fuzzy de Eficiência e Racionalidade é “Muito

Baixo” (MB);

- Se %)40(%)20( PFP então o Índice Fuzzy de Eficiência e Racionalidade é

“Baixo” (B);


“Médio” (M);


“Alto” (A);

- Se %)80(PF então o Índice Fuzzy de Eficiência e Racionalidade é “Muito

Alto” (MA),

onde %)(xP representa o percentil no nível %x do conjunto dos valores calculados

de F dos 15 setores de todas usinas.

O método de inferência utilizado para o cálculo do valor numérico da variável de

saída de acordo com a Base de Regras foi o de Mamdani.

A validação deste sistema baseado em regras fuzzy foi realizada determinando

para todos os setores das usinas o Índice Fuzzy de Eficiência e Racionalidade

( racIEfic ) e calculando o coeficiente de correlação de Pearson entre este grupo de

dados e os valores de F dos setores.

Com o auxílio da ferramenta Fuzzy Logic Toolbox do software MATLAB® 7.0,

Copyright 1984-2004 The MathWorks Inc., foi possível criar um sistema baseado em

regras fuzzy computacionalmente, sendo também determinada uma superfície e um

mapa de contorno de representação do sistema.

A Q3 MB Mínimo

A Q3 B Q1

A Q3 M Q2

A Q3 A Q3

A Q3 MA Máximo

MA Máximo MB Mínimo

MA Máximo B Q1

MA Máximo M Q2

MA Máximo A Q3

MA Máximo MA Máximo



3 Resultados e Discussão

A análise estatística descritiva das informações relativas aos animais analisados dos

dados do fator de Fc, FP e do F realizada pode ser observada na Tabela 4 e Fig. 4.

Tabela 4. Análise descritiva dos dados do fator de carga fc, fator de potência fp e Faturamento

Nominal F relativos ao período de 48 horas de aferições.

Fig. 4. Boxplot para dados amostrais de Fc, Fp e F .

Utilizando os valores mínimo, máximo e quartis da Tabela 4, foi possível construir

as funções de pertinência dos conjuntos fuzzy das variáveis de entradas, conforme

ilustram as Figuras 5 e 6.

Média Desvio

Padrão Mínimo

1.º quartil

(Q1)

2.º quartil

(Q2)

3.º quartil

(Q3) Máximo

Fc 0,8 0,1 0,6 0,8 0,9 0,9 0,9

Fp 0,81 0,12 0,58 0,74 0,84 0,88 0,99

F 0,2 0,0 0,1 0,1 0,1 0,2 0,2



Fig. 5. Funções de pertinência dos conjuntos fuzzy da variável de entrada Fc.

Fig. 6. Funções de pertinência dos conjuntos fuzzy da variável de entrada Fp.

O estabelecimento das regras do sistema fuzzy pode ser estruturado com os dados

de percentis da Tabela 5.

Tabela 5. Valores de percentis dos dados do Faturamento Nominal dos setores das usinas.

Tomando-se os pontos com grau de pertinência 1 para a representação das funções

de pertinência e calculando seus valores, é possível estabelecer a relação que

20.º percentil

P(20%)

40.º percentil

P(40%)

60.º percentil

P(60%)

80.º percentil

P(80%)

F 0,1394 0,1454 0,1514 0,182



determina a base de regras do sistema baseado em regras fuzzy, conforme Tabela 5 de

acordo com a seguinte classificação:

- Se F 0,1394 então o Índice Fuzzy de Eficiência e Racionalidade é “Muito

Baixo” (MB);

- Se 0,1394 F 0,1454 então o Índice Fuzzy de Eficiência e Racionalidade é

“Baixo” (B);


“Médio” (M);


“Alto” (A);

- Se F 0,182 então o Índice Fuzzy de Eficiência e Racionalidade é “Muito Alto”

(MA).

Tabela 6. Base de regras do sistema baseado em regras Fuzzy.

Variável F

(faturamen

to sem

consumo)

racIEfic - Índice

Fuzzy de

eficiência e

racionalidade

(qualitativa)

Fc Fp

Conjunto

Fuzzy

Ponto com grau

de pertinência 1

associado

Conjunto

Fuzzy

Ponto com grau

de pertinência 1

associado

MB 0,6 MB 0,58 0,221 MB

MB 0,6 B 0,74 0,173 B

MB 0,6 M 0,84 0,154 B

MB 0,6 A 0,88 0,146 M

MB 0,6 MA 0,99 0,140 A

B 0,8 MB 0,58 0,215 MB

B 0,8 B 0,74 0,168 B

B 0,8 M 0,84 0,150 M

B 0,8 A 0,88 0,142 A

B 0,8 MA 0,99 0,136 MA

M 0,9 MB 0,58 0,213 MB

M 0,9 B 0,74 0,167 B

M 0,9 M 0,84 0,148 M

M 0,9 A 0,88 0,140 A

M 0,9 MA 0,99 0,135 MA

A 0,9 MB 0,58 0,212 MB

A 0,9 B 0,74 0,166 B

A 0,9 M 0,84 0,148 M

A 0,9 A 0,88 0,140 A

A 0,9 MA 0,99 0,135 MA

MA 0,9 MB 0,58 0,211 MB

MA 0,9 B 0,74 0,166 B

MA 0,9 M 0,84 0,147 M

MA 0,9 A 0,88 0,140 A

M 0,9 M 0,84 0,148 M

A Tabela 6 representa a base de regras do sistema fuzzy. Desta forma, a caráter de

exemplo, as 4 primeiras linhas representam as relações:



- Se (fp é “Muito Baixo”) e (a fc é “Muito Baixo”) então (o Índice Fuzzy de

Eficiência e Racionalidade é “Muito Baixo”);

- Se (fp é “Muito Baixo”) e (a fc é “Baixo”) então (o Índice Fuzzy de Eficiência e

Racionalidade é “Baixo”);

- Se (fp é “Muito Baixo”) e (a fc é “Médio”) então (o Índice Fuzzy de Eficiência e

Racionalidade é “Baixo”);

- Se (fp é “Muito Baixo”) e (a fc é “Alto”) então (o Índice Fuzzy de Eficiência e

Racionalidade é “Médio”).

A Tabela 7 mostra a simulação do sistema fuzzy para todos setores de todos

usinas, na qual o setor 3 de cada usina está em destaque para efeitos de posterior

comparação.

Tabela 7. Classificações das usinas em estudo, por setores, conforme o Índice Fuzzy de

eficiência e racionalidade e sua associação com o conjunto fuzzy de maior grau de pertinência.

Utilizando o Método de Inferência de Mamdani, obtém-se a superfície dada pela

Fig. 7 como solução do sistema fuzzy, com mapa de contorno dado pela Fig. 8.

Empresas Setores Fc Fp F racIEfic (Índice Fuzzy de

eficiência e racionalidade)

Classificação

Fuzzy

1

1 0,839 0,948 0,137 0,799 A

2 0,773 0,890 0,140 0,694 A

3 0,924 0,853 0,145 0,589 M

4 0,660 0,761 0,170 0,304 B

5 0,906 0,838 0,147 0,500 M

2

1 0,909 0,619 0,200 0,166 B

2 0,676 0,597 0,214 0,126 B

3 0,853 0,862 0,143 0,629 A

4 0,877 0,903 0,137 0,755 A

5 0,902 0,878 0,140 0,697 A

3

1 0,888 0,728 0,170 0,248 B

2 0,628 0,584 0,218 0,080 MB

3 0,922 0,814 0,152 0,426 M

4 0,943 0,986 0,134 0,920 MA

5 0,925 0,828 0,149 0,461 M



Fig. 7. Índice Fuzzy de eficiência e racionalidade ( racIEfic ) representado tridimensionalmente

as possíveis avaliações energéticas em relação aos fatores de carga e potência das usinas do

setor sucroalcooleiro.

Fig. 8. Mapa de contorno da superfície do Índice Fuzzy de eficiência e racionalidade racIEfic .

A partir da Fig. 8, é possível identificar a região no plano fp fc que estabelece

os maiores e menores valores de racIEfic figurando um excelente instrumento de

tomada de decisão dos administradores da usina a fim de tomada de decisão para

instauração de políticas de eficiência energética. A Região C representa a classe dos

setores cujo racIEfic é Muito Baixo, ou seja, possuem um comportamento energético

de racionalidade e eficiência abaixo da maioria dos outros setores das usinas,



enquanto que os setores da classe da região B possuem comportamento energético

mediano e a região A possui o melhor comportamento, em relação à este aspecto.

As Figs. 9, 10 e 11 representam uma simulação do sistema baseado em regras

fuzzy para os valores de fp e fc obtidos no setor 3 de cada usina, respectivamente,

indicado também na Fig. 8 pelos pontos P1, P2, e P3. Visualmente, estes pontos

encontram-se em uma situações médias e alta em relação aos demais pontos do plano,

e isto também é constatado no cálculo do índice energético fuzzy, dado por 0,589,

0,629 e 0,426, respectivamente



Fig. 9. Utilização do método de inferência de Mamdani, para Fc, Fp e F no ponto P1.

Fig. 10. Utilização do método de inferência de Mamdani, para Fc, Fp e F no ponto P2.



Fig. 11. Utilização do método de inferência de Mamdani, para o Fc, Fp e F no ponto P3.

Realizando uma análise em relação às funções de pertinência desta variável de

saída, é possível observar que estes pontos possuem grau de pertinência maior aos

conjuntos fuzzy “Médio” (M), “Alto” (A) e “Médio” (M), respectivamente, conforme

indicam as Figs. 12, 13 e 14.

Fig. 12. Indicação do maior grau de pertinência (0,589) ao conjunto fuzzy “Médio” do ponto

P1.




P2.


P3.

Após a realização desta simulação para todos os setores das usinas, foi possível

comparar os valores obtidos para o Índice Fuzzy de eficiência e racionalidade

( racIEfic ) com os valores calculados do Faturamento Nominal ( F ), sendo

representados na Fig. 15 com os dados ordenados pelo fator de potência FP.

Calculando-se o coeficiente de correlação de Pearson, obtém-se o valor -0,915,

muito próximo de -1, representando uma alta correlação negativa entre tais conjuntos

de dados e indicando que o método proposto está adequado relativamente ao método

de avaliação pela equação do faturamento, mas agora sem a necessidade de utilização

de tarifas ou valores fornecidos pelas concessionárias de energia elétrica.

0,000

0,050

0,100

0,150

0,200

0,250

0,000 0,200 0,400 0,600 0,800 1,000 1,200

fp

F'

0,000

0,100

0,200

0,300

0,400

0,500

0,600

0,700

0,800

0,900

1,000

Índ

ice

Fu

zzy

F'

Ifefic,rac (Índice Fuzzy de eficiência

e racionalidade)



Fig. 15. Índice Fuzzy racIEfic e valores do F .

5 Conclusões

O presente trabalho estabelece um método computacional capaz de interpretar o

índices fator de carga e fator de potência simultaneamente de qualquer tipo de

empresa e em qualquer região do país. Tal método, baseado em inteligência artificial,

foi baseado na lógica fuzzy.

Essa interpretação sobre este novo índice, definido como Índice Fuzzy de racIEfic

é inédito em relação à forma de sua obtenção, visto que baseia-se não no faturamento

de energia elétrica propriamente dito, mas sim em uma nova relação matemática que

possibilita a comparação de várias empresas simultaneamente. Neste trabalho,

utilizou-se três usinas e cinco setores de cada uma, sendo todos setores comparados

entre si recebendo uma avaliação quantitativa e qualitativa, o que possibilita aos

engenheiros estabelecerem metas de melhoramento realizando operações com de

máquinas mais convenientemente possível buscando assemelharem-se às outras

usinas com melhor desempenho, fornecendo desta forma um método quantitativo de

tomada de decisão para o administrador da usina.

De acordo com o coeficiente de correlação de Pearson obtido (-0,915), muito

próximo de -1 é possível afirmar que o método proposto está adequado relativamente

à relação do faturamento nominal apresentado. Ainda, esta avaliação fuzzy não

necessita da utilização de tarifas ou valores fornecidos pelas concessionárias de

energia elétrica, pois somente são precisos os índices FP e FC de cada setor da usina

para sua total avaliação.

Mais ainda, uma vez estabelecido o sistema fuzzy para os dados estudados, as

fórmulas do faturamento de energia elétrica não mais são necessárias para avaliação

conjunta da eficiência e racionalidade no período em estudo, o que é de grande

conveniência frente ao fato da energia consumida nas usinas consideradas não pagam

pela energia produzida.

O sistema baseado em regras fuzzy desenvolvido nesse trabalho é um sistema de

fácil uso que poderá ajudar administradores sucroalcooleiros de qualquer região do

país, indicando os níveis de Índice Fuzzy de eficiência e racionalidade, o que

possivelmente auxiliaria a determinação do setor a ser implementado métodos de

melhora do FP e FC, visando a maximização dos lucros da usina e melhor utilização

da máquinas existentes.

Finalmente, pode-se concluir que o sistema baseado em regras fuzzy pode ser

expandido e ser utilizado para o conjunto das usinas de cada estado brasileiro, ou

ainda de todas usinas do país, possibilitando avaliar os setores de suas usinas, e

também por administradores públicos a fim de que implantem o sistema aqui proposto

nas usinas de sua comarca possibilitando um gerenciamento e criação de propostas

para aumento da eficiência do setor.



6 Agradecimentos

Os autores agradecem o Programa de Pós-Graduação em Agronomia da

FCA/UNESP/Botucatu pelo suporte científico e estrutural disponibilizado. O presente

trabalho foi elaborado a partir da tese de doutorado do segundo autor.

Referências

1. GABRIEL FILHO, L. R. A. et al . Application of fuzzy logic for the evaluation of livestock

slaughtering. Eng. Agríc., Jaboticabal, v. 31, n. 4, 2011. Disponível em:

<http://www.scielo.br/scielo.php?script=sci_arttext&pid=S0100-

69162011000400019&lng=en&nrm=iso>. Acesso em: 01 jul 2012.

2. CANEPPELE, F. de L. Análise de indicadores de eficiência energética na indústria

madeireira através da aplicação da teoria fuzzy, 2011, 207 f. Tese (Doutor em Agronomia).

Faculdade de Ciências Agronômicas da UNESP, Botucatu, 2011.

3. CREMASCO GABRIEL, C.P. Aplicação da lógica fuzzy para avaliação do Faturamento do

consumo de energia elétrica e demanda de uma empresa de avicultura de postura, 2008, 108

f. Tese (Doutor em Agronomia). Faculdade de Ciências Agronômicas da UNESP, Botucatu,

2008. Disponível em: <http://www.fca.unesp.br/pos_graduacao/Teses/PDFs/Arq0287.pdf>.

Acesso em: 01 jul 2012.

4. SILVA, M.C.I. Correção do fator de potência de cargas industriais com dinâmica rápida,

2009, 241 f. Dissertação (Engenharia Elétrica. Universidade Federal de Engenharia de Minas

Gerais, Belo Horizonte, 2009. Disponível em: <

http://www.ppgee.ufmg.br/defesas/129M.pdf>. Acesso em: 01 jul 2012.

5. D’AVILA. T.C.P. Sistema online de gerenciamento de consumo de energia elétrica e

demanda contratada aplicado à Universidade Federal do rio de Janeiro.2008, 67 f. Trabalho

de Conclusão de Curso (Engenheiro Eletricista). Universidade Federal do Rio de

Janeiro/Escola Politécnica, Rio de Janeiro, 2008. Disponível em:

<http://monografias.poli.ufrj.br/monografias/monopoli10001215.pdf>. Acesso em: 01 jul

2012.

6. GABRIEL, L. R. A. Análise do Faturamento do Consumo de Energia Elétrica e Demanda

Através de Hiperbolóides de Carga e Potência em Operações de Refino de Óleo Vegetal.

Presidente Prudente, 1997. 312p. Tese (livre docência em Matemática). UNESP/FCT.

7. PANDORFI, H.; SILVA, I. J. O.; GUISELINI, C.; PIEDADE, S. M. S.; Uso da lógica fuzzy

na caracterização do ambiente produtivo para matrizes gestantes. Engenharia Agrícola, v.27,

n.1, p.83-92, 2007.

8. PEREIRA, D. F.; BIGHI, C. A.; GABRIEL FILHO, L. R. A.; CREMASCO, C. P. C.

Sistema fuzzy para estimativa do bem-estar de matrizes pesadas. Engenharia Agrícola, v. 28,

p. 624-634, 2008

9. SOUZA, O. T. L. Desenvolvimento de um modelo fuzzy para determinação do calor latente

com aplicação em sistemas de irrigação. 2004. 113 f. Tese (Doutorado em

Agronomia/Energia na Agricultura)-Faculdade de Ciências Agronômicas, Universidade

Estadual Paulista, Botucatu, 2004.

10. ZADEH, L. A. Fuzzy Sets. Information and Control, v. 8, p. 338-353, 1965.

11. KUKUCALI, S.; BARIS, K. Turkey’s short-term gross annual electricity demand

forecast by fuzzy logic approach. Energy Policy, v.38, n.5, p. 2438-2445, 2010. Disponível

em: <http://www.sciencedirect.com/science/article/pii/S0301421509009938>. Acesso em:

01 jul 2012.

http://www.sciencedirect.com/science/article/pii/S0301421509009938?_alid=1856939556&_rdoc=1&_fmt=high&_origin=search&_docanchor=&_ct=5&_zone=rslt_list_item&md5=b3eef3439986ca369aeb53ffe26688c1

http://www.sciencedirect.com/science/article/pii/S0301421509009938?_alid=1856939556&_rdoc=1&_fmt=high&_origin=search&_docanchor=&_ct=5&_zone=rslt_list_item&md5=b3eef3439986ca369aeb53ffe26688c1



12. MICHALIK, G. et al. Structural modeling of energy demand in the residential sector: 2.

The use of linguistic variables to include uncertainty of customer’s behaviour. Energy, v.22,

n.10, p. 949-958, 1997. Disponível em:

<http://www.sciencedirect.com/science/article/pii/S0360544297000303>. Acesso em: 01 jul

2012.

13. SANDERS, I., BATTY, W.J., HAGINO, K., 1993. Supply and demand for a resource:

fuzzy logistical optimization technique. Applied Energy, v. 46, n. 4, p. 285-302, 1993.

Disponível em: <http://www.sciencedirect.com/science/article/pii/030626199390046R>.

Acesso em: 01 jul 2012.

aplicação da lógica fuzzy para avaliação da eficiência e ... · “muito alta” (ma)...

Documents