mapas 3d como suporte À anÁlise espacial de … · guagem sql (structured query language), de...

MAPAS 3D COMO SUPORTE À ANÁLISE ESPACIAL DE CONSUMO E EM REDES DE

DISTRIBUIÇÃO DE ENERGIA ELÉTRICA

Andrei S. Silva, Bernardo C. R. F. Pessoa, Carlos A. Martins, Flávia M. Freitas, Michael L. Oliveira

Programa de Pós-Graduação em Engenharia Elétrica, Pontifícia Universidade Católica de Minas Gerais

Av. Dom José Gaspar, 500, Coração Eucarístico, Belo Horizonte, Minas Gerais

CEP: 30535-901

E-mails: [email protected], [email protected],

[email protected], [email protected], [email protected]

Abstract This paper aims to motivate and sensitize operators of electricity distribution network to the importance of tridimen-

sional visualization maps, for the representation and interpretation of a great amount of georeferenced data related to consumer units. The energy companies have been producing an increasing amount of information that should be analyzed and interpreted

for a better understanding of the system, including its tendencies and atypical occurrences, as well as for alarming untypical

events that should be thoroughly analyzed. In this paper, developments are shown using the ArgGIS software to represent con-

sumer and load factor information upon the map of the state of Minas Gerais, Brazil, and, in a finer level of detail, upon the con-

cession areas of CEMIG, which is the energy company of the state. The consumption data used in this article are derived from a

collection made with funds from a three-year project of the edict CEMIG/ANEEL, which is still in the first year of development.

Keywords Scientific Visualization, 3D Visualization, 3D maps, ArgGIS, Georeferenced Data, Consumer Units, Load Factor

Resumo Este artigo tem como objetivo despertar a motivação e sensibilidade para a importância das técnicas de visualização

tridimensional (3D) para a representação e interpretação de grandes massas de dados georreferenciados relacionados às unidades consumidoras do estado de Minas Gerais. As companhias energéticas vêm produzindo uma quantidade cada vez maior de dados

que devem ser analisados e interpretados para um melhor entendimento da rede, incluindo suas tendências e ocorrências atípicas,

assim como ressaltar eventos atípicos que deveriam ser estudados com atenção. Neste artigo são apresentados desenvolvimentos utilizando o software ArcGIS para representar informações de consumo e fator de carga sobre o mapa do estado de Minas Gerais,

Brasil, e, em um nível mais refinado de detalhe, sobre as regiões de concessão da CEMIG – Companhia Energética do Estado de

Minas Gerais. Os dados de consumo utilizados neste artigo são oriundos de uma coleta realizada com recursos de um projeto de três anos do Edital CEMIG/ANEEL que se encontra em seu primeiro ano de desenvolvimento.

Palavras-chave Visualização Científica, Visualização 3D, Mapas 3D, ArcGIS, Dados Georeferenciados, Unidades Consumi-

doras, Fator de Carga

1 Introdução

O avanço presenciado pelo setor de distribuição

de energia elétrica, com relação às tecnologias de

controle, operação e manutenção da rede, vem acom-

panhado de um aumento no volume de dados a serem

analisados para estimar tendências evolutivas do

sistema e diagnosticar situações atípicas que exijam a

atenção do operador. A análise dessa grande massa

de dados representa um desafio para os profissionais

envolvidos, já que a interpretação de planilhas com

diversas informações torna-se, rapidamente, uma

tarefa árdua e tediosa para o observador. É nesse

contexto que as técnicas visualização de dados mos-

tram-se poderosas ferramentas de análise, ao trans-

formarem dados brutos em informação com signifi-

cado. No caso particular deste trabalho, será apresen-

tada uma proposta para a representação de dados

georreferenciados, até então organizados em tabela

(ou planilha), utilizando-se visualizações por meio de

mapas, onde se empregam primitivas de imagem

tridimensionais (3D), com seus respectivos atributos

de cor, transparência e altura. De acordo com a litera-

tura [SUN, 2004], visualizações 3D são capazes de

comunicar mais informação, e de forma mais eficien-

te, do que visualizações bidimensionais (2D).

Os dados utilizados no projeto provêm de uma

coleta realizada pela CEMIG em unidades consumi-

doras no estado de Minas Gerais, com recursos de

um projeto de P&D do Edital CEMIG/ANEEL de

2012, ainda em desenvolvimento, em que foram

medidos os consumos a cada 15 minutos, por um

período de 38 dias, de 4.248 consumidores de alta,

média e baixa tensão, em 133 municípios do estado

de Minas Gerais. A grande massa de dados informa a

classe (rural, industrial ou comercial) e o ramo de

atividade de cada consumidor, o consumo (potência

ativa, reativa e aparente), o número da instalação do

cliente e as coordenadas para o posicionamento geo-

gráfico da unidade, de forma que possa ser localizado

o município e a região de operação da CEMIG onde

se localiza o consumidor. Outras variáveis, tais como

a temperatura média da localidade e o calendário de

feriados, serão incorporadas posteriormente ao banco

de dados para proporcionar análises espaciais que

sejam de interesse dos mais diversos setores da com-

panhia energética, como, por exemplo, os setores de

planejamento de expansão, tarifação e perdas. No

momento, já estão inseridas no banco de dados in-

formações sobre o dia da semana (dias úteis, sába-

dos, domingos), para que essas variáveis possam

também ser relacionadas ao consumo e ao fator de

carga dos consumidores.

As visualizações foram geradas no software

ArcGIS, que possui um conjunto de ferramentas que

permitem criar, organizar, gerenciar e combinar as

Anais do XX Congresso Brasileiro de Automática Belo Horizonte, MG, 20 a 24 de Setembro de 2014

2688

informações georreferenciadas aos mapas do estado,

em visualizações 2D ou 3D.

A análise visual da informação espacial de con-

sumo e de fator de carga, variando ao longo do tem-

po, permite ao operador da rede identificar consumi-

dores atípicos para determinado grupo de atividade e

estrato de consumo, bem como possíveis falhas no

sistema de fornecimento de energia nas diversas

regiões, ocorrências de condições de alarme de con-

tingência e tipificações de comportamento espacial e

sazonal de consumo de energia para determinado

grupo e extrato. Além disso, futuramente, por meio

da análise espacial, técnica suportada pelo ArcGIS, o

consumo de energia poderá ser relacionado visual-

mente a outras variáveis georreferenciadas, tais como

temperatura, faturamento da empresa ou renda per

capta dos consumidores residenciais, dentre outros.

2 Desenvolvimento e alguns resultados prelimi-

nares

Os dados da coleta foram armazenados em

um servidor e separados em várias tabelas para orga-

nizar o acesso. As informações pertinentes à visuali-

zação proposta foram extraídas utilizando-se a lin-

guagem SQL (Structured Query Language), de ma-

neira a criar novas tabelas a serem processadas pelo

ArcGIS.

De posse das coordenadas de cada instala-

ção elétrica, é possível posicionar geograficamente

qualquer dado referente aos consumidores. Através

do posicionamento espacial dessas informações,

torna-se possível uma interpretação mais clara acerca

do perfil de consumo do estado, que pode ser bastan-

te distinto regionalmente. Além disso, mapas anima-

dos, com visualizações variando ao longo do tempo,

podem trazer uma boa interpretação acerca da sazo-

nalidade dos dados.

Foram desenvolvidas visualizações 2D e

3D, com o objetivo de comparação e ênfase na po-

tencialidade surpreendente dos mapas 3D. As visua-

lizações 2D utilizaram a ferramenta ArcMap, ao

passo que as visualizações 3D utilizaram a ferramen-

ta ArcScene, ambas disponíveis no ArcGIS.

Para representações 2D, foram utilizados

pontos como primitivas gráficas para indicar as insta-

lações elétricas. Nas representações 3D, por sua vez,

surge uma maior maleabilidade no uso de recursos

gráficos para a representação dos dados, sendo as

agulhas, os cones e os cilindros as primitivas mais

utilizadas pela literatura para representar as instala-

ções elétricas, devido à facilidade com que podem

ser interpretadas [SUN, 2004]. Os sólidos geométri-

cos também são usados com frequência para a repre-

sentação de dados médios de consumo e de fator de

carga, que são mapeados na altura do sólido. As

cores podem ser usadas para distinguir estratos de

consumo, ramos de atividade ou, como será apresen-

tado, consumidores típicos dos consumidores atípi-

cos, em um determinado ramo de atividade e estrato

de consumo. Outros atributos de imagem a ser explo-

rados para representar atributos numéricos em de-

senvolvimentos futuros são a seção transversal dos

sólidos e a sua transparência.

2.1 Visualizações 2D: um início

Com o uso de ferramentas disponíveis no

ArcMap para visualização bidimensional, foi possí-

vel classificar os diversos consumidores, aqui repre-

sentados por pontos, segundo a classe (comercial,

industrial, residencial ou rural), utilizando-se cores

para distinguir as classes, como mostrado na

Figura 1. A visualização pode ser seletiva para mos-

trar somente uma classe por vez, como mostrado, ou

um conjunto de classes, de acordo com a demanda do

usuário.

Em uma outra visualização 2D, a densidade

espacial de consumidores que participaram da cam-

panha de medição nos diversos municípios ou regi-

ões de operação pode ser visualizada atribuindo-se

cores aos polígonos que delimitam a área dos muni-

cípios. Regiões com alta concentração de consumido-

res são destacadas com cores mais intensas, como

mostrado nas Figuras 2 e 3.

Essa análise puramente qualitativa, mostra-

da nas Figuras de 1 a 3, revelam apenas informações

acerca da amostragem utilizada na coleta de dados,

em que se observa a quantidade de consumidores

pesquisados em cada uma das classes dos municípios

e das regiões de concessão selecionadas.

Figura 1. Consumidores separados por classe


2689

Figura 2. Número de instalações por município

Figura 3. Número de instalações por região de operação da

CEMIG

Nas Figuras 4 e 5, o consumo médio diário

do consumidor, por município (aqueles que fizeram

parte da coleta de medição) e por região de operação,

pode ser visualizado ainda utilizando-se uma repre-

sentação 2D. Aqui não foi aplicado qualquer tipo de

filtro relacionado à classe ou ramo de atividade dos

consumidores.

Figura 4. Consumo médio diário dos municípios, considerando-se os consumidores que fizeram parta da coleta de medição.

Figura 5. Consumo médio diário das regiões de operação, conside-rando-se os consumidores que fizeram parta da coleta de medição.

Nos mapas das Figuras 4 e 5, foram escolhi-

das faixas de consumo a serem mapeadas em uma

escala de cores graduada. Apesar de esta visualização

2D já facilitar a análise da situação como um todo,

ela é limitada pelas seguintes restrições: uma quanti-

dade excessiva de cores pode gerar confusão visual

na interpretação da imagem por parte do observador,

ao passo que uma quantidade pequena de cores acar-

reta perda de informações devido à generalização dos

dados.

Pela Figura 4, pode-se observar que municí-

pios com consumo médio por consumidor inferiores

a 1 kWh são mapeadas na mesma faixa de consumo

(e portanto utilizam a mesma cor) que os municípios

com consumo médio de 30 kWh, dificultando assim

o estudo de caso. Nesse contexto, visualizações 3D

normalmente são mais eficientes que visualizações

2D para comunicar informações representadas por


2690

valores numéricos reais e com ampla faixa de valo-

res, tal como o consumo médio diário dos consumi-

dores nos diversos municípios, como será mostrado

na seção seguinte.

2.2 Visualizações 3D: novas possibilidades

Com o uso da ferramenta ArcScene os da-

dos podem ser representados utilizando-se primitivas

de imagem 3D, em substituição aos pontos e polígo-

nos utilizados nos mapas das Figuras 1 a 5. Com

essas novas primitivas, podem ser visualizadas in-

formações simultâneas acerca das instalações elétri-

cas, dos municípios e das regiões de operação, e de

maneira mais intuitiva.

Por exemplo, no mapa da Figura 6, duas in-

formações são visualizadas: a quantidade de instala-

ções em cada município (representada pela intensi-

dade da cor) e o consumo médio diário (representado

pela altura dos sólidos cujas seções transversais são

as áreas dos municípios), considerando-se todo o

período da coleta de dados. Os sólidos geométricos

utilizados têm como região de suporte a área dos

municípios pesquisados. Mapas animados podem ser

gerados para cada um dos dias da coleta de dados, de

forma a se perceber a variação sazonal dos dados de

consumo. Também podem ser gerados mapas que

reflitam a tipificação do consumo em dias úteis,

sábados, domingos e feriados.

Figura 6. Consumo médio diário por consumidor e quantidade de instalações elétricas em cada município, em representação 3D

Se uma análise comparativa da eficácia das

representações 3D e 2D é realizada, observa-se que a

primeira proporciona uma maior precisão e clareza

na representação dos dados, além de permitir a inter-

pretação de mais de uma variável ao mesmo tempo

[OVERBYE, 2000]. No mapa da Figura 4, por e-

xemplo, tem-se a ideia equivocada de que os consu-

midores dos municípios de Janaúba (localizado ao

norte do estado) e Tupaciguara (no triângulo minei-

ro) apresentam consumo médio diário equivalente.

No entanto, os valores de consumo médio por con-

sumidor em Janaúba e Tupaciguara são, respectiva-

mente, 458 e 1008 kWh, diferença essa que pode ser

visualmente percebida no mapa da Figura 6, por

meio da inspeção da altura dos sólidos referentes a

cada um dos municípios.

Outro exemplo de visualização 3D pode ser

visto na Figura 7, onde o consumo médio diário dos

consumidores nas regiões de operação da CEMIG é

mapeado em 2 atributos da imagem, simultaneamen-

te: além da escala de cores graduada, utilizada no

mapa 2D da Figura 5, utiliza-se também a altura dos

sólido cuja seção transversal coincide com a área de

operação. Ao se utilizar 2 atributos de imagem para

representar uma mesma informação em mapas 3D,

essa informação é ressaltada aos olhos do observa-

dor.

Figura 7. Regiões operacionais com consumo médio diário

3 Uma aplicação: visualização do fator de carga

de consumidores

No gerenciamento da distribuição de energia

elétrica em uma região, a visualização do fator de

carga de consumidores pertencentes a determinada

atividade econômica, confrontando com o fator de

carga típico desse ramo de atividade, é o primeiro

passo para a identificação visual de consumidores

atípicos, que pode auxiliar diversos setores da com-

panhia energética: por exemplo, o setor de planeja-

mento de ampliação da rede, o setor de tarifação e o

setor de perdas.

O fator de carga (FC) é uma métrica que

possibilita a análise do aproveitamento de energia e

corresponde à razão entre o consumo observado no

período e o consumo que teria ocorrido, caso a de-

manda fosse igual à demanda máxima durante todo o

período, ou seja:

em que Dmed e Dmáx referem-se, respectivamente, às

demandas média e máxima observadas no período T,

dado em quantidade de horas. Nesta pesquisa, foram

calculados valores de FC diários para cada consumi-


2691

dor e portanto, T = 24h e Dmed e Dmáx dizem respeito

a demandas diárias. Como na coleta realizada foram

medidos consumos (kWh) a cada 15 minutos, apro-

ximou-se o valor da demanda (kW) em cada um

desses intervalos pelo consumo observado, dividido

por ¼ de hora. Finalmente, Dmed foi calculada como

a média aritmética das demandas observadas nos 96

intervalos ao longo do dia e Dmáx foi determinada

como sendo o máximo valor dentre essas demandas.

Para a tipificação do FC em um ramo de ati-

vidade e estrato de consumo, para um período especí-

fico, inicialmente foi calculado o FC diário de cada

consumidor e posteriormente, o FC típico de cada

consumidor (correspondendo à média dos valores

diários de FC, em um período de interesse, que pode

ser, por exemplo, “segundas feiras”). E então, o FC

típico do ramo de atividade e estrato de consumo, no

período de interesse, foi determinado a partir da

média aritmética do FC típico de cada um dos con-

sumidores no grupo. A seguir, aplicou-se o critério

de Chauvenet (considerando-se que o fator de carga

dos consumidores no ramo de atividade e estrato

seguem uma distribuição normal) para a determina-

ção dos consumidores atípicos, já que esses consu-

midores devem ser alvo de atenção especial da com-

panhia de distribuição de energia elétrica. O critério

de Chauvenet consiste em encontrar uma faixa de

valores típicos para uma população de interesse,

considerando-se a média e o desvio padrão das medi-

ções observadas e a quantidade de indivíduos na

população. Valores fora da faixa (com valores meno-

res que o limite inferior, ou maiores que o limite

superior) são considerados atípicos para a população.

Para ramos de atividade com menos de 4

consumidores, não se realizou nenhuma estratifica-

ção de consumo, pois o número de indivíduos em

cada um dos estratos seria insuficiente para uma boa

tipificação. Até 11 consumidores no ramo de ativida-

de, foram utilizados 2 estratos de consumo e quando

o número de consumidores é maior ou igual a 12,

foram utilizados 3 estratos (os 25% de consumidores

de menor porte no estrato 1, os 25% dos consumido-

res de maior porte no estrato 3 e os 50% restantes no

estrato 2).

Os mapas da Figura 8 referem-se ao FC dos

consumidores do ramo de atividade “Instituições

Financeiras”, com 51 representantes e, portanto, com

3 estratos de consumo. O valor de FC típico de cada

um dos consumidores, no período de interesse, foi

mapeado no atributo “altura” das agulhas. Devido à

dificuldade de se visualizar uma quantidade muito

grande de consumidores em um mesmo mapa, a

geração de três mapas distintos (um para cada estrato

de consumo) mostrou-se uma opção para contornar a

poluição visual [COSTA, 2009]. A separação dos

consumidores em estratos de consumo, para a repre-

sentação nesses mapas, foi feita de acordo com a

demanda máxima apresentada por cada consumidor

ao longo do período completo da coleta (38 dias de

medição). As Figuras 8a, 8b e 8c referem-se a valo-

res de FC típicos dos consumidores dos estratos de

consumo 1, 2 e 3, respectivamente, considerando-se

todas as segundas-feiras, durante os 38 dias de medi-

ção. As Figuras 8b e 8d, por sua vez, permitem com-

parar o comportamento do FC típico dos consumido-

res do estrato 2, considerando-se dois períodos dife-

rentes, que são, respectivamente, “segundas-feiras” e

“domingos”. Na visualização dos dados de FC de um

ramo de atividade e estrato de consumo mostradas no

mapa da Figura 8, as instalações que apresentam

valores atípicos são ressaltadas no mapa por meio de

cores que sinalizam condições de alarme (amarelo

para consumidores dentro da faixa típica, e vermelho

para consumidores atípicos).

Analisando-se os mapas da Figura 8, obser-

va-se que o estrato 3 não apresenta consumidores

atípicos às segundas-feiras (Figura 8c), o que não é

verdade para os estratos 1 e 2 (Figuras 8a e 8b). E,

comparando-se o comportamento do FC para os

consumidores do estrato 2 aos domingos e às segun-

das-feiras (Figuras 8d e 8b, respectivamente), obser-

va-se que os valores de FC são maiores no primeiro

caso, já que aos domingos não ocorrem grandes vari-

ações de demanda ao longo do dia e, portanto, a

demanda média tende a se aproximar da demanda

máxima, fazendo com que o FC seja bem próximo do

valor unitário. Aos domingos, não foram encontrados

consumidores atípicos no estrato 2.

Para que a representação da informação em

mapas 3D seja completamente eficiente, ainda é

necessário vencer a dificuldade enfrentada ao se

utilizar a ferramenta ArcScene, uma vez que ela não

dá suporte à inserção de títulos, rosa dos ventos,

legendas e escalas (horizontal e vertical) nos mapas

3D. Nos mapas apresentados na Figura 8, os títulos e

legendas foram inseridos através de editores de ima-

gem.

A navegação pelo ambiente 3D também

permite o monitoramento de regiões específicas,

aumentando o nível de detalhes que essa visualização

permite. Porém, esse tipo de navegação pode gerar a

perda da referência espacial [KOLLER, 1995]. No

mapa da Figura 9, a região de Montes Claros aparece

ampliada e a referência espacial foi mantida por meio

da inclusão dos seguintes mapas: do estado de Minas

Gerais contendo o município de Montes Claros des-

tacado na cor vermelha, e do Brasil, contendo o esta-

do de Minas Gerais destacado na cor vermelha. O

consumo médio dos consumidores residenciais foi

mapeado na altura das agulhas. Como não foi feita a

classificação em estratos de consumo, foi utilizada a

mesma escala vertical para todos os consumidores.

Foi utilizada ainda uma escala de cores gradativa do

verde (consumidores com baixo consumo) ao verme-

lho (consumidores com alto consumo).


2692

Figura 8. “Instituições Financeiras” por fator de carga (FC) repre-

sentado por altura e cor de agulhas

Figura 9. Consumo médio de consumidores residenciais do muni-cípio de Montes Claros, MG

4 Conclusão

Por meio do uso de técnicas de visualização de

dados, pode-se extrair informação útil de grandes

massas de dados, que a princípio não têm qualquer

significado. As visualizações 2D utilizam primitivas

0D (pontos), 1D (cruzes), ou 2D (tais como áreas de

polígonos), atribuindo-lhes cores para distinguir

classes discretas de variáveis numéricas. Nas repre-

sentações 3D, novos atributos visuais surgem além

da cor, tais como a altura de sólidos 3D para repre-

sentar variáveis numéricas relacionadas a regiões

espaciais (municípios ou áreas de operação da con-

cessionária de energia elétrica), ou a altura de agu-

lhas para representar variáveis numéricas relaciona-

das a consumidores individuais. Assim, a visualiza-

ção 3D possibilita que o operador relacione mais

informações espaciais simultaneamente, mapeando-

as em atributos de imagem distintos (como por e-

xemplo, utilizando a altura das agulhas para repre-

sentar determinado valor numérico relativo ao con-

sumo, e utilizando a cor pode para notificar condi-

ções de alarme de ocorrências atípicas). Uma outra

possibilidade das visualizações 3D é utilizar mais de

um atributo para mapear uma mesma grandeza nu-

mérica, o que faz com que a informação seja ainda

mais destacada aos olhos do observador.

Nos estudos de caso apresentados, a visuali-

zação de dados georreferenciados permitiu análises

sazonais e espaciais do padrão consumo de energia

elétrica no estado de Minas Gerais, considerando-se

os diversos municípios ou regiões de concessão, as

classes de consumidores, os grupos de atividade a

que eles pertencem e os estratos de consumo. Com o

monitoramento de regiões específicas e o uso de

simbologia adequada, a representação 3D, ao final

desta pesquisa, será ferramenta de grande relevância

na análise de possíveis falhas na distribuição de e-

nergia, na tipificação espacial e sazonal do consumo

em grupos específicos e na identificação de consu-

midores atípicos, dentre outras possibilidades.

As próximas etapas do projeto consistem na

análise sazonal dos dados relativos a todos os ramos

de atividade estratos de consumo ao longo do perío-

do de um ano, o que requer a expansão da coleta para

o período de 365 dias consecutivos. Dessa forma,

serão feitas correlações entre o fator de carga, o con-

sumo, as temperaturas medidas e o calendário dos

municípios. Novas ferramentas, além daquelas já

disponibilizadas pelo próprio ArcGIS, serão desen-

volvidas por meio do uso da linguagem de progra-

mação Python, possibilitando maior interatividade do

usuário para a geração de mapas de interesse (consi-

derando-se ramos de atividade, período a ser obser-

vado etc). Além disso, a própria ferramenta deverá

inserir títulos, legendas, escalas horizontais e verti-

cais e rosas dos ventos, o que não é suportado pela

ferramenta ArcScene.

5 Agradecimentos

A equipe agradece ao PROBIC (Programa

de Bolsas de Iniciação Cientifica da PUC Minas) e à

FAPEMIG (Fundo de Amparo a Pesquisa do Estado

de Minas Gerais) pelas bolsas de iniciação científica.

E à equipe do Projeto de Pesquisa e Desenvolvimen-

to Tecnológico P&D ANEEL D435 – “Desenvolvi-

mento de Metodologia para Definir Valores de Fator

de Carga e Fator de Demanda em Unidade Consumi-

dora”, pelo apoio técnico e financeiro que viabiliza-

ram o desenvolvimento desta pesquisa. As entidades

participantes são (em ordem alfabética): Axxiom

Soluções Tecnológicas SA, Cemig Distribuição SA,

Pontifícia Universidade Católica de Minas Gerais e

VS2 Consultoria, Pesquisa e Engenharia LTDA.

Referências Bibliográficas

Costa, João Vasco E. O. Monitorização e

Geovisualização de Pesquisas Web no Portal

Sapo. Pp 31-34, 2009.

Koller, David, P. Lindstrom, W. Ribarsky, L. F.

Hodges, N. Faust and G. Tumer “Virtual GIS: A

real-time 3D geographic information system”,

Proceedings Visualization 95, pp94-100, 1995.

Sun, Yan and T. J. Overbye “Visualizations for

power system contingency analysis data”, IEEE

Trans. Power Syst., vol 19, no. 4, pp.1859-1866,

2004.

Overbye, Thomas J. and Weber, Jamie D. “New

Methods for the visualization of Electric Power

System Information”, in IEEE Symposium on

Information Visualization(Info Vis’00), 2000.


2693

mapas 3d como suporte À anÁlise espacial de … · guagem sql (structured query language), de...

Documents